CN113935252B - 旋转机械缺失故障特征恢复方法及系统 - Google Patents

旋转机械缺失故障特征恢复方法及系统 Download PDF

Info

Publication number
CN113935252B
CN113935252B CN202111548548.6A CN202111548548A CN113935252B CN 113935252 B CN113935252 B CN 113935252B CN 202111548548 A CN202111548548 A CN 202111548548A CN 113935252 B CN113935252 B CN 113935252B
Authority
CN
China
Prior art keywords
matrix
data
network
monitoring data
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111548548.6A
Other languages
English (en)
Other versions
CN113935252A (zh
Inventor
胡文扬
王天杨
褚福磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202111548548.6A priority Critical patent/CN113935252B/zh
Publication of CN113935252A publication Critical patent/CN113935252A/zh
Application granted granted Critical
Publication of CN113935252B publication Critical patent/CN113935252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种旋转机械缺失故障特征恢复方法及系统，其中的方法包括：基于获取的旋转机械的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵；基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵；基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN‑GP网络；基于训练完成的WGAIN‑GP网络，获取与监测数据对应的恢复信号及恢复故障特征。利用上述发明能够有效对因监测数据严重缺失而造成的旋转机械故障特征进行恢复。

Description

旋转机械缺失故障特征恢复方法及系统
技术领域
本发明涉及机械故障诊断技术领域，更为具体地，涉及一种旋转机械缺失故障特征恢复方法及系统。
背景技术
随着科技的不断发展，以无线传感器为代表的新一代监测设备被越来越多地应用到旋转机械健康状态的监测当中，无线传感器相较于传统传感器具有智能化程度高、不需要额外线路设计等优势，但其在实际使用中往往会出现监测数据缺失的问题。在数据缺失率较大的情况下，容易导致对监测旋转机械健康状态的错误评估和不当的维护策略的制定。
目前，较为常用的恢复序列中缺失数据的方法主要有基于统计学的方法和基于经典机器学习和深度学习的方法。但是，基于统计学的数据恢复方法在处理具有往复特性、高采样频率特性的旋转机械监测信号时，对故障特征的恢复效果往往不如机器学习方法理想。而基于经典机器学习的方法大部分都需要较多完整数据集来进行训练，而这一条件在实际应用中很难得到满足。
因此，开发一种无监督、故障特征恢复和训练同时进行且能够较好地对缺失数据引发的扭曲故障特征进行恢复的算法就具有较大的实际意义。
发明内容
鉴于上述问题，本发明的目的是提供一种旋转机械缺失故障特征恢复方法及系统，以解决现有缺失数据恢复方式存在的恢复效果差或者需要大量的训练数据集，导致恢复质量低、成本等问题。
本发明提供的旋转机械缺失故障特征恢复方法，包括：基于获取的旋转机械的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵；基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵；基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络；基于训练完成的WGAIN-GP网络，获取与监测数据对应的恢复信号及恢复故障特征。
此外，可选的技术方案是，基于获取的带有缺失项的监测数据，获取与监测数据相对应的掩码矩阵的过程包括：从旋转机械的监测系统中采集带有缺失项的监测数据；对监测数据进行归一化处理，获取与原始数据相对应的归一化数据；基于归一化数据生成与原始数据的维度相同的掩码矩阵；其中，掩码矩阵中数据未缺失部分的取值为1，数据缺失部分的取值为0。
此外，可选的技术方案是，基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵的过程包括：从预设均匀分布U(0，I)中生成一个随机矩阵B，随机矩阵B的维度与掩码矩阵的维度相同，其中，0和I分别表示维度与所述原始数据相同的全零矩阵和对角线元素为1的矩阵；判断随机矩阵B中的元素与预设提示率之间的大小，并当元素大于预设提示率时，将元素的取值设置为对应位置的掩码矩阵中的取值；否则，将元素的取值设置为0。
