CN116028509B - 一种基于因果机制的最优工况索引生成方法 - Google Patents
一种基于因果机制的最优工况索引生成方法 Download PDFInfo
- Publication number
- CN116028509B CN116028509B CN202310300650.7A CN202310300650A CN116028509B CN 116028509 B CN116028509 B CN 116028509B CN 202310300650 A CN202310300650 A CN 202310300650A CN 116028509 B CN116028509 B CN 116028509B
- Authority
- CN
- China
- Prior art keywords
- working condition
- bearing
- fault
- value
- indicating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001364 causal effect Effects 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 12
- 238000005096 rolling process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 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
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轴承故障评估技术领域，具体是一种基于因果机制的最优工况索引生成方法，包括以下步骤：使用联邦学习法获取故障轴承的训练数据，所述训练数据的类型包括故障轴承的工况，该工况对应的故障类型，以及该工况对应的故障特征值；对训练数据进行拟合训练，构建故障轴承的工况与该工况下产生的故障特征值的拟合公式；建立因果模型，将拟合公式的计算值导入因果模型中，进而得出故障轴承在预定工况下的故障类型；本发明能够形成轴承故障的参数配合表，通过查表的方式，能够快速准确地得出轴承在预定工况下的故障类型。
Description
技术领域
本发明涉及轴承故障评估技术领域，具体是一种基于因果机制的最优工况索引生成方法。
背景技术
对于机械设备来说，其受到自身材料属性、制造工业、外界环境等的影响，在工作的过程中会出现很多机械故障，进而导致设备终止运转，导致对应的工作流程也被迫中断。为了避免因机械故障而影响机械设备的正常运转，于是在非工作时间提前对机械进行健康诊断就显得十分必要。
随着技术的进步，越来越多的深度学习方法应用在了机械故障诊断的领域。深度学习通过建立预测模型，构建形成机械故障诊断的预测体系。预测体系采用计算机语言编程，通过输入对应的条件，进而预测机械故障发生的可能性。但是在实际的使用过程中，并不是所有的工作人员都能熟练地掌握计算机的使用方法，进而无法准确及时地对机械故障进行预测。并且有些机械故障的原因多种多样，这就会导致建立的预测模型过大，过大的预测模型必然需要足够的运算内存作为支撑，这就要求企业需要花费较高的成本购入先进计算机，导致生产的成本增加，因此亟待解决。
发明内容
为了避免和克服现有技术中存在的技术问题，本发明提供了一种基于因果机制的最优工况索引生成方法。本发明能够形成轴承故障的参数配合表，将工况作为索引，通过查表的方式，能够快速准确地得出轴承在预定工况下的故障类型。
为实现上述目的，本发明提供如下技术方案：
一种基于因果机制的最优工况索引生成方法，包括以下步骤：
S1、使用联邦学习法获取故障轴承的训练数据，所述训练数据的类型包括故障轴承的工况、该工况对应的故障类型、以及该工况对应的故障特征值，并使用训练数据构建形成参数配合表；
S2、对训练数据进行拟合训练，构建故障轴承的工况与对应工况值下产生的故障特征值的拟合公式；
S3、建立因果模型，将拟合公式的计算值导入因果模型中，由因果模型推导出对应的故障特征预测值；以工况值作为索引，将该故障特征预测值带入参数配合表中，进而通过查表的方式得出故障轴承在预定工况下的故障类型。
作为本发明的再进一步方案：步骤S3中建立因果模型的过程如下：
S31、对训练数据中的各个工况值进行整合，同一工况下的各个工况值按照由大到小或者是由小到大的方式进行排列，并使用拟合公式计算该工况下相邻的两个工况值对应的故障特征值Y k,r 和Y k,r+1 ；
S32、将步骤S31中计算得到的故障特征值导入熵值计算公式中，计算出对应的熵值，所述熵值计算公式如下：
其中，Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值；Y k,r+1表示故障轴承在第k种工况下取第r+1个工况值时的故障特征值；
f(Y k,r+1∣Y k,r )表示以Y k,r 为条件时，Y k,r+1的熵值；B k 表示故障轴承在第k种工况下的系数矩阵，
表示B k 的增广矩阵；/>
表示/>
的转置矩阵；E表示单位矩阵；U k 表示故障轴承在第k种工况下的上三角矩阵；β表示噪声参数；α表示系统参数；
S33、使用拟合公式计算Z k 中各个工况值对应的故障特征值，并将各个工况值和对应的故障特征值组合形成数据集C k ：
其中，Z k 表示故障轴承第k种工况的全部工况值构成的数据矩阵；Z k,1表示故障轴承第k种工况的第1个工况值；Z k,r 表示故障轴承第k种工况的第r个工况值；Z k,R 表示故障轴承第k种工况的第R个工况值，r∈[1,R]，R表示该工况的工况值总个数；Y k,1表示故障轴承在第k种工况下取第1个工况值时的故障特征值；Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值；Y k,R 表示故障轴承在第k种工况下取第R个工况值时的故障特征值；
S34、对生成的数据集C k 进行交叉处理，形成交叉数据集D k ：
其中，D k 为交叉数据集；Y k,2 表示故障轴承在第k种工况下取第2个工况值时的故障特征值；
S35、将交叉数据集D k 代入熵值计算公式中，以得到交叉熵值计算公式：
中，F(Y k,r+1∣Y k,r )表示以Y k,r 为条件时，Y k,r+1的交叉熵值；W k 表示故障轴承在第k种工况下的交叉系数矩阵，
表示W k 的增广矩阵；/>
表示/>
的转置矩阵；
S36、求出F(Y k,r+1∣Y k,r )和f(Y k,r+1∣Y k,r )之间的差值，并将该差值赋予T k,r ：
其中，T k,r 表示故障轴承在第k种工况下取第r个工况值时该故障轴承发生故障的权重系数；
S37、将T k,r 带入总因果效应的计算公式中，计算出预定工况值下的故障特征预测值；
其中，Y表示故障特征预测值；T 1,1表示故障轴承在第1种工况下取第1个工况值时该故障轴承发生故障的权重系数；T 1,r 表示故障轴承在第1种工况下取第r个工况值时该故障轴承发生故障的权重系数；T 1,R 表示故障轴承在第1种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z 1,1表示故障轴承第1种工况的第1个工况值；Z 1,r 表示故障轴承第1种工况的第r个工况值；Z 1,R 表示故障轴承第1种工况的第R个工况值；
T k,1表示故障轴承在第k种工况下取第1个工况值时该故障轴承发生故障的权重系数；T k,r 表示故障轴承在第k种工况下取第r个工况值时该故障轴承发生故障的权重系数；T k,R 表示故障轴承在第k种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z k,1表示故障轴承第k种工况的第1个工况值；Z k,r 表示故障轴承第k种工况的第r个工况值；Z k,R 表示故障轴承第k种工况的第R个工况值；
T K,1表示故障轴承在第K种工况下取第1个工况值时该故障轴承发生故障的权重系数；T K,r 表示故障轴承在第K种工况下取第r个工况值时该故障轴承发生故障的权重系数；T K,R 表示故障轴承在第K种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z K,1表示故障轴承第K种工况的第1个工况值；Z K,r 表示故障轴承第K种工况的第r个工况值；Z K,R 表示故障轴承第K种工况的第R个工况值；K表示故障轴承的故障类型总数；
S38、以工况值为索引，将故障特征预测值带入参数配合表中，从而判断轴承在预定工况值下会发生何种故障。
作为本发明的再进一步方案：步骤S2中使用VAE方法对训练数据进行解耦，解耦形成两种类型的数据；
第一种：当训练数据的数据量高于指定值时，采用控制变量的方法对
训练数据进行处理，得出任一工况与对应的故障特征值之间的函数关系，以建立拟合公式；
第二种：当训练数据的数据量低于指定值时，采用任意两种工况彼此组合的方式对训练数据进行处理，得出该两种工况与对应故障特征值之间的函数关系，以建立拟合公式。
作为本发明的再进一步方案：第一种类型的数据处理步骤具体如下：
S221、选择故障轴承的指定工况作为因变量，筛选出训练数据中只有指定工况的工况值变化而其他工况的工况值不变的数据构成数据矩阵Z k ：
S222、建立函数关系计算公式：
其中，A k 表示故障轴承第k种工况的全部工况值构成的Z k 的系数矩阵，Y k 表示故障轴承第k种工况的全部故障特征值构成的数据矩阵；Q k 表示故障轴承第k种工况下的参数矩阵；A k,1表示故障轴承第k种工况的第1个工况值的系数，即Z k,1的系数；A k,2表示故障轴承第k种工况的第2个工况值的系数，即Z k,2的系数；A k,r 表示故障轴承第k种工况的第r个工况值的系数，即Z k,r 的系数；A k,R 表示故障轴承第k种工况的第R个工况值的系数，即Z k,R 的系数；
Q k,1表示故障轴承第k种工况的第1个工况值对应的参数；Q k,2表示故障轴承第k种工况的第2个工况值对应的参数；Q k,r 表示故障轴承第k种工况的第r个工况值对应的参数；Q k,R 表示故障轴承第k种工况的第R个工况值对应的参数；
为Z k 的转置矩阵；
S223、将数据带入到函数关系计算公式中，计算出A k 中的各个系数值，并取平均值h k ，进而构成形成故障轴承的工况和故障特征值的拟合公式，拟合公式如下：
其中，h k 表示系数矩阵A k 中所有系数的平均值，d k 表示参数矩阵Q k 中所有参数的平均值。
作为本发明的再进一步方案：第二种类型的数据处理步骤具体如下：
S231、选取任意两种工况，并将这两种工况的对应的工况值导入组合函数G中，计算出组合函数值：
其中，Z q 表示故障轴承第q种工况的工况值构成的数据矩阵，q∈[1,K]，K表示工况种类的总数；Z q,1表示故障轴承第q种工况的第1个工况值；Z q,2表示故障轴承第q种工况的第2个工况值；Z q,r 表示故障轴承第q种工况的第r个工况值；Z q,R 表示故障轴承第q种工况的第R个工况值；G(Z k,r ,Z q,r )表示Z p,r 和Z q,r 的组合函数值；m表示拟合维数；μ和δ均为组合函数的参数；
S232、采用修正系数V对组合函数进行修正；
其中，V表示修正系数；
S233、将修正系数代入组合函数中，形成函数关系计算公式：
其中，Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值；
S234、将训练数据带入步骤S233的函数关系计算公式中，对参数μ和δ进行更新并确定参数μ和δ的取值，进而使该函数关系计算公式转化为拟合公式。
作为本发明的再进一步方案：步骤S1中参数配合表的建立过程具体如下：
S11、统计由联邦学习获得的训练数据，获取训练数据中故障轴承的故障特征值和故障类型的对应关系；
S12、根据步骤S11中的对应关系对故障特征值按照由小到大的顺序进行区间划分，以构成特征区间，且每个特征区间仅对应一种故障类型；
S13、将故障特征预测值按照由小到大的顺序进行区间划分，形成预测区间，并且预测区间包含在特征区间内，彼此对应的预测区间和特征区间均对应于同一种故障类型，即每一个预测区间只对应一种故障类型；
S14、将与预测区间对应的工况值和权重系数划分到该预测区间内，进而形成参数配合表；
S15、设定轴承的工况，以该工况作为索引，故障特征预测值作为索引指标，在参数配合表中进行搜索，找到该工况对应的预测区间，进而得出轴承在该工况下发生故障类型。
与现有技术相比，本发明的有益效果是：
1、本发明所提出的整套轴承故障索引生成方法拟在传统的诊断方法基础上，通过引入因果模型，聚焦轴承故障类型、不同工况之间的耦合特性，优化诊断框架，提高轴承故障诊断精确性和泛化能力，面向工业生产实际需求，具有很强的理论前瞻性与创新性。
2、本发明将因果理论引入轴承故障诊断领域，针对目前故障诊断领域的精确度问题，引入因果效应和权重系数概念，以数据的形式量化不同工况条件和轴承故障类型之间的关系，构建数据间结构因果模型，揭示了轴承故障类型和不同工况条件之间的因果作用机理，明显提高了轴承故障诊断的精度和效率。
3、本发明通过对轴承故障数据进行拟合、融合等处理步骤，形成工况索引，在轴承故障诊断中引入索引概念，综合考虑诊断模型泛化能力和精度指标，形成完整、可信的闭环故障诊断框架评价体系，对轴承故障诊断领域的研究具有非常重要的意义。
附图说明
图1为本发明的流程结构示意图。
实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
请参阅图1，一种基于因果机制的最优工况索引生成方法，包括以下处理步骤：
一、获取训练数据
通过联邦学习获取数据。联邦学习其本质是将多个参与者对相同目标的不同特征描述进行训练提取。参与者可以在保持自己所有的机密信息不被泄露的情况下，依据汇总得到自己所需要的训练数据。
当我们生成最优工况索引时需要提供大量的工况数据，这需要提供大量轴承在不同工况条件下的实验数据。相对于某一个参与者所拥有的数据集而言，这是远远不够的。联邦学习可以在保证每一个参与者隐私的前提下，共享他们的训练数据，以此形成更丰富的数据集以满足前提条件。
联邦学习由一个联邦服务器和多个参与方组成，对于与轴承的故障相关的企业参与者来说，每个参与方持有各自的轴承故障数据，这些数据包括不同工况条件下，发生的不同种类故障类型。由于条件的限制，某些参与方可能不具有某些工况或故障类型下的轴承故障数据，在联邦学习过程中，各个参与方相互之间共享自己具有的轴承故障数据，扩充数据集，联邦模型经过多轮的训练，直至满足各参与方的需求结束。
第一步：各个参与者基于各自的本地轴承故障数据更新本地模型，并将数据更新发送到联邦服务器；
第二步：联邦服务器聚合所有参与方的更新。
第三步：联邦服务器将更新完成的全局模型发送到各个参与方，各个参与方更新本地模型。
获取的训练数据包括：故障轴承的工况，如转速、负载等；故障轴承的故障类型，如轴承内圈损坏、轴承外圈损坏、轴承滚子损坏等；故障轴承的故障特征值，故障特征值采用传感器测得。将已经损坏的轴承，在设定的工况下进行运转，通过传感器测的故障轴承的振幅，将该振幅记为故障特征值。
参数配合表的建立过程具体如下：
统计由联邦学习获得的训练数据，获取训练数据中故障轴承的故障特征值和故障类型的对应关系。
根据上述的对应关系对故障特征值按照由小到大的顺序进行区间划分，以构成特征区间，且每个特征区间仅对应一种故障类型。
