CN109141881A - 一种深度自编码网络的旋转机械健康评估方法 - Google Patents

Abstract

本发明公开了一种深度自编码网络的旋转机械健康评估方法，包括步骤1，振动信号采集；步骤2，原始特征提取；步骤3，采用深度自编码网络DAE进行特征降维；步骤4，特征选择；步骤5，采用无监督SOM算法进行健康指标构建；步骤6，采用基于遗传算法的融合评价准则进行健康指标评价。本发明结合深度学习强大特征提取能力的优势，将深度自编码和最小量化误差方法相结合。另外，针对基于一个度量的评价准则常常具有偏差的问题，提供了基于遗传算法的融合评价准则。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。

Description

一种深度自编码网络的旋转机械健康评估方法

技术领域

本发明涉及旋转机械健康评估技术，特别是一种深度自编码网络的旋转机械健康评估方法。

背景技术

由于先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法在轴承预测中得到了广泛的应用，因为它们能够利用状态监测数据来量化退化过程，而不是建立一个不容易获得的精确***模型。

通常，数据驱动的预测方法通常由以下三个步骤组成：数据采集、健康指标构建和剩余寿命预测。健康指标试图通过从获取的数据中提取特征信息来识别和量化历史和正在进行的退化过程。因此，所构建的健康指标的质量在很大程度上直接影响着数据驱动的预测方法的有效性。从这个角度出发，构建有效反应机械设备退化的健康指标至关重要。工业现场中常见的旋转零部件，如轴承、齿轮、转子等，是旋转机械设备中的重要组成构件，它的健康状况直接影响旋转机械能否正常运转。这些关键部件损坏严重会导致生产停工，带来巨大经济损失，因此，对其健康状况准确评估对于设备安全可靠运行具有重要意义。

根据健康指标的构造策略，可以将现有的旋转机械健康指标分为两类：物理健康指标和虚拟健康指标。时频域特征提取方法通常是计算时频域波形的有量纲和无量纲参数指标，它是机械振动信号最为简便的特征提取方法，这些参数指标与机械设备的运行转速与负载等工况密切相关。但仅凭借一个特征来评估旋转机械退化过程往往不具有说服力，而且存在一定的偏差。主成分分析(PCA)作为目前最流行的降维技术之一，常被应用于虚拟健康指标的构建过程中。然而，PCA是一种线性的降维方法，而轴承退化过程为非线性退化过程，因而不能用于准确评价旋转机械健康指标。另外，PCA与时频域特征提取方法结合构建的健康指标在单调性、趋势性、鲁棒性三方面都有待改进。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种深度自编码网络的旋转机械健康评估方法，该深度自编码网络的旋转机械健康评估方法能够提高所构建的健康指标的质量，有效评估旋转机械健康状况，进而提高旋转机械剩余寿命预测的准确性。

为解决上述技术问题，本发明采用的技术方案是：

一种深度自编码网络的旋转机械健康评估方法，包括如下步骤。

步骤1，振动信号采集：对旋转机械的关键部件的振动信号进行采集。

步骤2，原始特征提取：对步骤1采集的振动信号，进行关键部件全寿命原始特征的初步提取。

步骤3，特征降维：将步骤2提取的原始特征作为深度自编码网络DAE的输入，深度自编码网络DAE将原始特征进行非线性降维，得到压缩向量Z。

步骤4，特征选择：将步骤3得到的压缩向量Z中的特征按趋势值进行排序，选取趋势值趋势值大于0.8的特征构成特征子集。

步骤5，健康指标构建：采用无监督SOM算法将步骤4选择的特征子集融合成一维的健康值，得到旋转机械的关键部件全寿命的健康指标。

步骤6，健康指标评价：采用基于遗传算法的融合评价准则对步骤5构建的健康指标进行评价。

步骤6中，采用融合评价准则对健康指标进行评价的具体方法为：用遗传算法搜寻适应度函数的最大值作为评价健康指标的标准，适度函数值越大表明构建的健康指标越好。

适应度函数的最大值计算公式表示如下：

其中，

Y(t_k)＝Y_T(t_k)+X_R(t_k) (6)

