CN113256443A - 核电水泵导轴承故障检测方法、***、设备及可读存储介质 - Google Patents
核电水泵导轴承故障检测方法、***、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113256443A CN113256443A CN202110474137.0A CN202110474137A CN113256443A CN 113256443 A CN113256443 A CN 113256443A CN 202110474137 A CN202110474137 A CN 202110474137A CN 113256443 A CN113256443 A CN 113256443A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- vibration acceleration
- generated
- training
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims description 59
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000001133 acceleration Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000001507 sample dispersion Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000011425 standardization method Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000000087 stabilizing effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 79
- 238000012423 maintenance Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种核电水泵导轴承故障检测方法、***、设备及可读存储介质,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,能充分保留信号的非线性和非平稳性信息,保证降噪后的信号不失真,然后构建含有梯度惩罚项的双向生成对抗网络模型,采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本,可有效扩充故障诊断模型训练数据集,解决训练样本类不平衡问题,通过单样本离差标准化方法以稳定对抗网络训练过程、构建相似度指标以提高诊断模型准确率。
Description
技术领域
本发明涉及智能运维技术领域,特别涉及一种核电水泵导轴承故障检测方法、***、设备及可读存储介质。
背景技术
核电是我国经济社会发展的能源保障之一,循环水泵作为核电厂循环水***的提升设备,其功能是向常规岛汽轮机凝汽器及常规岛辅助冷却***提供冷却水,一旦故障将影响汽轮机运行安全,严重时导致核电厂停机停堆,造成巨额经济损失。
目前,核电厂循环水泵的维修方式包括事后维修和定期维护两种形式。现行的两种维修方式存在潜在缺陷难以发现,设备过度维护等问题,即:许多设计可靠性极高的设备在远低于预期寿命内出现难以预期故障,而另一些设备在仍然可以健康可靠运行之时就遭受了维修甚至更换。作为循环水泵关键部件,导轴承载力大、易损坏,针对其进行智能监测检测,可以有效保证核电循环水泵正常平稳运行,防止重大事故发生。
深度学***衡问题,会严重降低数据驱动的故障检测模型准确率,即:有限的训练样本将导致模型训练不完全,不能够完全拟合分布。
此外,当前核电机组在维修方案决策上主要依赖工程经验,运维管理效能不高,而针对核电水泵导轴承故障检测模型的相关发明还未见报道。
发明内容
本发明的目的在于提供一种核电水泵导轴承故障检测方法、***、设备及可读存储介质,以克服现有技术的不足,本发明能够解决训练集类不平衡问题,提升故障检测模型的准确率。
为达到上述目的,本发明采用如下技术方案:
一种核电水泵导轴承故障检测方法,包括以下步骤:
S1,分别采集导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,然后对降噪后的振动加速度原始信号进行预处理;
S2,构建含有梯度惩罚项的双向生成对抗网络模型,采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
S3,构建导轴承卷积神经网络的故障检测模型,利用预处理后的振动加速度原始信号生成的训练集和步骤s2得到的生成故障样本作为故障检测模型的训练集对故障检测模型进行训练,利用训练完成的故障检测模型对监测输入数据进行检测检测,实现核电水泵导轴承故障检测。
进一步的,基于经验模式分解的阈值滤波方法具体为:
首先,对振动加速度原始信号进行EMD分解,可得:
分解出的各基本模式分量与原信号的互相关系数指标为:
进一步的,预处理包括依次进行长度为1024的不重叠采样、快速傅里叶变换、离差标准化处理。
进一步的,双向生成对抗网络模型包括生成器G、判别器D和编码器E,编码器E用于提取振动加速度原始信号xreal中的隐变量z,即z=E(xreal),生成器G通过从随机噪声向量o中采样,并生成真实的生成故障样本xgenerated=G(o);判别器D将真实故障样本及其潜变量(z,xreal)和生成故障样本xgenerate及噪声(xgenerate,o)同时作为网络的输入,进行二分类问题的训练;编码器E和生成器G联合在一起试图迷惑判别器,当判别器无法判断(z,xreal),(xgenerate,o)来源时,说明(z,xreal),(xgenerate,o)联合数据分布相似,当训练达到最优解时,可得G=E-1,进而保证生成样本xgenerate和真实样本xreal数据分布相似。
