一种旋转机械早期故障的识别方法技术

本发明专利技术属于故障预测与健康管理相关技术领域，其公开了一种旋转机械早期故障的识别方法，包括以下步骤：(1)采集信号时间序列数据；(2)对得到的时序信号数据进行处理以将时域信号转换至频域和时频域；(3)构建贝叶斯深度支持向量数据描述的无监督学习神经网络模型；(4)基于得到的特征图，采用无监督和贝叶斯反向传播相结合的方法对神经网络模型进行训练；(5)确定神经网络模型早期故障识别的指示标尺；(6)计算旋转机械每个时刻的样本与超球中心的距离，进而通过与超球半径的置信上限对比以识别出旋转机械的早期故障点，并进行健康水平信息指示。本发明专利技术解决了早期故障点难以识别、检测精度低、结果不可靠的问题。结果不可靠的问题。结果不可靠的问题。

【技术实现步骤摘要】
一种旋转机械早期故障的识别方法


[0001]本专利技术属于故障预测与健康管理相关
，更具体地，涉及一种旋转机械早期故障的识别方法。

技术介绍

[0002]故障既是状态又是过程，从故障征兆到退化失效的全过程经历了多状态，状态间的转移具有随机性的特点。任何一个运行中的旋转机械，随着服役时间增加，总会不可避免的发生故障或失效。旋转机械早期故障可以理解为旋转机械产生故障的征兆，并从这一时期起其功能开始缓慢或者急剧地劣化。旋转机械早期故障识别的主要任务包括早期故障点的识别和旋转机械从健康运行到发生早期故障，直至失效这一过程中的健康水平信息指示两部分。早期故障点为早期故障状态的起始点，可以定义为旋转机械健康阶段和故障劣化阶段的分界点。尽可能早地检测出早期故障点一方面可以预防进一步的劣化和故障的发生，起到旋转机械健康状态预警和指示的作用，另一方面尽早识别到旋转机械进入早期故障状态并指示其健康水平信息，便于继续进行旋转机械的故障模式识别和剩余使用寿命预测，有助于后续的维修决策和运维优化。
[0003]旋转机械早期故障识别方法主要有基于机理模型的、基于统计和信号分析的、基于机器学习的方法。基于机理模型的方法需要根据旋转机械退化过程的数学或物理规律建立相应的模型，多数旋转机械的机理非常复杂，往往难以建立有效的机理模型。基于统计和信号分析的方法结合了先验知识和信号处理方法，这类方法往往需要较多的专家经验知识及相关理论基础，没有很强的泛化性能。同时由于旋转机械结构复杂且故障致因繁多、背景噪声干扰故障特征提取、传感数据难以分析等问题，因此早期故障存在随机性强、微弱故障难以捕捉、作业数据特征混叠严重等难点，这些难点使得仅使用机理建模或信号分析的方法难以推广到生产实际。基于机器学习的方法不再局限于固定的先验知识，可以利用振动、温度、压力等大量的传感器时序信号，通过训练数据模型的方式学习到不同层次的特征。这类方法的识别效果良好，但往往需要大量的历史数据作为训练样本。当实际问题复杂、样本量较少时，样本本身数据的偶然不确定性和模型难以精确建模导致的模型认知不确定性往往导致早期故障识别结果准确度不高，可用性较差，也存在一定的局限性。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种旋转机械早期故障的识别方法，所述识别方法首先将传感器采集到的旋转机械运行初期健康阶段的时序信号转换为频域和时频域信息，并获取模型所需的特征图像，然后利用少量正常样本特征图像训练出一个贝叶斯形式的深度支持向量网络描述的网络模型，最后使用训练好的模型完成旋转机械早期故障点的高置信度检测和健康水平信息指示，解决了早期故障点难以识别、检测精度低、结果不可靠的问题。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种旋转机械早期故障的识别
方法，所述识别方法主要包括以下步骤：
[0006](1)采集单台或者多台同类旋转机械初期健康阶段的信号时间序列数据或者全生命周期的信号时间序列数据以得到数据样本集；
[0007](2)对得到的时序信号数据进行处理以将时域信号转换至频域和时频域，从而得到时序信号对应的频域和时频域的特征图，该特征图包括单边幅频特征图和VMD
‑
Hilbert时频谱特征图；
[0008](3)构建贝叶斯深度支持向量数据描述的无监督学习神经网络模型，将得到的正常样本包裹在一个尽可能小的超球面内，同时利用贝叶斯神经网络结构获取模型和数据的不确定性信息；
[0009](4)基于得到的特征图，采用无监督和贝叶斯反向传播相结合的方法对神经网络模型进行训练；
[0010](5)确定神经网络模型早期故障识别的指示标尺，标尺综合表示样本映射到模型输出的高维空间后被超球包裹的不确定性；
[0011](6)计算旋转机械每个时刻的样本与超球中心的距离，进而通过与超球半径的置信上限对比以识别出旋转机械的早期故障点，并进行健康水平信息指示。
[0012]进一步地，通过对得到的时序数据样本X
i
进行快速傅里叶变换，得到一维单边幅频谱后，重组为二维特征图，由此获得单边幅频特征图。
[0013]进一步地，通过选择模态数K，对时序信号进行变分模态分解以得到多组本征模态分量，对每一个模态分量进行Hilbert变换得到随时间变化的瞬时频率υ(t)和瞬时幅值A(t)后，按等时间间隔离散化υ(t)和A(t)以获得信号时频谱；
[0014]信号的时频表达式为：
[0015][0016]式中，R{
·
}表示复数的实部；r表示第r个模态；K为模态数。
[0017]进一步地，神经网络模型的损失函数为：
[0018][0019]式中，表示网络输出与超球中心c距离的平方；s为模型分布层采样次数，k为训练集样本长度；λ为非负的修正超参数项；q
θ
(ω|D)为可变分近似概率分布；p(ω)为真实后验分布；KL[
·
]表示Kullback
‑
Leibler散度算子；为期望算子，表示q
θ
(ω|D)的期望；D为正常样本数据；ω为神经网络可训练的未知参数权重；p(D|ω)为给定参数ω后数据D的似然函数。
[0020]进一步地，所述神经网络模型假设所有能训练未知参数ω被视为服从高斯分布的独立随机变量，进而通过训练从数据中推断出相应的后验分布；给定数据D＝{(X,Y)}和网络模型结构f，未知参数ω的后验分布如下：
[0021][0022]式中，p(D|ω,f)为似然函数；p(ω|f)为先验概率；p(D|f)为边缘似然，预测过程可以从后验分布p(ω|D,f)中抽样参数ω
(j)
，通过计算模型f(X,ω
(j)
)，得到预测结果Y
*
的期望值：
[0023][0024]采用Bayes by backprop近似推理方法近似获取后验分布，建立一组由μ为参数均值、σ为标准差的参数θ～(μ,σ)控制的可变分近似概率分布q
θ
(ω|D)。
[0025]进一步地，通过优化q
θ
(ω|D)的参数，使得q
θ
(ω|D)与真实后验分布p的KL散度尽可能小：
[0026][0027]式中，KL[q
θ
(ω|D)||p(ω|D,f)]表示复杂性代价，表示似然代价，对ω进行局部重参数化操作，令表示ε服从标准高斯分布；与μ
i
表示第i个网络参数的均值，σ
i
为标准差；以实现从标准高斯分布中近似采样随机变量获取ω。
[0028]进一步地，对于贝叶斯卷积层，通过两个卷积核，令A
i
为感受野；为方差算子，使用高斯分布对特征图进行局部重参数采样，得到激活值b
i
。
[0029]进一步地，采用FlipOut操作修正贝叶斯变分推断，更新基本扰动方式如下：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械早期故障的识别方法，其特征在于，该识别方法包括以下步骤：(1)采集单台或者多台同类旋转机械初期健康阶段的信号时间序列数据或者全生命周期的信号时间序列数据以得到数据样本集；(2)对得到的时序信号数据进行处理以将时域信号转换至频域和时频域，从而得到时序信号对应的频域和时频域的特征图，该特征图包括单边幅频特征图和VMD
‑
Hilbert时频谱特征图；(3)构建贝叶斯深度支持向量数据描述的无监督学习神经网络模型，将得到的正常样本包裹在一个尽可能小的超球面内，同时利用贝叶斯神经网络结构获取模型和数据的不确定性信息；(4)基于得到的特征图，采用无监督和贝叶斯反向传播相结合的方法对神经网络模型进行训练；(5)确定神经网络模型早期故障识别的指示标尺，标尺综合表示样本映射到模型输出的高维空间后被超球包裹的不确定性；(6)计算旋转机械每个时刻的样本与超球中心的距离，进而通过与超球半径的置信上限对比以识别出旋转机械的早期故障点，并进行健康水平信息指示。2.如权利要求1所述的旋转机械早期故障的识别方法，其特征在于：通过对得到的时序数据样本X
i
进行快速傅里叶变换，得到一维单边幅频谱后，重组为二维特征图，由此获得单边幅频特征图。3.如权利要求2所述的旋转机械早期故障的识别方法，其特征在于：通过选择模态数K，对时序信号进行变分模态分解以得到多组本征模态分量，对每一个模态分量进行Hilbert变换得到随时间变化的瞬时频率υ(t)和瞬时幅值A(t)后，按等时间间隔离散化υ(t)和A(t)以获得信号时频谱；信号的时频表达式为：式中，R{
·
}表示复数的实部；
r
表示第
r
个模态；K为模态数。4.如权利要求3所述的旋转机械早期故障的识别方法，其特征在于：神经网络模型的损失函数为：式中，表示网络输出与超球中心c距离的平方；s为模型分布层采样次数，k为训练集样本长度；λ为非负的修正超参数项；q
θ
(ω|D)为可变分近似概率分布；p(ω)为真实后验分布；KL[
·
]表示Kullback
‑
Leibler散度算子；为期望算子，表示q
θ
(ω|D)的期望；D为正常样本数据；ω为神经网络可训练的未知参数权重；p(D|ω)为给定参数ω后数据D的似然函数。5.如权利要求4所述的旋转机械早期故障的识别方法，其特征在于：所述神经网络模型假设所有能训练未知参数ω被视为服从高斯分布的独立随机变量，进而通过训练从数据中推断出相应的后验分布；给定数据D＝{(X,Y)}和网络模型结构f，未知参数ω的后验分布如
下：式中，...

【专利技术属性】
技术研发人员：邱浩波，张宪国，许丹阳，高亮，尚洁，王达鹏，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：