[發明專利]一種深度自編碼網絡的旋轉機械健康評估方法

有效

• 申請號: 201810736521.1
• 申請日: 2018-07-06
• 公開（公告）號: CN109141881B
• 公開（公告）日: 2020-03-31
• 發明（設計）人: 賈民平;佘道明;許飛云;胡建中;黃鵬;鄢小安
• 申請（專利權）人: 東南大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G01M13/045;G01M13/02;G01M13/021;G01M13/028;G01K7/02;G06N3/02
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 石艷紅

1.一種深度自編碼網絡的旋轉機械健康評估方法，其特征在于：包括如下步驟：

步驟1，振動信號采集：對旋轉機械的關鍵部件的振動信號進行采集；

步驟2，原始特征提取：對步驟1采集的振動信號，進行關鍵部件全壽命原始特征的初步提取；

步驟3，特征降維：將步驟2提取的原始特征作為深度自編碼網絡DAE的輸入，深度自編碼網絡DAE將原始特征進行非線性降維，得到壓縮向量Z；

步驟4，特征選擇：將步驟3得到的壓縮向量Z中的特征按趨勢值進行排序，選取趨勢值大于0.8的特征構成特征子集；

步驟5，健康指標構建：采用無監督SOM算法將步驟4選擇的特征子集融合成一維的健康值，得到旋轉機械的關鍵部件全壽命的健康指標；

步驟6，健康指標評價：采用基于遺傳算法的融合評價準則對步驟5構建的健康指標進行評價；采用融合評價準則對健康指標進行評價的具體方法為：用遺傳算法搜尋適應度函數的最大值作為評價健康指標的標準，適度函數值越大表明構建的健康指標越好；適應度函數的最大值max_Y∈Ωfitness計算公式表示如下：

max_Y∈Ωfitness＝ω₁corr(Y(t_k)，T(t_k))+ω₂mon(Y(t_k))+ω₃rob(Y(t_k)) (1)

其中，

rob(Y(t_k))＝exp(-std(X_R(t_k))/mean(|Y_start-Y_end|)) (5)

Y(t_k)＝Y_T(t_k)+X_R(t_k) (6)

式中，fitness為適度函數值，corr(Y(t_k)，T(t_k))為趨勢值，mon(Y(t_k))為單調性值，rob(Y(t_k))為魯棒性值；Y(t_k)表示健康指標，Y_T(t_k)表示健康指標的趨勢部分，X_R(t_k)為健康指標的隨機部分，K表示時間序列的長度，和分別為從1到K時刻健康指標Y(t_k)和時間向量T(t_k)的均值；dY(t_k)表示健康指標在K時刻的導數，Y_start和Y_end分別表示健康指標Y(t_k)的起始值和末尾值，ω_i表示各個評價指標值的權重。

2.根據權利要求1所述的深度自編碼網絡的旋轉機械健康評估方法，其特征在于：步驟5中，融合形成的一維健康值也即為最小量化誤差MQE值，MQE值越小表明當前狀態離基準健康狀態越近；MQE值越大，表明當前狀態偏離基準健康狀態越遠。

3.根據權利要求2所述的深度自編碼網絡的旋轉機械健康評估方法，其特征在于：最小量化誤差MQE的計算公式為：

MQE＝||h-w_BMU|| (7)

式中，w_BMh表示最佳匹配單元，h為實時狀態特征向量；BMU為最佳匹配神經元，最佳匹配神經元的權重向量與SOM算法中輸入向量的歐氏距離最小。

4.根據權利要求1所述的深度自編碼網絡的旋轉機械健康評估方法，其特征在于：旋轉機械的關鍵部件包括軸承、齒輪或轉子。

5.根據權利要求1所述的深度自編碼網絡的旋轉機械健康評估方法，其特征在于：步驟2中，關鍵部件全壽命原始特征包括16個時域特征，13個頻域特征，17個時頻域特征和2個基于三角函數的特征；2個基于三角函數的特征分別是反三角雙曲余弦標準差和反三角雙曲正弦標準差。