[發(fā)明專利]基于潛在特征編碼的機械異常檢測方法

有效

• 申請?zhí)枺?/td>: 201910323189.0
• 申請日: 2019-04-22
• 公開（公告）號: CN110060368B
• 公開（公告）日: 2020-03-10
• 發(fā)明（設計）人: 王俊;戴俊;黃偉國;石娟娟;朱忠奎
• 申請（專利權）人: 蘇州大學
• 主分類號: G07C3/00
• 分類號: G07C3/00;G06F30/27;G06N3/08
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權代理事務所(普通合伙) 32257
• 代理人: 曹成俊

本發(fā)明公開了一種基于潛在特征編碼的機械異常檢測方法。本發(fā)明一種基于潛在特征編碼的機械異常檢測方法，包括：數(shù)據(jù)預處理：對振動信號數(shù)據(jù)進行預處理，包括傅立葉變換和歸一化；正向傳播：將預處理完的信號輸入第一個全卷積網(wǎng)絡，對數(shù)據(jù)進行編碼。本發(fā)明的有益效果：本方法針對異常樣本缺失問題，利用深度網(wǎng)絡的特征挖掘能力，學習正常信號樣本的數(shù)據(jù)分布，通過對信號進行編碼?解碼?再編碼，將信號轉移到潛在空間中進行數(shù)據(jù)分布對比。

技術領域

本發(fā)明涉及機械診斷領域，具體涉及一種基于潛在特征編碼的機械異常檢測方法。

背景技術

旋轉機械設備正朝著大型化、精密化和自動化的方向發(fā)展，這就對整個設備系統(tǒng)中各個部件的制造、安裝和日常保養(yǎng)維護提出了更加嚴格的要求，任意部件的一個細微的損傷或者震蕩錯位，都有可能影響到整個系統(tǒng)的正常工作，甚至引起重大事故。為了確保機械裝備的健康運行，健康監(jiān)測系統(tǒng)需要采集海量數(shù)據(jù)來反映健康狀況，促使機械健康監(jiān)測領域進入了“大數(shù)據(jù)”時代。機械大數(shù)據(jù)具有大容量、多樣性和高速率的特點。從機械裝備大數(shù)據(jù)中挖掘信息，高效、準確地識別裝備的健康狀況，成為機械健康監(jiān)測領域的難點。

近年來，深度學習理論作為模式識別和機器學習領域最新的研究成果，也開始逐步運用在機械大數(shù)據(jù)健康監(jiān)測之中。深度學習通過建立深層模型，直接從信號中自適應地提取故障特征，實現(xiàn)海量數(shù)據(jù)下故障特征的自適應提取與健康狀況的智能診斷。目前在故障智能診斷中運用廣泛的幾種模型包括卷積神經(jīng)網(wǎng)絡(CNN)、深度置信網(wǎng)絡(DBN)、循環(huán)神經(jīng)網(wǎng)絡(RNN)等。這些模型以大量的歷史數(shù)據(jù)作為訓練輸入，并建立與輸入相對應的標簽來對網(wǎng)絡進行訓練。通過訓練這些智能診斷模型可以對故障類型和故障大小進行分類。但是一個機械裝備往往包含多種機械部件，不同部件出現(xiàn)故障，甚至相同部件的不同部位出現(xiàn)故障，在振動信號中表現(xiàn)出的故障特征都可能不相同。而以往的智能故障診斷模型是通過在不同故障狀態(tài)下的歷史數(shù)據(jù)建立起來的，實際診斷工作中難以獲取所有故障狀態(tài)下的數(shù)據(jù)樣本，有時只能獲取機械正常狀態(tài)下的樣本，即存在異常樣本缺失問題。這就要求故障智能診斷模型需要通過對機械正常狀態(tài)下的數(shù)據(jù)分布進行學習，實現(xiàn)異常狀態(tài)檢測。

為了解決異常樣本缺失情況下的故障檢測問題，常用的方法依靠信號的時域統(tǒng)計特征指標對新樣本進行判斷，這些參數(shù)有均方根(RMS)，峭度等。當機械旋轉部件出現(xiàn)故障時，信號的時域波形振動能量會出現(xiàn)變化，直接表現(xiàn)在信號的時域統(tǒng)計特征指標相較于正常狀態(tài)下出現(xiàn)明顯的變化。因此，基于時域統(tǒng)計特征指標來判斷運行狀態(tài)是一種最常用的機械異常檢測方法。在測量過程中通過觀察信號時域統(tǒng)計特征指標的變化情況進行異常檢測。

傳統(tǒng)技術存在以下技術問題：

機械旋轉部件在不同的工況下呈現(xiàn)不同的振動特性。由于機械結構復雜，振動信號在實際工況下往往具有較強的背景噪聲，呈現(xiàn)非線性和非平穩(wěn)特性。基于信號時域統(tǒng)計特征指標的檢測方法由于識別能力弱，很多情況下不能滿足對異常樣本及時檢測的要求。因此，現(xiàn)有的異常檢測方法主要存在的問題有是應用信號時域統(tǒng)計特征指標的檢測方法識別能力弱，無法檢測早期故障。

發(fā)明內容

本發(fā)明要解決的技術問題是提供一種基于潛在特征編碼的機械異常檢測方法，針對信號時域統(tǒng)計特征指標的診斷方法故障識別能力弱的問題，本發(fā)明以深度學習網(wǎng)絡為基礎，通過全卷積網(wǎng)絡和生成對抗網(wǎng)絡對旋轉機械正常信號特征進行識別與學習，然后比較正常信號與故障信號的數(shù)據(jù)分布，從而實現(xiàn)異常檢測。本方法中的生成對抗網(wǎng)絡的輸入是由全卷積網(wǎng)絡降維而來的潛在特征編碼，模型采用編碼-解碼-再編碼的網(wǎng)絡結構，潛在特征拾取能力強，有助于微弱故障的識別與診斷。

為了解決上述技術問題，本發(fā)明提供了一種基于潛在特征編碼的機械異常檢測方法，包括：

數(shù)據(jù)預處理：對振動信號數(shù)據(jù)進行預處理，包括傅立葉變換和歸一化；