CN110060368B - 基于潜在特征编码的机械异常检测方法 - Google Patents

Abstract

本发明公开了一种基于潜在特征编码的机械异常检测方法。本发明一种基于潜在特征编码的机械异常检测方法，包括：数据预处理：对振动信号数据进行预处理，包括傅立叶变换和归一化；正向传播：将预处理完的信号输入第一个全卷积网络，对数据进行编码。本发明的有益效果：本方法针对异常样本缺失问题，利用深度网络的特征挖掘能力，学习正常信号样本的数据分布，通过对信号进行编码‑解码‑再编码，将信号转移到潜在空间中进行数据分布对比。

Description

基于潜在特征编码的机械异常检测方法

技术领域

本发明涉及机械诊断领域，具体涉及一种基于潜在特征编码的机械异常检测方法。

背景技术

旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。为了确保机械装备的健康运行，健康监测系统需要采集海量数据来反映健康状况，促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性和高速率的特点。从机械装备大数据中挖掘信息，高效、准确地识别装备的健康状况，成为机械健康监测领域的难点。

近年来，深度学习理论作为模式识别和机器学习领域最新的研究成果，也开始逐步运用在机械大数据健康监测之中。深度学习通过建立深层模型，直接从信号中自适应地提取故障特征，实现海量数据下故障特征的自适应提取与健康状况的智能诊断。目前在故障智能诊断中运用广泛的几种模型包括卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)等。这些模型以大量的历史数据作为训练输入，并建立与输入相对应的标签来对网络进行训练。通过训练这些智能诊断模型可以对故障类型和故障大小进行分类。但是一个机械装备往往包含多种机械部件，不同部件出现故障，甚至相同部件的不同部位出现故障，在振动信号中表现出的故障特征都可能不相同。而以往的智能故障诊断模型是通过在不同故障状态下的历史数据建立起来的，实际诊断工作中难以获取所有故障状态下的数据样本，有时只能获取机械正常状态下的样本，即存在异常样本缺失问题。这就要求故障智能诊断模型需要通过对机械正常状态下的数据分布进行学习，实现异常状态检测。

为了解决异常样本缺失情况下的故障检测问题，常用的方法依靠信号的时域统计特征指标对新样本进行判断，这些参数有均方根(RMS)，峭度等。当机械旋转部件出现故障时，信号的时域波形振动能量会出现变化，直接表现在信号的时域统计特征指标相较于正常状态下出现明显的变化。因此，基于时域统计特征指标来判断运行状态是一种最常用的机械异常检测方法。在测量过程中通过观察信号时域统计特征指标的变化情况进行异常检测。

传统技术存在以下技术问题：

机械旋转部件在不同的工况下呈现不同的振动特性。由于机械结构复杂，振动信号在实际工况下往往具有较强的背景噪声，呈现非线性和非平稳特性。基于信号时域统计特征指标的检测方法由于识别能力弱，很多情况下不能满足对异常样本及时检测的要求。因此，现有的异常检测方法主要存在的问题有是应用信号时域统计特征指标的检测方法识别能力弱，无法检测早期故障。

发明内容

本发明要解决的技术问题是提供一种基于潜在特征编码的机械异常检测方法，针对信号时域统计特征指标的诊断方法故障识别能力弱的问题，本发明以深度学习网络为基础，通过全卷积网络和生成对抗网络对旋转机械正常信号特征进行识别与学习，然后比较正常信号与故障信号的数据分布，从而实现异常检测。本方法中的生成对抗网络的输入是由全卷积网络降维而来的潜在特征编码，模型采用编码-解码-再编码的网络结构，潜在特征拾取能力强，有助于微弱故障的识别与诊断。

为了解决上述技术问题，本发明提供了一种基于潜在特征编码的机械异常检测方法，包括：

数据预处理：对振动信号数据进行预处理，包括傅立叶变换和归一化；

正向传播：将预处理完的信号输入第一个全卷积网络，对数据进行编码，得到样本信号的潜在特征编码。然后将样本信号的潜在特征编码输入到生成对抗网络中，通过生成对抗网络相互对抗学习，对样本信号的潜在特征编码进行解码，不断接近真实样本信号的数据分布，得到重构信号。最后将重构信号输入到第二个全卷积网络，得到重构信号的潜在特征编码；

