CN117076935B - 数字孪生辅助的机械故障数据轻量级生成方法及系统 - Google Patents
数字孪生辅助的机械故障数据轻量级生成方法及系统 Download PDFInfo
- Publication number
- CN117076935B CN117076935B CN202311331981.3A CN202311331981A CN117076935B CN 117076935 B CN117076935 B CN 117076935B CN 202311331981 A CN202311331981 A CN 202311331981A CN 117076935 B CN117076935 B CN 117076935B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- simulation
- simulation model
- mechanical equipment
- 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 42
- 238000004088 simulation Methods 0.000 claims abstract description 99
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000012512 characterization method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提供了一种数字孪生辅助的机械故障数据轻量级生成方法机系统,建立待生成故障数据机械装备的仿真模型,并基于数字孪生理念对仿真模型的参数进行修正;对仿真模型进行各种故障类型和程度的仿真模拟,获取对应的故障仿真数据;在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据;采用格拉姆角场GAF,将一维的故障仿真数据转换为二维图像作为前景信息,将实测工作数据转换为二维图像并作为背景信息;将前景信息作为随机噪声,将背景信息作为真实样本联合输入至生成对抗网络GAN,直至达到纳什平衡以生成故障数据。生成大量的具有各种故障标签的高质量故障数据,解决故障样本质差量少的问题。
Description
技术领域
本发明涉及故障数据生成技术领域,具体涉及一种数字孪生辅助的机械故障数据轻量级生成方法及系统。
背景技术
机械装备支撑着现代工业的快速发展,任何故障都可能导致重大安全事故的发生,故障诊断的准确率势必会影响机械装备的稳定发展。在大数据时代下,基于健康监测系统与深度学习的故障诊断方法虽然取得了丰硕的成果,但是故障样本获取难度大和深度学习模型对于故障样本“质好量多”的要求,极大地限制了诊断模型在实际工业应用场景中的准确率。
机械装备多处于恶劣复杂的工作环境,监测数据具有非线性和强噪声等特点,数据质量较差,同时机械装备具有高可靠性,禁止其长期在非正常状态下工作和服役,故实际故障数据极少且获取难度大,导致故障数据陷入“质差量少”的窘境。此外,诊断模型多依靠数据驱动且需依赖大量高质量的故障数据作训练,现有诊断模型多局限于实验室条件,即使是在实验室条件下,搭建高精度试验台也需要投入大量的时间和资源,并且只能获取有限类型的故障数据,无法获得未知/新故障类型的数据,在解决实际工程中的未知/新故障诊断或因故障危害性等级不一导致的数据不平衡问题时,诊断模型的实用性差且准确率低。
许多学者在故障样本获取难和数据“质差量少”导致的小样本故障诊断领域展开广泛研究,比如:无监督故障诊断方法无需已知的故障数据及标签,仅依靠健康数据就可以完成故障分类;基于有限元仿真获取故障数据无需现场实际采集,利用仿真数据开展故障诊断;基于采集的少量故障数据通过重采样等数据扩充手段进行样本扩充,为故障诊断模型提供充足的训练样本。但诊断模型在实际的工程应用场景受到跨工况和跨设备的制约,诊断正确率低,究其原因,无法获取大量符合实际工程场景数据分布的故障数据是根本问题。
然而无监督故障诊断方法这种聚类算法,只能实现故障分类,无法得知每一类的具体故障类型;基于有限元仿真的方法,其仿真模型被高度抽象化,未考虑机械装备的实际运行状态及包含的环境噪声信号,仿真数据与实际存在差距,仅利用仿真数据训练诊断模型,数据分布的不一致性,导致模型在实际应用中正确率很低;基于少量故障数据的过采样和重采样等扩充方法,其扩充样本的质量取决于现有故障数据的规模及质量,数据多样性较差,且无法生成未知类别的样本,难以满足多工况下的故障数据需求。解决以上问题及缺陷的难度为:建模技术的限制,仿真模型被过度简化,基于有限元仿真的模型保真度较低,未考虑设备的环境等干扰,获取的数据仅包含故障原始表征与实际差距较大;现有数据扩充方法依赖于实测样本,需要高成本的实验平台,无法以轻量级的方式生成机械装备不同工况下符合实际工程场景分布的高质量故障数据。
