CN115293189A - 一种基于堆栈自编码降维的旋转机械状态监测方法 - Google Patents
一种基于堆栈自编码降维的旋转机械状态监测方法 Download PDFInfo
- Publication number
- CN115293189A CN115293189A CN202210260308.4A CN202210260308A CN115293189A CN 115293189 A CN115293189 A CN 115293189A CN 202210260308 A CN202210260308 A CN 202210260308A CN 115293189 A CN115293189 A CN 115293189A
- Authority
- CN
- China
- Prior art keywords
- rotary machine
- index
- health
- health degree
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Acoustics & Sound (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于堆栈自编码降维的旋转机械状态监测方法。首先,采集旋转机械的原始振动信号,并提取信号的多域特征,包括时域、频域和时频域特征。然后,通过方差选择法,对提取的多域高维特征进行初步的筛选,再利用堆栈自编码网络,对筛选后的特征进行非线性降维,并把降维后的特征划分训练集和测试集。接着,将训练集输入模糊神经网络进行训练,训练完成后输入测试集,构造出能够反映旋转机械运行状态的健康度指标和曲线。最后,通过3σ准则,建立故障指示标尺,一旦健康度指标连续三次超过标尺则进行预警,从而实现旋转机械的状态监测。本发明能够及时发现旋转机械的早期故障,保障旋转机械安全运行,降低因故障而导致的损失。
Description
技术领域
本发明涉及状态监测领域,具体涉及一种基于堆栈自编码降维的旋转机械状态监测方法。
背景技术
状态监测是对运行中的机械设备整体或其零部件的工作状态进行检查监测,以判断其运转是否正常,有无异常与劣化的征兆,或对异常情况进行跟踪,预测其劣化的趋势,确定其劣化及磨损的程度等。旋转机械常工作在恶劣、复杂的环境之下,容易发生各类故障,影响设备的使用寿命,威胁人们的生命安全,造成难以估量的损失。故障既是一种状态,也是一个过程,如何在旋转机械发生较大故障前,有效对其进行监测和预警,及时进行停机检查和维修,保障设备和人员安全,具有重要的研究意义。
状态监测的核心是构建能够准确有效反应旋转机械当前运行状态的健康度指标。目前,大部分方法都是提取各类特征以构造多域融合的健康度指标,所提取的这些特征往往具有较高的维度,包含冗余和干扰成分,既影响模型的计算效率,也影响健康度指标的融合效果,需要进行优选或降维。现有的很多模型中,选择了主成分分析PCA,线性判别分析LDA等方法进行特征的降维,然而,旋转机械的运行状态是一个非线性变化的过程,PCA,LDA等线性降维方法其实并不适用。
堆栈自编码网络是由多个自编码器组成的深度神经网络,以无监督逐层学习方式,通过最小化重构误差,强迫中间的隐藏层去学习输入信号的全部信息,提取更深层次的特征,达到较好的非线性降维效果。相较于其他降维方法,堆栈自编码网络更多的保留了输入数据的信息,更深层次的挖掘了数据的内部结构。通过结合模糊神经网络和3σ准则构造的健康状态指标和故障指示标尺,能更好的反映旋转机械的运行状态,实现有效的状态监测。
发明内容
发明目的:本发明目的是针对现有技术存在的缺陷提供一种基于堆栈自编码降维的旋转机械状态监测方法,实现旋转机械的状态监测。
技术方案:本发明所述的一种基于堆栈自编码降维的旋转机械状态监测方法,具体包括以下步骤:
(1)采集旋转机组原始振动信号,提取其时域、频域和时频域特征,得到多域高维的特征向量;
(2)通过方差选择法,对提取的多域高维特征进行初步的筛选,再利用一个具有两层隐藏层的堆栈自编码网络,对筛选后的特征进行非线性降维,并将降维后的特征划分训练集和测试集;
(3)将训练集输入模糊神经网络进行训练,训练完成后,将测试集输入训练好的网络,得到融合了多域特征的旋转机械健康度指标。将健康度指标进行归一化,得到一条指标在[0,1]之间,且呈下降趋势的旋转机械健康度曲线;
(4)通过3σ准则,计算旋转机械健康度曲线的上下阈值,建立基于3σ准则的故障指示标尺;
(5)一旦健康度指标连续三次超过故障指示标尺,则视为旋转机械发生了故障,进行维修预警,从而实现旋转机械的健康状态监测。
进一步地,所述步骤(1)实现过程如下:
