CN114662712A - 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 - Google Patents

基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 Download PDF

Info

Publication number
CN114662712A
CN114662712A CN202210161715.XA CN202210161715A CN114662712A CN 114662712 A CN114662712 A CN 114662712A CN 202210161715 A CN202210161715 A CN 202210161715A CN 114662712 A CN114662712 A CN 114662712A
Authority
CN
China
Prior art keywords
wgan
wasserstein
digital twin
twin model
rotating machine
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.)
Pending
Application number
CN202210161715.XA
Other languages
English (en)
Inventor
胡文扬
王天杨
褚福磊
刘云飞
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 CN202210161715.XA priority Critical patent/CN114662712A/zh
Publication of CN114662712A publication Critical patent/CN114662712A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及人工智能技术领域，揭露一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，通过采集旋转机械在健康状态下的运维数据，并利用所采集的运维数据对基于Wasserstein深度数字孪生模型的WGAN‑GP网络进行训练，然后利用虚拟空间样本和真实物理样本间分布的一致性对训练的基于Wasserstein深度数字孪生模型的WGAN‑GP网络进行检验，获得收敛后的基于Wasserstein深度数字孪生模型的WGAN‑GP网络；利用训练好的基于Wasserstein深度数字孪生模型的WGAN‑GP网络进行旋转机械状态评估；最终，基于旋转机械的健康状态评估结果，执行多项服务端任务，比如早期故障检测、退化追踪等。

Description

基于Wasserstein深度数字孪生模型的旋转机械状态监测 方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法、装置及计算机可读存储介质。
背景技术
随着智能机械的发展，对机械设备运维的健康状况的控制要求也越来越高。旋转机械设备是故障率较高的机械设备之一，旋转机械设备故障可能导致整条生产线停工，甚至给企业带来重大经济损失或人员伤亡。
在现有技术中，与基于特征提取和信号处理的旋转机械的故障诊断和状态监测方法相比，基于深度学习的旋转机械状态的智能诊断和状态监测方法具有较高的诊断准确率，并且不需要太多与故障相关的先验知识。然而，大多数旋转机械的健康状态的智能诊断和状态监测方法对监测数据的要求很高，并且需要依赖历史运维数据进行训练。而在实践中，实际维护场景中的监控数据往往存在数据不平衡的问题，即健康运维数据往往远远超过故障运维数据，进而导致故障运维数据不足以支持旋转机械的健康状态的智能诊断和状态监测方法的训练数据需求。
近年来涌现的数字孪生技术为旋转机械智能运维中存在的上述问题提供了一种可行的解决方案。随着智能运维技术与理论的发展，工业界也对数字孪生模型提出了包括适应性、自主性在内的新的要求。数字孪生的引入有望能够在极少甚至没有故障样本存在的条件下构建旋转机械的智能健康状态评估和预测模型。现有的数字孪生模型主要为基于仿真的数字孪生方法，是通过建立分析对象的仿真动力学模型来实现数据裕度的增强，并使用这些仿真数据来进行健康状态评估、故障预测、剩余使用寿命预测等功能。除此之外，近年来一种基于对复杂装备运维数据分布建模的数字孪生方法开始得到研究者的关注。这类针对分布建模的方法往往采用生成对抗网络(GAN)来对运维数据的分布流形进行建模来构建健康运维样本的孪生实体，进而执行健康状态评估、早期故障诊断等服务端任务。然而，上述数字孪生技术存在的弊端如下：
1)当面对待分析的旋转机械结构复杂的场景时，难以进行及时准确的动态仿真；
2)若采用分布建模的数字孪生方法对待旋转机械结构复杂的场景时，存在训练过程不稳定以及发生模式崩塌风险较大的弊端。
因此，亟需一种强自主性和强适应性的用于旋转机械健康状态评估的数字孪生方法。
发明内容
本发明提供一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法、系统、电子设备及存储介质，以解决现有的数字孪生模型在旋转机械结构复杂的场景中，存在的数据不平衡、历史数据依赖以及先验知识缺乏等问题。
为实现上述目的，本发明提供的一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，应用于电子装置，包括：
按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；
将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；
根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
进一步，优选的，基于Wasserstein深度数字孪生模型的WGAN-GP网络的训练方法包括，
采集旋转机械的健康状态下的监测数据，并对所采集的运维数据进行预处理；
将预处理后的运维数据输入基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获取当前迭代步内的WGAN-GP判别器的损失函数值以及WGAN-GP生成器的损失函数值；
根据WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值，利用优化算法在当前迭代步内迭代更新WGAN-GP判别器和WGAN-GP生成器的参数数值，直至WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值收敛在预设范围内；
通过判定孪生样本和物理健康样本的相似度，确定基于Wasserstein深度数字孪生模型的WGAN-GP网络是否完成训练；其中，
若孪生样本和物理健康样本的相似度未达到设定标准，则对基于Wasserstein深度数字孪生模型的WGAN-GP网络进行继续训练；
若孪生样本和物理健康样本的相似度达到设定标准，则通过一致性检验，获得训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络。
进一步，优选的，采集旋转机械的健康状态下的监测数据，对所采集的监测数据进行预处理的方法包括：
采集旋转机械的健康状态下的监测数据，将监测数据标记为：{xi(j)}i＝0,1,2,…,th；j＝0,1,2,…,N-1；其中，N代表信号的采样点，th代表在时间段之前，旋转机械处于健康状态；
将监测数据进行窗裁剪处理并均分，获得M段监测数据；
将M段监测数据进行归一化处理，完成对所采集的运维数据的预处理。
进一步，优选的，WGAN-GP判别器的损失函数值通过以下公式获取：
Figure BDA0003514245790000031
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数；
Figure BDA0003514245790000032
为WGAN-GP生成器生成的振动信号；η表示学习率；β为梯度惩罚系数。
进一步，优选的，WGAN-GP生成器的损失函数值通过以下公式获取：
LG(αG)＝-E[C(G(z,αG)；αC)]
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数。
进一步，优选的，根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估的方法，包括：
当th代表在时间段之前，旋转机械处于健康状态时，获取前th个时间段对应的健康状态参数；
根据健康状态参数，获取健康状态参数的均值和标准差；
根据健康状态参数的均值和标准差构建起早期故障发生阈值；
筛选健康状态参数大于早期故障发生阈值的健康状态参数，作为早期故障状态参数，并将早期故障状态参数对应的测试时间段的旋转机械的健康状态确定为早期故障状态。
进一步，优选的，根据健康状态参数的均值和标准差构建起早期故障发生阈值通过以下公式实现：
Figure BDA0003514245790000041
其中，HIthreshold为早期故障发生阈值；μth为前th个时间段对应的状态参数的均值；σth为前th个时间段对应的状态参数的标准差。
为了解决上述问题，本发明还提供一种基于Wasserstein深度数字孪生模型的旋转机械状态评估系统，包括：
采集单元，用于按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；
健康状态参数获取单元，用于将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；
健康状态评估单元，用于根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法中的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法。
本发明提供的上述基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，可以实现在不需要与旋转机械本身相关的先验知识的前提下，仅使用健康运维数据即可完成旋转机械健康状态评估的技术效果。
附图说明
图1为根据本发明实施例的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的流程示意图；
图2为根据本发明实施例1的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的所采用的数据增强策略示意图；
图3为根据本发明实施例的基于Wasserstein深度数字孪生模型的WGAN-GP网络的一致性检验效果图；
图4为根据本发明实施例的基于Wasserstein深度数字孪生模型的WGAN-GP网络得到的健康状态参数和一般数字孪生模型得到的健康状态参数对比图；其中，图4(a)为使用Wasserstein深度数字孪生模型得到的健康状态参数随各个测试时间段变化的曲线的对比图；图4(b)为使用深度数字孪生模型得到的健康状态参数随各个测试时间段变化的曲线的对比图；
图5为根据本发明实施例的基于Wasserstein深度数字孪生模型的的旋转机械状态监测方法和基于先验知识的提升包络谱方法(improved spectral envelope,IES)所得到的健康状态参数随各个测试时间段变化的对比图；其中，图5(a)为根据本发明实施例的基于Wasserstein深度数字孪生模型的的旋转机械状态监测方法所得到的健康状态参数随各个测试时间段变化的对比图；图5(b)为基于先验知识的提升包络谱方法所得到的健康状态参数随各个测试时间段变化的对比图；
图6为根据本发明实施例的基于Wasserstein深度数字孪生模型的旋转机械状态监测系统的逻辑结构框图；
图7为根据本发明实施例的实现基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本发明中的人工智能软件技术为数字孪生模型的机器学习技术。
