多源无标签数据学习建模的传动系统性能退化评估方法技术方案

技术编号:15911004 阅读:66 留言:0更新日期:2017-08-01 22:35
本发明专利技术提供一种多源无标签数据学习建模的传动系统性能退化评估方法。该方法首先将天线传动系统异构信号转化为同构数据,建立同构测试信号与系统退化特征之间的映射关系;然后,建立3层堆叠式深度置信网络拓扑模型,通过对多源无标签信号的编解码重建实现系统退化隐含特征的非监督提取;最后,基于提取的退化隐含特征,计算连续退化特征的局部密度值,并确定无标签条件下系统性能状态的聚类个数,按照距离最大准则进一步计算出各个聚类中心的初始值,利用动态时间弯曲距离计算各个聚类中心的边界,微调聚类中心与聚类边界,完成退化特征向系统性能状态的无标签映射。本发明专利技术具有特征提取精度高、状态评估简单有效等特点。

Evaluation method of performance degradation of transmission system based on learning model without multi-source unlabeled data

The invention provides a performance degradation assessment method of a transmission system with multi-source unlabeled data learning modeling. The antenna transmission system of heterogeneous signal into homogeneous data, establish the mapping relationship between isomorphism testing signal and system degradation characteristics; then, the establishment of 3 layer stacked deep belief network topology model, unsupervised extraction by decoding reconstruction signal to realize the multi label system degradation implied characteristics; finally, degradation the implicit feature extraction based on local density calculation of the continuous degradation characteristic value, and determine the number of clustering performance state system under the condition of no label, in accordance with the maximum distance criterion to calculate the initial value of the center of each cluster, each cluster center is calculated by using the dynamic time warping distance boundary, fine tune the clustering center and the clustering boundary, no label to complete the mapping characteristics of degradation of system performance status. The invention has the advantages of high precision of the feature extraction, simple and effective state evaluation, etc..

【技术实现步骤摘要】
多源无标签数据学习建模的传动系统性能退化评估方法
本专利技术涉及机械设备健康评估领域,具体为一种多源无标签数据学习建模的传动系统性能退化评估方法。
技术介绍
近十年来机械设备健康评估技术成为长寿命、高可靠机械设备运营管理的关键技术,相比较于传统的设备运营管理技术,健康评估具有可发现早期的系统性能衰退,能给出设备的运行健康程度,可将现行的设备定期维护发展到视情维护,可大幅度降低运营管理费用等优点。而性能退化评估是进行机械设备健康评估的重要前提,因此关于性能退化评估的研究是机械设备健康评估领域的一个关键课题。当前性能退化评估的方法主要分两类:基于设备健康状态标签的有监督分类和基于监测数据的无监督聚类。基于设备健康状态标签的有监督分类方法,依赖于先验知识构造退化特征,依赖于健康状态标签进行退化状态分类,对于实际中缺乏早期退化知识和退化状态标签的机械设备难以凑效。基于监测数据的无监督聚类方法,由于降低了对退化先验知识和退化状态标签的依赖,在实际中得到了较多的应用,然而现有聚类方法需要事先指定聚类个数,而聚类个数直接决定退化状态个数,聚类个数的先验确定加剧了性能退化状态评估结果的不确定性。如何本文档来自技高网...
多源无标签数据学习建模的传动系统性能退化评估方法

【技术保护点】
一种多源无标签数据学习建模的传动系统性能退化评估方法,其特征在于,该方法包括以下步骤:步骤1:对天线传动系统在不同转速、不同采样频率下的异构测试信号通过动态时间规整转化为同构数据;其中异构测试信号包括振动、电流、温度和转角测试信号;步骤2:利用稀疏约束下的受限玻尔兹曼机模型建立复杂环境条件下多源无标签同构测试信号与系统退化特征之间的映射关系;步骤3:根据Encoder‑Decoder嵌套结构,利用稀疏受限玻尔兹曼机建立系统退化特征提取的6层堆叠式深度置信网络拓扑模型;步骤4:采用随机梯度下降方法和多源信号进行深度置信网络拓扑模型参数的自适应学习,通过对多源无标签同构测试信号的编解码重建实现系统...

【技术特征摘要】
1.一种多源无标签数据学习建模的传动系统性能退化评估方法,其特征在于,该方法包括以下步骤:步骤1:对天线传动系统在不同转速、不同采样频率下的异构测试信号通过动态时间规整转化为同构数据;其中异构测试信号包括振动、电流、温度和转角测试信号;步骤2:利用稀疏约束下的受限玻尔兹曼机模型建立复杂环境条件下多源无标签同构测试信号与系统退化特征之间的映射关系;步骤3:根据Encoder-Decoder嵌套结构,利用稀疏受限玻尔兹曼机建立系统退化特征提取的6层堆叠式深度置信网络拓扑模型;步骤4:采用随机梯度下降方法和多源信号进行深度置信网络拓扑模型参数的自适应学习,通过对多源无标签同构测试信号的编解码重建实现系统退化隐含特征的非监督提取;步骤5:根据步骤4提取的系统退化隐含特征,计算出高维空间下的连续退化特征局部密度值,并确定无标签条件下系统性能状态的聚类个数;步骤6:根据步骤5确定的系统性能状态聚类个数,按照距离最大准则进一步计算出各个聚类中心的初始值;步骤7:根据步骤6确定的系统性能状态聚类个数和聚类中心初始值,利用动态时间弯曲距离计算各个聚类中心的边界,将类内距离最小与类间距离最大作为优化目标,微调聚类中心与聚类边界,完成退化特征向系统性能状态的无标签映射。2.根据权利要求1所述的一种多源无标签数据学习建模的传动系统性能退化评估方法,其特征在于,步骤2中,所述的深度置信网络拓扑模型选择6个受限玻尔兹曼机单元按照堆叠式结构进行组合,每个受限玻尔兹曼机的输出层按照如下式子进行稀疏化约束:其中Φ为基函数向量,Φ={φ1(x1,x2,x3,x4),φ2(x1,x2,x3,x4),...φn(x1,x2,x3,x4)};x1、x2、x3、x4是振动、电...

【专利技术属性】
技术研发人员:陈景龙陈改革訾艳阳
申请(专利权)人:西安交通大学
类型:发明
国别省市:陕西,61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1