进一步的,生成对抗网络模型采用Wasserstein-1距离和梯度惩罚方法以稳定训练过程,Wasserstein-1距离计算式定义为:
式中,A1是真实数据分布,A2是生成数据分布,Π(A1,A2)是A1和A2分布组合起来的所有联合分布的集合,γ是其中的一个联合分布,(x,y)是γ中的一对样本,E(x,y)~γ[||x-y||]为该样本距离的期望值。
应用Wasserstein-1距离及Kantorovich-Rubinstein对偶原理,模型训练过程可表示为:
Lipschitz约束D∈Ω通过限制判别器输出相对于其输入的梯度范数来实施,所述双向生成对抗网络模型损失函数可以表示为:
进一步的,单样本离差标准化方法,对样本x1,x2,x3,…,xn进行如下变换:
进一步的,相似度指标Cin,其计算式为:
Cin=diag{FC,FSD}
其中,FC为重心频率,FV频率方差,FSD为频率标准差。其计算式分别为:
其中,A(ft)为幅值,ft为频率
一种核电水泵导轴承故障检测***,包括预处理模块、故障样本生成模块和故障检测模块;
预处理模块用于根据导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,后对降噪后的振动加速度原始信号预处理;
故障样本生成模块采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
故障检测模块用于根据预处理后的振动加速度原始信号生成的训练集和生成故障样本作为训练集进行自身训练,然后利用训练完成的故障检测模型对监测输入数据进行检测检测,输出检测结果。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现核电水泵导轴承故障检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述核电水泵导轴承故障检测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种核电水泵导轴承故障检测方法,分别采集导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,能充分保留信号的非线性和非平稳性信息,保证降噪后的信号不失真,然后对降噪后的振动加速度原始信号进行预处理,构建含有梯度惩罚项的双向生成对抗网络模型,采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本,可有效扩充故障诊断模型训练数据集,解决训练样本类不平衡问题,通过单样本离差标准化方法以稳定对抗网络训练过程、构建相似度指标以提高诊断模型准确率。
本发明通过结合基于经验模式分解的阈值滤波技术、生成对抗网络模型和深度卷积网络模型等技术,实现少样本条件下核电循环水泵导轴承的故障诊断。为核电由定期维修向视情维修运维模式的转变提供技术支撑。
进一步的,建立结合Wasserstein距离、梯度惩罚方法训练的双向生成对抗网络模型,可有效扩充故障诊断模型训练数据集,解决训练样本类不平衡问题,进而提高故障诊断模型精度。
附图说明
图1为本发明实施例少样本智能故障检测方法的流程图。
图2为本发明实施例中原始信号经验模式分解结果。
图3为本发明实施例中原始信号与重构信号对比图。
图4为本发明实施例中不重叠采样示意图。
图5为本发明实施例中生成对抗网络模型结构示意图。
图6为本发明实施例中离差标准化方法对比图,图6a为双向生成对抗网络编码器E示意图,图6b为双向生成对抗网络编码器G示意图,图6c为双向生成对抗网络编码器D示意图。
图7为本发明实施例中原始样本与生成样本的对比图。
图8为本发明实施例中故障样本和生成故障样本生成对比图。
图9为本发明实施例中少样本智能故障检测方法准确率对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,为解决导轴承故障样本不足导致的检测模型精度低、传统生成对抗网络训练困难的问题,本发明提出一种核电水泵导轴承故障检测方法。在模型训练中,首先通过基于经验模式分解的阈值滤波技术实现信号降噪,并进行FFT变换以及随机样本划分;其次,建立双向生成对抗网络模型实现故障样本扩充,设计单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成的故障样本;最后使用增强训练集(训练集正常样本、训练集故障样本+筛选后的故障生成样本)训练卷积神经网络故障检测模型,实现循环水泵导轴承的少样本智能故障检测;在工程应用阶段,监测数据输入卷积神经网络故障检测模型,模型输出故障检测结果,设定输出结果更新间隔为3s。
具体的核电水泵导轴承故障检测方法,包括以下步骤:
S1:分别采集导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解(Empirical Mode Decomposition,EMD)的阈值滤波方法对获取的振动加速度原始信号进行降噪;
具体的,所述基于经验模式分解(Empirical Mode Decomposition,EMD)的阈值滤波方法具体步骤为:
首先,对振动加速度原始信号进行EMD分解,可得:
分解出的各基本模式分量(IMF)与振动加速度原始信号的互相关系数指标为:
其中,μ,σ度分别为信号x的均值和标准差;E(t)表示期望值。
当有的IMF较大时,说明含有较多的冲击成分,即原信号分解后,较多的故障冲击保留在这些IMF中。通过合理设计峭度与互相关系数阈值,选取峭度值与互相关系数指标较高的IMF进行重构,实现信号降噪。
导轴承磨损故障样本相关系数和峭度值计算结果如表1所示:
表1滑动轴承磨损故障样本
其EMD分解结果见图2,由图2和表1可知,IMF1和IMF2峭度值、相关系数较大,表明信号分量中含有较多的冲击成分,与振动加速度原始信号相似度较高,故选前两个IMF进行信号重构。重构信号如图3所示,可以看出,重构信号时域波形的冲击成分更明显,信号降噪得以实现。
S2:对降噪后的原始信号进行预处理,预处理包括依次进行长度为1024的不重叠采样、快速傅里叶变换(Fast Fourier Transform,FFT)、离差标准化处理,然后划分信号为训练集和测试集样本,预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成故障样本,预处理后的振动加速度原始信号中正常状态下的振动加速度原始信号生成正常状态样本;
如图4所示,设每2048个时域数据点为一个样本,进行不重叠采样;基于python中np.fft.fft(x)完成1024点快速傅里叶变换,最后进行离差标准化预处理,计算式如下:
其中,max为所有样本数据最大值,min为所有样本数据最小值。
本申请按7:3比例随机划分原始信号为训练集和测试集,其中训练集用于卷积神经网络故障检测模型的训练,测试集对已训练好的卷积神经网络故障检测模型进行测试,不参与模型训练过程。
S3:构建含有梯度惩罚项的双向生成对抗网络(Bidirectional GenerativeAdversarial Network,BiGAN)模型,采用预处理后的故障样本交替训练双向生成对抗网络(Bi-directional Generative Adversarial Network,BiGAN)模型,设计单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
如图5所示,双向生成对抗网络模型包括生成器G、判别器D和编码器E,编码器E提取原始信号xreal中的隐变量z,即z=E(xreal),生成器G通过从随机噪声向量o中采样,并生成真实的生成故障样本xgenerated=G(o)。判别器D将真实故障样本及其潜变量(z,xreal)和生成故障样本xgenerate及噪声(xgenerate,o)同时作为网络的输入,进行二分类问题的训练,使判别器D能够准确识别出(z,xreal),(xgenerate,o)来自编码器E还是生成器G。编码器E和生成器G联合在一起试图迷惑判别器,当判别器无法判断(z,xreal),(xgenerate,o)来源时,说明(z,xreal),(xgenerate,o)联合数据分布相似。当训练达到最优解时,可得G=E-1,即:xreal=G(E(xreal)),o=E(G(o)),进而保证生成样本xgenerate和真实样本xreal足够相似。相较于传统生成对抗网络,双向生成对抗网络通过引入编码器E,实现了生成数据与真实数据潜在语义特征的映射,具有表示更抽象的特征的能力,更适合于振动信号生成。
然而,双向生成对抗网络也存在着训练困难,模式崩坏等问题,为解决上述问题,Martin Arjovsky提出WGAN,使用Wasserstein-1距离替换原始的JS散度,来度量两个数据分布之间的差异,基本解决了上述问题。为进一步降低WGAN带来的梯度消失或者梯度***问题,本发明采用结合Wasserstein-1距离和梯度惩罚的方法来稳定训练过程,Wasserstein-1距离计算式定义为:
式中,A1是真实数据分布,A2是生成数据分布,Π(A1,A2)是A1和A2分布组合起来的所有联合分布的集合,γ是其中的一个联合分布,(x,y)是γ中的一对样本,E(x,y)~γ[||x-y||]为该样本距离的期望值。
应用Wasserstein-1距离及Kantorovich-Rubinstein对偶原理,模型训练过程可表示为:
Lipschitz约束D∈Ω通过限制判别器输出相对于其输入的梯度范数来实施,所述双向生成对抗网络模型损失函数可以表示为:
双向生成对抗网络结构如图5所示,其中,卷积层后的激活函数采用ReLU;为稳定训练过程,参与训练生成对抗网络的原始信号中的故障样本少量,应重新进行单样本离差标准化,具体如下:
对样本x1,x2,x3,…,xn进行如下变换:
其中,x1,x2,x3,…,xj为某一样本中的第j个数据,为对应样本最小数值,为对应样本中最大数值。相较于传统离差标准化,上述方法在不改变信号特征(频谱峰值,频率的能量分布)的前提下,对每一个样本在区间[0,1]进行归一化处理,减小了样本间极值,目的是改善生成对抗网络模型收敛困难、稳定性差的问题,如图6所示,可以看出,采用单样本离差标准化技术的生成模型稳定性更高。
图,7为生成故障样本和真实故障样本的对比,可以看出,生成故障样本在低频段和高频段都与真实故障样本频谱峰值相似,频率的能量分布在各个频段也与真实故障样本相似。但生成信号的频谱中的能量不如真实信号集中,部分边频带峰值略有不同,这可能意味着所生成的信号具有更多的噪声,可以将生成的振动信号片段认为是接近加了更多噪声的真实振动信号片段。
综上,生成信号与真实信号相似度较高,生成故障样本可以作为真实故障样本的补充数据。
为了进一步量化生成故障样本与真实故障样本的相似性,本发明设计相似度指标Cin,其计算式为:
Cin=diag{FC,FSD}
其中,FC为重心频率,FV频率方差,FSD为频率标准差。其计算式分别为:
其中,A(ft)为幅值,ft为频率
