CN113158814B - 一种基于卷积自编码器的轴承健康状态监测方法 - Google Patents
一种基于卷积自编码器的轴承健康状态监测方法 Download PDFInfo
- Publication number
- CN113158814B CN113158814B CN202110328161.3A CN202110328161A CN113158814B CN 113158814 B CN113158814 B CN 113158814B CN 202110328161 A CN202110328161 A CN 202110328161A CN 113158814 B CN113158814 B CN 113158814B
- Authority
- CN
- China
- Prior art keywords
- bearing
- health state
- encoder
- value
- digital vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 78
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 241000820057 Ithone Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于卷积自编码器的轴承健康状态监测方法,属于轴承故障预测与健康管理领域。该方法首先获取一个全新轴承的全生命周期数字振动信号及健康状态标注值;分别提取该数字振动信号的本征模态分量统计量特征和利用卷积自编码器学习的深度特征,将两种特征进行拼接并筛选,将筛选出的特征输入全连接回归网络当中进行回归训练,最终得到该轴承全生命周期的健康状态曲线图;之后,获取同型号待监测轴承目前的健康状态曲线图;对比两张曲线图,得到该待监测轴承的健康状态监测结果。本发明通过卷积自编码器提升轴承振动信号特征的完整性,运用特征排序和特征选择的方法去除冗余特征,能够得到较为准确的轴承健康状态。
Description
技术领域
本发明属于轴承故障预测与健康管理领域,具体涉及一种基于卷积自编码器的轴承健康状态监测方法。
背景技术
轴承是各类旋转机械当中必不可少的部件,轴承的健康与否直接影响着整个旋转机械***的运行状况,尤其在大型机械场景当中,例如飞机、风力发电机、电梯等机械***,一旦出现轴承部件的健康问题,都有可能造成极大的生命财产损失。因此,近年来轴承的健康状态监测及其故障预测愈来愈受到高度的关注。对于旋转机械中轴承健康状态的监测,我们无法通过直接测量或者直观估计得出。目前,比较常用的监测方法大多通过分析轴承的振动信号而得出轴承的健康状态。
轴承振动信号非常复杂,一维的振动信号中包含着大量的特征信息,须通过一定的分析方法从振动信号当中获取这些特征信息,常见的轴承振动信号分析方法多采用直接分解或者滤波后再分解的方式。经验模态分解是直接分解中比较常用的一种方法。基于经验模态分解的特征提取方法,是在经验模态分解的基础上进行特征提取的,首先将振动信号分解为若干个本征模态分量,再对每个本征模态分量进行统计量特征的分析,该方法只是基于专家经验获取振动信号特征,在特征完整性方面存在一定的局限性,且在得到的众多特征当中存在大量的冗余特征,这些冗余特征对轴承健康状态的监测具有负面作用,从而影响轴承健康状态监测的准确性。
发明内容
本发明的目的是为克服现有的旋转机械设备中轴承部件的健康状态监测中,轴承振动信号复杂,特征提取不全,特征冗余的不足之处,提出一种基于卷积自编码器的轴承健康状态监测方法。本发明通过采用卷积自编码器提升轴承振动信号特征的完整性,运用特征排序和特征选择的方法去除冗余特征,能够得到较为准确的轴承健康状态。
本发明提出一种基于卷积自编码器的轴承健康状态监测方法,其特征在于,该方法首先在一个全新的轴承上安装振动传感器并获取该轴承全生命周期的数字振动信号及对应的健康状态标注值;对该数字振动信号分别进行两种特征提取操作:一是将该数字振动信号进行经验模态分解,选取若干个本征模态分量并得到每个选取的本征模态分量的统计量特征;二是将该数字振动信号输入到一个卷积自编码器中进行深度学习训练,训练完毕后,得到输入信号的深度特征;然后将两种特征进行拼接并筛选,将筛选出的特征输入一个全连接回归网络当中进行回归训练,最终得到该轴承全生命周期的健康状态曲线图;获取同型号待监测轴承的数字振动信号,利用训练完毕的卷积自编码器和全连接回归网络,获取该轴承的健康状态预测值,进而生成该轴承目前的健康状态曲线图;通过两张曲线图的对比,得到该待监测轴承的健康状态监测结果。该方法包括以下步骤:
1)选取一个全新的轴承,获取该轴承在全生命周期的数字振动信号及对应的健康状态标注值;具体步骤如下:
1-1)选取一个全新的轴承;
1-2)在该轴承的轴承座上安装振动传感器,利用振动传感器获取轴承从开始运行直到报废的全生命周期的的振动信号,将获取的振动信号转化为数字振动信号;
1-3)对数字振动信号进行预处理操作,该预处理操作包括对步骤1-2)得到的数字振动信号进行采样,得到预处理完毕的所有采样点的数字振动信号并计算每个采样点对应的健康状态标注值;
2)将步骤1)得到的预处理完毕的所有采样点的数字振动信号进行经验模态分解得到对应的本征模态分量,然后选取前N个本征模态分量进行统计量特征分析,得到选取的每个本征模态分量分别对应的统计量特征;
3)将步骤1)预处理完毕的所有采样点的数字振动信号输入到随机初始化参数的一维卷积自编码器当中,通过减小重构误差对该卷积自编码器进行深度学习的训练,当重构误差不再变小时,得到训练完毕的卷积自编码器;其中,卷积自编码器由编码器和译码器构成;
将步骤1)预处理完毕的所有采样点的数字振动信号输入训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征;
4)将步骤2)和步骤3)得到的所有特征根据对应的采样点进行拼接,得到预处理完毕的各采样点数字振动信号的拼接特征,再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选,得到筛选完毕的特征;
5)将步骤4)筛选完毕的特征输入到一个全连接回归网络当中进行回归训练,采用梯度下降的方法反复减小损失函数的取值对该全连接回归网络进行训练,直到损失函数的取值不再减小,则全连接回归网络训练结束;将训练完毕的全连接回归网络输出的轴承的在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值;
其中,损失函数的计算表达式为:
式中,labeli表示第i个采样点健康状态的标注值,predictioni表示当前全连接神经网络输出的第i个采样点的健康状态的预测值;
利用轴承在每个采样点的健康状态值,绘制该轴承健康状态随时间变化的二维曲线,得到该轴承在全生命周期的健康状态曲线图;根据图中斜率的变化趋势,将轴承的全生命周期分为平稳阶段、退化阶段、急速退化阶段;
6)获取一个与步骤1)相同型号的待监测轴承,获取该轴承的健康状态监测结果;具体步骤如下:
6-1)获取一个与步骤1)相同型号新的轴承作为待监测轴承,在该轴承的轴承座上安装与步骤1-2)中相同类型的振动传感器;
6-2)在任一监测时刻,利用步骤6-1)安装的振动传感器获取待监测轴承从开始运行直到该监测时刻的振动信号并转化为数字振动信号;对该数字振动信号进行预处理,通过对数字振动信号进行采样,得到预处理完毕的所有采样点的数字振动信号;
6-3)将步骤6-2)预处理完毕的所有采样点的数字振动信号进行经验模态分解得到前N个本征模态分量;对各本征模态分量进行统计量特征分析,得到每个本征模态分量分别对应的统计量特征;
6-4)将步骤6-2)预处理完毕的所有采样点的数字振动信号输入步骤3)训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征;
6-5)将步骤6-3)和步骤6-4)得到的所有特征根据对应的采样点进行拼接,得到拼接特征,再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选,得到筛选完毕的特征;
6-6)将步骤6-5)筛选完毕的特征输入到步骤5)训练完毕全连接回归网络,该网络输出待监测轴承在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值;
利用每个采样点的健康状态值得到待监测轴承从开始运行到当前时刻的健康状态曲线图;
6-7)将步骤6-6)得到的健康状态曲线图与步骤5)得到的轴承在全生命周期的健康状态曲线图进行比对,得到待监测轴承在该监测时刻所处的健康状态阶段,监测完成。
本发明的特点及有益效果在于:
1)本发明采用卷积自编码器这一深度学习的方法,可以自适应地提取轴承振动信号当中的深度特征信息,提升了轴承振动信号特征的完整性。
2)从轴承振动信号提取出来的诸多特征量当中,有大量的冗余特征,这些冗余特征容易干扰对轴承健康状态的监测。单调性反映数据的单***况,趋势性反映数据与时间的相关程度,自相关性反映数据的波动情况。因为轴承的退化情况随时间的变化越来越强,所以反映轴承健康状态的特征在单调性、趋势性、自相关性方面一定表现良好。该排序选择方法可以有效去除冗余特征,提高轴承健康状态的准确度。
3)本发明选用比较符合轴承健康状态曲线的反双曲正切函数作为有监督训练的标签,得到的轴承健康状态曲线准确度更高,检测效果更佳。
附图说明
图1为本发明的一种基于卷积自编码器的轴承健康状态监测方法的原理图;
图2为本发明实施例中反双曲正切函数图;
图3为本发明实施例中轴承原始振动信号和轴承退化程度曲线示意图。
具体实施方式
本发明提出一种基于卷积自编码器的轴承健康状态监测方法,下面结合附图和具体实施方式对本发明做进一步说明:
本发明提出一种基于卷积自编码器的轴承健康状态监测方法,原理如图1所示,该方法通过轴承的振动传感器获取轴承振动信号,对一维振动信号分别进行两种特征提取操作:一,将振动信号进行经验模态分解,得到若干个本征模态分量,由于轴承的健康状态的信息多存在于高频信号当中,故本发明选取前五个本征模态分量进行下一步统计量分析操作,统计量分析操作分别得到每一个本征模态分量的均值、方差、峰度、均方根、能量等统计量特征;二,将振动信号输入到卷积自编码器网络当中进行深度学习训练,卷积自编码器为无监督的深度学习方法,由此自适应地得到轴承振动信号的深度特征。然后将两种操作得到的特征进行拼接并筛选出合适的特征,然后将筛选出的特征输入到全连接回归网络当中进行回归训练,最终得到该轴承全生命周期的健康状态曲线图。之后,获取同型号待监测轴承的数字振动信号,即可通过训练完毕的卷积自编码器网络和全连接回归网络输出该轴承的健康状态预测值,进而生成该轴承目前的健康状态曲线图,通过两张曲线图的对比,得到该待监测轴承的健康状态监测结果。
本发明提出一种基于卷积自编码器的轴承健康状态监测方法,包括以下步骤:
1)选取一个全新的轴承,获取该轴承在全生命周期的数字振动信号及对应的健康状态标注值。具体步骤如下:
1-1)选取一个全新的轴承,该轴承可为任意型号;
1-2)在轴承座上安装水平振动传感器(或竖直振动传感器),利用水平振动传感器获取轴承水平方向的振动信号(或利用竖直振动传感器获取轴承竖直方向的振动信号),振动信号需要采集轴承从开始运行直到报废的全生命周期的数据,将获取的振动信号转化为数字振动信号;
1-3)对数字振动信号进行预处理操作,该预处理操作包括对步骤1-2)得到的数字振动信号进行采样,得到预处理完毕的所有采样点的数字振动信号并计算得到每个采样点对应的健康状态标注值。
本发明中预处理操作包括数据清洗、数据压缩等。本实施例中,数据清洗,即将振幅超过20g的数据去除。数据压缩,指的是当数据量十分庞大的时候,可以从原始数据中再次进行采样选择,例如可以每隔5个数据采样1个数据,从而达到压缩数据,减少运算量的目的。
记采样点总数为n,每个采样点对应的健康状态标注值采用反双曲正切函数进行计算,即将每个采样点对应的时间作为反双曲正切函数的输入,则输出即为该采样点对应的健康状态标注值。反双曲正切函数的表达式为:
其中ti表示第i个采样点对应的时刻(i为自然数0,1,2…;ti单位为秒,即轴承开始运行时为0,运行10秒钟则为10秒钟,运行20秒钟则为20秒钟…),t表示轴承的总寿命时长(轴承从开始运行到报废所经历的时间),yi即为ti时刻轴承的健康状态标注值。
图2即为本实施例反双曲正切函数的图像,其中横轴表示自变量,纵轴表示因变量,即函数值。
2)将步骤1)得到的预处理完毕的所有采样点的数字振动信号进行经验模态分解得到若干个本征模态分量;由于轴承的故障信息多包含在高频分量当中,所以取前N个(本实施例取前5个)本征模态分量进行后续的统计量特征分析操作,得到每个本征模态分量分别对应的统计量特征;其中对每个本征模态分量的统计量特征分析操作采用的计算方式如下:
设采样点数为n,xi代表任一本征模态分量中的第i个采样点在该本征模态分量的对应值,其中每个本征模态分量均包含n个采样点的对应值;则:
3)将步骤1)预处理完毕的所有采样点的数字振动信号输入到随机初始化参数的一维卷积自编码器当中,通过减小重构误差对该卷积自编码器多次进行深度学习的训练,当重构误差不再变小时,得到训练完毕的卷积自编码器。
其中,卷积自编码器由编码器和译码器构成,编码器由卷积层和池化层构成,译码器由反卷积层和反池化层构成。
本实施例中编码器中数据维度的变化为,1、25、25、50、50、75、75、100、100,卷积核大小分别为16、16、8、8、4、4、2、2,步长大小分别为2、2、2、2、1、1、2、2。译码器中数据维度的变化为100、75、75、50、50、25、25、1、1,反卷积核大小分别为4、4、8、8、16、16、25、31,步长大小分别为2、2、2、2、2、2、3、3。
将步骤1)预处理完毕的所有采样点的数字振动信号输入训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征。
4)将步骤2)和步骤3)得到的所有特征根据对应的振动信号采样点进行拼接,得到预处理完毕的各采样点数字振动信号的拼接特征,再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选,得到筛选完毕的特征;
其中,
拼接特征中每个特征的单调性计算公式为:
式中,z表示拼接特征中的任一特征,zi表示该特征的第i个采样点的值,d/dz=zi+1-zi表示健康状态指标的微分值;No.ofd/dz>0和No.ofd/dz<0分别表示正微分值和负微分值。Mon(z)越大代表该特征的单调性越好。
式中,Auto(z)值越小代表特征z的波动越小。
本实施例中,首先,计算出所有特征的单调性,按照单调性从大到小对所有特征排序,筛选出排名前80%个特征进入趋势性筛选,然后计算所有进入趋势性筛选的特征的趋势性,按照趋势性从大到小对特征进行排序,筛选排名前60%个特征进入自相关性筛选,最后计算所有进入自相关性筛选的特征的自相关性,按照自相关性对特征从小到大进行排序,取出排名前40%个特征为最终筛选完毕的特征。如此,特征排序、特征筛选便完成了。
5)将步骤4)筛选完毕的特征输入到一个全连接回归网络当中进行回归训练;本实施例中,全连接回归网络的数据维度变化为:40、128、64、32、16、4、1,该网络输出的是每个采样点对应的健康状态指标的预测值。采用梯度下降的方法反复减小损失函数的取值对该全连接回归网络进行训练,直到损失函数的取值不再减小,则全连接回归网络训练结束;将训练完毕的全连接回归网络输出的轴承的在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值。
其中,损失函数的计算公式为:
式中,labeli表示第i个采样点健康状态的标注值,predictioni表示当前全连接神经网络输出的第i个采样点的健康状态的预测值。
得到轴承在每个采样点的(即全生命周期)的健康状态值之后,绘制该轴承健康状态随时间变化的二维曲线,如此便得到了该轴承在全生命周期的健康状态曲线图。
对健康状态曲线求一阶导便可以得到其相应的斜率,斜率接近于零或者小于10时,则可以认为轴承处于平稳阶段,当斜率变大并小于100时,则认为轴承处于退化阶段,当斜率继续变大超过100时,则认为轴承处于急速退化阶段。
图3中,图3a为本发明实施例的轴承健康状态曲线图,图3b为本发明实施例的轴承原始振动信号曲线图。图中能够明显显示出在1、2处轴承的健康状态出现变化,由此可以按图中所示将轴承健康状态大致分为三个阶段,平稳阶段、退化阶段、急速退化阶段。如此,即反映出了全生命周期的轴承健康状态。
6)获取一个与步骤1)相同型号的待监测轴承,获取该轴承的健康状态监测结果;具体步骤如下:
6-1)获取一个与步骤1)相同型号新的轴承作为待监测轴承,在该轴承的轴承座上安装与步骤1-2)中相同类型的振动传感器;
6-2)在任一监测时刻,,利用步骤6-1)安装的振动传感器获取待监测轴承从开始运行直到该监测时刻的振动信号并转化为数字振动信号;对该数字振动信号进行预处理操作(该数字振动信号包含该轴承从开始运行到当前时刻的全部数据),通过对数字振动信号进行采样,得到每个采样点的预处理完毕的数字振动信号。
6-3)将步骤6-2)预处理完毕的所有采样点的数字振动信号进行经验模态分解得到前N个本征模态分量,该N个本征模态分量的类型可与步骤2)不同;对各本征模态分量进行后续的统计量特征分析操作,得到每个本征模态分量分别对应的统计量特征(其中,所选取的统计量特征与训练时一致);
6-4)将步骤6-2)预处理完毕的所有采样点的数字振动信号输入步骤3)训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征。
6-5)将步骤6-3)和步骤6-4)得到的所有特征根据对应的振动信号采样点进行拼接得到拼接特征,重复步骤4),得到步骤6-2)的数字信号对应的筛选完毕的若干个特征。(其中,本步骤只需要按与步骤4)同样比例进行特征筛选,筛选后特征个数可以与步骤4)的结果不同)
6-6)将步骤6-5)筛选完毕的特征输入到步骤5)训练完毕全连接回归网络,该网络输出待监测轴承在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值;
利用每个采样点的健康状态值得到步骤6-1)选取的待监测轴承从开始运行到当前时刻的健康状态曲线图。
6-7)将步骤6-6)得到的健康状态曲线图与步骤5)得到的轴承在全生命周期的健康状态曲线图进行比对,即可得到待监测轴承在该监测时刻所处的健康状态阶段,如果处于平稳阶段和退化阶段,则轴承不需要进行维护,如果处于急速退化阶段,则说明轴承即将损坏,需要更换新轴承,如此便完成监测。
Claims (5)
1.一种基于卷积自编码器的轴承健康状态监测方法,其特征在于,该方法首先在一个全新的轴承上安装振动传感器并获取该轴承全生命周期的数字振动信号及对应的健康状态标注值;对该数字振动信号分别进行两种特征提取操作:一是将该数字振动信号进行经验模态分解,选取若干个本征模态分量并得到每个选取的本征模态分量的统计量特征;二是将该数字振动信号输入到一个卷积自编码器中进行深度学习训练,训练完毕后,得到输入信号的深度特征;然后将两种特征进行拼接并筛选,将筛选出的特征输入一个全连接回归网络当中进行回归训练,最终得到该轴承全生命周期的健康状态曲线图;获取同型号待监测轴承的数字振动信号,利用训练完毕的卷积自编码器和全连接回归网络,获取该轴承的健康状态预测值,进而生成该轴承目前的健康状态曲线图;通过两张曲线图的对比,得到该待监测轴承的健康状态监测结果;该方法包括以下步骤:
1)选取一个全新的轴承,获取该轴承在全生命周期的数字振动信号及对应的健康状态标注值;具体步骤如下:
1-1)选取一个全新的轴承;
1-2)在该轴承的轴承座上安装振动传感器,利用振动传感器获取轴承从开始运行直到报废的全生命周期的振动信号,将获取的振动信号转化为数字振动信号;
1-3)对数字振动信号进行预处理操作,该预处理操作包括对步骤1-2)得到的数字振动信号进行采样,得到预处理完毕的所有采样点的数字振动信号并计算每个采样点对应的健康状态标注值;
2)将步骤1)得到的预处理完毕的所有采样点的数字振动信号进行经验模态分解得到对应的本征模态分量,然后选取前N个本征模态分量进行统计量特征分析,得到选取的每个本征模态分量分别对应的统计量特征;
3)将步骤1)预处理完毕的所有采样点的数字振动信号输入到随机初始化参数的一维卷积自编码器当中,通过减小重构误差对该卷积自编码器进行深度学习的训练,当重构误差不再变小时,得到训练完毕的卷积自编码器;其中,卷积自编码器由编码器和译码器构成;
将步骤1)预处理完毕的所有采样点的数字振动信号输入训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征;
4)将步骤2)和步骤3)得到的所有特征根据对应的采样点进行拼接,得到预处理完毕的各采样点数字振动信号的拼接特征,再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选,得到筛选完毕的特征;
5)将步骤4)筛选完毕的特征输入到一个全连接回归网络当中进行回归训练,采用梯度下降的方法反复减小损失函数的取值对该全连接回归网络进行训练,直到损失函数的取值不再减小,则全连接回归网络训练结束;将训练完毕的全连接回归网络输出的轴承的在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值;
其中,损失函数的计算表达式为:
式中,labeli表示第i个采样点健康状态的标注值,predictioni表示当前全连接神经网络输出的第i个采样点的健康状态的预测值;
利用轴承在每个采样点的健康状态值,绘制该轴承健康状态随时间变化的二维曲线,得到该轴承在全生命周期的健康状态曲线图;根据健康状态曲线图中斜率的变化趋势,将轴承的全生命周期分为平稳阶段、退化阶段、急速退化阶段;
6)获取一个与步骤1)相同型号的待监测轴承,获取该轴承的健康状态监测结果;具体步骤如下:
6-1)获取一个与步骤1)相同型号新的轴承作为待监测轴承,在该轴承的轴承座上安装与步骤1-2)中相同类型的振动传感器;
6-2)在任一监测时刻,利用步骤6-1)安装的振动传感器获取待监测轴承从开始运行直到该监测时刻的振动信号并转化为数字振动信号;对该数字振动信号进行预处理,通过对数字振动信号进行采样,得到预处理完毕的所有采样点的数字振动信号;
6-3)将步骤6-2)预处理完毕的所有采样点的数字振动信号进行经验模态分解得到前N个本征模态分量;对各本征模态分量进行统计量特征分析,得到每个本征模态分量分别对应的统计量特征;
6-4)将步骤6-2)预处理完毕的所有采样点的数字振动信号输入步骤3)训练完毕的卷积自编码器,卷积自编码器中编码器的最后一层输出该输入信号对应的深度特征;
6-5)将步骤6-3)和步骤6-4)得到的所有特征根据对应的采样点进行拼接,得到拼接特征,再运用单调性、趋势性、自相关性对该拼接特征依次进行排序和筛选,得到筛选完毕的特征;
6-6)将步骤6-5)筛选完毕的特征输入到步骤5)训练完毕全连接回归网络,该网络输出待监测轴承在每个采样点的健康状态指标的预测值作为轴承在该采样点的健康状态值;
利用每个采样点的健康状态值得到待监测轴承从开始运行到当前时刻的健康状态曲线图;
6-7)将步骤6-6)得到的健康状态曲线图与步骤5)得到的轴承在全生命周期的健康状态曲线图进行比对,得到待监测轴承在该监测时刻所处的健康状态阶段,监测完成。
2.如权利要求1所述的方法,其特征在于,所述振动传感器为水平振动传感器或竖直振动传感器中任一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328161.3A CN113158814B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卷积自编码器的轴承健康状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328161.3A CN113158814B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卷积自编码器的轴承健康状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158814A CN113158814A (zh) | 2021-07-23 |
CN113158814B true CN113158814B (zh) | 2022-06-03 |
Family
ID=76885624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328161.3A Active CN113158814B (zh) | 2021-03-26 | 2021-03-26 | 一种基于卷积自编码器的轴承健康状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158814B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872024A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 面向光纤激光***多源物理监测量的智能故障诊断方法 |
CN114970598B (zh) * | 2022-02-24 | 2024-04-30 | 清华大学 | 机械健康状态监测方法及装置 |
DE102022113888A1 (de) * | 2022-06-01 | 2023-12-07 | Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen, Körperschaft des öffentlichen Rechts | Verfahren und System zur Überwachung eines Gleitlagers |
CN115185313A (zh) * | 2022-08-05 | 2022-10-14 | 五凌电力有限公司 | 水电机组轴承瓦温的趋势跟踪预警方法及装置 |
CN115310490B (zh) * | 2022-08-17 | 2024-03-29 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
CN115993247B (zh) * | 2022-12-08 | 2023-09-01 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
CN116226646B (zh) * | 2023-05-05 | 2023-07-21 | 国家石油天然气管网集团有限公司 | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
-
2021
- 2021-03-26 CN CN202110328161.3A patent/CN113158814B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及*** |
Non-Patent Citations (3)
Title |
---|
基于Internet的轴承运行状态远程监测***设计;朱耀楚等;《电子科技》;20180515(第05期);全文 * |
基于卷积自编码器的旋转机械故障特征提取方法研究;申彦斌;《南方农机》;20200215(第03期);全文 * |
基于多模态堆叠自动编码器的感应电机故障诊断;蒋爱国等;《电子测量与仪器学报》;20180815(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158814A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN112067916A (zh) | 基于深度学习的时间序列数据智能故障诊断方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN113505655A (zh) | 面向数字孪生***的轴承故障智能诊断方法 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及*** | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及*** | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及*** | |
CN116977708B (zh) | 一种基于自适应聚合可视图的轴承智能诊断方法及*** | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |