CN110954312B - 一种基于无键相整周期信号的往复机械故障诊断方法 - Google Patents

Abstract

本发明涉及了一种基于无键相整周期信号的往复机械故障诊断方法，包括以下步骤：1)建立整周期振动信号图像库；2)训练图像识别模型；3)利用无键相采集获取整周期数据；4)构建自动提取特征模型；5)以自编码隐含层特征为输入，支持向量机为分类器输出诊断结果。本发明研究创新与特点在于通过使用深度级联卷积神经网络实现无键相整周期数据获取目标，弥补了传统智能故障诊断方法中必须以键相信号作为参考的缺陷，避免了由于安装空间不足导致无法进行实时诊断的问题，同时在特征提取方面采用了自编码神经网络进行自动特征提取，无需人为地选择特征，降低了人工成本，尤其适用于多数的以中高速往复机械为动力的复杂诊断系统。

Description

一种基于无键相整周期信号的往复机械故障诊断方法

技术领域

本发明属于车辆、舰船及核电站应急发电机组用往复机械设备故障诊断技术领域，尤其涉及了一种基于无键相整周期信号的往复机械故障诊断方法，可在键相和转速传感器无法安装情况下用于往复机械气门间隙异常故障的诊断。

背景技术

往复机械是车辆、舰船及核电站应急发电机组的核心动力装置，其安全可靠运行对任务的实施与完成具有不可替代的地位和作用。为防止装备产生故障及降低故障造成影响，替代定时及事后维修需人类专家进入现场凭经验诊断分析的传统方法，目前国内外学者和企业已经研发了大量的往复机械运行状态的实时监测与维修保障技术，但由于传统智能诊断方法过分依赖键相信号和转速信号，现有监测方式和诊断方法仍然不能满足往复机械结构复杂及日益增长的诊断需求。往复机械缸盖振动信号富含了内部关键运动部件信息，因此，充分发掘振动信号内在信息，降低或摆脱键相和转速信号限制，研发一种无键相提取完整周期信号的故障诊断方法对往复机械气门间隙等典型故障的诊断具有十分重要的意义。

目前在整周期信号采集领域，主要应用的有两种方法，一种是基于键相信号的，比如基于微型传感器的角域振动信号获取装置和方法、过零法键相周期检测、重心法键相周期检测、应用微分和样条插值的转子振动信号同步整周期重采样方法等，基于键相信号的方法普遍存在“跑相位”的问题。对于一些不便于安装键相传感器的设备，则采用无键相获取信号的方式，比如无键相时域同步平均方法。无键相获取周期信号的方式简单方便，同时由于减少了键相测取装置的安装，可以大大节省成本，因此，无键相的方式也越来越受到人们的关注。然而现有的方法中，无论是有键相参考或是无键相的周期信号获取方法，大多需要附属设备，而且操作复杂、成本高昂且受负载影响大。

发明内容

为了解决不依赖键相信号或附属设备操作复杂成本高等问题，本发明提供一种无需任何外部附属设备、方法简单、诊断准确率较高的基于无键相整周期信号的往复机械故障诊断方法。本发明目的在于针对键相传感器价格昂贵、在某些设备安装困难等问题，提供一种通过挖掘振动信号自身内部有效信息来获取整周期信号截取方法；利用自编码器进行自动特征提取，无需人工干扰且特征具有很强的鲁棒性，然后利用支持向量机进行分类识别，可实现对往复机械气门间隙等典型故障的诊断。

针对上述问题，本发明设计的一种技术方案是：基于无键相整周期信号的往复机械故障诊断方法，方案步骤如下所示：

第一步，利用往复机械在线监测系统，有键相采集某一缸盖测点正常状态下和故障状态下单个周期的振动加速度数据各m组，组成正常数据集N_m和故障数据集A_m；利用z-score方法对两个数据集中的各组数据进行标准化处理，得到处理后的正常数据集N′_m和故障数据集A′_m；将正常数据集N′_m中的m组数据分别生成h1×h2大小的图像，组成正常数据图像集P_m；

第二步，根据往复机械的键相信息定位进气冲程、压缩冲程、做功冲程和排气冲程冲击位置，然后按照进气冲程、压缩冲程、做功冲程和排气冲程的顺序，对正常数据图像集P_m中的每张图像进行均分，均分后的每张子图像大小为

