CN117056857A - 一种基于sae-sa的机械设备健康状态评价方法 - Google Patents
一种基于sae-sa的机械设备健康状态评价方法 Download PDFInfo
- Publication number
- CN117056857A CN117056857A CN202310903660.XA CN202310903660A CN117056857A CN 117056857 A CN117056857 A CN 117056857A CN 202310903660 A CN202310903660 A CN 202310903660A CN 117056857 A CN117056857 A CN 117056857A
- Authority
- CN
- China
- Prior art keywords
- health
- signal
- mechanical equipment
- value
- sae
- 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
- 230000036541 health Effects 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000001228 spectrum Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于SAE‑SA的机械设备健康状态评价方法。该方法采集机械设备关键部件处振动信号;用峭度指标对信号通道进行筛选;对信号降噪处理后进行特征提取,然后将提取的特征值利用堆栈自动编码器进行融合;对融合特征进行线性组合,使用遗传算法对进行线性组合的参数进行自适应选择,将衰减趋势性与单调性最好的系数组合作为监测点健康度指数曲线;最后,对所有监测点的健康度指数进行加权求平均,获得机械设备的综合健康度指数。本发明能够准确评估机械设备中各关键部件的健康状态,为机械设备的预测性维护提供指导。
Description
技术领域
本发明涉及一种机械设备健康状态评价方法,其特征在于,使用SAE-SA算法对机械设备健康状态进行评价。
背景技术
现代工业生产中,尽管数控设备所占比例正不断提高,通过设备数控***与多传感器在加工过程中采集获取的数据,即可实现设备的有效健康管理,但仍有相当多用于工业生产的机械设备并不具备先进的数控设备而此类设备往往服役年限较长,长时间在高温高压高频振动环境工作,较容易出现因故障产生的设备停机。因此,开发一种通用的方法,实时监测与评估各类机械设备的健康状态与剩余寿命,有利于建立合理有效的维修计划,减少设备不必要的停机时间,节省大量的维护费用。
经过对现有技术的文献检索和专利的检索发现常见的机械设备健康状态评估方法有以下几种:
方法1:中国专利申请号:CN105718876B,专利名称为:“一种滚珠丝杠健康状态的评估方法”,该方法结合拉普拉斯特征降维与马氏距离分析模型,建立不同健康状态下传感器信号样本点在特征空间中与健康值的非线性映射关系,从而得到滚珠丝杠性能衰退程度的量化评估。该评估方法需要选取一根全新全新设备采集数据的各个特征作为基线数据,但实际生产中并不存在这样的条件。
方法2:中国专利申请号:CN109255201A,专利名称为:“一种基于S0M-MQE的滚珠丝杠副健康评估方法”该方法首先采集丝杠副***两端的轴承支座以及丝母上的优选通道振动信号,对该信号进行预处理后进行特征提取,然后将提取到的特征值通过SOM-MQE映射为健康度值;通过自适应阈值检测算法获得健康度值曲线的报警阈值,当健康度值超过报警阈值时,自动报警。该评估方法侧重于失效预警,对于设备的健康状况的分级只存在故障与健康两种状况,没有进行细化。
方法3:中国专利申请号:CN109141881B,专利名称为:“一种深度自编码网络的旋转机械健康评估方法”该方法通过深度自编码器直接对设备原始信号特征进行提取;通过用无监督SOM算法对设备进行健康指标构建。该评估方法选用深度自编码器方法直接对原始信号进行特征提取,容易遗漏信号重要隐藏特征。
因此,本发明致力于开发一种科学、直观的机械设备状态评估方法,尽可能反映机械设备全生命周期各个阶段的健康状态,同时避免实际应用的复杂性。
发明内容
基于上述不足,本发明提供一种基于SAE-SA的机械设备健康状态评价方法,该方法能够根据从机械设备的关键部件采集的信号,评估机械设备的健康状态。
其具体步骤如下:
步骤1:采集机械设备关键部件的振动信号,特别是机械设备的旋转部件。所述振动信号通过安装在机械设备关键部件处的三向加速度传感器进行采集;
步骤2:从每个三通道振动传感器输出的三个通道信号中选择最能代表对应部件的退化趋势的通道信号作为健康评估的原始信号;
步骤3:对所述的传感器原始信号进行预处理,除去噪声和干扰;
