基于不平衡类数据的工业设备健康状态识别方法技术

本发明专利技术公开了一种基于不平衡类数据的工业设备健康状态识别方法，包括以下步骤：先获取工业设备正常状态的k组振动信号样本、少量故障状态的振动信号；利用多尺度窗平移方法分别得到故障状态的k组振动信号样本，再构造振动信号样本集；采用池化生成方法对振动信号样本集进行降维重构，识别样本集作为训练样本集；建立工业设备健康状态识别模型，获得改进稀疏自编码器模型的连接权重和偏置参数；获得softmax分类器模型；将实时测试样本作为训练好的改进稀疏自编码器模型的输入，对测试样本深度学习，进行特征提取，得到测试样本特征，作为测试样本的匹配特征，得到待测工业设备的健康状态识别结果。通过本发明专利技术所述方法提高了诊断的准确性和实用性。断的准确性和实用性。断的准确性和实用性。

【技术实现步骤摘要】
基于不平衡类数据的工业设备健康状态识别方法


[0001]本专利技术涉及工业设备健康状态识别和计算机人工智能
，具体的说是一种基于不平衡类数据的工业设备健康状态识别方法。

技术介绍

[0002]科学技术的高速发展对工业生产过程的安全性和可靠性提出更高的要求，特别是在国民经济支柱产业中更是如此，装备制造、交通运输和航空航天等领域中的设备日趋大型化、连续化、复杂化、高速化和自动化，若不能及时判断工业设备的健康状态并开展设备异常工况预防工作，一旦发生生产事故，将会造成极大的经济损失，甚至危机人员生命安全，并伴随环境污染问题的出现。
[0003]一般工业生产过程都具备以下共同之处：首先，传统的分析和处理方法难以建立精准的物理模型实现对设备的监测与控制；其次，工业机械作业过程中会不断生成反映设备运行机理和运行状态的海量监测数据。如何利用这些海量监测数据来满足工业生产系统日益增长的稳定性和可靠性需求已成为当务之急。近年来，随着监测技术和深度学习等分析方法的出现和快速发展，基于数据的设备健康状态识别技术受到了广泛的关注与研究。
[0004]目前，现代工业设备健康状态识别方法的设计大都基于类分布大致平衡这一假设，通常假定用于训练的设备各类健康状态的监测数据量大致相等。事实上，随着工业进程的加快和设备性能的提升，由监测系统获取的反映设备运行机理和运行状态的数据中，大部分都是正常状态数据，只有极少量故障状态数据。这种类数据不平衡问题普遍存在的现状极大地影响了设备健康状态识别方法的有效性和准确性。此外，现代工业设备的组成单元之间相互关联且相互影响，导致监测系统获取的数据具有耦合性，使得特征难以描述的复杂故障状态普遍存在于各类工业设备中，而设备物理结构决定了复杂故障状态的特征并非单一故障状态特征的线性叠加。然而，现代工业系统中设备复杂故障状态非常普遍，对设备的性能和安全构成了极大的威胁。因此，以上工业领域中设备健康状态辨识的难题，增加了挖掘振动监测数据中特征信息的难度。
[0005]在工业设备健康状态识别领域，研究者们提出了多种解决途径。2019年徐飞等人在文章“基于VMD和PCT的旋转机械故障诊断方法研究”(《组合机床与自动化加工技术》2019年11月第11期96
‑
104)中提出一种基于变分模态分解(VMD)和多项式调频小波变换(PCT)的旋转机械健康状态识别方法。将VMD分解出的周期性最明显的模态分量经由PCT得到时频图，通过分析时频图实现设备健康状态识别。该方法适用于旋转机械单点故障状态的辨识，未考虑设备复杂故障状态识别的问题，且需要预先已知设备不同健康状态的转动频率。2020年林水泉在文章“基于旋转机械滚动轴承的时域故障诊断方法”(《自动化技术与应用》2020年第39卷第8期1
‑
5)中提出一种小波包分解和BP神经网络结合的滚动轴承健康状态分类方法。首先将三层小波包分解得到的前4个小波系数重构，然后对小波系数提取7个时域特征值，最后利用BP神经网络实现分类。该方法中小波包分解和BP神经网络超参数的设置具有人为经验性，且识别性能的优劣受制于时域特征参数的选取。此外，方法的设计与应用
并未考虑设备不同健康状态的数据量不平衡，以及训练集和测试集不同分布条件下的健康状态识别问题。2020年周小龙等人在文章“改进的HHT方法及其在旋转机械故障诊断中的应用”(《振动与冲击》2020年第39卷第7期189
‑
195)中提出一种基于总体包络均值经验模态分解和虚假模态函数剔除算法相结合的改进HHT方法，实现了对旋转机械故障状态的识别。该方法中模型超参数的设置是基于相关文献和设计者经验实现的，且需要预先已知设备不同健康状态的旋转频率。此外，该方法并未考虑工业现场普遍存在的设备复杂故障状态识别的问题。2021年陈仁祥等人在文章“基于深度Q学习和连续小波变换的旋转机械故障诊断方法”(《振动工程学报》2021年10月第34卷第5期1092
‑
1100)中提出一种基于深度Q学习和连续小波变换的旋转机械健康状态识别方法。首先利用卷积神经网络拟合强化学习中的Q函数，然后通过Q
‑
learning算法学习策略实现设备健康状态预测。该方法的设计与应用并未考虑设备不同健康状态的数据量不平衡，以及训练集和测试集不同分布条件下的健康状态识别问题。2022年高玉才等人在文章“基于Bi
‑
LSTM和自注意力机制的旋转机械故障诊断方法研究”(《中国工程机械学报》2022年6月第20卷第3期273
‑
278)中提出一种基于双向长短时记忆网络(Bi
‑
LSTM)和自注意力机制的旋转机械健康状态识别方法。首先利用Bi
‑
LSTM网络和自注意力机制获得旋转机械振动信号的深层特征表示，然后由softmax层实现设备健康状态的预测。该方法适用于旋转机械单点故障状态的辨识，未考虑设备复杂故障状态识别的问题，且识别性能的优劣受制于人为配置的网络超参数。此外，方法的设计与应用并未考虑设备不同健康状态的数据量不平衡，以及训练集和测试集不同分布条件下的健康状态识别问题。
[0006]基于数据的工业设备健康状态识别技术的关键是挖掘隐藏在数据中的特征信息，传统的识别方法通常需要借助人为经验配置模型的超参数，然后从信号中挖掘并提取出具有代表性的特征。这些设计过程实现的主观性极大地降低了识别方法的自适应性和实用性；现有的基于类分布平衡这一假设的工业设备健康状态识别方法，通常假定用于训练的设备的各类健康状态数据量大致相等，难以解决类数据不平衡条件下的健康状态识别难题；针对单一组件、子系统和子单元的识别方法难以找出监测数据之间的耦合关系，无法应用于工业设备复杂故障状态的识别；工业设备健康状态的振动监测信号本身强度弱以及环境噪声干扰因素的存在，增加了对振动监测信号特征挖掘的难度。这些问题的存在必然增加了类数据不平衡条件下工业设备健康状态识别过程中出现误判和漏判的风险。

