CN116257747A - 融合峭度和卷积自编码器的转子系统早期异常检测方法 - Google Patents
融合峭度和卷积自编码器的转子系统早期异常检测方法 Download PDFInfo
- Publication number
- CN116257747A CN116257747A CN202211657519.8A CN202211657519A CN116257747A CN 116257747 A CN116257747 A CN 116257747A CN 202211657519 A CN202211657519 A CN 202211657519A CN 116257747 A CN116257747 A CN 116257747A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- pooling
- rotor system
- input
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 239000000306 component Substances 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007664 blowing Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种融合峭度和卷积自编码器的转子系统早期异常检测方法。它包括如下步骤：步骤一：采集转子系统正常振动信号，并分段截取信号后计算得到峭度值；步骤二：构建卷积自编码器模型，对卷积自编码器模型中的数据进行训练，使模型具备识别正常数据的能力；步骤三：当采用正常的数据进行检测转子系统时，得到的均方差的正常波动范围；当转子系统异常时，重构数据与输入数据运算得到的均方差就会超出正常波动范围，通过二者对比，就可以得到异常检测的结果。本发明具有可对转子系统进行检测并发现转子系统的早期异常工作情况，且检测准确率高的优点。
Description
技术领域
本发明涉及一种转子系统异常检测方法，更具体地说它是一种融合峭度和卷积自编码器的转子系统早期异常检测方法。
背景技术
转子系统作为复杂旋转机械最为关键的组成部分之一，在机器进行高速运行的过程中，发挥着核心的作用。随着现代工业对机器的功率和效率要求的不断提高，转子系统的各个部件结构逐渐趋于精密化、精细化，在这样的大背景下，转子系统发生故障的案例逐渐增加。
转子系统作为旋转机械的重要组成部位、核心部件，也是较为容易发生故障的系统；转子系统的结构框架复杂，故障形式机理多样，但是在故障发生初期，由于故障较为微弱难以察觉，常常错过故障最佳修理时间；故在检测的初期发现转子系统的异常检测具有重要的意义。
公布号CN114429173A，公开了一种基于支持向量数据描述的转子系统异常检测方法，利用传感器采集转子正常状态运行下的数据构成正常数据集；提取正常数据集中的时域特征与频域特征作为支持向量数据描述模型的训练集；利用传感器在线实时采集转子故障状态运行下的运行振动数据，进行时域及频域特征提取作为测试集；将测试集输入训练好的支持向量数据描述模型中，计算测试集中各个样本与球心之间的距离，与正常样本情况下的超球体半径相比较，若超出正常样本下的半径阈值，则判定为设备异常。该申请解决的是正常与故障样本量不平衡的问题。
公布号为CN113435258A，公开了一种转子系统异常智能检测方法，采集转子系统支承界面相互垂直方向的电涡流位移信号；利用谐波窗分解提取转子系统振动信号的特定频率成分，构建转子系统的合成轴心轨迹，将合成轴心轨迹数据转换为一个数值方阵；将所述数值方阵作为生成对抗网络模型的输入，通过正常运行状态下的数据对生成对抗网络进行训练，利用待检测数据输入网络后所得的损失作为异常指标实现转子系统运行异常检测。该申请解决的是转子系统异常检测范围更全面，能够有效避免现有技术中漏检率高的问题。
在上述的现有技术中均没有考虑早期转子系统异常情况检测的问题，对选定因子的考虑均有一定的局限性且方法复杂。
因此，开发一种能用于早期转子系统异常情况检测的方法很有必要。
发明内容
发明的目的是为了克服上述现有背景技术的不足之处，而提供一种融合峭度和卷积自编码器的转子系统早期异常检测方法，它仅采用振动峭度因子和卷积自编码器模型即可对转子系统进行检测并发现转子系统的早期异常工作情况。
本发明的目的是通过如下措施来达到的：融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于包括如下步骤：
步骤一：采集转子系统正常振动信号，并分段截取信号后计算得到峭度值；
步骤二：构建卷积自编码器模型，对卷积自编码器模型中的数据进行训练，使模型具备识别正常数据的能力；
步骤三：当采用正常的数据进行检测转子系统时，得到的均方差的正常波动范围；当转子系统异常时，重构数据与输入数据运算得到的均方差就会超出正常波动范围，通过二者对比，就可以得到异常检测的结果。
在上述技术方案中，所述峭度指标数学表达式为：
其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E是数学符号。
在上述技术方案中，所述卷积自编码器模型的工作过程为：
通过对输入的峭度值一维数据进行编码和解码，得到输出数据，再通过均方差函数运算，对比输入和输出数据之间的差异，进行异常检测；
在编码的过程中，通过对输入数据进行编码，公式为：
wx+b＝h
其中：x表示的是原始的输入输出数据，w和b都称为权重，既通过卷积运算和池化运算的编码过程后可以得到数据h；
在解码的过程中，通过对编码所得到的数据，进行解码，既转置卷积运算，得到输出数据；公式为：
其中：
表示的是最终模型输出的重构数据，w1和b1分别为得到输出的权重；
使用均方差函数对输入数据和输出数据进行运算，均方差公式如下：
模型通过训练正常状态的数据后，具备重构正常数据的能力，得到的均方差数值较小；当输入故障或者异常的数据时，得到的均方差的数值较大，通过对比，即可检测出系统是否处于正常工作状态。
在上述技术方案中，所述卷积自编码器模型的运算过程如下：
(1)卷积运算
卷积层是卷积神经网络的组成部分，包含了一系列的卷积核，通过卷积核对输入的数据进行卷积运算，最后得到卷积层的输入；其运算公式如下：
其中的m表示的是卷积层中的层数，k表示的是卷积特征编号，则
表示为在输入数据中第m个卷积层中的第k个权重矩阵；σ()为激活函数，运算符*表示的是卷积运算；同理，/>
表示的是第m个卷积层中用来进行卷积运算的第k个权重矩阵，/>
则表示为第m个卷积层中的第k个偏置向量；
输入数据和卷积核进行矩阵相乘相加运算得到Z(1,1),卷积核通过一定的步长逐步与输入数据进行卷积运算，然后通过激活函数进行强制转换得到最终的卷积层输出；
(2)池化运算
池化层针对的是卷积层的输出数据，对其进行下采样，达到降低其特征映射维度的目的；
池化层中，首先将卷积层的输出作为池化层的输入，并将其划分为一个个大小为S的池化区域，p(1,1)表示为池化区域的平均值或者最大值，并按照一定的步长依次进行池化得到池化层的输出，池化层的输出或作为下一卷积层的输入，或作为全连接层的输入；
(3)全连接层
在全连接层中，通过的卷积池化后的权重进行提取，选出符合训练效果的权重；
(4)反池化
通过记录池化过程中，最大激活值得坐标位置，然后在反池化的时候，只把池化过程中最大激活值所在的位置坐标的值激活，其它的值置为0；
(5)转置卷积
首先对输入进行四边补零，单边补零的数量为k-1，然后将卷积核旋转180°，在新的输入上进行直接卷积，得到输出。
在上述技术方案中，在步骤二中，所述的对卷积自编码器模型中的数据进行训练，包括将输入的正常数据划分为训练集和测试集，使用训练集的数据来对模型进行训练，然后用测试集的数据来验证模型的最终效果，训练集和测试集的重合度越高，代表训练的效果越好。
在上述技术方案中，还包括步骤四：通过模型不断地找寻一个合适的阈值，将红色的故障数据和绿色的正常数据进行区分。
本发明融合峭度和卷积自编码器的转子系统早期异常检测方法具有如下优点：1.利用峭度指标和卷积自编码器可以提取数据深层次特征，用于早期转子系统异常情况检测有一定优势。2.在自编码器的结构基础上，引入了卷积神经网络结构中的卷积池化层结构，深化了自编码器的学习能力。3.卷积神经网络的应用中，卷积和池化运算一般是基于图片的二维数据点进行的。本发明所构建的卷积自编码器模型中，提出了使用一维的峭度数据进行检测，针对传感器的时域数据进行峭度指标的提取，然后进行卷积池化运算，以达到识别和检测的目的；减少了将原始数据转化为图片的过程，节约了计算资源，有利于及时、有效地进行诊断。4.经测试本发明方法在实验台数据诊断中每一个故障异常检测的准确率都超过95％以上。
附图说明
图1为本发明检测方法的结构方框图；
图2为本发明中卷积自编码器模型对燃气轮机转子系统进行异常检测流程图；
图3为本发明卷积自编码器模型中卷积运算过程图；
图4为本发明卷积自编码器模型中池化运算过程图；
图5为本发明卷积自编码器模型中池化与反池化运算过程图；
图6为本发明卷积自编码器模型中转置卷积运算过程图；
图7-1和图7-2分别为本发明卷积自编码器模型的二种训练效果图；
图8为本发明方法故障诊断结果图；
图9为本发明方法故障诊断准确率图。
图10为本发明实施例中双转子碰摩实验台的结构示意图。
图11为本发明实施例中碰摩控制装置的结构示意图。
图12为本发明实施例中进气通道的结构示意图。
图13为本发明实施例中采用的BK软件系统。
图14为本发明实施例中采集到的信号时域图。
在图8和图9中，n(ng)表示异常信号(故障异常)；o(ok)表示正常信号。
在图8中，横坐标表示样本编号；纵坐标表示毫秒值。
在图9中，横坐标表示样本编号；纵坐标表示分类；NG prediction Acc表示故障异常检测的准确率。
在图10中，A1表示轴承座；A2表示传感器；A3表示高压转子；A4表示低压转子。
在图11中，A5表示碰摩调节旋钮。
在图12中，A6表示低压进气口；A7表示高压进气口。
图14中的(a)图表示本发明实施例中正常数据时域图；图14中的(b)图表示本发明实施例中轻度碰摩故障时域图；图14中的(c)图表示本发明实施例中重度碰摩故障时域图。
具体实施方式
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
参阅附图可知：本发明融合峭度和卷积自编码器的转子系统早期异常检测方法，包括如下步骤：
步骤一：采集转子系统正常振动信号，并分段截取信号后计算得到峭度值；
步骤二：构建卷积自编码器模型，对卷积自编码器模型中的数据进行训练，使模型具备识别正常数据的能力；
步骤三：当采用正常的数据进行检测转子系统时，得到的均方差的正常波动范围；当转子系统异常时，重构数据与正常数据运算得到的均方差就会超出正常波动范围，通过二者对比，就可以得到异常检测的结果，如图1所示。所述的重构数据是指异常信号插入正常信号后的数据。
所述峭度指标数学表达式为：
其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E是数学符号。根据转速不同提取不同长度的原始数据进行峭度因子的提取，并将峭度因子添加到原始数据中，提高了原始数据冲击特征的信息，更加有利于异常检测。
在上述技术方案中，所述卷积自编码器模型的工作过程为：通过对输入的峭度值一维数据进行编码和解码，得到输出数据，再通过均方差函数运算，对比输入和输出数据之间的差异，进行异常检测；
在编码的过程中，通过对输入数据进行编码，公式为：
wx+b＝h
其中：x表示的是原始的输入输出数据，w和b都称为权重，既通过卷积运算和池化运算的编码过程后可以得到数据h；
在解码的过程中，通过对编码所得到的数据，进行解码，既转置卷积运算，得到输出数据；公式为：
其中：
表示的是最终模型输出的重构数据，w1和b1分别为得到输出的权重；
使用均方差函数对输入数据和输出数据进行运算，均方差公式如下：
模型通过训练正常状态的数据后，具备重构正常数据的能力，得到的均方差数值较小(正常波动范围)；当输入故障或者异常的数据时，重构数据与输入数据运算得到的均方差较大，就会超出正常波动范围，，通过对比，即可检测出系统是否处于正常工作状态。
所述卷积自编码器模型的运算过程如下(如图2所示)：
(1)卷积运算
卷积层是卷积神经网络的组成部分，包含了一系列的卷积核，通过卷积核对输入的数据进行卷积运算，最后得到卷积层的输入；其运算公式如下：
其中的m表示的是卷积层中的层数，k表示的是卷积特征编号，则
表示为在输入数据中第m个卷积层中的第k个权重矩阵；σ()为激活函数，运算符*表示的是卷积运算；同理，/>
表示的是第m个卷积层中用来进行卷积运算的第k个权重矩阵，/>
则表示为第m个卷积层中的第k个偏置向量；
输入数据和卷积核进行矩阵相乘相加运算得到Z(1,1)，卷积核通过一定的步长逐步与输入数据进行卷积运算，然后通过激活函数进行强制转换得到最终的卷积层输出(如图3所示)；
(2)池化运算
池化层针对的是卷积层的输出数据，对其进行下采样，达到降低其特征映射维度的目的；目前常用的池化层操纵的方法有平均值池化和最大值池化。
池化层中，首先将卷积层的输出作为池化层的输入，并将其划分为一个个大小为S的池化区域，如图4中的x(1,1)和x(1,2)所形成的区域。p(1,1)表示为池化区域的平均值或者最大值，p(1,1)表示为池化区域的平均值或者最大值，并按照一定的步长依次进行池化得到池化层的输出，池化层的输出或作为下一卷积层的输入，或作为全连接层的输入。
(3)全连接层
在全连接层中，通过的卷积池化后的权重进行提取，选出最为符合训练效果的权重。
(4)反池化
池化是不可逆的过程，通过记录池化过程中，最大激活值得坐标位置，然后在反池化的时候，只把池化过程中最大激活值所在的位置坐标的值激活，其它的值置为0(如图5所示)。
假设池化块的大小是3*3，采用最大池化后，我们可以得到一个输出神经元其激活值为9。而反池化刚好与池化过程相反，它是一个上采样的过程，是池化的一个反向运算，当由一个神经元要扩展到3*3个神经元的时候，需要借助于池化过程中，记录下最大值所在的位置坐标(0，1)，然后在反池化过程的时候，就把(0，1)这个像素点的位置填上去，其它的神经元激活值全部为0。
(5)转置卷积
定义的卷积核是左上角为a，右下角为i，但在可视化转置卷积中，需要将卷积核旋转180°后再进行卷积。总结一下将转置卷积转换为直接卷积的步骤(这里只考虑步长＝1的情况)：首先对输入进行四边补零，单边补零的数量为k-1，然后将卷积核旋转180°，在新的输入上进行直接卷积，得到输出(如图6所示)。
在上述技术方案中，在步骤二中，所述的对卷积自编码器模型中的数据样本进行训练，包括将输入的正常数据样本划分为训练集和测试集，使用训练集的数据来对模型进行训练，然后用测试集的数据来验证模型的最终效果，训练集和测试集的重合度越高，代表训练的效果越好，如图7-1中的训练集和测试集的重合度小于图7-2中训练集和测试集的重合度。
在图7-1和图7-2中，实线代表的是训练集，虚线代表的是测试集。在训练过程中，为了检验模型训练的效果，通常将输入的正常数据划分为训练集和测试集。使用训练集的数据来对模型进行训练，然后用测试集的数据来验证模型的最终效果。在图7-1和图7-2中，训练集和测试集的重合度越高，代表训练的效果越好，如图7-2的训练曲线图所示。训练集和测试集的训练曲线之间存在的偏差，称为泛化误差如图7-1的训练曲线图所示。模型训练的最终目的，就是希望泛化误差的值越小越好。但是由于数据本身易受到太多噪声的干扰或者其他无关特征污染的原因，导致训练模型有一定的泛化误差，误差控制在接受的范围之内是可以允许的。
模型进行完成后，就具备了识别正常数据的能力，使用正常的数据进行检测，得到的均方差在某一小区间内波动(即正常波动范围)。当数据异常时，重构数据与输入数据运算得到的均方差就会较大(即异常波动范围)，通过二者对比，就可以得到检测的结果。
如图8所示：红色信号(no good，简称ng)代表的是异常数据样本对应的均方差的值(位于正常信号上方)，绿色信号(ok)代表的是正常信号(位于异常信号下方)。通过测试图对两者对比，可以明显发现，故障信号输入程序中进行重构，其均方差较正常数据有明显的增大。
为了进一步确定模型异常检测的准确率，通过程序不断找寻一个合适的阈值，将故障数据和正常数据进行区分，如图9所示。
本发明中峭度指标的选用：峭度指标是针对信号的冲击脉冲敏感，常常被度量机械故障的剧烈程度，用于评价振动冲击成分的强弱。当转子系统发生异常时，其峭度指标会发生变化，这种变化会相对于原始振动时域信号更加敏感，因此可以发现早期转子系统异常的情况。
本发明融合峭度和卷积自编码器的转子系统早期异常检测方法，包括峭度指标的提取；考虑到转子系统发生故障时的冲击特征信息包含在振动信号中，采用将振动信号分段的方式分别提取其峭度值。
卷积自编码器模型的构建；考虑到振动数据为一维数据，将其转化为图片会增加检测的工作量及工作时间。因此直接设计一维的卷积自编码模型，实现原始数据的样本合成。
卷积自编码器模型的训练与测试；将正常样本输入到模型中进行参数的训练，训练时通过模型得到原始振动数据的仿照样本，并通过仿照样本和原始样本之间的误差确定模型是否训练完成。训练结束后保存模型及训练参数。
转子系统的异常检测；在正常信号中插入一小段异常故障信号，通过设定阈值来对生成样本信号进行检测，超过一定阈值范围的样本即为异常样本，即可判定为转子系统工作异常(如图8所示)。
本发明采用一维峭度序列特征值代替原有的振动序列，可以更好地表示转子系统运行时的冲击特征，并不再将峭度值转化为峭度图片，节省了数据处理时间和减少了转化时的数据信息的损失；一维卷积自编码器模型运算时间及参数远远小于二维卷积自编码器，可以实现高效、快速的异常检测。同时检测过程采用训练好的参数，可以用于在线检测系统。
卷积自编码器的模型(卷积自编码器的神经网络模型)是一种典型的无监督网络模型，在异常检测领域发挥出了巨大的优势。卷积神经网络对于信号特征提取效果显著，有利于模型重构信号更加贴近于原始信号。本发明通过对卷积自编码器模型的燃气轮机转子系统异常检测模型的构建，卷积神经网络中的卷积池化层结构，进一步深化了自编码器的学习能力，使得自编码器在编码和解码的过程中能够进一步深度学习数据的内在特征，提高检测的准确率，以达到对燃气轮机转子系统进行异常检测的目的。
本发明方法能有效识别转子系统正常运行时的突发故障，做到异常检测，及时给出预警信息，避免装备的重大损失具有重要的意义。
本发明通过设计模拟的转子系统碰摩故障和转子系统滚动轴承故障两个实验，获得正常运行的实验数据进行模型训练，对故障实验数据进行分析，成功验证了本发明所提方法的有效性和可行性，并具有不错的准确率。
实施例
为了验证本发明设计模型的有效性，确定其是否具备异常检测的功能，本实施例使用双转子实验台对模型提供数据支撑。该双转子实验台的部件组成主要包括：低压转子系统、高压转子系统、气吹装置及控制系统、中介轴承、传感器和数据采集系统(如图10、图11、图12所示)：
双转子驱动力为气体吹动，通过气管将高压空气罐中高压气体引入转子系统，将高压气体中的压力能转换为机械能驱动转子运动。转子系统的转速是通过调节气体的流量来控制的，由于气体吹动相对于电机驱动，其驱动力较小，导致转子的转速不高，一般只能在1200r/min左右。本实施例采集传感器数据使用的系统是BK软件系统(如图13所示)，安装在设备上的压电加速计以12.8kHZ的采用频率采集滚动轴承的振动信号，BK软件系统具备强大的数据收集能力，能够准确地记录每一个所连接传感器采集到的信号数据，并将数据导入表格中。
本实施例所用的双转子试验台，具备设计碰摩故障状态的功能，如图11所示。通过调整碰摩调节旋钮，能够控制圆环至转子的距离，可以选择碰摩故障的严重程度，从而实现收集不同碰摩程度信号的目的。
本实施例通过调节碰摩调节旋钮，在同一工况下，设计了轻度和重度碰摩两种转子实验台工作状态。该实验一共采集了30组数据，前10组为正常振动信号，第11-20组数据为轻度碰摩故障数据，第21-30组为重度碰摩故障数据。采集数据标签如下表1所示，采集到的信号时域图如图14所示。
表1转子系统碰摩故障数据标签表
本实施例采用本发明方法构建卷积自编码器模型，所构建的卷积自编码器模型中，使用一维的峭度数据进行检测，针对时域数据进行峭度指标的提取，然后进行卷积池化运算，以达到识别和检测的目的。当采用正常的数据进行检测转子系统时，得到的均方差小的正常波动范围；当转子系统异常时，重构数据与输入数据运算得到的均方差就会超出正常波动范围，通过二者对比，得到异常检测的结果，本验证实施例能完全检测出碰摩故障，准确率较高。
其它未详细说明的均为现有技术。
Claims (6)
1.融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于包括如下步骤：
步骤一：采集转子系统正常振动信号，并分段截取信号后计算得到峭度值；
步骤二：构建卷积自编码器模型，对卷积自编码器模型中的数据进行训练，使模型具备识别正常数据的能力；
步骤三：当采用正常的数据进行检测转子系统时，得到的均方差小的正常波动范围；当转子系统异常时，重构数据与输入数据运算得到的均方差就会超出正常波动范围，通过二者对比，就可以得到异常检测的结果。
2.根据权利要求1所述的融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于：所述峭度指标数学表达式为：
其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E是数学符号。
3.根据权利要求1所述的融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于所述卷积自编码器模型的工作过程为：
通过对输入的峭度值一维数据进行编码和解码，得到输出数据，再通过均方差函数运算，对比输入和输出数据之间的差异，进行异常检测；
在编码的过程中，通过对输入数据进行编码，公式为：
wx+b＝h
其中：x表示的是原始的输入输出数据，w和b都称为权重，既通过卷积运算和池化运算的编码过程后可以得到数据h；
在解码的过程中，通过对编码所得到的数据，进行解码，既转置卷积运算，得到输出数据；公式为：
其中：
表示的是最终模型输出的重构数据，w1和b1分别为得到输出的权重；
使用均方差函数对输入数据和输出数据进行运算，均方差公式如下：
模型通过训练正常状态的数据后，具备重构正常数据的能力，得到的均方差数值较小；当输入故障或者异常的数据时，得到的均方差的数值较大，通过对比，即可检测出系统是否处于正常工作状态。
4.根据权利要求3所述的融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于：所述卷积自编码器模型的运算过程如下：
(1)卷积运算
卷积层是卷积神经网络的组成部分，包含了一系列的卷积核，通过卷积核对输入的数据进行卷积运算，最后得到卷积层的输入；其运算公式如下：
其中的m表示的是卷积层中的层数，k表示的是卷积特征编号，则
表示为在输入数据中第m个卷积层中的第k个权重矩阵；σ()为激活函数，运算符*表示的是卷积运算；同理，
表示的是第m个卷积层中用来进行卷积运算的第k个权重矩阵，/>
则表示为第m个卷积层中的第k个偏置向量；
输入数据和卷积核进行矩阵相乘相加运算得到Z(1,1),卷积核通过一定的步长逐步与输入数据进行卷积运算，然后通过激活函数进行强制转换得到最终的卷积层输出；
(2)池化运算
池化层针对的是卷积层的输出数据，对其进行下采样，达到降低其特征映射维度的目的；
池化层中，首先将卷积层的输出作为池化层的输入，并将其划分为一个个大小为S的池化区域，p(1,1)表示为池化区域的平均值或者最大值，并按照一定的步长依次进行池化得到池化层的输出，池化层的输出或作为下一卷积层的输入，或作为全连接层的输入；
(3)全连接层
在全连接层中，通过的卷积池化后的权重进行提取，选出符合训练效果的权重；
(4)反池化
通过记录池化过程中，最大激活值得坐标位置，然后在反池化的时候，只把池化过程中最大激活值所在的位置坐标的值激活，其它的值置为0；
(5)转置卷积
首先对输入进行四边补零，单边补零的数量为k-1，然后将卷积核旋转180°，在新的输入上进行直接卷积，得到输出。
5.根据权利要求1所述的融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于：在步骤二中，所述的对卷积自编码器模型中的数据进行训练，包括将输入的正常数据划分为训练集和测试集，使用训练集的数据来对模型进行训练，然后用测试集的数据来验证模型的最终效果，训练集和测试集的重合度越高，代表训练的效果越好。
6.根据权利要求1所述的融合峭度和卷积自编码器的转子系统早期异常检测方法,其特征在于，还包括步骤四：通过模型不断地找寻一个合适的阈值，将故障数据和正常数据进行区分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211657519.8A CN116257747B (zh) | 2022-12-22 | 2022-12-22 | 融合峭度和卷积自编码器的转子系统早期异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211657519.8A CN116257747B (zh) | 2022-12-22 | 2022-12-22 | 融合峭度和卷积自编码器的转子系统早期异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116257747A true CN116257747A (zh) | 2023-06-13 |
| CN116257747B CN116257747B (zh) | 2024-08-02 |
Family
ID=86683462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211657519.8A Active CN116257747B (zh) | 2022-12-22 | 2022-12-22 | 融合峭度和卷积自编码器的转子系统早期异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116257747B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116796276A (zh) * | 2023-06-28 | 2023-09-22 | 深圳市前海极智创新科技有限公司 | 一种基于人工智能算法的电驱动故障诊断装置 |
| CN117150408A (zh) * | 2023-09-11 | 2023-12-01 | 元始智能科技(南通)有限公司 | 一种基于多模态对比学习的电机故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
| US20200386811A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power electronic circuit fault diagnosis method based on extremely randomized trees and stacked sparse auto-encoder algorithm |
| CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN114997210A (zh) * | 2022-04-22 | 2022-09-02 | 山东新一代信息产业技术研究院有限公司 | 一种基于深度学习的机器异响识别检测方法 |
-
2022
- 2022-12-22 CN CN202211657519.8A patent/CN116257747B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
| US20200386811A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power electronic circuit fault diagnosis method based on extremely randomized trees and stacked sparse auto-encoder algorithm |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
| CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
| CN114997210A (zh) * | 2022-04-22 | 2022-09-02 | 山东新一代信息产业技术研究院有限公司 | 一种基于深度学习的机器异响识别检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 万齐杨;熊邦书;李新民;孙伟;: "基于DCAE-CNN的自动倾斜器滚动轴承故障诊断", 振动与冲击, no. 11, 15 June 2020 (2020-06-15) * |
| 叶壮;余建波;: "基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法", 振动与冲击, no. 20, 27 October 2020 (2020-10-27) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116796276A (zh) * | 2023-06-28 | 2023-09-22 | 深圳市前海极智创新科技有限公司 | 一种基于人工智能算法的电驱动故障诊断装置 |
| CN116796276B (zh) * | 2023-06-28 | 2024-03-22 | 深圳市前海极智创新科技有限公司 | 一种基于人工智能算法的电驱动故障诊断装置 |
| CN117150408A (zh) * | 2023-09-11 | 2023-12-01 | 元始智能科技(南通)有限公司 | 一种基于多模态对比学习的电机故障诊断方法 |
| CN117150408B (zh) * | 2023-09-11 | 2024-07-05 | 元始智能科技(南通)有限公司 | 一种基于多模态对比学习的电机故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116257747B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116257747B (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
| Meng et al. | Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis | |
| 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 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| Liu et al. | Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning | |
| CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
| CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN111707472B (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
| Xin et al. | An intelligent fault diagnosis method of rotating machinery based on deep neural networks and time-frequency analysis | |
| CN114714145A (zh) | 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 | |
| CN118468175A (zh) | 一种基于混合神经网络的球磨机故障诊断方法及系统 | |
| CN113312719B (zh) | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 | |
| CN117218602A (zh) | 一种结构健康监测数据异常诊断方法及系统 | |
| Ma et al. | Deep residual shrinkage network with time-frequency features for bearing fault diagnosis | |
| Yin et al. | A Fault Diagnosis Method for Nuclear Power Plant Rotating Machinery Based on Wavelet Transform and Deep Residual Neural Network | |
| Chen et al. | Multi-scale dilated convolutional auto-encoder network for weak feature extraction and health condition detection | |
| Liu et al. | Rough set based intelligence diagnostic system for valves in reciprocating pumps | |
| Park et al. | Anomaly detection of unbalanced rotating shaft based on deep learning and thresholds | |
| CN115468718B (zh) | 一种针对船舶风翼回转液压系统泄漏故障的诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |