当前位置: 首页 > 专利查询>郑州大学专利>正文

一种基于变分自动编码器的设备状态异常检测方法技术

技术编号:35857272 阅读:35 留言:0更新日期:2022-12-07 10:44
本发明专利技术公开了一种基于变分自动编码器的设备状态异常检测方法,属于机械系统智能诊断与监测技术领域;包括以下步骤:采集机械设备正常运行时的振动信号;对信号进行预处理获得包含时域、频域以及自相关的多模态数据,进行数据融合后作为训练集;构建变分自动编码器VAE网络;使用训练集对网络进行训练;网络学习收敛后,选取带有正常和异常标签的样本数据作为测试集对网络进行测试以确定异常阈值,将异常阈值设入VAE网络对设备进行异常检测。本发明专利技术采用多模态融合的异常检测方法,解决单一域信号的分析缺乏检测结果的准确性问题,使得异常检测结果具有很好的准确性和精度,能够适应不同工况下工作的机械设备异常检测。不同工况下工作的机械设备异常检测。不同工况下工作的机械设备异常检测。

【技术实现步骤摘要】
一种基于变分自动编码器的设备状态异常检测方法


[0001]本专利技术涉及一种滚动轴承的异常检测方法,具体涉及一种基于变分自动编码器的设备状态异常检测方法,属于机械系统智能诊断与监测


技术介绍

[0002]电机、轴承和齿轮箱等设备在长期运行过程中,运行状态会逐渐变差,如果得不到及时的维修,会引发重大事故。因此,对设备的运行状态进行监控,并在早期发现设备故障是非常重要的,而设备的振动作为设备运行状态的一项有效指标,具有非常重要的研究价值。在运行过程中,机械设备的工况总是复杂多变的,载荷的变化将在很大程度上导致滚动轴承振动特征的改变,使对设备运行状态的判别变得更加复杂和困难。因此,对变工况下滚动轴承的状态检测及故障诊断已经成为机械振动领域的重要发展方向之一。
[0003]目前现有的异常检测大都基于时域、频域等单种模态信号,例如申请公布号为CN113532893A

基于装置振动的异常检测的专利技术专利,利用频域数据来判断异常检测;而在频域轴承的能量向中频段及高频段转移,时域信号对滚动轴承的缺陷敏感但对幅值和频率不够敏感,因此对单一域信号的分析缺乏检测结果的准确性,并且也不能适应不同工况下工作的机械设备异常检测。

技术实现思路

[0004]本专利技术的目的是:克服现有滚动轴承异常检测方法中存在的检测结果不准确、不能适应不同工况条件下设备异常检测的问题,提供一种基于变分自动编码器的设备状态异常检测方法,同时将时域和频域以及自相关数据三种模态信号的数据进行融合后作为变分自动编码器网络模型的输入,并使用正常和异常状态下的测试数据计算异常阈值,使得异常检测结果具有很好的准确性,同时也更加适应不同工况下工作的机械设备异常检测。
[0005]为实现上述目的,本专利技术采用了以下技术方案:一种基于变分自动编码器的设备状态异常检测方法,包括以下步骤:
[0006]S1、采集振动信号:
[0007]以选定的采样频率f采取不同工况条件下机械设备正常运行时的时间序列振动信号的原始数据X
n

[0008]S2、信号预处理获得多模态数据并融合:
[0009]按照选定的信号长度s(s∈Z,s≠0且s为偶数)对原始数据X
n
进行截取,每次截取后截取窗口向后平移距离为l=s/2,获取等长的m(m∈Z,m≠0)个样本数据X
i
(i∈(0,m),每个样本数据中有s个数据点);
[0010]对m个X
i
分别做相应的时域、频域和自相关变换,并选取前n=s/2个数据点进行0

1归一化处理分别获得波形样本数据Y
i
、频谱样本数据Fi和自相关样本数据Ri,改变数据的形状结构将三种模态的样本数据进行叠加融合,对融合后的数据进行
‑5‑
5归一化处理作为训练集;
[0011]S3、构建变分自动编码器网络;
[0012]变分自动编码器VAE网络由编码器和解码器构成,将上述步骤S2中预处理后的训练集作为原始样本数据集x输入网络,编码器网络表示为的参数化概率模型,其中表示编码器的网络参数集合,解码器网络表示为p
θ
(x

z)的参数化概率模型,其中θ(w,b)表示解码器的网络参数集合,w为初始权重,b为偏置;编码器网络输出的中间隐层变量为z,z的分布为p(z

x),解码器网络以z作为网络输入,最终输出逼近于原始样本数据x的生成数据
[0013]网络以原始样本数据x与生成数据之间的重构损失和编码器网络与隐变量z的分布p(z

x)之间的KL散度之和作为总损失函数和网络优化的目标函数,总损失函数Loss的表达式为:
[0014]式中,重构损失KL散度N为输入数据中的样本总数;
[0015]S4、利用训练集对VAE网络进行训练:
[0016]将上述步骤S2中预处理后的训练集内的数据顺序随机打乱,按照预设定的batch

size对打乱后的训练集进行划分,并将划分后的训练集输入上述步骤S3中构建的VAE网络中训练,自动更新网络参数和θ(w,b),当网络学习收敛后停止训练,固定网络参数并停止参数更新;
[0017]S5、选取测试集对VAE网络进行测试确定异常阈值:
[0018]选取带有正常和异常标签的样本数据,将其做上述步骤S2中的预处理后作为测试集输入网络进行测试,将测试集中每组数据的重构损失进行0