针对现有技术中，在旋转机械结构复杂的场景中，存在的数据不平衡、历史数据依赖以及先验知识缺乏等问题。本发明的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法通过采集旋转机械在健康状态下的运维数据，并利用所采集的运维数据对WGAN-GP网络进行训练，然后利用虚拟空间样本和真实物理样本间分布的一致性对训练的WGAN-GP网络进行检验，获得收敛后的WGAN-GP网络；利用训练好的WGAN-GP网络进行旋转机械状态监测；最终，基于旋转机械的健康状态监测结果，执行多项服务端任务，比如早期故障检测、退化追踪等。
WGAN是一种自监督生成模型，训练时输入健康状态数据而无需故障数据，通过训练时学习到的健康数据特征，可在推理阶段辨别健康与故障数据，从而实现故障预测的目的，WGAN与相关的故障诊断算法相比具有更优的效果，相关技术中故障诊断算法包括CNN、DAE、GAN等。采用GAN的改进模型WGAN，用Wasserstein距离代替Jensen-Shannon散度，WGAN从原理上克服了原始GAN的上述问题，保证了故障诊断训练过程的可靠性。但是，存在训练不稳定，梯度消失等问题。而WGAN-GP是针对WGAN的存在的问题提出来的。本发明所采用的是基于Wasserstein生成对抗网络的WGAN-GP。
具体的，作为示例，图1为本发明一实施例提供的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的流程示意图。参照图1所示，本发明提供一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于Wasserstein深度数字孪生模型的旋转机械状态监测方法包括：步骤S110～S130。
S110、按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据。
S120、将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数。
具体地说，基于Wasserstein深度数字孪生模型的WGAN-GP网络的结构设计需要根据待监测的旋转机械的监测数据的采集策略进行设计；例如，如果每个测试时间段采集的运维数据段较长，那么WGAN-GP网络的生成器和判别器中需要嵌入卷积层；如果每个测试时间段采集的运维数据段较短，则使用全连接层。但是，需要说明的是，判别器的输入维度和输出维度分别为
Figure BDA0003514245790000071
和1，生成器的输出维度为
Figure BDA0003514245790000072
基于Wasserstein深度数字孪生模型的WGAN-GP网络的训练方法包括步骤S121～S124。
S121、采集旋转机械的健康状态下的监测数据，并对所采集的运维数据进行预处理。
采集旋转机械的健康状态下的监测数据，对所采集的监测数据进行预处理的方法包括：S1211、采集旋转机械的健康状态下的监测数据，将监测数据标记为：{xi(j)}i＝0,1,2,…,th；j＝0,1,2,…,N-1；其中，N代表信号的采样点，th代表在时间段之前，旋转机械处于健康状态；S1212、将监测数据进行窗裁剪处理并均分，获得M段监测数据；S1213、将M段监测数据进行归一化处理，完成对所采集的运维数据的预处理。需要说明的是，所述的原始监测数据均分段数M大小确定的原则为：M为一人工选取的参数，如果M过大，那么分段之后的数据长度会过短，包含的信息量可能会降低；而如果M过小，那么有可能输入后续网络的数据维度较大，会导致网络的参数数量过多，从而引发训练耗时、收敛困难等一系列问题。
另外，在步骤S1213中，将M段监测数据进行归一化处理，完成对所采集的运维数据的预处理；其中，将M段监测数据进行归一化处理通过下述公式完成：
Figure BDA0003514245790000081
其中，xi(j)为第i个时间段第j个时间点所采集的监测数据，min(xi)为第i个时间段对应的监测数据的最小值，max(xi)为第i个时间段对应的监测数据的最大值。
S122、将预处理后的运维数据输入基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获取当前迭代步内的WGAN-GP判别器的损失函数值以及WGAN-GP生成器的损失函数值。
需要说明的是，
WGAN-GP判别器的损失函数值通过以下公式获取：
Figure BDA0003514245790000082
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数；
Figure BDA0003514245790000083
为WGAN-GP生成器生成的振动信号；η表示学习率；β为梯度惩罚系数。
WGAN-GP生成器的损失函数值通过以下公式获取：
LG(αG)＝-E[C(G(z,αG)；αC)]
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数。
S123、根据WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值，利用优化算法在当前迭代步内迭代更新WGAN-GP判别器和WGAN-GP生成器的参数数值，直至WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值收敛在预设范围内。
S124、通过判定孪生样本和物理健康样本的相似度，确定基于Wasserstein深度数字孪生模型的WGAN-GP网络是否完成训练。
若孪生样本和物理健康样本的相似度未达到设定标准，则对基于Wasserstein深度数字孪生模型的WGAN-GP网络进行继续训练；若孪生样本和物理健康样本的相似度达到设定标准，则通过一致性检验，获得训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络。其中，孪生样本和故障样本之间的分布一致性检验所使用的指标需要能够准确地反映样本分布之间的相似性，根据任务需求可以使用定性指标或者定量指标。这些指标的构建方法包括但不限于：余弦相似度法、最大均值差异法、核密度估计方法等。
具体地说，利用虚拟空间样本和真实物理样本间分布的一致性对训练的WGAN-GP网络进行检验，获得收敛后的WGAN-GP网络。设定生成器生成的健康孪生样本为yv，实际健康样本为yp，选定一致性检验指标为孪生样本和实际样本间分布的相似性；虚拟空间样本即孪生样本yv，真实物理样本即物理健康样本yp；当网络迭代训练到孪生样本yv和物理健康样本yp之间的分布足够相似时，即可认为生成的虚拟健康样本通过了一致性检验，网络训练停止；若二者分布差异较大，则模型参数需要继续迭代更新。
S130、根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行监测。
具体地说，将第k个时间段的采集到的数据进行标准化处理，将得到的监测数据记为：
Figure BDA0003514245790000091
将监测数据
Figure BDA0003514245790000092
输入到已经训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络的判别器当中，判别器的输出记为当前时间段对应的旋转机械健康状态的状态参数，记为HIk。基于获得的健康状态参数HIk，可以对原旋转设备的健康状态进行监测，并可基于该参数执行包括早期故障检测、退化追踪在内的多项服务端任务。
根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估的方法，包括：
S131、当th代表在时间段之前，旋转机械处于健康状态时，获取前th个时间段对应的健康状态参数。
也就是说，设定待检测的旋转机械设备在时间段th之前，旋转机械处于健康状态。
S132、根据健康状态参数，获取健康状态参数的均值和标准差。
一种可选的基于获取的健康状态参数进行早期故障检测的具体流程为：计算前th个时间段对应的状态参数的均值和标准差，分别记为μth和σth；前th个时间段对应的状态参数的均值μth和标准差σth，其计算策略为：
Figure BDA0003514245790000101
Figure BDA0003514245790000102
S133、根据健康状态参数的均值和标准差构建起早期故障发生阈值；根据健康状态参数的均值和标准差构建起早期故障发生阈值通过以下公式实现：
Figure BDA0003514245790000103
其中，HIthreshold为早期故障发生阈值；μth为前th个时间段对应的状态参数的均值；σth为前th个时间段对应的状态参数的标准差。
S134、筛选健康状态参数大于早期故障发生阈值的健康状态参数，作为早期故障状态参数，并将早期故障状态参数对应的测试时间段的旋转机械的健康状态确定为早期故障状态。
也就是说，使用WGAN-GP网络的判别器接收实时采集并经过归一化处理之后的的数据段并给出该数据段对应的状态参数HIk。当运行到k＝ti时间段时，如果此时所得到的状态参数HIti超出阈值HIthreshold，那么早期故障已经发生，状态监测系统会作出相应的早期故障预警。
实施例1
采用的仿真硬件平台为GPU Geforce RTX 3080,RAM 10G；仿真实验的软件平台为Win10 1809和torch 1.9.0；所采用的数据集为，IMS轴承数据集Set2，channel 1。
采用本发明的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，将深度数字孪生模型和提升包络谱基线模型作为对照。
基于Wasserstein深度数字孪生模型的WGAN-GP网络的判别器结构细节如表1所示，基于Wasserstein深度数字孪生模型的WGAN-GP网络的生成器的结构细节如表2所示。
表1
Figure BDA0003514245790000104
Figure BDA0003514245790000111
通过观察表1可见，Conv1d表示1维卷积层，kernel表示1维卷积核的大小，channel表示经过一维卷积层之后的输出通道的数量，linear表示线性全连接层，LeakyReLU指代LeakyReLU函数，LeakyReLU函数的负半轴斜率为0.01。
表2
Figure BDA0003514245790000112
通过观察表2可见，Deconv1d表示1维反向卷积运算，kernel表示1维卷积核的大小，channel表示经过一反维卷积层之后的输出通道的数量，linear表示线性全连接层，LeakyReLU和Sigmoid分别指代LeakyReLU函数和Sigmoid函数，LeakyReLU函数的负半轴斜率为0.01。batchnorm表示采用batchnorm的归一化层。
对实验所用IMS轴承数据集Set2，channel 1数据集中的数据进行预处理。其中，所述数据集包含984个时间段的测量数据，每个时间段又包含了20480个时间点。数据的采样频率为：Fs＝20000Hz。一般认为前200个时间段对应的测试数据为健康数据。
图2为根据本发明实施例1的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的所采用的数据增强策略示意图；如图2所示，N指的是一个时间段内健康监测数据的总长度，Nm为数据均分窗的窗长，N＝5Nm。使用图2所示的窗分割的方式将每个时间段对应的测试数据样本量扩充至5倍，并使用归一化策略对上述测试样本进行归一化，该归一化策略为：
Figure BDA0003514245790000121
将前200个时间段对应的数据样本通过预处理后作为训练集送入到基于Wasserstein深度数字孪生模型的WGAN-GP网络中进行训练。网络在训练时，所使用的优化算法为Adam优化算法，学习率设定为0.0005，Adam优化算法对应的两个参数即滑动平均率倍设定为0.5和0.999。而梯度惩罚系数β的数值被设定为：β＝10。当生成的虚拟孪生样本和实际健康样本之间的分布达到一致时就可以停止训练并认为这时模型已经收敛。
在本实施例中，使用核密度估计的方法来对生成孪生样本和实际健康样本分布概率密度函数进行绘制，再通过定性比较来进行一致性检验。当训练了148个epoch时，图3为根据本发明实施例的基于Wasserstein深度数字孪生模型的WGAN-GP网络的一致性检验效果图；如图3所示，通过采用核密度估计的方法，估计生成的孪生样本和实际样本间分布的一致性。图中黑线代表健康实际样本的概率分布曲线，而浅色样本代表生成的虚拟孪生样本的概率分布曲线。从图中可以定性看出二者概率密度函数曲线高度一致，可以认为二者的分布具有一致性。这里出于对比的目的，将本发明所使用的模型和使用深度数字孪生的模型在相同网络参数随机初始化方法的条件下训练148个epoch，得到的状态参数随时间的变化可如图4所示。
图4为根据本发明实施例的基于Wasserstein深度数字孪生模型的WGAN-GP网络得到的健康状态参数和一般数字孪生模型得到的健康状态参数对比图；即图4(a)和图4(b)分别为使用Wasserstein深度数字孪生模型和深度数字孪生模型得到的健康状态参数随各个测试时间段变化的曲线的对比图。如图4(a)和图4(b)所示，纵坐标表示健康状态参数，横坐标表示按时间顺序排列的各个测试时间段。从图4(a)中，可以发现本发明所提出的技术方案能够较好地对旋转机械的退化趋势进行跟踪，而且能够使用发明内容中给出的早期故障发生点阈值确定方法对早期故障发生点进行确定。而在图4(b)中，使用基于经典GAN的数字孪生模型得到的状态参数的波动性较大，不仅无法确定早期故障发生点的位置，而且也不具有退化跟踪的能力。
图5(a)为根据本发明实施例的基于Wasserstein深度数字孪生模型的的旋转机械状态监测方法所得到的健康状态参数随各个测试时间段变化的对比图；将本发明所得到的健康状态参数和使用了基于先验知识的提升包络谱方法(improved spectral envelope,IES)进行对比，所得到的状态参数随时间的变化曲线可如图5(b)所示。
通过观察图5(a)和图5(b)，本发明所提出的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法得到的状态参数和使用IES方法的得到的状态参数能够进行对应，而且本发明所得到的状态参数(HI)呈现出随着退化的进行，其数值整体呈现出下降的趋势，具有较好的退化跟踪能力。
在第750个测试时间段附近，可以从上述二图中观察到二者都呈现出了一个“愈合”现象。针对IES方法所得到的状态参数，其早期故障发生点的阈值确定策略为：
Figure BDA0003514245790000131
虽然，最终计算结果显示，IES能够在第533个点就检测到早期故障，要早于本发明所提出方法所得到的第545个点，但本发明所提出的方法不需要对于所分析旋转机械设备任何先验知识，而IES方法则包含了大量有关振动信号特征提取相关的先验知识。
综上，本发明的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法能够在不需要所分析的旋转机械任何先验知识的条件下，对所分析旋转机械的健康状态进行稳健的评估，并达到可执行诸如化趋势进行追踪、早期故障检测等方法在内的任务的技术效果。
与上述基于Wasserstein深度数字孪生模型的旋转机械状态监测方法相对应，本发明还提供一种基于Wasserstein深度数字孪生模型的旋转机械状态监测系统。图6示出了根据本发明实施例的基于Wasserstein深度数字孪生模型的旋转机械状态监测系统的功能模块。
如图6所示，本发明提供的基于Wasserstein深度数字孪生模型的旋转机械状态监测系统600可以安装于电子设备中。根据实现的功能，所述基于Wasserstein深度数字孪生模型的旋转机械状态监测系统600可以包括采集单元610、健康状态参数获取单元620和健康评估单元630。本发明所述单元也可以称之为模块，指的是一种能够被电子设备的处理器所执行，并且能够完成某一固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
采集单元610，用于按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；
健康状态参数获取单元620，用于将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；
健康状态评估单元630，用于根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
本发明所提供的上述基于Wasserstein深度数字孪生模型的旋转机械状态监测系统的更为具体的实现方式，均可以参照上述对基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的实施例表述，在此不再一一列举。
如图7所示，本发明提供一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法的电子设备7。
该电子设备7可以包括处理器70、存储器71和总线，还可以包括存储在存储器71中并可在所述处理器70上运行的计算机程序，如基于Wasserstein深度数字孪生模型的旋转机械状态监测程序72。
其中，所述存储器71至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器71在一些实施例中可以是电子设备7的内部存储单元，例如该电子设备7的移动硬盘。所述存储器71在另一些实施例中也可以是电子设备7的外部存储设备，例如电子设备7上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括电子设备7的内部存储单元也包括外部存储设备。所述存储器71不仅可以用于存储安装于电子设备7的应用软件及各类数据，例如基于Wasserstein深度数字孪生模型的旋转机械状态监测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器70在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器70是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器71内的程序或者模块(例如基于Wasserstein深度数字孪生模型的旋转机械状态监测程序等)，以及调用存储在所述存储器71内的数据，以执行电子设备7的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器71以及至少一个处理器70等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备7的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备7还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器70逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备7还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备7还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备7与其他电子设备之间建立通信连接。
可选地，该电子设备7还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备7中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备7中的所述存储器71存储的基于Wasserstein深度数字孪生模型的旋转机械状态监测程序72是多个指令的组合，在所述处理器70中运行时，可以实现：按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；基于Wasserstein深度数字孪生模型的WGAN-GP网络的训练方法包括，采集旋转机械的健康状态下的监测数据，并对所采集的运维数据进行预处理；将预处理后的运维数据输入基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获取当前迭代步内的WGAN-GP判别器的损失函数值以及WGAN-GP生成器的损失函数值；根据WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值，利用优化算法在当前迭代步内迭代更新WGAN-GP判别器和WGAN-GP生成器的参数数值，直至WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值收敛在预设范围内；通过判定孪生样本和物理健康样本的相似度，确定基于Wasserstein深度数字孪生模型的WGAN-GP网络是否完成训练；其中，若孪生样本和物理健康样本的相似度未达到设定标准，则对基于Wasserstein深度数字孪生模型的WGAN-GP网络进行继续训练；若孪生样本和物理健康样本的相似度达到设定标准，则通过一致性检验，获得训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络。根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行监测。
具体地，所述处理器70对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述基于Wasserstein深度数字孪生模型的旋转机械状态监测程序的私密和安全性，上述基于Wasserstein深度数字孪生模型的旋转机械状态监测程序存储于本服务器集群所处区块链的节点中。
进一步地，所述电子设备7集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质，所述存储介质可以是非易失性的，也可以是易失性的，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；将监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；基于Wasserstein深度数字孪生模型的WGAN-GP网络的训练方法包括，采集旋转机械的健康状态下的监测数据，并对所采集的运维数据进行预处理；将预处理后的运维数据输入基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获取当前迭代步内的WGAN-GP判别器的损失函数值以及WGAN-GP生成器的损失函数值；根据WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值，利用优化算法在当前迭代步内迭代更新WGAN-GP判别器和WGAN-GP生成器的参数数值，直至WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值收敛在预设范围内；通过判定孪生样本和物理健康样本的相似度，确定基于Wasserstein深度数字孪生模型的WGAN-GP网络是否完成训练；其中，若孪生样本和物理健康样本的相似度未达到设定标准，则对基于Wasserstein深度数字孪生模型的WGAN-GP网络进行继续训练；若孪生样本和物理健康样本的相似度达到设定标准，则通过一致性检验，获得训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络。根据健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
具体地，所述计算机程序被处理器执行时具体实现方法可参考实施例基于Wasserstein深度数字孪生模型的旋转机械状态监测方法中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等区块链可以存储医疗数据，如个人健康档案、厨房、检查报告等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，应用于电子装置，其特征在于，所述方法包括：
按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；
将所述监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；
根据所述健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
2.如权利要求1所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，所述基于Wasserstein深度数字孪生模型的WGAN-GP网络的训练方法包括，
采集旋转机械的健康状态下的监测数据，并对所采集的运维数据进行预处理；
将所述预处理后的运维数据输入基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获取当前迭代步内的WGAN-GP判别器的损失函数值以及WGAN-GP生成器的损失函数值；
根据所述WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值，利用优化算法在当前迭代步内迭代更新所述WGAN-GP判别器和WGAN-GP生成器的参数数值，直至所述WGAN-GP判别器的损失函数值和WGAN-GP生成器的损失函数值收敛在预设范围内；
通过判定孪生样本和物理健康样本的相似度，确定所述基于Wasserstein深度数字孪生模型的WGAN-GP网络是否完成训练；其中，
若所述孪生样本和所述物理健康样本的相似度未达到设定标准，则对所述基于Wasserstein深度数字孪生模型的WGAN-GP网络进行继续训练；
若所述孪生样本和所述物理健康样本的相似度达到设定标准，则通过一致性检验，获得训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络。
3.如权利要求2中所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，采集旋转机械的健康状态下的监测数据，对所采集的监测数据进行预处理的方法包括：
采集旋转机械的健康状态下的监测数据，将所述监测数据标记为：{xi(j)}i＝0,1,2,…,th；j＝0,1,2,…,N-1；其中，N代表信号的采样点，th代表在所述时间段之前，旋转机械处于健康状态；
将所述监测数据进行窗裁剪处理并均分，获得M段监测数据；
将所述M段监测数据进行归一化处理，完成对所采集的运维数据的预处理。
4.如权利要求2所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，所述WGAN-GP判别器的损失函数值通过以下公式获取：
Figure FDA0003514245780000021
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数；
Figure FDA0003514245780000022
为WGAN-GP生成器生成的振动信号；η表示学习率；β为梯度惩罚系数。
5.如权利要求2所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，所述WGAN-GP生成器的损失函数值通过以下公式获取：
LG(αG)＝-E[C(G(z,αG)；αC)]
其中，C(·)表示WGAN-GP判别器损失函数，G(·)表示WGAN-GP生成器损失函数，z表示随机噪声，服从标准正态分布；αC表示WGAN-GP判别器参数；αG表示生成器参数。
6.如权利要求1所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，根据所述健康状态参数对所对应的测试时间段的旋转机械的健康状态进行监测的方法，包括：
当th代表在所述时间段之前，旋转机械处于健康状态时，获取前th个时间段对应的健康状态参数；
根据所述健康状态参数，获取健康状态参数的均值和标准差；
根据所述健康状态参数的均值和标准差构建起早期故障发生阈值；
筛选健康状态参数大于所述早期故障发生阈值的健康状态参数，作为早期故障状态参数，并将所述早期故障状态参数对应的测试时间段的旋转机械的健康状态确定为早期故障状态。
7.如权利要求6所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法，其特征在于，根据所述健康状态参数的均值和标准差构建起早期故障发生阈值通过以下公式实现：
Figure FDA0003514245780000031
其中，HIthreshold为早期故障发生阈值；μth为前th个时间段对应的状态参数的均值；σth为前th个时间段对应的状态参数的标准差。
8.一种基于Wasserstein深度数字孪生模型的旋转机械状态监测系统，其特征在于，包括：
采集单元，用于按照测试时间段采集旋转机械的运维数据，并对所采集的运维数据进行标准化处理，得到监测数据；
健康状态参数获取单元，用于将所述监测数据输入预训练好的基于Wasserstein深度数字孪生模型的WGAN-GP网络中，获得各个测试时间段所对应的健康状态参数；
健康状态评估单元，用于根据所述健康状态参数对所对应的测试时间段的旋转机械的健康状态进行评估。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于Wasserstein深度数字孪生模型的旋转机械状态评估方法中的步骤。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的基于Wasserstein深度数字孪生模型的旋转机械状态监测方法。