步骤4:对所述信号添加时间窗,提取该时间窗内信号的时域特征、频域特征和时频域特征,所述样本的所有特征组合生成特征数据集,对所述样本特征数据进行标准化处理;
步骤5:将所述的样本特征数据集输入到提前构建好的堆栈自编码器模型(SAE)中,进行特征融合。
步骤6:通过遗传算法(SA),获取最优线性组合系数,对融合特征数据集进行线性组合,获取检测对象的健康度值映射。
步骤7:将机械设备各关键部件监测点的健康指数进行加权求平均,获得机械设备的综合健康度指数。
进一步地,步骤2采用的信号筛选方式是分别计算各通道振动信号的峭度值kur,并选取峭度值最大通道的振动信号,峭度值越大,信号中含有越多的冲击和尖峰,该通道的振动信号更能反映该监测点的健康状态;
峭度值的计算方法如下:
其中,xi为信号某一点的振幅,μ为该段信号的均值,N为信号长度,rms为该段信号的均方根值,计算方法如下:
进一步地,步骤3的预处理方式是采用经验模态分解(EMD),将原始信号分解成若干本征分量,分别计算原始信号与各本征分量间的相关系数,选取相关度最高的五个分量进行组合,剔除大量噪声成分;
进一步地,步骤4用于分割信号的时间窗长度为512,将整段信号划分成m个长度为512的信号片段。对各时间窗信号提取时域特征14个,频域特征12个,时频域特征8个。时域特征包括均方根值,峭度,偏度,最大值,最小值,峰峰值,最大绝对值,绝对平均值,方根幅值,裕度,波形指标,脉冲指标,峰值指标以及能量指标,共14个;频域特征是各个时间窗信号进行傅里叶变换获取频域数据后提取的特征,包括重心频率,均方根频率,标准差频率,频率方差,频谱均方根值,频谱均值,频谱偏度,频谱峰度,能量谱密度,功率谱密度,幅值谱,相位谱,共12个;对各时间窗信号进行三层小波包分解,选用db4小波,获取最后节点的小波重构系数,共8个。将每一个时间窗信号片段的34种信号特征组合构成原始特征数据再将各时间窗的原始特征数据组成原始特征数据集Q=[X1,X2,…Xi…,Xm]T并标准化。
进一步地,步骤5的特征融合过程基于堆栈自编码器(SAE),由多个自动编码器(AE)堆叠而成。
单个AE层可以视作两个神经网络。
第一个神经网络,通过Sigmoid函数和模型参数集θ=(w,b)将输入数据将含有多维特征的输入的转换为隐藏表示(也称隐藏特征向量)h=[h1,h2,…,hp]T(p≤34)。
h=sig m(wx+b) (3)
式中w是权重矩阵,b是偏置。
第二个神经网络将隐藏向量h,通过Sigmoid函数和模型参数集θ′={w′,b′}映射回重构向量如下所示:
式中,θ′={w′,b′}是模型参数集。所有的m个样本的重构向量构成重构向量集
最后,采用均方误差来定义重构向量与原始特征向量的重构误差。对于样本集Q=[X1,X2,…Xi…,Xm]T的第i个特征向量重构误差定义为:
式中是样本集中的第i个输入样本Xi的第n维特征,/>是重构向量集的第i个样本/>的第n维特征。m是样本集的样本数,34是单个样本的维数。
堆栈自编码器SAE由多个AE堆叠而成,其中后一个AE的输入来自于前一个AE的隐藏层。每一个AE旨在最小化输入输出重构误差。
设计一个由6个AE叠加的SAE,隐藏层数分别为28,24,20,16,8,4,即通过训练堆栈自编码器模型,将具有34维特征的数据变成具有4维融合特征的融合特征向量全部m个样本经特征融合后组成融合特征向量集h=[h1,h2,...,hi,...,hm]T。
进一步地,步骤6的目标是对上述四种融合特征进行线性组合,获取健康度指数曲线:
HI=a1h1+a2h2+a3h3+a4h4 (7)
健康度指数曲线通常需要具有1)单调性2)趋势性3)衰减相关性。
使用遗传算法对上述四种融合特征进行线性组合的参数(a1,a2,a3,a4)进行自适应选择,种群中的每一个个体作为一个线性组合参数向量。将组合后的健康度曲线的单调性以及衰减趋势性作为遗传算法的适应度函数。
单调性适应度函数:
scoremono=I(·) (9)
I(·)是指示函故,当括号内的条件成立时为1。否则为0,这个值越小,说明单调性好。
衰减趋势性适应度函数:
T为自定义的衰减函数,随时间变化衰减:
Ti=m-i (11)
scorecorr越接近1或1,说明时间序列相关性越好。:
根据两种适应度函数的变化特点与取值范围,设计组合适应度函数score:
score=-scoremono*scorecorr (12)
可知,score分数越高,组合出的HI单调性越好且衰退趋势越明显。
进化过程的每一代包括以下步骤:
1)设置迭代参数:种群大小S,最大进化代数N,交叉概率Pc,变异概率Pm,取值范围Bound;
2)计算种群中每个个体的适应度值,即趋势性评价值的绝对值;
3)选择操作,使用轮盘赌法选择下一代个体;
4)交叉操作,随机选择两个个体进行基因交换;
5)变异操作,随机选择一个个体进行基因变异;