式中，fitness为适度函数值，corr(Y(t_k),T(t_k))为趋势值，mon(Y(t_k))为单调性值，rob(Y(t_k))为鲁棒性值；Y(t_k)表示健康指标，Y_T(t_k)表示健康指标的趋势部分，X_R(t_k)为健康指标的随机部分，K表示时间序列的长度，和分别为从1到K时刻健康指标Y(t_k)和时间向量T(t_k)的均值；dY(t_k)表示健康指标在K时刻的导数，Y_start和Y_end分别表示健康指标Y(t_k)的起始值和末尾值，ω_i表示各个评价指标值的权重。

步骤5中，融合形成的一维健康值也即为最小量化误差MQE值，MQE值越小表明当前状态离基准健康状态越近；MQE值越大，表明当前状态偏离基准健康状态越远。

最小量化误差MQE的计算公式为：

MQE＝||h-w_BMU|| (7)

式中，w_BMU表示最佳匹配单元，h为实时状态特征向量；BMU为最佳匹配神经元，最佳匹配神经元的权重向量与SOM算法中输入向量的欧氏距离最小。

旋转机械的关键部件包括轴承、齿轮或转子。

步骤2中，关键部件全寿命原始特征包括16个时域特征，13个频域特征，17个时频域特征和2个基于三角函数的特征；2个基于三角函数的特征分别是反三角双曲余弦标和反三角双曲正弦标准差。

本发明具有如下有益效果：

1.本发明构建的健康指标的趋势值corr(Y,T)，单调性值mon(Y)，鲁棒性值rob(Y)都大于单层的自编码模型和传统的PCA降维方法。原因是深层自编码有强大逐层贪婪学习轴承全寿命的非线性特征的能力。有效去除冗余特征，克服了传统线性降维的不足。

2.单一特征的健康指标不能完全反应旋转机械实际的退化状态，本发明提出的基于MQE方法的多健康指标融合更能表征旋转机械实际的退化状态。

3.基于一个度量的健康指标评价准则常常是有偏差的，本发明将多评价准则问题设计为一个组合约束优化问题，所提出的基于遗传算法的融合评价准则比单一的评价准则更具说服力。

4.本发明能准确评估旋转机械健康状态，且简单易行，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估与剩余寿命预测。

附图说明

图1显示了本发明一种深度自编码网络的旋转机械健康评估方法的流程图。

图2显示了轴承振动信号时域波形。

图3显示了轴承的特征选择时趋势值与特征数的关系示意图。

图4显示了轴承全寿命退化健康指标曲线。

具体实施方式

下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。

如图1所示，一种深度自编码网络的旋转机械健康评估方法，包括如下步骤。

步骤1，振动信号采集：对旋转机械的关键部件的振动信号进行采集。

旋转机械的关键部件包括轴承、齿轮或转子等。

关键部件振动信号的采集方法为现有技术，本申请中，以轴承为例，采用如下优选方法进行采集。

步骤11，轴承安装：将四个轴承同时安装在轴承寿命强化试验台上，轴承寿命强化试验台的型号优选为ABLT‐1A，其包括试验头、试验头座、传动***、加载***、润滑***、电气控制***、测试及数据采集***组成。轴承寿命强化试验台能够同时安装四个轴承进行加速疲劳寿命试验。

步骤12，采集***布设：轴承寿命强化试验台的数据采集***包括四个热电偶和三个加速度传感器，四个热电偶用于拾取四个轴承外圈的温度信号，三个加速度传感器分别拾取三个刚体外壳上的振动信号，其中第一个加速度传感器用于采集1工位的轴承数据，第二个加速度传感器用于采集2工位和3工位的轴承数据，第3个加速度传感器用于采集4工位的轴承数据。

