CN111707458B - 一种基于深度学习信号重构的转子监测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习信号重构的转子监测方法，包括以下步骤：步骤1，获得转子初始振动信号数据；步骤2，将信号数据整理成矩阵形式并标准化，划分获得训练集和验证集；步骤3，搭建获得深度学习神经网络模型；步骤4，训练深度学习神经网络模型，获得训练后的重构及分类模型；步骤5，根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。本发明能够依靠少数测点的监测信号，获得精确的转子全测点信号，能够实现对转子整体及重点部位的监测，提高转子故障识别的准确率。

Description

一种基于深度学习信号重构的转子监测方法

技术领域

本发明属于机械运行监测技术领域，特别涉及一种基于深度学习信号重构的转子监测方法。

背景技术

转子是工业生产过程中的重要部件，其结构及工作环境均较为复杂，容易发生故障；一旦发生故障而不能及时排查，会引发极大的经济损失甚至安全事故。因此，转子的实时监测及故障预警具有十分重要的意义。

目前的实时监测由于测点数量缺失、设置困难、位置存在偏差等原因，常常存在所监测的数据不能真实反映转子振动状态，尤其是不能反映核心部位的振动情况，从而导致故障诊断准确性下降。总结而言，现在的转子监测及故障诊断存在以下问题：

1、测点个数有限，监测情况往往难以反映整个转子的运行状况；

2、测点难以布置在转子易损处等核心部位，监测存在一定的盲区；

3、利用监测数据进行故障诊断往往会由于上述问题导致分类诊断效果不理想。

近年来，深度学习被广泛应用于物理场重构等领域，可以实现基于较少的信息对真实物理场的还原。

综上，亟需一种新的基于深度学习信号重构的转子监测方法。

发明内容

本发明的目的在于提供一种基于深度学习信号重构的转子监测方法，以解决上述存在的一个或多个技术问题。本发明所要解决的核心问题是，现有的转子监测技术难以对转子整体情况以及关键部位进行实时有效的监测，从而降低了故障识别的准确率；本发明能够依靠少数测点的监测信号，获得精确的转子全测点信号，能够实现对转子整体及重点部位的监测，提高转子故障识别的准确率。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于深度学习信号重构的转子监测方法，包括以下步骤：

步骤1，获得转子初始振动信号数据，包括：改变转子尺寸信息，获得不同的转子模型；在每个转子模型上设置多个测点，利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；

步骤2，将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化；根据转子监测问题规整输入输出，划分获得训练集和验证集；

步骤3，搭建获得深度学习神经网络模型，包括：使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型；

步骤4，使用步骤2获得的训练集和验证集，训练步骤3获得的深度学习神经网络模型，获得训练后的重构及分类模型；

步骤5，将采集到的测点转子振动数据，利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型，模型输出测点的振动信号；根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；

步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测。

本发明的进一步改进在于，步骤1中，转子尺寸信息包括：圆盘直径、宽度、数量，转子轴的长度、直径；

运行工况包括：正常工况，裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况，不同激励形式下的运行工况。

本发明的进一步改进在于，步骤1中，转子尺寸信息表示为Parm_n；其中，n＝1,2,3,...,N,N为获得的转子模型总数；每个转子尺寸信息均包括长度为m的参数信息，表示为Parm_n＝[parm_n1,parm_n2,...,parm_nm]，m为改变的参数总个数；获得的转子初始振动信号数据表示为X_n,i,j，i＝1,2,3,...,I,I为设置的测点总数；j＝1,2,3,...,J,J为所计算的工况类别总数；每个振动信号X_n,i,j均包括长度为t的时序信号，表示为X_n,i,j＝[x_n,i,j,1,x_n,i,j,2,...,x_n,i,j,t]，t为采集振动信号的长度。

本发明的进一步改进在于，步骤2具体包括：

步骤2.1，将转子初始振动信号数据X_n,i,j按测点位置进行排序，转化为规则的矩阵形式X^G _n,j；其中，X^G _n,j包括I个长度为t的时序信号，X^G _n,j形状为I×t；

选择预设数量测点，数量为Q，将其振动信号转化为矩阵形式X^D _n,j,；其中，X^D _n,j,包括预设数量个长度为t的时序信号；

步骤2.2，对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理，获得标准化处理后的矩阵形式X^G、X^D，获得样本总数共计N×J个；

步骤2.3，规整输入输出包括：

输入Input，包括：Parm_n及预设数量测点的振动信息X^D；

重构信息Recon，包括：全部测点的振动信息X^G；

输出Output，包括：不同类别的工况；

步骤2.4，进行训练集和验证集的划分，包括：将总数共计N×J的样本打乱，按预设比例获得训练集(Input_N×J×0.8)_train和验证集(Input_N×J×0.2)_validation；其中，每个Input包括：Parm，形状为1×m；X^D，形状为Q×t；对应的重构信息为训练集(X^G)_{N×J×0.8，train}和验证集(X^G)_{N×J×0.8，validation}，每个X^G形状为I×t；对应的输出类别标签为label。