对子图像进行标记，形成进气冲程图像集J＝{j₁,j₂,j₃，…，j_m}，压缩冲程图像集C＝{c₁,c₂,c₃，…，c_m}，做功冲程图像集F＝{f₁,f₂,f₃，…，f_m}，排气冲程图像集E＝{e₁,e₂,e₃，…，e_m}，将四个冲程图像集分别划分为训练集和测试集，得到训练图像集Train_C＝{J_train,C_train,F_train,E_train}，测试图像集Test_C＝{J_test,C_test,F_test,E_test}；

第三步，构建并训练二分类联合卷积神经网络Net；

3.1Net网络的分类类别以0和1表示，0表示输入数据不是整周期数据，1表示输入数据是整周期数据，Net由进气冲程卷积神经网络CNN_J、压缩冲程卷积神经网络CNN_C、做功冲程卷积神经网络CNN_F、排气冲程卷积神经网络CNN_E组成，采用均值交差熵损失函数，均值交叉熵损失函数M_loss具体公式如下：

L^j(q_i)＝-[y_i·log₂(q_i)+(1-y_i)·log₂(1-q_i)]

式中，q_i∈[0,1]表示第i个类别所对应的一维向量预测值，L^j(q_i)表示对于类别i的交叉熵损失函数，k表示卷积神经网络数量，y_i表示第i个类别的真实值，j表示第j个卷积神经网络；

3.2四个卷积神经网络的网络结构设置相同，四个卷积神经网络均由输入层，卷积层1，池化层1，卷积层2，池化层2，全连接层1，全连接层2组成，其中输入层的输入图像为

的灰度图，卷积层1、池化层1、卷积层2，池化层2的每一层的输出结果均采用批标准化处理，全连接层1、全连接层2的输出结果利用L2正则化方法进行处理；

3.3将CNN_J、CNN_C、CNN_F、CNN_E输出的预测概率值分别记为g_J,g_C,g_F,g_E，利用概率均值g作为二分类联合卷积神经网络Net的预测概率值，概率均值计算公式如下：

将训练图像集Train_C＝{J_train,C_train,F_train,E_train}输入到构建好的Net网络模型中进行训练；利用测试集Test_C＝{J_test,C_test,F_test,E_test}对训练出的网络模型进行测试，得到最终的二分类联合卷积神经网络模型，记为T_Net，测试准确率计算公式如下：

式中，Corr为识别正确的数量；Test_m为测试数据总数；

第四步，利用无键相采集方法获取往复机械整周期的数据；

4.1选择往复机械某一缸盖测点，无键相连续采集两个周期以上的正常振动加速度数据S_n＝{s₁,s₂,s₃，…，s_n}，和故障振动加速度数据Ab_S_n′＝{ab_s₁,ab_s₂,ab_s₃，…，ab_s_n′}，n、n′为采样点数；

4.2根据监测系统采样频率F_s和机组工作转速范围[R_min,R_max]，由以下公式确定一个完整周期的采样点数范围[W_min,W_max]：

根据[W_min,W_max]，设置系列窗口长度W_v＝{W_min,W_min+d,W_min+2d，…，W_min+αd},α＝0，1,2,…共α+1个窗口长度，其中，d为长度变化梯度，W_min+αd≤W_max且10＜d≤W_min；

4.3利用W_min窗口以步长Step在数据S_n上进行滑动截取，窗口的截取结果记为S_n1，窗口遍历完数据S_n后得到截取数据集Cut1＝{S_n11,S_n12,…}，利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′，将Cut1′中的每组数据分别生成h1×h2大小的图，将生成的每张图像分别按照从左至右的顺序进行均分，每张子图像大小为

每张图像的均分结果记为S_{n1_P}＝{img1,img2,img3,img4}；依次计算每个窗口的图像集，得到的图像集分别记为Cut1_P＝{S_{n11_P},S_{n12_p},…},Cut2_P＝{S_{n21_p},S_{n22_p},…}，…，Cut(α+1)_P＝{S_{n(α+1)1_p},S_{n(α+1)2_p},…}