以一个生成样本为例,其指标如表2所示:
表2故障样本准确度指标
计算真实样本与生成样本指标欧氏距离(本例中为82.9),若计算结果与(本例中为106.3)相差较小(取前20%生成样本),可认为生成故障样本与原始样本具有高度相关性,生成故障样本可作为真实故障样本的补充数据。
S4:采用批归一化、最大池化方法构建滑动轴承卷积神经网络故障检测模型。
步骤4中所述故障检测模型至少包括4个卷积层以实现神经网络权值共享;在每个卷积层后添加批归一化层以提高训练速度及模型泛化能力,设置激活函数为ReLU,损失函数为交叉熵损失函数。
具体结构如表3所示:
表3卷积神经网络故障检测模型结构参数
利用多个卷积核对输入的样本进行卷积,加上偏置项后,经过激活函数得到该图像相应的特征图,卷积的数学表达式为:
采用最大值池化方法对卷积层输出的特征图在每个不重叠的大小为n×n区域进行取最大值操作;
将特征图展开成一维特征向量,经加权求和并且通过激活函数可得:
yk=f(wkxk-1+bk)
其中,k为网络层的序号;yk为全连接层的输出;xk-1是一维特征向量;wk为权重系数;bk为偏置项;
采用反向传播算法对故障检测模型进行训练,利用链式求导计算损失函数对每个权重的梯度,根据梯度下降算法进行权重更新,求解卷积神经网络所使用的代价函数是交叉熵函数,其公式为:
其中,C代表代价,x表示样本,n表示样本总数,a表示模型输出值,y表示样本实际值。
通过softmax函数输出预测故障类型,softmax为归一化指数函数,是逻辑函数的一种推广,定义如下:
其中,Vi是分类器前级输出单元的输出。i表示类别索引,总的类别个数为C。Si表示的是当前元素的指数与所有元素指数和的比值。它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中,使得每一个元素的范围都在[0,1]之间,并且所有元素的和为1。即:通过softmax指数,可以将多分类的输出数值转化为相对概率。
S5:将步骤s2预处理后生成训练集和生成故障样本合并作为故障检测模型训练集进行训练,利用训练完成的故障检测模型对监测输入数据进行检测检测,实现核电水泵导轴承故障检测。
设置不同数量的真实故障样本和生成故障样本作为训练数据集,详细信息如表4、图8所示,需要说明的是,正常状态样本不添加生成样本,且恒为237个。
表4不同训练样本下测试集分类准确率
由表4、图9可以看出,随着训练样本数量增加,故障检测模型的分类准确率提升。当使用增强数据集时,相较于仅使用真实数据,模型准确率得到较高的提升。经过足够的训练迭代,使用生成数据作为训练样本可以使故障检测模型达到高精度的类别预测。对抗生成网络能够生成较为合理的故障样本,从而实现训练集的扩充,解决了数据类不平衡导致的模型精度差问题。
将监测数据输入卷积神经网络故障检测模型,模型输出故障检测结果,设定输出结果更新间隔为3s。
本发明一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU),或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于核电水泵导轴承故障检测方法的操作。
一种核电水泵导轴承故障检测***,能够用于实现上述实施例中的核电水泵导轴承故障检测方法,具体包括预处理模块、故障样本生成模块和故障检测模块;
预处理模块用于根据导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,后对降噪后的振动加速度原始信号预处理;
故障样本生成模块采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
故障检测模块用于根据预处理后的振动加速度原始信号生成的训练集和生成故障样本作为训练集进行自身训练,然后利用训练完成的故障检测模型对监测输入数据进行检测检测,输出检测结果。
本发明再一个实施例中,本发明还提供了一种存储介质,具体采用计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质,提供存储空间,存储了终端的操作***,也可包括终端设备所支持的扩展存储介质。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关核电水泵导轴承故障检测方法的相应步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种核电水泵导轴承故障检测方法,其特征在于,包括以下步骤:
S1,分别采集导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,然后对降噪后的振动加速度原始信号进行预处理;
S2,构建含有梯度惩罚项的双向生成对抗网络模型,采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
S3,构建导轴承卷积神经网络的故障检测模型,利用预处理后的振动加速度原始信号生成的训练集和步骤s2得到的生成故障样本作为故障检测模型的训练集对故障检测模型进行训练,利用训练完成的故障检测模型对监测输入数据进行检测检测,实现核电水泵导轴承故障检测。
3.根据权利要求1所述的一种核电水泵导轴承故障检测方法,其特征在于,预处理包括依次进行长度为1024的不重叠采样、快速傅里叶变换、离差标准化处理。
