CN117909816A - 一种旋转机械设备跨工况故障程度识别方法及系统 - Google Patents
一种旋转机械设备跨工况故障程度识别方法及系统 Download PDFInfo
- Publication number
- CN117909816A CN117909816A CN202311844099.9A CN202311844099A CN117909816A CN 117909816 A CN117909816 A CN 117909816A CN 202311844099 A CN202311844099 A CN 202311844099A CN 117909816 A CN117909816 A CN 117909816A
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- data
- domain
- degree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015556 catabolic process Effects 0.000 claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013508 migration Methods 0.000 claims abstract description 18
- 230000005012 migration Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000011176 pooling Methods 0.000 claims description 32
- 238000013526 transfer learning Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 23
- 235000014653 Carica parviflora Nutrition 0.000 claims description 17
- 241000243321 Cnidaria Species 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling 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
- 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
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种旋转机械设备跨工况故障程度识别方法及系统,包括以下步骤:S1采集旋转机械设备完整寿命周期的全部振动数据样本,形成数据集,并将该旋转机械设备作为源域设备,将待检测的旋转机械设备作为目标域设备;S2基于常用时域性能退化指标和主成分分析方法,处理数据集中的振动数据样本,获得各个振动数据样本的设备性能退化指标。该旋转机械设备跨工况故障程度识别方法及系统,设置迁移学习网络模型,以源域设备数据、目标域设备数据进行组合训练,采用迁移学习中的域自适应方法度量源域和目标域特征的分布差异,避免直接使用性能退化指标识别故障程度时幅值不统一的问题,还能适用于变工况环境下,实现了故障程度的自动识别。
Description
技术领域
本发明涉及旋转机械设备监测技术领域,尤其涉及一种旋转机械设备跨工况故障程度识别方法及系统。
背景技术
随着工业设备正朝着智能化、精度化和复杂化方向发展,在发展过程中,设备的故障与健康管理极为困难。而轴承作为船舶、航空航天领域中重要的关键旋转设备,其产生故障后,将影响到整个机械设备的安全性,对轴承运行状态中故障程度的识别并提前预防,能有效防止轴承的故障程度进一步加重,提高整个机械设备的运行安全性。
旋转机械故障程度识别方法大致有三种,第一种是基于专家经验的频谱识别,原理是不同故障程度的振动信号在频谱上的分布具有差异化,通过观察频谱的差异化分布实现故障程度识别,但这需要现场工作人员具备一定的信号分析能力。第二种是基于性能退化指标的检测,主要是建立能反映设备运行状态的指标,然后设置不同的阈值实现故障程度自适应识别,但是这种方式容易产生幅值混叠现象,即不同设备的相同故障程度会具有不同的指标幅值。第三种是基于人工智能算法的自适应识别,即首先训练一个可以识别故障的模型,然后将其运用于现有设备故障的识别。可以同时避免专家经验的需求以及幅值混叠。因此目前较多的故障识别研究主要聚焦在使用人工智能算法进行自动识别旋转机械设备故障程度。
但是,基于人工智能算法进行的故障预测与健康管理研究主要聚焦在故障类型诊断及寿命预测方向,对故障程度识别的研究还较少。此外,目前故障程度识别很大一部分研究的是同工况下故障程度识别,而不同工况下设备退化特征分布差异较大,因此很难将在一类工况下训练的深度学习模型应用于另一工况下。
发明内容
有鉴于此,本发明提出了一种旋转机械设备跨工况故障程度识别方法及系统,充分考虑不同工况下设备故障程度特征的分布差异,结合域自适应方法提供一种迁移学习网络模型用于消除此差异并自动识别运行设备的故障程度,从而实现旋转设备的跨工况故障程度识别。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种旋转机械设备跨工况故障程度识别方法,包括以下步骤:
S1采集旋转机械设备完整寿命周期的全部振动数据样本,形成数据集,并将该旋转机械设备作为源域设备,将待检测的旋转机械设备作为目标域设备;
S2基于常用时域性能退化指标和主成分分析方法,处理数据集中的振动数据样本,获得各个振动数据样本的设备性能退化指标;
S3根据设备性能退化指标,设定故障程度,并对源域设备数据集中的振动数据样本进行故障程度划分,获得训练集,所述故障程度包括正常无故障状态、轻度故障状态和重度故障状态;
S4基于残差通道注意力和域自适应方法建立迁移学习网络模型;
S5获取目标域设备的局部振动数据,通过局部振动数据与训练集,对迁移学习网络模型进行训练;
S6实时监测目标域设备的振动情况,得到实时监测数据,将实时监测数据输入训练后的迁移学习网络模型,由迁移学习网络模型输出目标域设备当前故障程度。
在以上技术方案的基础上,优选的,所述振动数据样本包括若干个数据点,所述常用时域性能退化指标,包括振动数据样本中数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值。
进一步优选的,所述步骤S2包括以下子步骤:
S21将单个振动数据样本的全部数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值组成矩阵X,并对矩阵X中的每一行进行零均值化处理;
S22计算零均值化处理后矩阵X的协方差矩阵C;
S23计算协方差矩阵C的特征值和相应的特征向量;
S24按协方差矩阵C的特征值大小,将相应的特征向量排列为矩阵W;
S25选择矩阵W中的第一行作为主成分,并将矩阵X与主成分作乘积,得到降维后的主成分得分,所述主成分得分为该振动数据样本的设备性能退化指标。
在以上技术方案的基础上,优选的,所述迁移学习网络模型包括依次连接的四个特征提取模块和一个模型优化模块,所述特征提取模块用于进行卷积特征提取与数据降维,所述模型优化模块用于计算源域设备和目标域设备特征分布差异与模型分类损失。
进一步优选的,所述特征提取模块包括第一卷积层、最大池化层、平均池化层、第二卷积层与全连接层,所述第一卷积层用于进行特征提取、线性化处理、最大池化降维和随机神经元丢弃,所述最大池化层与平均池化层用于对第一卷积层输出数据进行降维并融合特征,所述第二卷积层用于对融合特征进行特征提取,所述全连接层用于提取第二卷积层输出数据的特征。
更进一步优选的,所述第一卷积层与第二卷积层均包括ReLU激活函数,所述全连接层包括Sigmoid激活函数。
在以上技术方案的基础上,优选的,所述步骤S5中的对迁移学习网络模型进行训练,包括对迁移学习网络模型通过交叉熵损失函数进行分类损失优化,以及通过CORAL损失函数进行域特征分布损失优化,其中,交叉熵损失函数Cross Entropy公式为:
式中y为真实标签值,为预测的概率值;CORAL损失函数公式为:
式中d为对应神经元个数,Cs、Ct分别为源域和目标域数据的协方差据矩阵,为方阵的Frobenius范数;最终的损失函数L为:
L=0.1*Cross Entropy+CORAL。
在以上技术方案的基础上,优选的,所述步骤S5包括以下子步骤:
S51将训练集输入迁移学习网络模型进行训练;
S52采用交叉熵计算迁移学习网络模型的分类损失;
S53将局部振动数据与训练集共同一并输入迁移学习网络模型进行训练;
S54采用迁移学习中的域自适应方法度量源域设备和目标域设备特征的分布差异。
进一步优选的,所述模型优化模块包括I-Softmax函数、交叉熵函数与CORAL损失函数,所述I-Softmax函数用于计算源域设备特征的概率分布,所述交叉熵函数用于计算源域设备特征的分布损失,所述CORAL损失函数用于度量源域设备和目标域设备特征的分布差异。
另一方面,本发明提供了一种旋转机械设备跨工况故障程度识别系统,嵌入了上述的识别方法。
本发明的一种旋转机械设备跨工况故障程度识别方法及系统相对于现有技术具有以下有益效果:
(1)通过设置迁移学习网络模型,并以源域设备数据、目标域设备数据进行组合训练,采用迁移学习中的域自适应方法度量源域和目标域特征的分布差异,不仅避免了直接使用性能退化指标识别故障程度时幅值不统一的问题,还能适用于变工况环境下,实现了故障程度的自动识别,同时,迁移学习网络模型结合了残差连接、注意力机制和域自适应等方法,相比于以往深度学习模型具有更高的特征提取能力,进一步使得所提出的故障程度识别方法具有更高的识别精度;
(2)将常用时域指标值设置为均方根值、俏度值、Rényi熵、裕度值和峰-峰值,并将该五种时域指标值组合,然后采用主成分分析方法对这五种指标降维得到最终的设备性能退化指标,同时,针对全部样本的设备性能退化指标,根据实际情况进行故障程度划分,以对模型进行训练时,可准确反映输入数据的故障程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的旋转机械设备跨工况故障程度识别方法的步骤示意图;
图2为现有实验数据集示例图;
图3为本发明的旋转机械设备跨工况故障程度识别方法设备性能退化指标曲线及故障程度划分图;
图4为本发明的旋转机械设备跨工况故障程度识别方法迁移学习网络模型的结构图;
图5为本发明的旋转机械设备跨工况故障程度识别方法跨工况旋转设备故障程度识别结果图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
随着计算机技术的快速发展,设备健康管理正朝着智能化、自动化方向发展。而现有基于人工智能算法进行的故障预测与健康管理研究主要聚焦在故障类型诊断及寿命预测方向,对故障程度识别的研究还较少。此外,目前故障程度识别很大一部分研究的是同工况下故障程度识别,而不同工况下设备退化特征分布差异较大,因此很难将在一类工况下训练的深度学习模型应用于另一工况下。针对变工况下数据分布差异问题,迁移学习是一种很好的解决方案,而目前基于迁移学习的设备故障程度识别研究还较少,并且识别率较低,难以准确识别设备故障程度。
为了解决现有故障程度识别方法的不足,本发明基于性能退化指标和迁移学习网络模型提供了一种故障程度识别方法。主要包括设备性能退化指标建立、源域设备故障程度划分以及目标域设备故障程度识别的迁移学习网络模型。用于解决跨工况下旋转机械设备故障程度识别困难及识别精度低的问题。
如图1-5所示,本发明的旋转机械设备跨工况故障程度识别方法,包括步骤S1-S6。
步骤S1:采集旋转机械设备完整寿命周期的全部振动数据样本,形成数据集,并将该旋转机械设备作为源域设备,将待检测的旋转机械设备作为目标域设备。
其中的振动数据样本为每隔一定时间所采集旋转机械设备的振动数据,单次采集时间可为0.1s,在旋转机械设备完整寿命周期中采集的所有样本均归入一个集合,即为上述数据集。
为了完整的表述本发明方案,将采用现有的实验数据集为例进行说明,如图2所示,采用的实验数据集是由法国FEMTO-ST研究所制作的轴承全周期寿命数据集,数据是在PRONOSTIA实验台上采集,一共包含3种不同工况(转速和负载)下的实验数据集。实验台旋转模块通过将电机产生的旋转传输到轴承,电机功率为250W,额定转速为2830rpm。加载模块用于提供载荷,由一个力执行器产生,可以加载4000N的载荷。测量模块的振动传感器采样频率为25.6kHz,在水平和垂直两个方向进行采集,本发明采用水平方向的振动数据,每0.1s采集2560个数据点,形成一个旋转机械设备的每振动数据样本,10s记录一次。本发明在一个具体的实施例中,选择第1种工况下的轴承1作为源域设备,第2种工况下的轴承作为目标域设备。
步骤S2:基于常用时域性能退化指标和主成分分析方法,处理数据集中的振动数据样本,获得各个振动数据样本的设备性能退化指标。
在振动数据样本中具有若干个数据点,常用时域性能退化指标,包括振动数据样本中数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值。
振动数据样本中数据点的均方根值RMS、俏度值Kurtosis、Rényi熵、裕度值Clarance和峰-峰值P-P的计算公式分别为:
P-P=maX(x)-min(x)
上述公式中,xi为采集样本中的数据点,i为数据点索引,a为非负实数,p为概率值,N为每个样本的数据纵梁。
如图2-3所示,在本步骤中,需要计算所有样本的设备性能退化指标,并按采集时间顺序进行排列,获得一个设备性能退化指标与样本的关系图。
本步骤主要通过主成分分析方法,将五种常用时域性能退化指标进行降维,获得设备性能退化指标,具体包括子步骤S21-S25。
步骤S21:将单个振动数据样本的全部数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值组成矩阵X,并对矩阵X中的每一行进行零均值化处理。
每一个振动数据样本中,都具有一定数量的数据点,例如上述的实验数据集,每0.1s采集2560个数据点,2560个数据点即为单个样本中的数据点。
将数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值组成矩阵X(5*n),其中的n为数据点的个数,然后将矩阵X中的每一行均作零均值化处理。
步骤S22:计算零均值化处理后矩阵X的协方差矩阵C。
本步骤需要求出零均值化处理后矩阵X的协方差矩阵C,计算公式为:
其中,m为特征维数,T为转置。
步骤S23:计算协方差矩阵C的特征值和相应的特征向量。
步骤S24:按协方差矩阵C的特征值大小,将相应的特征向量排列为矩阵W。
具体的,本步骤将得到一个由前k行组成的矩阵W。
步骤S25:选择矩阵W中的第一行作为主成分,并将矩阵X与主成分作乘积,得到降维后的主成分得分,所述主成分得分为该振动数据样本的设备性能退化指标。
将k取值为1,即选择矩阵W中的第一行作为主成分,再将k取值为1的矩阵W与矩阵X相乘,所得到的降维数据即为相应样本的设备性能退化指标。
依照上面的方式,即可获得数据集中,全部样本的设备性能退化指标,进而形成设备性能退化指标与样本的关系图。
步骤S3:根据设备性能退化指标,设定故障程度,并对源域设备数据集中的振动数据样本进行故障程度划分,获得训练集,所述故障程度包括正常无故障状态、轻度故障状态和重度故障状态。
在得到源域设备全寿命周期数据的设备性能退化指标之后,可依据其幅值划分故障程度,主要划分为正常无故障状态、轻度故障状态和重度故障状态。在具体的实施例中,如图3所示,由得到的设备性能退化指标可以看出,源域设备在第1324个样本之前指标变化平稳,并没有上升现象,因此可将在第1324样本之前的运行周期划分为正常无故障状态。在第1324个样本之后,源域设备的性能退化指标便已开始逐步上升,直到第2744个样本,因此可将这一期间划分为轻度故障状态。在第2744个样本之后,源域设备性能退化指标突升,表明此时已经达到重度故障阶段。
依据上述划分方法,实际应用中将设备性能退化指标稳定不上升至开始上升之前划分为正常运行无故障阶段,将性能指标逐步上升至突升阶段划分为轻度故障状态,将性能退化指标突升之后的阶段划分为重度故障状态。
而划分振动数据样本故障程度,通过数据标签进行划分,即通过三种标签,将全部样本,划分为三部分。
步骤S4:基于残差通道注意力和域自适应方法建立迁移学习网络模型。
所述迁移学习网络模型包括依次连接的四个特征提取模块和一个模型优化模块,所述特征提取模块用于进行卷积特征提取与数据降维,所述模型优化模块用于计算源域设备和目标域设备特征分布差异与模型分类损失。
所述特征提取模块包括第一卷积层、最大池化层、平均池化层、第二卷积层与全连接层,所述第一卷积层用于进行特征提取、线性化处理、最大池化降维和随机神经元丢弃,所述最大池化层与平均池化层用于对第一卷积层输出数据进行降维并融合特征,所述第二卷积层用于对融合特征进行特征提取,所述全连接层用于提取第二卷积层输出数据的特征。
所述第一卷积层与第二卷积层均包括ReLU激活函数,所述全连接层包括Sigmoid激活函数。
所述模型优化模块包括I-Softmax函数、交叉熵函数与CORAL损失函数,所述I-Softmax函数用于计算源域设备特征的概率分布,所述交叉熵函数用于计算源域设备特征的分布损失,所述CORAL损失函数用于度量源域设备和目标域设备特征的分布差异。
特征提取模块第一层是卷积操作,用于初步提取故障特征,然后对提取的故障特征分别进行全局平均池化和最大池化进行降维,并对全局平均池化和最大池化得到的特征进行融合。同时进行全局平均池化和最大池化的目的是避免因单一池化降维而造成的特征丢失问题。之后对融合得到的特征再进行一次卷积运算并使用ReLU激活函数非线性化,将得到的特征输入到全连层运算接运算,其中全连接层具有Sigmoid激活函数运算。最后将全连接层得到的输出与第一个卷积运算的输出进行融合得到这一部分最终提取的特征。
采用的卷积运算为:
式中xi为输入,wij、bi为当前卷积运算的权重和偏置,yi为当前卷积运算的输出。
采用的ReLU激活函数和Sigmoid激活函数如下:
式中常熟a用于控制Sigmoid函数形状,在本发明提供的网络模型中取1。
采用的全连接公式如下:
yi=f(wi*xi+bi)
式中f()为激活函数,本发明中设置为Sigmoid激活函数,xi与yi分别为对应输入输出,wi和bi分别为对应的权重和偏置。
将上述运算依次进行四次,得到最终的网络模型输出,其中四个特征提取模块之间均采用了通道注意力机制和残差连接,命名为残差通道注意力模块。此外,由于不同工况下设备故障特征差异分布较大,采用了域自适应方法减小域之间的特征差异。
所划分的故障程度结果为每类故障程度制作相应标签,用于训练可迁移残差通道注意力网络模型的分类能力,此外选取采集的部分目标域设备数据,将其与源域设备数据结合后续步骤进行共同训练可迁移残差通道注意力网络模型,以缩小域间特征差异。
在本实施方式中,四个特征提取模块结构类似,不同的是每一层的参数。每个特征提取模块都是先通过一层卷积层,其中包括卷积运算提取特征、ReLU激活函数线性化处理、最大池化降维和随机神经元丢弃;然后提取的特征分别再进行最大池化和平均池化降维,这里进行再次降维同时采用了两种降维方式避免因单一方法降维引起的特征丢失,并将降维数据融合;之后再经过一层卷积层进一步提取特征,此时的数据维度已经减少了一个量级,可以采用全连接层提取特征,其中全连接层采用的激活函数为Sigmoid;最后将得到的特征通过与第一个卷积层提取的特征进行点乘实现通道注意力机制,同时再进行相加实现残差连接。分别将源域设备和目标域设备数据经过四个特征提取模块,之后再使用全连接层进行特征提取并降维到便于计算源域和目标域特征分布差异的维度与模型分类损失,除此之外,最后提取到的源域数据特征要再经过一层全连接层并利用I-Softmax计算概率分布,并通过交叉熵损失函数计算分类损失。
具体的,第一卷积层的卷积操作,用于初步提取故障特征,然后对提取的故障特征分别进行全局平均池化和最大池化进行降维,并对全局平均池化和最大池化得到的特征进行融合。同时进行全局平均池化和最大池化的目的是避免因单一池化降维而造成的特征丢失问题。之后对融合得到的特征再进行一次卷积运算并使用ReLU激活函数非线性化,将得到的特征输入到全连层运算接运算,其中全连接层具有Sigmoid激活函数运算。最后将全连接层得到的输出与第一个卷积运算的输出进行融合得到这一部分最终提取的特征。
步骤S5:获取目标域设备的局部振动数据,通过局部振动数据与训练集,对迁移学习网络模型进行训练。
由于实际工程中得到训练数据集的设备一般都与待测设备的运行工况具有较大差异,这种差异将导致利用已有全寿命数据的设备训练的得到模型应用于待测设备时表现出很低的识别率。为解决此问题,迁移学习网络模型中加入了CORAL损失函数度量这一分布差异,并在反向训练中优化。
对迁移学习网络模型进行训练,包括对迁移学习网络模型通过交叉熵损失函数进行分类损失优化,以及通过CORAL损失函数进行域特征分布损失优化,其中,交叉熵损失函数Cross Entropy公式为:
式中y为真实标签值,为预测的概率值;CORAL损失函数公式为:
式中d为对应神经元个数,Cs、Ct分别为源域和目标域数据的协方差据矩阵,为方阵的Frobenius范数;最终的损失函数L为:
L=0.1*Cross Entropy+CORAL。
具体的,步骤S5包括子步骤S51-S54。
步骤S51:将训练集输入迁移学习网络模型进行训练。
步骤S52:采用交叉熵计算迁移学习网络模型的分类损失。
为增加模型对故障程度识别的能力,首先采用交叉熵计算模型分类损失,这一部分主要基于源域设备有标签数据训练,即根据输入的训练集对迁移学习网络模型进行训练。
步骤S53:将局部振动数据与训练集共同一并输入迁移学习网络模型进行训练。
步骤S54:采用迁移学习中的域自适应方法度量源域设备和目标域设备特征的分布差异。
采用迁移学习中的域自适应方法度量源域和目标域特征的分布差异,其主要是通过减少两个域的边缘概率分布以学习域不变特征,这一部分需要采用目标域设备的无标签数据与源域设备的有标签数据共同训练模型,便于后续识别变工况下目标域设备故障程度。因此模型训练需要优化的项目为分类损失和域特征分布损失,采用的损失函数分别为交叉熵和CORAL。
步骤S6:实时监测目标域设备的振动情况,得到实时监测数据,将实时监测数据输入训练后的迁移学习网络模型,由迁移学习网络模型输出目标域设备当前故障程度。
将采集的待测样本数据输入到步骤S5训练完成的可迁移残差通道注意力网络模型中得到故障程度识别结果。采用第2种工况下的第2个轴承作为目标域设备测试,得到的结果如图5所示,可以看出模型在训练60个批次之后便已经能实现接近100%的准确率,损失值也接近为0。
本发明的旋转机械设备跨工况故障程度识别系统,嵌入了上述的识别方法,具体可通过在旋转机械设备上设置振动传感器,进行周期性的数据采集,并在完成一个采集周期后,将其输入识别系统中,以输出故障程度识别结果,实现旋转机械设备的故障程度预警与监测。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种旋转机械设备跨工况故障程度识别方法,其特征在于,包括以下步骤:
S1采集旋转机械设备完整寿命周期的全部振动数据样本,形成数据集,并将该旋转机械设备作为源域设备,将待检测的旋转机械设备作为目标域设备;
S2基于常用时域性能退化指标和主成分分析方法,处理数据集中的振动数据样本,获得各个振动数据样本的设备性能退化指标;
S3根据设备性能退化指标,设定故障程度,并对源域设备数据集中的振动数据样本进行故障程度划分,获得训练集,所述故障程度包括正常无故障状态、轻度故障状态和重度故障状态;
S4基于残差通道注意力和域自适应方法建立迁移学习网络模型;
S5获取目标域设备的局部振动数据,通过局部振动数据与训练集,对迁移学习网络模型进行训练;
S6实时监测目标域设备的振动情况,得到实时监测数据,将实时监测数据输入训练后的迁移学习网络模型,由迁移学习网络模型输出目标域设备当前故障程度。
2.如权利要求1所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述振动数据样本包括若干个数据点,所述常用时域性能退化指标,包括振动数据样本中数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值。
3.如权利要求2所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述步骤S2包括以下子步骤:
S21将单个振动数据样本的全部数据点的均方根值、俏度值、Rényi熵、裕度值和峰-峰值组成矩阵X,并对矩阵X中的每一行进行零均值化处理;
S22计算零均值化处理后矩阵X的协方差矩阵C;
S23计算协方差矩阵C的特征值和相应的特征向量;
S24按协方差矩阵C的特征值大小,将相应的特征向量排列为矩阵W;
S25选择矩阵W中的第一行作为主成分,并将矩阵X与主成分作乘积,得到降维后的主成分得分,所述主成分得分为该振动数据样本的设备性能退化指标。
4.如权利要求1所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述迁移学习网络模型包括依次连接的四个特征提取模块和一个模型优化模块,所述特征提取模块用于进行卷积特征提取与数据降维,所述模型优化模块用于计算源域设备和目标域设备特征分布差异与模型分类损失。
5.如权利要求4所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述特征提取模块包括第一卷积层、最大池化层、平均池化层、第二卷积层与全连接层,所述第一卷积层用于进行特征提取、线性化处理、最大池化降维和随机神经元丢弃,所述最大池化层与平均池化层用于对第一卷积层输出数据进行降维并融合特征,所述第二卷积层用于对融合特征进行特征提取,所述全连接层用于提取第二卷积层输出数据的特征。
6.如权利要求5所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述第一卷积层与第二卷积层均包括ReLU激活函数,所述全连接层包括Sigmoid激活函数。
7.如权利要求1所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述步骤S5中的对迁移学习网络模型进行训练,包括对迁移学习网络模型通过交叉熵损失函数进行分类损失优化,以及通过CORAL损失函数进行域特征分布损失优化,其中,交叉熵损失函数Cross Entropy公式为:
式中y为真实标签值,为预测的概率值;CORAL损失函数公式为:
式中d为对应神经元个数,Cs、Ct分别为源域和目标域数据的协方差据矩阵,为方阵的Frobenius范数;最终的损失函数L为:
L=0.1*Cross Entropy+CORAL。
8.如权利要求1所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述步骤S5包括以下子步骤:
S51将训练集输入迁移学习网络模型进行训练;
S52采用交叉熵计算迁移学习网络模型的分类损失;
S53将局部振动数据与训练集共同一并输入迁移学习网络模型进行训练;
S54采用迁移学习中的域自适应方法度量源域设备和目标域设备特征的分布差异。
9.如权利要求4所述的旋转机械设备跨工况故障程度识别方法,其特征在于,所述模型优化模块包括I-Softmax函数、交叉熵函数与CORAL损失函数,所述I-Softmax函数用于计算源域设备特征的概率分布,所述交叉熵函数用于计算源域设备特征的分布损失,所述CORAL损失函数用于度量源域设备和目标域设备特征的分布差异。
10.一种旋转机械设备跨工况故障程度识别系统,其特征在于,嵌入了权利要求1-9中任一项所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844099.9A CN117909816A (zh) | 2023-12-29 | 2023-12-29 | 一种旋转机械设备跨工况故障程度识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844099.9A CN117909816A (zh) | 2023-12-29 | 2023-12-29 | 一种旋转机械设备跨工况故障程度识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909816A true CN117909816A (zh) | 2024-04-19 |
Family
ID=90690158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311844099.9A Pending CN117909816A (zh) | 2023-12-29 | 2023-12-29 | 一种旋转机械设备跨工况故障程度识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909816A (zh) |
-
2023
- 2023-12-29 CN CN202311844099.9A patent/CN117909816A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abid et al. | Robust interpretable deep learning for intelligent fault diagnosis of induction motors | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine 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 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
Wang et al. | A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
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 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN117236188A (zh) | 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质 | |
Shahid et al. | Performance comparison of 1d and 2d convolutional neural networks for real-time classification of time series sensor data | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Di et al. | Fault diagnosis of rotating machinery based on domain adversarial training of neural networks | |
CN117708656A (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
Zhang et al. | Few-shot bearing fault diagnosis based on meta-learning with discriminant space optimization | |
Lu et al. | Rotating Machinery Fault Diagnosis Under Multiple Working Conditions via A Time Series Transformer Enhanced by Convolutional Neural Network | |
Rahimilarki et al. | Time-series deep learning fault detection with the application of wind turbine benchmark | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN117909816A (zh) | 一种旋转机械设备跨工况故障程度识别方法及系统 | |
CN115902620A (zh) | 一种基于循环生成对抗网络的电机故障增强诊断方法及装置 | |
Yang et al. | Convolutional autoencoder-based sensor fault classification |
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 |