发明内容
本发明提出了一种数字孪生辅助的机械故障数据轻量级生成方法,以解决难以获取大量符合实际工程场景数据分布的故障数据的技术问题。
为解决上述技术问题,本发明提供了一种数字孪生辅助的机械故障数据轻量级生成方法,包括以下步骤:
步骤S1:建立待生成故障数据机械装备的零部件仿真模型,并基于数字孪生理念对所述零部件仿真模型的参数进行修正;
步骤S2:对所述零部件仿真模型进行各种故障类型和程度的仿真模拟,获取故障原始表征信号;
步骤S3:在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据;
步骤S4:采用格拉姆角场GAF,将一维的所述故障原始表征信号转换为二维图像作为前景信息,将所述实测工作数据转换为二维图像并作为背景信息;用所述前景信息代替原始生成对抗网络GAN中输入的随机噪声,将所述背景信息作为真实样本联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据。
优选地,步骤S1中对所述零部件仿真模型进行参数修正的步骤包括:
步骤S101:对所述零部件仿真模型进行故障状态下的故障模拟,提取故障振动信号;
步骤S102:选取所述故障振动信号的特征指标进行分析,与历史实测数据之间进行对比,计算相关性系数;
步骤S103:当所述相关性指标小于设定阈值时,调整所述零部件仿真模型的参数直至满足设定阈值。
优选地,步骤S102中计算相似性系数的方法包括:
步骤S1021:对所述故障振动信号和历史实测数据进行信号特征归一化数据预处理操作,归一化的表达式为:
;
式中,Gnorm表示特征归一化后的特征值,G表示原始特征值,Gmax和Gmin分别表示特征值中的最大值和最小值;
步骤S1022:通过以下公式计算经过归一化处理后的障振动信号和历史实测数据之间的相关性系数RXY:
;
式中,X表示归一化后的故障振动信号特征值,Y表示归一化后的历史实测数据特征值,和/>分别表示归一化后的故障振动信号和历史实测数据特征值的平均值,n表示选取的特征指标的数量。
优选地,步骤S103中调整所述零部件仿真模型的参数的方法包括以下步骤:
步骤S1031:选取待修正的模型参数;
步骤S1032:在各个参数初始值±20%的范围内进行拉丁超立方抽样,得到K种不同的参数组合;
步骤S1033:计算不同参数组合下的相关性系数,选择相关性系数最高值对应的组合为最佳参数。
优选地,所述生成对抗网络GAN的目标函数中,加入判定数据分布相似度的检验函数KL。
优选地,所述检验函数KL的散度的表达式为:
;
式中,n表示数据的数量,表示实际数据的真实分布,/>表示生成数据的分布。
优选地,所述故障数据轻量级生成方法还包括补充故障类型样本数量的步骤:通过改变初始的故障类型和程度,获取对应的补充故障原始表征信号,并采集机械装备在目标工况下的健康工作数据,通过与步骤S4相同的操作,将所述补充故障原始表征信号中加入符合机械装备实际工作特征的健康工作数据,生成补充故障数据,直至生成故障数据的种类的差异小于设定阈值。
优选地,所述故障数据轻量级生成方法还包括验证步骤:利用感知哈希算法将生成的故障数据的二维时频图与对应的真实数据的二维图像进行相似度对比,当所述相似度小于于设定阈值时,则改变故障类型和程度重复步骤S2至步骤S4直到相似度大于设定阈值。
本发明还提供了一种数字孪生辅助的机械故障数据轻量级生成系统,所述系统包括零部件仿真模型构建模块、仿真模拟模块、实际数据测试模块、故障数据生成模块;
所述零部件仿真模型构建模块,用于构建待生成故障数据机械装备的零部件仿真模型;
所述仿真模拟模块,用于对所述零部件仿真模型进行各种故障类型和程度的仿真模拟,获取故障仿真数据;
所述实际数据测试模块,用于在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据;
所述故障数据生成模块,用于采用格拉姆角场GAF,将一维的所述故障仿真数据转换为二维图像作为前景信息,将所述实测工作数据转换为二维图像并作为背景信息;用所述前景信息代替原始生成对抗网络GAN中的随机噪声,将所述背景信息作为真实样本联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据。