4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类，如选取图像中含有整周期图像，则继续对剩余的图像进行分类，T_Net分类得到的整周期图像对应的数据点即为整周期数据，记为zq_i′；如选择的图像中不包含整周期图像，则停止对Cut1_P中剩余图像的分类，并更换下一窗口；初分类的图像数量由以下公式计算：

式中，Win为W_v中的窗口；

4.5按照步骤4.4的方法对所有窗口得到的图像集进行处理，最终得到无键相截取的正常整周期数据集T_zq＝{zq₁,zq₂,zq₃，…，zq_i′},i′＝1,2,3,…；

利用步骤4.2～4.5对故障数据Ab_S_n′进行截取，截取周期记为ab_zq_i′，最终得到无键相截取的故障整周期数据集Ab_zq＝{ab_zq₁,ab_zq₂,ab_zq₃,…，ab_zq_i′,}；

第五步，构建自动提取特征模型：构建自编码神经网络模型，将有键相采集的缸盖振动加速度正常数据N_m和故障数据A_m划分为训练集Train和测试集Test，并分别添加“正常”和“故障”标签，自编码器神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成；利用训练集Train对初始自编码神经网络模型进行训练，测试集Test对模型进行测试，得到自编码神经网络特征提取模型；

第六步，将第四步中得到的整周期数据集T_zq和Ab_zq，添加“正常”和“故障”标签后分别按照相同比例划分，组成训练集和测试集，将训练集输入到第五步得到的自编码神经网络模型，将自编码器得到的中间隐含层特征作为支持向量机模型的输入，训练二分类支持向量机模型，输出“1”即为正常，输出“0”即为故障，利用训练出的二分类支持向量机模型对往复机械的正常和异常整周期信号进行分类。

与传统故障诊断技术对比，本发明的效益主要具体体现在：

1、本发明根据往复机械不同冲程的缸盖振动信号内在冲击关联特征，探索了一条在没有键相装备采集键相信号帮助下即可实现无键相整周期信号获取的新途径，提出自适应截止窗口策略可实现单工况或变工况的多尺度准周期图像生成，并结合当前先进的深度学习-卷积神经网络技术与往复机械工作特性相融合，提出一种新型的深度级联卷积神经网络模型用于整周期振动图像的识别。

2、本发明提出的基于无键相整周期信号的往复机械故障诊断方法能够在摆脱键相设备获取整周期振动信号的监测方法同时，能够利用有键相采集的整周期振动信号训练出深度自编码神经网络模型，利用该模型可挖掘隐藏在振动信号内部的本征特征，而无需人为干扰参与特征设计或特征选择，自动提出更稳定、更抽象和更高级的特征。

3、本发明提出的基于无键相整周期信号的往复机械故障诊断方法具有方便简单、不发生跑相位现象、周期完整度和诊断准确率较高，不仅能够应用于往复机械气门间隙的故障诊断，也能应用于其他典型故障(如失火)和燃气轮机、压缩机等复杂机组。

附图说明：

图1为本发明的流程图

图2为传统有键相信号监测方法

图3为某一工况的有键相采集的整周期振动信号图

图4为缸盖振动信号整周期冲击特征理论分析图

图5为改进的深度级联卷积神经网络模型

图6为某一工况的无键相采集的原始信号图

图7为某一工况下利用该发明无键相得到的正常整周期信号

图8为不同工况下有键相和无键相整周期长度对比

图9为不同工况下有键相和无键相整周期完整度对比

图10为某一工况下利用该发明无键相得到的气门间隙异常整周期信号

图11为往复机械气门间隙故障的诊断结果

具体实施方式

结合附图和实际柴油机缸盖数据分别对本发明方法进行详细说明：

如图1所示，一种基于无键相整周期信号的往复机械故障诊断方法，主要诊断流程如下：

第一步，建立整周期振动信号图像库：传统有键相信号监测方法如图2所示，主要以曲轴凹槽或外加键相块为触发信号，720°即曲轴旋转两周为一整周期信号，通过振动传感器选择某一缸盖测点，利用有键相数据采集方法获取尽可能所有工况下的缸盖振动整周期加速度正常数据N_m和气门间隙异常数据A_m各500组，如图3所示为某一工况有键相采集的整周期振动信号图，针对不同工况、不同机组参数等特性对所有数据进行z-score标准化处理并生成1600×512的图像，从而形成如图3所示的全工况整周期振动信号图像库P_m；

第二步，根据柴油机实际工作过程和采集信号分析，柴油机缸盖振动信号主要有四个冲程：进气、压缩、燃烧、排气，其中点火冲击、排气门关闭冲击和进气门关闭冲击特征最为显著，如图4所示。从图中可以看到，往复机械各个工作过程均有一定先后顺序，与曲轴旋转角度均有相应的特定关系。对正常数据图像集P_m中的每张图像进行均分，均分后的每张子图像大小为400×512，对子图像进行标记，形成进气冲程图像集J＝{j₁,j₂,j₃，…，j_m}，压缩冲程图像集C＝{c₁,c₂,c₃，…，c_m}，燃烧冲程图像集F＝{f₁,f₂,f₃，…，f_m}，排气冲程图像集E＝{e₁,e₂,e₃，…，e_m}，按照训练集70％，测试集30％的规则对四个冲程图像集进行划分，得到训练图像集Train_C＝{J_train,C_train,F_train,E_train}，测试图像集Test_C＝{J_test,C_test,F_test,E_test}；

第三步，构建并训练二分类联合卷积神经网络Net，网络模型结构如图5所示，四个卷积神经网络的初始参数设置一致，均为：学习率1e-5，卷积层1的卷积核为3×3，数量为32，卷积层2的卷积核大小及参数同卷积层1，两个池化层均采用最大池化方式，池化核大小均为2×2，卷积神经网络的最大迭代次数为120次，利用第二步得到的图像训练集和测试集对网络进行训练，得到二分类联合卷积神经网络模型T_Net；利用以下公式计算准确率：

第四步，利用无键相采集方法获取往复机械整周期数据；

4.1选择往复机械某一缸盖测点，无键相连续采集两个周期以上的正常振动加速度数据S_n＝{s₁,s₂,s₃，…，s_n}，如图6；

4.2根据监测系统采样频率51200和机组工作转速范围[600,2100]，由以下公式确定一个完整周期的数据点数范围[2926,10240]：

根据[2926,10240]，设置系列长度窗口W_v＝{2926,2976,3026，…，10226}，其中，d＝50；

4.3利用2926长度的窗口以步长10在数据S_n上进行滑动截取，窗口的截取结果记为S_n1，窗口遍历完数据S_n后得到截取数据集Cut1＝{S_n11,S_n12,…}，利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′，将Cut1′中的每组数据分别生1600×512大小的图，将生成的每张图像分别按照从左至右的顺序进行均分，每张子图像大小400×512图像的均分结果记为S_{n1_P}＝{img1,img2,img3,img4}；重复上述步骤，每个窗口得到的图像集记为：

Cut1_P＝{S_{n11_P},S_{n12_p},…},Cut2_P＝{S_{n21_p},S_{n22_p},…}，…，Cut(α+1)_P＝{S_{n(α+1)1_p},S_{n(α+1)2_p},…}

4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类，如选取图像中含有整周期图像，则继续对剩余的图像进行分类，T_Net分类得到的整周期图像对应的数据点即为整周期数据，记为zq_i′；如选择的图像中不包含整周期图像，则停止对Cut1_P中剩余图像的分类，并更换下一窗口；初分类的图像数量由以下公式计算：

4.5按照步骤4.4方法对所有窗口进行处理，最终得到无键相截取的整周期数据集T_zq＝{zq₁,zq₂,zq₃，…，zq_i′},i′＝1,2,3，…；

利用本发明得到的整周期信号截取结果如上述图7所示，将本发明方法与不同工况下有键相获取的整周期结果(图8)方法相比较，该发明方法整周期完整度均在96％以上，如图9所示，两种方式仅有微小差异,整周期完整度公式如下所示。

式中，N_non为无键相截取的整周期长度，n为转速；

选择往复机械同一缸盖测点，无键相连续采集两个周期以上的气门间隙异常振动加速度数据Ab_S_n′＝{ab_s₁,ab_s₂,ab_s₃，…，ab_s_n′}，利用步骤4.2～4.4对Ab_S_n′进行截取，截取周期记为ab_zq_i′，如图10，最终得到无键相截取的故障整周期数据集Ab_zq＝{ab_zq₁,ab_zq₂,ab_zq₃，…，ab_zq_i′}；

第五步，构建自动提取特征模型：构建自编码神经网络模型，将有键相采集的缸盖振动加速度正常数据N_m和气门间隙异常数据A_m按照70％和30％的规则分为训练集Train和测试集Test，并分别添加“正常”和“故障”标签，自编码器神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成，初始参数设置为：学习率1e-5，隐含层1～4的节点数均为800，最大迭代次数为200次；利用训练集Train对初始自编码神经网络模型进行训练，测试集Test对训练后的模型进行测试，利用第三步中的公式计算准确率，根据准确率，对模型的学习率、隐含层节点数、最大迭代次数进行调节后，再次利用训练集Train训练模型；重复上述过程，直至准确率达到最大且耗时最短，即得到最终的自编码神经网络特征提取模型；

第六步，将第四步中得到的整周期数据集T_zq和Ab_zq，添加“正常”和“故障”标签后分别按照70％和30％划分，组成训练集和测试集，将训练集输入到第五步得到的自编码神经网络模型，将自编码器得到的中间隐含层特征作为支持向量机模型的输入，训练二分类支持向量机模型，最终可以判断出柴油机气门间隙是否异常，利用测试集进行测试，得到的测试结果如图11所示，总体准确率在95％以上。

Claims (1)

1.一种基于无键相整周期信号的往复机械故障诊断方法，其特征在于，该方法包括以下步骤：

第一步，利用往复机械在线监测系统，有键相采集某一缸盖测点正常状态下和故障状态下单个周期的振动加速度数据各m组，组成正常数据集N_m和故障数据集A_m；利用z-score方法对两个数据集中的各组数据进行标准化处理，得到处理后的正常数据集N′_m和故障数据集A′_m；将正常数据集N′_m中的m组数据分别生成h1×h2大小的图像，组成正常数据图像集P_m；

第二步，根据往复机械的键相信息定位进气冲程、压缩冲程、做功冲程和排气冲程冲击位置，然后按照进气冲程、压缩冲程、做功冲程和排气冲程的顺序，对正常数据图像集P_m中的每张图像进行均分，均分后的每张子图像大小为

对子图像进行标记，形成进气冲程图像集J＝{j₁,j₂,j₃,…,j_m}，压缩冲程图像集C＝{c₁,c₂,c₃,…,c_m}，做功冲程图像集F＝{f₁,f₂,f₃,…,f_m}，排气冲程图像集E＝{e₁,e₂,e₃,…,e_m}，将四个冲程图像集分别划分为训练集和测试集，得到训练图像集Train_C＝{J_train,C_train,F_train,E_train}，测试图像集Test_C＝{J_test,C_test,F_test,E_test}；

第三步，构建并训练二分类联合卷积神经网络Net；

3.1Net网络的分类类别以0和1表示，0表示输入数据不是整周期数据，1表示输入数据是整周期数据，Net由进气冲程卷积神经网络CNN_J、压缩冲程卷积神经网络CNN_C、做功冲程卷积神经网络CNN_F、排气冲程卷积神经网络CNN_E组成，采用均值交差熵损失函数，均值交叉熵损失函数M_loss具体公式如下：

L^j(q_i)＝-[y_i·log₂(q_i)+(1-y_i)·log₂(1-q_i)]

式中，q_i∈[0,1]表示第i个类别所对应的一维向量预测值，L^j(q_i)表示对于类别i的交叉熵损失函数，k表示卷积神经网络数量，y_i表示第i个类别的真实值，j表示第j个卷积神经网络；

3.2四个卷积神经网络的网络结构设置相同，四个卷积神经网络均由输入层，卷积层1，池化层1，卷积层2，池化层2，全连接层1，全连接层2组成，其中输入层的输入图像为

的灰度图，卷积层1、池化层1、卷积层2，池化层2的每一层的输出结果均采用批标准化处理，全连接层1、全连接层2的输出结果利用L2正则化方法进行处理；

3.3将CNN_J、CNN_C、CNN_F、CNN_E输出的预测概率值分别记为g_J,g_C,g_F,g_E，利用概率均值g作为二分类联合卷积神经网络Net的预测概率值，概率均值计算公式如下：

将训练图像集Train_C＝{J_train,C_train,F_train,E_train}输入到构建好的Net网络模型中进行训练；利用测试集Test_C＝{J_test,C_test,F_test,E_test}对训练出的网络模型进行测试，得到最终的二分类联合卷积神经网络模型，记为T_Net，测试准确率计算公式如下：

式中，Corr为识别正确的数量；Test_m为测试数据总数；

第四步，利用无键相采集方法获取往复机械整周期的数据；

4.1选择往复机械某一缸盖测点，无键相连续采集两个周期以上的正常振动加速度数据S_n＝{s₁,s₂,s₃,…,s_n}，和故障振动加速度数据Ab_S_n′＝{ab_s₁,ab_s₂,ab_s₃,…,ab_s_n′}，n、n′为采样点数；

4.2根据监测系统采样频率F_s和机组工作转速范围[R_min,R_max]，由以下公式确定一个完整周期的采样点数范围[W_min,W_max]：

根据[W_min,W_max]，设置系列窗口长度W_v＝{W_min,W_min+d,W_min+2d,…,W_min+αd},α＝0，1,2,…共α+1个窗口长度，其中，d为长度变化梯度，W_min+αd≤W_max且10<d≤W_min；

4.3利用W_min窗口以步长Step在数据S_n上进行滑动截取，窗口的截取结果记为S_n1，窗口遍历完数据S_n后得到截取数据集Cut1＝{S_n11,S_n12,…}，利用z-score方法对Cut1中的数据进行标准化处理后得到数据集Cut1′，将Cut1′中的每组数据分别生成h1×h2大小的图，将生成的每张图像分别按照从左至右的顺序进行均分，每张子图像大小为

每张图像的均分结果记为S_{n1_P}＝{img1,img2,img3,img4}；依次计算每个窗口的图像集，得到的图像集分别记为Cut1_P＝{S_{n11_P},S_{n12_p},…},Cut2_P＝{S_{n21_p},S_{n22_p},…},…,Cut(α+1)_P＝{S_{n(α+1)1_p},S_{n(α+1)2_p},…}；

4.4依次选择Cut1_P图像集中的前一部分图像输入T_Net进行初分类，如选取图像中含有整周期图像，则继续对剩余的图像进行分类，T_Net分类得到的整周期图像对应的数据点即为整周期数据，记为zq_i′；如选择的图像中不包含整周期图像，则停止对Cut1_P中剩余图像的分类，并更换下一窗口；初分类的图像数量由以下公式计算：

式中，Win为W_v中的窗口；

4.5按照步骤4.4的方法对所有窗口得到的图像集进行处理，最终得到无键相截取的正常整周期数据集T_zq＝{zq₁,zq₂,zq₃,…,zq_i′},i′＝1,2,3,…；

利用步骤4.2～4.5对故障数据Ab_S_n′进行截取，截取周期记为ab_zq_i′，最终得到无键相截取的故障整周期数据集Ab_zq＝{ab_zq₁,ab_zq₂,ab_zq₃,…，ab_zq_i′,}；

第五步，构建自动提取特征模型：构建自编码神经网络模型，将有键相采集的缸盖振动加速度正常数据N_m和故障数据A_m划分为训练集Train和测试集Test，并分别添加“正常”和“故障”标签，自编码神经网络由输入层、隐含层1、隐含层2、隐含层3、隐含层4和输出层组成；利用训练集Train对初始自编码神经网络模型进行训练，测试集Test对模型进行测试，得到自编码神经网络特征提取模型；

第六步，将第四步中得到的整周期数据集T_zq和Ab_zq，添加“正常”和“故障”标签后分别按照相同比例划分，组成训练集和测试集，将训练集输入到第五步得到的自编码神经网络模型，将自编码神经网络得到的中间隐含层特征作为支持向量机模型的输入，训练二分类支持向量机模型，输出“1”即为正常，输出“0”即为故障，利用训练出的二分类支持向量机模型对往复机械的正常和异常整周期信号进行分类。

Images