[發(fā)明專利]一種軸承性能退化評估方法

有效

• 申請?zhí)枺?/td>: 201810214288.0
• 申請日: 2018-03-15
• 公開（公告）號(hào): CN108398268B
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計(jì)）人: 趙光權(quán);彭喜元;劉小勇;劉月峰;姜澤東;劉莉;高奇
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/00;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 楊立超

1.一種基于堆疊去噪自編碼器和自組織映射的軸承性能退化評估方法，其特征在于，該方法的具體步驟為：

步驟一、利用振動(dòng)傳感器獲取軸承全壽命周期內(nèi)的原始振動(dòng)信號(hào)數(shù)據(jù)，將原始振動(dòng)信號(hào)數(shù)據(jù)作為堆疊去噪自編碼器的輸入數(shù)據(jù)x；

步驟二、對步驟一中的輸入數(shù)據(jù)x進(jìn)行取絕對值操作，并歸一化至[0,1]區(qū)間內(nèi)；其具體過程為：

歸一化方式為x^*＝(x-x_min)/(x_max-x_min)，其中x^*是輸入數(shù)據(jù)x進(jìn)行取絕對值操作并歸一化后的值，x_max和x_min分別為輸入數(shù)據(jù)x的每個(gè)時(shí)間點(diǎn)處振動(dòng)數(shù)據(jù)絕對值的最大值和最小值；

將輸入數(shù)據(jù)x中的一部分振動(dòng)數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，將輸入數(shù)據(jù)x中的其它部分的振動(dòng)數(shù)據(jù)作為測試集數(shù)據(jù)；

步驟三、建立由6個(gè)去噪自動(dòng)編碼機(jī)組成的堆疊去噪自編碼器網(wǎng)絡(luò)用于對訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)進(jìn)行特征提取，其中，第一去噪自編碼機(jī)、第二去噪自編碼機(jī)和第三去噪自編碼機(jī)構(gòu)成堆疊去噪自編碼器網(wǎng)絡(luò)的編碼網(wǎng)絡(luò)，第四去噪自編碼機(jī)、第五去噪自編碼機(jī)和第六去噪自編碼機(jī)構(gòu)成堆疊去噪自編碼器網(wǎng)絡(luò)的解碼網(wǎng)絡(luò)；

所述第一去噪自編碼機(jī)的工作原理為：

將原始振動(dòng)信號(hào)的數(shù)據(jù)作為堆疊去噪自編碼器網(wǎng)絡(luò)的第一去噪自編碼機(jī)的輸入數(shù)據(jù)x，第一去噪自編碼機(jī)通過隨機(jī)映射函數(shù)q_D對輸入數(shù)據(jù)x進(jìn)行破壞，得到加入噪聲后的數(shù)據(jù)經(jīng)過編碼過程f_θ1生成隱含層的輸出隱含層的輸出再經(jīng)過解碼過程g_θ1'生成重構(gòu)數(shù)據(jù)z；輸入數(shù)據(jù)x與重構(gòu)數(shù)據(jù)z的差作為重構(gòu)誤差L_H(x,z)用于訓(xùn)練；

編碼過程f_θ1的具體過程如下：

其中s為sigmoid激活函數(shù)，W₁是第一去噪自編碼機(jī)的編碼權(quán)值，b₁是第一去噪自編碼機(jī)的編碼偏置，θ1是第一去噪自動(dòng)編碼機(jī)預(yù)訓(xùn)練好的編碼參數(shù)；

θ1＝{W₁,b₁} (2)

解碼過程g_θ1'的具體過程如下：

其中W₁'是編碼網(wǎng)絡(luò)的第一去噪自編碼機(jī)的解碼權(quán)值，b₁'是編碼網(wǎng)絡(luò)的第一去噪自編碼機(jī)的解碼偏置，θ1'是編碼網(wǎng)絡(luò)的第一去噪自動(dòng)編碼機(jī)的解碼參數(shù)；

θ1'＝{W₁',b₁'} (4)

重構(gòu)誤差L_H(x,z)＝||x-z||²，其中，||·||表示2范數(shù)；

通過使用梯度下降算法將目標(biāo)函數(shù)最小化，提高去噪自編碼機(jī)從輸入數(shù)據(jù)x中學(xué)習(xí)到的特征的魯棒性，其中n為樣本數(shù)目，x⁽ⁱ⁾是第i個(gè)樣本數(shù)據(jù)，是第i個(gè)樣本數(shù)據(jù)加入噪聲后的數(shù)據(jù)，i＝1,2,…,n；

第二去噪自編碼機(jī)、第三去噪自編碼機(jī)、第四去噪自編碼機(jī)、第五去噪自編碼機(jī)和第六去噪自編碼機(jī)的工作原理均與第一去噪自編碼機(jī)的工作原理相同；

將步驟二確定的訓(xùn)練集數(shù)據(jù)輸入堆疊去噪自編碼器網(wǎng)絡(luò)的編碼網(wǎng)絡(luò)中，使訓(xùn)練集數(shù)據(jù)依次經(jīng)過編碼網(wǎng)絡(luò)的第一去噪自編碼機(jī)、第二去噪自編碼機(jī)和第三去噪自編碼機(jī)的無監(jiān)督預(yù)訓(xùn)練，得到編碼網(wǎng)絡(luò)的第一去噪自編碼機(jī)的編碼參數(shù)θ1＝{W₁,b₁}、第二去噪自編碼機(jī)的編碼參數(shù)θ2＝{W₂,b₂}和第三去噪自編碼機(jī)的編碼參數(shù)θ3＝{W₃,b₃}；

設(shè)置解碼網(wǎng)絡(luò)的第四去噪自編碼機(jī)的編碼權(quán)值W₄為W₃的轉(zhuǎn)置，第五去噪自編碼機(jī)的編碼權(quán)值W₅為W₂的轉(zhuǎn)置，第六去噪自編碼機(jī)的編碼權(quán)值W₆為W₁的轉(zhuǎn)置；預(yù)訓(xùn)練完成后，利用BP算法對堆疊去噪自編碼器網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)；利用微調(diào)后的網(wǎng)絡(luò)參數(shù)得到編碼網(wǎng)絡(luò)輸出的100維特征作為訓(xùn)練集數(shù)據(jù)每個(gè)時(shí)間點(diǎn)處提取出的100維特征；

其具體為：堆疊去噪自編碼器網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、編碼網(wǎng)絡(luò)的兩個(gè)隱含層、編碼網(wǎng)絡(luò)的輸出層、解碼網(wǎng)路的兩個(gè)隱含層和解碼網(wǎng)絡(luò)的輸出層；

堆疊去噪自編碼器網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化后，訓(xùn)練集數(shù)據(jù)依次經(jīng)過編碼網(wǎng)絡(luò)中的第一去噪自編碼機(jī)、第二去噪自編碼機(jī)和第三去噪自編碼機(jī)的無監(jiān)督預(yù)訓(xùn)練；第一去噪自編碼機(jī)預(yù)訓(xùn)練完成后保留隱含層的輸出并將隱含層的輸出作為第二去噪自編碼機(jī)的輸入，第二去噪自編碼機(jī)預(yù)訓(xùn)練完成后保留隱含層的輸出并將隱含層的輸出作為第三去噪自編碼機(jī)的輸入，完成訓(xùn)練集數(shù)據(jù)在編碼網(wǎng)絡(luò)中的無監(jiān)督預(yù)訓(xùn)練；

以訓(xùn)練集的原始數(shù)據(jù)作為標(biāo)簽，利用BP算法對堆疊去噪自編碼器網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)的具體過程為：

假設(shè)訓(xùn)練集的原始數(shù)據(jù)為x^m,m＝1,2,…M，其中，x^m是訓(xùn)練集原始數(shù)據(jù)的第m個(gè)原始樣本，m的取值范圍是1～M；則堆疊去噪自編碼器網(wǎng)絡(luò)的第一去噪自編碼機(jī)的隱含層輸出為將第一去噪自編碼機(jī)的隱含層輸出作為第二去噪自動(dòng)編碼機(jī)的輸入，則第二去噪自編碼機(jī)的隱含層輸出為以此類推，堆疊去噪自編碼器網(wǎng)絡(luò)的第六去噪自動(dòng)編碼機(jī)的輸出為

將訓(xùn)練集的原始樣本x^m作為標(biāo)簽值，計(jì)算誤差函數(shù)φ(Θ)

其中，Θ＝{θ₁,θ₂,…,θ₆}，參數(shù)更新方式為其中α為參數(shù)微調(diào)過程中的學(xué)習(xí)速率；

利用微調(diào)后的網(wǎng)絡(luò)參數(shù)提取出編碼網(wǎng)絡(luò)輸出的100維特征；

步驟四、將步驟三提取出的訓(xùn)練集數(shù)據(jù)的每個(gè)時(shí)間點(diǎn)處的100維特征作為自組織映射網(wǎng)絡(luò)的輸入，自組織映射網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)與特征數(shù)一致；經(jīng)過迭代訓(xùn)練后，計(jì)算出訓(xùn)練集數(shù)據(jù)每個(gè)時(shí)間點(diǎn)處的軸承健康因子，進(jìn)而構(gòu)建出訓(xùn)練集上的軸承健康因子曲線；

迭代訓(xùn)練的具體過程如下：

步驟四一、設(shè)置拓?fù)鋵拥纳窠?jīng)元數(shù)為d，自組織映射網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)T；

步驟四二、選擇訓(xùn)練集數(shù)據(jù)的第k個(gè)時(shí)間點(diǎn)處的100維樣本x_k＝{x_1k,x_2k,…,x_100k}，其中，x_k為提取出的訓(xùn)練集數(shù)據(jù)在各時(shí)間點(diǎn)上的100維樣本，k＝1,2,…,p，p為時(shí)間點(diǎn)個(gè)數(shù)，x_jk為輸入層的第k個(gè)時(shí)間點(diǎn)處的第j個(gè)神經(jīng)元，j＝1,2,…,100；將所有p個(gè)時(shí)間點(diǎn)的樣本輸入到自組織映射網(wǎng)絡(luò)中，自組織映射網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)與特征數(shù)一致；

步驟四三、經(jīng)迭代訓(xùn)練后，計(jì)算拓?fù)鋵又兴衐個(gè)神經(jīng)元的向量表征與輸入層樣本x_k的距離d_k，選擇與x_k距離最小的神經(jīng)元作為最佳匹配神經(jīng)元c，即||x_k-w_c||＝min{d_k}，w_c是最佳匹配神經(jīng)元的向量表征；

拓?fù)鋵又械拿總€(gè)神經(jīng)元和與其連接的輸入層神經(jīng)元之間的連接權(quán)值構(gòu)成的向量表征表示為w_i'＝{w_i'1,w_i'2,…w_i'100}，其中i'表示拓?fù)鋵拥牡趇'個(gè)神經(jīng)元，i'＝1,2,…d；

步驟四四、更新最佳匹配神經(jīng)元c及最佳匹配神經(jīng)元c的鄰域神經(jīng)元與輸入層神經(jīng)元的連接權(quán)值：

w_i”j(t+1)＝w_i”j(t)+η(t)·T_i”,c·(x_jk-w_i”j(t)) (6)

其中，i”為最佳匹配神經(jīng)元c周圍的拓?fù)鋵觾?nèi)第i”個(gè)鄰域神經(jīng)元，t是訓(xùn)練次數(shù)；w_i”j(t+1)是t+1次訓(xùn)練時(shí)輸入層神經(jīng)元x_jk與拓?fù)鋵拥趇”個(gè)鄰域神經(jīng)元之間的連接權(quán)值，w_i”j(t)是t次訓(xùn)練時(shí)輸入層神經(jīng)元x_jk與拓?fù)鋵拥趇”個(gè)鄰域神經(jīng)元之間的連接權(quán)值；η(t)為增益函數(shù)，1＞η(t)＞0，且η(t)隨著訓(xùn)練次數(shù)增加逐漸減小；T_i”,c為權(quán)重；

根據(jù)拓?fù)鋵拥淖罴哑ヅ渖窠?jīng)元c的鄰域神經(jīng)元與最佳匹配神經(jīng)元c距離值更新權(quán)重T_i”,c＝exp(-S_i”,c²/2σ²)，其中S_i”,c為拓?fù)鋵拥淖罴哑ヅ渖窠?jīng)元c的第i”個(gè)鄰域神經(jīng)元與最佳匹配神經(jīng)元c的歐幾里得距離，σ為最佳匹配神經(jīng)元c的各個(gè)鄰域神經(jīng)元與最佳匹配神經(jīng)元c距離值的標(biāo)準(zhǔn)差；

步驟四五、選取另一個(gè)時(shí)間點(diǎn)處的100維樣本提供給自組織映射網(wǎng)絡(luò)的輸入層，返回步驟四三，直到訓(xùn)練集樣本全部提供給自組織映射網(wǎng)絡(luò)；

步驟四六、將t+1賦值給訓(xùn)練次數(shù)t后，返回步驟四二，直至訓(xùn)練次數(shù)達(dá)到T為止；

步驟四七、經(jīng)過訓(xùn)練后，計(jì)算出每個(gè)時(shí)間點(diǎn)處的軸承健康因子：

health value＝MQE＝||x_k-w_c|| (7)

其中，MQE為最小量化誤差，health value是軸承健康因子，根據(jù)計(jì)算出的軸承健康因子構(gòu)建出訓(xùn)練集上的軸承健康因子曲線；

步驟五、利用步驟三的方法將測試集數(shù)據(jù)輸入到訓(xùn)練好的堆疊自編碼器網(wǎng)絡(luò)中通過多個(gè)隱含層進(jìn)行特征提取，利用步驟四的方法將提取出的測試集的特征輸入到訓(xùn)練好的自組織映射網(wǎng)絡(luò)中，計(jì)算得到測試集上每個(gè)時(shí)間點(diǎn)處對應(yīng)的軸承健康因子，構(gòu)建測試集上的軸承健康因子曲線；

步驟六、分別對步驟四和步驟五中構(gòu)建好的軸承健康因子曲線進(jìn)行平滑處理，得到平滑處理后的軸承健康因子曲線，利用平滑處理后的軸承健康因子曲線來評估軸承性能退化情況。

2.根據(jù)權(quán)利要求1所述的一種基于堆疊去噪自編碼器和自組織映射的軸承性能退化評估方法，其特征在于，所述步驟六對軸承健康因子曲線進(jìn)行平滑處理的具體過程為：

設(shè)置濾波器窗寬為15，返回與軸承健康因子曲線等長的向量：yy(1)＝y(tǒng)(1)，

以此類推，

其中，y為軸承健康因子曲線中每個(gè)時(shí)間點(diǎn)處對應(yīng)的軸承健康因子數(shù)據(jù)，yy為軸承健康因子曲線經(jīng)過平滑濾波處理后每個(gè)時(shí)間點(diǎn)對應(yīng)的軸承健康因子數(shù)據(jù)；

將經(jīng)過平滑濾波處理后的每個(gè)時(shí)間點(diǎn)對應(yīng)的軸承健康因子數(shù)據(jù)歸一化，yy^*＝(yy-yy_min)/(yy_max-yy_min)，yy_max和yy_min分別為歸一化前軸承健康因子曲線中各個(gè)時(shí)間點(diǎn)對應(yīng)的軸承健康因子數(shù)據(jù)的最大值和最小值，yy^*為平滑濾波處理后各個(gè)時(shí)間點(diǎn)處的軸承健康因子的歸一化值。