优选地,所述系统还包括零部件仿真模型参数修正模块,所述零部件仿真模型参数修正模块,用于基于数字孪生理念对所述零部件仿真模型的参数进行修正。
本发明的有益效果至少包括:
1)本发明利用基于数字孪生理念高保真零部件故障数值的零部件仿真模型,设置不同故障类型和故障程度,以轻量级的仿真方法,获取对应零部件故障的振动仿真数据,能够生成新故障数据,降低对试验台的依赖,避免高成本高危险故障采集过程,减轻故障数据获取难度;
2)本发明采用格拉姆角场数据格式转换,将零部件自身故障仿真数据和零部件所属的机械装备实测工作状态数据转化为二维图像并输入至GAN网络,而不是直接输入稀疏的一维振动信号,相比之下,密集的图像数据可以提供更丰富的振动信息,也能更好地发挥GAN网络自身生成图像的优势,此外,用故障仿真数据代替原始GAN网络中输入的随机噪声,使生成器的输出样本具有机械故障原始表征,而不是假设的或无序的分布特征;
3)基于GAN网络提出的故障数据生成方法中,利用故障仿真数据代替原始GAN网络中的噪声输入至生成器,使最终的合成样本保留零部件故障自身表征;将采集的机械设备健康状态的工作状态数据输入鉴别器,让最终的合成样本维持机械设备的机械工作特性和健康特征;作为附加技术特征,并在原始GAN网络的目标函数中,加入判定数据分布的KL检验函数,衡量生成数据与实际数据分布相似度,通过模型反复地对抗训练,使生成器生成的故障数据既具有故障的自身表征,又包含机械设备实际的工作特征与环境噪声,以生成大量的具有各种故障标签的高质量故障数据,解决故障样本质差量少的问题;
4)本发明所提方法搭建的机械装备高质量故障数据生成系统,其核心是对零部件故障自身表征与特定机械装备工况特征的数据融合。以仿真模拟故障数据为主,以健康状态下的机械设备工作特征数据采集为辅,将健康状态下的特定机械装备的工作特征数据添加至故障自身的表征中,实现轻量级的特定机械装备故障数据生成,弥补现实中故障训练样本量少的问题。其中,特定机械装备不仅是齿轮类机械设备,可根据实际面向的机械装备故障诊断问题,改变零部件故障仿真模型,并采集对应的机械装备在健康状态下的工作特征数据,可解决特定机械装备故障数据获取难的问题。
附图说明
图1为本发明的方法流程示意图;
图2为本发明实施例的技术路线流程图;
图3为本发明实施例的齿轮箱仿真模型参数修正方法示意图;
图4为本发明实施例的基于视觉图像构图原理的故障数据组成示意图;
图5为本发明实施例的基于GAN网络的故障数据生成方法流程图;
图6为本发明实施例的数据不平衡问题及解决方案示意图;
图7为本发明实施例的故障数据生成系统示意图。
具体实施方式
下面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、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1至2所示,本发明实施例提供了一种数字孪生辅助的机械故障数据轻量级生成方法,包括以下步骤:
步骤S1:建立待生成故障数据机械装备零部件自身故障的零部件仿真模型,并基于数字孪生理念对所述零部件仿真模型的参数进行修正。
本发明实施例以齿轮箱作为具体事例进行举例说明,根据齿轮设计参数,建立齿轮数值零部件仿真模型。
具体地,如图3所示,本发明实施例中为了使零部件仿真模型更为准确,对其进行修正,包括以下步骤:
步骤S101:对零部件仿真模型进行故障状态下的有限元仿真模拟,提取故障振动信号,振动信号包括有效值、峭度、裕度、脉冲、峰值和歪度六个指标;
步骤S102:选取故障振动信号的特征指标进行分析,与历史实测数据之间进行对比,计算相关性系数;
计算相关性系数的方法包括:
步骤S1021:对故障振动信号和历史实测数据进行信号特征归一化数据预处理操作,归一化的表达式为:
;
式中,Gnorm表示特征归一化后的特征值,G表示原始特征值,Gmax和Gmin分别表示特征值中的最大值和最小值;
步骤S1022:根据皮尔逊相关系数,通过以下公式计算经过归一化处理后的障振动信号和历史实测数据之间的相关性系数RXY:
;
式中,X表示归一化后的故障振动信号特征值,Y表示归一化后的历史实测数据特征值,和/>分别表示归一化后的故障振动信号和历史实测数据特征值的平均值,n表示选取的特征指标的数量。
步骤S103:当相关性系数小于设定阈值时,调整零部件仿真模型的参数直至满足设定阈值;具体地,本发明实施例中,当需修正零部件仿真模型参数时,选择齿轮啮合阻尼、齿轮接触刚度和轴承方向阻尼等为待修正的模型参数,在各个参数初始值±20%的范围内进行拉丁超立方抽样,得到K种不同的参数组合,计算不同参数组合下,仿真数据与实测数据的综合相关性指标,选择所有参数组合中综合相关性指标最高值对应的组合为最佳参数,更新齿轮箱零部件仿真模型。
步骤S2:对零部件仿真模型进行各种故障类型和程度的仿真模拟,获取故障仿真数据。
本发明实施例中,采用零部件仿真模型,开展不同故障类型、程度的仿真模拟,故障类型包括但不限于:断齿、点蚀、裂纹和磨损,故障程度包括轻、中和高,获取故障原始表征。
步骤S3:在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据。
具体地,在齿轮箱所有零部件健康状态下,设置目标工况的实验条件,利用传感器监测系统,采集目标工况下的健康齿轮类机械设备实测工作状态数据。本发明实施例中,目标工况下机械设备的实测健康工作状态数据是指在任意工况下的工作特征,包括但不限于设备平稳运行时或在时变冲击载荷作用下的工作数据特征,如此可以将起重机、盾构机等大型工程机械工作过程中的时变特征加入其零部件故障仿真数据中,以获取此类大型机械装备时变冲击载荷作用下的故障数据。
步骤S4:采用格拉姆角场GAF,将一维的故障原始表征信号转换为二维图像作为前景信息,将健康工作特征信号转换为二维图像并作为背景信息;用前景信息代替作为原始生成对抗网络GAN中输入的随机噪声,将背景信息作为真实样本联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据。
具体地,如图4所示,本发明实施例中,基于视觉图像构图原理,图像由前景的猫与背景的环境组成。图像识别中常通过过滤背景噪声,识别并定位前景物体,以前景为重要特征,增强图像的可识别性。
机械装备的故障信号可由零部件故障共性特征与设备健康状态下的工作个性特征组成,即传感器采集的机械装备故障信号是由零部件故障自身表征和整体机械装备健康工作特征组成。基于GAN网络的故障数据生成方法流程如图5所示,具体步骤如下:确定目标故障信息,包括故障类型、程度及工况信息,利用格拉姆角场GAF将一维故障振动仿真信号和实测健康工作状态数据转化为二维图像,并分别作为齿轮类机械设备故障的前景与背景,前景包含零部件故障共性特征,背景包含齿轮类机械装备整体的工作个性特征;用转化后的二维故障振动仿真信号图像(前景信息)代替原始GAN网络中的随机噪声,输入至生成器,将转化后的实测工作状态数据二维图像(背景信息)作为真实样本输入鉴别器;通过GAN网络的反复对抗训练,直至生成器生成的故障数据与实测工作状态数据具有相同的数据分布,此时,鉴别器无法区分生成样本与实测样本,达到纳什平衡;基于上述故障生成方法,改变初始故障类型和程度,获取对应的故障仿真数据的二维图像,将其输入至GAN网络,同时将目标工况下采集的设备在健康状态的工作状态数据的二维图像输入鉴别器,经过模型的对抗训练,生成大量的高质量故障数据样本,补充故障类型样本数量的差异,解决如图6所示的由于实际中故障类型等级或危害性不同导致的故障发生概率差异而引发的故障数据不平衡问题。
本发明实施例中,为了衡量生成数据与实际数据分布相似度,在原始GAN网络的目标函数中,加入判定数据分布的KL检验函数,衡量生成数据与实际数据分布相似度,通过模型反复地对抗训练,使生成器生成的故障数据既具有故障的原始表征,又包含齿轮箱实际的工作特征与环境噪声,生成大量的具有各种故障标签的高质量故障数据,解决故障样本质差量少的问题,检验函数KL的散度的表达式为:
;
式中,n表示数据的数量,表示实际数据的真实分布,/>表示生成数据的分布。
本发明实施例中,为了减少故障类型之间的数量差异,通过改变初始故障类型和程度,获取对应的补充故障原始表征信号,并采集机械装备在目标工况下的健康工作数据,通过与步骤S4相同的操作,将所述补充故障原始表征信号中加入符合机械装备实际工作特征的健康工作数据,生成补充故障数据,直至生成故障数据种类的数量差异小于设定阈值。
本发明实施例中,为了验证验证融合故障表征与健康特征的轻量级故障数据生成方法的准确性与可行性,通过上述的故障类型和故障程度,设置真实场景下齿轮类机械设备故障信号实测方案,采集实际的故障信号,通过数字孪生辅助的机械故障数据轻量级生成方法,合成齿轮类机械设备整体的故障信号的二维图像;利用感知哈希算法对比故障合成数据与故障真实数据二维图像的相似度,检验合成数据的质量。当相似度小于设定阈值时,则改变故障类型和程度重复步骤S2至步骤S4直到相似度大于设定阈值,使得故障数据更为准确。
