CN113191219B - 一种风机轴承故障自适应辨识方法 - Google Patents

Abstract

本发明公开了一种风机轴承故障自适应辨识方法，在深度置信网络的基础上构建了双重监控限，实现对风机运行状态的实时监测，与故障报警；然后改进基于动态时间规整方法，对于被判定为故障的数据采用基于DTW的各变量相似度算法，得到各变量对与故障的贡献度与阈值，通过分析各变量贡献度超出阈值情况，实现故障数据的深度分析与故障原因辨识。本发明能够准确及时地识别风机轴承故障，并在在识别故障的基础上，自动定位发生故障变量，辨识故障产生原因。

Description

一种风机轴承故障自适应辨识方法

技术领域

本发明涉及一种多变量时间序列的辨识、自动识别方法，具体涉及风机轴承故障自适应辨识方法。

背景技术

近年来，随着经济和科技的不断进步，工业化水平日益提高，工厂的规模日益扩大，自动化程度也显著提升。以海上风力发电机组为代表的复杂机电设备结构精密，各级环节关联程度高，控制策略智能，然而任何一个微小异常都可能对设备造成消极影响，引发重大故障。一方面，日益发展的工业过程在预定、理想的情况下运行可以给人们的生活带来极大的便利和丰富，但是另一方面，这些规模庞大的工业过程一旦出现故障将可能造成巨大的经济损失，甚至威胁人们的安全。因此，准确识别并标记设备运行状态、及时监测系统中的异常对于保障复杂机电系统安全可靠运行具有重要意义。

目前对于自适应状态标记这类无监督学习任务，主要采用基于聚类的方法。例如，基于原型的聚类k均值算法，基于密度聚类的DBSCAN算法等。但是，在复杂机电系统状态标记的实际应用中上述方法存在以下几点限制1、在没有先验知识的情况下，对于原始数据，并不知道其工作状态的类数，这在一定程度上影响了聚类算法的准确度；2、虽然基于密度聚类的方法可以忽视初始类数的问题，但是算法的调参过程需要一定的先验知识，不同的参数下聚类结果差别较大；3、对于聚类结果，并不知晓每一类代表的具体含义，无法直观清晰的标记运行状态，而需要后续人工专业知识进一步处理。

因此，如何不依赖专业的先验知识，进行自适应复杂机电系统状态标记是解决上述问题的关键。深度置信网络(DBN)因其良好的非线性能力、泛化能力非常适用于非线性系统的监测，而其只需经过微调就可以达到最优解，一定程度上解决了调参困难的问题。对于聚类结果的具体意义方面，基于动态时间规整(DTW)的时间序列相似性度量方法给出了解决方案。即通过多变量时间序列的相似性来辨识复杂机电系统不同运行状态，进而为状态标记提供依据。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的在于提供一种风机轴承故障自适应辨识方法,该方法结合深度信念网络和改进的动态时间规整方法来建立模型，旨在发现系统中出现的异常，并根据时间相似性度量方法对出现的异常进行标记，从而实现目标的自适应状态辨识。

为达到上述目的，本发明采用的技术方案是：

一种风机轴承故障自适应辨识方法，包括以下步骤：

步骤1)、采集数据：根据风机数据采集与监视控制系统(SCADA)采集到的系统正常运行数据，将监测变量与监测点位对应，明确各变量的物理意义；进而，建立原始高维训练数据集，并对数据进行标准化处理；

步骤2)、根据步骤1)进行标准化处理后训练数据，基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；

步骤3)、根据步骤1)进行标准化处理后训练数据，建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，从而建立基于相似性的变量贡献度度量模型；

步骤4)、在实际应用阶段，对于在线新数据，根据步骤2)中的双重监控限判断是否有异常产生；

步骤5)、如果步骤4)中产生异常，应用步骤3)中基于相似性的变量贡献度度量模型确定各变量对异常的贡献度指标；

步骤6)、根据步骤4)中的双重监控限和步骤5)中各变量对异常的贡献度指标，对在线新数据进行标记。当在线数据超出步骤4)中的任意一个监控限时，当前数据被辨识为故障，之后步骤5)自动启动，对故障数据各变量贡献度超出阈值情况进行统计，辨识故障产生原因。

步骤2中基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；具体过程为：

深度置信网络DBN受限玻尔兹曼能量函数为

其中v＝v₁,v₂,...,v_m为输入变量，i＝1,2...m表示输入变量维数，h＝h₁,h₂,...,h_k为隐层状态，j＝1,2...k表示隐藏层节点个数，其中隐层状态为{0，1}离散值；σ为输入向量对应的高斯噪声标准差，W,a,b为模型结构参数，W_ij表示可见单元与隐层节点之间的连接权重；a_i表示输入向量的偏置，b_j表示隐层节点偏置；深度置信网络DBN由多个受限玻尔兹曼隐层堆砌而成，则输入向量与最后一层隐层(v,h)的联合分布为

其中Z＝∑_v,he^-E(v,h)为归一化因子；最后隐层节点的激活状态即编码表示为：

根据隐藏层重构数据即解码表示为

其中，σ(·)是sigmoid激活函数，N(μ,σ²)是均值为μ，方差为σ²的高斯函数；

训练深度置信网络DBN，优化目标为使重构的数据能最大程度拟合原始训练数据分布，即经过编码解码之后重构数据和原始数据误差最小；

2.2特征空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入到训练好的深度置信网络DBN中，得到所有数据的隐层特征H＝[h⁽¹⁾,h⁽²⁾,...]其中每个特征向量h⁽ⁱ⁾都是{0，1}二值变量；然后，两两计算特征向量之间的汉明距离，选择其中最大的汉明距离作为特征空间监控限T_control；

2.3残差空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入训练好的深度置信网络DBN中，得所有数据的重构数据

计算每个数据的重构误差

SPE＝e^T·e (6)

将所有训练数据的SPE重构误差拟合为高斯分布N(μ_SPE,σ_SPE ²)，则残差空间监控限为SPE_control＝μ_SPE+3σ_SPE ²。

步骤3中建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，具体步骤为：

3.1基于DTW的各变量相似度算法

首先根据需要截取训练数据中长度相等的两个时间序列，然后构建两个序列的距离矩阵；对于两个序列Q＝[q₁,q₂,...,q_χ,...q_n]，C＝[c₁,c₂,...,c_δ,...c_n]，距离矩阵元素(χ,δ)表示q_χ和c_δ两个点的距离d(q_χ,c_δ)，这个距离用欧式距离表示即d(q_χ,c_δ)＝(q_χ-c_δ)²；找到(0，0)，到(n,n)的最短路径，并将所有的距离d(q_χ,c_δ)进行累加得到DTW累加距离，这一过程表示为

γ(χ,δ)＝d(q_χ,c_δ)+min{γ(χ-1,δ-1),γ(χ-1,δ),γ(χ,δ-1)} (7)

其中，γ(χ,δ)代表累加距离。

3.2 DTW改进策略

为了解决周期序列平移导致的DTW累加过大问题，引入缩减系数α，最终累加距离为α·γ(χ,δ)，其中缩减系数α的计算如下：

首先计算两个序列Q＝[q₁,q₂,...,q_χ,...q_n]和C＝[c₁,c₂,...,c_δ,...c_n]的标准差，选取较大的一个作为计算最长公共子串的偏移容忍度；然后计算两个序列的最长公共子串，记最长公共字串长度为l，则缩减系数为：

3.3贡献度阈值计算

对于原始训练数据，计算每个变量内部的DTW累加距离即变量的自相似性，选取其中的最大值作为变量的贡献度阈值。

和现有技术相比较，本发明具备如下优点：

1、应用深度置信网络，构建出双重故障监测阈值，实时且准确识别风机轴承故障。

2、改进了动态时间规整方法，构建变量贡献度度量模型，在识别故障的基础上，自动定位发生故障变量，辨识故障产生原因。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

实例：

如图1所示，本实施例一种风机轴承故障自适应辨识方法，以某风机为例，首先，当风机处于正常运行时，根据风机数据采集与监视控制系统(SCADA)采集到各监测点位数据，明确各监测点位的物理意义，如叶轮转速，轴承温度，齿轮箱油池温度，齿轮箱入口压力等，进而建立原始高维训练数据集，并对数据进行标准化处理；然后根据标准化处理后的训练数据，基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限和基于改进动态时间规整DTW的变量贡献度度量模型，训练阶段结束。之后将整个模型进行实际应用，假设当前风机发生主传动链故障，导致了叶轮转速下降，轴承温度升高，当前采集到的对应数据发生变化，将当前数据输入到深度置信网络DBN中时，发现特征空间监测量与SPE统计量均超过控制限，则说明当前风机发生故障，触发基于改进动态时间规整DTW的变量贡献度计算，通过计算发现叶轮转速和轴承温度两项变量的贡献度超限，最后将上述信息进行统计、标记、储存，辨识上述变量异常对应的故障。

Claims (3)

1.一种风机轴承故障自适应辨识方法，其特征在于，包括以下步骤：

步骤1)、采集数据：根据风机数据采集与监视控制系统SCADA采集到的系统正常运行数据，将监测变量与监测点位对应，明确各变量的物理意义；进而，建立原始高维训练数据集，并对数据进行标准化处理；

步骤2)、根据步骤1)进行标准化处理后训练数据，基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；

步骤3)、根据步骤1)进行标准化处理后训练数据，建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，从而建立基于相似性的变量贡献度量模型；

步骤4)、在实际应用阶段，对于在线新数据，根据步骤2)中的双重监控限判断是否有异常产生；

步骤5)、如果步骤4)中产生异常，应用步骤3)中基于相似性的变量贡献度量模型确定各变量对异常的贡献度指标；

步骤6)、根据步骤4)中的双重监控限和步骤5)中各变量对异常的贡献度指标，对在线新数据进行标记；当在线数据超出步骤4)中的任意一个监控限时，当前数据被辨识为故障，之后步骤5)自动启动，对故障数据各变量贡献度超出阈值情况进行统计，辨识故障产生原因。

2.根据权利要求1所述的一种风机轴承故障自适应辨识方法，步骤2中基于深度置信网络DBN分别建立特征空间监测量与SPE统计量的双重监控限，用于监测系统中是否有异常信号产生；具体过程为：

深度置信网络DBN受限玻尔兹曼能量函数为

其中v＝v₁,v₂,...,v_m为输入变量，i＝1,2...m表示输入变量维数，h＝h₁,h₂,...,h_k为隐层状态，j＝1,2...k表示隐藏层节点个数，其中隐层状态为{0，1}离散值；σ_i为输入向量对应的高斯噪声标准差，w_ij表示可见单元与隐层节点之间的连接权重；a_i表示输入向量的偏置，b_j表示隐层节点偏置；深度置信网络DBN由多个受限玻尔兹曼隐层堆砌而成，则输入向量与最后一层隐层(v,h)的联合分布为

其中Z＝∑_v,he^-E(v,h)为归一化因子；最后隐层节点的激活状态即编码表示为：

根据隐藏层重构数据即解码表示为

其中，σ(·)是sigmoid激活函数，N(μ,σ_i ²)是均值为μ，方差为σ_i ²的高斯函数；

训练深度置信网络DBN，优化目标为使重构的数据能最大程度拟合原始训练数据分布，即经过编码解码之后重构数据和原始数据误差最小；

2.2特征空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入到训练好的深度置信网络DBN中，得到所有数据的隐层特征H＝[h⁽¹⁾,h⁽²⁾,...]其中每个特征向量h⁽ⁱ⁾都是{0，1}二值变量；然后，两两计算特征向量之间的汉明距离，选择其中最大的汉明距离作为特征空间监控限T_control；

2.3残差空间监控限的建立：

将训练数据X＝[x⁽¹⁾,x⁽²⁾,...]输入训练好的深度置信网络DBN中，得所有数据的重构数据

计算每个数据的重构误差

SPE＝e^T·e (6)

将所有训练数据的SPE重构误差拟合为高斯分布N(μ_SPE,σ_SPE ²)，则残差空间监控限为SPE_control＝μ_SPE+3σ_SPE ²。

3.根据权利要求1所述的一种风机轴承故障自适应辨识方法，步骤3中建立基于改进动态时间规整DTW的各变量基础自相似性指标，确定各变量贡献度阈值，具体步骤为：

3.1基于DTW的各变量相似度算法

首先根据需要截取训练数据中长度相等的两个时间序列，然后构建两个序列的距离矩阵；对于两个序列Q＝[q₁,q₂,...,q_χ,...q_n]，C＝[c₁,c₂,...,c_δ,...c_n]，距离矩阵元素(χ,δ)表示q_χ和c_δ两个点的距离d(q_χ,c_δ)，这个距离用欧式距离表示即d(q_χ,c_δ)＝(q_χ-c_δ)²；找到(0，0)，到(n,n)的最短路径，并将所有的距离d(q_χ,c_δ)进行累加得到DTW累加距离，这一过程表示为

γ(χ,δ)＝d(q_χ,c_δ)+min{γ(χ-1,δ-1),γ(χ-1,δ),γ(χ,δ-1)} (7)

其中，γ(χ,δ)代表累加距离；

3.2 DTW改进策略

为了解决周期序列平移导致的DTW累加过大问题，引入缩减系数α，最终累加距离为α·γ(χ,δ)，其中缩减系数α的计算如下：

首先计算两个序列Q＝[q₁,q₂,...,q_χ,...q_n]和C＝[c₁,c₂,...,c_δ,...c_n]的标准差，选取较大的一个作为计算最长公共子串的偏移容忍度；然后计算两个序列的最长公共子串，记最长公共字串长度为l，则缩减系数为：

3.3贡献度阈值计算

对于原始训练数据，计算每个变量内部的DTW累加距离即变量的自相似性，选取其中的最大值作为变量的贡献度阈值。

Images