将故障特征预测值按照由小到大的顺序进行区间划分，形成预测区间，并且预测区间包含在特征区间内，彼此对应的预测区间和特征区间均对应于同一种故障类型，即每一个预测区间只对应一种故障类型。
将与预测区间对应工况值和权重系数划分到该预测区间内，进而形成参数配合表。
设定轴承的工况，以该工况作为索引，故障特征预测值作为索引指标，在参数配合表中进行搜索，找到该工况对应的预测区间，进而得出轴承在该工况下发生故障类型。
二、构建拟合公式
第一种情况：当我们具有足够多故障轴承的某一种故障类型的数据时，通过VAE特征解耦的过程，获得某一种工况与某一种轴承的故障类型之间的数据。VAE特征解耦的过程是一种常规的现有技术，这里就不再赘述。采用控制变量的方式，在保持其他工况都不变的情况下，选择某一工况，并统计该工况在训练数据中的数据量，在此基础上建立线性相关函数。
因此我们就得到单一工况条件发生改变时对故障轴承的影响，然后对故障特征值进行对比，从而可以将故障轴承在该种工况条件下发生对用故障类型的情况映射到对应的故障特征值中。
映射的具体过程如下：
设定各种工况的单位变化量，并计算该工况下相隔单个单位变化量的两个工况值对应的故障特征值Y k,r 和Y k,r+1 。例如，设定故障轴承转速的初始值为100r/min，单位变化量为10r/min，则转速的这个工况下的取值就是按照10r/min这个单位变化量依次递增。如果采集的数据是比较分散，规律性不强的话，那就将转速对应的数据值按照由大到小或者是由小到大的顺序进行排列，进而构成数据矩阵Z k 和对应的故障特征值构成的系数矩阵A k 。
再接着建立函数关系式：
然后按照一一对应的原则进行求解：
把对应的数值代入上述计算公式中，进而计算出系数矩阵A k ，并对所有系数取平均，进而求得平均值h k 。进而形成线性的拟合公式：
其中，h k 表示系数矩阵A k 中所有系数的平均值，d k 表示系数矩阵Q k 中所有参数的平均值。
第二种情况：
当我们不具有某一单一工况条件与轴承故障之间的数据时，则需要通过VAE解耦分析，进而形成任意两种工况之间存在互相影响的训练数据。
假设拟合函数只包括两种工况数据，例如负载和转速，负载和温度，温度和转速等工况条件数据。
轴承在工作时处于多个工况条件，各工况之间有可能会存在一定的影响，也有可能之间互不干扰；为了避免函数过于复杂而影响计算的深度，因此将其中的任意两种工况进行组合形成一定的映射关系。对应的数据集如下：
Z q 表示故障轴承第q种工况的工况值构成的数据矩阵，q∈[1,K]；Z q,1表示故障轴承第q种工况的第1个工况值；Z q,2表示故障轴承第q种工况的第2个工况值；Z q,r 表示故障轴承第q种工况的第r个工况值；Z q,R 表示故障轴承第q种工况的第R个工况值。
将两种工况组合，进而形成组合函数计算公式：
G(Z p,r ,Z q,r )表示Z p,r 和Z q,r 的组合函数值；m表示拟合维数；μ和δ均为组合函数的参数。在组合函数中，由于计算误差的存在，导致计算的结果会有所偏差，于是在公式中插入修正系数，进行修正，并使修正后的公式构成函数关系计算公式：
其中，V表示修正系数，Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值。接着将训练数据的数值代入函数关系计算公式中，对参数μ和δ进行更新，进而使该函数关系计算公式转化为拟合公式。
三、特征融合
根据数据的相关性，判断训练数据是属于上面的第一种情况，还是第二种情况。属于哪种情况，就按哪种情况进行计算。并计算该工况下相隔单个单位变化量的两个工况值对应的故障特征值，或者是计算该工况下相隔按一定顺序排列的两个相邻工况值对应的故障特征值。
接着构建熵值计算公式，并将上面计算的关于转速的故障特征值导入熵值计算公式中，计算出对应的熵值，所述熵值计算公式如下：
其中，Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值；Y k,r+1表示故障轴承在第k种工况下取第r+1个工况值时的故障特征值。f(Y k,r+1∣Y k,r )表示以Y k,r 为条件时，Y k,r+1的熵值，熵值通过上述计算公式可以计算得到。B k 表示故障轴承在第k种工况下的系数矩阵，
表示B k 的增广矩阵；/>
表示/>
的转置矩阵；E表示单位矩阵；U k 表示故障轴承在第k种工况下的上三角矩阵；β表示噪声参数；α表示系统参数。使用拟合公式计算Z k 中各个工况值对应的故障特征值，并将各个工况值和对应的故障特征值组合成数据集C k ：
其中，Z k,1表示故障轴承第k种工况的第1个工况值；Z k,r 表示故障轴承第k种工况的第r个工况值；Z k,R 表示故障轴承第k种工况的第R个工况值，r∈[1,R]，R表示该工况的工况值总数；Y k,1表示故障轴承在第k种工况下取第1个工况值时的故障特征值；Y k,r 表示故障轴承在第k种工况下取第r个工况值时的故障特征值；Y k,R 表示故障轴承在第k种工况下取第R个工况值时的故障特征值。对生成的数据集C k 进行交叉处理，形成交叉数据集D k ：
其中，D k 为交叉数据集。
将交叉数据集D k 代入熵值计算公式中，以得到交叉熵值计算公式：
其中，F(Y k,r+1∣Y k,r )表示以Y k,r 为条件时，Y k,r+1的交叉熵值；W k 表示故障轴承在第k种工况下的交叉系数矩阵，
表示W k 的增广矩阵；/>
表示/>
的转置矩阵。
求出F(Y k,r+1∣Y k,r )和f(Y k,r+1∣Y k,r )之间的差值，并将该差值赋予T k,r ：
其中，Y表示故障特征预测值；
T 1,1表示故障轴承在第1种工况下取第1个工况值时该故障轴承发生故障的权重系数；T 1,r 表示故障轴承在第1种工况下取第r个工况值时该故障轴承发生故障的权重系数T 1,R 表示故障轴承在第1种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z 1,1表示故障轴承第1种工况的第1个工况值；Z 1,r 表示故障轴承第1种工况的第r个工况值；Z 1,R 表示故障轴承第1种工况的第R个工况值；
T k,1表示故障轴承在第k种工况下取第1个工况值时该故障轴承发生故障的权重系数；T k,r 表示故障轴承在第k种工况下取第r个工况值时该故障轴承发生故障的权重系数T k,R 表示故障轴承在第k种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z k,1表示故障轴承第k种工况的第1个工况值；Z k,r 表示故障轴承第k种工况的第r个工况值；Z k,R 表示故障轴承第k种工况的第R个工况值；
T K,1表示故障轴承在第K种工况下取第1个工况值时该故障轴承发生故障的权重系数；T K,r 表示故障轴承在第K种工况下取第r个工况值时该故障轴承发生故障的权重系数T K,R 表示故障轴承在第K种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z K,1表示故障轴承第K种工况的第1个工况值；Z K,r 表示故障轴承第K种工况的第r个工况值；Z K,R 表示故障轴承第K种工况的第R个工况值；K表示故障轴承的故障类型总数。
统计由联邦学习获得的训练数据，获取训练数据中故障轴承的故障特征值和故障类型的对应关系。
根据对应关系对故障特征值按照由小到大的顺序进行区间划分，以构成特征区间，且每个特征区间仅对应一种故障类型。
将故障特征预测值按照由小到大的顺序进行区间划分，形成预测区间，并且预测区间包含在特征区间内，彼此对应的预测区间和特征区间均对应于同一种故障类型，即每一个预测区间只对应一种故障类型。
将与预测区间对应工况值和权重系数划分到该预测区间内，进而形成参数配合表。
设定轴承的工况，以该工况作为索引，在参数配合表中进行搜索，找到该工况对对应的预测区间，进而得出轴承在该工况下会发生何种故障。
实施例
从联邦学习获得训练数据中，训着部分数据进行方法可行性的验证。
采样频率为51.2HZ，轴承转速为1500r/min时，轴承负载分别为1hp、2hp、3hp时的故障特征值如表1所示，表1中的数据为由联邦学习获得的原始故障特征值。在采集数据的时候，采用同一工况值取值四次的方式，增加数据的可靠性，避免因数据错误而导致计算结果不准确的情况发生。
表1 原始故障特征值
此时轴承的内圈裂纹是第一种工况，轴承的外圈裂纹是第二种工况，轴承的滚动体裂纹是第三种工况。对表1中的数据进行计算，采用第一种方式进行计算，则有以下计算过程：
将上述结果代入公式中计算出：
所以得出拟合公式：
计算出内圈裂纹在1hp、2hp、3hp时的故障特征值分别为2.432469、3.710641、4.988813。同理计算出其他故障类型特征值如表2所示：
表2 计算故障特征值
将计算得到的数据代入因果模型中进行计算。
对内圈裂纹这一故障类型进行计算：
其中，β=0.9742，α=1.9521。将这些数据带入熵值计算公式中，可得熵值具体表达式如下：
所以轴承在负载为1hp时轴承内圈发生故障的权重系数为0.1291248；同理计算可得故障轴承在负载为2hp、3hp时，轴承外圈发生故障的权重系数分别为0.4302737、0.7283271。
对外圈裂纹这一故障类型进行计算：
所以轴承在负载为1hp时轴承外圈发生故障的权重系数为0.1845608；同理计算轴承在负载为2hp、3hp时轴承外圈发生故障的权重系数分别为0.0982621、0.4562839。
对滚动体裂纹这一故障类型进行计算：
所以滚动体在负载为1hp时的权重系数为0.600985；同理计算可得滚动体在负载为2hp、3hp时的权重系数分别为0.1937243、0.3671819。
综上所述，得到总因果效应的计算公式：
接着将其他具体的工况数据带入，计算出对应的特征预测值，再将故障特征预测值和对应的参数配合表比对，即可获得对应的故障类型。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于因果机制的最优工况索引生成方法，其特征在于，包括以下步骤：
S1、使用联邦学习法获取故障轴承的训练数据，所述训练数据的类型包括故障轴承的工况、该工况对应的故障类型、以及该工况对应的故障特征值，并使用训练数据构建形成参数配合表；
S2、对训练数据进行拟合训练，构建故障轴承的工况与对应工况值下产生的故障特征值的拟合公式；
S3、建立因果模型，将拟合公式的计算值导入因果模型中，由因果模型推导出对应的故障特征预测值；以工况值作为索引，将该故障特征预测值带入参数配合表中，进而通过查表的方式得出故障轴承在预定工况下的故障类型；
步骤S3中建立因果模型的过程如下：
S31、对训练数据中的各个工况值进行整合，同一工况下的各个工况值按照由大到小或者是由小到大的方式进行排列，并使用拟合公式计算该工况下相邻的两个工况值对应的故障特征值Y k,r 和Y k,r+1 ；
S32、将步骤S31中计算得到的故障特征值导入熵值计算公式中，计算出对应的熵值，所述熵值计算公式如下：
f(Y k,r+1∣Y k,r )表示以Y k,r 为条件时，Y k,r+1的熵值；B k 表示故障轴承在第k种工况下的系数矩阵，
表示B k 的增广矩阵；/>
表示/>
的转置矩阵；E表示单位矩阵；U k 表示故障轴承在第k种工况下的上三角矩阵；β表示噪声参数；α表示系统参数；
S33、使用拟合公式计算Z k 中各个工况值对应的故障特征值，并将各个工况值和对应的故障特征值组合形成数据集C k ：
S34、对生成的数据集C k 进行交叉处理，形成交叉数据集D k ：
S35、将交叉数据集D k 代入熵值计算公式中，以得到交叉熵值计算公式：
S36、求出F(Y k,r+1∣Y k,r )和f(Y k,r+1∣Y k,r )之间的差值，并将该差值赋予T k,r ：
S37、将T k,r 带入总因果效应的计算公式中，计算出预定工况值下的故障特征预测值；
T 1,1表示故障轴承在第1种工况下取第1个工况值时该故障轴承发生故障的权重系数；T 1,r 表示故障轴承在第1种工况下取第r个工况值时该故障轴承发生故障的权重系数；T 1,R 表示故障轴承在第1种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z 1,1表示故障轴承第1种工况的第1个工况值；Z 1,r 表示故障轴承第1种工况的第r个工况值；Z 1,R 表示故障轴承第1种工况的第R个工况值；
T k,1表示故障轴承在第k种工况下取第1个工况值时该故障轴承发生故障的权重系数；T k,r 表示故障轴承在第k种工况下取第r个工况值时该故障轴承发生故障的权重系数；T k,R 表示故障轴承在第k种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z k,1表示故障轴承第k种工况的第1个工况值；Z k,r 表示故障轴承第k种工况的第r个工况值；Z k,R 表示故障轴承第k种工况的第R个工况值；
T K,1表示故障轴承在第K种工况下取第1个工况值时该故障轴承发生故障的权重系数；T K,r 表示故障轴承在第K种工况下取第r个工况值时该故障轴承发生故障的权重系数；T K,R 表示故障轴承在第K种工况下取第R个工况值时该故障轴承发生故障的权重系数；Z K,1表示故障轴承第K种工况的第1个工况值；Z K,r 表示故障轴承第K种工况的第r个工况值；Z K,R 表示故障轴承第K种工况的第R个工况值；K表示故障轴承的故障类型总数；
S38、以工况值为索引，将故障特征预测值带入参数配合表中，从而判断轴承在预定工况值下会发生何种故障。
2.根据权利要求1所述的一种基于因果机制的最优工况索引生成方法，其特征在于，步骤S2中使用VAE方法对训练数据进行解耦，解耦形成两种类型的数据；
第一种：当训练数据的数据量高于指定值时，采用控制变量的方法对
训练数据进行处理，得出任一工况与对应的故障特征值之间的函数关系，以建立拟合公式；
第二种：当训练数据的数据量低于指定值时，采用任意两种工况彼此组合的方式对训练数据进行处理，得出该两种工况与对应故障特征值之间的函数关系，以建立拟合公式。
3.根据权利要求2所述的一种基于因果机制的最优工况索引生成方法，其特征在于，第一种类型的数据处理步骤具体如下：
S221、选择故障轴承的指定工况作为因变量，筛选出训练数据中只有指定工况的工况值变化而其他工况的工况值不变的数据构成数据矩阵Z k ：
Q k,1表示故障轴承第k种工况的第1个工况值对应的参数；Q k,2表示故障轴承第k种工况的第2个工况值对应的参数；Q k,r 表示故障轴承第k种工况的第r个工况值对应的参数；Q k,R 表示故障轴承第k种工况的第R个工况值对应的参数；
为Z k 的转置矩阵；
S223、将数据带入到函数关系计算公式中，计算出A k 中的各个系数值，并取平均值h k ，进而构成形成故障轴承的工况和故障特征值的拟合公式，拟合公式如下：
4.根据权利要求2或3所述的一种基于因果机制的最优工况索引生成方法，其特征在于，第二种类型的数据处理步骤具体如下：
S231、选取任意两种工况，并将这两种工况的对应的工况值导入组合函数G中，计算出组合函数值：
S232、采用修正系数V对组合函数进行修正；
S233、将修正系数代入组合函数中，形成函数关系计算公式：
S234、将训练数据带入步骤S233的函数关系计算公式中，对参数μ和δ进行更新并确定参数μ和δ的取值，进而使该函数关系计算公式转化为拟合公式。
5.根据权利要求4所述的一种基于因果机制的最优工况索引生成方法，其特征在于，步骤S1中参数配合表的建立过程具体如下：
S11、统计由联邦学习获得的训练数据，获取训练数据中故障轴承的故障特征值和故障类型的对应关系；
S12、根据步骤S11中的对应关系对故障特征值按照由小到大的顺序进行区间划分，以构成特征区间，且每个特征区间仅对应一种故障类型；
S13、将故障特征预测值按照由小到大的顺序进行区间划分，形成预测区间，并且预测区间包含在特征区间内，彼此对应的预测区间和特征区间均对应于同一种故障类型，即每一个预测区间只对应一种故障类型；
S14、将与预测区间对应的工况值和权重系数划分到该预测区间内，进而形成参数配合表；
S15、设定轴承的工况，以该工况作为索引，故障特征预测值作为索引指标，在参数配合表中进行搜索，找到该工况对应的预测区间，进而得出轴承在该工况下发生故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300650.7A CN116028509B (zh) | 2023-03-27 | 2023-03-27 | 一种基于因果机制的最优工况索引生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300650.7A CN116028509B (zh) | 2023-03-27 | 2023-03-27 | 一种基于因果机制的最优工况索引生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116028509A CN116028509A (zh) | 2023-04-28 |
| CN116028509B true CN116028509B (zh) | 2023-06-06 |
Family
ID=86079720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310300650.7A Active CN116028509B (zh) | 2023-03-27 | 2023-03-27 | 一种基于因果机制的最优工况索引生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028509B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251960B (zh) * | 2023-11-20 | 2024-01-30 | 合肥工业大学 | 一种缺失数据的最优轴承故障因果结构生成方法 |
| CN117493980B (zh) * | 2023-12-29 | 2024-03-19 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
| CN112763215A (zh) * | 2021-01-15 | 2021-05-07 | 上海海事大学 | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2985505B2 (ja) * | 1991-07-08 | 1999-12-06 | 株式会社日立製作所 | 品質情報収集診断システム及びその方法 |
| JP4527642B2 (ja) * | 2005-09-29 | 2010-08-18 | 富士通株式会社 | ネットワーク障害診断装置、ネットワーク障害診断方法およびネットワーク障害診断プログラム |
| US11003641B2 (en) * | 2017-09-22 | 2021-05-11 | Microsoft Technology Licensing, Llc | Automatic database troubleshooting |
| CN107832173B (zh) * | 2017-11-02 | 2020-11-10 | 河海大学 | 一种基于工况检测的城市轨道交通车辆实时故障诊断方法 |
| US10926888B2 (en) * | 2018-08-07 | 2021-02-23 | The Boeing Company | Methods and systems for identifying associated events in an aircraft |
| KR102367409B1 (ko) * | 2021-11-02 | 2022-02-24 | 주식회사 데이탄소프트 | 기 학습된 장애 예측 모델을 이용한 it 서비스의 장애 예측 방법, 서버 및 컴퓨터프로그램 |
| CN114218292B (zh) * | 2021-11-08 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种多元时间序列相似性检索方法 |
| CN114740726B (zh) * | 2022-04-22 | 2022-10-21 | 北京大学 | 基于深度最优特征传输的工业过程小样本故障诊断方法 |
| CN115081584A (zh) * | 2022-05-16 | 2022-09-20 | 合肥科大智能机器人技术有限公司 | 基于机器学习的电力设备健康管理方法、系统及介质 |
| CN115144747A (zh) * | 2022-07-01 | 2022-10-04 | 中南大学 | 一种基于对抗迁移学习的多工况电机故障诊断方法及系统 |
| CN115560983A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及系统 |
-
2023
- 2023-03-27 CN CN202310300650.7A patent/CN116028509B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
| CN112763215A (zh) * | 2021-01-15 | 2021-05-07 | 上海海事大学 | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116028509A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116028509B (zh) | 一种基于因果机制的最优工况索引生成方法 | |
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
| Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
| CN110866314B (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
| CN103562809B (zh) | 用于工业设施的大规模综合实时监测框架 | |
| US20230205196A1 (en) | Sensor metrology data intergration | |
| EP3545471A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
| CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
| CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
| JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
| CN109690432A (zh) | 动作状态监视装置、学习数据生成装置、方法和程序 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN112926764B (zh) | 一种产品质量性能预测方法和装置 | |
| CN106607461A (zh) | 一种冷轧机液压agc故障诊断专家系统 | |
| KR20160094383A (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| Gutiérrez-Carvajal et al. | Condition-based diagnosis of mechatronic systems using a fractional calculus approach | |
| Zhou et al. | A study of the system's hierarchical structure through integration of DEMATEL and ISM | |
| CN108198268B (zh) | 一种生产设备数据标定方法 | |
| CN109345060A (zh) | 一种基于多源感知的产品质量特性误差溯源分析方法 | |
| CN107122907B (zh) | 一种机电产品符号化质量特性的分析与故障原因追溯方法 | |
| CN114647923A (zh) | 用于监测资产剩余使用寿命的装置、方法和计算机程序产品 | |
| Martin et al. | Holistic system-analytics as an alternative to isolated sensor technology: a condition monitoring use case | |
| CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
| Neacsa et al. | „Studies on the use of implemented databases on web platforms in order to verify machines compatibility with working conditions” |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |