CN117668670B - 一种港口起重装备故障诊断方法及系统 - Google Patents
一种港口起重装备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117668670B CN117668670B CN202410137760.0A CN202410137760A CN117668670B CN 117668670 B CN117668670 B CN 117668670B CN 202410137760 A CN202410137760 A CN 202410137760A CN 117668670 B CN117668670 B CN 117668670B
- Authority
- CN
- China
- Prior art keywords
- data
- output
- layer
- frequency domain
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明属于故障检测领域,具体涉及一种港口起重装备故障诊断方法及系统,该方法包括利用T分布式随机邻居嵌入(T‑SNE)与无监督学习聚类算法(K‑means)结合针对工业设备的无标签数据的处理,对无标签数据进行自动分类设置标签,提高了模型对无标签数据的适应能力,结合了CNN对时序数据特征挖掘能力以及Transform可以学习与时间长度无关的时序数据的能力,时域频域双通道解决了单个域对预测结果的限制,提高了模型对港口故障数据故障诊断的准确性。
Description
技术领域
本发明属于故障检测领域,具体涉及一种港口起重装备故障诊断方法及系统。
背景技术
现代工业生产对生产节奏要求非常紧密,对于港口起重机械,一旦机械设备出现故障,就将扰乱生产流程,造成巨大经济损失甚至是人员伤亡;如今大规模生产更加依赖于高可靠性的生产加工设备,机械的故障诊断成为一门日新月异的工程技术。
为了进一步提高大型装卸设备的安全性以及可靠性。需要在我国对现代化的港口机械设备进行严格的要求,降低损失,加强设备的维护和管理,能够实现设备的实时监测,完善设备的维修管理体系,提高设备的应用质量,促使工业化发展速度提升。港口门座式起重机电气故障不仅影响到了起重机的使用,也会给作业人员带来一定的安全隐患。振动监测是一项相对于复杂的工作,需要利用多种不同的学科知识。以广义的角度分析振动监测工作的时,其融入了信号加工与处理、误差理论控制、工程机械原理等学科的内容。机械在运行的过程中通过振动能够提供给检测人员相关的信息,但是并不是机械振动过程中的每一种信息都是积极的信息,及时地对所有信息进行采集,能敏感地发现机械在运行过程中存在的问题,及时进行问题的解决,能够提高振动监测系统的使用质量。当前常用的振动监测系统种类主要包括了以下几种:第一,计算机在线监测系统。使用计算机在线监测系统时,除了常用的振动传感器之外,还包括了其他种类的传感器以及检测仪表,能够实现计算机的在线数据处理、诊断以及分析。多数情况下,计算机在线监测系统适用于测量多参数、多测点的机械运动,能够实时进行参数越限报警,也可以对故障原因进行判别。第二,离线周期性监测系统。离线周期性监测系统是非在线监测,能够定期对所有的设备运行状态进行数据的分析以及采样,并且对设备的状态进行初步判断,把所有问题的设备用更加密切地监测方式和更为精细的手段进行检测,确定机械运动中存在哪些问题。目前故障缺陷的检测算法主要集中在传统的利用时域频域信号作为信号输入特征,再利用机器学习或者深度学习方法进行分类,准确率较高。但是,在工业生产中,由于源域数据和目标域数据分布有差异且有标签的故障数据量较少,以至于以往所提出的域适应轴承故障诊断算法精度普遍不高。
目前故障缺陷的检测算法消耗的时间比较长,模型收敛速度太慢。针对于时间序列数据的深度学习模型大多与具有循环结构的递归神经网络相结合,具有循环结构的网络必须从前到后进行计算。随着序列长度的增加,它们的计算时间显著增加,而梯度的消失使得模型更难学习长期依赖关系。大多数的模型仅从单个域中提取信息,而工业起重机温振信号往往存在复杂的情况,单个域可能会造成信息的确实,影响模型预测结果。
发明内容
基于上述问题,本申请采用一种提取更全面、更丰富的信号特征,从而提供更多的信息给模型,模型的性能和鲁棒性更好。其技术方案为:
一种港口起重装备故障诊断方法,包括以下步骤:
S1.对港口起重机的起升机构、闭合机构、回转机构和变幅机构安装相应的温度传感器与温振一体式传感器进行温振数据采集,构建振动故障数据集T1、温度故障数据集T2;
S2.对T1、T2分别进行归一化处理得到T3、T4;T3、T4作为T-SNE算法的输入,从而确定K-means的聚类分布K值,利用K-means计算样本T3、T4所属新类别,经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变化获得对应的频域数据集
S3.构建双通道的CNN-Transform网络模型,其中每个通道都包括卷积神经网络与Transform编码器模块,卷积神经网络之后连接Transform的编码器模块,针对Tz、与Tw、/>分别进行相同学习过程训练出振动预测模型与温度预测模型;首先卷积神经网络对输入Tz、/>和Tw、/>进行初步学习输出Pcn1、Pcn2,编码器模块对于卷积神经网络的输出进一步学习输出X1、X2,时域通道编码器模块输出的X1与频域通道编码器模块输出的X2经过融合层加权求和获得融合层输出Ycon;
S4.Ycon输入给编码器模块进一步学习输出Y′con,最后输入到全连接层,全连接层应用归一化指数函数SoftMax进行故障诊断。
优选的,将T1、T2中的时序数据分别进行min-max归一化处理得到T3、T4,作为T-SNE算法的输入。
优选的,通过T-SNE算法将T3、T4压缩到二维,通过plot制图可视化观查分类情况确定无监督学习的K值。
优选的,对于T3、T4中任意数据分别进行以下处理,计算其所属新类别:
ci=arg min||xi-μa||2a=1,2,3,...,K (5);
其中ci为T3或T4中的数据类别,μa为数据类别的质心,对于每个类别,重新计算其质心位置:
其中m为T3或T4数据总数量,xi为T3或T4中的数据,重复(5)-(6)直到收敛或达到终止条件,停止聚类输出标签;
损失函数J(c,μ)为,
为每个类别的质心,损失函数通过计算每个数据与所有类别质心的欧氏距离将数据分类到欧氏距离最小的类别中,T3、T4经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变换FFT获得对应的频域数据集/>FFT可以表示为:
其中xo是Tz或Tw中的任一时域信号,是xo经过快速傅里叶变换后的频域信号,λ表示频率,if表示复数;dtf表示对每一时刻tf求积分,时域、频域通道的输入分别表示为xo、
Tz、分别作为振动故障模型的时域、频域通道输入数据集,Tw、/>分别作为温度故障模型的时域、频域通道输入数据集。
优选的,卷积神经网络包括64*1卷积层和3*1卷积层,64*1卷积层和3*1卷积层均与一个BN层融合,之后连接RLlu激活函数层和最大池化层;卷积运算Ycn如下:
Ycn=f(X*Wcn+bcn) (9);
其中cn为卷积滤波器个数,Wcn为第cn个滤波器核的权值矩阵,bcn为滤波器核偏置,f为激活函数如Relu;X为表示为时域、频域通道的输入xo和
最大池化层对于特征映射某个子区域将内所有神经元最大的活性值作为当前区域的概括Pcn,计算如下:
其中为池化的尺度矩阵,Mp、Np为S的维数,其中时间嵌入层输出Pcn1,频率嵌入层输出Pcn2。
优选的,Transforn编码器模块对于卷积神经网络层输出的信息进行位置编码,将位置关系添加到输入序列数据中,在编码器模块中,输入Pcn嵌入后,输入表示为使用正弦和余弦函数进行位置编码,可以表示为:
其中dmodel为中各向量的维度,post,2l表示偶数维度上进行位置编码,post,2l+1表示奇数维度上进行位置编码,pos表示将所有维度上的数据添加位置信息,t为时间位置序列号,l为维数纬度位置,/>为位置编码后的输入;
位置编码后的信号输入到多头注意力层,模型通过对每个位置施加不同的权重来从输入序列中获取重要信息。
优选的,Transform编码器模块中每个自注意力过程称为一个头,每个头都会产生一个输出向量,这些向量最后在经过线性层之前被拼接为一个向量,
其中和/>为在多头注意力层上执行不同的线性投影以改变查询向量qh,键向量kh和值向量vh的值,AtttH为第H层的注意力层的输出,最后经过线性投影Wo将这些输出进行连接转换,生成多头注意力层最后的输出/>经过残差连接和层归一化输出XM。
优选的,多头注意力机制经过concat融合后输入到前馈网络层FFN,FFN由一个整改线性单元ReLU激活函数和两个线性变换组成;
FFN(XM)=XF=ReLU(0,XMW1+b1)W2+b2 (14);
其中 表示两层的权重和偏置;dffn是FFN层输出向量的纬度,XF为前馈层的输出,XF经过残差连接和层归一化输出时域、频域通道的输出为X1、X2;
通过对时域、频域信号两个通道的编码器模块输出的信号进行融合,分别计算每个通道中样本的总RMSE误差Ek,通过Ek计算子网权重值,通过计算更新子网权重值得到通道权值,最后输出融合信号,计算公式如下:
其中X1、X2分别为时域通道的输出、频域通道的输出,N为时域通道或频域通道数据总数量,RULri,RULpi分别是信号实际值与预测值,αk1、αk2是时域、频域通道子网权值,Ek1、Ek2是时域、频域通道的误差值,bk1、bk2是融合后时域、频域通道权值,Ycon是融合信号。
优选的,融合特征再次经过编码器模块得到高级融合特征,将特征输入到全连接层,全连接层输出Xfn,利用应用归一化指数函数SoftMax进行故障诊断,SoftMax计算公式如下:
其中Xfn表示第fn个节点的输出值,Q1表示输出节点的个数。
一种港口起重装备故障诊断系统,包括服务器,将本申请所述的故障诊断方法部署到AI服务器上,具体步骤如下:
步骤一、将训练好的pth模型文件,通过onnx模型转换程序转化为离线推理模型onnx模型实现转换om模型的任务,
步骤二、适配国产化边缘AI服务器,将onnx离线推理模型利用atc转换工具转换为om离线推理模型进行推理任务;
步骤三、在边缘AI服务器搭建推理环境;在Ubuntu系统下,下载物联网镜像、数据库镜像、昇腾芯片推理镜像;
搭建相应的物联网、数据库、推理容器,并将物联网与数据库容器桥接到同一网段下,实现数据互通;
步骤四、通过步骤S1传感器采集到的传感器实时数据,记录到数据库中;编写程序接口使模型对数据库数据读取存储,通过对数据库实时数据推理分析,将推理结果存放到数据库推理结果表格中;数据库推理结果表格做为物联网数据源,通过物联网将数据进行实时展示。
与现有技术相比,本申请有益效果如下:
1.基于T-SNE与K-means算法对无标签数据的自动处理,使模型对于工业起重机设备产生的无标签数据适应性强,降低人工标记的主观性与一致性的差异。
2.通过融合时域和频域信息,解决了单个域信息缺失的情况,可以提供更全面、更丰富的信号特征,从而提供更多的信息给模型。提高了模型的性能和鲁棒性,使模型具有更好的区分能力。
3.通过CNN与Transform编码器的结合,CNN首先采用64*1的大卷积核对时序数据提取大的退化特征,第一层后采用3*1的小卷积核提取细化特征。利用Transform的位置信息嵌入,可以学习与时间长度无关的时序特征。解决了传统循环神经网络(RNN)网络例如长短期记忆网络(LSTM)、门控循环单元(GRU)等递归神经网络对长时间序列数据学习的困难性以及梯度爆炸等问题,使得模型可以学习与时间序列长度无关的时序数据。
附图说明
图1为本申请双通道系统故障诊断流程图。
图2为无标签数据分类流程图。
图3为双通道CNN-Transform模型架构图。
图4为边缘AI推理平台部署架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明双通道CNN-Transform网络针对港口起重机械产生的无标签数据的故障诊断,首先设计了温振一体传感器与温度传感器的安装点位,针对港口起重机的起升机构、闭合机构、回转机构和变幅机构安装相应的温度传感器与温振一体式传感器来对每个机构的温振数据进行采集检测,采集的数据传入模型进行训练。起升机构选择了温振一体传感器与温度传感器两种传感器进行数据采集,在起升机构的电机处、减速箱输入级、减速箱中间级和减速箱输出级安装温振一体传感器采集对应部位的振动信号,减速箱温度部位安装温度传感器,同样闭合机构选择了温振一体传感器与温度传感器两种传感器进行数据采集,在闭合机构按照起升机构的方式安装传感器;在闭合机构的电机处、减速箱输入级、减速箱中间级和减速箱输出级安装温振一体传感器采集对应部位的振动信号,减速箱温度部位安装温度传感器;回转机构只选用温振一体传感器对数据进行采集,在回转机构右的电机、减速箱处安装温振一体传感器;在回转机构左的电机、减速箱处安装温振一体传感器;变幅机构选择了温振一体传感器与温度传感器两种传感器进行数据采集;在变幅机构的电机、减速箱输入级、减速箱中间级、减速箱输出级安装温振一体传感器;在减速箱温度部位安装温度传感器。设置秒级采样,每个采样样本之间时间间隔为1秒。
一种港口起重装备故障诊断方法,包括以下步骤:
S1.对港口起重机的起升机构、闭合机构、回转机构和变幅机构安装相应的温度传感器与温振一体式传感器进行温振数据采集,构建振动故障数据集T1、温度故障数据集T2;
S2.对T1、T2分别进行min-max归一化处理得到T3、T4;T3、T4作为T-SNE算法的输入,从而确定K-means的聚类分布K值,利用K-means计算样本T3、T4所属新类别,T3、T4经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变化获得对应的频域数据集和/>
(1)T-SNE的原理是将数据间的欧几里得距离转换为条件概率来表达点之间的相似度,以下对T3、T4分别进行相同处理,概率公式pj|i为
其中xi、xj为T3或T4中任意两个数据,参数σi是高斯分布方差,分母项是用于归一化相似度的求和项,目的是确保相似度的总和为1,该项的计算涉及到所有数据对之间的相似度,||xi-xj||2表示数据之间的欧氏距离的平方。
对于低纬度下的,可以指定高斯分布方差为设置T3、T4降维后的数据集为T5、T6,相似度公式为qj|i:
同样zi、zj为T5和T6中任意两个数据,如果降维效果好,局部特征保留完整,那么pi|j=qi|j。
对此优化两个分布之间的KL散度,目标函数为:
其中P是高维空间中各个数据点的联合概率分布,Qo是低维空间下的联合概率分布,对于任意的数据点,设置pi|j=pj|i,qi|j=qj|i。
通过T-SNE算法对于数据降维可视化,根据可视化图片的聚类情况设置合适的K值,增大距离质心比较远的数据的选取率。
(2)K-Means算法模型如下:
对于T3、T4中任意数据分别进行以下相同处理,计算其所属新类别:
ci=arg min||xi-μa||2a=1,2,3,...,K (5);
其中ci为T3或T4中的数据类别,μa为数据类别的质心,对于每个类别,重新计算其质心位置:
其中m为数据总数量,xi为T3或T4中的数据,重复上面两步布直到收敛或达到终止条件,停止聚类输出标签。
损失函数J(c,μ)为:
为每个类别的质心,损失函数通过计算每个数据与所有类别质心的欧氏距离将数据分类到欧氏距离最小的类别中,T3、T4经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变换FFT获得对应的频域数据集/>FFT可以表示为:
xo其中是Tz或Tw中的任一时域信号,是xo经过快速傅里叶变换后的频域信号,λ表示频率,if表示复数,dtf表示对每一时刻tf求积分,时域、频域通道的输入分别表示为xo、
Tz和分别作为振动故障模型的时域、频域通道输入数据集,Tw和/>分别作为温度故障模型的时域、频域通道输入数据集。无标签分类的流程如2所示。
S3.构建双通道的CNN-Transform网络学习数据中的退化特征,针对Tz、与Tw、/>分别进行相同学习过程训练出振动预测模型与温度预测模型,其中每个通道都包括卷积神经网络与Transform编码器模块,卷积神经网络之后连接Transform的编码器模块,首先卷积神经网络对输入Tz、/>或Tw、/>进行初步学习输出Pcn1、Pcn2,编码器模块对于卷积神经网络的输出进一步学习输出X1、X2,时域、频域两个通道的编码器模块输出的X1、X2到融合层concat对时域、频域进行加权求和获得Ycon;卷积神经网络包括64*1卷积层和3*1卷积层,64*1卷积层和3*1卷积层均与一个BN层融合,之后连接RLlu激活函数层和最大池化层;卷积运算Ycn如下:
Ycn=f(X*Wcn+bcn) (9);
其中cn为卷积滤波器个数,Wcn为第cn个滤波器核的权值矩阵,bcn为滤波器核偏置,f为激活函数如Relu;X为表示为时域、频域通道的输入xo和
BN层的具体操作是对每个批量的输入数据进行归一化处理。其步骤如下:1.对每个输入数据通道进行统计,计算出均值和方差。2.使用计算得到的均值和方差对输入数据进行归一化,使其均值为0,方差为1。3.引入可学习的缩放因子和偏移量参数,将归一化后的数据重新缩放和平移,以保留网络学习到的适当偏移和缩放。
池化层也被称为下采样层,对卷积层输出信息进行特征筛选,减少参数数量,增大深度网络的卷积核感受野,使提取的特征更加全面有效,提高模型的泛化性。
最大池化层,对于特征映射某个子区域将内所有神经元最大的活性值作为当前区域的概括Pcn,计算如下:
其中为池化的尺度矩阵,Mp、Np为S的维数,其中时间嵌入层输出Pcn1,频率嵌入层输出Pcn2。
将池化层输出Pcn作为时域、频域数据的初步退化特征。
Transformer没有任何卷积操作或循环结构,仅依赖于自注意和位置编码,模型采用的Transform编码器模块,对于卷积神经网络层输出的信息进行位置编码,将位置关系添加到输入序列数据中。在编码器模块中,输入Pcn嵌入后,输入表示为使用正弦和余弦函数进行位置编码,可以表示为:
其中dmodel为和各向量的维度,post,2l表示偶数维度上进行位置编码,post,2l+1表示奇数维度上进行位置编码,pos表示将所有维度上的数据添加位置信息,t为时间位置序列号,l为维数纬度位置,/>为位置编码后的输入。
位置编码后的信号输入到多头注意力层,模型通过对每个位置施加不同的权重来从输入序列中获取重要信息。
位置编码后的信号输入到多头注意力层,模型通过对每个位置施加不同的权重来从输入序列中获取重要信息。Q、K、V分别代表的是查询、键、值,为了实现自注意力机制,模型将输入分别送入三个不同的全连接层,以创建查询向量,键向量和值向量。查询向量和值向量通过点积矩阵乘法形成一个值向量,其中矩阵每个数字就是一个信息与其他信息对应的分数,数字越高也就代表关注度越高。这就解释了查询是如何映射到键的。为了使得计算成为多头注意力机制,首先要把查询、键、值向量分成N个向量,分割后的向量然后经过相同的自注意力过程。每个自注意力过程称为一个头,每个头都会产生一个输出向量,这些向量最后在经过线性层之前被拼接为一个向量。理论上每个头都会学到不同的东西,这就为编码器模型提供了更好的表达能力。相关公式如下:
其中为在多头注意力层上执行不同的线性投影以改变查询向量qh,键向量kh和值向量vh的值,AtttH为第H层的注意力层的输出,最后经过线性投影Wo将这些输出进行连接转换,生成多头注意力层最后的输出/>经过残差连接和层归一化输出XM。
多头注意力机制经过concat融合后输入到前馈网络层(FFN),该FFN由一个整改线性单元(ReLU)激活函数和两个线性变换组成。
FFN(XM)=XF=ReLU(0,XMW1+b1)W2+b2(14);
其中 表示两层的权重和偏置;dffn是FFN层输出向量的纬度,XF为前馈层的输出,XF经过残差连接和层归一化输出时域频域通道的输出为X1、X2。
S4.融合退化特征输入给编码器模块进一步提取高级融合特征,最后输入到全连接层,全连接层应用归一化指数函数SoftMax进行故障诊断。
通过对时域、频域信号两个通道的编码器模块输出的信号进行融合,分别计算每个通道中样本的总RMSE误差Ek,通过Ek计算子网权重值,通过计算更新子网权重值得到通道权值,最后输出融合信号,计算公式如下:
其中X1、X2分别为时域通道的输出,频域通道的输出,N为时域通道或频域通道数据总数量,RULri、RULpi分别是信号实际值与预测值,αk1、αk2是时频域通道子网权值,Ek1、Ek2是时域频域通道的RMSE误差值,bk1、bk2是融合后时频域通道权值,Ycon是融合信号。
Ycon再次经过编码器模块得到Y′con,将特征输入到全连接层输出Xfn。最后,应用归一化指数函数(SoftMax)进行故障诊断。SoftMax计算公式如下:
其中Xfn表示fn第个节点的输出值,Q1表示输出节点的个数。
模型训练:
对于传感器采集到的振动、温度数据分别训练振动故障模型、温度故障模型。针对Tz或Tw中数据通道数设置模型输入输出通道数。模型训练的过程采用了批量梯度下降的方式进行优化。首先,将模型设置为训练模式,然后,通过循环来迭代训练多个轮次。在每个轮次中,首先初始化损失函数为0,然后计算当前轮次中的批次数量,即训练集中样本的个数除以批次大小。接下来,在每个批次中,通过循环来遍历所有的批次。在每个批次中,从训练集中取出一个批次的数据和对应的标签,其中数据的形状是(batch_size,window_size,features),batch_label的形状是(batch_size,1)。然后,将数据和标签转换成张量,并将其放入设备(如GPU)中进行加速计算。具体地,将优化器的梯度置零,然后通过模型进行前向计算,得到输出。之后,使用损失函数来计算预测值和真实值之间的损失值loss。然后,通过反向求导来计算梯度更新权值,并调用Adam优化器来更新模型的参数。评价指标选择的是MSE损失函数是常用的回归问题中的损失函数,用于衡量模型预测值与真实值之间的差异。它计算预测值与真实值之间差的平方的平均值。MSE损失函数的数学表达式如下:
其中,y_pred是模型的预测值,y_true是真实值,Nmse是模型预测数据总数量,∑表示对所有样本求和。训练好的模型输出数据的标签,对应到每个传感器的预测情况。
模型测试:首先,将模型设置为评估模式,这样可以确保在测试过程中不会进行梯度计算和参数更新。然后,定义一个变量来保存所有样本的累计损失,初始化为0。使用上下文管理器来禁止梯度计算,这样可以减少内存的使用并加快计算速度。对于测试集的每一个样本,首先从测试集中获取输入数据和标签。将输入数据转换为张量类型,以适应模型的输入要求。将输入数据传递给模型,得到模型的输出。使用步骤4中的MSE损失函数计算模型输出和标签之间的损失。将当前样本的损失累加到变量中。循环遍历完所有的测试样本后,计算平均损失,即将总变量值除以测试集样本的数量。最后,函数返回测试集上的平均损失。平均损失越低,代表模型在测试集上的性能越好。
边缘AI服务器部署:
基于上述模型架构训练出的模型,部署到国产化边缘AI服务器已完成模型推理工作。执行离线推理需要获得离线推理om模型,首先将训练好的pth模型文件,通过onnx模型转换程序转化为离线推理模型onnx模型实现转换om模型的任务,因为pth模型文件不能直接转换为om文件,需要先转为中间过渡的onnx文件,其次适配国产化边缘AI服务器,将onnx离线推理模型利用atc转换工具转换为om离线推理模型进行推理任务。其次,在边缘AI服务器搭建推理环境。在Ubuntu系统下,下载物联网镜像,数据库镜像,昇腾芯片推理镜像。搭建相应的物联网,数据库,推理容器。并将物联网与数据库容器桥接到同一网段下,实现数据互通。通过步骤S1传感器采集到的传感器实时数据,记录到数据库中。编写程序接口使模型对数据库数据读取存储,通过对数据库实时数据推理分析,将推理结果存放到数据库推理结果表格中。数据库推理结果表格做为物联网数据源,通过物联网将数据进行实时展示。下面是部署边缘AI推理平台整体架构图4。
上述依据本发明为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种港口起重装备故障诊断方法,其特征在于,包括以下步骤:
S1.对港口起重机的起升机构、闭合机构、回转机构和变幅机构安装相应的温度传感器与温振一体式传感器进行温振数据采集,构建振动故障数据集T1、温度故障数据集T2;
S2.对T1、T2分别进行归一化处理得到T3、T4;T3、T4作为T-SNE算法的输入,从而确定K-means的聚类分布K值,利用K-means计算样本T3、T4所属新类别,经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变化获得对应的频域数据集
S3.构建双通道的CNN-Transform网络模型,其中每个通道都包括卷积神经网络与Transform编码器模块,卷积神经网络之后连接Transform的编码器模块,针对Tz、与Tw、分别进行相同学习过程训练出振动预测模型与温度预测模型,首先卷积神经网络对输入Tz、/>和Tw、/>进行初步学习输出Pcn1、Pcn2,编码器模块对于卷积神经网络的输出进一步学习输出X1、X2,时域通道编码器模块输出的X1与频域通道编码器模块输出的X2经过融合层加权求和获得融合层输出Ycon;
S4.Ycon输入给编码器模块进一步学习输出Y′con,最后输入到全连接层,全连接层应用归一化指数函数SoftMax进行故障诊断。
2.根据权利要求1所述的一种港口起重装备故障诊断方法,其特征在于,步骤S2中,将T1、T2中的时序数据分别进行min-max归一化处理得到T3、T4,作为T-SNE算法的输入。
3.根据权利要求1所述的一种港口起重装备故障诊断方法,其特征在于,通过T-SNE算法将T3、T4压缩到二维,通过plot制图可视化观查分类情况确定无监督学习的K值。
4.根据权利要求1所述的一种港口起重装备故障诊断方法,其特征在于,对于T3、T4中任意数据分别进行以下处理,计算其所属新类别:
其中ci为T3或T4中的数据类别,μa为数据类别的质心,对于每个类别,重新计算其质心位置:
其中m为T3或T4数据总数量,xi为T3或T4中的数据,重复(5)-(6)直到收敛或达到终止条件,停止聚类输出标签;
损失函数J(c,μ)为,
为每个类别的质心,损失函数通过计算每个数据与所有类别质心的欧氏距离将数据分类到欧氏距离最小的类别中,T3、T4经过无监督学习分类获得带有标签的时域数据集Tz、Tw,采用快速傅里叶变换FFT获得对应的频域数据集/>FFT表示为:
其中xO是Tz或Tw中的任一时域信号,是xo经过快速傅里叶变换后的频域信号,λ表示频率,if表示复数;dtf表示对每一时刻tf求积分,时域、频域通道的输入分别表示为xo、/>
Tz、分别作为振动故障模型的时域、频域通道输入数据集,Tw、/>分别作为温度故障模型的时域、频域通道输入数据集。
5.根据权利要求1所述的一种港口起重装备故障诊断方法,其特征在于,卷积神经网络包括64*1卷积层和3*1卷积层,64*1卷积层和3*1卷积层均与一个BN层融合,之后连接RLlu激活函数层和最大池化层;卷积运算Ycn如下:
Ycn=f(X*Wcn+bcn) (9);
其中cn为卷积滤波器个数,Wcn为第cn个滤波器核的权值矩阵,bcn为滤波器核偏置,f为激活函数;X为表示为时域、频域通道的输入xO和
最大池化层对于特征映射某个子区域将内所有神经元最大的活性值作为当前区域的概括Pcn,计算如下:
其中为池化的尺度矩阵,Mp、Np为S的维数,其中时间嵌入层输出Pcn1,频率嵌入层输出Pcn2。
6.根据权利要求5所述的一种港口起重装备故障诊断方法,其特征在于,Transform编码器模块对于卷积神经网络层输出的信息进行位置编码,将位置关系添加到输入序列数据中,在编码器模块中,输入Pcn嵌入后,输入表示为使用正弦和余弦函数进行位置编码,表示为:
其中dmodel为中各向量的维度,post,2l表示偶数维度上进行位置编码,post,2l+1表示奇数维度上进行位置编码,pos表示将所有维度上的数据添加位置信息,t为时间位置序列号,l为维数纬度位置,/>为位置编码后的输入;
位置编码后的信号输入到多头注意力层,模型通过对每个位置施加不同的权重来从输入序列中获取重要信息。
7.根据权利要求6所述的一种港口起重装备故障诊断方法,其特征在于,Transform编码器模块中每个自注意力过程称为一个头,每个头都会产生一个输出向量,这些向量最后在经过线性层之前被拼接为一个向量,
其中和/>为在多头注意力层上执行不同的线性投影以改变查询向量qh,键向量kh和值向量vh的值,AtttH为第H层的注意力层的输出,最后经过线性投影Wo将这些输出进行连接转换,生成多头注意力层最后的输出/>经过残差连接和层归一化输出XM。
8.根据权利要求7所述的一种港口起重装备故障诊断方法,其特征在于,多头注意力机制经过concat融合后输入到前馈网络层FFN,FFN由一个整改线性单元ReLU激活函数和两个线性变换组成;
FFN(XM)=XF=ReLU(0,XMW1+b1)W2+b2 (14);
其中 表示两层的权重和偏置;dffn是FFN层输出向量的纬度,XF为前馈层的输出,XF经过残差连接和层归一化输出时域、频域通道的输出为X1、X2;
通过对时域、频域信号两个通道的编码器模块输出的信号进行融合,分别计算每个通道中样本的总RMSE误差Ek,通过Ek计算子网权重值,通过计算更新子网权重值得到通道权值,最后输出融合信号,计算公式如下:
其中X1、X2分别为时域通道的输出、频域通道的输出,N为时域通道或频域通道数据总数量,RULri,RULpi分别是信号实际值与预测值,αk1、αk2是时域、频域通道子网权值,Ek1、Ek2是时域、频域通道的误差值,bk1、bk2是融合后时域、频域通道权值,Ycon是融合信号。
9.根据权利要求7所述的一种港口起重装备故障诊断方法,其特征在于,融合特征再次经过编码器模块得到高级融合特征,将特征输入到全连接层,全连接层输出Xfn,利用应用归一化指数函数SoftMax进行故障诊断,SoftMax计算公式如下:
其中Xfn表示第fn个节点的输出值,Q1表示输出节点的个数。
10.一种港口起重装备故障诊断系统,其特征在于,包括服务器,将权利要求1-9任一项所述的故障诊断方法部署到AI服务器上,具体步骤如下:
步骤一、将训练好的pth模型文件,通过onnx模型转换程序转化为离线推理模型onnx模型实现转换om模型的任务;
步骤二、适配国产化边缘AI服务器,将onnx离线推理模型利用atc转换工具转换为om离线推理模型进行推理任务;
步骤三、在边缘AI服务器搭建推理环境;在Ubuntu系统下,下载物联网镜像、数据库镜像、昇腾芯片推理镜像;
搭建相应的物联网、数据库、推理容器,并将物联网与数据库容器桥接到同一网段下,实现数据互通;
步骤四、通过步骤S1传感器采集到的传感器实时数据,记录到数据库中;编写程序接口使模型对数据库数据读取存储,通过对数据库实时数据推理分析,将推理结果存放到数据库推理结果表格中;数据库推理结果表格做为物联网数据源,通过物联网将数据进行实时展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137760.0A CN117668670B (zh) | 2024-02-01 | 2024-02-01 | 一种港口起重装备故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137760.0A CN117668670B (zh) | 2024-02-01 | 2024-02-01 | 一种港口起重装备故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668670A CN117668670A (zh) | 2024-03-08 |
CN117668670B true CN117668670B (zh) | 2024-05-10 |
Family
ID=90086594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410137760.0A Active CN117668670B (zh) | 2024-02-01 | 2024-02-01 | 一种港口起重装备故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668670B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102471201B1 (ko) * | 2021-11-01 | 2022-11-25 | (주)위세아이텍 | 비지도학습기반 시계열 데이터의 이상치 탐지 및 자동 임계점 시스템 |
CN115600150A (zh) * | 2022-09-26 | 2023-01-13 | 郑州大学(Cn) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 |
CN116011507A (zh) * | 2022-12-06 | 2023-04-25 | 东北林业大学 | 融合元学习与图神经网络的稀有故障诊断方法 |
CN116383737A (zh) * | 2023-06-05 | 2023-07-04 | 四川大学 | 基于聚类对比学习的旋转机械故障诊断方法及系统 |
CN117034003A (zh) * | 2023-06-30 | 2023-11-10 | 西安交通大学 | 航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质 |
CN117347053A (zh) * | 2023-09-27 | 2024-01-05 | 上海交通大学 | 稀缺样本下的隧道掘进机主轴承故障诊断方法及系统 |
CN117347052A (zh) * | 2023-07-11 | 2024-01-05 | 青岛理工大学 | 一种基于多尺度多源域自适应轴承故障诊断方法 |
CN117421667A (zh) * | 2023-10-30 | 2024-01-19 | 重庆邮电大学 | 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法 |
-
2024
- 2024-02-01 CN CN202410137760.0A patent/CN117668670B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102471201B1 (ko) * | 2021-11-01 | 2022-11-25 | (주)위세아이텍 | 비지도학습기반 시계열 데이터의 이상치 탐지 및 자동 임계점 시스템 |
CN115600150A (zh) * | 2022-09-26 | 2023-01-13 | 郑州大学(Cn) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 |
CN116011507A (zh) * | 2022-12-06 | 2023-04-25 | 东北林业大学 | 融合元学习与图神经网络的稀有故障诊断方法 |
CN116383737A (zh) * | 2023-06-05 | 2023-07-04 | 四川大学 | 基于聚类对比学习的旋转机械故障诊断方法及系统 |
CN117034003A (zh) * | 2023-06-30 | 2023-11-10 | 西安交通大学 | 航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质 |
CN117347052A (zh) * | 2023-07-11 | 2024-01-05 | 青岛理工大学 | 一种基于多尺度多源域自适应轴承故障诊断方法 |
CN117347053A (zh) * | 2023-09-27 | 2024-01-05 | 上海交通大学 | 稀缺样本下的隧道掘进机主轴承故障诊断方法及系统 |
CN117421667A (zh) * | 2023-10-30 | 2024-01-19 | 重庆邮电大学 | 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Unsupervised Machine Learning Via Transfer Learning and k-Means Clustering to Classify Materials Image Data;Ryan Cohn .etal;Integrating Materials and Manufacturing Innovation;20210408;第10卷;全文 * |
基于卷积神经网络的机械故障诊断方法综述;吴定海 等;机械强度;20200930(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117668670A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks | |
Chen et al. | Unsupervised anomaly detection of industrial robots using sliding-window convolutional variational autoencoder | |
Mohd Amiruddin et al. | Neural network applications in fault diagnosis and detection: an overview of implementations in engineering-related systems | |
Zan et al. | Control chart pattern recognition using the convolutional neural network | |
Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
Chen et al. | Time series data for equipment reliability analysis with deep learning | |
Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
CN112101431A (zh) | 电子设备故障诊断系统 | |
Yang | Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks | |
Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
Maniak et al. | Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
Li et al. | Partial domain adaptation in remaining useful life prediction with incomplete target data | |
Lu et al. | Rotating Machinery Fault Diagnosis Under Multiple Working Conditions via A Time Series Transformer Enhanced by Convolutional Neural Network | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
Yu et al. | Deep unLSTM network: Features with memory information extracted from unlabeled data and their application on industrial unsupervised industrial fault detection | |
Li et al. | Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions | |
WO2022058116A1 (en) | Explaining machine learning output in industrial applications | |
CN117668670B (zh) | 一种港口起重装备故障诊断方法及系统 | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN114880930B (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
CN115034504A (zh) | 基于云边协同训练的刀具磨损状态预测系统及方法 | |
Chaleshtori | Data fusion techniques for fault diagnosis of industrial machines: a survey |
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 |