一种深度自编码网络的旋转机械健康评估方法技术

本发明专利技术公开了一种深度自编码网络的旋转机械健康评估方法，包括步骤1，振动信号采集；步骤2，原始特征提取；步骤3，采用深度自编码网络DAE进行特征降维；步骤4，特征选择；步骤5，采用无监督SOM算法进行健康指标构建；步骤6，采用基于遗传算法的融合评价准则进行健康指标评价。本发明专利技术结合深度学习强大特征提取能力的优势，将深度自编码和最小量化误差方法相结合。另外，针对基于一个度量的评价准则常常具有偏差的问题，提供了基于遗传算法的融合评价准则。本发明专利技术能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。

【技术实现步骤摘要】
一种深度自编码网络的旋转机械健康评估方法
本专利技术涉及旋转机械健康评估技术，特别是一种深度自编码网络的旋转机械健康评估方法。
技术介绍
由于先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法在轴承预测中得到了广泛的应用，因为它们能够利用状态监测数据来量化退化过程，而不是建立一个不容易获得的精确系统模型。通常，数据驱动的预测方法通常由以下三个步骤组成：数据采集、健康指标构建和剩余寿命预测。健康指标试图通过从获取的数据中提取特征信息来识别和量化历史和正在进行的退化过程。因此，所构建的健康指标的质量在很大程度上直接影响着数据驱动的预测方法的有效性。从这个角度出发，构建有效反应机械设备退化的健康指标至关重要。工业现场中常见的旋转零部件，如轴承、齿轮、转子等，是旋转机械设备中的重要组成构件，它的健康状况直接影响旋转机械能否正常运转。这些关键部件损坏严重会导致生产停工，带来巨大经济损失，因此，对其健康状况准确评估对于设备安全可靠运行具有重要意义。根据健康指标的构造策略，可以将现有的旋转机械健康指标分为两类：物理健康指标和虚拟健康指标。时频域特征提取方法通常是计算时本文档来自技高网...

【技术保护点】
1.一种深度自编码网络的旋转机械健康评估方法，其特征在于：包括如下步骤：步骤1，振动信号采集：对旋转机械的关键部件的振动信号进行采集；步骤2，原始特征提取：对步骤1采集的振动信号，进行关键部件全寿命原始特征的初步提取；步骤3，特征降维：将步骤2提取的原始特征作为深度自编码网络DAE的输入，深度自编码网络DAE将原始特征进行非线性降维，得到压缩向量Z；步骤4，特征选择：将步骤3得到的压缩向量Z中的特征按趋势值进行排序，选取趋势值趋势值大于0.8的特征构成特征子集；步骤5，健康指标构建：采用无监督SOM算法将步骤4选择的特征子集融合成一维的健康值，得到旋转机械的关键部件全寿命的健康指标；步骤6，健...

【技术特征摘要】
1.一种深度自编码网络的旋转机械健康评估方法，其特征在于：包括如下步骤：步骤1，振动信号采集：对旋转机械的关键部件的振动信号进行采集；步骤2，原始特征提取：对步骤1采集的振动信号，进行关键部件全寿命原始特征的初步提取；步骤3，特征降维：将步骤2提取的原始特征作为深度自编码网络DAE的输入，深度自编码网络DAE将原始特征进行非线性降维，得到压缩向量Z；步骤4，特征选择：将步骤3得到的压缩向量Z中的特征按趋势值进行排序，选取趋势值趋势值大于0.8的特征构成特征子集；步骤5，健康指标构建：采用无监督SOM算法将步骤4选择的特征子集融合成一维的健康值，得到旋转机械的关键部件全寿命的健康指标；步骤6，健康指标评价：采用基于遗传算法的融合评价准则对步骤5构建的健康指标进行评价。2.根据权利要求1所述的深度自编码网络的旋转机械健康评估方法，其特征在于：步骤6中，采用融合评价准则对健康指标进行评价的具体方法为：用遗传算法搜寻适应度函数的最大值作为评价健康指标的标准，适度函数值越大表明构建的健康指标越好。3.根据权利要求2所述的深度自编码网络的旋转机械健康评估方法，其特征在于：适应度函数的最大值计算公式表示如下：其中，Y(tk)＝YT(tk)+XR(tk)(6)式中，fitness为适度函数值，corr(Y(tk),T(tk))为趋势值，mon(Y(tk))为单调性值，rob(Y(tk))为鲁...

【专利技术属性】
技术研发人员：贾民平，佘道明，许飞云，胡建中，黄鹏，鄢小安，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32