对信号提取时域特征,包括峰值、峰峰值、均值、平均幅值、方根幅值、标准差、有效值、偏度指标、峭度指标、峰值指标、脉冲指标、裕度指标和波形指标。对信号提取频域特征,包括平均频率、重心频率、均方频率、均方根频率、频率方差和频率标准差。对信号进行小波包分解,提取时频域特征,包括小波能量熵和小波奇异谱熵。最终构造出多域高维的特征向量x={x1,x2,…xn},其中n表示所提取的特征个数。
进一步地,所述步骤(2)实现过程如下:
旋转机械运行初期往往是正常状态,其信号振幅较为平稳,所提取的各个特征在初期幅度也应较小。基于此,通过方差选择法对所提取的特征进行初步的筛选,计算各个特征在初期的方差,筛选掉部分方差较大的特征,保留方差较小的特征。
建立一个堆栈自编码网络,对初步筛选后的多域高维特征向量x',经过非线性激活函数进行编码和解码。构造目标函数为均方根误差,并加上权重衰减项防止过拟合,通过梯度更新对网络进行训练,寻找最优权重以最小化重构误差,使得堆栈自编码网络的隐藏层输出能够最大程度上保留输入数据的信息,并设置隐藏层的节点数小于输入节点数,从而实现有效降维。
取初期旋转机械正常运行状态下采集的部分振动信号降维后的特征作为训练集,采集的所有振动信号降维后的特征作为测试集。
进一步地,所述步骤(3)实现过程如下:
将训练集输入模糊神经网络,输入层的节点数为特征降维后的维度,输出节点数为 1,网络隶属度函数选择高斯型,损失函数选择均方误差,从而进行网络训练。训练完成后,将测试集输入网络,所得到网络输出即为旋转机械的健康度指标。将健康度指标进行归一化,得到一条指标在[0,1]之间,且呈下降趋势的旋转机械健康度曲线。归一化通过以下公式实现:
式(4)中,H为模糊神经网络输出的旋转机械健康度指标,H'为归一化后的健康度指标。
进一步地,所述步骤(4)实现过程如下:
取初期旋转机械正常状态下的m个旋转机械健康度指标yi,i=1,2,…m,基于3σ准则,计算m个旋转机械健康度指标yi的均值μ和标准差σ,并设定故障指示标尺为 [μ-3σ,μ+3σ];其中:
进一步地,所述步骤(5)实现过程如下:
状态监测过程中,常会包含不稳定因素,为避免误报,设定指标连续三次超过故障指示标尺时,进行预警,从而实现旋转机械的健康状态监测。
有益效果:与现有技术相比,本发明提取了多域特征进行融合,包括时域,频域和时频域,相较于单一特征指标,能更全面的反映旋转机械的运行状态,尤其是早期故障;本发明利用堆栈自编码网络,在提取的多域特征的基础上,继续提取其更深层次的特征,并进行非线性降维,最大程度上保留了原始信号的状态信息,提高了健康状态指标的准确性和整个模型的计算效率;本发明通过模糊神经网络构造旋转机械健康状态指标,并基于3σ准则建立故障指示标尺,能更准确和及时地对旋转机械运行状态进行监测和预警,更早地发现旋转机械微弱故障,有着较低的虚警率和漏警率。
附图说明
图1为本发明的方法流程图;
图2为本发明的实施例中轴承全寿命周期试验设备实物图;
图3为本发明的堆栈自编码网络的结构示意图;
图4为本发明的模糊神经网络网络的结构示意图;
图5为本发明的轴承健康状态曲线;
图6为本发明的基于3σ准则建立的故障指示标尺;
图7为本发明的健康状态曲线连续3次越过故障指示标尺的局部放大图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细说明。
本发明提出一种基于堆栈自编码降维的旋转机械状态监测方法,如图1所示。采用轴承全寿命周期试验数据进行状态监测。试验设备实物图如图2所示。
具体包括以下步骤:
步骤1:持续采集旋转机械的振动信号或者间隔固定时间采集一组振动信号,采集的振动信号是时间序列信号。为了验证方法的有效性,采集的时域信号包含了轴承从正常到轴承外圈故障的整个过程。本次样例中使用的数据集共984个样本,每个样本点数为20480。对每个样本分别提取时域,频域和时频域特征,构造出n×984维的多域高维特征矩阵x={x1,x2,…xn},其中n表示每个样本所提取的特征个数;
步骤2:轴承运行初期往往是正常状态,其信号振幅较为平稳,所提取的各个特征在初期幅度也应较小。基于此,通过方差选择法对所提取的特征进行初步的筛选,计算各个特征在初期的方差,筛选掉部分方差较大的特征,保留方差较小的特征。
建立一个堆栈自编码网络,设置第一个隐藏层的节点数为12,第二个隐藏层节点数为6,网络结构如图4所示。对初步筛选后的多域高维特征向量x',经过非线性激活函数进行编码和解码。构造目标函数为均方根误差,并加上权重衰减项防止过拟合,通过梯度更新对网络进行训练,寻找最优权重以最小化重构误差,使得堆栈自编码网络的隐藏层输出能够最大程度上保留输入数据的信息,实现有效降维。
网络第二个隐藏层的输出,即为降维后的6×984维的数据。取初期采集的正常运行状态下的20组振动信号降维后的特征作为训练集,训练集维度为6×20,采集的所有振动信号降维后的特征作为测试集,测试集维度为6×984。
步骤3:将训练集输入模糊神经网络,网络结构如图5所示。输入层的节点数为6,即特征降维后的维度,输出节点数为1,网络隶属度函数选择高斯型,损失函数选择均方误差,从而进行网络训练。训练完成后,将测试集输入网络,所得到网络输出即为旋转机械的健康度指标。将健康度指标进行归一化,得到一条指标在[0,1]之间,且呈下降趋势的旋转机械健康度曲线,如图6所示。归一化通过以下公式实现:
式(4)中,H为模糊神经网络输出的旋转机械健康度指标,H'为归一化后的健康度指标。
步骤4:取初期旋转机械正常状态下的m个旋转机械健康度指标yi,i=1,2,…m,基于3σ准则,计算m个旋转机械健康度指标yi的均值μ和标准差σ,并设定故障指示标尺为[μ-3σ,μ+3σ];其中:
步骤5:状态监测过程中,常会包含不稳定因素,为避免误报,设定指标连续三次超过故障指示标尺时,进行预警,从而实现旋转机械的健康状态监测。如图7所示,状态监测曲线在第533~535样本处,连续三次超过了上述阈值,此时便可判定设备发生故障,从而进行预警。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于堆栈自编码降维的旋转机械状态监测方法,其特征在于,所述检测方法包括以下步骤:
1)采集旋转机械原始振动信号,提取旋转机械原始振动信号的信号特征,构造多域高维的特征向量;
2)对步骤1)中得到的多域高维的特征向量进行初步的筛选,对筛选后的多域高维的特征向量进行非线性降维,并将降维后的多域高维的特征向量划分为训练集和测试集;
3)将步骤2)中的训练集输入模糊神经网络进行训练,训练完成后,将测试集输入训练好的模糊神经网络,得到旋转机械健康度指标,将旋转机械健康度指标进行归一化得到旋转机械健康度曲线;
4)通过3σ准则,计算步骤3)中获取的旋转机械健康度曲线的上下阈值,建立基于3σ准则的故障指示标尺;
5)当旋转机械健康度指标超过步骤4)中建立的故障指示标尺,则视为旋转机械发生了故障,进行维修预警,从而对旋转机械的健康状态进行监测。
2.如权利要求1所述的一种基于堆栈自编码降维的旋转机械状态监测方法,其特征在于,步骤1)中提取的旋转机械原始振动信号的信号特征包括时域特征,频域特征以及时频域特征;
所述时域特征包括旋转机械原始振动信号的:峰值、峰峰值、均值、平均幅值、方根幅值、标准差、有效值、偏度指标、峭度指标、峰值指标、脉冲指标、裕度指标和波形指标;
所述频域特征包括旋转机械原始振动信号的:平均频率、重心频率、均方频率、均方根频率、频率方差和频率标准差;
所述时频域特征通过对旋转机械原始振动信号进行小波包分解获取,包括小波能量熵和小波奇异谱熵;
提取旋转机械原始振动信号的信号特征的方法为,将旋转机械原始振动信号分为若干段,对每段均提取所述时域特征、所述频域特征以及所述时频域特征,将所有段的相同信号特征组成一个信号特征向量,则多个信号特征向量构造多域高维的特征向量x={x1,x2,…xn},其中x1,x2,…xn表示不同的信号特征向量。
3.如权利要求2所述的一种基于堆栈自编码降维的旋转机械状态监测方法,其特征在于,步骤2)的具体步骤为:通过方差选择法对所构造的多域高维的特征向量x进行初步的筛选,计算每种信号特征向量即x1,x2,…xn在初期旋转机械正常运行状态下的方差,并将计算的方差由大到小进行排序,筛选掉排序前列的20%-30%的信号特征向量;建立堆栈自编码网络,对初步筛选后的多域高维特征向量x',经过非线性激活函数进行编码和解码,构造的目标函数为均方根误差,并加上权重衰减项防止过拟合,通过梯度更新对网络进行训练,寻找最优权重以最小化重构误差,使得堆栈自编码网络的隐藏层输出能够最大程度上保留初步筛选后的多域高维特征向量x'的信息,并设置隐藏层的节点数小于输入节点数,从而有效降维。
4.如权利要求3所述的一种基于堆栈自编码降维的旋转机械状态监测方法,其特征在于,步骤3)的具体步骤为:取初期旋转机械正常运行状态下采集的原始振动信号降维后的多域高维的特征向量作为训练集,取采集的所有振动信号降维后的多域高维的特征向量作为测试集,将训练集输入模糊神经网络,其中模糊神经网络的输入层节点数为原始振动信号降维后的维度,其输出节点数为1,模糊神经网络的网络隶属度函数选择高斯型,其损失函数选择均方误差,进行网络训练;训练完成后,将测试集输入模糊神经网络,所得到网络输出即为旋转机械的健康度指标;将旋转机械的健康度指标进行归一化,得到一条指标在[0,1]之间,且呈下降趋势的旋转机械健康度曲线。
7.如权利要求1所述的一种基于堆栈自编码降维的旋转机械状态监测方法,其特征在于,步骤5)中为避免误报,设定旋转机械健康度指标连续三次超过故障指示标尺时,进行预警,从而实现旋转机械的健康状态监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260308.4A CN115293189A (zh) | 2022-03-16 | 2022-03-16 | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260308.4A CN115293189A (zh) | 2022-03-16 | 2022-03-16 | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293189A true CN115293189A (zh) | 2022-11-04 |
Family
ID=83819889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210260308.4A Pending CN115293189A (zh) | 2022-03-16 | 2022-03-16 | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293189A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011109A (zh) * | 2023-01-13 | 2023-04-25 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-16 CN CN202210260308.4A patent/CN115293189A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011109A (zh) * | 2023-01-13 | 2023-04-25 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
CN116011109B (zh) * | 2023-01-13 | 2023-09-08 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | An improved fault diagnosis method of rotating machinery using sensitive features and RLS-BP neural network | |
CN103699698B (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN106769052A (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN109063308A (zh) | 一种基于深度量子学习的健康评估方法 | |
CN105095963A (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN112991579B (zh) | 一种基于生成对抗网络的直升机动部件异常检测方法 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN111523659A (zh) | 一种基于三级神经网络建模的机器故障预测诊断方法 | |
CN105046322A (zh) | 一种丝杠故障诊断方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN115293189A (zh) | 一种基于堆栈自编码降维的旋转机械状态监测方法 | |
CN109840505A (zh) | 一种面向全寿命周期轮对踏面的故障诊断方法 | |
CN109255201A (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN116304551A (zh) | 一种基于bcb模型的电机轴承故障诊断及特征提取方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 |
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 |