CN114970598B - 机械健康状态监测方法及装置 - Google Patents
机械健康状态监测方法及装置 Download PDFInfo
- Publication number
- CN114970598B CN114970598B CN202210174862.0A CN202210174862A CN114970598B CN 114970598 B CN114970598 B CN 114970598B CN 202210174862 A CN202210174862 A CN 202210174862A CN 114970598 B CN114970598 B CN 114970598B
- Authority
- CN
- China
- Prior art keywords
- network
- machine
- signal
- target machine
- mechanical
- 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
- 230000036541 health Effects 0.000 title claims abstract description 108
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000003862 health status Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000007781 pre-processing Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种机械健康状态监测方法及装置，包括如下步骤：建立对抗表示学习网络，对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将第一隐空间编码重构至信号空间的解码器子网络和用于将信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；将健康机械运行信号的特征数据作为网络训练数据对对抗表示学习网络进行对抗学习训练，得到机械健康状态监测网络；将实时采集的目标机械的运行信号，经过预处理后输入至机械健康状态监测网络，得到目标机械的机械损伤指标。利用本发明能够解决目前难以在故障运行数据缺失的条件下进行机械健康状态监测，以及难以克服现有方法效果不佳等问题。
Description
技术领域
本发明涉及机械工程技术领域，更为具体地，涉及一种机械健康状态监测方法及装置。
背景技术
在现代工业***中，机械装备发挥了十分关键的作用，通过机构和机器的组合可以实现对力和运动的转换，从而完成工业生产过程，所以机械健康状况对于工业***的运行效率具有直接影响，机械故障导致的工业***停机会造成巨大的经济损失，严重的机械故障还会造成人员伤亡，危及生产人员的生命安全。随着机械设计和制造水平的提高，目前机械装备呈现出复杂化、大型化、集成化的发展趋势，这进一步加剧了机械故障带来的后果严重性，因此如何进行准确的机械健康状态监测、在机械故障恶化之前给出可靠的预警成为亟需解决的问题。
在机械运行过程中，有很多运行信号可以测量，如振动信号、声信号、电气部件的电流信号等，这些信号与机械运行过程紧密相关，因此可以反映机械健康状态，通过对这些信号进行采集和处理，能够对机械健康状态进行辨识。为了避免因严重的机械故障造成的灾难性后果，有很多基于机械运行信号的机械健康状态监测方法被提出。对于简单的机械，可以采用均方根值(J.Igba,K.Alemzadeh,C.Durugbo,et al.Analysing RMS and peakvalues of vibration signals for condition monitoring of wind turbinegearboxes[J].Renewable Energy,2016,91(3):90-106.)、峭度(CN201610562478)、故障特征频率(CN201711086012)等指标进行机械健康状态监测，根据这些指标的数值判断机械健康状态，这些指标大多基于机械故障机理建立，不具备对不同工况的自适应调整能力，因此仅能特定场景下发挥作用，对于复杂机械难以准确地揭示其健康状况。随着信息科学和人工智能的发展，基于机器学***稳、多模态的特性，这并不能满足上述方法的适用条件和假设，这些问题会影响现有方法的机械健康状态监测效果，因此仅采用已有的方法不能够有效地监测机械健康状态。
发明内容
鉴于上述问题，本发明的目的是提供一种机械健康状态监测方法及装置，以解决目前难以在故障运行数据缺失的条件下进行机械健康状态监测，以及难以克服现有方法在运行数据非平稳、多模态的条件下效果不佳的缺陷，从而导致机械健康状态监测结果的可靠性低等问题。
本发明提供一种机械健康状态监测方法，包括如下步骤：
建立对抗表示学习网络，所述对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将所述第一隐空间编码重构至信号空间的解码器子网络和用于将所述信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；
将健康机械运行信号的特征数据作为网络训练数据对所述对抗表示学习网络进行对抗学习训练，当所述对抗学习训练达到预设收敛条件后，将所述第一隐空间编码与所述第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络；
将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标；
基于预设机械损伤指标阈值，根据所述目标机械的机械损伤指标确定所述目标机械的机械健康状态的监测结果。
此外，优选的方案是，所述对抗表示学习网络还包括用于根据所述第二隐空间编码生成均匀分布随机变量的判别器子网络。
此外，优选的方案是，所述预设收敛条件为：
使所述特征数据中的健康机械的运行信号与所述信号空间中的重构信号之间的差异、所述第一隐空间编码与所述第二隐空间编码之间的差异、所述第二隐空间编码与所述均匀分布随机变量之间的差异达到最小化，以使所述第一编码器子网络、所述解码器子网络、所述第二编码器子网络和所述判别器子网络的参数收敛至稳定状态。
此外，优选的方案是，所述第一编码器子网络、所述解码器子网络、所述第二编码器子网络和所述判别器子网络均由卷积层、全连接层和归一化层连接而成。
此外，优选的方案是，在所述建立对抗表示学习网络的过程中，
所述第一编码器子网络和所述解码器子网络中的相同层级的特征图沿着特征方向进行拼接，将拼接后的特征图作为所述解码器子网络中对应层级的特征图，以使所述第一编码器子网络中的特征图在所述解码器子网络的特征图中得以共享。
此外，优选的方案是，所述健康机械运行信号的特征数据的获取方法包括：
通过传感器采集机械在健康状态下的原始运行信号xr；
利用离散傅里叶变换将所述原始运行信号xr转换到频域，得到所述机械在健康状态下的原始运行信号的频谱s＝DFT(xr)；其中，DFT()为离散傅里叶变换；
对所述频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到所述健康机械运行信号的特征数据；其中，所述归一化处理的过程表示为：
其中，
smax是s中幅值最大的元素，smin是s中幅值最小的元素，x是特征数据。
此外，优选的方案是，所述机械在健康状态下的原始运行信号xr为振动信号、电流信号、声信号中的任意一种信号。
此外，优选的方案是，所述将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标包括：
通过传感器实时采集目标机械的运行信号xt；
利用离散傅里叶变换将所述目标机械的运行信号xt转换到频域，得到所述目标机械的运行信号的频谱s＝DFT(xt)，其中DFT()是离散傅里叶变换；
对所述目标机械的运行信号的频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到预处理后的目标机械的运行信号特征数据；
将所述目标机械的运行信号特征数据输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标。
此外，优选的方案是，所述将所述目标机械的运行信号特征数据输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标包括：
通过所述机械健康状态监测网络的第一编码器子网络将所述目标机械的运行信号特征数据映射为目标机械的第一隐空间编码；
通过所述机械健康状态监测网络的解码器子网络将所述目标机械的第一隐空间编码解码为目标机械的重构信号；
通过所述机械健康状态监测网络的第二编码器子网络将所述目标机械的重构信号射为目标机械的第二隐空间编码；
根据所述目标机械的第一隐空间编码和所述目标机械的第二隐空间编码计算所述目标机械的机械损伤指标；其中，所述机械损伤指标的计算公式为：
式中，z(x)为目标机械的第一隐空间编码，/>为目标机械的第二隐空间编码，DI为目标机械的机械损伤指标。
本发明提供的机械健康状态监测装置，包括：
学习网络建立模块，用于建立对抗表示学习网络，所述对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将所述第一隐空间编码重构至信号空间的解码器子网络和用于将所述信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；
网络训练模块，用于将健康机械运行信号的特征数据作为网络训练数据对所述对抗表示学习网络进行对抗学习训练，当所述对抗学习训练达到预设收敛条件后，将所述第一隐空间编码与所述第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络；
机械损伤指标检测模块，用于将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标；
监测结果生成模块，用于基于预设机械损伤指标阈值，根据所述目标机械的机械损伤指标确定所述目标机械的机械健康状态的监测结果。
从上面的技术方案可知，本发明提供的机械健康状态监测方法及装置，通过将健康状态下的机械运行信号的特征数据对建立的对抗表示学***稳、多模态的运行工况，因此能够更有效地在运行信号中提取与机械健康状态相关的特征，从而取得更好的健康状态监测效果；本发明为监测阶段健康运行信号和故障运行信号的可分性提供约束，并通过对抗进化训练的方式抑制模型参数落入局部最优，从而能够提高复杂工况下机械健康状态监测的准确性。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的机械健康状态监测方法的流程示意图；
图2为根据本发明实施例的机械健康状态监测方法的实施流程图；
图3为根据本发明实施例的机械健康状态监测方法的机械健康状态监测网络的结构示意图；
图4为根据本发明实施例的机械健康状态监测方法与对比方法进行机械健康状态监测所得的结果对比图。
在附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
针对前述提出的目前难以在故障运行数据缺失的条件下进行机械健康状态监测，以及难以克服现有方法在运行数据非平稳、多模态的条件下效果不佳的缺陷，从而导致机械健康状态监测结果的可靠性低等问题，提出了一种机械健康状态监测方法及装置。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的机械健康状态监测方法及装置，图1示出了根据本发明实施例的机械健康状态监测方法的流程；图2示出了根据本发明实施例的机械健康状态监测方法的实施流程；图3示出了根据本发明实施例的机械健康状态监测方法的机械健康状态监测网络的结构；图4示出了根据本发明实施例的机械健康状态监测方法与对比方法进行的机械健康状态监测所得的结果的对比。
如图1至图4共同所示，本发明提供的机械健康状态监测方法，包括如下步骤：
S1、建立对抗表示学习网络，对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将第一隐空间编码重构至信号空间的解码器子网络和用于将信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络。
具体的，建立对抗表示学习网络，将训练数据(即健康机械运行信号的特征数据)输入串联的第一编码器子网络ER和解码器子网络DR，第一编码器子网络ER将输入信号(即健康机械运行信号的特征数据)映射为第一隐空间编码，从而提取健康条件下机械运行信号的隐空间特征，解码器子网络DR将第一隐空间编码重构至信号空间，从而保证隐空间特征提取的有效性，其中，解码器子网络的输出表示为：
其中，z(x)＝ER(x)是第一编码器子网络ER输出的第一隐空间编码。
由于实际工业场景中机械的复杂性，健康状态下的机械运行信号具有非平稳、多模态的特性，从而为健康条件下机械运行信号的特征提取带来困难，不能直接根据信号经过第一编码器子网络ER和解码器子网络DR重构前后的误差判断机械健康状况。隐空间编码具有维度低、冗余少的特点，能够适应机械非平稳运行特性，突出运行信号中与健康状态相关的成分，因此在所建立的对抗表示学习网络中，另有第二编码器子网络ED将重构信号映射为第二隐空间编码：
作为本发明的一个优选方案，对抗表示学习网络还包括用于根据第二隐空间编码生成均匀分布随机变量的判别器子网络。
具体的，为了克服机械故障的复杂性和故障信号样本的稀缺性，仅利用健康状态下的运行信号进行网络训练，假设经过训练过程，所建立的对抗表示学习网络能够在信号空间和隐空间中重构健康状态下的机械运行信号，而故障状态下的机械运行信号由于未在训练过程中出现而无法被有效地重构。因此，机械健康监测的可靠性与健康状态下运行信号的隐空间编码的分布特性有关。为了抑制故障状态下机械运行信号在机械健康监测过程中的重构效果，提高对机械故障的识别敏感性，在所建立的对抗表示学习网络中，另有判别器子网络ES通过生成对抗训练的方式增强第一隐空间编码与均匀分布随机变量u～U(a,b)之间的相似性，生成对抗训练过程的目标函数为：
其中，/>是数学期望。
作为本发明的一个优选方案，第一编码器子网络、解码器子网络、第二编码器子网络和判别器子网络均由卷积层、全连接层和归一化层连接而成。
具体的，各子网络由一系列卷积层、全连接层和归一化层连接而成，通过卷积层进行特征提取，通过全连接层将提取的特征进行拼接，最后通过归一化层将拼接的特征进行归一化处理。
作为本发明的一个优选方案，在建立对抗表示学习网络的过程中，
第一编码器子网络和解码器子网络中的相同层级的特征图沿着特征方向进行拼接，将拼接后的特征图作为解码器子网络中对应层级的特征图，以使第一编码器子网络中的特征图在解码器子网络的特征图中得以共享。
具体的，对于机械健康监测，机械运行信号的隐空间编码相比于原始信号含有更少的冗余信息，但在编码、解码的过程中，信号中与健康状态相关的细节信息也会因为编码的下采样而丢失，并且该信息一旦丢失，仅通过解码的上采样无法对信息进行恢复，细节信息的丢失会导致机械健康监测的准确性降低。为了解决这一问题，第一编码器子网络ER的特征图在解码器子网络DR的特征图中以拼接的方式得以共享，第一编码器子网络ER和解码器子网络DR中相同层级的特征图沿着特征方向进行拼接，将拼接后的特征图作为解码器子网络DR中对应层级的特征图，从而将第一编码器子网络ER中的细节信息传递到解码器子网络DR中。
S2、将健康机械运行信号的特征数据作为网络训练数据对对抗表示学习网络进行对抗学习训练，当对抗学习训练达到预设收敛条件后，将第一隐空间编码与第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络。
具体的，将健康机械运行信号的特征数据(即输入信号)输入至对抗表示学习网络中，通过各个子网络的编码、信号重构、再编码以及均匀分布的随机变量等处理，对对抗表示学习网络进行对抗学习训练，当达到预设收敛条件后，即得到机械健康状态监测网络，在机械健康状态监测网络中，第一隐空间编码与第二隐空间编码的相对误差作为机械损伤指标。
可具体包括如下步骤：
步骤①：初始化总体训练纪元数I、第二编码器子网络ED的训练纪元数J、批量训练数据大小K、参数更新步长l、梯度惩罚参数λ、惩罚函数权重ωsig、ωcode、ωadv和ωlat、隐空间边界a和b；
步骤②：随机初始化的第一编码器子网络ER的参数θER、解码器子网络DR的参数θDR、第二编码器子网络ED的参数θED、判别器子网络ES的参数θES；
步骤③：令总体训练计数变量i＝1，ED训练计数变量j＝1。
步骤④：在健康机械运行信号的特征数据中选择数量为K的一批数据xk(k＝1,2,...,K)，将数据xk输入第一编码器子网络ER得到zk＝ER(xk)，将zk输入DR得到将/>输入ED得到/>
步骤⑤：在分布在(0,1)范围内的均匀分布中采样一个样本α，计算加权数据将加权数据xs输入第二编码器子网络ED得到/>利用RMSProp优化器对θED的值进行更新：
其中，
M是加权数据xs的维数；
步骤⑥：如果j＜J，令j＝j+1，并返回步骤④。
步骤⑦：利用RMSProp优化器对θER的值进行更新：
其中，
利用RMSProp优化器对θDR的值进行更新在分布在(a,b)范围内的均匀分布中采样一个与xk维度相同的样本uk，在分布在(0,1)范围内的均匀分布中采样一个样本β，利用RMSProp优化器对θES的值进行更新：
步骤⑧：如果i＜I，令i＝i+1，并返回步骤⑤。
作为本发明的一个优选方案，预设收敛条件为：
使特征数据中的健康机械的运行信号与信号空间中的重构信号之间的差异、第一隐空间编码与第二隐空间编码之间的差异、第二隐空间编码与均匀分布随机变量之间的差异达到最小化，以使第一编码器子网络、解码器子网络、第二编码器子网络和判别器子网络的参数收敛至稳定状态。
作为本发明的一个优选方案，健康机械运行信号的特征数据的获取方法包括：
通过传感器采集机械在健康状态下的原始运行信号xr；
利用离散傅里叶变换将所述原始运行信号xr转换到频域，得到机械在健康状态下的原始运行信号的频谱s＝DFT(xr)；其中，DFT()为离散傅里叶变换；
对频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到健康机械运行信号的特征数据；其中，归一化处理的过程表示为：
其中，
smax是s中幅值最大的元素，smin是s中幅值最小的元素，x是特征数据。
具体的，采集机械在健康状态下的原始运行信号，进行上述的信号预处理后可以突出健康机械的运行信号特征。利用传感器采集机械在健康状态下的原始运行信号，对健康状态下的原始运行信号进行预处理，对于绝大多数的旋转机械，其故障特征可以在频域得到相比于时域更好的体现，因此利用离散傅里叶变换将原始信号转换到频域，得到健康状态下的原始运行信号的频谱，对健康状态下的原始运行信号的频谱进行归一化处理，使得信号幅值均位于[0,1]的范围内，从而消除信号幅值对健康状态监测结果的影响。
作为本发明的一个优选方案，机械在健康状态下的原始运行信号为振动信号、电流信号、声信号中的任意一种信号。
S3、将实时采集的目标机械的运行信号，经过预处理后输入至机械健康状态监测网络，得到目标机械的机械损伤指标。
具体的，采用传感器实时采集目标机械的运行信号即待监测健康状态的的机械的运行信号，预处理后得到可以突出目标机械的运行信号特征的信号数据，将信号数据输入至机械健康状态监测网络，从而得到目标机械的机械损伤指标。
作为本发明的一个优选方案，将实时采集的目标机械的运行信号，经过预处理后输入至机械健康状态监测网络，得到目标机械的机械损伤指标包括：
通过传感器实时采集目标机械的运行信号xt；
利用离散傅里叶变换将目标机械的运行信号xt转换到频域，得到目标机械的运行信号的频谱s＝DFT(xt)，其中DFT()是离散傅里叶变换；
