CN117494588B - 一种风机轴承剩余有效寿命优化方法、设备及介质 - Google Patents
一种风机轴承剩余有效寿命优化方法、设备及介质 Download PDFInfo
- Publication number
- CN117494588B CN117494588B CN202410001684.0A CN202410001684A CN117494588B CN 117494588 B CN117494588 B CN 117494588B CN 202410001684 A CN202410001684 A CN 202410001684A CN 117494588 B CN117494588 B CN 117494588B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- domain signal
- discriminator
- noise
- bearing
- 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 58
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 30
- 238000012423 maintenance Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation 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]
- G06F30/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种风机轴承剩余有效寿命优化方法、设备及介质，其中方法包括：获取时间序列下的待测轴承的真实振动频域信号、剩余寿命值；基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号；基于真实振动频域信号、生成频域信号对对抗网络模型进行训练；将真实振动频域信号输入训练后的对抗网络模型进行测试验证，输出包括真伪、剩余寿命预测结果。本方法结合了噪声和剩余寿命值，可以更准确地预测轴承的剩余寿命，提供更可靠的预测结果。另外，生成频域信号的引入可以增加风机轴承数据样本的多样性。通过对生成频域信号进行训练和测试验证，可以提供更全面、更丰富的数据样本，提高剩余寿命预测模型的泛化能力。
Description
技术领域
本发明涉及风机轴承技术领域，具体提供一种风机轴承剩余有效寿命优化方法、设备及介质。
背景技术
我国电力系统未来新增装机将以新能源发电为主，但受我国风能资源分布不平衡的限制，风电机组所处的位置多数比较特殊，交通不便，导致其维护成本较高，且风机工作环境恶劣加速了发电机组老化，致使风电机组故障频发。风电机组的维护费用在全寿命周期费用中所占的比重越来越大。据统计风电场运行与维护费用占发电成本的30%-35%，而其中大约25%为定期维护费用，75%为事后维修费用。而且风电机组传动链的载荷状态、运行工况、环境条件和结构布局等方面均比较复杂，导致传动链中齿轮、轴承等主要零部件的故障状态和故障模式等存在特殊性，故障率高于其它行业的同类设备，实际使用寿命低于设计寿命。随着单机容量不断增加，大功率风电机组内部结构复杂性增加，风电机组传动链将会面临更高的故障率和运维费用。因此，寻求有效检测部件损伤状态、降低风机故障频率的方法，成为了保障风力发电机运行的一个关键问题。
相应地，本领域需要一种新的一种风机轴承剩余有效寿命优化方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决上述问题。
在第一方面，本发明提供一种风机轴承剩余有效寿命优化方法，包括：
获取时间序列下的待测轴承的真实振动频域信号、剩余寿命值；
基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号；
基于真实振动频域信号、生成频域信号对对抗网络模型进行训练；
将真实振动频域信号输入训练后的对抗网络模型进行测试验证，输出包括真伪、剩余寿命预测结果。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，获取时间序列下的待测轴承的真实振动频域信号包括：
获取滚动轴承运行中的原始信号，并去除原始信号中的噪声；获取滚动轴承运行中的原始信号为不同工况下的滚动轴承运行中的信号；
将去除噪声后的原始信号转换为频域信号；
将不同工况下的频域信号进行拼接，得到时间序列下的待测轴承的真实振动频域信号。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，基于真实振动频域信号、生成频域信号对对抗网络模型进行训练包括：对抗网络模型包括生成器、辨别器；
将真实振动频域信号、生成频域信号及设置的对应标签输入辨别器中，计算得到GAN_loss、DK散度和MAE损失；
基于GAN_loss、DK散度和MAE损失优化辨别器的损失函数；将生成频域信号输入辨别器计算得到loss用于优化生成器的损失函数；
当辨别器的损失函数与生成器的损失函数到达纳什平衡时，完成对抗训练网络的训练。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号包括：
从标准正态分布、0-1均匀分布中采集噪声和剩余寿命值；
将噪声和剩余寿命值进行信息拼接后输入到对抗竞争网络中的生成器，得到生成频域信号。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，获取损失函数约束条件如下：
InfoGAN损失函数约束：
(1)
其中，为生成器，/>为生成器输入随机噪声/>和类别标签/>后的输出结果，/>为辨别器，/>为辨别器对真实数据/>的鉴别结果，/>代表期望，/>为真实数据，/>为真实数据的分布，/>为随机噪声，/>为随机噪声的分布，/>为正则化参数，/>为类别标签，代表类别标签与生成数据之间的互信息；
互信息熵约束：
(3)
下界为：
(4)
为互信息熵/>的约束下界，可分解为互信息熵近似数学期望与信息熵/>之和, 其中/>为用来近似真实数据/>的后验概率/>的辅助分布，/>为/>的辅助分布对应的解耦隐码，/>和/>为计算过程的中间步骤所需数值。/>为解耦隐码/>服从特定分布的信息熵，为固定常数。则损失函数简化为：
(5)。
则InfoGAN网络的损失函数由最大化辨别器和最小化生成器/>得到，可转换为在GAN网络损失函数/>与互信息熵/>的约束下界之和/>，/>为正则化参数。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，互信息计算公式为：
(2)
其中，式中表示/>的信息熵，/>表示/>确定的情况下/>的信息熵。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，、/>和/>分别用一个或多个卷积神经网络、反卷积神经网络模块堆叠来实现。
在上述风机轴承剩余有效寿命优化方法的一个技术方案中，将KL散度代替互信息作为损失函数的一个任务来训练对抗竞争网络获取与剩余寿命相关特征信息的能力，KL散度计算公式：
(7)
InfoGAN的损失函数表示为：
(8)
再加入平均绝对误差MAE损失约束辨别器预测的剩余寿命值与标签尽可能接近，最后总的损失函数表达式为：
(9)
其中，为RUL的真实值，/>为深度网络输出的RUL估计值，/>为随机变量。
在第二方面，本发明提供一种电子设备，包括处理器和存储装置，存储装置适于存储多条程序代码，程序代码适于由处理器加载并运行以执行上述风机轴承剩余有效寿命优化方法的技术方案中任一项技术方案的风机轴承剩余有效寿命优化方法。
在第三方面，本发明提供一种计算机可读存储介质，其中存储有多条程序代码，程序代码适于由处理器加载并运行以执行上述风机轴承剩余有效寿命优化方法的技术方案中任一项技术方案的风机轴承剩余有效寿命优化方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明提供了一种风机轴承剩余有效寿命优化方法、设备及介质，包括：获取时间序列下的待测轴承的真实振动频域信号、剩余寿命值；基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号；基于真实振动频域信号、生成频域信号对对抗网络模型进行训练；将真实振动频域信号输入训练后的对抗网络模型进行测试验证，输出包括真伪、剩余寿命预测结果。与现有技术相比，本发明所提供的风机轴承剩余有效寿命优化方法的有益效果为：通过基于真实振动频域信号和生成频域信号的对抗竞争网络模型，对轴承进行剩余寿命预测。这种方法结合了噪声和剩余寿命值，可以更准确地预测轴承的剩余寿命，提供更可靠的预测结果。另外，生成频域信号的引入可以增加风机轴承数据样本的多样性。通过对生成频域信号进行训练和测试验证，可以提供更全面、更丰富的数据样本，提高剩余寿命预测模型的泛化能力。
进一步的，通过训练生成器模型，可以得到能够生成指定剩余寿命的滚动轴承振动信号的生成器。这样可以提供多样化的振动信号样本，用于剩余寿命预测模型的训练和验证。同时，生成的振动信号可以用于模拟不同剩余寿命的轴承，帮助优化风机轴承的剩余寿命预测和维护计划优化。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的风机轴承剩余有效寿命优化方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的基于DCN改进的Inception模块结构图；
图3是根据本发明的一个实施例的融合注意力结构图；
图4是根据本发明的一个实施例的辨别器和生成器结构图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
实施例一
参阅附图1，图1是根据本发明的一个实施例的风机轴承剩余有效寿命优化方法的主要步骤流程示意图。如图1所示，本发明实施例中的风机轴承剩余有效寿命优化方法主要包括下列步骤S1-步骤S5。
本发明提供一种风机轴承剩余有效寿命优化方法，包括以下步骤：
步骤S1、获取时间序列下的待测轴承的真实振动频域信号、剩余寿命值；
本实施例中，时间序列下的待测轴承的真实振动频域信号是指通过采集轴承振动信号或加速度信号等时间域数据，并通过傅里叶变换等方法将其转换为频域数据。剩余寿命值是指根据轴承的历史振动数据和健康监测技术推算出的轴承预计剩余使用寿命。通过分析轴承的振动特征以及与历史数据对比，可以得出轴承的寿命状态和剩余寿命值。
步骤S2、基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号；
本实施例中，可以选择高斯白噪声或其他类型的噪声作为输入。为了生成满足剩余寿命值约束的频域信号，可以使用对抗竞争网络模型，如生成对抗网络（GAN）。这种模型包括一个生成器和一个辨别器。生成器负责生成频域信号，而辨别器负责评估生成的频域信号是否满足剩余寿命值的约束，并给出相应的反馈。生成器通过不断优化参数，以使生成的频域信号尽可能满足剩余寿命值约束，同时在误导辨别器的情况下生成逼真的信号。在生成频域信号的过程中，生成器的参数会被优化，以使生成的频域信号更好地满足剩余寿命值的约束。这通常涉及到最小化一个损失函数，该损失函数包括剩余寿命值的约束以及辨别器的反馈。生成器和辨别器之间进行反复的对抗训练，直到达到某个停止准则或收敛。
步骤S3、基于真实振动频域信号、生成频域信号对对抗网络模型进行训练；
本实施例中，首先，通过引入随机噪声信号作为输入，利用对抗竞争网络（GAN）模型，生成一个与训练样本相似的频域信号。这个生成的频域信号可能具有一些随机性和噪声，但仍然具有与真实信号相似的特征。在这个过程中，剩余寿命值是一个关键的参数。它可以用来控制生成信号的质量和特征。如果剩余寿命值较高，生成的信号可能更接近真实振动频域信号；相反，如果剩余寿命值较低，生成的信号可能具有更多的随机性和噪声。为了训练对抗网络模型，需要真实振动频域信号和生成的频域信号之间进行比较。可以通过计算它们之间的差异或相似度指标来评估生成信号的质量。基于这些指标，对网络模型进行优化和调整，以使生成信号更加接近真实信号。
步骤S4、将真实振动频域信号输入训练后的对抗网络模型进行测试验证，输出包括真伪、剩余寿命预测结果。
本实施例中，将模型输出与真实振动频域信号进行比较，可以通过计算它们之间的相似度指标，如均方误差（MSE）或峰值信噪比（PSNR），来评估生成信号的真实程度。较高的相似度指标意味着生成的频域信号与真实信号更接近，而较低的指标可能暗示着生成信号的质量较低。通过比较模型预测的剩余寿命结果与真实寿命值，可以评估模型对剩余寿命的准确性和预测能力。较接近真实寿命值的预测结果表示模型的性能较好。
进一步的，考虑到风机传动链信号是一种时序信息，且频谱富含剩余寿命信息，所以使用利用基于注意力机制的InfoGAN网络进行频域特征提取以进行剩余寿命预测。具体地，想从时间序列信息中提取轴承寿命信息，需要首先通过CNN网络提取特征进行降维。CNN配备多个卷积内核和多层结构，使其可以提取多维数据的深层特征。传统的CNN多用于图像数据集，1D-CNN主要应用于时间序列预测，其特点是卷积核只在时间方向上移动，因此可以提取局部变量间的相关关系。
膨胀卷积神经网络（Dilated Convolutional Neural Network，DCN）通过引入膨胀率 的概念解决了传统CNN的缺陷，膨胀率 使滤波器应用于比自身大的区域，一般呈2的幂次方增长，能够在稳定梯度的同时获得较大的感受野。而常规的卷积神经网络通过前馈神经网络架构逐层将低级特征提取为高级特征，每一层的输出直接传至下一层，然而这种方法难以有效利用低级的特征信息。本文基于Inception模块和DCN提出了DCN-Inception，结构示意图如图2，在多个通道中布置不同尺度的卷积核进行膨胀卷积，并且根据膨胀卷积的特性逐层设置膨胀率为1,2,3，并将1×1普通卷积结果和最大池化后再通过1×1普通卷积填充通道得到的特征图拼接。
注意力机制凭借着自身良好的特性，被广泛应用于目标检测任务中。多数注意力机制的思想是通过增加额外的空间注意力或使用更复杂的通道依赖来提升网络的性能，虽会有精度的提升，但同时会增加模型的复杂度使模型计算更加困难。因此可以在尽量保持模型轻量化的基础上，提升网络的检测精度，因此提出将通道注意力和全局注意力融合机制引入至本网络中，其网络结构如图3所示。通道注意力是通过学习通道间的注意力权重，简单且高效的提升网络性能。其网络模型结构中的激励分支，先对特征图进行了一维的全局平均池化操作，随后经过自适应一维卷积、Sigmoid层等一系列操作，得到最终的特征图。全连接层维度削减的降维操作，相对于一维卷积操作，虽然可以减少模型参数，但打破了通道和注意力间的一一对应关系，导致特征信息产生一定的损失。通过引入自适应一维卷积，用少量参数的代价，避免了降维过程中的信息损失，利用卷积来充分融合局部通道信息，降低模型复杂度的同时还获得了检测精度上的稳健提升。
如图3所示，全局注意力是由通过最大池化和平均池化两个操作提取出丰富的高级特征，按通道拼接后通过自适应一维卷积得到全局注意力特征图，最后将全局注意力和通道注意力两个特征图相加后于原始输入相乘，得到注意力计算后的结果。
在一个实施例中，步骤S1、获取时间序列下的待测轴承的真实振动频域信号包括：
步骤S11、获取滚动轴承运行中的原始信号，并去除原始信号中的噪声；获取滚动轴承运行中的原始信号为不同工况下的滚动轴承运行中的信号；
本实施例中，原始信号可以通过传感器或其他测量设备获得。具体地，可以将原始信号进行话滑动窗口采用，将每0.1s采集的数据按2048长度截取原始信号；与现有滚动轴承振动信号使用小波变换方法以致计算成本过高不同，由于风机传动链滚动轴承工作环境恶劣，退化信号可能会被高频噪声淹没，所以需要将振动信号进行VMD处理去噪，以消除干扰和背景噪声，从而提取出轴承的有效信号。
步骤S12、将去除噪声后的原始信号转换为频域信号；
本实施例中，通过应用傅里叶变换或其他频域分析方法来实现，将信号从时域转换为频域。
步骤S13、将不同工况下的频域信号进行拼接，得到时间序列下的待测轴承的真实振动频域信号。
本实施例中，在不同的工况下，轴承产生的振动频域信号可能会有所不同。为了获取更全面和综合的信号特征，将不同工况下的频域信号进行拼接。这可以通过将不同工况下的频域信号进行连接或者合并来实现。
进一步的，使用VMD（Variational Mode Decomposition）变分模态分解、FFT（FastFourier Transform）处理降噪重构后的频谱信号作为输入。使用了一维膨胀卷积方法来代替常规卷积来学习和提取时间轴上的深层特征，并通过Inception结构增加网络宽度和输出特征的尺度，然后，对DCN-Inception结构的输出特征图中进行多注意力融合计算，获得全局和通道中各自的信息贡献度并完成噪声抑制。同时，对信息特征图的敏感性也得到提高。通过堆叠多个不同尺度卷积块的输出特征从频谱输入中同时学习低级和高级特征表示。提高了模型的可训练性和特征表示能力。模型学习到的高级特征表达被输入到包含卷积块和池化层后，分别通过全连接层、激活函数后得到输入样本真伪信息、RUL信息，最终建立轴承特征与剩余寿命标签之间的映射。
在一个实施例中，步骤S3、基于真实振动频域信号、生成频域信号对对抗网络模型进行训练包括：对抗网络模型包括生成器、辨别器；生成器网络、辨别器网络/>，其结构参数如图4所示。
步骤S31、将真实振动频域信号、生成频域信号及设置的对应标签输入辨别器中，计算得到GAN_loss、DK散度和MAE损失；
本实施例中，滚动轴承振动信号对应标签包括真伪标签和剩余有效寿命标签。将真实振动频域信号和生成频域信号以及对应的标签作为输入提供给辨别器，利用不同卷积大小和膨胀卷积率的DCN卷积、注意力机制、多分支的Incepiton结构构成的辨别器模型输出真伪判别结果和剩余有效寿命预测结果。辨别器的目标是判断输入信号是真实的还是生成的，并计算相关的损失。
步骤S32、基于GAN_loss、DK散度和MAE损失优化辨别器的损失函数；将生成频域信号输入辨别器计算得到loss用于优化生成器的损失函数；
本实施例中，基于计算得到的GAN_loss、DK散度和MAE损失，对辨别器的损失函数进行优化。优化的目标是尽量减小辨别器对真实和生成信号的误判率，提高辨别器对生成信号的准确性。
步骤S33、当辨别器的损失函数与生成器的损失函数到达纳什平衡时，完成对抗训练网络的训练。
本实施例中，通过反复优化辨别器和生成器的损失函数，最终使得两者的损失函数到达纳什平衡。在纳什平衡下，生成器生成的频域信号与真实振动频域信号无法被辨别器准确区分。这意味着生成器已经学习到了对应真实振动频域信号的生成规律，完成了对抗训练网络的训练。
在一个实施例中，步骤S2、基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号包括：
步骤S21、从标准正态分布、0-1均匀分布中采集噪声和剩余寿命值；
步骤S22、将噪声和剩余寿命值进行信息拼接后输入到对抗竞争网络中的生成器，得到生成频域信号。
具体地，可以使用随机数生成器从标准正态分布中采集噪声值、剩余寿命值，将采集到的噪声值和剩余寿命值进行信息拼接，形成输入向量。例如可以使用numpy库中的concatenate函数将两个向量拼接起来。将拼接后的输入向量输入到对抗竞争网络中的生成器。生成器将输入向量映射为生成频域信号。
在一个实施例中，获取损失函数约束条件如下：
InfoGAN损失函数约束：
(1)
其中，为生成器，/>为生成器输入随机噪声/>和类别标签/>后的输出结果，/>为辨别器，/>为辨别器对真实数据/>的鉴别结果，/>代表期望，/>为真实数据，/>为真实数据的分布，/>为随机噪声，/>为随机噪声的分布，/>为正则化参数，/>为类别标签，代表类别标签与生成数据之间的互信息；
互信息熵约束：
(3)
下界为：
(4)
为互信息熵/>的约束下界，可分解为互信息熵近似数学期望与信息熵/>之和, 其中/>为用来近似真实数据/>的后验概率/>的辅助分布，/>为/>的辅助分布对应的解耦隐码，/>和/>为计算过程的中间步骤所需数值。/>为解耦隐码/>服从特定分布的信息熵，为固定常数。则损失函数简化为：
(5)。
则InfoGAN网络的损失函数由最大化辨别器和最小化生成器/>得到，可转换为在GAN网络损失函数/>与互信息熵/>的约束下界之和/>，/>为正则化参数。
进一步的，生成对抗模型和最大互信息熵的结合，使得生成对抗模型的生成器输入噪声被解耦出连续特征分量，实现了指定寿命频域信号的生成，使得辨别器具有对剩余寿命的特征提取与预测能力。
在一个实施例中，互信息计算公式为：
(2)
其中，式中表示/>的信息熵，/>表示/>确定的情况下/>的信息熵。
在一个实施例中，、/>和/>分别用一个或多个卷积神经网络、反卷积神经网络模块堆叠来实现。潜码/>包含两部分：一部分是类别，服从/>类别分布，其中/>为类别数量；另一部分是连续的与轴承剩余寿命相关的参数，服从/>的均匀分布。
可以表示为一个神经网络/>的输出。对于输入的随机变量/>和类别潜码下界/>可表示为公式(6):
(6)
在一个实施例中，将KL散度代替互信息作为损失函数的一个任务来训练对抗竞争网络获取与剩余寿命相关特征信息的能力，KL散度计算公式：
(7)
InfoGAN的损失函数表示为：
(8)
再加入平均绝对误差MAE损失约束辨别器预测的剩余寿命值与标签尽可能接近，最后总的损失函数表达式为：
(9)
其中，为RUL的真实值，/>为深度网络输出的RUL估计值，/>为随机变量。
实施例二
本发明还提供了一种电子设备。在根据本发明的一个设备施例中，设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的风机轴承剩余有效寿命优化方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的风机轴承剩余有效寿命优化方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
实施例三
本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的风机轴承剩余有效寿命优化方法的程序，该程序可以由处理器加载并运行以实现上述风机轴承剩余有效寿命优化方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对原始技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种风机轴承剩余有效寿命优化方法，其特征在于，包括：
获取时间序列下的待测轴承的真实振动频域信号、剩余寿命值；
基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号；
基于真实振动频域信号、生成频域信号对对抗网络模型进行训练；
将真实振动频域信号输入训练后的对抗网络模型进行测试验证，输出包括真伪、剩余寿命预测结果；
基于真实振动频域信号、生成频域信号对对抗网络模型进行训练包括：对抗网络模型包括生成器、辨别器；
将真实振动频域信号、生成频域信号及设置的对应标签输入辨别器中，计算得到GAN_loss、DK散度和MAE损失；
基于GAN_loss、DK散度和MAE损失优化辨别器的损失函数；将生成频域信号输入辨别器计算得到loss用于优化生成器的损失函数；
当辨别器的损失函数与生成器的损失函数到达纳什平衡时，完成对抗训练网络的训练；
获取损失函数约束条件如下：
InfoGAN损失函数约束：
(1)
其中，为生成器， />为生成器输入随机噪声/>和类别标签/>后的输出结果，/>为辨别器， />为辨别器对真实数据/>的鉴别结果，/>代表期望，/>为真实数据，/>为真实数据的分布，/>为随机噪声，/>为随机噪声的分布，/>为正则化参数，/>为类别标签，/>代表类别标签与生成数据之间的互信息；
互信息熵约束：
(3)
下界为：
(4)
为互信息熵/>的约束下界，可分解为互信息熵近似数学期望与信息熵/>之和, 其中/>为用来近似真实数据/>的后验概率/>的辅助分布，/>为/>的辅助分布对应的解耦隐码，/>和/>为计算过程的中间步骤所需数值，/>为解耦隐码/>服从特定分布的信息熵，为固定常数，则损失函数简化为：
(5)，
则InfoGAN网络的损失函数由最大化辨别器和最小化生成器/>得到，可转换为在GAN网络损失函数/>与互信息熵/>的约束下界之和/>，/>为正则化参数；
将KL散度代替互信息作为损失函数的一个任务来训练对抗竞争网络获取与剩余寿命相关特征信息的能力，KL散度计算公式：
(7)
InfoGAN的损失函数表示为：
(8)
再加入平均绝对误差MAE损失约束辨别器预测的剩余寿命值与标签尽可能接近，最后总的损失函数表达式为：
(9)
其中，为RUL的真实值，/>为深度网络输出的RUL估计值，/>为随机变量。
2.根据权利要求1所述的方法，其特征在于，获取时间序列下的待测轴承的真实振动频域信号包括：
获取滚动轴承运行中的原始信号，并去除原始信号中的噪声；获取滚动轴承运行中的原始信号为不同工况下的滚动轴承运行中的信号；
将去除噪声后的原始信号转换为频域信号；
将不同工况下的频域信号进行拼接，得到时间序列下的待测轴承的真实振动频域信号。
3.根据权利要求1所述的方法，其特征在于，基于噪声、剩余寿命值、对抗竞争网络模型，获取生成频域信号包括：
从标准正态分布、0-1均匀分布中采集噪声和剩余寿命值；
将噪声和剩余寿命值进行信息拼接后输入到对抗竞争网络中的生成器，得到生成频域信号。
4. 根据权利要求1所述的方法，其特征在于，互信息计算公式为：
(2)
其中，式中表示/>的信息熵，/>表示/>确定的情况下/>的信息熵。
5.根据权利要求1所述的方法，其特征在于，、/>和/>分别用一个或多个卷积神经网络、反卷积神经网络模块堆叠来实现。
6.一种电子设备，包括处理器和存储装置，存储装置适于存储多条程序代码，其特征在于，程序代码适于由处理器加载并运行以执行权利要求1至5中任一项的风机轴承剩余有效寿命优化方法。
7.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，程序代码适于由处理器加载并运行以执行权利要求1至5中任一项的风机轴承剩余有效寿命优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001684.0A CN117494588B (zh) | 2024-01-02 | 2024-01-02 | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001684.0A CN117494588B (zh) | 2024-01-02 | 2024-01-02 | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494588A CN117494588A (zh) | 2024-02-02 |
| CN117494588B true CN117494588B (zh) | 2024-03-19 |
Family
ID=89674711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001684.0A Active CN117494588B (zh) | 2024-01-02 | 2024-01-02 | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494588B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909509A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨理工大学 | 基于InfoLSGAN和AC算法的轴承寿命预测方法 |
| CN111652827A (zh) * | 2020-04-24 | 2020-09-11 | 山东大学 | 一种基于生成对抗网络的正面人脸合成方法及系统 |
| CN112509001A (zh) * | 2020-11-24 | 2021-03-16 | 河南工业大学 | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 |
| CN116433466A (zh) * | 2022-11-23 | 2023-07-14 | 中国铁塔股份有限公司重庆市分公司 | 基于扩散循环生成式对抗网络的图像风格迁移方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220084204A1 (en) * | 2020-09-11 | 2022-03-17 | Nvidia Corporation | Labeling images using a neural network |
| US20220122222A1 (en) * | 2020-10-16 | 2022-04-21 | Adobe Inc. | Multi-scale output techniques for generative adversarial networks |
| US20230307908A1 (en) * | 2022-03-25 | 2023-09-28 | Mitsubishi Electric Research Laboratories, Inc. | Extraction of instantaneous renewable generation from net load measurements of power distribution systems |
| US20230368077A1 (en) * | 2022-07-27 | 2023-11-16 | Intel Corporation | Machine learning entity validation performance reporting |
-
2024
- 2024-01-02 CN CN202410001684.0A patent/CN117494588B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909509A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨理工大学 | 基于InfoLSGAN和AC算法的轴承寿命预测方法 |
| CN111652827A (zh) * | 2020-04-24 | 2020-09-11 | 山东大学 | 一种基于生成对抗网络的正面人脸合成方法及系统 |
| CN112509001A (zh) * | 2020-11-24 | 2021-03-16 | 河南工业大学 | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 |
| CN116433466A (zh) * | 2022-11-23 | 2023-07-14 | 中国铁塔股份有限公司重庆市分公司 | 基于扩散循环生成式对抗网络的图像风格迁移方法 |
Non-Patent Citations (3)
| Title |
|---|
| InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets;Xi Chen etc.;NIPS’16:Proceedings of the 30th international conference on neural information processing systems;20161205;2180-2188 * |
| 基于 CNN 和 GAN 的轴承故障诊断与寿命预测方法研究;薛振泽;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20220215(第02期);C029-158 * |
| 薛振泽.基于 CNN 和 GAN 的轴承故障诊断与寿命预测方法研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2022,(第02期),C029-158. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494588A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN111241673A (zh) | 用于噪声环境工业设备的健康状态预测方法 | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| Islam et al. | Time–frequency envelope analysis-based sub-band selection and probabilistic support vector machines for multi-fault diagnosis of low-speed bearings | |
| CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
| 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 | |
| CN112257263A (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
| CN111709190A (zh) | 风电机组运行数据图像识别方法及装置 | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
| CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
| CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
| CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
| CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| CN117218405A (zh) | 一种电池生产设备故障数字诊断方法 | |
| CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
| CN115795397A (zh) | 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法 | |
| CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN115130731A (zh) | 一种风力发电机故障检测方法、设备及介质 |
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 |