一种深度基向量编码网络及零部件故障预警方法技术

一种深度基向量编码网络及零部件故障预警方法，属于故障诊断与设备健康运维领域。深度基向量编码网络由压缩编码器、深度基向量编码模块和扩张解码器组成，深度基向量编码模块将深度特征向量编码为深度基向量的线性组合。一种零部件故障预警方法，步骤包括：使用零部件服役早期的数据样本训练深度基向量编码网络，将训练好的压缩编码器和深度基向量编码模块组合成深度线性分解机；在零部件继续服役的过程中，将监测数据样本输入深度线性分解机，将数据样本表示为深度线性空间的坐标点；最后根据各数据样本在深度线性空间距离均值点的欧氏距离判别数据样本是否异常；若数据样本背叛别为异常点，则判定故障发生。则判定故障发生。则判定故障发生。

【技术实现步骤摘要】
一种深度基向量编码网络及零部件故障预警方法


[0001]本专利技术涉及机械零部件故障诊断技术，尤其是涉及一种深度基向量编码网络及零部件故障预警方法。

技术介绍

[0002]应用振动传感技术的故障诊断与预警技术对于提升设备健康运维时效性，降低设备维护成本、提升设备运行连续性具有重要的产业应用价值。传统的基于振动传感的机械故障诊断方法，根据机械设备的理论模型，获得设备的正常振动模式，以及各种类型故障会导致的振动模式。设计各种数据处理算法，从监测数据中提取表征异常振动模式的特征值，实现故障诊断。然而，受限于多样的设备结构和复杂的信号传递路径，数据处理算法难以广泛适用，必须经过专业的选型与调参，这使得机械设备健康监测难以实现自动化和智能化。
[0003]随着人工智能技术的发展，使用神经网络模型通过无监督学习从监测数据中自适应地提取低维度的深度特征特征，是提升故障诊断系统的对象适应性，加速故障诊断系统在工业现场部署应用重要的重要技术路线。自动编码机是目前研究最为广泛的深度特征无监督提取模型，结构简洁，训练方便，取得一系列的应用成果。然而，现有自动编码机的哑铃结构导致其难以在深度特征压缩率与重构精度之间进行平衡。增加深度特征向量的维度，有利于提升重构精度，亦提升深度特征的物理意义。一味降低深度特征向量的维度，会降低模型学习能力，模型难以训练，往往导致深度特征缺乏物理意义。涉及更为先进的网络架构，提升模型建模能力的同时降低深度特征的维度，成为本领域技术人员亟需解决的问题。

技术实现思路

[0004]本专利技术的目的在于针对在机械故障智能诊断与预警领域，使用自动编码机无监督地提取振动监测数据的深度特征，难以在模型建模能力和特征压缩性能之间进行平衡，存在深度特征压缩率不足的问题，以及深度特征对零部件故障敏感性不足等问题，提供一种深度基向量编码网络及零部件故障预警方法。
[0005]本专利技术提供一种深度基向量编码网络，包括以下功能模块：
[0006]一个输入层，用于接收输入的数据样本；
[0007]一个压缩编码器，用于将输入的数据样本进行初步压缩降维；
[0008]一个深度基向量编码模块，用于将所述压缩编码器输出的深度特征向量编码为数个深度基向量的线性组合，所述各个深度基向量张成深度线性空间，所述各个深度基向量对应的系数构成深度特征向量在深度线性空间的坐标向量；
[0009]一个扩张解码器，用于将所述深度基向量编码模块输出的基向量和坐标向量重构深度特征向量，并将所述重构深度特征向量扩张解码，获得与所述输入层接收的数据样本大小相同的重构数据样本；
[0010]一个输出层，用于将所述扩张解码器输出的重构数据样本输出模型。
[0011]具体的，所述深度基向量编码模块由深度基向量组、深度特征向量投影分解模块、
坐标向量阈值激活模块、深度特征向量重构模块组成，其中深度基向量的数目人为设定，深度基向量的数值通过模型训练学习获得；
[0012]在数据前向传递过程中，压缩编码器将输入数据样本进行初步压缩降维，获得深度特征向量，然而对于异常检测算法，深度特征向量中的元素仍然过多。在深度特征向量输入基向量编码模块中，深度特征向量被投影分解为基向量的线性组合，在深度基向量张成的深度线性空间中，深度特征向量的坐标即可定义深度特征向量，在压缩编码器和深度基向量都学习固定后，就可以用数据样本在深度线性空间的坐标向量表示数据样本，进一步的提升压缩比。由于基向量的元素数可以较多，能够增强模型的学习能力。通过深度基向量编码，使用深度基向量记忆数据样本的共性特征，使用深度坐标向量记忆数据样本的个性特征，将网络的建模功能和降维压缩功能结构，解决现有自动编码机提取深度特征压缩率不足的问题。
[0013]基于所述深度基向量编码网络，本专利技术提供一种零部件故障预警方法，包括以下步骤：
[0014]1)使用传感器和数据采集卡采集待监测零部件的振动加速度信号；
[0015]2)使用零部件服役早期健康状态的数据样本无监督地训练所述深度基向量编码网络，获得深度线性空间的基向量；
[0016]3)使用训练好的深度基向量编码网络中的压缩编码器和深度基向量编码模块组合成深度线性分解机；
[0017]4)在零部件继续服役的过程中，将监测数据样本输入深度线性分解机，获得数据样本在深度线性空间的深度坐标；
[0018]5)计算各数据样本深度坐标的平均值作为深度坐标参考点；
[0019]6)根据各数据样本的深度坐标至所述深度坐标参考点的欧氏距离判别数据样本是否为异常点，若数据样本被叛别为异常点，则判定故障发生，发出预警。
[0020]在步骤2)中，所述使用零部件服役早期健康状态的数据样本无监督地训练所述深度基向量编码网络的具体方法可为：
[0021]在模型训练过程中，压缩编码器及扩展解码器与深度基向量编码模块交替优化，首先固定深度基向量，使用误差反向传播算法优化压缩编码器和扩张解码器的参数，然后固定压缩编码器和扩张解码器，使用误差反向传播算法优化深度基向量；
[0022]使用误差反向传播算法多模型进行训练，采用主损失函数和辅助损失函数相配合的模式，以主损失函数为基础，在不同优化阶段，针对深度基向量和深度坐标向量分别设置辅助损失函数，提升基向量的正交性和深度坐标向量的稀疏性，提升基向量正交性有利于提升基向量组的知识容量，进而提升模型的建模能力，提升坐标向量的稀疏性有利于检测异常数据样本。
[0023]具体的，模型训练过程中的主损失函数为所述重构数据样本与所述输入数据样本的均方差函数：
[0024][0025]其中，为主损失，m为输入数据样本中的元素数，x
i
为输入数据样本中的第i个元
素，为重构数据样本中的第i个元素。
[0026]在固定深度基向量而优化压缩编码器和扩张解码器的训练阶段，添加第一辅助损失函数提升深度线性空间的坐标向量的稀疏性，第一辅助损失函数为：
[0027][0028]其中，为所述第一辅助损失，q
i
为坐标向量的第i个元素，为输入数据样本中的元素数，k为坐标向量的维度数，也是深度基向量的个数。
[0029]在固定压缩编码器和扩张解码器而优化深度基向量的训练阶段，添加第二辅助损失函数提升深度基向量的正交性，第二辅助损失函数为：
[0030][0031]其中，为所述第二辅助损失，为第i个深度基向量的第j个元素，为平均基向量的第j个元素，k为深度基向量的个数，r为深度基向量的维度数。
[0032]在步骤6)中，所述根据各数据样本的深度坐标至所述深度坐标参考点的欧氏距离判别数据样本是否为异常点的具体方法可为：
[0033]判定异常数据样本使用四分位距异常判据，具体的判别算法为：
[0034][0035]其中，d
i
为第i个监测数据样本的深度坐标至深度坐标参考点的欧氏距离，Q1为数据样本深度坐标至深度坐标参考点的欧式距离的第一四分位数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度基向量编码网络，其特征在于包括以下模块：一个输入层，用于接收输入的数据样本；一个压缩编码器，用于将输入的数据样本进行初步压缩降维；一个深度基向量编码模块，用于将所述压缩编码器输出的深度特征向量编码为数个深度基向量的线性组合，各个深度基向量张成深度线性空间，所述各个深度基向量对应的系数构成深度特征向量在深度线性空间的坐标向量；一个扩张解码器，用于将所述深度基向量编码模块输出的基向量和坐标向量重构深度特征向量，并将所述重构深度特征向量扩张解码，获得与所述输入层接收的数据样本大小相同的重构数据样本；一个输出层，用于将所述扩张解码器输出的重构数据样本输出模型。2.如权利要求1所述一种深度基向量编码网络，其特征在于所述深度基向量编码模块由深度基向量组、投影分解模块、坐标向量阈值激活模块、深度特征向量重构模块组成，其中深度基向量的数目人为设定，深度基向量的数值通过模型训练自动编码的。3.如权利要求1所述一种深度基向量编码网络，其特征在于所述坐标向量通过将所述深度特征向量向各个深度基向量投影分解得出。4.一种零部件故障预警方法，其特征在于包括以下步骤：1)使用传感器和数据采集卡采集待监测零部件的振动加速度信号；2)使用零部件服役早期健康状态的数据样本无监督地训练如权利要求1所述深度基向量编码网络，获得深度线性空间的基向量；3)使用训练好的深度基向量编码网络中的压缩编码器和深度基向量编码模块组合成深度线性分解机；4)在零部件继续服役的过程中，将监测数据样本输入深度线性分解机，获得数据样本在深度线性空间的深度坐标；5)计算各数据样本深度坐标的平均值作为深度坐标参考点；6)根据各数据样本的深度坐标至深度坐标参考点的欧氏距离判别数据样本是否为异常点，若数据样本被叛别为异常点，则判定故障发生，发出预警。5.如权利要求4所述一种零部件故障预警方法，其特征在于在步骤2)中，所述深度基向量编码网络的训练过程中，压缩编码器及扩展解码器与所述深度基向量编码模块...

【专利技术属性】
技术研发人员：李锋军，王洪斌，高鸣，蓝启鑫，姚斌，陈彬强，谢富明，曹新城，张雷雷，卿涛，王雷飞，张冰冰，贾辉，高存贞，韩丽，张举，常喜萍，张晨晨，薛一刚，李鹏，郭振杰，
申请(专利权)人：厦门大学，
类型：发明
国别省市：