对目标机械的运行信号的频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到预处理后的目标机械的运行信号特征数据；
将目标机械的运行信号特征数据输入至机械健康状态监测网络，得到所目标机械的机械损伤指标。
具体的，利用传感器实时采集目标机械的运行信号xt，对运行信号xt进行预处理，利用离散傅里叶变换将运行信号xt转换到频域，得到目标机械的运行信号的频谱s＝DFT(xt)，对频谱s＝DFT(xt)进行归一化处理，使得信号幅值均位于[0,1]的范围内，从而消除信号幅值对健康状态监测结果的影响，将预处理后的目标机械的运行信号特征数据输入机械健康状态监测网络，得到第一隐空间编码z(x)＝ER(x)与第二隐空间编码根据第一隐空间编码与第二隐空间编码的相对误差构建机械损伤指标DI。
作为本发明的一个优选方案，将目标机械的运行信号特征数据输入至机械健康状态监测网络，得到目标机械的机械损伤指标包括：
通过机械健康状态监测网络的第一编码器子网络将目标机械的运行信号特征数据映射为目标机械的第一隐空间编码；
通过机械健康状态监测网络的解码器子网络将目标机械的第一隐空间编码解码为目标机械的重构信号；
通过机械健康状态监测网络的第二编码器子网络将目标机械的重构信号射为目标机械的第二隐空间编码；
根据目标机械的第一隐空间编码和目标机械的第二隐空间编码计算目标机械的机械损伤指标；其中，机械损伤指标的计算公式为：
式中，z(x)为目标机械的第一隐空间编码，/>为目标机械的第二隐空间编码，DI为目标机械的机械损伤指标。
机械损伤指标DI可以指示机械的健康状态，DI数值越大，表明机械中损伤的出现概率越大，DI数值越小，表明机械越健康。
S4、基于预设机械损伤指标阈值，根据目标机械的机械损伤指标确定目标机械的机械健康状态的监测结果。
具体的，可以根据实际情况预设机械损伤指标阈值，将目标机械的机械损伤指标与预设机械损伤指标阈值进行比较，当大于预设机械损伤指标阈值时，生成目标机械的机械健康状态为损伤状态的监测结果，反之为健康状态的监测结果。为了更好的给出警示，可根据损伤状态的监测结果生成损伤警示信息。
本发明提供的机械健康状态监测装置，包括：
学习网络建立模块，用于建立对抗表示学习网络，对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将第一隐空间编码重构至信号空间的解码器子网络和用于将信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；
网络训练模块，用于将健康机械运行信号的特征数据作为网络训练数据对对抗表示学习网络进行对抗学习训练，当对抗学习训练达到预设收敛条件后，将第一隐空间编码与第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络；
机械损伤指标检测模块，用于将实时采集的目标机械的运行信号，经过预处理后输入至机械健康状态监测网络，得到目标机械的机械损伤指标；
监测结果生成模块，用于基于预设机械损伤指标阈值，根据目标机械的机械损伤指标生成目标机械的机械健康状态的监测结果。
为了更好地体现本发明实施例的实用性，利用Paderborn大学发布的轴承公开数据集对本发明实施例中的技术方案进行说明和检验。该数据集在轴承实验台的进行采集，试验台包括电机、联轴器、轴承实验装置、飞轮和负载，轴承型号为6203，在利用加速度传感器采集了实验过程中的轴承振动信号，并在多种负载、转速和轴向力条件下开展了重复实验，以反映不同工况下的机械***响应，振动信号的采样频率为64kHz。
在模型训练阶段，将健康轴承在四种不同工况下(转速1500RPM、负载0.7N·m、轴向力1000N；转速900RPM、负载0.7N·m、轴向力1000N；转速1500RPM、负载0.1N·m、轴向力1000N；转速1500RPM、负载7N·m、轴向力400N)的振动信号看作训练样本，通过建立对抗表示学习网络、训练样本数据预处理、对抗表示学习网络并进行网络训练得到机械健康状态监测网络，网络构建和训练过程利用Python语言和PyTorch框架实施。由于训练样本中包含了不同工况下的数据，因此该实施例能够体现复杂机械运行状态的多模态特性。在模型训练过程中，总体训练纪元数I＝100、ED训练纪元数J＝10、批量训练数据大小K＝128、参数更新步长l＝0.0001、梯度惩罚参数λ＝1、惩罚函数权重ωsig＝10、ωcode＝1、ωadv＝1、ωlat＝0.1、隐空间边界a＝0、b＝1。