进化结束后,输出最优解和最优值,即衰减趋势性与单调性最好的系数组合和健康度指数曲线。
进一步地,步骤7将各关键部件监测点的健康指数进行加权求平均,获得机械设备的综合健康度指数:
本发明通过SAE-SA算法对机械设备的健康状况进行健康状况评估,首先采集机械设备的多个关键部件监测点的多通道振动信息,利用峭度指标对通道进行筛选;对信号降噪处理后进行特征提取,然后将提取的特征值利用堆栈自动编码器(SAE)进行融合;对融合特征进行线性组合,使用遗传算法对进行线性组合的参数进行自适应选择,将衰减趋势性与单调性最好的系数组合作为监测点健康度指数曲线;最后,对所有监测点的健康度指数进行加权求平均,获得机械设备的综合健康度指数。与现有技术相比,本发明具有以下有益的技术效果:
1.本发明通过对设备关键部件监测点安装加速度传感器的方式,对机械设备关键部件进行振动信号的采集,不依赖设备数控***,分别获取健康度指数。进而在此基础上获取综合健康度指标,更全面的反映机械设备健康状况变化,适用性广。
2.本发明提取的信号特征更丰富,并采用了堆栈自编码器的方法将多特征进行融合为4种,剔除冗余信息的同时,也尽可能保留了信号的典型特征。
3.本发明在特征提取融合的基础上,对保留了绝大多数信号特征的四种融合特征进行线性组合。设计全新的适应度函数,使通过遗传算法计算得到的最优健康度指数曲线具有良好的衰减趋势性和单调性。
附图说明:
图1为本发明实施例一种基于SAE-SA的机械设备健康状态评价方法的流程图;
图2是本发明实施例一种基于SAE-SA的机械设备健康状态评价方法的堆栈自编码器模型的结构图;
图3是本发明实施例一种基于SAE-SA的机械设备健康状态评价方法的融合特征线性组合参数寻优遗传算法的详细流程图;
图4是本发明实施例一种实施实例的机械设备试验装置***示意图;
图5是本发明实施例计算的机械设备综合健康度指数曲线图;
具体实施方式:
如图1所示,本实施方式所述的一种基于SAE-SA的机械设备健康状态评估方法包括以下步骤:
步骤1:采集机械设备关键部件处的振动信号,特别是机械设备的旋转部件,所述振动信号通过安装在机械设备关键部件监测点的三向加速度传感器进行采集,如图4所示;
步骤2:分别计算各通道振动信号的峭度值kur,选择kur值最大通道的信号作为最能代表对应部件的退化趋势的信号,将其作为用于构建健康度指数的原始信号;
步骤3:对所述的原始信号进行预处理,采用经验模态分解(EMD)将原始信号分解成若干本征分量,分别计算原始信号与各本征分量间的相关系数,选取相关度最高的五个分量进行组合,剔除噪声和干扰;
步骤4:由于信号为高频信号,数据量大。为了便于分析,对所述信号添加时间窗。将时间窗长度设为512,整段信号被划分成m段长度为512的信号集合。
提取时间窗内信号的时域特征、频域特征和时频域特征,时域特征包括均方根值,峭度,偏度,最大值,最小值,峰峰值,最大绝对值,绝对平均值,方根幅值,裕度,波形指标,脉冲指标,峰值指标以及能量指标,共14个;频域特征是各个时间窗信号进行傅里叶变换获取频域数据后提取的特征,包括重心频率,均方根频率,标准差频率,频率方差,频谱均方根值,频谱均值,频谱偏度,频谱峰度,能量谱密度,功率谱密度,幅值谱,相位谱,共12个;对各时间窗信号进行三层小波包分解,选用db4小波,获取最后节点的小波重构系数,共8个。全部m个时间窗的34种特征组合生成形状为[m,34]的样本特征数据集,对所述样本特征数据集进行标准化处理;
步骤5:将所述的样本特征数据集输入到提前构建好的堆栈自编码器模型(SAE)中,进行特征融合。所述的堆栈自编码器模型如图2所示,由6个AE层叠加形成,隐藏层数分别为28,24,20,16,8,4。得到形状为[m,4]的融合特征数据集。每一个样本的四种融合特征都最大程度保留了原始特征。
步骤6:如图3所示,通过遗传算法(SA),获取最优线性组合系数,对融合特征数据集进行线性组合,获取检测对象的健康度值映射HI。
设计适应度函数,目标是让经组合形成的健康度指数曲线具备单调性和衰减趋势性。
单调性适应度函数:
scoremono=I(·) (15)
I(·)是指示函故,当括号内的条件成立时为1。否则为0,这个值越小,说明单调性好。
衰减趋势性适应度函数:
T为自定义的衰减函数,随时间变化衰减:
Ti=m-i (17)
scorecorr越接近1或1,说明时间序列相关性越好。:
根据两种适应度函数的变化特点与取值范围,设计组合适应度函数score:
score=-scoremono*scorecorr (18)
可知,score分数越高,组合出的HI单调性越好且衰退趋势越明显。
设置迭代参数:种群大小S=1000,最大进化代数N=150,交叉概率Pc=0.8,变异概率Pm=0.6,取值范围Bound=[-1,1];
在遗传的每一次进化迭代过程中,重复以下步骤:计算种群中每个个体的适应度值,即趋势性评价值的绝对值;选择操作,使用轮盘赌法选择下一代个体;交叉操作,随机选择两个个体进行基因交换;变异操作,随机选择一个个体进行基因变异;
进化结束后,输出最优解和最优值,即衰减趋势性与单调性最好的系数组合和健康度指数曲线,将健康度指数值量化在[0,1]范围内,用来量化机械设备性能衰退的评估结果,更加直观、有效。
步骤7:将机械设备各关键部件监测点的健康指数进行加权求平均,获得机械设备的综合健康度指数,如图5所示。
Claims (7)
1.一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,使用SAE-SA对机械设备健康状态进行评价;
其具体步骤如下:
步骤1:采集机械设备关键部件的振动信号,特别是机械设备的旋转部件;所述振动信号通过安装在机械设备关键部件处的三向加速度传感器进行采集;
步骤2:从每个三通道振动传感器输出的三个通道信号中选择最能代表对应部件的退化趋势的通道信号作为健康评估的原始信号;
步骤3:对所述的传感器原始信号进行预处理,除去噪声和干扰;
步骤4:对所述信号添加时间窗,提取该时间窗内信号的时域特征、频域特征和时频域特征,所述样本的所有特征组合生成特征数据集,对所述样本特征数据进行标准化处理;
步骤5:将所述的样本特征数据集输入到提前构建好的堆栈自编码器模型SAE中,进行特征融合;
步骤6:通过遗传算法SA,获取最优线性组合系数,对融合特征数据集进行线性组合,获取检测对象的健康度值映射;
步骤7:将机械设备各关键部件监测点的健康指数进行加权求平均,获得机械设备的综合健康度指数。
2.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤2采用的信号筛选方式是分别计算各通道振动信号的峭度值,并选取峭度值最大通道的振动信号。
3.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤3的预处理方式是采用经验模态分解,将原始信号分解成若干本征分量,分别计算原始信号与各本征分量间的相关系数,选取相关度最高的五个分量进行组合,进行信号降噪。
4.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤4用于分割信号的时间窗长度为512,将整段信号划分成m个长度为512的信号片段;对各时间窗信号提取时域特征,频域特征,时频域特征;时域特征包括均方根值,峭度,偏度,最大值,最小值,峰峰值,最大绝对值,绝对平均值,方根幅值,裕度,波形指标,脉冲指标,峰值指标以及能量指标,共14个;频域特征是各个时间窗信号进行傅里叶变换获取频域数据后提取的特征,包括重心频率,均方根频率,标准差频率,频率方差,频谱均方根值,频谱均值,频谱偏度,频谱峰度,能量谱密度,功率谱密度,幅值谱,相位谱,共12个;时频域特征利用三层小波包分解,选用db4小波,获取最后节点的小波重构系数,共8个。
5.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤5所述的特征融合方法是堆栈自编码器,由6个自编码器叠加而成的堆栈自编码器,其隐藏层数分别为28,24,20,16,8,4,后一个自编码器层的输入来自于前一个自编码器层的隐藏层;将具有34维特征的数据变成具有4维融合特征的融合特征向量/> 全部m个样本经特征融合后组成融合特征向量集h=[h1,h2,...,hi,...,hm]T。
6.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤6所述的健康度指数曲线线性组合方法是遗传算法;
使用遗传算法对上述四种融合特征进行线性组合的参数(a1,a2,a3,a4)进行自适应选择,种群中的每一个个体作为一个线性组合参数向量;将组合后的健康度曲线的单调性以及衰减趋势性作为遗传算法的适应度函数;
单调性适应度函数:
scoremono=I(·) (2)
I(·)是指示函故,当括号内的条件成立时为1;否则为0,这个值越小,说明单调性好;
衰减趋势性适应度函数:
T为自定义的衰减函数,随时间变化衰减:
Ti=m-i (4)
scorecorr越接近1或1,说明时间序列相关性越好;:
根据两种适应度函数的变化特点与取值范围,设计组合适应度函数score:
score=-scoremono*scorecorr (5)
可知,score分数越高,组合出的HI单调性越好且衰退趋势越明显;
进化过程的每一代包括以下步骤:
1)设置迭代参数:种群大小S,最大进化代数N,交叉概率Pc,变异概率Pm,取值范围Bound;
2)计算种群中每个个体的适应度值,即趋势性评价值的绝对值;
3)选择操作,使用轮盘赌法选择下一代个体;
4)交叉操作,随机选择两个个体进行基因交换;
5)变异操作,随机选择一个个体进行基因变异;