本发明的进一步改进在于，步骤2.2中，标准化处理方法采用minmax标准化，将所有数据标准化至(0,1)区间内。

本发明的进一步改进在于，步骤3具体包括：

步骤3.1，建立从转子自身信息及监测点获得的振动信号，到全部测点振动信号X^G的重构网络G_Net；

步骤3.2，建立从全部测点振动信号X^G到运行工况标签label的分类神经网络D_Net，用于判断振动信号发生时的转子状态；

步骤3.3，确定深度学习神经网络模型的损失函数，包括：重构损失函数MSEloss与分类损失函数Logloss；

其中，重构损失函数表达式为：

式中，

为重构的振动信号矩阵，

为真实的振动信号矩阵，I×t为矩阵大小；

分类损失函数表达式为：

式中，label_k为标签向量中的第k个值，

为经过分类神经网络后获得的标签向量中的第k个值；

深度学习神经网络模型的总损失函数表达式为：

Loss＝w₁ MSEloss+w₂ Logloss；

其中，w₁为重构损失函数的权值，而w₂为分类损失函数的权值。

本发明的进一步改进在于，步骤3.1中，先建立转子自身信息从长度m至长度为t的映射；若m>t，则使用一维卷积，若m<t，则使用一维解卷积。

本发明的进一步改进在于，步骤3.3中，w₁＝1-4×10^-3×epoch，w₂＝1-w₁；其中，epoch为训练步。

本发明的进一步改进在于，步骤4中，初始学习率设为0.01，每训练50步后将其降低为原来的1/10，训练200步后或预设次迭代loss变化小于等于1％时收敛。

本发明的进一步改进在于，步骤5中，重构的振动信号与监测信号的相对误差低于10％时，满足要求。

与现有技术相比，本发明具有以下有益效果：

目前深度学习技术用于转子监测及故障诊断领域主要局限在对转子信号的分析以及分类上，未对少测点信息重构多测点信息进行相关应用。本发明的方法，能够依靠少数测点的监测信号还原出转子全测点的振动信号，从而获得转子重点区域的振动信号，由此可以进行更精准有效的故障识别。具体的，本发明方法的优势在于，一方面传统的转子监测方案效果往往和测点数量关系较大，而本发明通过对监测点信号进行重构获得全部测点信息即可降低测点数量且不会影响监测效果；另一方面传统的转子由于重点部位难以布置测点，或者布置测点后由于运行环境恶劣而降低监测设备寿命，而本发明可以对某些信号重构获得其他测点信息，从而可以依靠普通位置测点的监测数据获得重点部位的振动状态，从而降低测点布置及使用的成本。此外，本发明将故障诊断加入该转子监测方法中，从而以低监测成本实现对转子状态的有效诊断，有利于工业使用。本发明能够解决目前转子监测效果依赖测点数量、真实工业场景测点布置难以满足诊断需求等弊端，通过少量测点的监测信号获得整体转子的运行状态，实现高效低成本的实时监测及故障诊断。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种基于深度学习信号重构的转子监测方法的流程示意框图；

图2是本发明实施例中，构建的深度学习神经网络模型的结构示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

请参阅图1，本发明实施例的一种基于深度学习信号重构的转子监测方法，具体包括以下步骤：

步骤1，获得转子初始振动信号数据；其中，获取的过程包括：改变转子尺寸信息(如圆盘直径、宽度、数量、转子轴的长度及直径等)，获得不同的转子模型，在每个转子模型上设置多个测点；利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；其中，不同运行工况包括：正常工况；裂纹、不平衡、不对中、碰摩、油膜失稳、松动等故障工况以及不同激励形式下的运行工况。

步骤1中，转子尺寸信息表示为，Parm_n，其中n＝1,2,3,...,N,N为获得的转子模型总数，每个转子尺寸信息包括长度为m的参数信息，即Parm_n＝[parm_n1,parm_n2,...,parm_nm]，这里m为改变的参数总个数；获得的转子初始振动信号数据表示为X_n,i,j，i＝1,2,3,...,I,I为所设置的测点总数；j＝1,2,3,...,J,J为所计算的工况类别总数；其中，每个振动信号X_n,i,j包括长度为t的时序信号，即X_n,i,j＝[x_n,i,j,1,x_n,i,j,2,...,x_n,i,j,t]，这里t为采集振动信号的长度。