在模型测试阶段，采用了轴承内圈故障和外圈故障条件下的运行数据，外圈故障和内圈故障的故障形式均为点蚀，故障尺寸小于2mm，属于加速寿命试验过程中自然形成的故障。为了体现机械运行状态的复杂性，将四种不同工况下的运行数据混合，共同作为测试样本，所考虑的工况与模型训练阶段的工况一致。将本发明实施例的技术方案与现有的机械健康状态监测方法对比，对比方法包括生成对抗网络、自编码器、峭度和支持向量数据描述，不同方法得到的接受者操作特征曲线下方面积(area under the curve of thereceiver operating characteristic，AUCROC)如图4所示，可以看出，本发明实施例的技术方案具有最佳的机械健康状态监测效果，能够取得99.98％的监测准确率，相比于现有方法，能够显著提高机械健康状态监测能力，适应复杂机械的非平稳运行特点。对于生成对抗网络，该方法可以通过学习健康状态下机械运行信号的分布特征实现机械健康状态监测，建立起随机变量到机械运行信号之间的联系，但生成对抗网络的有效训练存在很大的困难，对于复杂工况的适应性不足。自编码器能够提取健康运行信号的隐空间特征，但仅通过逐像素的误差不能准确反映机械健康状态的变化，因此健康监测效果不佳。支持向量数据描述是统计学习的方法，相比于深度学习方法，对于特征工程的依赖性强，因此在简单工况和简单机械的健康监测方面能够取得较好的效果，但对于复杂机械健康监测的适应性不足，因此效果不及本发明实施例的技术方案。峭度可以用于识别信号中的冲击成分，但机械运行过程中运动副之间存在固有的冲击，仅靠这一判据无法准确地判别机械健康状况。基于上述结果和分析，可以看出本发明的实施例具有较好的实用性，能够在实际情况中对机械健康状态进行评估，并能获得相比于现有方法更好的结果。
通过上述具体实施方式可看出，本发明提供的机械健康状态监测方法及装置，通过将健康状态下的机械运行信号的特征数据对建立的对抗表示学***稳、多模态的运行工况，因此能够更有效地在运行信号中提取与机械健康状态相关的特征，从而取得更好的健康状态监测效果；本发明为监测阶段健康运行信号和故障运行信号的可分性提供约束，并通过对抗进化训练的方式抑制模型参数落入局部最优，从而能够提高复杂工况下机械健康状态监测的准确性。
如上参照附图以示例的方式描述了根据本发明提出的机械健康状态监测方法及装置。但是，本领域技术人员应当理解，对于上述本发明所提出的机械健康状态监测方法及装置，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (4)
1.一种机械健康状态监测方法，其特征在于，包括如下步骤：
建立对抗表示学习网络，所述对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将所述第一隐空间编码重构至信号空间的解码器子网络、用于将所述信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络和用于根据所述第二隐空间编码生成均匀分布随机变量的判别器子网络；
将健康机械运行信号的特征数据作为网络训练数据对所述对抗表示学习网络进行对抗学习训练，当所述对抗学习训练达到预设收敛条件后，将所述第一隐空间编码与所述第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络；其中，所述预设收敛条件为：使所述特征数据中的健康机械的运行信号与所述信号空间中的重构信号之间的差异、所述第一隐空间编码与所述第二隐空间编码之间的差异、所述第二隐空间编码与所述均匀分布随机变量之间的差异达到最小化，以使所述第一编码器子网络、所述解码器子网络、所述第二编码器子网络和所述判别器子网络的参数收敛至稳定状态；
所述健康机械运行信号的特征数据的获取方法包括：通过传感器采集机械在健康状态下的原始运行信号xr；利用离散傅里叶变换将所述原始运行信号xr转换到频域，得到所述机械在健康状态下的原始运行信号的频谱s＝DFT(xr)；其中，DFT()为离散傅里叶变换；对所述频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到所述健康机械运行信号的特征数据；其中，所述归一化处理的过程表示为：其中，
smax是s中幅值最大的元素，smin是s中幅值最小的元素，x是特征数据；所述机械在健康状态下的原始运行信号xr为振动信号、电流信号、声信号中的任意一种信号；
将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标；其中，所述将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标包括：
通过传感器实时采集目标机械的运行信号xt；
利用离散傅里叶变换将所述目标机械的运行信号xt转换到频域，得到所述目标机械的运行信号的频谱s＝DFT(xt)，其中DFT()是离散傅里叶变换；
对所述目标机械的运行信号的频谱进行归一化处理，使得到的运行信号幅值均位于[0,1]的范围内，得到预处理后的目标机械的运行信号特征数据；
所述将所述目标机械的运行信号特征数据输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标，包括：
通过所述机械健康状态监测网络的第一编码器子网络将所述目标机械的运行信号特征数据映射为目标机械的第一隐空间编码；
通过所述机械健康状态监测网络的解码器子网络将所述目标机械的第一隐空间编码解码为目标机械的重构信号；
通过所述机械健康状态监测网络的第二编码器子网络将所述目标机械的重构信号射为目标机械的第二隐空间编码；
根据所述目标机械的第一隐空间编码和所述目标机械的第二隐空间编码计算所述目标机械的机械损伤指标；其中，所述机械损伤指标的计算公式为：
式中，z(x)为目标机械的第一隐空间编码，/>为目标机械的第二隐空间编码，DI为目标机械的机械损伤指标；
基于预设机械损伤指标阈值，根据所述目标机械的机械损伤指标确定所述目标机械的机械健康状态的监测结果。
2.根据权利要求1所述的机械健康状态监测方法，其特征在于，所述第一编码器子网络、所述解码器子网络、所述第二编码器子网络和所述判别器子网络均由卷积层、全连接层和归一化层连接而成。
3.根据权利要求2所述的机械健康状态监测方法，其特征在于，在所述建立对抗表示学习网络的过程中，
所述第一编码器子网络和所述解码器子网络中的相同层级的特征图沿着特征方向进行拼接，将拼接后的特征图作为所述解码器子网络中对应层级的特征图，以使所述第一编码器子网络中的特征图在所述解码器子网络的特征图中得以共享。
4.一种机械健康状态监测装置，其特征在于，所述机械健康状态监测装置能够实现如权利要求1所述的机械健康状态监测方法的步骤，包括：
学习网络建立模块，用于建立对抗表示学习网络，所述对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将所述第一隐空间编码重构至信号空间的解码器子网络和用于将所述信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；
网络训练模块，用于将健康机械运行信号的特征数据作为网络训练数据对所述对抗表示学习网络进行对抗学习训练，当所述对抗学习训练达到预设收敛条件后，将所述第一隐空间编码与所述第二隐空间编码的相对误差作为机械损伤指标，得到机械健康状态监测网络；
机械损伤指标检测模块，用于将实时采集的目标机械的运行信号，经过预处理后输入至所述机械健康状态监测网络，得到所述目标机械的机械损伤指标；
监测结果生成模块，用于基于预设机械损伤指标阈值，根据所述目标机械的机械损伤指标确定所述目标机械的机械健康状态的监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210174862.0A CN114970598B (zh) | 2022-02-24 | 2022-02-24 | 机械健康状态监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210174862.0A CN114970598B (zh) | 2022-02-24 | 2022-02-24 | 机械健康状态监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970598A CN114970598A (zh) | 2022-08-30 |
| CN114970598B true CN114970598B (zh) | 2024-04-30 |
Family
ID=82976028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210174862.0A Active CN114970598B (zh) | 2022-02-24 | 2022-02-24 | 机械健康状态监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970598B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
| CN113158814A (zh) * | 2021-03-26 | 2021-07-23 | 清华大学 | 一种基于卷积自编码器的轴承健康状态监测方法 |
| CN113435321A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承状态评估方法、***、设备及可读存储介质 |
| US11153566B1 (en) * | 2020-05-23 | 2021-10-19 | Tsinghua University | Variable bit rate generative compression method based on adversarial learning |
-
2022
- 2022-02-24 CN CN202210174862.0A patent/CN114970598B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