技术实现思路

[0007]本专利技术的目的是提供一种基于不平衡类数据的工业设备健康状态识别方法，利用多尺度窗平移方法、池化生成方法和改进稀疏自编码器模型，实现类数据不平衡条件下对工业设备健康状态的识别，以提高不同运行状态振动监测数据偏斜分布条件下工业设备健康状态识别的准确性、自适应性、可靠性和实用性。
[0008]为实现上述目的，本专利技术采用的技术方案是：
[0009]基于不平衡类数据的工业设备健康状态识别方法，包括以下步骤：
[0010]步骤1，利用加速度传感器获取工业设备正常状态的振动信号，正常状态的振动信号采集k组，其中k≥100，记为x
k
；
[0011]步骤2，利用加速度传感器分别获取工业设备n种故障状态的振动信号，每种故障
状态的振动信号分别采集r组，其中r≤10，n种故障状态的振动信号分别得到r组振动信号样本，分别记为x
nr
；
[0012]步骤3，利用多尺度窗平移方法对每个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不平衡类数据的工业设备健康状态识别方法，其特征在于，包括以下步骤：步骤1，利用加速度传感器获取工业设备正常状态的振动信号，正常状态的振动信号采集k组，其中k≥100，记为x
k
；步骤2，利用加速度传感器分别获取工业设备n种故障状态的振动信号，每种故障状态的振动信号分别采集r组，其中r≤10，n种故障状态的振动信号分别得到r组振动信号样本，分别记为x
nr
；步骤3，利用多尺度窗平移方法对每个故障状态的振动信号样本x
nr
进行不同滑动窗重采样，分别得到每种故障状态的k组振动信号样本，每种故障状态的k组振动信号样本分别记为x
nk
；步骤4，选取正常状态的振动信号样本x
k
和n种故障状态的所有振动信号样本x
nk
构造振动信号样本集X
m
，正常状态和n种故障状态共计m种健康状态；步骤5，对振动信号样本集X
m
中的每种健康状态的振动信号样本分别采用池化生成方法进行降维重构，得到由每种健康状态的组振动信号样本组成的振动信号样本集X
c
，振动信号样本集X
c
中的每个振动信号样本记为步骤6，利用生成的重构振动信号样本集X
c
构造状态识别样本集，并为状态识别样本集中的每个样本加注标签，将已加注标签的m种健康状态的所有振动加速度信号数据组成的状态识别样本集作为训练样本集；步骤7，建立基于改进稀疏自编码器的工业设备健康状态识别模型，利用步骤6的训练样本集对改进稀疏自编码器模型进行训练，将训练样本集中添加标签的样本依次输入由输入层、隐层和输出层组成的改进稀疏自编码器模型中，最小化由均方误差损失函数和改进约束项构成的改进稀疏自编码器模型的损失函数，采用有监督逐层训练方法进行逐层训练和调优，得到改进稀疏自编码器模型的连接权重和偏置参数；步骤8，采用确定连接权重和偏置参数的改进稀疏自编码器模型对训练样本集中的每个样本进行自动特征提取，并用所提取的训练样本特征训练softmax分类器，得到softmax分类器模型；步骤9，利用加速度传感器采集待测工业设备运行时的m种健康状态的振动加速度信号数据，得到每种健康状态的振动加速度信号数据作为测试样本；步骤10，将测试样本作为训练好的改进稀疏自编码器模型的输入，对测试样本进行深度学习，采用确定了连接权重和偏置参数的改进稀疏自编码器模型对测试样本进行特征提取，得到测试样本特征；步骤11，将测试样本特征作为测试样本的匹配特征，将每种健康状态的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的softmax分类器模型对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的健康状态类别判定为测试样本的健康状态类别，得到待测工业设备的健康状态识别结果。2.根据权利要求1所述的基于不平衡类数据的工业设备健康状态识别方法，其特征在于，所述步骤3中多尺度窗平移方法为：利用不同滑动窗分别获得n种故障状态原始振动信号的k组振动信号样本；
定义加速度传感器获取的工业设备n种故障状态的原始振动信号数据序列长度为L
e
，不同滑动窗重采样得到每种故障状态振动信号样本又包括以下步骤：步骤3.1：利用第一个尺寸为Z1的滑动窗对每种故障状态的原始振动信号数据序列L
e
进行重采样，得到每种故障状态的k1组振动信号样本，每个振动信号样本分别记为x
k1
；步骤3.2：利用第二个尺寸为Z2的滑动窗对每种故障状态的原始振动信号数据序列L
e
进行重采样，得到每种故障状态的k2组振动信号样本，每个振动信号样本分别记为x
k2
；步骤3.3：利用第三个尺寸为Z3的滑动窗对每种故障状态的原始振动信号数据序列L
e
进行重采样，得到每种故障状态的k3组振动信号样本，每个振动信号样本分别记为x
k3
；步骤3.4：三个不同滑动窗重采样得到的每种故障状态的k1、k2和k3组振动信号样本组成k组振动信号样本，每个振动信号样本分别记为x
nk
：x
nk
＝[x
k1
,x
k2
,x
k3
](1)。3.根据权利要求1或2所述的基于不平衡类数据的工业设备健康状态识别方法，其特征在于，所述步骤5中池化生成方法为一种降低高维振动信号样本向量对计算可靠性的影响，同时保持振动信号样本多样性的一种振动信号样本向量降维重构方法；定义振动信号样本集中每种健康状态的样本维度，即样本组数为k，池化生成方法得到重构的每种健康状态的振动信号样本的维度，即组数为池化生成方法的实现包括以下步骤：步骤5.1：对每种健康状态的k组振动信号样本向量，从第一个样本向量开始，依次选取前后相邻两个样本向量，对构成这两个向量的对应位置上的数据大小进行比较；步骤5.2：根据比较结果，将对应位置上的两个数据中绝对值较大的数据保留，并将这两个数据中绝对值较小的数据删除；步骤5.3：利用保留下来的数据，并按照这些保留下来的数据在振动信号向量中所处的位置重构出一个振动信号样本；步骤5.4：按照每种健康状态k组振动信号样本的排列顺序，重复上述步骤5.1至步骤5.3的操作，得到每种健康状态的y组振动信号样本；步骤5.5：将每种健康状态的y组振动信号样本组合构成包含m种健康状态的重构振动信号样本集。4.根据权利要求3所述的基于不平衡类数据的工业设备健康状态识别方法，其特征在于，所述步骤7中建...

【专利技术属性】
技术研发人员：杨静，谢国，杨延西，刘传水，李奇军，郑丽，杨程，
申请(专利权)人：天水师范学院，
类型：发明
国别省市：