反向传播：定义网络损失函数，根据损失函数反向传播，对全卷积网络、生成对抗网络进行迭代优化，最后完成训练；

网络测试：向训练完成的网络模型输入机械当前的信号，计算该信号样本中原始信号的潜在特征编码与其重构信号的潜在特征编码之间的损失；

异常检测：持续观察新测量信号潜在特征编码损失的变化情况，当变化幅度大于第一阈值且持续时间大于第二阈值时，判定机械出现异常。

在其中一个实施例中，“数据预处理：”中，输入的信号是机械在正常工况条件下的振动信号。归一化将信号的特征维度缩放，使所有样本具有相同的数据规模。

在其中一个实施例中，“正向传播：”中，将全卷积网络的输出作为生成网络的输入，从而避免了对信号进行先验分布。

在其中一个实施例中，“正向传播：”中，采用生成对抗网络来学习样本信号的数据分布特征。

在其中一个实施例中，“反向传播：”中，反向传播的优化算法包括随机梯度下降法(SGD)、带动量的随机梯度下降(Momentum)、Nesterov动量法、Adagrad算法或自适应矩估计法(Adam)。

在其中一个实施例中，“网络测试：”中，网络测试的过程中，输入的测量信号是机械正常或者故障情况下的振动信号。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本方法针对异常样本缺失问题，利用深度网络的特征挖掘能力，学习正常信号样本的数据分布，通过对信号进行编码-解码-再编码，将信号转移到潜在空间中进行数据分布对比。由于异常样本的数据分布相对于正常样本会发生变化，因此不再适用于根据正常样本训练的网络，异常样本的潜在特征编码与该异常样本信号经过生成网络得到的重构信号的潜在特征编码会出现差距，根据观察潜在特征编码之间的损失进行异常检测。该技术方法至少具有以下优点：(1)可以在异常样本缺失情况下进行异常检测；(2)对比峭度、RMS等基于信号时域统计特征指标的方法，该方法对早期故障更为敏感。

附图说明

图1为本发明实施例公开的一种基于潜在特征编码的机械异常检测方法的实施流程图。

图2为本发明实施例提供的全寿命轴承振动信号的时域波形拼接图。

图3为采用峭度指标对图2所述信号进行计算后得到的轴承状态变化情况。

图4为采用本发明公开的技术对图2所述信号进行处理后得到的轴承状态变化情况。

图5为轴承第550组的振动信号的包络谱图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

由背景技术可知，现有的基于时域统计特征指标的诊断方法对早期故障识别能力差。对于微弱故障进行异常检测时容易出现误判。

因此，本发明公开了一种基于潜在特征编码的机械异常检测方法。该方法以编码网络为基础，自适应地从信号中提取信息特征。通过学习旋转机械正常状态下振动信号的数据分布，建立诊断模型，当输入故障状态下的振动信号时，模型根据潜在特征编码的变化情况，实现对机械异常的有效检测。

根据上述发明内容和附图1的一种基于潜在特征编码的机械异常检测方法，该技术具体包括：

步骤101：数据预处理。对振动信号进行傅立叶变换，将时域信号转换为频域信号。然后将频域信号的数值归一化到[0,1]范围；

步骤102：正向传播。首先将预处理完的信号输入到第一个全卷积网络，对数据进行编码。然后将特征编码输入到生成对抗网络中进行解码，使得到的重构信号不断接近于真实的样本信号。最后将重构信号输入到第二个全卷积网络，得到重构信号的潜在特征编码；

正向传播一共包含三个网络：(1)第一个全卷积网络，用于对上一步预处理信号进行降维和特征提取，得到样本信号的潜在特征编码；(2)生成对抗网络，包含生成网络和判别网络两种网络结构。生成网络的输入是上一步全卷积网络输出的特征编码，通过生成网络对特征编码进行解码，其目标是使重构信号的数据分布接近真实样本信号。判别网络的输入是步骤101中预处理后得到的真实样本信号和由生成网络还原特征编码得到的重构信号，其目标是通过对两个信号进行鉴别，判断输入的信号是真实的样本信号还是由生成网络输出的重构信号。训练过程中生成对抗网络相互博弈，生成网络不断提高对特征编码的还原能力，以提高重构信号与样本信号的相似度，而对抗网络则不断寻找样本信号与重构信号的差距；(3)第二个全卷积网络，用于将重构信号进行编码，提取重构信号的潜在特征编码。