| US11153566B1 (en) * | 2020-05-23 | 2021-10-19 | Tsinghua University | Variable bit rate generative compression method based on adversarial learning |
| CN113158814A (zh) * | 2021-03-26 | 2021-07-23 | 清华大学 | 一种基于卷积自编码器的轴承健康状态监测方法 |
| CN113435321A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承状态评估方法、***、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970598A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
| CN105758644A (zh) | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 | |
| CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
| CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
| Yang et al. | Intelligent diagnosis of rotating machinery faults-a review | |
| Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
| CN116956048B (zh) | 一种基于跨域泛化标签的工业设备故障诊断方法及装置 | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| Guedidi et al. | Bearing faults classification based on variational mode decomposition and artificial neural network | |
| CN113468728B (zh) | 一种基于神经网络的变桨***故障预测方法 | |
| Souad et al. | Fault diagnosis of rolling element bearings using artificial neural network | |
| CN213149750U (zh) | 一种汽轮发电机组状态评价与故障预测*** | |
| CN114970598B (zh) | 机械健康状态监测方法及装置 | |
| Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
| Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
| Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network | |
| Jung et al. | Fault Diagnosis of Inter-turn Short Circuit in Permanent Magnet Synchronous Motors with Current Signal Imaging and Semi-Supervised Learning | |
| CN115753103A (zh) | 一种基于标准自学习数据增强的故障诊断方法及*** | |
| CN113447267B (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和*** | |
| Wang | Fault early warning of wind turbine generator based on residual autoencoder network | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| KR20210132486A (ko) | 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법 | |
| Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
| Dou et al. | An Improved Fault Detection Method based on Canonical Variate Analysis for Tricky Faults of Wind Turbine | |
| CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
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 |