4.根据权利要求1所述的一种核电水泵导轴承故障检测方法,其特征在于,双向生成对抗网络模型包括生成器G、判别器D和编码器E,编码器E用于提取振动加速度原始信号xreal中的隐变量z,即z=E(xreal),生成器G通过从随机噪声向量o中采样,并生成真实的生成故障样本xgenerated=G(o);判别器D将真实故障样本及其潜变量(z,xreal)和生成故障样本xgenerate及噪声(xgenerate,o)同时作为网络的输入,进行二分类问题的训练;编码器E和生成器G联合在一起试图迷惑判别器,当判别器无法判断(z,xreal),(xgenerate,o)来源时,说明(z,xreal),(xgenerate,o)联合数据分布相似,当训练达到最优解时,可得G=E-1,进而保证生成样本xgenerate和真实样本xreal数据分布相似。
5.根据权利要求1所述的一种核电水泵导轴承故障检测方法,其特征在于,生成对抗网络模型采用Wasserstein-1距离和梯度惩罚方法以稳定训练过程,Wasserstein-1距离计算式定义为:
式中,A1是真实数据分布,A2是生成数据分布,Π(A1,A2)是A1和A2分布组合起来的所有联合分布的集合,γ是其中的一个联合分布,(x,y)是γ中的一对样本,E(x,y)~γ[||x-y||]为该样本距离的期望值;
应用Wasserstein-1距离及Kantorovich-Rubinstein对偶原理,模型训练过程可表示为:
Lipschitz约束D∈Ω通过限制判别器输出相对于其输入的梯度范数来实施,所述双向生成对抗网络模型损失函数可以表示为:
8.一种核电水泵导轴承故障检测***,其特征在于,包括预处理模块、故障样本生成模块和故障检测模块;
预处理模块用于根据导轴承正常状态下和故障状态下的振动加速度原始信号,通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪,后对降噪后的振动加速度原始信号预处理;
故障样本生成模块采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型,采用单样本离差标准化方法以稳定训练过程,构建相似度指标筛选BiGAN生成故障样本;
故障检测模块用于根据预处理后的振动加速度原始信号生成的训练集和生成故障样本作为训练集进行自身训练,然后利用训练完成的故障检测模型对监测输入数据进行检测检测,输出检测结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474137.0A CN113256443B (zh) | 2021-04-29 | 2021-04-29 | 核电水泵导轴承故障检测方法、***、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474137.0A CN113256443B (zh) | 2021-04-29 | 2021-04-29 | 核电水泵导轴承故障检测方法、***、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256443A true CN113256443A (zh) | 2021-08-13 |
CN113256443B CN113256443B (zh) | 2023-06-20 |
Family
ID=77223664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474137.0A Active CN113256443B (zh) | 2021-04-29 | 2021-04-29 | 核电水泵导轴承故障检测方法、***、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256443B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023103268A1 (zh) * | 2021-12-10 | 2023-06-15 | 烟台杰瑞石油服务集团股份有限公司 | 泵阀故障检测方法 |
US11815087B2 (en) | 2021-09-27 | 2023-11-14 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Automatic system and method for disassembly and assembly of plunger pumps |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
-
2021
- 2021-04-29 CN CN202110474137.0A patent/CN113256443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049540A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, pages 182 - 189 * |
张全德;陈果;林桐;欧阳文理;滕春禹;王洪伟;: "基于自组织神经网络的滚动轴承状态评估方法", 中国机械工程, no. 05, pages 50 - 58 * |
黄南天;杨学航;蔡国伟;宋星;陈庆珠;赵文广;: "采用非平衡小样本数据的风机主轴承故障深度对抗诊断", 中国电机工程学报, no. 02, pages 215 - 226 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11815087B2 (en) | 2021-09-27 | 2023-11-14 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Automatic system and method for disassembly and assembly of plunger pumps |