步骤103：反向传播。定义网络损失函数，根据损失函数反向传播，对网络进行迭代优化，完成训练；

网络优化过程中的损失函数包括：1)重构数据损失。样本信号与重构信号间的损失，代表了样本信号与重构信号的相似度；2)潜在特征编码损失。样本信号潜在特征编码与重构信号潜在特征编码的损失，代表了样本信号的潜在特征编码与重构信号的潜在特征编码之间的相似度；3)判别特征损失。代表了判别网络对信号进行判别时，从信号中提取出的特征的可靠性；4)判别网络损失。代表了判别网络对信号的判别的准确性。根据损失反向传播，对判别和生成网络依次进行优化。网络优化过程中首先固定生成网络和两个全卷积网络，根据判别网络损失，优化判别网络。其次固定判别网络，优化生成网络和两个全卷积网络，将重构数据损失、潜在特征编码损失和特征误差损失相加，进行反向传播，提高生成网络生成信号的准确性，以及全卷积网络的特征提取能力。对网络进行迭代优化后，生成网络生成的重构信号已经接近于真实信号的数据分布，而判别网络也难以判断信号真伪，两者达到平衡，完成网络训练。

步骤104：网络测试。向训练完成的网络模型输入机械当前的测量信号，计算该信号样本中原始信号的潜在特征编码与其重构信号的潜在特征编码之间的损失；

步骤105、异常检测。持续观察新测量信号潜在特征编码损失的变化情况，当变化较大且持续时间较长时，判定机械出现异常。

为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。

以轴承故障检测为例，该轴承型号为ZA-2115，采用电机驱动轴承内圈转动，转速为2000rpm，在轴承座上安装加速度传感器来采集轴承的振动信号，采样频率为20kHz，每间隔10分钟进行一次采集，一次采集1.024s，共20480个数据点。数据从设备开始运转时采集，直至设备发生严重故障后停机并停止采集，一共采集到了980组振动数据，共1003.52s。停机后检测发现轴承发生内圈故障。图2是本发明实施例提供的轴承振动信号的时域波形拼接图。

采用峭度指标对图2所述信号进行分析，结果如图3所示。通过图3可以看出，第700组数据的峭度值出现了明显增加，说明通过峭度指标判断轴承在采集第700组数据时出现故障，在这之前轴承运转正常。

采用本发明公开的技术对图2所述信号进行处理。利用轴承运转早期数据对网络进行训练，即取前200组振动数据，每组数据取5000个数据点进行傅立叶变化，随后进行归一化，得到200组、每组长度为2500个数据点的频域数据。

接下来对信号进行正向传播。步骤如下：

(1)全卷积网络对样本信号编码。将预处理后的信号输入第一个全卷积网络。本案例中采用的全卷积网络共包含四层，每层分别采用16，32，64和100个卷积核，每个卷积核大小均为51，卷积层之间的连接批归一化层和LeakyRe l u激活函数层，最后得到100层长度为2350的潜在特征编码。该步骤对信号进行降维，提取到样本信号的潜在特征编码。

(2)生成对抗网络学习样本数据分布。将全卷积网络输出的样本信号潜在特征编码输入生成对抗网络。生成对抗网络中的生成网络采用四层反卷积层，每层维度分别是64，32，16和1，反卷积核大小均为51，每层反卷积之间连接批归一化层和LeakyRelu激活函数层，最后输出层采用Tanh激活函数。经过生成网络后得到重构信号，此时生成网络输出的信号大小和样本信号大小一致。判别网络有两种输入，一是步骤101中预处理后的样本信号，二是由生成网络输出的重构信号。判别网络的网络结构共有四层卷积层，每层分别采用16，32，64和100个卷积核，每个卷积核大小均为51，卷积层之间的连接批归一化和LeakyRelu激活函数。判别网络用以提取输入信号的特征，然后采用Softmax层对提取的特征进行分类，用来判断信号的来源，即判断输入信号是真实的样本信号还是由生成网络生成的重构信号。

(3)全卷积网络对重构信号编码。将生成网络生成的重构信号输入到第二个全卷积网络中，该全卷积网络和第一个全卷积网络结构相同。最后输出重构信号的潜在特征编码。

正向传播之后，需要为网络计算误差，并根据误差进行反向传播以优化网络。网络优化过程中，先对判别网络进行优化。判别网络给出信号的可信度，即判断输入信号是真实的样本信号还是由生成网络生成的重构信号，再与信号来源计算交叉熵损失(CrossEntropy)，通过适应性矩估计算法(Adam)对损失进行反向传播，优化判别网络。随后固定判别网络，优化两个全卷积网络和生成网络。该步骤一共计算三部分损失：(1)重构数据损失，真实的样本信号与重构信号间的L1损失；(2)潜在特征编码损失：真实的样本信号潜在特征编码与重构信号潜在特征编码的L1损失；(3)特征误差损失，判别网络提取的重构信号特征和真实的样本信号特征之间的L2损失。通过对这三部分损失相加，采用适应性矩估计算法(Adam)对损失进行反向传播。

