CN114528707A - 基于稀疏退化建模的设备性能退化评估方法及*** - Google Patents
基于稀疏退化建模的设备性能退化评估方法及*** Download PDFInfo
- Publication number
- CN114528707A CN114528707A CN202210163975.0A CN202210163975A CN114528707A CN 114528707 A CN114528707 A CN 114528707A CN 202210163975 A CN202210163975 A CN 202210163975A CN 114528707 A CN114528707 A CN 114528707A
- Authority
- CN
- China
- Prior art keywords
- life cycle
- follows
- spectrum amplitude
- envelope spectrum
- sparse
- 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.)
- Pending
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 67
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 67
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 99
- 230000036541 health Effects 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 20
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000003121 nonmonotonic effect Effects 0.000 claims description 5
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 239000011737 fluorine Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Discrete Mathematics (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于稀疏退化建模的设备性能退化评估方法及***,包括:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据;将全寿命周期过程中所采集的振动数据序列转化为平方包络谱幅值;基于平方包络谱幅值融合的全寿命周期健康指数;基于全寿命周期振动数据的平方包络谱幅值矩阵,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重;根据构建的稀疏退化凸优化模型求解平方包络谱幅值的权重;根据全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。本发明通过采用平方包络谱幅值融合的方法,来构造全寿命健康指数,解决设备全寿命周期早期故障检测和单调退化评估的问题。
Description
技术领域
本发明涉及性能退化评估的技术领域,具体地,涉及基于稀疏退化建模的设备性能退化评估方法及***,尤其涉及基于稀疏退化建模和平方包络谱融合的设备性能退化评估方法。
背景技术
设备服役性能退化评估一般的策略是通过构造全寿命周期健康指数来监测设备的早期故障以及实现单调的退化评估。如何构造一个合适的全寿命周期健康指数来准确评估设备退化水平一直是国内外的研究热点。但是由于早期故障特征微弱以及强环境噪声的存在,构造具有早期故障退化趋势和单调退化趋势的健康指数有一定的挑战性。
在公开号为CN107356431A的专利文献中公开了一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,所述方法包括以下步骤:(1)对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库;(2)建立基于各知识的量化指标求解器,求解被检测的滚动轴承的量化指标Φ;(3)对量化指标Φ进行分析,实现滚动轴承性能退化程度的评估。但所构造的健康指数不具有解释性,需要复杂的特征提取和组合学习过程。
在公开号为CN108398268A的专利文献中公开了一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法,它用于评估轴承退化技术领域。本发明解决了传统HI曲线构建中存在的提取退化特征需依赖大量专家经验和有监督训练,标签选择需依赖人工参与的问题。本发明的6个去噪自编码机构建堆叠去噪自编码器来对原始振动信号数据进行多层的特征提取,训练集数据对网络进行预训练后利用BP算法微调参数,将输出的100维特征输入SOM网络训练得到各时间点对应的HI,并构建训练集的HI曲线;将测试集数据输入训练好的堆叠去噪自编码器和SOM网络中得到各时间点处的HI,并构建HI曲线;分别对训练集和测试集的HI曲线进行平滑处理,获得平滑处理后的HI曲线。本发明可以应用于评估轴承性能退化领域用。但所构造的健康指数不具有解释性以及需要样本标签信息。
因此,需要提出一种新的技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于稀疏退化建模的设备性能退化评估方法及***。
根据本发明提供的一种基于稀疏退化建模的设备性能退化评估方法,所述方法包括如下步骤:
步骤S1:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据矩阵X∈RN×M,表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M;
步骤S2:基于希尔伯特变换和快速傅里叶变换将N次振动数据序列转化为平方包络谱幅值SES∈RN∈M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到;
步骤S3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)为第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′为平方包络谱幅值的权重;wk(k=1,2,…,M)为每次采样中的第k个平方包络谱幅值的权重;
步骤S4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w;
步骤S5:根据步骤S4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w;
步骤S6:根据步骤S3的全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。
优选地,所述步骤S1中的设备全寿命周期实验过程中共采集N次,每次采集M个振动数据序列,设备的全寿命周期振动数据矩阵X∈RN×M表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M。
优选地,所述步骤S2包括如下步骤:
步骤S2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,.∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号,由xj,k由基于希尔伯特变换得到;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积;
步骤S2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
步骤S2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES∈RN×M如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由sej,k开展快速傅里叶变换得到。
优选地,所述步骤S4中构建的权重w如下:
s.t.w'M′1=r,Mw≥0
,Dw≥0,HI=SESw
j=1,2,…,N-1,εj≥0,
其中,εj=max(hij-hij+1,0)是一个松弛变量,表示健康指数差分序列的单调性;cj是εj的权重,通过算术级数或者或几何级数来设定。
优选地,所述cj的算术级数计算如下:
cj的几何级数计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;r是平方包络谱幅值的权重和;λ是超参数;M∈RM×M是一个对角矩阵,其对角元素根据平方包络谱幅值的趋势确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,具体表达式如下:
本发明还提供一种基于稀疏退化建模的设备性能退化评估***,所述***包括如下模块:
模块M1:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据矩阵X∈RN×M,表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M;
模块M2:基于希尔伯特变换和快速傅里叶变换将N次振动数据序列转化为平方包络谱幅值SES∈RN×M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到;
模块M3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)为第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′为平方包络谱幅值的权重;wk(k=1,2,…,M)为每次采样中的第k个平方包络谱幅值的权重;
模块M4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w;
模块M5:根据模块M4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w;
模块M6:根据模块M3的全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。
优选地,所述模块M1中的设备全寿命周期实验过程中共采集N次,每次采集M个振动数据序列,设备的全寿命周期振动数据矩阵X∈RN×M表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M。
优选地,所述模块M2包括如下模块:
模块M2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,.∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号,由xj,k由基于希尔伯特变换得到;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积;
模块M2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
模块M2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES∈RN×M如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由sej,k开展快速傅里叶变换得到。
优选地,所述模块M4中构建的权重w如下:
s.t.w'M′1=r,Mw≥0
,Dw≥0,HI=SESw
j=1,2,…,N-1,εj≥0,
其中,εj=max(hij-hij+1,0)是一个松弛变量,表示健康指数差分序列的单调性;cj是εj的权重,通过算术级数或者或几何级数来设定。
优选地,所述cj的算术级数计算如下:
cj的几何级数计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;r是平方包络谱幅值的权重和;λ是超参数;M∈RM×M是一个对角矩阵,其对角元素根据平方包络谱幅值的趋势确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,具体表达式如下:
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过采用平方包络谱幅值融合的方法,来构造全寿命健康指数,解决设备全寿命周期早期故障检测和单调退化评估的问题;
2、本发明通过一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重,解决了手动提取特征和筛选特征的问题;
3、本发明所构建的健康指数具有明确数学定义和物理可解释性;
4、本发明所优化得到的平方包络谱幅值的权重,能有效提取出稀疏的设备故障特征频率用于设备全寿命周期性能退化评估。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程图;
图2为本发明全寿命周期健康指数及其平方包络谱幅值的权重示例1的示意图;
图3为本发明全寿命周期健康指数及其平方包络谱幅值的权重示例2的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明利用故障特征信号在平方包络谱上的稀疏特性,提出一种基于稀疏退化建模和平方包络谱融合的设备性能退化评估方法。该方法通过构造稀疏退化评估凸优化模型,自动优化和确定平方包络谱的权重来构造全寿命周期健康指数。基于所构造全寿命周期健康指数以及优化的包络谱权重,实现设备早期故障检测和单调退化趋势评估。
一种基于稀疏退化建模的设备性能退化评估方法包括以下步骤:
步骤S1:假设以固定的时间间隔采集一次振动信号的方式,收集到一台设备全寿命周期的时域振动数据。设备的全寿命周期振动数据矩阵X∈RN×M表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M。
步骤S2:基于希尔伯特变换和快速傅里叶变换将N次的振动数据序列转化为平方包络谱幅值SES∈RN×M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到。
具体流程如下:
步骤S2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,.∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号,由xj,k由基于希尔伯特变换得到;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积。
步骤S2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
步骤S2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到。由于每一次从设备采集的振动数据序列的平方包络谱幅值是对称的,所以一般取其前一半的平方包络谱幅值。
步骤S3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)表示第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′表示平方包络谱幅值的权重;wk(k=1,2,…,M)表示每次采样中的第k个平方包络谱幅值的权重。
步骤S4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建了一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w,构建如下:
s.t.w'M′1=r,Mw≥0
,Dw≥0,HI=SESw
j=1,2,…,N-1,εj≥0,
其中,εj=max(hij-hij+1,0)是一个松弛变量,表示健康指数差分序列的单调性;cj是εj的权重,可通过算术级数或者或几何级数来设定;
cj的算术级数可以计算如下:
cj的几何级数可以计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项可以用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;因此,||ε||1用以增强其稀疏性来提高健康指数序列的单调性;||w||1用以增强平方包络谱幅值权重的稀疏性;r是平方包络谱幅值的权重和,通常可以设定为1或者其它整数;λ是超参数,用来调整健康指数单调性和平方包络谱幅值权重的稀疏性;M∈RM×M是一个对角矩阵,其对角元素可以根据平方包络谱幅值的趋势来确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,用于进一步提升健康指数的单调退化趋势,具体表达式如下:
步骤S5:根据步骤S4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w。
步骤S6:根据步骤S3的全寿命周期健康指数定义计算HI,用于设备全寿命周期的早期故障检测和单调退化评估。
本发明还提供一种基于稀疏退化建模的设备性能退化评估***,所述***包括如下模块:
模块M1:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据矩阵X∈RN×M,表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M。
模块M1中的设备全寿命周期实验过程中共采集N次,每次采集M个振动数据序列,设备的全寿命周期振动数据矩阵X∈RN×M表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,.∈R1 ×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M。
模块M2:基于希尔伯特变换和快速傅里叶变换将N次振动数据序列转化为平方包络谱幅值SES∈RN×M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到。
模块M2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,.∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号,由xj,k由基于希尔伯特变换得到;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积;
模块M2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
模块M2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES∈RN×M如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由sej,k开展快速傅里叶变换得到。
模块M3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)为第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′为平方包络谱幅值的权重;wk(k=1,2,…,M)为每次采样中的第k个平方包络谱幅值的权重。
模块M4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w。
模块M4中构建的权重w如下:
s.t.w'M′1=r,Mw≥0
,Dw≥0,HI=SESw
j=1,2,…,N-1,εj≥0,
其中,εj=max(hij-hij+1,0)是一个松弛变量,表示健康指数差分序列的单调性;cj是εj的权重,通过算术级数或者或几何级数来设定。
cj的算术级数计算如下:
cj的几何级数计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;r是平方包络谱幅值的权重和;λ是超参数;M∈RM×M是一个对角矩阵,其对角元素根据平方包络谱幅值的趋势确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,具体表达式如下:
模块M5:根据模块M4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w。
模块M6:根据模块M3的全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于稀疏退化建模的设备性能退化评估方法,其特征在于,所述方法包括如下步骤:
步骤S1:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据矩阵X∈RN×M,表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,·∈R1×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M;
步骤S2:基于希尔伯特变换和快速傅里叶变换将N次振动数据序列转化为平方包络谱幅值SES∈RN×M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k基于希尔伯特变换和快速傅里叶变换得到;
步骤S3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)为第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′为平方包络谱幅值的权重;wk(k=1,2,…,M)为每次采样中的第k个平方包络谱幅值的权重;
步骤S4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w;
步骤S5:根据步骤S4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w;
步骤S6:根据步骤S3的全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。
3.根据权利要求1所述的基于稀疏退化建模的设备性能退化评估方法,其特征在于,所述步骤S2包括如下步骤:
步骤S2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,·∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积;
步骤S2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
步骤S2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES∈RN×M如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由sej,k开展快速傅里叶变换得到。
5.根据权利要求4所述的基于稀疏退化建模的设备性能退化评估方法,其特征在于,所述cj的算术级数计算如下:
cj的几何级数计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;r是平方包络谱幅值的权重和;λ是超参数;M∈RM×M是一个对角矩阵,其对角元素根据平方包络谱幅值的趋势确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,具体表达式如下:
6.一种基于稀疏退化建模的设备性能退化评估***,其特征在于,所述***包括如下模块:
模块M1:以固定的时间间隔采集振动信号的方式,收集设备全寿命周期的时域振动数据矩阵X∈RN×M,表示如下:
其中,N表示设备全寿命周期过程中采样次数;M表示每次采样的样本数;xj,·∈R1×M表示第j次从设备采集到的振动样本序列,j=1,2…,N;xj,k表示第j次采样中的第k个样本点,k=1,2,…,M;
模块M2:基于希尔伯特变换和快速傅里叶变换将N次振动数据序列转化为平方包络谱幅值SES∈RN×M,表示如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由xj,k由基于希尔伯特变换和快速傅里叶变换得到;
模块M3:基于平方包络谱幅值融合的全寿命周期健康指数HI∈RN×1定义如下:
其中,hij(j=1,2…,N)为第j次采样时间点的健康指数;w∈RM×1=[w1,w2,…,wM]′为平方包络谱幅值的权重;wk(k=1,2,…,M)为每次采样中的第k个平方包络谱幅值的权重;
模块M4:基于全寿命周期振动数据的平方包络谱幅值矩阵SES,构建一种稀疏退化凸优化模型自动确定平方包络谱幅值的权重w;
模块M5:根据模块M4构建的稀疏退化凸优化模型求解平方包络谱幅值的权重w;
模块M6:根据模块M3的全寿命周期健康指数定义计算HI,对设备全寿命周期进行早期故障检测和单调退化评估。
8.根据权利要求6所述的基于稀疏退化建模的设备性能退化评估***,其特征在于,所述模块M2包括如下模块:
模块M2.1:首先利用希尔伯特变换运算,将N次的振动数据序列转化为解析信号矩阵E∈RN×M表示如下:
其中,|·|表示复数取模符号;X∈RN×M表示设备全寿命周期的时域振动数据矩阵;xj,·∈R1×M(j=1,2…,N)表示第j次从设备采集到的振动样本序列;ej,k表示第j次采样中的第k个样本点所对应的解析信号,由xj,k由基于希尔伯特变换得到;hilbert(·)表示希尔伯特变换运算,具体运算公式如下:
由上式可知,希尔伯特变换运算的本质是将原始信号x(t)与1/πt之间进行卷积;
模块M2.2:计算设备的全寿命周期振动数据的解析信号E的平方包络幅值矩阵SE∈RN×M如下:
其中,sej,k表示第j次采样中的第k个样本点所对应的平方包络幅值,由ej,k取幅值平方得到;
模块M2.3:基于快速傅里叶变换,计算设备的全寿命周期振动数据的平方包络谱幅值矩阵SES∈RN×M如下:
其中,sesj,k表示第j次采样中的第k个样本点所对应的平方包络谱幅值,由sej,k开展快速傅里叶变换得到。
10.根据权利要求9所述的基于稀疏退化建模的设备性能退化评估***,其特征在于,所述cj的算术级数计算如下:
cj的几何级数计算如下:
cj=c1·qj-1,j=1,…,N-1
其中,c1事先设定为一个常数来确定cj序列;因此,目标项用来表示健康指数序列非单调的数量;如果期望得到一个单调递增的健康指数序列,则εj应包含的零元素应越多越好,即越稀疏越好;r是平方包络谱幅值的权重和;λ是超参数;M∈RM×M是一个对角矩阵,其对角元素根据平方包络谱幅值的趋势确定;如果某一频率下的平方包络谱幅值具有递增的趋势,则M对应的对角元素为1,否则为-1;D∈R(N-1)×M表示平方包络谱幅值差分矩阵,具体表达式如下:
第一个约束条件w'M′1=r表示平方包络谱幅值的权重和,具体表达式如下:
第二个约束条件Mw≥0限制平方包络谱幅值的权重符号,具体表达式如下:
第三个约束条件Dw≥0限制平方包络谱幅值差分与平方包络谱幅值的权重符号的一致,具体表达式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163975.0A CN114528707A (zh) | 2022-02-22 | 2022-02-22 | 基于稀疏退化建模的设备性能退化评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163975.0A CN114528707A (zh) | 2022-02-22 | 2022-02-22 | 基于稀疏退化建模的设备性能退化评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528707A true CN114528707A (zh) | 2022-05-24 |
Family
ID=81624901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210163975.0A Pending CN114528707A (zh) | 2022-02-22 | 2022-02-22 | 基于稀疏退化建模的设备性能退化评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528707A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
-
2022
- 2022-02-22 CN CN202210163975.0A patent/CN114528707A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
CN114705432B (zh) * | 2022-06-06 | 2022-09-02 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
Marwala | Bayesian training of neural networks using genetic programming | |
CN109360120B (zh) | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 | |
CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
CN104680541B (zh) | 基于相位一致性的遥感图像质量评价方法 | |
CN108510147B (zh) | 一种基于残差波动模型的电能质量综合评价方法 | |
CN108053025B (zh) | 多柱神经网络医学影像分析方法及装置 | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
CN114528707A (zh) | 基于稀疏退化建模的设备性能退化评估方法及*** | |
CN113533945A (zh) | 一种基于二维卷积神经网络的模拟电路故障诊断方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及*** | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
Huijie et al. | Structured sparsity assisted online convolution sparse coding and its application on weak signature detection | |
Yun et al. | Research on gas pressure regulator fault diagnosis based on deep confidence network (DBN) theory | |
CN111861038A (zh) | 一种基于机器学习算法的高考分数预测方法及*** | |
US20230223099A1 (en) | Predicting method of cell deconvolution based on a convolutional neural network | |
CN108548669B (zh) | 一种工程装备传动***故障诊断方法及*** | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN116304940A (zh) | 基于长短期记忆神经网络的模拟电路故障诊断方法 | |
CN115758216A (zh) | 一种轴承故障诊断方法 | |
CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
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 |