进化结束后,输出最优解和最优值,即衰减趋势性与单调性最好的系数组合和健康度指数曲线。
7.根据权利要求1所述的一种基于SAE-SA的机械设备健康状态评价方法,其特征在于,其步骤7用于将各关键部件监测点的健康指数结合获取机械设备的综合健康度指数的方法是加权求平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903660.XA CN117056857A (zh) | 2023-07-23 | 2023-07-23 | 一种基于sae-sa的机械设备健康状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903660.XA CN117056857A (zh) | 2023-07-23 | 2023-07-23 | 一种基于sae-sa的机械设备健康状态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117056857A true CN117056857A (zh) | 2023-11-14 |
Family
ID=88656342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903660.XA Pending CN117056857A (zh) | 2023-07-23 | 2023-07-23 | 一种基于sae-sa的机械设备健康状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056857A (zh) |
-
2023
- 2023-07-23 CN CN202310903660.XA patent/CN117056857A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906473B (zh) | 一种旋转设备故障诊断方法 | |
Song et al. | Wind turbine health state monitoring based on a Bayesian data-driven approach | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、***及装置 | |
CN109002847A (zh) | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN111275136B (zh) | 基于小样本下的故障预测***及其预警方法 | |
CN117503057B (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
CN113361205A (zh) | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 | |
CN117458955A (zh) | 电机的运行控制方法及*** | |
Ding et al. | Gear fault diagnosis based on VMD sample entropy and discrete hopfield neural network | |
CN114648076A (zh) | 一种无监督学习的电池生产工艺异常波动检测方法 | |
Tan et al. | Fault diagnosis method for rolling bearing based on VMD and improved SVM optimized by METLBO | |
CN113159139A (zh) | 一种基于改进声发射密度聚类的伤损状态诊断方法 | |
CN117056857A (zh) | 一种基于sae-sa的机械设备健康状态评价方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及*** | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、*** | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及*** | |
CN115994333A (zh) | 基于ar-vmd的变工况轴承故障数据预处理方法 | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及*** | |
CN112240964B (zh) | 一种用于配电网故障类型识别的方法 | |
CN118035923B (zh) | 一种电网录波异常信号识别方法 |
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 |