CN114266013A - 基于深度学习虚拟感知网络的传动系统振动解耦方法 - Google Patents

Abstract

一种基于深度学习虚拟感知网络的传动系统振动解耦方法，包括如下步骤：1)在传动系统中布置实际物理传感器和虚拟传感器；2)基于传动系统的动力学模型构建虚拟仿真模型，利用传动系统试验台和虚拟仿真模型对典型状态进行试验和仿真，采集振动数据以构建典型状态数据库；3)处理采集得到的振动数据，得到数据集；4)构建虚拟感知网络模型；5)将数据集分为训练集、验证集和测试集，训练虚拟感知网络模型；6)以实际物理传感器产生的振动数据作为输入预测虚拟传感器的振动数据，实现传动系统的虚拟感知。利用物理位置的真实传感器监测参数和数据，实现对传动系统的全面的多维虚拟感知和多源振动解耦分离，确保传动系统的安全性和稳定性。

Description

基于深度学习虚拟感知网络的传动系统振动解耦方法

技术领域

本发明属于振动分析技术领域，具体的为一种基于深度学习虚拟感知网络的传动系统振动解耦方法。

背景技术

传动系统的振动状态反应了多种内部零部件之间不断磨损与碰撞，这种相互作用常常导致信号具有较强的冲击成分，是一种典型的非平稳、非线性的信号。正是由于不同设备、不同组件、不同零部件之间的相互耦合激励、零部件的故障激励，以及环境中大量其他不确定激励源的影响，直接从轴承座或齿轮箱表面上采集的到的振动信息是多种激励的相互交织的结果，无法精准的实现对传动系统内部结构的准确监控。另外，由于传动系统本身结构问题，部分重要部位很难实现实时监测，布置相关传感器耗时耗力成本巨大，甚至会对现有传动结构造成影响。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习虚拟感知网络的传动系统振动解耦方法，利用物理位置的真实传感器监测参数和数据，实现对传动系统的全面的多维虚拟感知和多源振动解耦分离，确保传动系统的安全性和稳定性。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习虚拟感知网络的传动系统振动解耦方法，包括如下步骤：

1)在传动系统中布置实际物理传感器和虚拟传感器；

2)基于传动系统的动力学模型构建虚拟仿真模型，利用传动系统试验台和虚拟仿真模型对典型状态进行试验和仿真，采集振动数据以构建典型状态数据库；

3)处理采集得到的振动数据，得到数据集；

4)构建虚拟感知网络模型；

5)将数据集分为训练集、验证集和测试集，训练虚拟感知网络模型；

6)以实际物理传感器产生的振动数据作为输入预测虚拟传感器的振动数据，实现传动系统的虚拟感知。

进一步，所述步骤1)中，采用动刚度综合法、功率流或统计能量分析方法选取实际物理传感器和虚拟传感器的布置点位。

进一步，所述步骤1)中，采用基于峭度的测点评价方法选取实际物理传感器和虚拟传感器的布置点位；其中，实际物理传感器的布置点共选取N个，且实际物理传感器的布置点位避开传动系统中恶劣工作环境的部位，以准确采集数据；虚拟传感器的布置点位共选取M个，且虚拟传感器的布置点位选择传动系统中靠近易发生故障的位置区域。

进一步，基于峭度的测点评价方法为：

对于该信号x_i(i＝1,2,……n0，峭度指标表示为：

其中，K表示峭度；μ代表均值，σ代表标准差；

相同条件下某个测点的峭度值大于其余测点，则表明在该测点处布置传感器能更加及时准确地捕捉故障特征。

进一步，所述步骤2)中，传动系统的典型状态包括正常状态、典型工况下单一典型故障和典型工况下典型联发耦合故障。

进一步，所述步骤3)中，处理振动数据的方法如下：

(1)切掉早期不稳定信号和其他不可靠信号后，对数据进行去趋势项处理：

其中，

为去趋势项后稳定平滑的信号，T₀为滑动长度长度，t为采集信号个数；

(2)对数据进行去均值处理：

其中，

为去均值后的数据，n为数据的总个数；x_t表示t时刻的数据；x_i表示i时刻的数据；

(3)对数据进行小波包降噪处理，阈值定义如下：

其中，L为信号长度；λ为噪声能量，通过各尺度小波包系数的中位数m定义：

λ＝m/0.6745。

进一步，所述步骤4)中，以基于注意力机制的seq2seq模型构建虚拟感知网络模型，并以N个实际物理传感器采集的振动数据作为模型输入，M个虚拟传感器的振动数据作为模型输出。

进一步，基于注意力机制的seq2seq模型包括：

输入层：维度为N×F，其中，N表示实际物理传感器的数量，F表示在经过数据处理后的多元时间序列数据中选取的数据长度；

编码层：输入层的数据传输到编码层，编码层采用基于注意力机制的Bi-LSTM神经网络，每层设置128个LSTM神经单元；

解码层：编码层输出的向量C_f作为解码层的输入，解码层采用单层RNN，每层设置128个LSTM神经单元；

输出层：输出层为解码层的最终输出状态，其维度为M×P，M为虚拟传感器的数量，P为所选训练数据的长度。

进一步，编码层处理数据的方法为：

给定输入序列：

x＝(x₁，x₂，...x_f，...x_F)

则单个LSTM神经元的隐藏层编码公式为：

h_f ^→＝b(h_f-1 ^→，x_f)

其中，x_f(f∈{1，2，...，F})表示长度为N的列向量

b表示激活函数；h_f ^→为f时前向LSTM隐藏层的向量表示；h_f ^←为f时后向LSTM隐藏层的向量表示；

依次读完所有序列，整个编码层的隐藏层状态为：

hidden＝{h₁，h₂，...h_F}＝{[h₁ ^→；h_F-1 ^←]，[h₂ ^→；h_F-2 ^←]，...，[h_F ^→；h₁ ^←]}

基于注意力机制对隐藏层向量加权求和得到向量C_f，则向量C_f为：

其中，h_f和s_f分别表示隐藏层状态和神经元状态；

为f时刻编码器输出向量的权重；V_a、W和U均为权值参数；

表示f时刻编码器输出向量的权重；h_i表示编码层i时刻的隐藏层状态。

进一步，解码层处理数据的方法为：

s_m＝f(y_m-1，C_f，s_m-1)

其中，g，f是LSTM的激活函数；s_m表示m时刻隐状态神经元；s_m-1为m-1时刻隐状态神经元；y_m表示m时刻的输出；y_m-1为m-1时刻的输出，

为m时刻的输入。

本发明的有益效果在于：

本发明基于深度学习虚拟感知网络的传动系统振动解耦方法，针对传动系统振动信号的非平稳性与多源耦合的问题，通过实际物理传感器和传动系统的相对位置，结合传动系统动力学模型，构建解耦虚拟传感器阵列；通过动力学模型高度模拟真实设备的运行状态，构建传动系统振动监测典型状态数据库，构建虚拟感知网络模型，训练完成从真实响应数据到多源时变激励响应的映射，通过真实的物理传感器测点数据即可预测其他虚拟传感测点，即虚拟感知传动系统的响应状态；相比于其他方法，虚拟感知振动解耦网络学习训练后，通过部分真实物理振动响应数据能够更加精准的感知到传动系统中零部件的状态信息，极大的增强了状态评估的全面性，能够解决因传动系统振动信号的非平稳性与多源耦合的特性导致的后续故障诊断与寿命预测等精度降低的问题。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于深度学习虚拟感知网络的传动系统振动解耦方法实施例的流程图；

图2为基于注意力机制的seq2seq模型的结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，为本发明基于深度学习虚拟感知网络的传动系统振动解耦方法实施例的流程图。本实施例基于深度学习虚拟感知网络的传动系统振动解耦方法，包括如下步骤。

1)在传动系统中布置实际物理传感器和虚拟传感器。

具体的，采用动刚度综合法、功率流或统计能量分析方法选取实际物理传感器和虚拟传感器的布置点位。本实施例采用基于峭度的测点评价方法选取实际物理传感器和虚拟传感器的布置点位；其中，实际物理传感器的布置点共选取N个，且实际物理传感器的布置点位避开传动系统中恶劣工作环境的部位，以准确采集数据；虚拟传感器的布置点位共选取M个，且虚拟传感器的布置点位选择传动系统中靠近易发生故障的位置区域。N个物理传感器测点位置和M个虚拟传感器测点位置一起构成传感器阵列。

其中，基于峭度的测点评价方法为：

对于该信号x_i(i＝1,2,……n0，峭度指标表示为：

其中，K表示峭度；μ代表均值，σ代表标准差；

相同条件下某个测点的峭度值大于其余测点，则表明在该测点处布置传感器能更加及时准确地捕捉故障特征。

2)基于传动系统的动力学模型构建虚拟仿真模型，利用传动系统试验台和虚拟仿真模型对典型状态进行试验和仿真，采集振动数据以构建典型状态数据库。

本实施例通过ADAMS建立虚拟仿真模型，当然，在其他一些实施例中，还可以采用其他分析软件，如ANSYS、MATLAB或者多软件联合建立虚拟仿真模型。传动系统的典型状态包括正常状态、典型工况下单一典型故障和典型工况下典型联发耦合故障，即典型状态进行试验和仿真包括：正常状态下的试验及仿真、典型工况下单一典型故障的试验及仿真、典型工况下典型联发耦合故障的试验。

3)处理采集得到的振动数据，得到数据集。

具体的，处理振动数据的方法如下：

(1)对采集数据进行数据清理，切掉早期不稳定信号和其他不可靠信号后，对数据进行去趋势项处理：

其中，

为去趋势项后稳定平滑的信号，T₀为滑动长度长度，t为采集信号个数；

(2)对数据进行去均值处理：

其中，

为去均值后的数据，n为数据的总个数；x_t表示t时刻的数据；x_i表示i时刻的数据；

(3)对数据进行小波包降噪处理，阈值定义如下：

其中，L为信号长度；λ为噪声能量，通过各尺度小波包系数的中位数m定义：

λ＝m/0.6745。

4)构建虚拟感知网络模型。

本实施例以基于注意力机制的seq2seq模型构建虚拟感知网络模型，并以N个实际物理传感器采集的振动数据作为模型输入，M个虚拟传感器的振动数据作为模型输出。

具体的，如图2所示，基于注意力机制的seq2seq模型包括：

输入层：维度为N×F，其中，N表示实际物理传感器的数量，F表示在经过数据处理后的多元时间序列数据中选取的数据长度；

编码层：输入层的数据传输到编码层，编码层采用基于注意力机制的前向LSTM与后向LSTM组合而成的Bi-LSTM(Bi-directional Long Short-Term Memory)神经网络，每层设置128个LSTM(long short-term memory)神经单元；

解码层：编码层输出的向量C_f作为解码层的输入，解码层采用单层RNN，每层设置128个LSTM神经单元；

输出层：输出层为解码层的最终输出状态，其维度为M×P，M为虚拟传感器的数量，P为所选训练数据的长度。

具体的，编码层处理数据的方法为：

给定输入序列：

x＝(x₁，x₂，...x_f，...x_F)

则单个LSTM神经元的隐藏层编码公式为：

h_f ^→＝b(h_f-1 ^→，x_f)

其中，x_f(f∈{1，2，...，F})表示长度为N的列向量

b表示激活函数；h_f ^→为f时前向LSTM隐藏层的向量表示；h_f ^←为f时后向LSTM隐藏层的向量表示；

依次读完所有序列，整个编码层的隐藏层状态为：

hidden＝{h₁，h₂，...h_F}＝{[h₁ ^→；h_F-1 ^←]，[h₂ ^→；h_F-2 ^←]，...，[h_F ^→；h₁ ^←]}

基于注意力机制对隐藏层向量加权求和得到向量C_f，则向量C_f为：

其中，h_f和s_f分别表示隐藏层状态和神经元状态；

为f时刻编码器输出向量的权重；V_a、W和U均为权值参数；

表示f时刻编码器输出向量的权重；h_i表示编码层i时刻的隐藏层状态。

解码层处理数据的方法为：

s_m＝f(y_m-1，C_f，s_m-1)

其中，g，f是LSTM的激活函数；s_m表示m时刻隐状态神经元；s_m-1为m-1时刻隐状态神经元；y_m表示使用了Teacher Forcing机制后校正的m时刻的输出；y_m-1为使用了TeacherForcing机制后校正的m-1时刻的输出，

为m时刻的输入。最终根据当前校正输出

m时刻隐状态神经元s_m，以及注意力机制计算得到的向量C_f计算得到输出y_m。

5)将数据集分为训练集、验证集和测试集，训练虚拟感知网络模型。

本实施例将数据集按7:2:1的比例分为训练集、验证集和测试集。在模型训练阶段，将不同状态类型的训练集中的N个物理传感器测点的时序数据作为模型输入，将传动系统的M个虚拟传感器测点的时序数据作为模型输出，以此作为训练样本训练模型，损失函数为MSE Loss，优化器为Automatic Differentiation，并以验证集数据做验证，用于调整超参数和监控模型在训练过程的性能，最终得到训练后的虚拟感知网络模型。最后以测试集对虚拟感知网络模型最终的泛化能力进行评估。

6)以实际物理传感器产生的振动数据作为输入预测虚拟传感器的振动数据，可用于故障识别与诊断和状态预测，实现传动系统的虚拟感知。

本实施例基于深度学习虚拟感知网络的传动系统振动解耦方法，针对传动系统振动信号的非平稳性与多源耦合的问题，通过实际物理传感器和系统的相对位置，结合传动系统动力学模型，构建解耦虚拟传感器阵列；通过动力学模型高度模拟真实设备的运行状态，构建传动系统振动监测典型状态数据库，构建基于注意力机制的seq2seq感知网络，训练完成从真实响应数据到多源时变激励响应的映射，通过真实的物理传感器测点数据即可获得其他虚拟传感测点，即虚拟感知传动系统的响应状态。相比于其他方法，虚拟感知振动解耦网络学习训练后，可以通过部分真实物理振动响应数据能够更加精准的感知到传动系统中零部件的状态信息，极大的增强了状态评估的全面性，能够解决因传动系统振动信号的非平稳性与多源耦合的特性导致的后续故障诊断与寿命预测等精度降低的问题。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：包括如下步骤：

1)在传动系统中布置实际物理传感器和虚拟传感器；

2)基于传动系统的动力学模型构建虚拟仿真模型，利用传动系统试验台和虚拟仿真模型对典型状态进行试验和仿真，采集振动数据以构建典型状态数据库；

3)对采集得到的振动数据进行预处理，得到数据集；

4)构建虚拟感知网络模型；

5)将数据集分为训练集、验证集和测试集，训练虚拟感知网络模型；

6)以实际物理传感器产生的振动数据作为输入预测虚拟传感器的振动数据，实现传动系统的虚拟感知。

2.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：所述步骤1)中，采用动刚度综合法、功率流或统计能量分析方法选取实际物理传感器和虚拟传感器的布置点位。

3.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：所述步骤1)中，采用基于峭度的测点评价方法选取实际物理传感器和虚拟传感器的布置点位；其中，实际物理传感器的布置点共选取N个，且实际物理传感器的布置点位避开传动系统中恶劣工作环境的部位，以准确采集数据；虚拟传感器的布置点位共选取M个，且虚拟传感器的布置点位选择传动系统中靠近易发生故障的位置区域。

4.根据权利要求3所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：基于峭度的测点评价方法为：

对于该信号x_i(i＝1,2,……n)，峭度指标表示为：

其中，K表示峭度；μ代表均值，σ代表标准差；

相同条件下某个测点的峭度值大于其余测点，则表明在该测点处布置传感器能更加及时准确地捕捉故障特征。

5.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：所述步骤2)中，传动系统的典型状态包括正常状态、典型工况下单一典型故障和典型工况下典型联发耦合故障。

6.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：所述步骤3)中，处理振动数据的方法如下：

(1)切掉早期不稳定信号和其他不可靠信号后，对数据进行去趋势项处理：

其中，

为去趋势项后稳定平滑的信号，T₀为滑动长度长度，t为采集信号个数；

(2)对数据进行去均值处理：

其中，

为去均值后的数据，n为数据的总个数；x_t表示t时刻的数据；x_i表示i时刻的数据；

(3)对数据进行小波包降噪处理，阈值定义如下：

其中，L为信号长度；λ为噪声能量，通过各尺度小波包系数的中位数m定义：

λ＝m/0.6745。

7.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：所述步骤4)中，以基于注意力机制的seq2seq模型构建虚拟感知网络模型，并以N个实际物理传感器采集的振动数据作为模型输入，M个虚拟传感器的振动数据作为模型输出。

8.根据权利要求7所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：基于注意力机制的seq2seq模型包括：

输入层：维度为N×F，其中，N表示实际物理传感器的数量，F表示在经过数据处理后的多元时间序列数据中选取的数据长度；

编码层：输入层的数据传输到编码层，编码层采用基于注意力机制的Bi-LSTM神经网络，每层设置128个LSTM神经单元；

解码层：编码层输出的向量C_f作为解码层的输入，解码层采用单层RNN，每层设置128个LSTM神经单元；

输出层：输出层为解码层的最终输出状态，其维度为M×P，M为虚拟传感器的数量，P为所选训练数据的长度。

9.根据权利要求8所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：编码层处理数据的方法为：

给定输入序列：

x＝(x₁,x₂,…x_f,…x_F)

则单个LSTM神经元的隐藏层编码公式为：

h_f ^→＝b(h_f-1 ^→,x_f)

其中，x_f(f∈{1,2,…,F})表示长度为N的列向量

b表示激活函数；h_f ^→为f时前向LSTM隐藏层的向量表示；h_f ^←为f时后向LSTM隐藏层的向量表示；

依次读完所有序列，整个编码层的隐藏层状态为：

hidden＝{h₁,h₂,…h_F}＝{[h₁ ^→；h_F-1 ^←],[h₂ ^→；h_F-2 ^←],…,[h_F ^→；h₁ ^←]}

基于注意力机制对隐藏层向量加权求和得到向量C_f，则向量C_f为：

其中，h_f和s_f分别表示隐藏层状态和神经元状态；

为f时刻编码器输出向量的权重；V_a、W和U均为权值参数；

表示f时刻编码器输出向量的权重；h_i表示编码层i时刻的隐藏层状态。

10.根据权利要求9所述基于深度学习虚拟感知网络的传动系统振动解耦方法，其特征在于：解码层处理数据的方法为：

s_m＝f(y_m-1,C_f,s_m-1)

其中,g,f是LSTM的激活函数；s_m表示m时刻隐状态神经元；s_m-1为m-1时刻隐状态神经元；y_m表示m时刻的输出；y_m-1为m-1时刻的输出，

为m时刻的输入。

Images