CN202210161715.XA 2022-02-22 2022-02-22 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法 Pending CN114662712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210161715.XA CN114662712A (zh) 2022-02-22 2022-02-22 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210161715.XA CN114662712A (zh) 2022-02-22 2022-02-22 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法

Publications (1)

Publication Number Publication Date
CN114662712A true CN114662712A (zh) 2022-06-24

Family

ID=82028302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210161715.XA Pending CN114662712A (zh) 2022-02-22 2022-02-22 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法

Country Status (1)

Country Link
CN (1) CN114662712A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329855A (zh) * 2022-08-04 2022-11-11 哈尔滨工业大学 一种非理想数据条件下的装备数据集构建方法
CN116070840A (zh) * 2022-12-26 2023-05-05 北京国网富达科技发展有限责任公司 一种基于电网数字孪生模型的变压器协同管理方法和系统
CN116227647A (zh) * 2022-09-28 2023-06-06 中国电力科学研究院有限公司 一种新型电力系统数字孪生推演优化方法及系统
CN116977122A (zh) * 2023-07-06 2023-10-31 双龙软创(深圳)科技有限公司 基于数字孪生技术的远程自动化监测危房的方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329855A (zh) * 2022-08-04 2022-11-11 哈尔滨工业大学 一种非理想数据条件下的装备数据集构建方法
CN116227647A (zh) * 2022-09-28 2023-06-06 中国电力科学研究院有限公司 一种新型电力系统数字孪生推演优化方法及系统
CN116227647B (zh) * 2022-09-28 2024-08-20 中国电力科学研究院有限公司 一种电力系统数字孪生推演优化方法及系统
CN116070840A (zh) * 2022-12-26 2023-05-05 北京国网富达科技发展有限责任公司 一种基于电网数字孪生模型的变压器协同管理方法和系统
CN116070840B (zh) * 2022-12-26 2023-10-27 北京国网富达科技发展有限责任公司 一种基于电网数字孪生模型的变压器协同管理方法和系统
CN116977122A (zh) * 2023-07-06 2023-10-31 双龙软创(深圳)科技有限公司 基于数字孪生技术的远程自动化监测危房的方法
CN116977122B (zh) * 2023-07-06 2024-04-19 双龙软创(深圳)科技有限公司 基于数字孪生技术的远程自动化监测危房的方法

Similar Documents

Publication Publication Date Title
CN114662712A (zh) 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法
CN107967485B (zh) 用电计量设备故障分析方法及装置
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN109543943B (zh) 一种基于大数据深度学习的电价稽查执行方法
CN108760305B (zh) 一种轴承故障检测方法、装置及设备
CN110912737A (zh) 一种基于混合模型的动态感知性能预告警方法
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
Zhang et al. A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data
CN114037079A (zh) 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置
CN114201328A (zh) 基于人工智能的故障处理方法、装置、电子设备及介质
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
CN111696662A (zh) 疾病预测方法、装置及存储介质
CN111241629A (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN114722520A (zh) 基于增强字典学习的行星轴承智能故障诊断方法
CN113962253A (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
WO2022134579A1 (zh) 业务交易数据的异常检测方法、装置及计算机设备
WO2024027487A1 (zh) 基于智能运维场景的健康度评价方法及装置
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质
CN117493797A (zh) 一种物联网设备的故障预测方法及装置、电子设备、存储介质
CN113092083A (zh) 一种基于分形维数和神经网络的机泵故障诊断方法和装置

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