重复执行正向与反向传播，迭代2000次后生成网络损失与判别网络损失趋于平衡，结束网络训练。随后将全部980组信号依次输入到已经训练完成的网络中，并进行窗长为5的滑动平均运算。最后将样本信号的潜在特征编码与其自身重构信号的潜在特征编码的L1绘制成折线图。图5给出了处理结果。可以看出，在第550组左右数据处，损失值开始出现波动，并逐渐变大，说明轴承在采集第550组数据时发生了故障。该方法得出的异常起始点比根据峭度值得出的异常起始点要早。

为了证明轴承在采集第550组数据时确实发生了故障，单独提取第550组数据进行包络谱分析，包络谱如图5所示。从图中可以看出，频率230Hz处出现峰值，该频率与轴承内圈故障特征频率相同，可以认定此时轴承的内圈出现故障。因此，利用本发明公开的技术相较于信号时域统计特征指标识别方法，能更早地识别出信号样本中的异常成分。

综上所述，通过机械正常状态信号建立异常检测模型，然后向模型输入新样本信号，分别提取原信号的潜在特征编码及其重构信号的潜在特征编码，最后比较样本原信号和重构信号潜在特征编码之间的差距，可以判断机械健康状态，从而及时有效检测出机械异常。该方法克服了时域统计指标诊断方法中故障识别能力弱的问题，可以在缺失故障样本的情况下及时检测出机械异常，在机械智能诊断方面具有重要的实际应用价值。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (5)

1.一种基于潜在特征编码的机械异常检测方法，其特征在于，包括：

数据预处理：对振动信号数据进行预处理，包括傅立叶变换和归一化；

正向传播：将预处理完的信号输入第一个全卷积网络，对数据进行编码，得到样本信号的潜在特征编码，然后将样本信号的潜在特征编码输入到生成对抗网络中，通过生成对抗网络相互对抗学习，对样本信号的潜在特征编码进行解码，不断接近真实样本信号的数据分布，得到重构信号，最后将重构信号输入到第二个全卷积网络，得到重构信号的潜在特征编码；

反向传播：定义网络损失函数，根据损失函数反向传播，对全卷积网络、生成对抗网络进行迭代优化，最后完成训练；

网络测试：向训练完成的网络模型输入机械当前的信号，计算该信号样本中原始信号的潜在特征编码与其重构信号的潜在特征编码之间的损失；

异常检测：持续观察新测量信号潜在特征编码损失的变化情况，当变化幅度大于第一阈值且持续时间大于第二阈值时，判定机械出现异常；

其中，“正向传播：”中，采用生成对抗网络来学习样本信号的数据分布特征；

其中，“数据预处理：”中，输入的信号是机械在正常工况条件下的振动信号；

其中，“正向传播：”中，将全卷积网络的输出作为生成网络的输入；

其中，“网络测试：”中，网络测试的过程中，输入的测量信号是机械正常或者故障情况下的振动信号；

其中，网络优化过程中的损失函数包括：1)重构数据损失，样本信号与重构信号间的损失，代表了样本信号与重构信号的相似度；2)潜在特征编码损失，样本信号潜在特征编码与重构信号潜在特征编码的损失，代表了样本信号的潜在特征编码与重构信号的潜在特征编码之间的相似度；3)判别特征损失，代表了判别网络对信号进行判别时，从信号中提取出的特征的可靠性；4)判别网络损失，代表了判别网络对信号的判别的准确性，根据损失反向传播，对判别和生成网络依次进行优化；

网络优化过程中首先固定生成网络和两个全卷积网络，根据判别网络损失，优化判别网络，其次固定判别网络，优化生成网络和两个全卷积网络，将重构数据损失、潜在特征编码损失和特征误差损失相加，进行反向传播，提高生成网络生成信号的准确性，以及全卷积网络的特征提取能力。

2.如权利要求1所述的基于潜在特征编码的机械异常检测方法，其特征在于，“反向传播：”中，反向传播的优化算法包括随机梯度下降法、带动量的随机梯度下降、Nesterov动量法、Adagrad算法或自适应矩估计法。

3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1到2任一项所述方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到2任一项所述方法的步骤。

5.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到2任一项所述的方法。

Images