CN115659280A - 一种分布式多源传感的设备状态智能诊断方法 - Google Patents
一种分布式多源传感的设备状态智能诊断方法 Download PDFInfo
- Publication number
- CN115659280A CN115659280A CN202211433892.5A CN202211433892A CN115659280A CN 115659280 A CN115659280 A CN 115659280A CN 202211433892 A CN202211433892 A CN 202211433892A CN 115659280 A CN115659280 A CN 115659280A
- Authority
- CN
- China
- Prior art keywords
- equipment
- state
- data
- adopting
- contact
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010191 image analysis Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 8
- 230000006978 adaptation Effects 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000013526 transfer learning Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种分布式多源传感的设备状态智能诊断方法，该方法包括：根据机械设备的运动学关系、动力学模型和优化目标，对多种多个接触式传感器进行分布式优化布局，获取分布式多源传感反馈数据，采用数据融合获得标准型预处理特征数据，针对标准特征数据以迁移学习获得分布式多源接触式设备状态智能诊断结果；面向设备运动的外部表征，布置移动式动态图像采集及分析系统，以实施基于图像的非接触式设备状态提取，通过图像分析系统实现关键节点特征提取，采用图卷积神经网络，获得机械装置的状态智能诊断；基于分布式多源接触式诊断结果和移动式非接触图像诊断结果，采用专家模糊融合技术，获得机械装置的运动状态、异常情况的分类及定位，并实现设备的寿命预测。
Description
技术领域
本发明应用在机械设备状态的智能诊断领域，涉及一种分布式多源传感的设备状态智能诊断方法。
背景技术
随着当前科学技术和智能制造业的快速发展，制造装置、机器人等机械设备已经被应用在越来越多的生产场景中。为保障机械设备的工作可靠性，须提供运行状态的实时诊断结果，以备策略与任务的及时调整。在设备关键位置与设备周围环境中布置适量传感器，可以收集与运行状态相关的信息。良好的传感器布置具有重要的意义。
当前机械设备运行数据的采集平台，通常只针对核心驱动和传动部件布置有限的电信号与振动信号检测模块，布置位置集中在核心地方。由于材料和制造工艺的提升，单纯核心功能部件发生异常的频率已并不突出；而其余承载和执行元件发生异常的可能性和不良后果都不可忽略；另外，机械设备整体运行状态的全面获取，对于生产任务有效落实的重要性也不可忽视。大量待监测点位的出现后，传感器的优化布置和多源数据处理等问题也随即显现。盲目的或者凭感觉的大量布置，即可能出现传感器过度冗余与重复，也难以有效获得全面高质信息，更降低了实时数据处理的速度。需要优化分布设置多源传感器以获得机械设备状态的有效诊断结果。
目前对于设备状态的获取，多采取在设备上布置各种传感模块的方式，所获取的数据始终受制于设备本身所能传递的信息和已有传感器品类，也难以评估新出现的状况。通过视觉方式获取设备的图像信息，能够直观体现设备的运动状态和异常状况，可以作为上述过程的有效补充。通过在设备周边布置多个固定位置的摄像设备，采集有限点位的图像，即可获得原有方法维度之外的信息。但视觉检测仅适用于比较明显的形位差异和异物干扰，难以展现磨损、点蚀和零件松动等问题；另外，全面图像信息的获取所需要的固定点位摄像设备数量较大，存在投入和应用的多种难题。设计非固定式视觉检测系统，并与分布式多源传感检测系统进行有效融合，可充分弥补前述诸多弊端，进而有效保障机械设备持续、高效、稳定的运行。
发明内容
本发明旨在提供一种分布式多源传感的设备状态智能诊断方法，以克服当前智能诊断技术的不足。
针对上述存在的问题，为达到分布式多源传感的优化布局和机械设备状态智能诊断目的，本发明提供一种分布式多源传感的设备状态智能诊断方法，将有助于状态的及时反馈和对异常情况全面掌控，可有效避免由机械设备异常处理不及时而引发的事故，提升整个机械设备的安全性和可靠性。
为达到上诉目的，本发明采用如下的技术方案：
基于全局坐标系求解机械设备运动学关系并建立设备动力学模型，由此在设备的驱动装置、执行元件、承载构件和传动部件等基本单元布置振动、加速度和应变等传感器；在各电驱动执行元件，采用电压与电流传感模块建立信号检测通道。
对各基本单元建立适应单元形状与受力特征的直角坐标系或圆柱坐标系，构建传感器在单元表面分布的目标函数，采用梯度下降法，解算覆盖基本单元表面的传感器分布式布局的最佳位置和数量；针对无法求解的单元，以奇数个传感器进行中心对称式布局。
根据设备的动力学模型、运动学关系和接触式传感器的布局，采用系留式移动平台布置非接触式图像采集系统，其中系留式移动平台包括但不限于多旋翼无人机，配置双目相机和光源；面向设备的空间布局和各基本单元运动的外部表征，设置多个图像采集点，实现实时的动态状态监测和图像抓拍；采用A*算法建立最优运动路径，实现非接触式图像采集系统的高效采集。
接触式信号分析系统以设备的接触式传感器采集的原始数据作为输入，利用快速傅里叶变换和经典模态分解实现信号的特征提取，通过去噪、降频、分解、压缩等信号处理技术提取信号的时频域特征；通过多尺度机制将提取的信号特征和原始信号组成三通道数据，实现接触式多源传感分布式检测数据融合。
快速傅里叶变换：可以有效快速的转换信号，以获得频域中信号的每个频率分量的信息，通过去掉信号中的高频信号，获得过滤后的原始信号，其数学公式为：
其中，x(n)为有限长度离散信号，0≤k≤N-1。
经典模态分解常用于处理非线性和非平稳信号，通过将连续复杂的原始信号在时间尺度上分解为多个本征模态函数，来表示不同时间尺度上的频率分量，其数学公式为
其中，ci(t)为有限长度的本征模函数(Intrinsic Mode Function,IMF)，r(t)为信号数据残差。
将接触式传感器采集的原始信号通过快速傅里叶变换、经典模态分解后，与原始数据一起组成三通道信号数据，截取通道数据中长度为N2的连续信号，将其转为N×N的二维图像数据，并进行灰度处理；然后赋予三个通道数据各自权重参数a1、a2、a3，其中a1、a2、a3满足关系
a1+a2+a3＝1,0≤a1,a2,a3≤1
既而将三个通道对应的灰度图像叠加得到三通道二维数据图像，通过多尺度权重实现数据的融合。
由于环境噪声对信号数据存在干扰，在采集中异常数据远远小于正常数据造成的数据分布偏移，难以从传感器收集有效标签数据或对数据进行有效的标记，基于深度学习和传统信号处理方法的状态诊断效果通常不佳。为解决上述问题，本发明采用深度卷积对抗域自适应神经网络模型DCADA，实现无监督、强噪声和数据分布偏移下的设备状态智能诊断。
接触式传感器采集的原始信号数据通过数据融合预处理后，将得到的数据分为源域和目标域两个领域样本数据，其中源域样本包含带有标签的信号特征数据，目标域样本则是未含有标签的信号特征数据。将切分好的领域样本数据作为DCADA模型的输入。
DCADA模型包含特征提取、领域自适应和状态识别模块，其中特征提取模块包括五个卷积模块，每个卷积模块包括卷积层、激活函数和池化层，特征提取模块最后连接全连接层；领域自适应模块包含多个领域鉴别器来和边际分布差异度量函数MMD；状态识别模块包含一个卷积块、全连接层和归一化指数softmax函数。
特征提取模块实现领域样本信号转换为可学习分类的信息。其特征提取模块的损失函数公式为：
领域自适应模块减少领域样本的分布差异和提取领域的域不变特征，采用多个域鉴别器实现源域和目标域信息分类，通过采用最大均值差异MMD分别计算类间分布距离，将得到的损失值作为自适应因子，指导边际分布差异的域自适应；域鉴别器作为普通二分类网络，包括全局平均值池化、卷积块和softmax函数模块，并得到特征信息相对应的概率值，作为域鉴别器的输出，其损失函数为：
其中θf为Gf的权重迭代更新参数。
最大均值差异MMD通过引入映射函数将两个领域的高层特征嵌入到再生希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)的两个点中。这两点之间的距离用来表示两个域特征之间的分布距离，通过最小化距离来实现两个域数据分布的匹配，其中分布距离可以定义为
其中Φ是RKHS的映射函数，Xs与Xt分别代表源域和目标域样本，其MMD的损失函数为LM：
其中k(x,y)为高维的映射空间。
状态识别模块：通过将领域自适应提取到的特征信息进行分类，实现领域的异常分类和诊断信息，其模块包含卷积块、全连接层和归一化softmax函数。其损失函数Ly为：
DCADA模型参数计算的优化目标：
其中
分别代表θf,θc,θd的参数估计值，θf,θd,θc为Gf,Gd,Gy的权重迭代更新参数。
DCADA模型参数的迭代更新公式为：
其中μ为学习率超参数。
非接触式图像采集系统以非接触式采集的图像数据为输入，通过分割、去噪、增强与灰度等图像处理技术提取给定采集点的图像特征，并对提取的基本单元外部表征进行标记。
由于图片数据的非线性不规则特点，导致深度学习中的卷积池化等操作无法直接应用在图像数据上，此外由于图像数据的每个节点和相邻的节点含有相关的因果关系，使得基于欧式空间的神经网络无法有效学习各个节点之间的相关关系，所以采用图卷积神经网络GCN，实现基于视觉图像的智能诊断和状态监测。
图神经网络能够深度挖掘图像节点之间的位置关系、提取图像数据结构特征和关键节点的几何关系，给定采集点之间的图像特征。通过对图像给定采集点的特征提取和提取的基本单元外部特征进行标记，将得到图像节点特征数据作为GCN模型输入，获得设备的状态智能诊断。
进一步，当获得分布式多源接触式诊断系统与移动式非接触图像诊断系统的反馈时，采用专家模糊融合技术，实时提供与任务相关的诊断方法权重，融合接触式与非接触式诊断结果，获得机械设备的运行状态、异常情况的分类及定位，并实现机械设备的寿命预测。
本发明的有益效果：
本发明提出基于分布式多源接触式诊断和移动式非接触图像诊断的技术，在初步优化分布式多源传感布局和移动式非接触图像系统布局，将采集的原始数据通过数据融合机制和图像分析系统提取特征信息后，输入DCADA和GNN网络模型中，获得机械设备状态的智能监测与诊断，实现以信号与图像相结合的分布式多源信息融合的新型智能诊断方法。通过基于分布式多源接触式诊断和移动式非接触图像诊断技术，采用专家模糊融合技术，实现全方位信息综合的机械设备的运行状态监测、异常情况分类与定位，并实现机械设备的寿命预测。
本发明基于接触式信号和视觉反馈的状态智能监测及诊断方法，以诊断准确率高、覆盖面全和实施难度低等优点可被广泛使用于生产生活和科学研究中，与只基于接触式信号数据或基于视觉反馈的诊断方法相比，两者相互融合的智能诊断方法能够避免因单一诊断方法带来的诊断片面性和局限性。分布式多源传感设备状态的智能诊断方法利用基于接触式信号与视觉反馈的智能诊断方法，用于机械设备状态监测、智能诊断和寿命预测中，对机械设备智能监测与诊断提供一种新的研究的方法与思路。
附图说明
图1为本发明的具体实施流程图；
图2为本发明的多接触式和非接触式传感器布局实施例图；
图3为本发明的接触式传感器数据融合流程示意图；
图4为本发明的深度卷积对抗域自适应神经网络模型流程示意图；
图5为本发明的多接触式和非接触式传感器布局实施例图。
具体实施方法
为使本发明实施目的和技术方案更加清楚，下面将结合本发明的附图和具体实施例，对本发明的技术方案和技术路线进行清楚、完整地描述，应理解这些实例仅用于说明发明，而不用于限制本发明的范围，所描述的实例是本发明一部分实施例，而不是全部实施例，在阅读本发明之后，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种分布式多源传感的设备状态智能诊断方法，图1为本发明实例提供的分布式多源传感的设备状态智能诊断方法流程示意图，该方法包括：
如图1所示，分布式多源传感的设备状态智能诊断方法包括接触式和非接触式传感器优化布局、接触式信号采集系统和非接触式图像采集系统以及DCADA和GCN神经网络模型。通过接触与非接触两种类型传感器的优化布置、接触信号与图像数据采集、数据的预处理、网络模型智能诊断和诊断信息专家模糊融合等流程，实现机械设备的状态监测、智能诊断和寿命预测。
如图1和图2所示，接触式传感器分布式布局采取以下步骤，首先基于全局坐标系分析运动学关系，建立机械设备动力学模型，由此在机械设备的驱动装置、执行元件、承载构件和传动部件等基本单元布置振动、加速度和应变等传感器；在各电驱动执行元件，采用电压与电流传感模块建立信号检测通道。
对各基本单元建立适应单元形状与受力特征的直角坐标系或圆柱坐标系，构建传感器在单元表面分布的目标函数，采用梯度下降法，解算覆盖基本单元表面的传感器分布式布局的最佳位置和数量；针对无法求解的单元，以奇数个传感器进行中心对称式布局。
如图1和图2所示，根据机械设备的动力学模型、运动学关系和接触式传感器的布局，采用系留式移动平台布置非接触式图像采集系统，其中系留式移动平台包括但不限于多旋翼无人机，配置双目相机和光源；面向机械设备的空间布局和各基本单元运动的外部表征，设置多个图像采集点，实现实时的动态状态监测和图像抓拍；采用A*算法建立最优运动路径。
如图3所示，接触式信号分析系统以机械设备的接触式传感器采集的原始数据作为输入，利用快速傅里叶变换和经典模态分解实现信号的特征提取，通过去噪、降频、分解、压缩等信号处理技术提取信号的时频域特征；通过多尺度机制将提取的信号特征和原始信号组成三通道数据，实现接触式多源传感分布式检测数据融合。快速傅里叶变换可以有效快速的转换信号，以获得频域中信号的每个频率分量的信息，通过去掉信号中的高频信号，获得过滤后的原始信号，具体过程如下：
先给出长度为N的离散信号(Discrete Fourier Transform,DFT)的表达式
为减少计算的复杂度，引入旋转因子
将信号分解为奇偶数序列
利用周期性与对称性将信号序列分解为奇偶序列，从而提取信号的频率特征。
经典模态分解是依据自身的时间尺度特征进行信号分解，无需设定基函数的一种时频域信号处理方式，先行将复杂的信号分解为有限的本征模函数IMF，各个IMF分量包含了原信号的不同时间尺度的局部特征信息，通过IMF提取信号的特征信息。其中经典模态分解过程如下：
将输入信号分解为几个IMF和残差r(t)，
通过设定停机准则，获得IMF分量ci(t),ci(t)为包含输入信号最大频率的成分，通过代入计算相关系数pi,当相关系数pi越接近于1，则分量ci(t)越接近原始信号。
选择相关系数pi最高的IMF作为最优模态函数，以保留原始信号的时频域特征信息。
将接触式传感器采集的原始信号通过快速傅里叶变换、经典模态分解后，与原始数据一起组成三通道信号数据，截取通道数据中长度为N2的连续信号，并将其转为N×N的二维图像数据，并进行灰度处理，然后赋予三个通道数据各自权重参数a1、a2、a3,其中a1、a2、a3关系如下：
a1+a2+a3＝1,0≤a1,a2,a3≤1
既而将三个通道对应的灰度图像叠加三通道二维数据图像，通过多尺度权重机制实现接触式多源传感检测数据融合。
由于环境扰动容易使数据失真、在采集数据中故障数据远远小于正常数据而造成的数据分布偏移、难以从传感器收集的有效的标签数据或对数据进行有效的标记，使得基于深度学习和传统的信号处理的方法诊断结果往往效果不佳。为解决上诉问题，本发明采用深度卷积对抗域自适应神经网络DCADA，实现无监督、强噪声、数据分布偏移下的机械设备智能诊断。
如图4所示，接触式传感器采集的原始信号数据通过数据融合预处理后，将得到的数据分为源域和目标域两个领域样本数据，其中源域样本
源域的任务
包含带有标签的信号特征数据，目标域
xi,xjvRd，目标域的任务
则是未含有标签的信号特征数据，其中ns,nt分别为源域与目标域的样本，xi,xj分别代表源域样本数据和目标域样本数据，两个领域的特征空间Rd是相同的。
将划分得到领域样本数据作为DCADA模型的输入，其诊断模型包括特征提取、领域自适应和状态识别模块。
如图4所示的流程图，特征提取模块包括五个卷积模块，每个卷积模块包括卷积层、激活函数、池化层，最后连接全连接层实现领域样本信息的特征提取，实现领域样本信号转换为可学习分类的信息。其特征提取模块的损失函数公式为：
领域自适应模块通过建立分布差异度量和多领域鉴别器来帮助特征提取模块学习域不变特征，最后通过GRL梯度反转层将损失函数值反向传递给特征提取模块。首先将特征提取模块提取到的特征输入到多个域鉴别器中，将得到的概率值作为域鉴别器的Ld输出，得到的领域鉴别器的损失值作为领域的边际分布差异，通过采用最大均值差异MMD分别计算类间分布距离，将得到的损失值作为自适应因子，指导边际分布差异的域自适应。
为减少领域样本的分布差异和提取领域的域不变特征，采用多个域鉴别器来进行源域和目标域信息分类，域鉴别器作为普通二分类网络，包括全局平均值池化、卷积块和softmax函数模块，并得到特征信息相对应的概率值，作为域鉴别器的输出，其损失函数为：
最大均值差异MMD通过引入映射函数将两个领域的高层特征嵌入到再生希尔伯特空间RKHS的两个点中。这两点之间的距离用来表示两个域特征之间的分布距离，通过最小化距离来实现两个域数据分布的匹配，其中分布距离可以定义为
其中Φ是RKHS的映射函数，Xs与Xt分别代表源域和目标域样本，其MMD的损失函数为LM：
状态识别模块：通过将领域自适应提取到的特征信息进行分类，实现领域的异常分类和诊断信息，其模块包含卷积块、全连接层和归一化softmax函数。其损失函数Ly为：
DCADA模型参数计算的优化目标：
DCADA模型参数的迭代更新公式为：
非接触式图像采集系统以非接触式采集的图像数据为输入，通过分割、去噪、增强与灰度等图像处理技术提取给定采集点的图像特征，并对提取的基本单元外部表征进行标记。
由于图片数据的非线性不规则特点，其图片中的各节点的大小不同、节点无序、相邻节点关系难以确定，导致深度学习中的卷积操作等无法直接应用在图像数据上，此外由于图像数据的每个节点和相邻的节点含有相关的因果关系，而基于欧式空间的神经网络无法有效的对这些关系进行学习。所以采用图神经网络，实现基于视觉图像的状态监测和智能诊断。
图神经网络能够深度挖掘图像节点之间的位置关系、提取图像数据结构特征和关键节点的几何关系，给定采集点之间的图像特征。通过对图像给定采集点的特征提取和提取的基本单元外部特征进行标记，将得到图像节点特征数据作为GCN模型输入，获得设备的状态智能诊断。
如图1所示，基于分布式多源接触式诊断和移动式非接触图像诊断系统的诊断结果，采用专家模糊融合技术，获得机械设备的运行状态、异常情况的分类及定位，并实现机械设备的寿命预测。
本发明提出基于分布式多源接触式诊断和移动式非接触图像诊断，在初步优化分布式多源传感布局和移动式非接触图像系统布局，将采集的原始数据通过数据融合机制和图像分析系统提取特征信息后，输入DCADA和GCN网络模型中，获得机械设备智能诊断与状态监测，实现以信号与图像相结合的多源信息融合的新型智能诊断方法。通过基于分布式多源接触式诊断和移动式非接触图像诊断，采用专家模糊融合技术，实现机械设备的运行状态监测、异常情况分类与定位，并实现机械设备的寿命预测。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种分布式多源传感的设备状态智能诊断方法，其特征在于，包括以下步骤：
步骤1：根据机械设备的运动学关系、动力学模型和优化目标，对多种多个接触式传感器进行分布式优化布局，获取分布式多源传感反馈数据；
步骤2：面向设备运动的外部表征，布置移动式动态图像采集及分析系统，以实施基于图像的非接触式设备状态提取；
步骤3：以步骤1中的所述分布式多源传感反馈数据为输入，采用数据融合机制获得时频域标准型预处理特征数据；
步骤4：以步骤2中提取的非接触式图片数据为输入，采用图像分析系统实现关键节点特征提取；
步骤5：以步骤3中提取的特征数据为网络模型输入，采用深度卷积对抗域自适应神经网络模型，获得分布式多源接触式设备状态智能诊断结果；
步骤6：以步骤4中提取的关键节点图像特征为模型输入，采用图卷积神经网络模型，获得机械设备的状态智能诊断；
步骤7：基于步骤5和步骤6的智能诊断结果，采用专家模糊融合技术，获得设备的运行状态、异常情况的分类及定位，并实现设备的寿命预测。
2.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用的接触式传感器的分布式布局，根据机械设备的运动学关系、动力学模型，在设备的驱动装置、执行元件、承载构件和传动部件上布置振动、加速度和应变传感器；对各电驱动执行元件，采用电压与电流传感模块建立电信号检测通道。
3.根据权利要求2所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用分布式多源传感优化布局，对各基本单元建立适应单元形状与受力特性的直角坐标系或圆柱坐标系，构建传感器在单元表面分布的目标函数，采用梯度下降法解算覆盖基本单元表面的传感器分布式布局的最佳位置和数量；对无法求解的单元，以奇数个传感器进行中心对称式布局。
4.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用系留式移动平台布置非接触式图像采集系统，其中系留式移动平台包括但不限于多旋翼无人机；面向设备的空间布局和各基本单元运动的外部表征，设置多个图像采集点，采用A*算法建立最优运动路径。
5.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用接触式多源传感数据融合，对于接触式传感器采集的原始数据，采用快速傅里叶变换和经典模态分解实现信号的特征提取；通过多尺度融合机制将提取的信号特征和原始信号组成三通道数据，实现接触式多源传感分布式检测数据融合。
6.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用图像分析系统获取关键节点特征，对于非接触式采集的图像数据，通过分割、去噪、增强与灰度处理等图像处理技术提取给定采集点的图像特征，并对提取的基本单元外部表征进行标记。
7.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用DCADA获得分布式多源接触式设备状态智能诊断结果，DCADA分为特征提取、领域自适应和状态识别模块，基于接触式多源传感分布式检测融合数据，提取域不变特征和设备状态特征，实现设备状态的智能诊断；DCADA的域自适应模块损失函数为：
其中，Gf(xi)是特征提取模块提取的特征表示，Gd(x)是域自适应模块的特征表示，xi是源域样本数据，yi是源域样本标签数据，di为第i个样本的领域样本标签,Wc为鉴别器的权重系数，n为鉴别器的个数；状态识别模块的损失函数：
其中，Gy(x)是状态识别模块的特征表示,ns为源域样本总数；通过梯度反转层将域自适应模块和状态识别模块的损失函数值传递给特征提取模块，获得特征提取模块的迭代损失函数：
其中，w是最大均值差异边际分布权重，θf是Gf权重迭代更新参数，μ为学习率超参数，LM与Lf分别是MMD边际分布损失函数和特征提取模块损失函数。
8.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用关键节点图像特征输入下设备状态的智能诊断，基于关键节点的多状态训练GCN模型，输入新采集并处理后的节点图像数据，获得机械装置的状态智能诊断。
9.根据权利要求1所述的分布式多源传感的设备状态智能诊断方法，其特征在于：采用机械设备状态的综合智能诊断，构建专家模糊系统，实时提供与任务相关的诊断方法权重，融合接触式与非接触式诊断结果，获得融合的设备运行状态、异常情况分类与定位以及设备寿命预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433892.5A CN115659280A (zh) | 2022-11-16 | 2022-11-16 | 一种分布式多源传感的设备状态智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433892.5A CN115659280A (zh) | 2022-11-16 | 2022-11-16 | 一种分布式多源传感的设备状态智能诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115659280A true CN115659280A (zh) | 2023-01-31 |
Family
ID=85017306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211433892.5A Pending CN115659280A (zh) | 2022-11-16 | 2022-11-16 | 一种分布式多源传感的设备状态智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659280A (zh) |
-
2022
- 2022-11-16 CN CN202211433892.5A patent/CN115659280A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | A survey of transfer learning for machinery diagnostics and prognostics | |
| CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
| US20230351177A1 (en) | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion | |
| CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
| Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
| CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
| CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| Zhang | Application of artificial intelligence recognition technology in digital image processing | |
| Wu et al. | Multiscale reduction clustering of vibration signals for unsupervised diagnosis of machine faults | |
| CN117369418A (zh) | 数控机床进给系统故障诊断方法、系统、存储介质及设备 | |
| Krenzer et al. | Augmented Intelligence for Quality Control of Manual Assembly Processes using Industrial Wearable Systems. | |
| CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
| CN116644273A (zh) | 基于可释性乘法卷积网络的故障诊断方法及系统 | |
| Chaleshtori | Data fusion techniques for fault diagnosis of industrial machines: a survey | |
| CN115659280A (zh) | 一种分布式多源传感的设备状态智能诊断方法 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| Chen et al. | Bearing Fault Diagnosis Based on Frequency Subbands Feature Extraction and Multibranch One‐Dimension Convolutional Neural Network | |
| Wu et al. | Fault Diagnosis Method of Rolling Bearing Based on MSCNN-LSTM. | |
| Yousefi | A Data-Driven Approach for Fault Classification of a Manufacturing Process |
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 |