CN106997476A - 多源无标签数据学习建模的传动系统性能退化评估方法 - Google Patents

Abstract

本发明提供一种多源无标签数据学习建模的传动系统性能退化评估方法。该方法首先将天线传动系统异构信号转化为同构数据，建立同构测试信号与系统退化特征之间的映射关系；然后，建立3层堆叠式深度置信网络拓扑模型，通过对多源无标签信号的编解码重建实现系统退化隐含特征的非监督提取；最后，基于提取的退化隐含特征，计算连续退化特征的局部密度值，并确定无标签条件下系统性能状态的聚类个数，按照距离最大准则进一步计算出各个聚类中心的初始值，利用动态时间弯曲距离计算各个聚类中心的边界，微调聚类中心与聚类边界，完成退化特征向系统性能状态的无标签映射。本发明具有特征提取精度高、状态评估简单有效等特点。

Description

多源无标签数据学习建模的传动系统性能退化评估方法

技术领域

本发明涉及机械设备健康评估领域，具体为一种多源无标签数据学习建模的传动系统性能退化评估方法。

背景技术

近十年来机械设备健康评估技术成为长寿命、高可靠机械设备运营管理的关键技术，相比较于传统的设备运营管理技术，健康评估具有可发现早期的系统性能衰退，能给出设备的运行健康程度，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点。而性能退化评估是进行机械设备健康评估的重要前提，因此关于性能退化评估的研究是机械设备健康评估领域的一个关键课题。

当前性能退化评估的方法主要分两类：基于设备健康状态标签的有监督分类和基于监测数据的无监督聚类。基于设备健康状态标签的有监督分类方法，依赖于先验知识构造退化特征，依赖于健康状态标签进行退化状态分类，对于实际中缺乏早期退化知识和退化状态标签的机械设备难以凑效。基于监测数据的无监督聚类方法，由于降低了对退化先验知识和退化状态标签的依赖，在实际中得到了较多的应用，然而现有聚类方法需要事先指定聚类个数，而聚类个数直接决定退化状态个数，聚类个数的先验确定加剧了性能退化状态评估结果的不确定性。如何在多源异构数据下非监督提取退化特征，在无标签条件下确定合理的确定聚类个数并进行聚类是一个有待解决的问题。

发明内容

针对现有技术中存在的问题，本发明提供一种多源无标签数据学习建模的传动系统性能退化评估方法。该方法既克服了退化特征提取对先验知识的依赖，又解决了传统无标签聚类方法需要事先指定聚类个数的问题，具有计算精度高、计算速度快的特点，可实现天线传动系统性能退化状态的有效评估。

为达到以上目的，本发明采取如下技术方案予以实现：

一种多源无标签数据学习建模的传动系统性能退化评估方法，该方法包括以下步骤：

步骤1：对天线传动系统在不同转速、不同采样频率下的异构测试信号通过动态时间规整转化为同构数据；其中异构测试信号包括振动、电流、温度和转角测试信号；

步骤2：利用稀疏约束下的受限玻尔兹曼机模型建立复杂环境条件下多源无标签同构测试信号与系统退化特征之间的映射关系；

步骤3：根据Encoder-Decoder嵌套结构，利用稀疏受限玻尔兹曼机建立系统退化特征提取的6层堆叠式深度置信网络拓扑模型；

步骤4：采用随机梯度下降方法和多源信号进行深度置信网络拓扑模型参数的自适应学习，通过对多源无标签同构测试信号的编解码重建实现系统退化隐含特征的非监督提取；

步骤5：根据步骤4提取的系统退化隐含特征，计算出高维空间下的连续退化特征局部密度值，并确定无标签条件下系统性能状态的聚类个数；

步骤6：根据步骤5确定的系统性能状态聚类个数，按照距离最大准则进一步计算出各个聚类中心的初始值；

步骤7：根据步骤6确定的系统性能状态聚类个数和聚类中心初始值，利用动态时间弯曲距离计算各个聚类中心的边界，将类内距离最小与类间距离最大作为优化目标，微调聚类中心与聚类边界，完成退化特征向系统性能状态的无标签映射。

步骤2中，所述的深度置信网络拓扑模型选择6个受限玻尔兹曼机单元按照堆叠式结构进行组合，每个受限玻尔兹曼机的输出层按照如下式子进行稀疏化约束：

其中Φ为基函数向量，Φ＝{φ₁(x₁,x₂,x₃,x₄),φ₂(x₁,x₂,x₃,x₄),...φ_n(x₁,x₂,x₃,x₄)}；x₁、x₂、x₃、x₄是振动、电流、温度和转角测试数据；a_i是基向量的系数，随着不同的信号而变化。

步骤2中，所述的深度置信网络拓扑模型选择6个受限玻尔兹曼机单元按照堆叠式结构进行组合，其中第一个受限玻尔兹曼机模型输入层为4个单元输出层为10个单元，第二个模型的输入为10个单元输出为5个单元，第三个模型的输入为5个单元输出为1个单元。

步骤3中，建立的3个稀疏受限玻尔兹曼机按照顺序堆叠的方式建立系统退化特征提取的Encoder模型，利用上述3个稀疏受限玻尔兹曼机按照逆序堆叠的方式建立系统退化特征提取的Decoder模型，组合而成的Encoder-Decoder深度置信网络共5个隐含层，Encoder模型和Decoder模型共享一个隐含层，6个受限玻尔兹曼机的输出层均满足稀疏约束条件。

步骤4中，建立的5层深度置信网络拓扑模型共111个网络参数的自适应学习，采用“4-10-5-1-5-10-4”网络对振动、电流、温度、转角等4个测试信号无标签同构测试信号进行编解码重建，从而实现系统退化隐含特征的非监督提取。

步骤5中，计算出的高维空间下的连续退化特征局部密度值，并确定无标签条件下系统性能状态的聚类个数为8。

步骤7中，类内距离最小与类间距离最大按照下式计算：

其中，x_i、y_i为连续退化特征上任意一点的坐标数据，σ_i为数据的标准差，p为数据点的个数。

本发明与现有获取超声导波频散曲线方法相比，具有以下优点：

本发明由于对单个受限玻尔兹曼机输出层施加了稀疏约束，相比较于传统特征提取方法，本方法特征提取精度更高，计算速度更快；由于采用4个测试信号进行信息融合，采用6个稀疏受限玻尔兹曼机进行堆叠，与传统深度置信网络相比网络参数求解精度高，尤其在多层网络拓扑结构下更高；由于采用局部密度、距离最大准则和动态时间弯曲距离，本方法可自动确定聚类个数、聚类中心、聚类边界，克服了传统方法聚类中心需要事先指定的问题。该方法利用多层堆叠式稀疏受限玻尔兹曼机和数据密度峰值聚类进行数据深度学习建模，可得到多源异构监测数据下的设备性能退化状态，既克服了退化特征提取对先验知识的依赖，又解决了传统无标签聚类方法(如K均值)需要事先指定聚类个数的问题，具有特征提取精度高、状态评估简单有效等特点，为研究机械设备健康评估中性能退化状态的获取提供一种可行的方法。

附图说明

图1为多源无标签数据深度学习建模的天线传动系统性能退化评估方法流程图；

具体实施方式

为了详细说明本发明的具体实施，以4个信号源(振动、电流、温度、转角)、3种采样频率(5kHz、10kHz、20kHz)、无标退化状态签条件下的船载天线传动系统性能退化状态评估为例进行说明。结合附图及实例是对本发明的解释，并不限制本发明的权利保护范围，如图1所示，具体步骤如下：

1)分别对天线传动系统振动、电流、温度、转角4个测试信号，采用动态时间规整方法，将5kHz、10kHz、20kHz三种频率下的异构信号转化为5kHz条件下的振动、电流、温度、转角同构化数据；

2)利用稀疏约束下的受限玻尔兹曼机模型建立复杂环境条件下4源无标签同构数据与系统退化特征之间的映射关系，其中第一个受限玻尔兹曼机模型输入层为4个单元输出层为10个单元，第二个模型的输入为10个单元输出为5个单元，第三个模型的输入为5个单元输出为1个单元；受限玻尔兹曼机模型的输出层稀疏约束满足下式：

式中Φ为基函数向量，Φ＝{φ₁(x₁,x₂,x₃,x₄),φ₂(x₁,x₂,x₃,x₄),...φ_n(x₁,x₂,x₃,x₄)}；x₁、x₂、x₃、x₄是振动、电流、温度和转角测试数据；a_i是基向量的系数。

3)根据Encoder-Decoder嵌套结构，利用2)中建立的3个稀疏受限玻尔兹曼机按照顺序堆叠的方式建立系统退化特征提取的Encoder模型，利用上述3个稀疏受限玻尔兹曼机按照逆序堆叠的方式建立系统退化特征提取的Decoder模型，组合而成的Encoder-Decoder深度置信网络共5个隐含层，Encoder模型和Decoder模型共享一个隐含层。

4)采用随机梯度下降方法和上述5kHz条件下的振动、电流、温度、转角同构化数据进行5层深度置信网络拓扑模型共111个网络参数的自适应学习，采用建立的“4-10-5-1-5-10-4”网络对4源无标签同构测试信号进行编解码重建，从而实现系统退化隐含特征的非监督提取；

5)根据步骤4提取的系统退化隐含特征，计算出高维空间下的连续退化特征局部密度值，并确定无标签条件下系统性能状态的聚类个数为8；

6)根据步骤5确定的系统性能状态聚类个数8，按照距离最大准则进一步计算出上述8个聚类中心的初始值；

7)根据步骤6确定的8个系统性能状态聚类个数和8个聚类中心初始值，利用动态时间弯曲距离计算各个聚类中心的边界，按照下式将类内距离最小与类间距离最大作为优化目标，并微调上述8个聚类中心初值与聚类边界，完成退化特征向系统性能状态的无标签映射。

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 (7)

1.一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，该方法包括以下步骤：

步骤1：对天线传动系统在不同转速、不同采样频率下的异构测试信号通过动态时间规整转化为同构数据；其中异构测试信号包括振动、电流、温度和转角测试信号；

步骤2：利用稀疏约束下的受限玻尔兹曼机模型建立复杂环境条件下多源无标签同构测试信号与系统退化特征之间的映射关系；

步骤3：根据Encoder-Decoder嵌套结构，利用稀疏受限玻尔兹曼机建立系统退化特征提取的6层堆叠式深度置信网络拓扑模型；

步骤4：采用随机梯度下降方法和多源信号进行深度置信网络拓扑模型参数的自适应学习，通过对多源无标签同构测试信号的编解码重建实现系统退化隐含特征的非监督提取；

步骤5：根据步骤4提取的系统退化隐含特征，计算出高维空间下的连续退化特征局部密度值，并确定无标签条件下系统性能状态的聚类个数；

步骤6：根据步骤5确定的系统性能状态聚类个数，按照距离最大准则进一步计算出各个聚类中心的初始值；

步骤7：根据步骤6确定的系统性能状态聚类个数和聚类中心初始值，利用动态时间弯曲距离计算各个聚类中心的边界，将类内距离最小与类间距离最大作为优化目标，微调聚类中心与聚类边界，完成退化特征向系统性能状态的无标签映射。

2.根据权利要求1所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤2中，所述的深度置信网络拓扑模型选择6个受限玻尔兹曼机单元按照堆叠式结构进行组合，每个受限玻尔兹曼机的输出层按照如下式子进行稀疏化约束：

$I(x_1,x_2,x_3,x_4)=\underset{i}{\Σ}{a}_i{\mathrm{\φ}}_i(x_1,x_2,x_3,x_4)$

其中Φ为基函数向量，Φ＝{φ₁(x₁,x₂,x₃,x₄),φ₂(x₁,x₂,x₃,x₄),...φ_n(x₁,x₂,x₃,x₄)}；x₁、x₂、x₃、x₄是振动、电流、温度和转角测试数据；a_i是基向量的系数，随着不同的信号而变化。

3.根据权利要求2所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤2中，所述的深度置信网络拓扑模型选择6个受限玻尔兹曼机单元按照堆叠式结构进行组合，其中第一个受限玻尔兹曼机模型输入层为4个单元输出层为10个单元，第二个模型的输入为10个单元输出为5个单元，第三个模型的输入为5个单元输出为1个单元。

4.根据权利要求2所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤3中，建立的3个稀疏受限玻尔兹曼机按照顺序堆叠的方式建立系统退化特征提取的Encoder模型，利用上述3个稀疏受限玻尔兹曼机按照逆序堆叠的方式建立系统退化特征提取的Decoder模型，组合而成的Encoder-Decoder深度置信网络共5个隐含层，Encoder模型和Decoder模型共享一个隐含层，6个受限玻尔兹曼机的输出层均满足稀疏约束条件。

5.根据权利要求3所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤4中，建立的5层深度置信网络拓扑模型共111个网络参数的自适应学习，采用“4-10-5-1-5-10-4”网络对振动、电流、温度、转角的4个测试信号无标签同构测试信号进行编解码重建，从而实现系统退化隐含特征的非监督提取。

6.根据权利要求1所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤5中，计算出的高维空间下的连续退化特征局部密度值，并确定无标签条件下系统性能状态的聚类个数为8。

7.根据权利要求1所述的一种多源无标签数据学习建模的传动系统性能退化评估方法，其特征在于，步骤7中，类内距离最小与类间距离最大按照下式计算：

其中，x_i、y_i为连续退化特征上任意一点的坐标数据，σ_i为数据的标准差，p为数据点的个数。