[發(fā)明專利]基于對(duì)抗學(xué)習(xí)策略的機(jī)械裝備運(yùn)行狀態(tài)異常檢測(cè)系統(tǒng)和方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010923030.5
• 申請(qǐng)日: 2020-09-04
• 公開（公告）號(hào): CN112179691B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 溫廣瑞;歐雪蓮;黃鑫;張平;雷子豪;蘇宇;張志芬
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G01M99/00
• 分類號(hào): G01M99/00;G06K9/62;G06N3/08;G06Q10/04
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 閔岳峰

本發(fā)明公開了一種基于對(duì)抗學(xué)習(xí)策略的機(jī)械裝備運(yùn)行狀態(tài)異常檢測(cè)系統(tǒng)和方法。本發(fā)明由加速度傳感器采集機(jī)械裝備的加速度時(shí)間序列樣本，利用對(duì)抗學(xué)習(xí)的策略學(xué)習(xí)加速度時(shí)間序列的實(shí)時(shí)空間分布和潛在空間分布，自動(dòng)提取加速度時(shí)間序列樣本的特征量來構(gòu)建機(jī)械裝備的異常檢測(cè)指標(biāo)，通過和設(shè)定的閾值進(jìn)行比較預(yù)判機(jī)械裝備當(dāng)前是否發(fā)生異常。本發(fā)明構(gòu)建出來的異常檢測(cè)指標(biāo)能夠更加直觀、及時(shí)地識(shí)別機(jī)械設(shè)備的異常情況，這對(duì)于機(jī)械裝備視情維護(hù)、安全生產(chǎn)具有重大意義。

技術(shù)領(lǐng)域

本發(fā)明屬于預(yù)測(cè)性維護(hù)技術(shù)領(lǐng)域，具體涉及一種基于對(duì)抗學(xué)習(xí)策略的機(jī)械裝備運(yùn)行狀態(tài)異常檢測(cè)系統(tǒng)和方法。

背景技術(shù)

大型機(jī)械設(shè)備，例如航空運(yùn)輸設(shè)備和鐵路運(yùn)輸設(shè)備，在工業(yè)領(lǐng)域中發(fā)揮著重要作用。由于極端高溫和高負(fù)荷工作條件，對(duì)這些機(jī)器的關(guān)鍵組件進(jìn)行預(yù)測(cè)性維護(hù)是預(yù)測(cè)和健康管理(PHM)至關(guān)重要的重要部分。預(yù)測(cè)性維護(hù)可以分為五個(gè)階段：狀態(tài)監(jiān)測(cè)、故障識(shí)別、故障定量診斷、退化評(píng)估和剩余壽命預(yù)測(cè)。目前，已經(jīng)提出了許多診斷和預(yù)測(cè)算法，并取得了令人滿意的成績(jī)。但是，對(duì)于狀態(tài)監(jiān)測(cè)(這是預(yù)測(cè)性維護(hù)的最基本且容易被忽略的方面之一)領(lǐng)域還沒有足夠深入的研究工作。

在實(shí)際工業(yè)現(xiàn)場(chǎng)，可以收集到大量健康狀態(tài)數(shù)據(jù)，但通常無(wú)法獲得異常數(shù)據(jù)。此外，對(duì)故障模式和故障外部表現(xiàn)的研究依舊沒有足夠的理論基礎(chǔ)和工程支持，異常數(shù)據(jù)樣本標(biāo)記少。因此，在此階段最緊急的任務(wù)是基于健康狀態(tài)信號(hào)來識(shí)別設(shè)備早期出現(xiàn)的異常狀態(tài)。為了實(shí)現(xiàn)此目標(biāo)，期望基于健康狀態(tài)數(shù)據(jù)來建立異常狀態(tài)指示器，并確定待檢測(cè)數(shù)據(jù)是否為異常。

異常狀態(tài)檢測(cè)已被引入許多工程領(lǐng)域，在預(yù)測(cè)性維護(hù)領(lǐng)域，也進(jìn)行了相關(guān)研究。但是，現(xiàn)有的研究工作仍然存在三個(gè)缺點(diǎn)。首先，特征提取的過程始終取決于人工經(jīng)驗(yàn)，并且提取的特征不可重新配置，這會(huì)導(dǎo)致健康狀態(tài)下樣本信息丟失。其次，一些狀態(tài)監(jiān)測(cè)方法僅對(duì)待檢測(cè)狀態(tài)和預(yù)測(cè)正常范圍之間采用簡(jiǎn)單的比較來判別設(shè)備異常情況，鑒于機(jī)械系統(tǒng)的高度動(dòng)態(tài)特性，這是不夠的。最后，對(duì)抗學(xué)習(xí)策略很少被用于狀態(tài)監(jiān)控任務(wù)，對(duì)該方法的研究還不夠深入。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)以上所述技術(shù)缺陷，提供了一種基于對(duì)抗學(xué)習(xí)策略的機(jī)械裝備運(yùn)行狀態(tài)異常檢測(cè)系統(tǒng)和方法。該方法可以實(shí)現(xiàn)設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)特征的自動(dòng)提取，無(wú)需依靠人工經(jīng)驗(yàn)而造成健康狀態(tài)下樣本有用信息的丟失，并且利用對(duì)抗學(xué)習(xí)策略，能更好地學(xué)習(xí)到正常樣本的樣本流形，使用判別器網(wǎng)絡(luò)能夠有效判別異常數(shù)據(jù)和正常數(shù)據(jù)分布之間的距離，提高異常檢測(cè)的效率和敏感性。

為達(dá)到上述目的，本發(fā)明采用如下方案來實(shí)現(xiàn)的：

基于對(duì)抗學(xué)習(xí)策略的機(jī)械裝備運(yùn)行狀態(tài)異常檢測(cè)系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、特征提取模塊、異常判別模塊和結(jié)果輸出模塊；

所述數(shù)據(jù)采集模塊，利用加速度傳感器以設(shè)定時(shí)間間隔采集機(jī)械裝備振動(dòng)信號(hào)，形成加速度時(shí)間序列樣本，并將其傳輸給后續(xù)的模塊進(jìn)行處理；

所述數(shù)據(jù)預(yù)處理模塊，對(duì)從所述數(shù)據(jù)采集模塊輸入的加速度時(shí)間序列樣本進(jìn)行預(yù)處理，劃分網(wǎng)絡(luò)輸入數(shù)據(jù)子序列；

所述特征提取模塊，利用生成器網(wǎng)絡(luò)獲取經(jīng)過預(yù)處理的輸入數(shù)據(jù)子序列的潛在特征、重構(gòu)數(shù)據(jù)以及重構(gòu)潛在特征矩陣分別作為兩個(gè)判別器網(wǎng)絡(luò)的輸入，將判別器網(wǎng)絡(luò)輸出的實(shí)時(shí)樣本空間以及潛在樣本空間的匹配特征矩陣作為特征量；

所述異常判別模塊，將所述特征提取模塊提取的特征量降維獲得最終的異常分?jǐn)?shù)值，將當(dāng)前振動(dòng)數(shù)據(jù)的異常分?jǐn)?shù)值F_now與已知正常振動(dòng)數(shù)據(jù)的異常分?jǐn)?shù)值數(shù)列的95％分位數(shù)F_normal進(jìn)行比較，如果滿足F_now＞F_normal+c，則判斷該時(shí)刻機(jī)械裝備故障，如果F_now≤F_normal+c，則判定該時(shí)刻機(jī)械裝備處于正常狀態(tài)，其中c為靈敏度控制值；

所述結(jié)果輸出模塊輸出機(jī)械裝備當(dāng)前狀態(tài)信息。