CN110569623A - 一种细纱机电机使用寿命预测方法 - Google Patents

Abstract

本发明公开了一种细纱机电机多阶段使用寿命预测方法。首先，利用神经网络理论中的自编码器对表征细纱机电机退化的多维参数进行了融合，构建出细纱机电机的退化指示量；然后，利用CUSUM控制算法对细纱机电机退化指示量进行断点分析，提取出细纱机电机退化过程的断点阈值；最后，构建了基于维纳过程的多阶段退化模型，从而实现了对细纱机电机使用寿命的预测。本发明实现了对细纱机电机多维状态表征参数的融合以及细纱机电机退化过程分段阈值的提取，同时为细纱机电机使用寿命的预测提供了新方法。

Description

一种细纱机电机使用寿命预测方法

技术领域

本发明涉及纺织设备领域，具体涉及一种细纱机电机多阶段使用寿命预测方法。

背景技术

目前，细纱机电机作为纺纱过程中的一个关键大型设备，其性能好坏直接决定着纱线、织物的质量，甚至纺织品的品质。由于整个纺纱过程处于高温、高湿、强电的工作环境之中，使得细纱机电机易受温度、湿度和电磁的影响，再加之细纱机电机运行过程中自身的磨损、震动和疲劳等客观因素，从而造成细纱机电机性能退化和失效，进而引发高频率的断纱，严重影响纺纱、织物的品质。为此，对于细纱机电机的使用寿命预测研究，成为纺纱行业实现智能制造的关键。

通过文献回顾发现国内外学者关于设备使用寿命预测这一主题的研究主要集中在退化模型的建立、模型的多阶段性与多源数据融合等方面。主要解决了基于多源数据融合的多阶段维纳退化模型的建立。但学者们在研究中多采用线性融合方法，未能充分考虑监测参数间的非线性关系，且在对多阶段退化模型的研究中，学者们都假设设备不同阶段的分段阈值是由工程师们凭借自身经验来指定或由设备的退化曲线观察而来的，针对设备的退化过程究竟是在何处发生趋势变化缺少理论研究。

近年来，随着计算机计算能力的提高，深度学习得到越来越多的关注。其中，神经网络理论中的降噪自编码(Denoising AutoEncoder, DAE)由于其优秀的自学习能力在可靠性领域内得到了广泛的研究和使用。为后续的研究提供了理论基础。

发明内容

本发明的目的是提供一种细纱机使用寿命预测方法，实现了细纱机电机多维运行数据的融合，以及退化指示量的建立，进而建立了细纱机电机多阶段退化模型，同时实现了细纱机电机使用寿命的预测。

本发明采用的技术方案是：一种细纱机使用寿命预测方法，包括以下步骤：

S1，选取表征细纱机电机退化的状态监测参数，利用参数与时间的Spearman相关系数来评估参数表征设备退化过程的程度：

（1）

其中，为时间的序列，代表第个细纱机电机状态参数的序列；为时间序列的长度；和分别为序列和的均值；代表第个细纱机电机状态参数的序列与时间序列的相关系数；若与的相关性越强则越接近1；反之越接近0；当时认为该参数与时间的相关性足够大，则能表征细纱机电机的退化过程；