步骤13，轴承加载：试验的加载条件如表1所示，6308轴承的额定动载荷是42.3kN，实际加砝码30kg，即每个轴承上受到的额定动载荷伟15kN。

表1全寿命试验测试条件

步骤14，振动信号采集：加载过程中，采集***自动对四个轴承的振动信号进行采集。加满载荷，如表2所示，轴承在运行9小时后，最终试验机因为振动均方根达到停机阈值而停机。(加满载荷的振动均方根值设定为5.0，停机阈值设置为20)。然后，用线切割切开轴承后可以看到滚动体有明显的剥落现象，被测6308轴承的振动信号时域波形如图2所示。

表2径向载荷加载状况

步骤2，原始特征提取：对步骤1采集的振动信号，进行关键部件全寿命原始特征的初步提取。初步提取方法为现有的技术，初步提取的关键部件全寿命原始特征主要包括时域、频域、时频域等特征。

关键部件全寿命原始特征包括16个时域特征，13个频域特征，17个时频域特征和2个基于三角函数的特征。2个基于三角函数的特征分别是反三角双曲余弦标和反三角双曲正弦标准差。

步骤3，特征降维。

深度自编码网络DAE是由Hinton提出的一种用于学习高效编码的人工神经网络，通过学习获得数据集的压缩编码，可以达到数据降维的目的。深度自编码网络能使具体的特征向量逐渐转化为抽象的特征向量。

本申请中，将步骤2提取的原始特征作为深度自编码网络DAE的输入，深度自编码网络DAE将原始特征进行非线性降维，得到压缩向量Z。

具体包括如下步骤：

步骤31，将初步提取的全寿命原始特征输入到深度自编码网络DAE中。

步骤32，深度自编码网络DAE逐层学习轴承全寿命的非线性特征，进而预训练整个深度神经网络。

深度自编码网络是一个由多层自编码器组成的神经网络，其前一层自编码器的输出作为其后一层自编码器的输入。对于一个n层深度自编码神经网络，假定用W(k,1)，W(k,2)，b(k,1)，b(k,2)表示第k个自编码器对应的W(1)，W(2)，b(1)，b(2)参数，那么该自编码神经网络的编码过程就是，按照从前向后的顺序执行每一层自编码器的编码步骤：

a^(k)＝f(z^(k))

其中，z^(k+1)＝W^(k,1)a^(k)+b^(k,1)

式中f(·)为激活函数，a^(k)为DAE编码层第k层的输出。

同理，深度神经网络的解码过程就是，按照从后向前的顺序执行每一层自编码器的解码步骤：

a^(n+k)＝f(z^(n+k))

其中，z^(n+k+1)＝W^(n+k,2)a^(n+k)+b^(n+k,2)

式中，f(·)为激活函数，W^(n+k,2)，b^(n+k,2)为DAE网络解码层第n+k层的权值和偏置，a^(n+k)是解码层第n+k层的输出。a⁽ⁿ⁾是最深层隐藏单元的激活值，是对输入值的更高阶的表示。

DAE通过逐层贪婪训练法依次训练网络的每一层，进而预训练整个深度神经网络。

步骤33，最后进行全局微调。中间的压缩向量Z就是DAE非线性降维得到的特征。

微调是深度学习的一种策略，可以提高深度自编码神经网络的性能。在微调的过程中，将整个自编码神经网络的所有层都看成一个模型，统一对模型中的参数进行修正的过程。进行全局微调的通用的方式是对误差进行反向传播。

步骤4，特征选择：将步骤3得到的压缩向量Z中的特征按趋势值进行排序，选取趋势值趋势值大于0.8的特征构成特征子集。本发明中，6308轴承的压缩向量特征选择如图3所示。