步骤2，将步骤1获得的转子初始振动信号数据整理成规则的矩阵形式，进行标准化，规整输入输出，划分获得训练集和验证集；

本发明实施例中，步骤2具体包括：

步骤2.1，将转子振动信号X_n,i,j按测点位置进行排序转化为规则的矩阵形式即X^G _n,j；其中，X^G _n,j包括I个长度为t的时序信号，即X^G _n,j形状为I×t。

再选择部分测点，本实施例以2个为例分别为测点a，b，其中I≥a,b≥1，实际过程中可视情况改变，将振动信号转化为矩阵形式X^D _n,j,其中X^D _n,j,包括2个长度为t的时序信号，即第一行为a测点的振动信号，第二行为b测点的振动信号。

步骤2.2，对步骤2.1处理后获得的矩阵形式数据进行标准化处理，获得标准化处理后的矩阵形式X^G、X^D，样本总数共计N×J个；其中，标准化处理方法可以采用minmax标准化，将所有数据标准化至(0,1)区间内；

步骤2.3，规整输入输出即明确本发明问题的输入输出，包括：

输入Input，包括：Parm及部分测点即监控点的振动信息X^D；

重构信息Recon，包括：全部测点的振动信息X^G；

输出Output，包括：不同类别的工况即j，此时需对j做one-hot编码，将其转化为长度为J的标签向量label：[0,0,...,1,...,0]，其中仅在第j位为1，其余为0；

步骤2.4，进行训练集和验证集的划分，经过步骤2.2后可以获得样本总数共计N×J个，将其打乱，按4：1的比例获得训练集即(Input_N×J×0.8)_train和验证集(Input_N×J×0.2)_validation，其中每个Input包括：Parm，形状为1×m；X^D，形状为2×t；对应的重构信息为训练集(X^G)_{N×J×0.8，train}和验证集(X^G)_{N×J×0.8，validation}，其中每个X^G形状为I×t；对应的输出类别标签为label；

步骤3，搭建深度学习神经网络模型。主要包括建立基于反卷积神经网络的重构模型，以及基于卷积神经网络的分类模型，以上模型架构均使用CNN网络架构。请参阅图2，本发明所构建的深度学习神经网络模型的结构示意图。

本发明实施例中，步骤3具体包括：

3.1，建立从已知信息Input(即转子自身信息及监测点获得的振动信号)到全部测点振动信号X^G的重构网络G_Net；其中，为了适应本发明的转子监测问题，需要先建立转子自身信息从长度m至长度为t的映射，若m>t，则使用一维卷积，若m<t，则使用一维解卷积。

3.2，建立从全部测点振动信号X^G到运行工况标签label的分类神经网络D_Net，用于判断振动信号发生时的转子状态。

3.3，确定深度学习神经网络模型的损失函数，为了适应本发明的转子监测问题，损失函数主要由两部分组成，包括重构损失函数MSEloss与分类损失函数Logloss。

重构损失函数表示如下：

其中，

为重构的振动信号矩阵，

为真实的振动信号矩阵，I×t为矩阵大小。

分类损失函数表示如下：

其中，label_k为标签向量中的第k个值，

为经过分类神经网络后获得的标签向量中的第k个值。

深度学习神经网络模型的总损失函数为：

Loss＝w₁ MSEloss+w₂ Logloss；

其中，w₁为重构损失函数的权值，而w₂为分类损失函数的权值。结合本发明的转子监测问题，权值采用自适应更新方法，即w₁＝1-4×10^-3×epoch，w₂＝1-w₁，其中epoch为训练步。

步骤4，训练网络：根据上述策略，设置可变学习率来训练神经网络，优化Loss，获得可用的重构及分类模型；

本发明实施例中，初始学习率设为0.01，每训练50步后将其降低为原来的1/10，训练200步后或多次迭代loss变化小于1％时收敛。

步骤5，模型应用，利用该模型，输入实际采集到的部分测点转子振动数据，利用步骤1的方式进行预处理及归一化，模型输出所有测点的振动信号，再根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足要求。

其中，重构的振动信号与监测信号的相对误差不大于10％方为满足要求。

本发明实施例中，训练后该模型即可用于真实转子的全测点振动信号重构及故障识别。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种基于深度学习信号重构的转子监测方法，其特征在于，包括以下步骤：

步骤1，获得转子初始振动信号数据，包括：改变转子尺寸信息，获得不同的转子模型；在每个转子模型上设置多个测点，利用不同的转子模型针对不同运行工况，进行数值计算，获得不同测点的转子初始振动信号数据；

步骤2，将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化；根据转子监测问题规整输入输出，划分获得训练集和验证集；

步骤3，搭建获得深度学习神经网络模型，包括：使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型；

步骤4，使用步骤2获得的训练集和验证集，训练步骤3获得的深度学习神经网络模型，获得训练后的重构及分类模型；

步骤5，将采集到的测点转子振动数据，利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型，模型输出测点的振动信号；根据与实际监测信号的误差继续进行训练，直至模型所输出的振动信号与监测信号误差满足预设要求，获得训练好的重构及分类模型；

步骤6，利用步骤5获得的训练好的重构及分类模型实现转子监测；

其中，步骤3中使用CNN网络架构，建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型的步骤包括：

建立从转子自身信息及监测点获得的振动信号，到全部测点振动信号的重构网络；

建立从全部测点振动信号到运行工况标签的分类神经网络，用于判断振动信号发生时的转子状态；

确定深度学习神经网络模型的损失函数，包括：重构损失函数与分类损失函数。

2.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤1中，转子尺寸信息包括：圆盘直径、宽度、数量，转子轴的长度、直径；

运行工况包括：正常工况，裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况，不同激励形式下的运行工况。

3.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤1中，转子尺寸信息表示为Parm_n；其中，n＝1,2,3,...,N,N为获得的转子模型总数；每个转子尺寸信息均包括长度为m的参数信息，表示为Parm_n＝[parm_n1,parm_n2,...,parm_nm]，m为改变的参数总个数；获得的转子初始振动信号数据表示为X_n,i,j，i＝1,2,3,...,I,I为设置的测点总数；j＝1,2,3,...,J,J为所计算的工况类别总数；每个振动信号X_n,i,j均包括长度为t的时序信号，表示为X_n,i,j＝[x_n,i,j,1,x_n,i,j,2,...,x_n,i,j,t]，t为采集振动信号的长度。

4.根据权利要求3所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤2具体包括：

步骤2.1，将转子初始振动信号数据X_n,i,j按测点位置进行排序，转化为规则的矩阵形式X^G _n,j；其中，X^G _n,j包括I个长度为t的时序信号，X^G _n,j形状为I×t；

选择预设数量测点，数量为Q，将其振动信号转化为矩阵形式X^D _n,j；其中，X^D _n,j包括预设数量个长度为t的时序信号；

步骤2.2，对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理，获得标准化处理后的矩阵形式X^G、X^D，获得样本总数共计N×J个；

步骤2.3，规整输入输出包括：

输入Input，包括：Parm_n及预设数量测点的振动信息X^D；

重构信息Recon，包括：全部测点的振动信息X^G；

输出Output，包括：不同类别的工况；

步骤2.4，进行训练集和验证集的划分，包括：将总数共计N×J的样本打乱，按预设比例获得训练集(Input_N×J×0.8)_train和验证集(Input_N×J×0.2)_validation；其中，每个Input包括：Parm，形状为1×m；X^D，形状为Q×t；对应的重构信息为训练集(X^G)_{N×J×0.8，train}和验证集(X^G)_{N×J×0.8，validation}，每个X^G形状为I×t；对应的输出类别标签为label。

5.根据权利要求4所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤2.2中，标准化处理方法采用minmax标准化，将所有数据标准化至(0,1)区间内。

6.根据权利要求4所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤3具体包括：

步骤3.1，建立从转子自身信息及监测点获得的振动信号，到全部测点振动信号X^G的重构网络G_Net；

步骤3.2，建立从全部测点振动信号X^G到运行工况标签label的分类神经网络D_Net，用于判断振动信号发生时的转子状态；

步骤3.3，确定深度学习神经网络模型的损失函数，包括：重构损失函数MSEloss与分类损失函数Logloss；

其中，重构损失函数表达式为：

式中，

为重构的振动信号矩阵，

为真实的振动信号矩阵，I×t为矩阵大小；

分类损失函数表达式为：

式中，label_k为标签向量中的第k个值，

为经过分类神经网络后获得的标签向量中的第k个值；

深度学习神经网络模型的总损失函数表达式为：

Loss＝w₁ MSEloss+w₂ Logloss；

其中，w₁为重构损失函数的权值，而w₂为分类损失函数的权值。

7.根据权利要求6所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤3.1中，先建立转子自身信息从长度m至长度为t的映射；若m>t，则使用一维卷积，若m<t，则使用一维解卷积。

8.根据权利要求6所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤3.3中，w₁＝1-4×10^-3×epoch，w₂＝1-w₁；其中，epoch为训练步。

9.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤4中，初始学习率设为0.01，每训练50步后将其降低为原来的1/10，训练200步后或预设次迭代loss变化小于等于1％时收敛。

10.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法，其特征在于，步骤5中，重构的振动信号与监测信号的相对误差低于10％时，满足要求。

Images