设共有个状态参数与时间的相关性大于0.5，将这个细纱机电机状态表征参数记为，其中，为采集的每个参数的数据个数；代表矩阵的转置；

S2，利用自编码器对选取出的细纱机电机多维退化表征参数进行融合，以构建细纱机电机的退化指示量；

S3，利用CUSUM算法提取细纱机电机退化断点阈值，融合得到的细纱机电机退化指示量为，得出共有条数据；

S4，细纱机电机使用寿命的预测；假设设备的退化过程共有个阶段，且第阶段共有个退化指示量，由此，第阶段的维纳退化过程表示为：

（6）

其中为第阶段的开始时刻，为第阶段的结束时刻，代表第阶段的初始退化量，代表第阶段的退化阈值；推导出第阶段的退化指示量的概率密度函数表示为：

（7）

其中，代表设备在第阶段的时刻的退化量，令为设备退化指示量从初始时刻到第阶段的阈值所经历的时间，则：

（8）

式（8）能改写成：

（9）

设备在第阶段寿命表示为：

（10）

所以，若令，，得第阶段设备的寿命分布密度函数为：

（11）

由以上可得设备的全寿命表示为：

（12）

当时刻设备的退化量时，该时刻的剩余寿命表示为：

（13）

S5，利用历史数据对模型中的未知参数进行估计；利用极大似然估计法进行参数估计，利用式（7）建立极大似然函数为：

（14）

其中，为第阶段中的第个退化指示量值，为第阶段的阈值，若，则；对式（14）取对数得到对数似然函数为：

（15）

利用（15）对求偏导，并令其为0，得到第阶段的极大似然估计值分别为：

（16）

（17）

（18）

（19）。

进一步地，所述步骤S2具体为：

S21，降噪：选择为原始数据添加特定分布噪声的方法进行降噪处理；

（2）

其中，代表为原始数据添加噪声数据后的数据，为特定的噪声分布；

S22，编码：利用神经网络理论对加噪后的数据进行编码处理；

（3）

其中，为编码后的数据，为激活函数，激活函数的形式根据需要进行选择，包括sigmoid、RELU以及softmax函数；和分别为编码过程中的网络权值和网络偏置；

S23，解码：将编码后的数据重新编码为：

（4）

其中，同样为激活函数，其与相同或不同，和分别为解码过程中的网络权值和网络偏置，且；为第三层即输出层的输出，也是重构后的；

S24，训练：重构后的与并不相同，两者的误差定义为误差函数为；

（5）

利用反向传播算法进行网络权值和偏置的训练和学习，当误差函数收敛且达到最小时，即认为是输入的有效表达；

得到细纱机电机退化指示量为。

更进一步地，所述步骤S3具体为：

S31，利用计算出整段数据流的期望，其中，代表第时刻的退化指示量，且；

S32，令，进而推算出，由此计算出累计和；

S33，观察到的增减性变化情况，增减性发生变化的点即为退化过程发生变化的时间，从而得到断点阈值。

本发明的优点：

本发明的细纱机电机多阶段使用寿命预测方法，包括基于非线性数据融合的细纱机电机退化指示量建立方法，以及基于CUSUM算法的细纱机电机退化分段断点阈值提取方法；进而构建了多阶段维纳退化模型，并实现了对细纱机电机使用寿命的预测。解决了因细纱机电机监测数据维数高且非线性而导致的使用寿命难以预测的问题。

这种基于非线性数据融合和多阶段退化的细纱机电机使用寿命预测方法的应用，对于纺织厂更好的制定细纱机使用计划，合理的规避系统故障和风险具有重要意义。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例的流程图；

图2为本发明实施例的降噪自编码网络模型图；

图3为本发明实施例的基于降噪自编码的细纱机电机退化表征参数融合图；

图4为本发明实施例的自编码网络训练误差曲线图；

图5为本发明实施例的提取的30台电机分段阈值；

图6为本发明实施例的电机退化曲线图，其中的两条曲线分别为分段点和失效点；

图7为本发明实施例的第一阶段寿命密度函数；

图8为本发明实施例的第二阶段寿命密度函数。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参考图1至图8，如图1至图8所示，一种细纱机使用寿命预测方法，包括以下步骤：

S1，选取可以表征细纱机电机退化的状态监测参数，利用参数与时间的Spearman相关系数来评估参数表征设备退化过程的程度：

（1）

其中，为时间的序列，代表第个细纱机电机状态参数的序列；为时间序列的长度；和分别为序列和的均值；代表第个细纱机电机状态参数的序列与时间序列的相关系数；若与的相关性越强则越接近1；反之越接近0；当时认为该参数与时间的相关性足够大，则能表征细纱机电机的退化过程；

设共有个状态参数与时间的相关性大于0.5，将这个细纱机电机状态表征参数记为，其中，为采集的每个参数的数据个数；代表矩阵的转置；

S2，利用自编码器对选取出的细纱机电机多维退化表征参数进行融合，以构建细纱机电机的退化指示量；

S3，利用CUSUM算法提取细纱机电机退化断点阈值，融合得到的细纱机电机退化指示量为，得出共有条数据；

S4，细纱机电机使用寿命的预测；假设设备的退化过程共有个阶段，且第阶段共有个退化指示量，由此，第阶段的维纳退化过程表示为：

（6）

其中为第阶段的开始时刻，为第阶段的结束时刻，代表第阶段的初始退化量，代表第阶段的退化阈值；推导出第阶段的退化指示量的概率密度函数表示为：

（7）

其中，代表设备在第阶段的时刻的退化量，令为设备退化指示量从初始时刻到第阶段的阈值所经历的时间，则：

（8）

式（8）能改写成：

（9）

设备在第阶段寿命表示为：

（10）

所以，若令，，得第阶段设备的寿命分布密度函数为：

（11）

由以上可得设备的全寿命表示为：

（12）

当时刻设备的退化量时，该时刻的剩余寿命表示为：

（13）

S5，利用历史数据对模型中的未知参数进行估计；利用极大似然估计法(MaximumLikelihood Estimate, MLE)进行参数估计，利用式（7）建立极大似然函数为：

（14）

其中，为第阶段中的第个退化指示量值，为第阶段的阈值，若，则；对式（14）取对数得到对数似然函数为：

（15）

利用（15）对求偏导，并令其为0，得到第阶段的极大似然估计值分别为：

（16）

（17）

（18）

（19）。

所述步骤S2具体为：

S21，降噪：选择为原始数据添加特定分布噪声的方法进行降噪处理；

（2）

其中，代表为原始数据添加噪声数据后的数据，为特定的噪声分布；

S22，编码：利用神经网络理论对加噪后的数据进行编码处理；

（3）

其中，为编码后的数据，为激活函数，激活函数的形式根据需要进行选择，包括sigmoid、RELU以及softmax函数；和分别为编码过程中的网络权值和网络偏置；

S23，解码：将编码后的数据重新编码为：

（4）

其中，同样为激活函数，其与相同或不同，和分别为解码过程中的网络权值和网络偏置，且；为第三层即输出层的输出，也是重构后的；

S24，训练：重构后的与并不相同，两者的误差定义为误差函数为；

（5）

利用反向传播算法进行网络权值和偏置的训练和学习，当误差函数收敛且达到最小时，即认为是输入的有效表达；

得到细纱机电机退化指示量为。

所述步骤S3具体为：

S31，利用计算出整段数据流的期望，其中，代表第时刻的退化指示量，且；

S32，令，进而推算出，由此计算出累计和；

S33，观察到的增减性变化情况，增减性发生变化的点即为退化过程发生变化的时间，从而得到断点阈值。

可以看出反应的并不是退化指示量之间的和，而是每个值与全体数据均值差距的和。如果，则每一次加和都会使线性增大，即单调递增，反之亦然。所以如果单调性在某点突然发生变化则代表数据均值的突然改变。基于此，并结合维纳退化过程理论，可以认为在整个退化过程中均值发生变化的点即为不同退化阶段的分段点，改点对应的退化值即为退化指示量退化分段断点阈值。

实施例

S1、采集30台细纱机电机的3路电压、3路电流、1路电阻、1路转矩、1路转速、8路振动和4路温度等21个参数的实时数据，从该细纱机刚开始使用到第一次出现故障共采集了192条数据。

S2、首先利用式（1）计算这21个参数与时间的Spearman相关系数，选取其中且与时间成正比的8个参数进行模型构建（表1）。

表1 参数相关系数

然后，在进行DAE建立与训练之前，因为不同参数间数量级相差过大，故首先需对数据进行标准化处理。

S3、建立DAE网络模型并利用逐层贪婪算法经过多次实验，最终确定网络模型为：网络一共有7层，其中第1和第7层为输入层和输出层，都为8个结点；第2~6层为隐藏层，节点数分别为7，4，1，4，7（图3），不同层之间都使用Sigmoid函数作为激活函数。

对训练集训练完成后得到的误差函数如图4所示，可知误差函数收敛，且在第900次循环时已达到最小。利用训练好的权值和偏置对测试集进行测试得到的平均误差为0.0167，证明权值和偏置训练完成且成功。

S4、利用CUSUM算法对融合完成的30台细纱机电机退化指示量进行断点分析。结果发现，细纱机电机的退化可以分为两个阶段（图4）：第一阶段，退化指示量的值与全体数据均值的差距的加和不断减小，退化速率较快。第二阶段，退化指示量的值与全体数据均值的差距的加和不断增大，退化速率变缓。

为得到航空发动机退化过程中的分段阈值，提取测试集中的30台发动机在分段点的退化值如图5所示，分段退化阈值集中于0.9769至0.9779之间。因此，结合电机的退化特征，取平均值0.9774作为该细纱机电机的退化分段阈值，即当退化指示量小于0.9774时，电机处于快速退化阶段；当退化指示量大于0.9774时，电机退化速率减缓，进入慢速退化阶段，直到失效。

S5、提取降噪自编码网络最里层节点的值即为细纱机电机的退化指示量，对其进行平滑处理后得到图6所示曲线，其中两条虚线分别代表分段阈值和失效阈值。

S6、基于构建的退化指示量，建立基于维纳过程的细纱机电机多阶段退化模型，并对模型参数估计（表2）。

表2 模型参数估计

S7、基于此，以30台电机中的一台为例，进行使用寿命的估计，结果如图6、7所示。

本发明的细纱机电机多阶段使用寿命预测方法，包括基于非线性数据融合的细纱机电机退化指示量建立方法，以及基于CUSUM算法的细纱机电机退化分段断点阈值提取方法；进而构建了多阶段维纳退化模型，并实现了对细纱机电机使用寿命的预测。解决了因细纱机电机监测数据维数高且非线性而导致的使用寿命难以预测的问题。

这种基于非线性数据融合和多阶段退化的细纱机电机使用寿命预测方法的应用，对于纺织厂更好的制定细纱机使用计划，合理的规避系统故障和风险具有重要意义。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种细纱机使用寿命预测方法，其特征在于，包括以下步骤：

S1，选取表征细纱机电机退化的状态监测参数，利用参数与时间的Spearman相关系数来评估参数表征设备退化过程的程度：

（1）

其中，为时间的序列，代表第个细纱机电机状态参数的序列；为时间序列的长度；和分别为序列和的均值；代表第个细纱机电机状态参数的序列与时间序列的相关系数；若与的相关性越强则越接近1；反之越接近0；当时认为该参数与时间的相关性足够大，则能表征细纱机电机的退化过程；

设共有个状态参数与时间的相关性大于0.5，将这个细纱机电机状态表征参数记为，其中，为采集的每个参数的数据个数；代表矩阵的转置；

S2，利用自编码器对选取出的细纱机电机多维退化表征参数进行融合，以构建细纱机电机的退化指示量；

S3，利用CUSUM算法提取细纱机电机退化断点阈值，融合得到的细纱机电机退化指示量为，得出共有条数据；

S4，细纱机电机使用寿命的预测；假设设备的退化过程共有个阶段，且第阶段共有个退化指示量，由此，第阶段的维纳退化过程表示为：

（6）

其中为第阶段的开始时刻，为第阶段的结束时刻，代表第阶段的初始退化量，代表第阶段的退化阈值；推导出第阶段的退化指示量的概率密度函数表示为：

（7）

其中，代表设备在第阶段的时刻的退化量，令为设备退化指示量从初始时刻到第阶段的阈值所经历的时间，则：

（8）

式（8）能改写成：

（9）

设备在第阶段寿命表示为：

（10）

所以，若令，，得第阶段设备的寿命分布密度函数为：

（11）

由以上可得设备的全寿命表示为：

（12）

当时刻设备的退化量时，该时刻的剩余寿命表示为：

（13）

S5，利用历史数据对模型中的未知参数进行估计；利用极大似然估计法进行参数估计，利用式（7）建立极大似然函数为：

（14）

其中，为第阶段中的第个退化指示量值，为第阶段的阈值，若，则；对式（14）取对数得到对数似然函数为：

（15）

利用（15）对求偏导，并令其为0，得到第阶段的极大似然估计值分别为：

（16）

（17）

（18）

（19）。

2.根据权利要求1所述的细纱机使用寿命预测方法，其特征在于，所

述步骤S2具体为：

S21，降噪：选择为原始数据添加特定分布噪声的方法进行降噪处理；

（2）

其中，代表为原始数据添加噪声数据后的数据，为特定的噪声分布；

S22，编码：利用神经网络理论对加噪后的数据进行编码处理；

（3）

其中，为编码后的数据，为激活函数，激活函数的形式根据需要进行选择，包括sigmoid、RELU以及softmax函数；和分别为编码过程中的网络权值和网络偏置；

S23，解码：将编码后的数据重新编码为：

（4）

其中，同样为激活函数，其与相同或不同，和分别为解码过程中的网络权值和网络偏置，且；为第三层即输出层的输出，也是重构后的；

S24，训练：重构后的与并不相同，两者的误差定义为误差函数为；

（5）

利用反向传播算法进行网络权值和偏置的训练和学习，当误差函数收敛且达到最小时，即认为是输入的有效表达；

得到细纱机电机退化指示量为。

3.根据权利要求1所述的细纱机使用寿命预测方法，其特征在于，所

述步骤S3具体为：

S31，利用计算出整段数据流的期望，其中，代表第时刻的退化指示量，且；

S32，令，进而推算出，由此计算出累计和；

S33，观察到的增减性变化情况，增减性发生变化的点即为退化过程发生变化的时间，从而得到断点阈值。