1归一化后作为该组数据的预测得分,并分别使用每个预测得分作为阈值将所有组别的预测得分进行划分:低于该阈值的划分为正常,高于该阈值的划分为异常,最后与真实标签对比计算出该阈值下的F1

score,取最大的F1

score所对应的阈值作为网络的异常阈值;
[0019]S6、将异常阈值设入VAE网络对设备进行异常检测:
[0020]将上述步骤S5中确定出的异常阈值作为VAE网络的异常阈值,并采用步骤S3中构建的VAE网络对不同负载下的设备振动信号进行异常检测,得到异常检测结果。
[0021]所述步骤S2中,对m个X
i
分别做相应的时域、频域和自相关变换得到样本数据的具体方法为:在每个X
i
中选取前n=s/2个数据点并进行0

1归一化处理作为波形样本数据Y
i
;对每个X
i
采用快速傅里叶变换FFT获取频谱数据,并根据实数序列频谱的共轭对称性,选取前n=s/2个数据点并进行0

1归一化处理作为频谱样本数据Fi;对每个X
i
作自相关变换以获得信号的自相关数据,选取前n=s/2个数据点并进行0

1归一化处理作为自相关样本数据Ri。
[0022]所述步骤S2中,三种模态样本数据的叠加融合方法为:将每个模态的样本数据Y
i
、Fi、Ri由原本结构为(n,1)的二维张量进行数据拆分,并转换为(1,a,b)(其中a
×
b=n,a,b
∈Z,且a,b≠0)的三维张量;
[0023]将三个维度的数据进行叠加得到(3,a,b)的三维张量作为网络的输入,即有三个通道数,每个通道的数据结构为a
×
b的二维数据,三种模态数据的结构为(Y
i
,Fi,Ri)。
[0024]所述步骤S3中,编码器网络有两个输出μ和logσ2,假设中间隐层变量z的分布服从p(z

x)=N(μ,σ2)的正态分布,z由μ和σ经过重参数化生成,z的表达式为:z=μ+σ
×
ε,式中ε为从标准正态分布N(0,1)中采样得到的参数。
[0025]所述步骤S4中,利用训练集对网络开始训练时,先设定VAE网络的超参数包括学习率,初始化网络参数并采用梯度下降法自本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于变分自动编码器的设备状态异常检测方法,其特征在于:包括以下步骤:S1、采集振动信号:以选定的采样频率f采取不同工况条件下机械设备正常运行时的时间序列振动信号的原始数据X
n
;S2、信号预处理获得多模态数据并融合:按照选定的信号长度s(s∈Z,s≠0且s为偶数)对原始数据X
n
进行截取,每次截取后截取窗口向后平移距离为l=s/2,获取等长的m(m∈Z,m≠0)个样本数据X
i
(i∈(0,m),每个样本数据中有s个数据点);对m个X
i
分别做相应的时域、频域和自相关变换,并选取前n=s/2个数据点进行0

1归一化处理分别获得波形样本数据Y
i
、频谱样本数据Fi和自相关样本数据Ri,改变数据的形状结构将三种模态的样本数据进行叠加融合,对融合后的数据进行
‑5‑
5归一化处理作为训练集;S3、构建变分自动编码器网络;变分自动编码器VAE网络由编码器和解码器构成,将上述步骤S2中预处理后的训练集作为原始样本数据集x输入网络,编码器网络表示为的参数化概率模型,其中表示编码器的网络参数集合,解码器网络表示为p
θ
(x

z)的参数化概率模型,其中θ(w,b)表示解码器的网络参数集合,w为初始权重,b为偏置;编码器网络输出的中间隐层变量为z,z的分布为p(z

x),解码器网络以z作为网络输入,最终输出逼近于原始样本数据x的生成数据网络以原始样本数据x与生成数据之间的重构损失和编码器网络q
φ
(z

x)与隐变量z的分布p(z

x)之间的KL散度之和作为总损失函数和网络优化的目标函数,总损失函数Loss的表达式为:式中,重构损失KL散度N为输入数据中的样本总数;S4、利用训练集对VAE网络进行训练:将上述步骤S2中预处理后的训练集内的数据顺序随机打乱,按照预设定的batch

size对打乱后的训练集进行划分,并将划分后的训练集输入上述步骤S3中构建的VAE网络中训练,自动更新网络参数和θ(w,b),当网络学习收敛后停止训练,固定网络参数并停止参数更新;S5、选取测试集对VAE网络进行测试确定异常阈值:选取带有正常和异常标签的样本数据,将其做上述步骤S2中的预处理后作为测试集输入网络进行测试,将测试集中每组数据的重构损失进行0

1归一化后作为该组数据的预测得分,并分别使用每个预测得分作为阈值将所有组别的预测得分进行划分:低于该阈值的划分为正常,高于该阈值的划...

【专利技术属性】
技术研发人员:雷文平闫灏李晨阳陈宏陈磊李凌均王丽雅李沁远
申请(专利权)人:郑州大学
类型:发明
国别省市:

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