此外，可选的技术方案是，基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络的过程包括：从预设正态分布N （0，I）中生成噪声样本集，其中，0和I分别表示维度与原始数据相同的全零矩阵和对角线元素为1的矩阵；对噪声样本集、监测数据的归一化数据和掩码矩阵进行第一组合，获取第一组合矩阵；对组合矩阵和掩码矩阵进行拼接，并输入WGAIN-GP网络的生成器网络中，通过生成器网络输出中间矩阵；对中间矩阵、掩码矩阵和归一化数据进行第二组合，获取第二组合矩阵；将第二组合矩阵与提示矩阵进行拼接，并输入WGAIN-GP网络的判别器网络中，进行迭代训练。
此外，可选的技术方案是，还包括：获取当前迭代步内判别器网络的第一损失函数值，以及获取当前迭代步内的生成器网络的第二损失函数值；基于第一损失函数值和第二损失函数值，对当前迭代步内的生成器网络和判别器网络的参数进行优化处理；基于优化处理后的判别器网络和生成器网络进行迭代训练，直至第一损失函数值和第二损失函数值收敛在预设范围内，完成WGAIN-GP网络的训练。
此外，可选的技术方案是，第一损失函数的表达式为：
Figure 104192DEST_PATH_IMAGE001
Figure 456676DEST_PATH_IMAGE002
Figure 399224DEST_PATH_IMAGE003
其中，
Figure 774842DEST_PATH_IMAGE004
，G表示生成器网络，
Figure 195459DEST_PATH_IMAGE005
表示超参数，C表示判别器 网络，
Figure 854979DEST_PATH_IMAGE006
表示判别器网络参数，E表示期望，Z表示噪声样本集，X表示监测数据、M表示掩码 矩阵、H表示提示矩阵，X Z 表示由监测数据和噪声样本集按照均匀分布加权向量，
Figure 968429DEST_PATH_IMAGE007
表示对X Z 求梯度，
Figure 831343DEST_PATH_IMAGE008
，
Figure 55651DEST_PATH_IMAGE009
表示服从
Figure 802633DEST_PATH_IMAGE010
的平均分布，
Figure 86984DEST_PATH_IMAGE011
表示X Z 第j列对应的向量，
Figure 499511DEST_PATH_IMAGE012
表示生成器输出的第i列对应向量，m(i)为M的第i列对应 向量，
Figure 465193DEST_PATH_IMAGE013
表示矩阵按元素相乘。
此外，可选的技术方案是，第二损失函数的表达式为：
Figure 646776DEST_PATH_IMAGE014
Figure 23399DEST_PATH_IMAGE015
其中，
Figure 923222DEST_PATH_IMAGE016
表示超参数，C表示判别器网络，G表示生成器网络，
Figure 427016DEST_PATH_IMAGE017
表示生成器网络 参数，E表示期望，M表示掩码矩阵、H表示提示矩阵，
Figure 728684DEST_PATH_IMAGE013
表示矩阵按元素相乘。
此外，可选的技术方案是，对监测数据进行归一化处理的表达式为：
Figure 89258DEST_PATH_IMAGE018
其中，
Figure 164793DEST_PATH_IMAGE019
为监测数据中第j个通道对应的未缺失的监测数据，
Figure 534594DEST_PATH_IMAGE020
表示监测数据中第j个通道中未缺失部分的最小值，
Figure 362873DEST_PATH_IMAGE021
表示所述监测数据中第j个通道中未缺失部分的最大值，缺失部分的数据统一赋值为0；此外
Figure 159928DEST_PATH_IMAGE022
表示通道的个数，或者在监测系统中部署的传感器的个数。
此外，可选的技术方案是，还包括：获取恢复信号的包络解调谱；基于包络解调谱验证旋转机械缺失故障特征的恢复效果。
根据本发明的另一方面，提供一种旋转机械缺失故障特征恢复系统，包括：掩码矩阵获取单元，用于基于获取的旋转机械的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵；提示矩阵获取单元，用于基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵；网络训练单元，用于基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络；恢复信号获取单元，用于基于训练完成的WGAIN-GP网络，获取与监测数据对应的恢复信号及恢复故障特征。
利用上述旋转机械缺失故障特征恢复方法及系统，能够基于获取的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵，进而基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵，基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络，最后基于训练完成的WGAIN-GP网络，获取与监测数据对应的恢复信号及恢复故障特征，信号的恢复效果好，效率高，可适用于多种类型的旋转机械的数据缺失场景中。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的旋转机械缺失故障特征恢复方法的流程图；
图2为根据本发明实施例的判别器网络的结构示意图；
图3为根据本发明实施例的生成器网络的结构示意图；
图4为根据本发明实施例的旋转机械缺失故障特征恢复系统的逻辑框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
在本发明的任何实施例被具体地描述之前，应该理解本文中公开的概念不将它们的应用限制到在以下描述中阐述或在以下附图中图示的构造的细部和构件的布置。在这些实施例中图示的概念能够以各种方式实践或执行。本文中使用的具体短语和术语为了便于描述，并且不应该被认为是限制性的。
