CN112179691A - 基于对抗学习策略的机械装备运行状态异常检测系统和方法 - Google Patents

Abstract

本发明公开了一种基于对抗学习策略的机械装备运行状态异常检测系统和方法。本发明由加速度传感器采集机械装备的加速度时间序列样本，利用对抗学习的策略学习加速度时间序列的实时空间分布和潜在空间分布，自动提取加速度时间序列样本的特征量来构建机械装备的异常检测指标，通过和设定的阈值进行比较预判机械装备当前是否发生异常。本发明构建出来的异常检测指标能够更加直观、及时地识别机械设备的异常情况，这对于机械装备视情维护、安全生产具有重大意义。

Description

基于对抗学习策略的机械装备运行状态异常检测系统和方法

技术领域

本发明属于预测性维护技术领域，具体涉及一种基于对抗学习策略的机械装备运行状态异常检测系统和方法。

背景技术

大型机械设备，例如航空运输设备和铁路运输设备，在工业领域中发挥着重要作用。由于极端高温和高负荷工作条件，对这些机器的关键组件进行预测性维护是预测和健康管理(PHM)至关重要的重要部分。预测性维护可以分为五个阶段：状态监测、故障识别、故障定量诊断、退化评估和剩余寿命预测。目前，已经提出了许多诊断和预测算法，并取得了令人满意的成绩。但是，对于状态监测(这是预测性维护的最基本且容易被忽略的方面之一)领域还没有足够深入的研究工作。

在实际工业现场，可以收集到大量健康状态数据，但通常无法获得异常数据。此外，对故障模式和故障外部表现的研究依旧没有足够的理论基础和工程支持，异常数据样本标记少。因此，在此阶段最紧急的任务是基于健康状态信号来识别设备早期出现的异常状态。为了实现此目标，期望基于健康状态数据来建立异常状态指示器，并确定待检测数据是否为异常。

异常状态检测已被引入许多工程领域，在预测性维护领域，也进行了相关研究。但是，现有的研究工作仍然存在三个缺点。首先，特征提取的过程始终取决于人工经验，并且提取的特征不可重新配置，这会导致健康状态下样本信息丢失。其次，一些状态监测方法仅对待检测状态和预测正常范围之间采用简单的比较来判别设备异常情况，鉴于机械系统的高度动态特性，这是不够的。最后，对抗学习策略很少被用于状态监控任务，对该方法的研究还不够深入。

发明内容

本发明的目的在于针对以上所述技术缺陷，提供了一种基于对抗学习策略的机械装备运行状态异常检测系统和方法。该方法可以实现设备状态监测数据特征的自动提取，无需依靠人工经验而造成健康状态下样本有用信息的丢失，并且利用对抗学习策略，能更好地学习到正常样本的样本流形，使用判别器网络能够有效判别异常数据和正常数据分布之间的距离，提高异常检测的效率和敏感性。

为达到上述目的，本发明采用如下方案来实现的：

基于对抗学习策略的机械装备运行状态异常检测系统，包括数据采集模块、数据预处理模块、特征提取模块、异常判别模块和结果输出模块；

所述数据采集模块，利用加速度传感器以设定时间间隔采集机械装备振动信号，形成加速度时间序列样本，并将其传输给后续的模块进行处理；

所述数据预处理模块，对从所述数据采集模块输入的加速度时间序列样本进行预处理，划分网络输入数据子序列；

所述特征提取模块，利用生成器网络获取经过预处理的输入数据子序列的潜在特征、重构数据以及重构潜在特征矩阵分别作为两个判别器网络的输入，将判别器网络输出的实时样本空间以及潜在样本空间的匹配特征矩阵作为特征量；

所述异常判别模块，将所述特征提取模块提取的特征量降维获得最终的异常分数值，将当前振动数据的异常分数值F_now与已知正常振动数据的异常分数值数列的95％分位数F_normal进行比较，如果满足F_now＞F_normal+c，则判断该时刻机械装备故障，如果F_now≤F_normal+c，则判定该时刻机械装备处于正常状态，其中c为灵敏度控制值；

所述结果输出模块输出机械装备当前状态信息。

基于对抗学习策略的机械装备运行状态异常检测方法，选择并采集机械装备健康状态下的加速度时间序列样本，以对抗学习策略训练网络模型学习机械装备健康状态下加速度时间序列样本的样本流行，再采集机械装备实时监测下的加速度时间序列样本并通过训练好的网络模型获得实时监测下的样本特征量，降维后获得对应异常分数值，与设定的阈值进行比较，预判是否出现异常；

所述实时监测下的样本特征量为训练好的网络模型提取到的实时样本空间匹配特征和潜在样本空间匹配特征组合成的多维特征矩阵；

所述对机械装备健康状态下的加速度时间序列样本进行计算为训练过程，对机械装备实时监测下的加速度时间序列样本进行计算为预测过程；

训练过程：通过选取采集到的机械装备健康状态下的加速度时间序列样本进行包络频谱并归一化到[0,1]之间，归一化之后利用设定好的滑动时间窗对时间序列样本进行重新划分；输入重新划分的时间序列样本采用对抗学习策略对网络模型进行训练，学习机械装备健康状态下加速度时间序列样本的样本流行；

预测过程：将实时监测下的加速度时间序列样本进行同样的包络频谱以及归一化处理，对处理后的数据以相同设置的滑动时间窗重新获取时间序列样本，并将其依次输入到训练好的网络模型当中，获得实时监测下的加速度时间序列实时样本空间匹配特征和潜在样本空间匹配特征组合成的多维特征矩阵；利用T-SNE方法对多维特征矩阵降维，构建对应异常分数值，与设定的阈值进行比较判定。

本发明进一步的改进在于，所述滑动时间窗设置，具体为：利用滑动时间窗，窗口长度为H，且H≥2，按步长为1沿着加速度时间序列样本的时间维度，重新划分一系列时间序列样本作为网络的输入。

本发明进一步的改进在于，所述对抗学习策略具体为：

401)将所述重新划分的时间序列样本中的正常样本X_train作为训练集，送入基于LSTM-VAE的生成器网络中，用以优化网络参数；其中，编码器部分计算输入的正常样本的均值μ_x、方差σ_x，用以计算正常样本的潜在特征样本Z_train＝μ_x+ε×σ_x，ε～N(0,I)；解码器部分通过对Z_train解码，获得重构的正常数据样本

402)为了检验生成器网络对样本潜在空间分布学习的效果，所述生成器网络额外设置一个样本潜在特征重构网络，该网络的结构和生成器网络中的编码器部分结构一致，用以获得正常样本的重构潜在特征样本

403)所述网络模型设置了两个判别器网络，分别用以学习正常数据在实时样本空间以及潜在样本空间的匹配特征；具体步骤为：分别将X_train、

送入判别器网络1，将Z_train、

送入判别器网络2中，两个判别器网络将原始样本判别为真，将重构样本判别为假，与此同时，所述生成器网络生成的样本要尽量接近于真实样本来以假乱真，二者在对抗训练中逐渐优化网络模型参数，以更好地学习到正常样本的样本流行；

404)所述生成器网络在训练过程中的损失函数综合考虑了编码器网络、潜在特征重构网络以及两个判别器网络四者的损失，根据对每个部分的重视程度赋予各部分不同的权重；

其中编码器网络的对抗性损失：L_con＝E_x～px‖x-G(x)‖₁；

潜在特征重构网络的编码器损失：L_enc＝E_x～px‖G_E(x)-E(G(x))‖₂；

判别器网络1的特征匹配损失：L_adv1＝E_x～px||f(x)-E_x～pxf(G(x))||₂；

判别器网络2的特征匹配损失：L_adv2＝E_x～px||f(G_E(x))-E_x～pxf(E(G(x)))||₂；

最终生成器网络的损失函数：L＝ω_conL_con+ω_encL_enc+ω_adv(L_adv1+L_adv2)；

式中，x表示网络输入数据，px表示网络输入数据的分布，G表示生成器网络，G_E表示编码器网络，E表示样本潜在特征重构网络，f(·)为从输入数据分布px提取的给定输入x输出的两个判别器中间层的函数，ω_con、ω_enc、ω_adv是调整各个损失对整体目标函数影响的权重参数。

本发明进一步的改进在于，所述设定的阈值具体为：将实时监测下加速度时间序列样本异常分数值数列中已知的正常样本的异常分数值数列的95％分位数F_normal作为基准值，以F_normal+c作为阈值，其中c为灵敏度控制值。

与现有技术相比，本发明具有以下有益的技术效果：

1、本发明仅利用正常样本进行网络模型的训练，这种学习策略无需在训练时输入数据的样本标签，克服了以往异常检测方法中因缺少机械装备状态监测数据样本标签和故障数据而无法训练的缺陷；

2、本发明将对抗训练的思想应用到设备状态监测数据的特征提取过程中，以改善以往人工特征提取方法的不足，提高了对监测数据样本信息的利用率；

3、直接将待测样本输入训练好的判别器网络以获取待测样本在实时样本空间以及潜在样本空间的匹配特征矩阵来构建异常检测指标，提高了检测指标对异常数据的敏感性以及检测效率。

附图说明

图1为本发明异常检测系统的框架示意图；

图2为本发明的技术流程图；

图3为本发明所述方法对轴承全寿命振动信号异常检测分数曲线图；

图4为本发明所述方法对轴承全寿命振动信号异常检测聚类图；

图5为轴承全寿命振动信号时域特征图。

具体实施方式

下面将结合附图与实施例对本发明的具体实施方式进行完整的介绍，以下所描述的实施例仅为本发明的个别实施例应用，而不是全部的应用实施例，不能以此限制与界定本发明的保护范围。

图1为本发明异常检测系统的框架示意图。如图1所示，本发明提供的基于对抗学习策略的机械装备运行状态异常检测系统，其包括：所述数据采集模块，利用加速度传感器以设定时间间隔采集机械装备振动信号，形成加速度时间序列样本，并将其传输给后续的模块进行处理；

所述数据预处理模块，对从所述数据采集模块输入的加速度时间序列样本进行预处理，划分网络输入数据子序列；

所述特征提取模块，利用生成器网络获取经过预处理的输入数据子序列的潜在特征、重构数据以及重构潜在特征矩阵分别作为两个判别器网络的输入，将判别器网络输出的实时样本空间以及潜在样本空间的匹配特征矩阵作为特征量；

所述异常判别模块，将所述特征提取模块提取的特征量降维获得最终的异常分数值，将当前振动数据的异常分数值F_now与已知正常振动数据的异常分数值数列的95％分位数F_normal进行比较，如果满足F_now＞F_normal+c，则判断该时刻机械装备故障，如果F_now≤F_normal+c，则判定该时刻机械装备处于正常状态，其中c为灵敏度控制值；

所述结果输出模块输出机械装备当前状态信息。

图2为本发明的技术流程图。如图2所示，本发明还提供了一种设备异常检测方法。接下来以美国智能维护系统中心(IMS)的轴承疲劳寿命实验数据中的第二个子数据集为例对本发明中所述的技术方案进行完整详细的描述。振动信号由NI公司DAQCard-6062E数据采集卡每隔10min采集一次，采样长度为20480个点，采样频率为20kHz。其中第二个子数据集的4套轴承从2月12日11：16：18运行至2月19日06：22：39，一共采集到984组振动数据文件。在疲劳实验结束时，轴承1外圈发生故障。

步骤一：对所述的IMS轴承疲劳寿命实验数据进行预处理以及网络输入数据的划分，具体包括：

(1)首先将984×20480维加速度时间序列样本X进行包络频谱获得984×10240维包络信号F；其中984表示有984个时间序列样本，20480表示每个时间序列样本含有20480个数据点；

(2)对包络频谱信号按特征维度进行归一化，将所有样本数值归一化到[0，1]之间；

(3)利用滑动时间窗，窗口长度为H＝8，按步长为1沿着数据样本的时间维度，重新划分一系列时间序列样本作为网络的输入。

步骤二：利用对抗学习策略对所述网络模型进行训练，包括：

(1)仅将所述重新划分的加速度时间序列样本中的前400组正常样本X_train作为训练集，送入基于LSTM-VAE的生成器网络中，用以优化网络参数。其中，编码器部分计算输入的正常样本的均值μ_x、方差σ_x，用以计算正常样本的潜在特征样本Z_train＝μ_x+ε×σ_x，ε～N(0,I)；解码器部分通过对Z_train解码，获得重构的正常数据样本

(2)为了检验生成器网络对样本潜在空间分布学习的效果，本生成器网络额外设置了一个样本潜在特征重构网络，该网络的结构和生成器网络中的编码器部分结构一致，用以获得正常样本的重构潜在特征样本

(3)所述网络模型设置了两个判别器网络，分别用以学习正常数据在实时样本空间以及潜在样本空间的匹配特征。具体步骤为：分别将X_train、

送入判别器网络1，将Z_train、

送入判别器网络2中，两个判别器网络尽量将原始样本判别为真，将重构样本判别为假，与此同时，生成器网络生成的样本要尽量接近于真实样本来以假乱真，二者在对抗训练中逐渐优化网络模型参数，以更好地学习到正常样本的样本流行。

(4)所述生成器网络在训练过程中的损失函数综合考虑了编码器网络、潜在特征重构网络以及两个判别器网络四者的损失，根据对每个部分的重视程度赋予各部分不同的权重。最终生成器网络的损失函数：L＝50L_con+L_enc+(L_adv1+L_adv2)。

步骤三：将所述经过预处理模块的待测样本输入已经训练好的所述对抗网络模型中，获得待测样本的实时样本空间匹配特征矩阵F_X(F_X∈R^984×2048)，以及潜在样本空间匹配特征矩阵F_Z(F_Z∈R^984×200)。所述984表示有984个样本，2048和200分别表示二者的维数。

合并两个匹配特征矩阵，即F_tot＝[F_X，F_Z]，F_tot∈R^984×2248；

步骤四：利用T-SNE方法将F_tot匹配特征矩阵降为一维特征向量作为最终的异常检测指标。

步骤五：将当前加速度时间序列样本的异常分数值F_now与已知正常振动数据的异常分数值数列的95％分位数F_normal＝0.25进行比较，如果满足F_now＞F_normal+c，则判断该时刻机械装备故障，如果F_now≤F_normal+c，则判定该时刻机械装备处于正常状态。其中c＝0.05为灵敏度控制值。

从图3异常检测分数曲线可以看出，输入数据偏离正常样本的样本流行越远，则最终的异常分数值越大。由于疲劳寿命实验前期(前531个点)轴承处于健康状态，所以异常分数值处于比较平稳并且处于较低水平。在532个点时异常分数值剧增，超过所设定的阈值，并且突变非常明显，可以判定轴承在此刻发生异常，并且说明所述方法构建的异常检测指标对数据的异常十分敏感。异常检测分数值随着故障程度的加深也逐渐增大，在最后一段时间异常检测分数值有所降低，是因为经过长时间的运转，轴承的外圈故障被磨平整，导致故障程度有所降低。从图4轴承全寿命振动信号异常检测聚类图也可以很清楚的看到异常数据和正常数据各自被分到了不同的类别，并且聚类效果很理想，说明了本发明所述方法的有效性。

为分析本发明的有益效果，将其与直接对原始信号进行峰峰值及均方根值分析结果进行对比。峰峰值及均方根值分析结果如图5所示。从图中可以看到在741点时峰峰值及标准差有剧烈增长，由异常检测原理可以判断该点为故障的起始点。与图4的结果对比，检测到异常起始点滞后了210个点。本次对比实验可以证明本发明所述基于对抗学习策略的对抗网络异常检测方法对于系统中的异常更加敏感，能够更及时发现轴承中的异常。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (5)

1.基于对抗学习策略的机械装备运行状态异常检测系统，其特征在于，包括数据采集模块、数据预处理模块、特征提取模块、异常判别模块和结果输出模块；

所述数据采集模块，利用加速度传感器以设定时间间隔采集机械装备振动信号，形成加速度时间序列样本，并将其传输给后续的模块进行处理；

所述数据预处理模块，对从所述数据采集模块输入的加速度时间序列样本进行预处理，划分网络输入数据子序列；

所述特征提取模块，利用生成器网络获取经过预处理的输入数据子序列的潜在特征、重构数据以及重构潜在特征矩阵分别作为两个判别器网络的输入，将判别器网络输出的实时样本空间以及潜在样本空间的匹配特征矩阵作为特征量；

所述异常判别模块，将所述特征提取模块提取的特征量降维获得最终的异常分数值，将当前振动数据的异常分数值F_now与已知正常振动数据的异常分数值数列的95％分位数F_normal进行比较，如果满足F_now＞F_normal+c，则判断该时刻机械装备故障，如果F_now≤F_normal+c，则判定该时刻机械装备处于正常状态，其中c为灵敏度控制值；

所述结果输出模块输出机械装备当前状态信息。

2.基于对抗学习策略的机械装备运行状态异常检测方法，其特征在于，选择并采集机械装备健康状态下的加速度时间序列样本，以对抗学习策略训练网络模型学习机械装备健康状态下加速度时间序列样本的样本流行，再采集机械装备实时监测下的加速度时间序列样本并通过训练好的网络模型获得实时监测下的样本特征量，降维后获得对应异常分数值，与设定的阈值进行比较，预判是否出现异常；

所述实时监测下的样本特征量为训练好的网络模型提取到的实时样本空间匹配特征和潜在样本空间匹配特征组合成的多维特征矩阵；

所述对机械装备健康状态下的加速度时间序列样本进行计算为训练过程，对机械装备实时监测下的加速度时间序列样本进行计算为预测过程；

训练过程：通过选取采集到的机械装备健康状态下的加速度时间序列样本进行包络频谱并归一化到[0，1]之间，归一化之后利用设定好的滑动时间窗对时间序列样本进行重新划分；输入重新划分的时间序列样本采用对抗学习策略对网络模型进行训练，学习机械装备健康状态下加速度时间序列样本的样本流行；

预测过程：将实时监测下的加速度时间序列样本进行同样的包络频谱以及归一化处理，对处理后的数据以相同设置的滑动时间窗重新获取时间序列样本，并将其依次输入到训练好的网络模型当中，获得实时监测下的加速度时间序列实时样本空间匹配特征和潜在样本空间匹配特征组合成的多维特征矩阵；利用T-SNE方法对多维特征矩阵降维，构建对应异常分数值，与设定的阈值进行比较判定。

3.根据权利要求2所述的基于对抗学习策略的机械装备运行状态异常检测方法，其特征在于，所述滑动时间窗设置，具体为：利用滑动时间窗，窗口长度为H，且H≥2，按步长为1沿着加速度时间序列样本的时间维度，重新划分一系列时间序列样本作为网络的输入。

4.根据权利要求2所述的基于对抗学习策略的机械装备运行状态异常检测方法，其特征在于，所述对抗学习策略具体为：

401)将所述重新划分的时间序列样本中的正常样本X_train作为训练集，送入基于LSTM-VAE的生成器网络中，用以优化网络参数；其中，编码器部分计算输入的正常样本的均值μ_x、方差σ_x，用以计算正常样本的潜在特征样本Z_train＝μ_x+ε×σ_x，ε～N(0，I)；解码器部分通过对Z_train解码，获得重构的正常数据样本

402)为了检验生成器网络对样本潜在空间分布学习的效果，所述生成器网络额外设置一个样本潜在特征重构网络，该网络的结构和生成器网络中的编码器部分结构一致，用以获得正常样本的重构潜在特征样本

403)所述网络模型设置了两个判别器网络，分别用以学习正常数据在实时样本空间以及潜在样本空间的匹配特征；具体步骤为：分别将X_train、

送入判别器网络1，将Z_train、

送入判别器网络2中，两个判别器网络将原始样本判别为真，将重构样本判别为假，与此同时，所述生成器网络生成的样本要尽量接近于真实样本来以假乱真，二者在对抗训练中逐渐优化网络模型参数，以更好地学习到正常样本的样本流行；

404)所述生成器网络在训练过程中的损失函数综合考虑了编码器网络、潜在特征重构网络以及两个判别器网络四者的损失，根据对每个部分的重视程度赋予各部分不同的权重；

其中编码器网络的对抗性损失：L_con＝E_x～px||x-G(x)||₁；

潜在特征重构网络的编码器损失：L_enc＝E_x～px||G_E(x)-E(G(x))||₂；

判别器网络1的特征匹配损失：L_adv1＝E_x～px||f(x)-E_x～pxf(G(x))||₂；

判别器网络2的特征匹配损失：L_adv2＝E_x～px||f(G_E(x))-E_x～pxf(E(G(x)))||₂；

最终生成器网络的损失函数：L＝ω_conL_con+ω_encL_enc+ω_adv(L_adv1+L_adv2)；

式中，x表示网络输入数据，px表示网络输入数据的分布，G表示生成器网络，G_E表示编码器网络，E表示样本潜在特征重构网络，f(·)为从输入数据分布px提取的给定输入x输出的两个判别器中间层的函数，ω_con、ω_enc、ω_adv是调整各个损失对整体目标函数影响的权重参数。

5.根据权利要求2所述的基于对抗学习策略的机械装备运行状态异常检测方法，其特征在于，所述设定的阈值具体为：将实时监测下加速度时间序列样本异常分数值数列中已知的正常样本的异常分数值数列的95％分位数F_normal作为基准值，以F_normal+c作为阈值，其中c为灵敏度控制值。

Images