特征选择的具体过程，包括如下步骤。

步骤41，将步骤3得到的压缩向量Z中的特征计算每个特征的趋势值，趋势值计算方法优选采用步骤6中的公式(3)进行计算。

步骤42，将计算的每个特征的趋势值按趋势值排序。

步骤43，选取趋势值大于0.8的特征构成特征子集，对应本实例就是选取第1，2，5个特征，具体如图3所示。

步骤5，健康指标构建：采用无监督SOM算法将步骤4选择的特征子集融合成一维的健康值，得到旋转机械的关键部件全寿命的健康指标。

健康指标构建，具体包括如下步骤。

步骤51，利用旋转机械部件正常时的特征值作为输入数据训练SOM结构。

步骤52，训练SOM神经网络达到稳态。

步骤53，计算实时状态与最佳匹配单元w_BMU之间的距离，即旋转机械部件此时的健康状态。

本步骤5中，融合形成的一维健康值也即为最小量化误差MQE值，MQE值越小表明当前状态离基准健康状态越近；MQE值越大，表明当前状态偏离基准健康状态越远。

最小量化误差MQE的计算公式为：

MQE＝||h-w_BMU|| (7)

式中，w_BMU表示最佳匹配单元，通过采用公式(8)训练SOM神经网络获得；h为实时状态特征向量，也即由选取的趋势值大于0.8的特征所构成；BMU为最佳匹配神经元，最佳匹配神经元的权重向量与SOM算法中输入向量的欧氏距离最小。

SOM神经网络可将任意维数的输入模式以拓扑有序的方式变换到一维或二维的离散空间上。当某个神经元的权重向量与输入向量的欧氏距离最小时，称该神经元为最佳匹配神经元BMU。

获胜神经元领域中，所有神经元的权值适当调节以增加关于该输入模式的判别函数值，即让输出层神经元的权值向量随输入向量进行改变。领域中神经元权值更新公式如式(8)。

w_i(n+1)＝w_i(n)+η(n)h_j,i(x)(n)h-w_i(n)) (8)

式中，w_i(n)为在时刻n神经元i的权值向量；w_i(n+1)在时刻n+1神经元i的权值向量；η(n)为学习率，随时间n的增长而逐渐下降；h_j,i(x)(n)为预先定义的领域函数，h为实时状态特征向量。

步骤6，健康指标评价：采用基于遗传算法的融合评价准则对步骤5构建的健康指标进行评价。

轴承在实际运行使用中，因受使用环境中各种应力的持续累计作用，而出现疲劳损伤、老化、松动、锈蚀及应力变形等物理或化学意义上的性能退化。这种性能退化从量化角度来考虑，表现为轴承的性能参数逐渐偏离正常范围。通常单一的评价指标不能完全反应轴承实际的退化状态，且常常是有偏差的，而多健康指标(本发明是选取趋势值大于0.8的特征进行融合)融合更能表征轴承实际的退化状态。

本步骤6中，采用融合评价准则对健康指标进行评价的具体方法为：用遗传算法搜寻适应度函数的最大值作为评价健康指标的标准，适度函数值越大表明构建的健康指标越好。

适应度函数的最大值计算公式表示如下：

其中，

Y(t_k)＝Y_T(t_k)+X_R(t_k) (6)

式中，fitness为适度函数值，corr(Y(t_k),T(t_k))为趋势值，mon(Y(t_k))为单调性值，rob(Y(t_k))为鲁棒性值；Y(t_k)表示健康指标，用于评估轴承退化过程，可用最小二乘拟合方法从健康指标中减去最佳拟合线，得到公式(5)中的X_R(t_k)；Y_T(t_k)表示健康指标的趋势部分，X_R(t_k)为健康指标的随机部分，K表示时间序列的长度，和分别为从1到K时刻健康指标Y(t_k)和时间向量T(t_k)的均值；dY(t_k)表示健康指标在K时刻的导数，Y_start和Y_end分别表示健康指标Y(t_k)的起始值和末尾值，ω_i表示各个评价指标值的权重。

另外，式(4)中No.of表示健康指标中导数大于或是小于0的点的个数

本发明中的健康指标曲线如图4所示。

通过本发明方法计算健康指标曲线的单调性值、趋势性值、鲁棒性值和融合评价准则值如表3所示，AE表示由单层自编码方法构建的健康指标。

表3三种方法各个评价指标值

本发明提出的方法构建的健康指标的趋势值，单调性值，鲁棒性值都大于单层的自编码模型和传统的PCA降维方法。更能反应轴承实际退化的过程。

总之，本发明结合深度学习强大特征提取能力的优势，将深度自编码(Deep Auto‐Encoder,DAE)和最小量化误差(Minimum Quantization Error,MQE)方法相结合，用深度自编码模型对原始特征进行压缩提取，将压缩特征按趋势进行排序，选取趋势大的特征运用最小量化误差方法构建健康指标。另外，针对基于一个度量的评价准则常常具有偏差的问题，本发明提供了基于遗传算法的融合评价准则。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (7)

1.一种深度自编码网络的旋转机械健康评估方法，其特征在于：包括如下步骤：

步骤1，振动信号采集：对旋转机械的关键部件的振动信号进行采集；

步骤2，原始特征提取：对步骤1采集的振动信号，进行关键部件全寿命原始特征的初步提取；

步骤3，特征降维：将步骤2提取的原始特征作为深度自编码网络DAE的输入，深度自编码网络DAE将原始特征进行非线性降维，得到压缩向量Z；

步骤4，特征选择：将步骤3得到的压缩向量Z中的特征按趋势值进行排序，选取趋势值趋势值大于0.8的特征构成特征子集；

步骤5，健康指标构建：采用无监督SOM算法将步骤4选择的特征子集融合成一维的健康值，得到旋转机械的关键部件全寿命的健康指标；

步骤6，健康指标评价：采用基于遗传算法的融合评价准则对步骤5构建的健康指标进行评价。

2.根据权利要求1所述的深度自编码网络的旋转机械健康评估方法，其特征在于：步骤6中，采用融合评价准则对健康指标进行评价的具体方法为：用遗传算法搜寻适应度函数的最大值作为评价健康指标的标准，适度函数值越大表明构建的健康指标越好。

3.根据权利要求2所述的深度自编码网络的旋转机械健康评估方法，其特征在于：适应度函数的最大值计算公式表示如下：

其中，

Y(t_k)＝Y_T(t_k)+X_R(t_k) (6)

式中，fitness为适度函数值，corr(Y(t_k),T(t_k))为趋势值，mon(Y(t_k))为单调性值，rob(Y(t_k))为鲁棒性值；Y(t_k)表示健康指标，Y_T(t_k)表示健康指标的趋势部分，X_R(t_k)为健康指标的随机部分，K表示时间序列的长度，和分别为从1到K时刻健康指标Y(t_k)和时间向量T(t_k)的均值；dY(t_k)表示健康指标在K时刻的导数，Y_start和Y_end分别表示健康指标Y(t_k)的起始值和末尾值，ω_i表示各个评价指标值的权重。

4.根据权利要求1所述的深度自编码网络的旋转机械健康评估方法，其特征在于：步骤5中，融合形成的一维健康值也即为最小量化误差MQE值，MQE值越小表明当前状态离基准健康状态越近；MQE值越大，表明当前状态偏离基准健康状态越远。

5.根据权利要求4所述的深度自编码网络的旋转机械健康评估方法，其特征在于：最小量化误差MQE的计算公式为：

MQE＝||h-w_BMU|| (7)

式中，w_BMU表示最佳匹配单元，h为实时状态特征向量；BMU为最佳匹配神经元，最佳匹配神经元的权重向量与SOM算法中输入向量的欧氏距离最小。

6.根据权利要求1所述的深度自编码网络的旋转机械健康评估方法，其特征在于：旋转机械的关键部件包括轴承、齿轮或转子。

7.根据权利要求1所述的深度自编码网络的旋转机械健康评估方法，其特征在于：步骤2中，关键部件全寿命原始特征包括16个时域特征，13个频域特征，17个时频域特征和2个基于三角函数的特征；2个基于三角函数的特征分别是反三角双曲余弦标和反三角双曲正弦标准差。