[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

本發明公開了一種深度自編碼網絡的旋轉機械健康評估方法，包括步驟1，振動信號采集；步驟2，原始特征提取；步驟3，采用深度自編碼網絡DAE進行特征降維；步驟4，特征選擇；步驟5，采用無監督SOM算法進行健康指標構建；步驟6，采用基于遺傳算法的融合評價準則進行健康指標評價。本發明結合深度學習強大特征提取能力的優勢，將深度自編碼和最小量化誤差方法相結合。另外，針對基于一個度量的評價準則常常具有偏差的問題，提供了基于遺傳算法的融合評價準則。本發明能準確評估旋轉機械健康狀態，可廣泛應用于化工、冶金、電力、航空等領域旋轉機械健康評估，能準確描述這些零部件性能退化的動態過程，還能進行剩余壽命預測。

技術領域

本發明涉及旋轉機械健康評估技術，特別是一種深度自編碼網絡的旋轉機械健康評估方法。

背景技術

由于先進的傳感器和計算機技術的發展，工業生產中積累了大量的狀態監測數據，數據驅動方法在軸承預測中得到了廣泛的應用，因為它們能夠利用狀態監測數據來量化退化過程，而不是建立一個不容易獲得的精確系統模型。

通常，數據驅動的預測方法通常由以下三個步驟組成：數據采集、健康指標構建和剩余壽命預測。健康指標試圖通過從獲取的數據中提取特征信息來識別和量化歷史和正在進行的退化過程。因此，所構建的健康指標的質量在很大程度上直接影響著數據驅動的預測方法的有效性。從這個角度出發，構建有效反應機械設備退化的健康指標至關重要。工業現場中常見的旋轉零部件，如軸承、齒輪、轉子等，是旋轉機械設備中的重要組成構件，它的健康狀況直接影響旋轉機械能否正常運轉。這些關鍵部件損壞嚴重會導致生產停工，帶來巨大經濟損失，因此，對其健康狀況準確評估對于設備安全可靠運行具有重要意義。

根據健康指標的構造策略，可以將現有的旋轉機械健康指標分為兩類：物理健康指標和虛擬健康指標。時頻域特征提取方法通常是計算時頻域波形的有量綱和無量綱參數指標，它是機械振動信號最為簡便的特征提取方法，這些參數指標與機械設備的運行轉速與負載等工況密切相關。但僅憑借一個特征來評估旋轉機械退化過程往往不具有說服力，而且存在一定的偏差。主成分分析(PCA)作為目前最流行的降維技術之一，常被應用于虛擬健康指標的構建過程中。然而，PCA是一種線性的降維方法，而軸承退化過程為非線性退化過程，因而不能用于準確評價旋轉機械健康指標。另外，PCA與時頻域特征提取方法結合構建的健康指標在單調性、趨勢性、魯棒性三方面都有待改進。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，而提供一種深度自編碼網絡的旋轉機械健康評估方法，該深度自編碼網絡的旋轉機械健康評估方法能夠提高所構建的健康指標的質量，有效評估旋轉機械健康狀況，進而提高旋轉機械剩余壽命預測的準確性。

為解決上述技術問題，本發明采用的技術方案是：

一種深度自編碼網絡的旋轉機械健康評估方法，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。