CN117251960B - 一种缺失数据的最优轴承故障因果结构生成方法 - Google Patents
一种缺失数据的最优轴承故障因果结构生成方法 Download PDFInfo
- Publication number
- CN117251960B CN117251960B CN202311543138.1A CN202311543138A CN117251960B CN 117251960 B CN117251960 B CN 117251960B CN 202311543138 A CN202311543138 A CN 202311543138A CN 117251960 B CN117251960 B CN 117251960B
- Authority
- CN
- China
- Prior art keywords
- causal
- variables
- fault
- working condition
- representing
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 421
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000002910 structure generation Methods 0.000 title description 2
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000011895 specific detection Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 239000002131 composite material Substances 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轴承故障诊断技术领域,具体是一种缺失数据的最优轴承故障因果结构生成方法,通过对缺失数据的工况变量进行标记,并假设各个故障变量之间存在因果关系,进而构建形成了全连接图;接着基于所提出的故障变量之间的因果关系,对全连接图进行修正以获得真实的因果无向图;之后再基于所提公式计算衡量因果变量之间的因果效应强度,以此为定向标准对因果无向图进行因果定向,最终实现在缺失轴承故障数据的条件下,生成可靠性较高的故障因果结构,对于提高基于数据驱动的轴承故障诊断模型的诊断精度具有十分重要的意义。
Description
技术领域
本发明涉及轴承故障诊断技术领域,具体是一种缺失数据的最优轴承故障因果结构生成方法。
背景技术
轴承作为一种关键部件,在现代机械设备中应用广泛,其健康状况关乎整个设备的工作安全。然而,由于实际工况中设备所处环境复杂多变,轴承发生故障多种多样,而是多种故障同时存在,导致复合故障特征难以准确提取,故障诊断的有效性变得十分困难。
为了解决上述技术问题,专利CN116701871A提供了一种基于因果特征加权网络的滚动轴承复合故障特征选择方法,构建因果特征加权网络模型,引入加权网络中心性指标节点强度对复合故障特征进行定量描述,通过深度神经网络模型的复合故障诊断完成特征选择,并利用沙普利累加性解释模型解释所选特征对诊断准确率的贡献度,以此提高轴承故障识别的准确性。
尽管上述现有技术对滚动轴承复合故障特征选择适用性高,可提高滚动轴承复合故障识别的准确率。但是在实际的数据收集中,上述现有技术忽略了一点,即数据在采集的过程中,由于复杂多变的工况,一些数据无法采集,进而出现数据缺失的情况,导致数据库中存在数据不完整的故障样本。在故障样本量多时,可以舍弃存在数据缺失的故障样本,进而提高因果关系推导的精度。但是当故障样本量较少时,舍弃存在数据缺失的故障样本所带来的误差远大于使用这些存在数据缺失的故障样本带来的误差,进而容易导致在舍弃存在数据缺失的故障样本的情况下,因果关系推导精度大大降低。因此,在故障样本量较少时,更偏向于使用这些存在数据缺失的故障样本。尽管这种使用存在数据缺失故障样本的方式能够减缓推导精度的下降,但是相对于故障样本量较多时的推导精度,这种方式仍然存在较大的缺陷,难以满足实际应用的要求。
发明内容
为了避免和克服现有技术中存在的技术问题,本发明提供了一种缺失数据的最优轴承故障因果结构生成方法。本发明能够有效的消除故障样本中数据缺失带来的负面影响,提高因果关系推导的精度。
为实现上述目的,本发明提供如下技术方案:
一种缺失数据的最优轴承故障因果结构生成方法,包括以下步骤:
S1、获取轴承的故障样本,确定故障样本中数据缺失的情况,建立故障样本中各故障变量之间的因果关系,并形成全连接图;
S2、对全连接图中存在的因果关系进行修正,去除其中存在的错误的因果关系,以将全连接图转化为因果无向图;
S3、确定因果无向图中各因果关系的因果指向,以获得表征真实因果关系的因果有向无环图。
作为本发明再进一步的方案:步骤S1的具体步骤如下:
S11、轴承的故障变量包括工况变量和故障类型;通过将已经确定故障类型的故障轴承在各种工况变量下进行分组实验,获取与故障类型对应的工况变量的工况数据;具体获取过程如下:
首先选取故障类型已经确定的故障轴承,接着人工设定该故障轴承的各个工况变量的初始工况数据,然后开始对故障轴承进行转动实验,并通过对应的仪器检测在转动实验中故障轴承的实时工况数据;
检测实时工况数据的过程具体如下:
在同一组设定工况数据下,转动实验运行设定时间后开始采集实时工况数据,并且按照等时差的方式依序进行采集;在采集设定数量的实时工况数据后,停止转动实验,并将采集的实时工况数据连同对应的故障类型作为一组故障样本进行存储;
S12、对各组实时工况数据逐一打上表征数据是否缺失的缺失指标,并将打标后的实时工况数据存放在初始数据库中;缺失指标取值为1时,表示该实时工况数据存在;缺失指标取值为0时,表示该实时工况数据缺失;
S13、假设初始数据库中的各个故障类型和各个工况变量之间存在因果关系,并根据该因果关系构建全连接图;在全连接图中各个故障类型和各个工况变量均构成节点,对应的因果关系构成节点之间的连线。
作为本发明再进一步的方案:步骤S2的具体步骤如下:
S21、将初始数据库中的工况变量和故障类型均定义为因果变量;构建衡量因果结构,并将初始数据库中的各组故障样本输入到衡量因果结构中,计算出各组故障样本中任意两个因果变量之间的因果关系衡量值;
S22、从各组故障样本的因果关系衡量值中,选取相同两因果变量之间的因果关系衡量值的最大值作为标量值;标量值表示如下:
;
其中,表示因果变量V X 和因果变量V Y 之间的标量值;/>表示第1组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;/>表示第2组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;/>表示第N组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值,即一共采集了N组故障样本;max(▪)表示取最大值操作;
S23、构建分类器,通过分类器检测因果变量之间因果关系的准确性,具体检测过程如下:选定一个因果变量,并计算该因果变量与剩余因果变量之间的标量值,从这些标量值中随机选取一个作为参考值,比较参考值与剩余标量值之间的大小,若剩余标量值均小于参考值,则记为1,反之则为0;对比较结果进行求和,并将求和结果与因果变量总数减1进行相除,若商为1,则参考值对应的两个因果变量之间的因果关系准确,反之,则参考值对应的两个因果变量之间的因果关系需要进一步确认是否准确;
分类器表示如下:
;
其中,表示因果变量V X 和因果变量V Y 之间的分类结果,即比较结果;表示因果变量V X 和因果变量V I 之间的标量值;A表示全部因果变量构成的集合;M表示因果变量的总数;V I 表示A中的第I个因果变量;
S24、在所有的因果变量之间的因果关系都已确定之后,删除全连接图中不准确的因果关系,保留准确的因果关系,以将全连接图转化成因果无向图。
作为本发明再进一步的方案:步骤S23中两个因果变量之间的因果关系需要进一步确认的步骤如下:计算选定的这个因果变量的相邻因果变量的个数,接着将计算出的个数和选定的这个因果变量的参考值输入到相邻置信度参数计算公式中,计算出对应的置信度分数,若置信度分数大于1,则参考值对应的两个因果变量之间的因果关系准确,反之,则不准确。
作为本发明再进一步的方案:步骤S3的具体步骤如下:
S31、在确定各因果变量准确的因果关系后,通过因果推断模型推导数据不缺失的各因果变量之间的因果方向;因果推断模型采用现有技术中常见的因果模型;
S32、对于数据存在缺失的各因果变量之间,通过信息传递结构推导该各因果变量之间的因果方向;
S33、在所有因果变量之间的因果方向均已确认的情况下,为因果无向图中的连线标上表征因果方向的箭头,进而将因果无向图更新为因果有向无环图。
作为本发明再进一步的方案:步骤S32的具体步骤如下:
S321、计算因果变量之间的交叉因果熵,交叉因果熵的计算公式如下:
;
其中,表示第j组故障样本中因果变量V X 和因果变量V Y 之间交叉因果熵;y j,i+1表示因果变量V Y 在第j组故障样本中第i+1个实时工况数据的值;x j,i+1表示因果变量V Y 在第j组故障样本中第i+1个实时工况数据的值;β表示交叉因果熵参数;
S322计算因果变量之间的相对因果熵,相对因果熵的计算公式如下:
;
其中,表示第j组故障样本中因果变量V X 和因果变量V Y 之间相对因果熵;/>表示统计概率;dx表示因果变量V X 的实时工况数据的微分;dy表示因果变量V Y 的实时工况数据的微分;|·|表示取绝对值;
S323、计算因果变量之间的因果鲁棒值,因果鲁棒值的计算公式如下:
;
其中,表示第j组故障样本中因果变量V X 和因果变量V Y 之间的因果鲁棒值;
S324、根据交叉因果熵、相对因果熵和因果鲁棒值的计算公式计算各组故障样本的交叉因果熵、相对因果熵和因果鲁棒值;将计算得到的交叉因果熵、相对因果熵和因果鲁棒值输入到信息传递结构中计算各因果变量之间的信息传递值;信息传递结构具体表示如下:
;
其中,表示因果变量V X 和因果变量V Y 之间的信息传递值,且因果变量V X 和因果变量V Y 之间的因果方向为因果变量V X 指向因果变量V Y ;N表示故障样本总数;
S325、根据信息传递结构计算因果变量V Y 指向因果变量V X 时的信息传递值;
S326、构建方向分类器,将和/>输入到方向分类器中,判断因果变量V X 和因果变量V Y 之间最终的因果指向;当/>大于/>时,最终的因果指向为因果变量V X 指向因果变量V Y ;当/>小于/>时,最终的因果指向为因果变量V Y 指向因果变量V X ;
S327、按照步骤S321到步骤S326的具体内容对剩余因果变量之间的因果方向进行判断,进而在所有因果变量之间的因果方向都已确定后,将因果无向图转化成因果有向无环图。
作为本发明再进一步的方案:衡量因果结构的具体表达式如下:
;
其中,表示第j组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;n j 表示第j组故障样本中采集的实时工况数据的条数;x j,i 表示因果变量V X 在第j组故障样本中第i个实时工况数据的值;/>表示x j,i 的实时工况数据的缺失情况;y j,i 表示因果变量V Y 在第j组故障样本中第i个实时工况数据的值;P表示概率符号;E表示对条件概率/>求均值;λ表示变量参数。
作为本发明再进一步的方案:相邻置信度参数计算公式表示如下:
;
其中,表示因果变量V X 和因果变量V Y 之间的置信度分数;/>表示在全连接图中与因果变量V X 相连接的因果变量的数量。
作为本发明再进一步的方案:方向分类器具体表示如下:
;
其中,表示因果变量V X 和因果变量V Y 之间的因果方向结果。
与现有技术相比,本发明的有益效果是:
本发明通过对缺失数据的工况变量进行标记,并假设各个故障变量之间存在因果关系,进而构建形成了全连接图;接着基于所提出的故障变量之间的因果关系,对全连接图进行修正以获得真实的因果无向图;之后在基于所提公式计算衡量变量之间的因果效应强度,以此为定向标准对因果无向图进行因果定向,最终实现在缺失轴承故障数据条件下,生成可靠性较高故障因果结构,对于提高基于数据驱动的轴承故障诊断模型的诊断精度具有十分重要的意义。
附图说明
图1为本发明的主要流程结构示意图。
具体实施方式
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、完整地描述,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,本发明实施例中,一种缺失数据的最优轴承故障因果结构生成方法,包括以下步骤:
1、构建全连接图。
首先通过将已经确定故障类型的故障轴承在各种工况变量下进行分组实验,获取与故障类型对应的工况变量的工况数据。具体获取过程为:选取故障类型已经确定的故障轴承,接着人工设定该故障轴承的各个工况变量的设定工况数据,然后在各设定工况数据下开始对故障轴承进行转动实验,并通过对应的仪器检测在转动实验中故障轴承的实时工况数据。检测实时工况数据的过程具体为:在同一组设定工况数据下,转动实验运行设定时间后开始采集实时工况数据,并且按照等时差的方式依序进行采集;在采集设定数量的实时工况数据后,停止转动实验,并将采集的实时工况数据连同对应的故障类型作为一组故障样本。
接着对各实时工况数据逐一打上表征数据是否缺失的缺失指标,并将打标后的实时工况数据存放在初始数据库中;缺失指标取值为1时,表示该实时工况数据存在;缺失指标取值为0时,表示该实时工况数据缺失。
然后假设初始数据库中的各个故障类型和工况变量之间存在因果关系,并根据该因果关系构建全连接图。在全连接图中各个故障类型和工况变量构成节点,因果关系构成节点之间的连线。
轴承的工况变量包括温度、转速、负载、位移变量等,一共十余种工况变量。轴承的故障类型包括外圈故障、内圈故障、滚子故障等。
在具体采集数据时,每组故障样本中的实时工况数据从第200个样本点进行截取作为故障数据,即采样时间从0.003886719秒开始,每次数据截取以1024个时间点为一个故障样本。数据截取从序号201开始到1224结束,这样初始数据库中就由多个包含1024个数据点的故障样本组成。每个1024个样本点里包括时间、振幅和一些工况条件,这些数据都是在相同时间点采集而来。比如,在内圈裂纹的数据中,第209和第210的数据点中转速的数据缺失,此时将该缺失数据打上缺失标签,标记为0,不缺失的标记为1。
在计算每一个数据的概率时,在同一故障样本中采用统计概率和条件概率,或者其他类型的概率计算方式,计算各个概率值。
2、构建因果无向图。
首先将初始数据库中的工况变量和故障类型均定义为因果变量;构建衡量因果结构,并将初始数据库中的各组故障样本输入到衡量因果结构中,计算出各组故障样本中任意两个因果变量之间的因果关系衡量值。衡量因果结构的具体表达式如下:
;
接着从各组故障样本的因果关系衡量值中,选取相同两因果变量之间的因果关系衡量值的最大值作为标量值;标量值表示如下:
;
再构建分类器,通过分类器检测因果变量之间的因果关系的准确性,具体检测过程如下:选定一个因果变量,并计算该因果变量与剩余因果变量之间的标量值,从这些标量值中选取一个作为参考值,比较参考值与剩余标量值之间的大小,若剩余标量值均小于参考值,则记为1,反之则为0;对比较结果进行求和,并将求和结果与因果变量总数减1进行相除,若商为1,则参考值对应的两个因果变量之间的因果关系准确,反之,则参考值对应的两个因果变量之间的因果关系需要进一步确认是否准确。两个因果变量之间的因果关系需要进一步确认的步骤为:计算选定的这个因果变量的相邻因果变量的个数,接着将计算出的个数和选定的这个因果变量的参考值输入到相邻置信度参数计算公式中,计算出对应的置信度分数,若置信度分数大于1,则参考值对应的两个因果变量之间的因果关系准确,反之,则不准确。
最后在所有的因果变量之间的因果关系都已确定之后,删除全连接图中不准确的因果关系,保留准确的因果关系,以将全连接图转化成因果无向图。
3、构建因果有向无环图。
首先在确定各因果变量准确的因果关系后,通过因果推断模型推导数据不缺失的各因果变量之间的因果方向。
接着对于数据存在缺失的各因果变量之间,通过信息传递结构推导该各因果变量之间的因果方向。
最后在所有因果变量之间的因果方向均已确认的情况下,为因果无向图中的连线标上表征因果方向的箭头,进而将因果无向图更新为因果有向无环图。
通过信息传递结构推导该各因果变量之间的因果方向的具体步骤如下:
先通过交叉因果熵的计算公式计算因果变量之间的交叉因果熵。
接着通过相对因果熵的计算公式计算因果变量之间的相对因果熵。
然后通过因果鲁棒值的计算公式计算因果变量之间的因果鲁棒值。
再根据交叉因果熵、相对因果熵和因果鲁棒值的计算公式计算各组故障样本的交叉因果熵、相对因果熵和因果鲁棒值;将计算得到的交叉因果熵、相对因果熵和因果鲁棒值输入到信息传递结构中计算各因果变量之间的信息传递值。
紧接着根据信息传递结构计算因果变量V Y 指向因果变量V X 时的信息传递值。
然后构建方向分类器,将和/>输入到方向分类器中,判断因果变量V X 和因果变量V Y 之间最终的因果指向;当/>大于/>时,最终的因果指向为因果变量V X 指向因果变量V Y ;当/>小于/>时,最终的因果指向为因果变量V Y 指向因果变量V X 。
最后按照上述步骤的具体内容对剩余因果变量之间的因果方向进行判断,进而在所有因果变量之间的因果方向都已确定后,将因果无向图转化成因果有向无环图。
实施例一:
将故障轴承布置在轴承测试机器上,然后通过传感器采集故障轴承在运转过程中的各类数据。以轴承内圈存在故障为例,进行举例说明。轴承内圈存在的故障类型为内圈裂纹,并采集了如表1所示的部分数据。一共采集了N组故障样本,每组故障样本均只采集了5条实时工况数据,其中一组故障样本中的实时工况数据如表1所示。
表1 实施例一的内圈裂纹数据
表1中展示了一组故障样本中的5条实时工况数据,设定扭矩为因果变量V X ,设定振幅为因果变量V Y ,具体计算过程如下。
衡量因果结构的具体计算如下:
;
;
;
;
…;
从上述计算结果中选取最大值,得到最大值如下:
;
将上述计算结果输入分类器中得到:
;
故可得振幅和扭矩两因果变量之间存在因果关系。
现在需要确定振幅与扭矩之间因果关系的方向,即因果指向。
首先计算振幅与扭矩之间的交叉因果熵,交叉因果熵计算结果如下:
;
上述的交叉因果熵是其中一组故障数据样本的交叉因果熵,同理可得剩余故障样本中的交叉因果熵分别为:0.41017213、0.49745684、0.50987394、0.60024321、…。
接着计算振幅与扭矩之间的相对因果熵,相对因果熵计算结果如下:
;
同理可得,其余故障样本中相对因果熵分别为:0.20645748、0.19631562、0.23365412、0.20034117、…。
再计算振幅与扭矩之间的因果鲁棒值,因果鲁棒值计算结果如下:
;
同理可得,其余故障样本中因果鲁棒值分别为:0.15320078、0.21036102、0.19423410、0.23217132、…。
最后计算振幅与扭矩之间的信息传递值,信息传递值计算结果如下:
;
同理可得:
;
因为,所以因果变量V X 和因果变量V Y 之间的因果关系的方向为X→Y,即扭矩指向振幅。
实施例二:
以轴承内圈存在故障为例,进行举例说明。轴承内圈存在的故障类型为内圈裂纹,并采集了如表2所示的部分数据。一共采集了N组故障样本,每组故障样本均只采集了5条实时工况数据,其中一组故障样本中的实时工况数据如表2所示。
表2 实施例二的内圈裂纹数据
表2中展示了一组故障样本中的5条实时工况数据,设定转速为因果变量V X ,设定扭矩为因果变量V Y ,具体计算过程如下:
因果关系的计算结果如下:
;
;
;
;
…;
从中选取最大值得:
;
将上述计算结果输入分类器中,因为实施例一中的扭矩与转速之间的,与实施例二计算值相比得到:0.01100561>0.00637511,所以此时将转速与扭矩之间的值输入分类器后,得到/>,所以此时需要引入相邻置信度参数对因果关系的准确性做进一步判断。
计算相邻置信度参数:
;
所以可得到在故障轴承的故障样本中扭矩与转速之间不存在因果关系。
同理,存在缺失数据的故障轴承的故障数据中的其他变量之间的因果结构均可通过以上过程计算得出。
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 (8)
1.一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,包括以下步骤:
S1、获取轴承的故障样本,确定故障样本中数据缺失的情况,对缺失数据的故障变量进行标记,建立故障样本中各故障变量之间的因果关系,并形成全连接图;
S2、对全连接图中存在的因果关系进行修正,去除其中错误的因果关系,以将全连接图转化为因果无向图;
S3、确定因果无向图中各因果关系的因果指向,以获得表征真实因果关系的因果有向无环图;
步骤S2的具体步骤如下:
S21、将初始数据库中的工况变量和故障类型均定义为因果变量;构建衡量因果结构,并将初始数据库中的各组故障样本输入到衡量因果结构中,计算出各组故障样本中任意两个因果变量之间的因果关系衡量值;
S22、从各组故障样本的因果关系衡量值中,选取相同两因果变量之间的因果关系衡量值的最大值作为标量值;标量值表示如下:
其中,/>表示因果变量V X 和因果变量V Y 之间的标量值;/>表示第1组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;/>表示第2组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;/>表示第N组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值,N为故障样本的总组数;max(▪)表示取最大值操作;
S23、构建分类器,通过分类器检测因果变量之间因果关系的准确性,具体检测过程如下:选定一个因果变量,并计算该因果变量与剩余因果变量之间的标量值,从标量值中任选一个作为参考值,比较参考值与剩余标量值之间的大小,若剩余标量值均小于参考值,则记为1,反之则为0;对比较结果进行求和,并将求和结果与因果变量总数减1进行相除,若商为1,则参考值对应的两个因果变量之间的因果关系准确,反之,则参考值对应的两个因果变量之间的因果关系需要进一步确认是否准确;
分类器表示如下:
其中,/>表示因果变量V X 和因果变量V Y 之间的分类结果,即比较结果;/>表示因果变量V X 和因果变量V I 之间的标量值;A表示全部因果变量构成的集合;M表示因果变量的总数;V I 表示A中的第I个因果变量;
S24、在所有的因果变量之间的因果关系都已确定之后,删除全连接图中不准确的因果关系,保留准确的因果关系,进而将全连接图转化成因果无向图。
2.根据权利要求1所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤S1的具体步骤如下:
S11、轴承的故障变量包括工况变量和故障类型;通过将已经确定故障类型的故障轴承在各种工况变量下进行分组实验,获取与故障类型对应的工况变量的工况数据;工况数据的具体获取过程如下:
首先选取故障类型已经确定的故障轴承,接着设定该故障轴承的各个工况变量的初始工况数据,然后开始对故障轴承进行转动实验,并通过对应的仪器检测在转动实验中故障轴承的实时工况数据;
检测实时工况数据的过程具体如下:
在同一组初始工况数据下,转动实验运行设定时间后开始采集实时工况数据,并且按照等时差的方式依序采集;在采集设定数量的实时工况数据后,停止转动实验,并将采集的实时工况数据连同对应的故障类型作为一组故障样本进行存储;
S12、对各组实时工况数据逐一打上表征数据是否缺失的缺失指标,并将打标后的实时工况数据存放在初始数据库中;缺失指标取值为1时,表示该实时工况数据存在;缺失指标取值为0时,表示该实时工况数据缺失;
S13、假设初始数据库中的各个故障类型和各个工况变量之间存在因果关系,并根据该因果关系构建全连接图;在全连接图中各个故障类型和各个工况变量均构成节点,对应的因果关系构成节点之间的连线。
3.根据权利要求2所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤S23中两个因果变量之间的因果关系需要进一步确认的步骤如下:计算选定的因果变量的相邻因果变量的个数,接着将计算出的个数和选定的因果变量的参考值输入到相邻置信度参数计算公式中,计算出对应的置信度分数,若置信度分数大于1,则参考值对应的两个因果变量之间的因果关系准确,反之,则不准确。
4.根据权利要求3所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤S3的具体步骤如下:
S31、在确定各因果变量准确的因果关系后,通过因果推断模型推导数据不缺失的各因果变量之间的因果方向;
S32、对于数据存在缺失的各因果变量之间,通过信息传递结构推导该各因果变量之间的因果方向;
S33、在所有因果变量之间的因果方向均已确认的情况下,为因果无向图中的连线标上表征因果方向的箭头,进而将因果无向图更新为因果有向无环图。
5.根据权利要求4所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,步骤S32的具体步骤如下:
S321、计算因果变量之间的交叉因果熵,交叉因果熵的计算公式如下:
其中,/>表示第j组故障样本中因果变量V X 和因果变量V Y 之间交叉因果熵;y j,i+1表示因果变量V Y 在第j组故障样本中第i+1个实时工况数据的值;x j,i+1表示因果变量V Y 在第j组故障样本中第i+1个实时工况数据的值;β表示交叉因果熵参数;n j 表示第j组故障样本中采集的实时工况数据的条数;x j,i 表示因果变量V X 在第j组故障样本中第i个实时工况数据的值;y j,i 表示因果变量V Y 在第j组故障样本中第i个实时工况数据的值;
S322、计算因果变量之间的相对因果熵,相对因果熵的计算公式如下:
其中,/>表示第j组故障样本中因果变量V X 和因果变量V Y 之间相对因果熵;/>表示统计概率;dx表示因果变量V X 的实时工况数据的微分;dy表示因果变量V Y 的实时工况数据的微分;|·|表示取绝对值;
S323、计算因果变量之间的因果鲁棒值,因果鲁棒值的计算公式如下:
其中,/>表示第j组故障样本中因果变量V X 和因果变量V Y 之间的因果鲁棒值;
S324、根据交叉因果熵、相对因果熵和因果鲁棒值的计算公式计算各组故障样本的交叉因果熵、相对因果熵和因果鲁棒值;将计算得到的交叉因果熵、相对因果熵和因果鲁棒值输入到信息传递结构中计算各因果变量之间的信息传递值;信息传递结构具体表示如下:
其中,/>表示因果变量V X 和因果变量V Y 之间的信息传递值,且因果变量V X 和因果变量V Y 之间的因果方向为因果变量V X 指向因果变量V Y ;N表示故障样本总数;λ表示变量参数;
S325、根据信息传递结构计算因果变量V Y 指向因果变量V X 时的信息传递值;
S326、构建方向分类器,将和/>输入到方向分类器中,判断因果变量V X 和因果变量V Y 之间最终的因果指向;当/>大于/>时,最终的因果指向为因果变量V X 指向因果变量V Y ;当/>小于/>时,最终的因果指向为因果变量V Y 指向因果变量V X ;
S327、按照步骤S321到步骤S326的具体内容对剩余因果变量之间的因果方向进行判断,进而在所有因果变量之间的因果方向都已确定后,将因果无向图转化成因果有向无环图。
6.根据权利要求5所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,衡量因果结构的具体表达式如下:
其中,表示第j组故障样本中因果变量V X 和因果变量V Y 之间的因果关系衡量值;/>表示x j,i 的实时工况数据的缺失情况;P表示概率符号;E表示对条件概率/>求均值。
7.根据权利要求5或6所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,相邻置信度参数计算公式表示如下:
其中,/>表示因果变量V X 和因果变量V Y 之间的置信度分数;/>表示在全连接图中与因果变量V X 相连接的因果变量的数量。
8.根据权利要求6所述的一种缺失数据的最优轴承故障因果结构生成方法,其特征在于,方向分类器具体表示如下:
其中,/>表示因果变量V X 和因果变量V Y 之间的因果方向结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543138.1A CN117251960B (zh) | 2023-11-20 | 2023-11-20 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543138.1A CN117251960B (zh) | 2023-11-20 | 2023-11-20 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251960A CN117251960A (zh) | 2023-12-19 |
CN117251960B true CN117251960B (zh) | 2024-01-30 |
Family
ID=89137379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311543138.1A Active CN117251960B (zh) | 2023-11-20 | 2023-11-20 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251960B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN111445674A (zh) * | 2020-04-08 | 2020-07-24 | 浙江浙能技术研究院有限公司 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
CN116701871A (zh) * | 2023-06-15 | 2023-09-05 | 北京工商大学 | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761073A (zh) * | 2020-06-03 | 2021-12-07 | 日本电气株式会社 | 用于信息处理的方法、装置、设备和存储介质 |
-
2023
- 2023-11-20 CN CN202311543138.1A patent/CN117251960B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN111445674A (zh) * | 2020-04-08 | 2020-07-24 | 浙江浙能技术研究院有限公司 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
CN116701871A (zh) * | 2023-06-15 | 2023-09-05 | 北京工商大学 | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 |
Non-Patent Citations (6)
Title |
---|
A Novel Variable Convolution Kernel Design according to Time-frequency Resolution Altering in Bearing Fault Diagnosis;Yang Wang等;2022 Human-Centered Cognitive Systems (HCCS);第1-6页 * |
ATPRINPM: A single-source domain generalization method for the remaining useful life prediction of unknown bearings;Juan Xu等;2022 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD);第1-6页 * |
Rolling Bearing Fault Diagnosis with Disentangled and Robust Causal Model;Xu Ding等;2022 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD);第1-6页 * |
半监督阶梯网络和GAN在滚动轴承故障诊断的应用;丁煦等;机械设计与制造;第152-156页 * |
基于观测数据的时间序列因果推断综述;曾泽凡等;大数据;第139-158页 * |
特征选择算法及其在因果发现中的研究与应用;沈安波;中国优秀博硕士学位论文全文数据库(硕士);第1-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117251960A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117251960B (zh) | 一种缺失数据的最优轴承故障因果结构生成方法 | |
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
WO2022077901A1 (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN115586023A (zh) | 一种轨道车辆传动系统故障诊断方法及系统 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN114841190A (zh) | 一种基于复合模型的轴承健康评估方法 | |
CN112884348B (zh) | 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 | |
CN110222814B (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
CN116522237A (zh) | 一种基于并行卷积神经网络的滚动轴承故障诊断方法 | |
CN112990275B (zh) | 一种半定量信息融合的高速列车走行部系统故障诊断方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 | |
CN110095204B (zh) | 一种乙烯裂解炉管温度诊断系统 |
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 |