下面将结合实施例中的附图，对实施例中的技术方案进行具体、清楚、完整地描述。
图1示出了根据本发明实施例的旋转机械缺失故障特征恢复方法的流程。
如图1所示，本发明实施例的旋转机械缺失故障特征恢复方法，包括：
S110：基于获取的旋转机械的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵。
其中，该步骤S110可进一步包括以下步骤：
S111：从旋转机械的监测系统中采集带有缺失项的监测数据；
S112：对监测数据进行归一化处理，获取与所述原始数据相对应的归一化数据；
具体地，上述监测数据可以为带有较大缺失项的实际监测数据，对该监测数据进行归一化处理后，可形成与原始数据相对应的归一化数据，该原始数据可理解为对缺失项进行填补处理后，形成的维度与不存在缺失的监测数据相对应的数据结构。
其中，对监测数据进行归一化处理的表达式为：
Figure 768764DEST_PATH_IMAGE018
其中，
Figure 129207DEST_PATH_IMAGE019
为所述监测数据中第j个通道对应的未缺失的监测数据，
Figure 139888DEST_PATH_IMAGE020
表示所述监测数据中第j个通道中未缺失部分的最小值，
Figure 107844DEST_PATH_IMAGE021
表示所述监测数据中第j个通道中未缺失部分的最大值，缺失部分的数据可统一赋值为0；此外
Figure 141659DEST_PATH_IMAGE022
表示通道的个数，或者在监测系统中部署的传感器的个数，该归一化处理后的归一化数据可记作X。
S113：基于归一化数据生成与原始数据的维度相同的掩码矩阵；其中，掩码矩阵中数据未缺失部分的取值为1，数据缺失部分的取值为0。
S120：基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵。
其中，该步骤可进一步包括：
S121：首先预设提示率p h ，该p h 为理解为预设的超参数，此处可根据经验值将其设定为0.9或者其他数值等。
S122：按照给定的提示率p h 构建提示矩阵；其中，提示矩阵的构建方法包括：
第一步：从预设均匀分布U(0，I)中生成一个随机矩阵B，该随机矩阵B的维度与掩码矩阵M或归一化数据X的维度相同，其中，0和I分别表示维度与所述原始数据相同的全零矩阵和对角线元素为1的矩阵；
第二部：判断随机矩阵B中的元素与预设提示率之间的大小，并当元素大于预设提示率时，将元素的取值设置为对应位置的掩码矩阵中的取值；否则，将元素的取值设置为0。
具体地，当随机矩阵B中各位置对应的元素b ij >p h 时，则该位置对应的提示矩阵h ij 取值与掩码矩阵取值m ij 相等；反之，则将该位置对应的提示矩阵h ij 取值为0。
S130：基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络。
其中，WGAIN-GP网络的构建过程可以包括：首先，搭建一个由两个全连接隐含层串联组成的生成器网络：隐藏层的节点数目分别设定为2l、l，图2示出了根据本发明实施例的生成器网络的示意结构。同时，搭建一个由两个全连接隐含层构成的判别器网络，隐藏层的节点数目分别设定为2l、l，图2示出了根据本发明实施例的判别器网络的示意结构，图3示出了根据本发明是示例的生成器网络的示意结构。
具体地，如图2所述，Critic指的就是判别器网络，
Figure 853263DEST_PATH_IMAGE023
和提示矩阵H作为判别器网络的输入，layer1和layer2分别指网络的第一层和第二层，LeakyReLU和Sigmoid分别指代LeakyReLU函数和Sigmoid函数，LeakyReLU函数的负半轴斜率可设置为0.01。layernorm表示采用layernorm操作的归一化层，batchnorm表示采用batchnorm的归一化层。如图3所示，Critic指的就是判别器网络，X、Z和M作为该生成器网络的输入，layer1和layer2分别指网络的第一层和第二层，LeakyReLU和Sigmoid分别指代LeakyReLU函数和Sigmoid函数，LeakyReLU函数的负半轴斜率可设置为0.01，batchnorm表示采用batchnorm的归一化层。
然后，基于搭建的判别器网络和生成器网络组成WGAIN-GP网络，而基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据的过程可进一步包括：
S131：从预设正态分布N（0，I）中生成噪声样本集，其中，0和I分别表示维度与原始数据相同的全零矩阵和对角线元素为1的矩阵；
S132：对噪声样本集、监测数据的归一化数据和掩码矩阵进行第一组合，获取第一组合矩阵；
S133：对组合矩阵和掩码矩阵进行拼接，并输入WGAIN-GP网络的生成器网络中，通过生成器网络输出中间矩阵；
S134：对中间矩阵、掩码矩阵和归一化数据进行第二组合，获取第二组合矩阵；
S135：将第二组合矩阵与提示矩阵进行拼接，并输入WGAIN-GP网络的判别器网络中，进行迭代训练。其中，组合矩阵和掩码矩阵的拼接矩阵，以及第二组合矩阵与提示矩阵的拼接矩阵，均可理解为WGAIN-GP网络的训练数据。
作为具体示例，可从正态分布N(0, I)中生成噪声样本集Z，其中，0和I分别为一尺寸大小和归一化数据相同的全零矩阵和对角线元素为1的矩阵。该噪声样本集的尺寸大小和监测数据的维度大小一致，为(N, l)。将该噪声样本集Z、归一化数据X以及掩码矩阵M按照下式进行组合，获取的第一组合矩阵表示为：
Figure 398077DEST_PATH_IMAGE024
然后，获取的第一组合矩阵进一步与掩码矩阵M进行拼接后构成尺寸为(N, 2l)的矩阵输入到生成器网络中。将生成器网络的输出G、掩码矩阵M和归一化数据X按照下式进行组合，获取的第二组合矩阵表示为：
Figure 536935DEST_PATH_IMAGE025
然后，获取的第二组合矩阵并和提示矩阵H进行拼接后构成尺寸为(N, 2l)的矩阵输入到判别器网络D当中。
基于上述各步骤迭代训练该无监督WGAIN-GP网络。
具体地，迭代训练该无监督WGAIN-GP网络的过程进一步包括：
第一步：获取当前迭代步内判别器网络的第一损失函数值，以及获取当前迭代步内的生成器网络的第二损失函数值；
第二步：基于第一损失函数值和第二损失函数值，对当前迭代步内的生成器网络和判别器网络的参数进行优化处理；
第三步：基于优化处理后的判别器网络和生成器网络进行迭代训练，直至第一损失函数值和第二损失函数值收敛在预设范围内，完成WGAIN-GP网络的训练。
其中，第一损失函数的表达式为：
Figure 120363DEST_PATH_IMAGE001
Figure 307762DEST_PATH_IMAGE002
Figure 293035DEST_PATH_IMAGE026
其中，
Figure 602794DEST_PATH_IMAGE004
，G表示生成器网络，
Figure 860469DEST_PATH_IMAGE005
表示超参数，C表示判别器 网络，E表示期望，
Figure 851558DEST_PATH_IMAGE006
表示判别器网络参数，Z表示噪声样本集，X表示监测数据、M表示掩码 矩阵、H表示提示矩阵，X Z 表示由监测数据和噪声样本集按照均匀分布加权向量，
Figure 691338DEST_PATH_IMAGE007
表示对X Z 求梯度，
Figure 171998DEST_PATH_IMAGE008
，
Figure 152855DEST_PATH_IMAGE009
表示服从
Figure 9953DEST_PATH_IMAGE010
的平均分 布，
Figure 641922DEST_PATH_IMAGE027
表示X Z 第j列对应的向量，
Figure 293483DEST_PATH_IMAGE012
表示生成器输出的第i列对应向量，m(i)为M的第i列对 应向量，
Figure 338800DEST_PATH_IMAGE013
表示矩阵按元素相乘。
此外，可选的技术方案是，第二损失函数的表达式为：
Figure 920960DEST_PATH_IMAGE014
Figure 469753DEST_PATH_IMAGE015
其中，
Figure 557794DEST_PATH_IMAGE016
表示超参数，C表示判别器网络，G表示生成器网络，
Figure 762511DEST_PATH_IMAGE017
表示生成器网络 参数，E表示求解数据序列的期望，M表示掩码矩阵、H表示提示矩阵，
Figure 961411DEST_PATH_IMAGE013
表示矩阵按元素相 乘。
需要说明的是，除了通过损失函数的收敛来判断网络是否训练完成，还可以通过迭代次数进行收敛判断，例如，判断生成器网络与判别器网络的对抗训练是否已经经过预设次数，如300个批次。如若已经经过300次批次训练，则停止训练；如果小于300个批次，则继续训练。
S140：基于训练完成的WGAIN-GP网络，获取与所述监测数据对应的恢复信号及恢复故障特征。
在本发明的一个具体实施方式中，旋转机械缺失故障特征恢复方法还包括：获取与所述监测数据对应的恢复信号及恢复故障特征后，进一步验证该恢复信号的恢复效果，例如，可通过获取恢复信号的包络解调谱，并基于包络解调谱验证旋转机械缺失故障特征的恢复效果。
其中，在检验上述旋转机械缺失故障特征恢复方法的有效性时，可通过对恢复后监测数据的包络谱故障特征频段进行检查来判断原故障特征是否恢复成功；在实际应用中，可通过对恢复后监测数据的包络谱故障特征频段进行特征检查来判断原监测信号中是否存在相应故障。
与上述获取与所述旋转机械缺失故障特征恢复方法相对应，本发明还提供一种旋转机械缺失故障特征恢复系统。
具体地，图4示出了根据本发明实施例的旋转机械缺失故障特征恢复系统的示意逻辑。
如图4所示，本发明实施例的旋转机械缺失故障特征恢复系统100，可包括：
掩码矩阵获取单元101，用于基于获取的带有缺失项的监测数据，获取与监测数据相对应的原始数据的掩码矩阵；
提示矩阵获取单元102，用于基于预设提示率及掩码矩阵，建立与掩码矩阵相对应的提示矩阵；
网络训练单元103，用于基于预设噪声样本集、监测数据、掩码矩阵和提示矩阵构成训练数据，并基于训练数据训练预构建的WGAIN-GP网络；
恢复信号获取单元104，用于基于训练完成的WGAIN-GP网络，获取与监测数据对应的恢复信号及恢复故障特征。
需要说明的是，关于旋转机械缺失故障特征恢复系统的实施例可参考旋转机械缺失故障特征恢复方法实施例中的描述，此处不再一一赘述。
根据上述本发明提供的旋转机械缺失故障特征恢复方法及系统，采集包含缺失项的旋转机械监测数据并进行数据标准化处理；然后，基于监测数据生成掩码信息及提示信息，并构建无监督梯度惩罚的WGAIN-GP网络并进行训练，能够进行缺失数据插补和故障特征的恢复，能够有效对因监测数据严重缺失而造成的旋转机械故障特征进行恢复，具有重要的实用性和工程价值。
如上参照附图以示例的方式描述根据本发明的旋转机械缺失故障特征恢复方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的旋转机械缺失故障特征恢复方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (10)

1.一种旋转机械缺失故障特征恢复方法，其特征在于，包括：
基于获取的旋转机械的带有缺失项的监测数据，获取与所述监测数据相对应的原始数据的掩码矩阵；
基于预设提示率及所述掩码矩阵，建立与所述掩码矩阵相对应的提示矩阵；
基于预设噪声样本集、所述监测数据、所述掩码矩阵和所述提示矩阵构成训练数据，并基于所述训练数据训练预构建的WGAIN-GP网络；
基于训练完成的WGAIN-GP网络，获取与所述监测数据对应的恢复信号及恢复故障特征。
2.如权利要求1所述的旋转机械缺失故障特征恢复方法，其特征在于，基于获取的带有缺失项的监测数据，获取与所述监测数据相对应的掩码矩阵的过程包括：
从旋转机械的监测系统中采集带有缺失项的监测数据；
对所述监测数据进行归一化处理，获取与所述原始数据相对应的归一化数据；
基于所述归一化数据生成与所述原始数据的维度相同的掩码矩阵；其中，所述掩码矩阵中数据未缺失部分的取值为1，数据缺失部分的取值为0。
3.如权利要求1所述的旋转机械缺失故障特征恢复方法，其特征在于，基于预设提示率及所述掩码矩阵，建立与所述掩码矩阵相对应的提示矩阵的过程包括：
从预设均匀分布U(0，I)中生成一个随机矩阵B，所述随机矩阵B的维度与所述掩码矩阵的维度相同；其中，0和I分别表示维度与所述原始数据相同的全零矩阵和对角线元素为1的矩阵；
判断所述随机矩阵B中的元素与所述预设提示率之间的大小，并当所述元素大于所述预设提示率时，将所述元素的取值设置为对应位置的所述掩码矩阵中的取值；否则，将所述元素的取值设置为0。
4.如权利要求2所述的旋转机械缺失故障特征恢复方法，其特征在于，基于预设噪声样本集、所述监测数据、所述掩码矩阵和所述提示矩阵构成训练数据，并基于所述训练数据训练预构建的WGAIN-GP网络的过程包括：
从预设正态分布N（0，I）中生成所述噪声样本集，其中，0和I分别表示维度与所述原始数据相同的全零矩阵和对角线元素为1的矩阵；
对所述噪声样本集、所述监测数据的归一化数据和所述掩码矩阵进行第一组合，获取第一组合矩阵；
对所述组合矩阵和所述掩码矩阵进行拼接，并输入所述WGAIN-GP网络的生成器网络中，通过所述生成器网络输出中间矩阵；
对所述中间矩阵、所述掩码矩阵和所述归一化数据进行第二组合，获取第二组合矩阵；
将所述第二组合矩阵与所述提示矩阵进行拼接，并输入所述WGAIN-GP网络的判别器网络中，进行迭代训练。
5.如权利要求4所述的旋转机械缺失故障特征恢复方法，其特征在于， 还包括：
获取当前迭代步内所述判别器网络的第一损失函数值，以及获取所述当前迭代步内的所述生成器网络的第二损失函数值；
基于所述第一损失函数值和所述第二损失函数值，对所述当前迭代步内的所述生成器网络和所述判别器网络的参数进行优化处理；
基于优化处理后的判别器网络和生成器网络进行迭代训练，直至所述第一损失函数值和所述第二损失函数值收敛在预设范围内，完成所述WGAIN-GP网络的训练。
6.如权利要求5所述的旋转机械缺失故障特征恢复方法，其特征在于，
所述第一损失函数的表达式为：
Figure 640118DEST_PATH_IMAGE001
Figure 557258DEST_PATH_IMAGE002
Figure 523946DEST_PATH_IMAGE003
其中，
Figure 856838DEST_PATH_IMAGE004
，G表示生成器网络，
Figure 671211DEST_PATH_IMAGE005
表示超参数，C表示所述判别器网络，
Figure 493673DEST_PATH_IMAGE006
表示判别器网络参数，E表示期望，Z表示所述噪声样本集，X表示所述归一化数据、M表示所述掩码矩阵、H表示所述提示矩阵，X Z 表示由所述监测数据和所述噪声样本集按照均匀分布加权向量，
Figure 446192DEST_PATH_IMAGE007
表示对X Z 求梯度，
Figure 645092DEST_PATH_IMAGE008
，
Figure 251654DEST_PATH_IMAGE009
表示服从
Figure 245018DEST_PATH_IMAGE010
的平均分布，
Figure 999348DEST_PATH_IMAGE011
表示X Z 第j列对应的向量，
Figure 923310DEST_PATH_IMAGE012
表示生成器输出的第i列对应向量，m(i)为M的第i列对应向量，
Figure 446695DEST_PATH_IMAGE013
表示矩阵按元素相乘。
7.如权利要求5所述的旋转机械缺失故障特征恢复方法，其特征在于，
所述第二损失函数的表达式为：
Figure 814223DEST_PATH_IMAGE014
Figure 744264DEST_PATH_IMAGE015
其中，
Figure 19387DEST_PATH_IMAGE016
表示超参数，C表示所述判别器网络，G表示所述生成器网络，
Figure 662858DEST_PATH_IMAGE017
表示生成器网络参数，E表示期望，M表示所述掩码矩阵、H表示所述提示矩阵，
Figure 935708DEST_PATH_IMAGE013
表示矩阵按元素相乘。
8.如权利要求2所述的旋转机械缺失故障特征恢复方法，其特征在于，对所述监测数据进行归一化处理的表达式为：
Figure 664629DEST_PATH_IMAGE018
其中，
Figure 743444DEST_PATH_IMAGE019
为所述监测数据中第j个通道对应的未缺失的监测数据，
Figure 428372DEST_PATH_IMAGE020
表示所述监测数据中第j个通道中未缺失部分的最小值，
Figure 200019DEST_PATH_IMAGE021
表示所述监测数据中第j个通道中未缺失部分的最大值，缺失部分的数据统一赋值为0；
Figure 88340DEST_PATH_IMAGE022
表示通道的个数，或者在监测系统中部署的传感器的个数。
9.如权利要求1所述的旋转机械缺失故障特征恢复方法，其特征在于，还包括：
获取所述恢复信号的包络解调谱；
基于所述包络解调谱验证所述旋转机械缺失故障特征的恢复效果。
10.一种旋转机械缺失故障特征恢复系统，其特征在于，包括：
掩码矩阵获取单元，用于基于获取的旋转机械的带有缺失项的监测数据，获取与所述监测数据相对应的原始数据的掩码矩阵；
提示矩阵获取单元，用于基于预设提示率及所述掩码矩阵，建立与所述掩码矩阵相对应的提示矩阵；
网络训练单元，用于基于预设噪声样本集、所述监测数据、所述掩码矩阵和所述提示矩阵构成训练数据，并基于所述训练数据训练预构建的WGAIN-GP网络；
恢复信号获取单元，用于基于训练完成的WGAIN-GP网络，获取与所述监测数据对应的恢复信号及恢复故障特征。
CN202111548548.6A 2021-12-17 2021-12-17 旋转机械缺失故障特征恢复方法及系统 Active CN113935252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111548548.6A CN113935252B (zh) 2021-12-17 2021-12-17 旋转机械缺失故障特征恢复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111548548.6A CN113935252B (zh) 2021-12-17 2021-12-17 旋转机械缺失故障特征恢复方法及系统

Publications (2)

Publication Number Publication Date
CN113935252A CN113935252A (zh) 2022-01-14
CN113935252B true CN113935252B (zh) 2022-05-13

Family

ID=79289318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111548548.6A Active CN113935252B (zh) 2021-12-17 2021-12-17 旋转机械缺失故障特征恢复方法及系统

Country Status (1)

Country Link
CN (1) CN113935252B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815223B (zh) * 2019-01-21 2020-09-25 北京科技大学 一种针对工业监测数据缺失的补全方法及补全装置
US20210197335A1 (en) * 2019-12-26 2021-07-01 Dalian University Of Technology Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring
CN112257694B (zh) * 2020-12-22 2021-03-16 北京航空航天大学 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法
CN113591954B (zh) * 2021-07-20 2023-10-27 哈尔滨工程大学 一种工业系统中缺失的时序数据的填充方法

Also Published As

Publication number Publication date
CN113935252A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
Chen et al. Resilient distributed estimation: Sensor attacks
CN109727246B (zh) 一种基于孪生网络的对比学习图像质量评估方法
CN107273872B (zh) 用于图像或视频中行人重识别的深度判别网络模型方法
CN109214973B (zh) 针对隐写分析神经网络的对抗安全载体生成方法
CN110207997B (zh) 基于卷积自编码器的液体火箭发动机故障检测方法
CN109800710B (zh) 行人重识别系统及方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN108960304B (zh) 一种网络交易欺诈行为的深度学习检测方法
Zhang et al. Direct fidelity estimation of quantum states using machine learning
CN111260620B (zh) 图像异常检测方法、装置和电子设备
CN113052203A (zh) 一种面向多种类数据的异常检测方法及装置
CN111565189A (zh) 基于深度学习的侧信道分析方法
CN113705424A (zh) 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法
CN115174178B (zh) 基于生成对抗网络的半监督网络流量异常检测方法
CN115018012B (zh) 一种高维度特性下的物联网时间序列异常检测方法及系统
CN115810013A (zh) 一种融合vit和gan的焊接异常检测方法
CN117168814A (zh) 一种基于复合生成对抗网络的轴承故障诊断方法
Zhang et al. Occlusion-robust face recognition using iterative stacked denoising autoencoder
CN116994044A (zh) 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法
CN113935252B (zh) 旋转机械缺失故障特征恢复方法及系统
CN116051911B (zh) 基于不确定性学习的小样本轴承振动图像数据故障诊断方法
CN112613494A (zh) 基于深度对抗网络的电力线路监控异常识别方法及系统
CN117041104A (zh) 基于对抗自动编码的网络拥塞链路诊断方法
CN111737688A (zh) 基于用户画像的攻击防御系统
CN116299219A (zh) 一种干扰深度特征距离度量联合检测与抑制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant