CN115597879A - 一种数据驱动的柴油机振动信号中故障信息定位识别方法 - Google Patents
一种数据驱动的柴油机振动信号中故障信息定位识别方法 Download PDFInfo
- Publication number
- CN115597879A CN115597879A CN202210985943.9A CN202210985943A CN115597879A CN 115597879 A CN115597879 A CN 115597879A CN 202210985943 A CN202210985943 A CN 202210985943A CN 115597879 A CN115597879 A CN 115597879A
- Authority
- CN
- China
- Prior art keywords
- training
- fault
- sparse
- sample
- model
- 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
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/12—Testing internal-combustion engines by monitoring vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种数据驱动的柴油机振动信号中故障信息定位识别方法,属于设备状态监测与诊断技术领域。首先,设收集柴油机故障变化实验数据,并划分训练集、验证集、测试集样本,并建立对应标签集;其次,建立带有稀疏注意力模块、标签预测模块与先验分布模块的故障定位模型,并建立模型训练方法;再次,多次训练获取多个故障定位模型组成模型集合;最终,建立模型评价指标,从模型集合中获取指标最优下的故障定位模型,获取其稀疏权值向量,分析稀疏向量的值为1的位置,以定位故障信息,为机组的检维修提供数据支撑。
Description
技术领域
本发明涉及一种数据驱动的柴油机振动信号中故障信息定位识别方法,适用于柴油机振动监测与故障诊断技术领域。
背景技术
柴油机作为大型工业领域的核心动力装备之一,具有十分广泛的应用,对其进行状态监测与故障诊断能有效地对异常状态或故障状态做出诊断,提高设备运行地可靠性和安全性。由于柴油机设备振动信号属于典型的角域信号,振动信号与柴油机关键运动部件的运动过程之间有对应关系,运动部件发生故障会导致振动信号上对应角域信号段出现异常征兆。柴油机振动信号呈现多源冲击复杂耦合的特点,传统借助故障机理定位故障信息的方法受限于机理认知程度,数据驱动方法从数据自身角度寻找因故障导致的信号本征差异,结合稀疏注意力机制与深度学习构建故障定位模型,进而定位识别信号中故障信息,为柴油机故障诊断提供指导,提高故障分析效率和准确率。
根据柴油机结构和工作原理,典型故障的故障信息大多集中在一个或多个较窄的角域信号段内,即故障信息在振动信号角域上呈现片段形式。本发明充分考虑柴油机典型故障信息的上述特点,采用稀疏注意力机制和权重分布约束,获得信号自适应分段稀疏权重,实现故障信息自主分段定位识别,从而使得数据驱动方法的识别结果更符合柴油机典型故障信息角域分布特性,为故障敏感特征提取和故障诊断提供有效的技术支撑。
发明内容
本发明的目的在于为柴油机故障诊断领域提供一种数据驱动的振动信号中故障信息定位识别方法。
本发明的目的通过以下技术方案实现:
第一,建立样本数据集,采集柴油机正常和故障状态下的振动数据,并进行归一化处理;为每一个样本映射独热编码的标签,建立标签集;将数据划分训练集、验证集、测试集样本。
第二,建立故障定位模型,模型由三个模块构成,第一模块为稀疏注意力模块,实现定位故障信息能力的基本模块;第二模块为标签预测模块,是基于其作用为保证故障信息定位的准确性;第三个模块为先验分布模块,其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理;
第三,建立训练机制,训练故障定位模型;本步骤主要为规定模型中各参数的训练方法,包括稀疏注意力模块中的稀疏权重向量,标签预测模块中的所有可训练的权值;最终获取多个模型结果,组成模型集合;
第四,建立模型评价方法,从型集合中选取最优模型并定位故障信息;即获取模型集合中评价指标最优的模型的稀疏权重向量,读取其值,值为1则认为故障信息存在于此信号片段,否则认为不含故障信息。
一种数据驱动的柴油机故障信息定位方法,其特征在于,包括以下步骤:
第一步:建立样本数据集
1.1按故障分布收集柴油机实验数据,整理得到总样本集D,如公式(1),(2), (3)所示:
其中,D为总样本集,指元素数量为T×N×K,定义在实数域中的三维数组,指T,N,K均为正整数,代表正整数集合;在故障诊断中,T代表故障类别数量,N代表每一类故障下的样本数量,K代表每个样本所包含的序列点数;Ft指第t类故障样本集;
其中,F指一类故障样本集,X为任意样本;X∈D,指总样本集D中的任意一类故障样本集F,其元素数量应为N×K,其定义在实数域中;任意样本X,其元素数量应为K,其定义在实数域中;任意一类故障样本集F,其所包含的样本数量为N;任意样本X,其序列点数均为K;
1.2将采集的信号进行归一化处理,即每一个样本X按照以下方式更新,如公式(4)所示:
其中,xnew为归一化后的样本,xmin为样本x序列中最小值,xmax为样本x 序列中最大值,xmean为样本x序列中平均值;
1.3将总样本集D按照样本数量划分训练集、验证集和测试集,比例为5:1:1, 记作Da,Db,Dc,并对所有样本按照故障进行标准独热编码作为该样本的标签,记 X的标签记作l,由标准独热编码可知,任意标签l的元素数量均为T;则由样本总集合为D可获取标签总集合L,可知指元素数量为T×N×T,定义在实数域中的三维数组;
第二步:建立基于先验机制的故障定位模型
故障定位模型的目的为定位样本X中的故障信息,模型由三个模块构成,第一模块为稀疏注意力模块,实现定位故障信息能力的基本模块;第二模块为标签预测模块,是基于其作用为保证故障信息定位的准确性;第三个模块为先验分布模块,其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理;
2.1建立稀疏注意力模块如下;
将样本X的序列点数为K,如公式(5)所示:
建立可训练的注意力权重向量ws,需注意,ws对所有样本共享,过程如公式(6)所示:
建立稀疏权重向量m,需注意,m对所有样本共享,如公式(7)所示:
m=[m1,m2,…,mi,…,mK]T∈{0,1}K (7)
其中,指元素数量为K,定义在实数域的一维向量;{0,1}K指元素数量为 K,仅定义在正整数0与1的一维向量;xi为样本x的第i个片段,为xi在注意力权重向量ws中对应的值,mi为xi在稀疏权重向量m中对应的值,ws中所有元素的初始值设置采用标准He初始化,m中所有元素的初始值设置为1;
建立稀疏注意力机制中样本X更新方式,如公式(8)所示:
其中,为稀疏样本;Sigmoid为Sigmoid激活函数;⊙为向量对应位置相乘标志;X为样本,m为稀疏权重向量,ws为机制中可训练的注意力权重向量;指经过上述公式(8)的运算后,中的元素数量仍为K,其定义域仍在在实数域;
2.2建立标签预测模块,过程如公式(9)所示:
其中,1DCNN指取任意的一维卷积神经网络的诊断模型,由于稀疏注意力机制的输出未改变样本X的元素数量与定义域,当前成熟的任意的一维卷积神经网络的诊断模型均可采用所述稀疏注意力机制作为前置;为稀疏样本;W为所述的一维卷积神经网络诊断模型中所有可训练的参数;为预测标签,指元素数量为T,定义在实数域中的数组;
2.3建立先验分布模块,过程如公式(10)所示:
其中,p即为先验分布模块;K为样本X的序列点数;β为的损失平衡系数,β与 K的位数相关,当K为两位数及以下时,β=0.01,当为两位以上时,为K值的位数;ws′为ws求一阶导数;|·|为求绝对值;ReLU指标准的ReLU函数;
2.4所述故障定位模型需定义损失函数,训练方法与迭代次数,如下所示;
建立损失函数,如公式(11)所示:
建立训练方法,如公式(12)所示:
Adam(0.001),minimize(Loss) (12)
其中,Qdam(0.001)为标准初始学习率为0.001的Adam训练算法; minimize(Loss)指学习目标为Loss最小化
建立迭代次数EP,EP为正整数,其数值与训练目标相关,在单次训练过程中,Loss随EP的增加而不断降低,需不断增大EP直至Loss不再下降;
第三步:建立训练机制,训练故障定位模型
3.1将训练集Da导入故障定位模型训练,在验证集Db上验证;训练完成后,取在测试集Dc上Loss最小的模型,导出其ws,W,m与测试集诊断准确率acc;此过程如下式(13)表示:
其中,U指所述训练过程,指第i次训练后,在测试集Dc上Loss最小的模型;导出在该模型中的,可训练的注意力权重向量ws,一维卷积神经网络诊断模型中所有可训练的参数W,稀疏权重向量m,测试集诊断准确率acc,分别记作
3.2建立η,即训练次数,为正整数;定义稀疏阈值ε及其训练方法,稀疏权重向量m的训练方法;
ε的训练方法如公式(14)所示:
稀疏权重向量m的训练方法,如公式(15)所示:
其中,⊙为向量对应位置相乘标志,为第i次训练后,稀疏权重向量m和注意力权重向量ws的值;ε为稀疏阈值;η为训练次数;为对应位置相乘后所得向量的第j个序列点;K为样本X的序列点数,数值上也等于的序列点数;为第i+1次训练故障定位模型需输入的稀疏权重向量;
3.3设置相邻训练次数之间的其他权值训练方法,即:
其中,⊙为向量对应位置相乘标志,分别为第i次训练后,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;分别为第i+1次训练所需输入的稀疏权重向量m的值,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;
3.4遍历所有训练次数,获取η个故障定位模型,组成集合V,即
第四步:建立评价方法,选取最优模型并定位故障信息
4.1建立基于稀疏阈值ε与测试集诊断准确率acc的模型评价指标,如公式(18) 所示:
J=θ×acc+(1-θ)×ε,θ∈(0,1) (18)
4.2在集合V中,获取当J最大时的数据驱动模型,导出该模型下的稀疏权值向量m,读取其中值为1的位置,即故障信息发生所在的信号片段。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实例,提供的一种数据驱动的柴油机故障信息定位方法流程图;
图2是根据本申请实例,提供的一种故障信号和标签示意图;
图3是根据本申请实例,提供的一种稀疏注意力结构图;
图4是根据本申请实例,提供的一种标签预测模型结构图;
图5是根据本申请实例,提供的一种多次训练数据驱动模型结构示意图;
图6是根据本申请实例,提供的一种稀疏向量结果示意图;
图7是根据本申请实例,提供的轴瓦被磨损发生故障和正常的对比图。
具体实施方式
为了更好地了解本发明的技术方案,以一台TBD234V12柴油机的缸盖振动信号为具体实施对象,对本发明提出的一种数据驱动的柴油机故障信息定位方法进行计算和实现。
图1是本申请提供的一种数据驱动的柴油机故障信息定位方流程图。参见图1,本发明的实施过程和结果如下:
在该发动机的曲轴主轴承座位置布置振动加速度传感器,采集主轴承座信号,采样频率为51200Hz,并以曲轴拐角720°为一周期分割为角域信号。
第一步:建立样本数据集
1.1按故障分布收集柴油机实验数据,整理得到总样本集D,如公式(1),(2), (3)所示:
其中,D为总样本集,指元素数量为T×N×K,定义在实数域中的三维数组,指T,N,K均为正整数,代表正整数集合;在故障诊断中,T代表故障类别数量,N代表每一类故障下的样本数量,K代表每个样本所包含的序列点数;Ft指第t类故障样本集;
其中,F指一类故障样本集,X为任意样本;X∈D,指总样本集D中的任意一类故障样本集F,其元素数量应为N×K,其定义在实数域中;任意样本X,其元素数量应为K,其定义在实数域中;任意一类故障样本集F,其所包含的样本数量为N;任意样本X,其序列点数均为K;
在本实例下,长时间降低润滑油供给,采集信号按照时间先后共划分4种故障状态,分别为故障Ⅰ,故障Ⅱ,故障Ⅲ,故障Ⅳ,T=4,N=100,K=6144。
1.2将采集的信号进行归一化处理,记X泛指一个样本,即对每一个样本按照如下方式更新,如公式(4)所示:
其中,xnew为归一化后的样本,xmin为样本x序列中最小值,xmax为样本x 序列中最大值,xmean为样本x序列中平均值。
1.3按样本类别将总样本集D划分训练集、验证集和测试集,比例为5:1:1, 记作Da,Db,Dc,并对所有样本按照故障进行标准独热编码作为该样本的标签, X(t,i)的标签记作L(t,i);
在本实例下,故障Ⅰ样本标签为(1,0,0,0),故障Ⅱ样本标签为(0,1,0,0),故障Ⅲ样本标签为(0,0,1,0),故障Ⅳ样本标签为(0,0,0,1);
第二步:建立基于先验机制的故障定位模型
故障定位模型的目的为定位样本X中的故障信息,模型由三个模块构成,第一模块为稀疏注意力模块,实现定位故障信息能力的基本模块;第二模块为标签预测模块,是基于其作用为保证故障信息定位的准确性;第三个模块为先验分布模块,其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理;
2.1建立稀疏注意力模块如下;
将样本X的序列点数为K,如公式(5)所示:
建立可训练的注意力权重向量ws,需注意,ws对所有样本共享,过程如公式(6)所示:
建立稀疏权重向量m,需注意,m对所有样本共享,如公式(7)所示:
m=[m1,m2,…,mi,…,mK]T∈{0,1}K (7)
其中,指元素数量为K,定义在实数域的一维向量;{0,1}K指元素数量为 K,仅定义在正整数0与1的一维向量;xi为样本x的第i个片段,为xi在注意力权重向量ws中对应的值,mi为xi在稀疏权重向量m中对应的值,ws中所有元素的初始值设置采用标准He初始化,m中所有元素的初始值设置为1;
建立稀疏注意力机制中样本X更新方式,如公式(8)所示:
其中,为稀疏样本;Sigmoid为Sigmoid激活函数;⊙为向量对应位置相乘标志;X为样本,m为稀疏权重向量,ws为机制中可训练的注意力权重向量;指经过上述公式(8)的运算后,中的元素数量仍为K,其定义域仍在在实数域;
在本实例下,图3介绍了本步骤的计算流程;
2.2建立标签预测模块,过程如公式(9)所示:
其中,1DCNN指取任意的一维卷积神经网络的诊断模型,由于稀疏注意力机制的输出未改变样本X的元素数量与定义域,当前成熟的任意的一维卷积神经网络的诊断模型均可采用所述稀疏注意力机制作为前置;为稀疏样本;W为所述的一维卷积神经网络诊断模型中所有可训练的参数;为预测标签,指元素数量为T,定义在实数域中的数组;
本步骤过程如图4所示。
2.3建立先验分布模块,过程如公式(10)所示:
其中,p即为先验分布模块;K为样本X的序列点数;β为的损失平衡系数,β与 k的位数相关,当K为两位数及以下时,β=0.01,当为两位以上时,为K值的位数;ws′为ws求一阶导数;|·|为求绝对值;ReLU指标准的ReLU函数;
2.4所述故障定位模型需定义损失函数,训练方法与迭代次数,如下所示;
建立损失函数,如公式(11)所示:
建立训练方法,如公式(12)所示:
Adam(0.001),minimize(Loss) (12)
其中,Adam(0.001)为标准初始学习率为0.001的Adam训练算法; minimize(Loss)指学习目标为Loss最小化
建立迭代次数EP,EP为正整数,其数值与训练目标相关,在单次训练过程中,Loss随EP的增加而不断降低,需不断增大EP直至Loss不再下降;
在本实例下,β=0.5;
第三步:建立训练机制,训练故障定位模型
3.1将训练集Da导入故障定位模型训练,在验证集Db上验证;训练完成后,取在测试集Dc上Loss最小的模型,导出其ws,W,m与测试集诊断准确率acc;此过程如下式(13)表示:
其中,U指所述训练过程,指第i次训练后,在测试集Dc上Loss最小的模型;导出在该模型中的,可训练的注意力权重向量ws,一维卷积神经网络诊断模型中所有可训练的参数W,稀疏权重向量m,测试集诊断准确率acc,分别记作
3.2建立η,即训练次数,为正整数;定义稀疏阈值ε及其训练方法,稀疏权重向量m的训练方法;
ε的训练方法如公式(14)所示:
稀疏权重向量m的训练方法,如公式(15)所示:
其中,⊙为向量对应位置相乘标志,为第i次训练后,稀疏权重向量m和注意力权重向量ws的值;ε为稀疏阈值;η为训练次数;为对应位置相乘后所得向量的第j个序列点;K为样本X的序列点数,数值上也等于的序列点数;为第i+1次训练故障定位模型需输入的稀疏权重向量;
3.3设置相邻训练次数之间的其他权值训练方法,即:
其中,⊙为向量对应位置相乘标志,分别为第i次训练后,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;分别为第i+1次训练所需输入的稀疏权重向量m的值,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;
3.4遍历所有训练次数,获取η个故障定位模型,组成集合V,即
在本实例下,EP=100,η=20,ε=Ψ(i)=(1×(1-(η-i)2/η2))0.5图5 介绍了本步骤的计算流程;
第四步:建立评价方法,选取最优模型并定位故障信息
4.1建立基于稀疏阈值ε与测试集诊断准确率acc的模型评价指标,如公式(18) 所示:
J=θ×acc+(1-θ)×ε,θ∈(0,1) (18)
4.2在集合V中,获取当J最大时的数据驱动模型,导出该模型下的稀疏权值向量m,读取其中值为1的位置,即故障信息发生所在的信号片段。
在本实例下,θ=1,μ=0.5,选择最终结果如图6所示,黑框内部为稀疏值为1的部分,其余为0,可见信号指出故障发生在0、180、360、540、720度左右,即活塞运动上下止点,表明连杆、轴瓦、曲轴之间出现一定的磨碰,拆装发现轴瓦被磨损,如图7所示。
综上,本实例证明了提出的数据驱动的柴油机故障信息定位方法的有效性。
Claims (1)
1.一种数据驱动的柴油机故障信息定位方法,其特征在于,包括以下步骤:
第一步:建立样本数据集
1.1按故障分布收集柴油机实验数据,整理得到总样本集D,如公式(1),(2),(3)所示:
其中,D为总样本集,指元素数量为T×N×K,定义在实数域中的三维数组,指T,N,K均为正整数,代表正整数集合;在故障诊断中,T代表故障类别数量,N代表每一类故障下的样本数量,,K代表每个样本所包含的序列点数;Ft指第t类故障样本集;
其中,F指一类故障样本集,X为任意样本;指总样本集D中的任意一类故障样本集F,其元素数量应为N×K,其定义在实数域中;任意样本X,其元素数量应为K,其定义在实数域中;任意一类故障样本集F,其所包含的样本数量为N;任意样本X,其序列点数均为K;
1.2将采集的信号进行归一化处理,即每一个样本X按照以下方式更新,如公式(4)所示:
其中,xnew为归一化后的样本,xmin为样本x序列中最小值,xmax为样本x序列中最大值,xmean为样本x序列中平均值;
1.3将总样本集D按照样本数量划分训练集、验证集和测试集,比例为5:1:1,记作Da,Db,Dc,并对所有样本按照故障进行标准独热编码作为该样本的标签,记X的标签记作l,由标准独热编码可知,任意标签l的元素数量均为T;则由样本总集合为D可获取标签总集合L,可知指元素数量为T×N×T,定义在实数域中的三维数组;
第二步:建立基于先验机制的故障定位模型
故障定位模型的目的为定位样本X中的故障信息,模型由三个模块构成,第一模块为稀疏注意力模块,实现定位故障信息能力的基本模块;第二模块为标签预测模块,是基于其作用为保证故障信息定位的准确性;第三个模块为先验分布模块,其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理;
2.1建立稀疏注意力模块如下;
将样本X的序列点数为K,如公式(5)所示:
建立可训练的注意力权重向量ws,需注意,ws对所有样本共享,过程如公式(6)所示:
建立稀疏权重向量m,需注意,m对所有样本共享,如公式(7)所示:
m=[m1,m2,…,mi,…,mK]T∈{0,1}K (7)
其中,指元素数量为K,定义在实数域的一维向量;{0,1}K指元素数量为K,仅定义在正整数0与1的一维向量;xi为样本x的第i个片段,为xi在注意力权重向量ws中对应的值,mi为xi在稀疏权重向量m中对应的值,ws中所有元素的初始值设置采用标准He初始化,m中所有元素的初始值设置为1;
建立稀疏注意力机制中样本X更新方式,如公式(8)所示:
其中,为稀疏样本;Sigmoid为Sigmoid激活函数;⊙为向量对应位置相乘标志;X为样本,m为稀疏权重向量,ws为机制中可训练的注意力权重向量;指经过上述公式(8)的运算后,中的元素数量仍为K,其定义域仍在在实数域;
2.2建立标签预测模块,过程如公式(9)所示:
其中,1DCNN指取任意的一维卷积神经网络的诊断模型,由于稀疏注意力机制的输出未改变样本X的元素数量与定义域,当前成熟的任意的一维卷积神经网络的诊断模型均可采用所述稀疏注意力机制作为前置;为稀疏样本;W为所述的一维卷积神经网络诊断模型中所有可训练的参数;为预测标签,指元素数量为T,定义在实数域中的数组;
2.3建立先验分布模块,过程如公式(10)所示:
其中,p即为先验分布模块;K为样本X的序列点数;β为的损失平衡系数,β与K的位数相关,当K为两位数及以下时,β=0.01,当为两位以上时, 为K值的位数;ws′为ws求一阶导数;|·|为求绝对值;ReLU指标准的ReLU函数;
2.4所述故障定位模型需定义损失函数,训练方法与迭代次数,如下所示;
建立损失函数,如公式(11)所示:
建立训练方法,如公式(12)所示:
Adam(0.001),minimize(Loss) (12)其中,Adam(0.001)为标准初始学习率为0.001的Adam训练算法;minimize(Loss)指学习目标为Loss最小化
建立迭代次数EP,EP为正整数,其数值与训练目标相关,在单次训练过程中,Loss随EP的增加而不断降低,需不断增大EP直至Loss不再下降;
第三步:建立训练机制,训练故障定位模型
3.1将训练集Da导入故障定位模型训练,在验证集Db上验证;训练完成后,取在测试集Dc上Loss最小的模型,导出其ws,W,m与测试集诊断准确率acc;此过程如下式(13)表示:
其中,U指所述训练过程,指第i次训练后,在测试集Dc上Loss最小的模型;导出在该模型中的,可训练的注意力权重向量ws,一维卷积神经网络诊断模型中所有可训练的参数W,稀疏权重向量m,测试集诊断准确率acc,分别记作
3.2建立η,即训练次数,为正整数;定义稀疏阈值ε及其训练方法,稀疏权重向量m的训练方法;
ε的训练方法如公式(14)所示:
稀疏权重向量m的训练方法,如公式(15)所示:
其中,⊙为向量对应位置相乘标志,为第i次训练后,稀疏权重向量m和注意力权重向量ws的值;ε为稀疏阈值;η为训练次数;为对应位置相乘后所得向量的第j个序列点;K为样本X的序列点数,数值上也等于的序列点数;为第i+1次训练故障定位模型需输入的稀疏权重向量;
3.3设置相邻训练次数之间的其他权值训练方法,即:
其中,⊙为向量对应位置相乘标志,分别为第i次训练后,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;分别为第i+1次训练所需输入的稀疏权重向量m的值,注意力权重向量ws的值和一维卷积神经网络诊断模型中所有可训练的参数W的值;
3.4遍历所有训练次数,获取η个故障定位模型,组成集合V,即
第四步:建立评价方法,选取最优模型并定位故障信息
4.1建立基于稀疏阈值ε与测试集诊断准确率acc的模型评价指标,如公式(18)所示:
J=θ×acc+(1-θ)×ε,θ∈(0,1) (18)
4.2在集合V中,获取当J最大时的故障定位模型,导出该模型下的稀疏权值向量m,读取其中值为1的位置,即故障信息发生所在的信号片段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985943.9A CN115597879A (zh) | 2022-08-16 | 2022-08-16 | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985943.9A CN115597879A (zh) | 2022-08-16 | 2022-08-16 | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115597879A true CN115597879A (zh) | 2023-01-13 |
Family
ID=84843659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210985943.9A Pending CN115597879A (zh) | 2022-08-16 | 2022-08-16 | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115597879A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
-
2022
- 2022-08-16 CN CN202210985943.9A patent/CN115597879A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558828A (zh) * | 2023-07-10 | 2023-08-08 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
CN108445752A (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN110261771B (zh) | 一种基于传感器互补性分析的故障诊断方法 | |
Lee et al. | Unsupervised anomaly detection of the gas turbine operation via convolutional auto-encoder | |
CN115597879A (zh) | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN112664185A (zh) | 一种基于示功图的抽油机井工况预测方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 | |
CN117041972A (zh) | 基于信道-时空注意自编码的车联网传感器异常检测方法 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN113551904B (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
Baek et al. | Abnormal vibration detection in the bearing-shaft system via semi-supervised classification of accelerometer signal patterns | |
CN114905335A (zh) | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 | |
CN114970744A (zh) | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 | |
CN115146675A (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 |
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 |