WO2023103268A1 (zh) * | 2021-12-10 | 2023-06-15 | 烟台杰瑞石油服务集团股份有限公司 | 泵阀故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113256443B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Xu et al. | Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Lu et al. | Fault severity recognition of aviation piston pump based on feature extraction of EEMD paving and optimized support vector regression model | |
Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
Yu et al. | A novel sensor fault diagnosis method based on modified ensemble empirical mode decomposition and probabilistic neural network | |
Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
Zhang et al. | An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes | |
Gao et al. | Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model | |
Chen et al. | A fault pulse extraction and feature enhancement method for bearing fault diagnosis | |
CN113256443A (zh) | 核电水泵导轴承故障检测方法、***、设备及可读存储介质 | |
Wang et al. | Early fault diagnosis of rolling bearing based on noise-assisted signal feature enhancement and stochastic resonance for intelligent manufacturing | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
Jiang et al. | A fault diagnostic method for induction motors based on feature incremental broad learning and singular value decomposition | |
Saravanakumar et al. | Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks | |
He et al. | GMC sparse enhancement diagnostic method based on the tunable Q-factor wavelet transform for detecting faults in rotating machines | |
CN107590604B (zh) | 一种结合s变换和2dpca的同调机组分群方法及*** | |
Wei et al. | WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network | |
Cheng et al. | A novel planetary gearbox fault diagnosis method for nuclear circulating water pump with class imbalance and data distribution shift | |
Ge et al. | A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs | |
Liu et al. | Improving anomaly detection fusion method of rotating machinery based on ANN and isolation forest | |
Tian et al. | Quantum entropy‐based hierarchical strategy for inter‐shaft bearing fault detection | |
Ning et al. | A feature selection algorithm based on variable correlation and time correlation for predicting remaining useful life of equipment using rnn | |
Liu et al. | Densely connected semi-Bayesian network for machinery fault diagnosis with non-ideal data |
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 |