如图7所示,本发明还提供了一种数字孪生辅助的机械故障数据轻量级生成系统,其核心是对零部件故障自身表征与特定机械装备工况特征的数据融合。以仿真模拟故障数据为主,以健康状态下的机械设备工作特征数据采集为辅,将健康状态下的特定机械装备的工作特征数据添加至故障自身的表征中,实现轻量级的特定机械装备故障数据生成。
包括零部件仿真模型构建模块、仿真模拟模块、实际数据测试模块、故障数据生成模块;零部件仿真模型构建模块,用于构建待生成故障数据机械装备的零部件仿真模型;仿真模拟模块,用于对零部件仿真模型进行各种故障类型和程度的仿真模拟,获取故障仿真数据;实际数据测试模块,用于在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据;;故障数据生成模块,用于采用格拉姆角场GAF,将一维的故障仿真数据转换为二维图像作为前景信息,将实测工作数据转换为二维图像并作为背景信息;用前景信息代替原始生成对抗网络GAN中的随机噪声,将背景信息作为真实样本联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据。
最后通过GAF逆变换数据格式转换,将故障合成数据的二维图像转换为一维故障时间序列数据,获取特定机械装备目标工况下高质量故障数据。本发明实施例中,通过二维图像转换为一维故障时间序列数据本领域技术人员的常规技术手段,在此不作过多说明。
本发明实施例中,数字孪生辅助的机械故障数据轻量级生成系统还包括零部件仿真模型参数修正模块,用于基于数字孪生理念对所述零部件仿真模型的参数进行修正。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,仅表达了本发明的较佳实施例而已,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:包括以下步骤:
步骤S1:建立待生成故障数据机械装备的零部件仿真模型,并基于数字孪生理念对所述零部件仿真模型的参数进行修正;
所述零部件仿真模型进行参数修正的步骤包括:
步骤S101:对所述零部件仿真模型进行故障状态下的故障模拟,提取故障振动信号;
步骤S102:选取所述故障振动信号的特征指标进行分析,与历史实测数据之间进行对比,计算相关性系数;
步骤S103:当所述相关性系数小于设定阈值时,调整所述零部件仿真模型的参数直至满足设定阈值;
步骤S2:对所述零部件仿真模型进行各种故障类型和程度的仿真模拟,获取对应的故障仿真数据;
步骤S3:在机械装备所有零部件健康状态下,采集对应目标工况下机械装备的实测工作数据;
步骤S4:采用格拉姆角场GAF,将一维的所述故障仿真数据转换为二维图像作为前景信息,将所述实测工作数据转换为二维图像并作为背景信息;用所述前景信息代替原始生成对抗网络GAN中输入的随机噪声,将所述背景信息作为真实样本和所述前景信息作为随机噪声联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据;所述生成对抗网络GAN的目标函数中,加入判定数据分布相似度的检验函数KL。
2.根据权利要求1所述的一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:步骤S102中计算相关性系数的方法包括:
步骤S1021:对所述故障振动信号和历史实测数据进行信号特征归一化数据预处理操作,归一化的表达式为:
;
式中,Gnorm表示特征归一化后的特征值,G表示原始特征值,Gmax和Gmin分别表示特征值中的最大值和最小值;
步骤S1022:通过以下公式计算经过归一化处理后的故障振动信号和历史实测数据之间的相关性系数RXY:
;
式中,X表示归一化后的故障振动信号特征值,Y表示归一化后的历史实测数据特征值,和/>分别表示归一化后的故障振动信号特征值和历史实测数据特征值的平均值,n表示选取的特征指标的数量,Xi表示第i个故障振动信号特征值,Yi表示第i个历史实测数据特征值。
3.根据权利要求1所述的一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:步骤S103中调整所述零部件仿真模型的参数的方法包括以下步骤:
步骤S1031:选取待修正的模型参数;
步骤S1032:在各个参数初始值±20%的范围内进行拉丁超立方抽样,得到K种不同的参数组合;
步骤S1033:计算不同参数组合下的相关性系数,选择相关性系数最高值对应的组合为最佳参数。
4.根据权利要求1所述的一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:所述检验函数KL的散度的表达式为:
;
式中,n表示数据的数量,表示实际数据的真实分布,/>表示生成数据的分布。
5.根据权利要求1所述的一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:所述故障数据轻量级生成方法还包括补充故障类型样本数量的步骤:通过改变零部件初始的故障类型和程度,获取对应的补充故障原始表征信号,并采集目标工况下机械装备的健康工作数据,通过与步骤S4相同的操作,将所述补充故障原始表征信号中加入符合实际工作特征的健康工作数据,生成补充故障数据,直至生成故障数据的种类的差异小于设定阈值。
6.根据权利要求1所述的一种数字孪生辅助的机械故障数据轻量级生成方法,其特征在于:所述故障数据轻量级生成方法还包括验证步骤:利用感知哈希算法将生成的故障数据的二维时频图与对应的真实数据的二维图像进行相似度对比,当所述相似度小于设定阈值时,则改变故障类型和程度重复步骤S2至步骤S4直到相似度大于设定阈值。
7.一种数字孪生辅助的机械故障数据轻量级生成系统,其特征在于:所述系统包括零部件仿真模型构建模块、仿真模拟模块、实际数据测试模块、故障数据生成模块;
所述零部件仿真模型构建模块,用于构建待生成故障数据机械装备的零部件仿真模型;
所述仿真模拟模块,用于对所述零部件仿真模型进行各种故障类型和程度的仿真模拟,获取故障仿真数据;
所述实际数据测试模块,用于在机械装备所有零部件健康状态下,采集对应目标工况下机械设备的实测工作数据;
所述故障数据生成模块,用于采用格拉姆角场GAF,将一维的所述故障仿真数据转换为二维图像作为前景信息,将所述实测工作数据转换为二维图像并作为背景信息;用所述前景信息代替原始生成对抗网络中的随机噪声,将所述背景信息作为真实样本和所述前景信息作为随机噪声联合输入至生成对抗网络GAN,开展鉴别器与生成器之间的对抗训练,直至达到纳什平衡以生成故障数据。
8.根据权利要求7所述的一种数字孪生辅助的机械故障数据轻量级生成系统,其特征在于:所述系统还包括零部件仿真模型参数修正模块,所述零部件仿真模型参数修正模块,用于基于数字孪生理念对所述零部件仿真模型的参数进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311331981.3A CN117076935B (zh) | 2023-10-16 | 2023-10-16 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311331981.3A CN117076935B (zh) | 2023-10-16 | 2023-10-16 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076935A CN117076935A (zh) | 2023-11-17 |
CN117076935B true CN117076935B (zh) | 2024-02-06 |
Family
ID=88717581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311331981.3A Active CN117076935B (zh) | 2023-10-16 | 2023-10-16 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076935B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
CN117851810A (zh) * | 2024-03-07 | 2024-04-09 | 山东天工岩土工程设备有限公司 | 一种盾构机故障检测及解决方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083698A (zh) * | 2020-09-10 | 2020-12-15 | 南昌市言诺科技有限公司 | 一种基于数字孪生模型的产线实时控制方法和装置 |
CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
CN113128338A (zh) * | 2021-03-15 | 2021-07-16 | 西安理工大学 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
CN115187832A (zh) * | 2022-06-24 | 2022-10-14 | 同济大学 | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
CN115563853A (zh) * | 2022-08-30 | 2023-01-03 | 武汉理工大学 | 一种基于数字孪生的滚动轴承故障诊断方法 |
CN115859142A (zh) * | 2022-10-10 | 2023-03-28 | 北京工业大学 | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN116127279A (zh) * | 2023-02-24 | 2023-05-16 | 上海师范大学 | 一种小样本液压泵气蚀诊断方法及装置 |
-
2023
- 2023-10-16 CN CN202311331981.3A patent/CN117076935B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083698A (zh) * | 2020-09-10 | 2020-12-15 | 南昌市言诺科技有限公司 | 一种基于数字孪生模型的产线实时控制方法和装置 |
CN113128338A (zh) * | 2021-03-15 | 2021-07-16 | 西安理工大学 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN115187832A (zh) * | 2022-06-24 | 2022-10-14 | 同济大学 | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
CN115563853A (zh) * | 2022-08-30 | 2023-01-03 | 武汉理工大学 | 一种基于数字孪生的滚动轴承故障诊断方法 |
CN115859142A (zh) * | 2022-10-10 | 2023-03-28 | 北京工业大学 | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN116127279A (zh) * | 2023-02-24 | 2023-05-16 | 上海师范大学 | 一种小样本液压泵气蚀诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于对抗卷积神经网络的滚动轴承故障诊断方法研究;陈豪;中国优秀硕士学位论文期刊数据库;第31-41页 * |
基于数字孪生技术的船舶远程应用研究与探讨;朱军 等;中国船检(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117076935A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
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 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN110333074B (zh) | 基于卷积神经网络的多测点传动机构故障诊断方法和系统 | |
CN110443117B (zh) | 一种风电机组故障诊断方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN111337244A (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN113538353A (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN115060494A (zh) | 一种滚动轴承的故障诊断方法 | |
CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
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 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN108763728B (zh) | 用并联型深度神经网络分层特征提取的机械故障诊断方法 |
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 |