【技术实现步骤摘要】
本专利技术涉及设备运行状态监测领域，具体为一种基于在线迁移学习的旋转机械故障监测方法。
技术介绍
1、随着传感器的普及应用与人工智能技术的快速发展，基于深度学习的数据驱动方法在旋转机械故障监测领域的应用越发广泛。在实际生产过程中，旋转机械负向样本采集困难，导致训练过程难以获得平衡的有标签数据集，严重影响了监测模型的判别准确性。因此，亟须研究一种无监督单分类故障监测算法，利用预先采集的正常运行数据实现离群故障数据的预测。
2、目前，研究人员在相关领域已经获得了一定的研究成果。赵志宏等人在《中国机械工程》上发表文章《一种无监督的轴承健康指标及早期故障检测方法》，首先设计了一种基于可分离卷积自编码器的特征提取模型，随后利用bray-curtis距离作为健康检测指标实现轴承故障检测。姜万录等人在《振动与冲击》上发表文章《基于 vmd 和 svdd 结合的滚动轴承性能退化程度定量评估》，提出了一种基于变分模态分解和支持向量数据描述的滚动轴承性能退化程度评估方法。
3、通过现有技术的分析可知，目前的无监督故障监测方法存在如下问题：一是在线监测数据包含正常运行数据与各类监测数据，与正常运行数据构成的训练集有一定的分布差异，模型判别结果不能反映实际的运行情况。二是无监督单分类故障监测算法大多只能实现正常与异常状态的二分类判别，不能对旋转机械可能出现的多种故障形式进行区分。
技术实现思路
1、为了解决现有技术存在的问题，本专利技术的目的在于给出一种基于在线迁移学习的旋转机械故
2、本文提供的一种基于在线迁移学习的旋转机械故障监测方法，具有如下步骤：
3、s1：在待监测设备上布置三向振动传感器，获取正常运行时的振动信号；
4、s2：将s1中的数据进行快速傅里叶变换，将三向振动频域数据首尾连接后进行归一化处理，得到模型训练样本；
5、s3：使用s2中的训练基于堆叠稀疏自编码器（ssae，stacked sparseautoencoder）的三层数据提取网络，随后使用ssae输出的特征提取向量训练基于支持向量机（svm，support vector machine）的单分类故障监测模型；
6、s4：将离线训练的模型部署于监测环境中，利用在线数据构建在线目标域数据集；
7、s5：基于参数迁移方法生成在线迁移ssae网络，计算源域数据与在线目标域数据集在ssae深层特征的coral距离作为优化目标，微调在线迁移ssae参数；
8、s6：利用在线故障数据训练基于偏二叉树svm的多分类监测模型，实现多种类故障判别。
9、进一步的，所述步骤s2的具体过程如下：
10、s2.1：将连续的振动原始数据矩阵划分为的振动时域数据样本，对振动时域样本进行快速傅里叶变换，得到的振动频域数据样本；
11、s2.2：对三向频域样本分别进行归一化处理，随后将三向数据首尾相连得到的一维向量；
12、s2.3：将离线数据集按4：1划分为训练集和测试集。
13、进一步的，所述步骤s3的具体过程如下：
14、s3.1：使用步骤s2.3所述的训练集，使用贪婪逐层训练法建立基于堆叠稀疏自编码器的特征提取模型；
15、s3.2：使用步骤s3.1所述堆叠稀疏自编码器输出的特征向量，训练基于单分类支持向量机的故障监测模型，单分类支持向量机通过核函数运算将输入特征向量映射到高维特征空间中，在特征空间中构建线性分类器实现异常振动数据判别。
16、进一步的，所述步骤s4包括在线目标域训练数据构建方法，其具体过程如下：将离线训练的ssae-svm监测模型部署于监测系统工控机中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机中；使用最近收集到的x个异常振动数据样本与相同数量的正常振动数据样本构建在线目标域数据集，其中表示在线数据批次，x的数量根据实际需求和数据集大小进行选择；为了避免数据不平衡导致模型性能下降，数据集中正常振动数据样本数应与异常振动数据样本数相同；若在线正常样本不足y个，则使用离线测试集数据补充；若在线正常样本超过y个，则对历史正常数据进行降采样；其中，y的值根据实际需求和数据分布情况进行选择。
17、其中，x的数量根据实际需求和数据集大小进行选择；选择的数据样本数量需要满足一定的要求，例如数量足够多以避免模型过拟合，同时也不能过多以避免计算资源和时间成本的浪费。因此，范围值可以根据实际需求和数据集大小来确定，例如100-500个或者200-800个等，对于本专利技术而言，在实施例中选择的数量x为400，也是符合本专利技术技术方案的需求而定。
18、y的值根据实际需求和数据分布情况进行选择，通常需要根据经验进行尝试和调整，对于本专利技术而言，在实施例中选择的数量y的值为100，也是符合本专利技术技术方案的需求而定。
19、进一步的，所述步骤s5的具体步骤如下：
20、s5.1：对批次数据训练得到的ssae模型进行参数迁移，即将该模型的结构和参数复制生成在线目标域模型，若，则使用离线训练模型进行迁移；
21、s5.2：将离线源域训练数据与第批次在线目标域训练数据分别输入，得到源域数据与目标域数据输出的特征向量，计算两者之间的coral距离用于衡量源域与目标域数据在网络深层的分布差异，表达式为：
22、 ；
23、其中，为frobenius范数，为样本特征数，、分别为源域数据与目标域数据的协方差矩阵，其表达式分别为：
24、 ；
25、 ；
26、其中，1为元素为1的列向量，为源域样本数量，为目标域样本数量；
27、利用梯度下降法最小化，使得源域数据与目标域数据在中分布趋于一致；
28、s5.3：将微调后的监测模型 部署于监测系统中，继续进行监测。
29、进一步的，所述步骤s6的具体步骤为：
30、s6.1：将最近的x个正常振动数据样本输入s5.3所述的ssae模型，得到特征向量，使用该特征向量更新分类器记为；
31、s6.2：将最近的x个异常振动数据样本输入后使用进行故障判别，得到故障数据特征向量集；
32、s6.3：计算s6.2所述的数据集分布均值，为样本特征数，分别计算中每个样本到数据分布均值的马氏距离，其表达式为：
33、 ；
34、其中，为第个样本，为协方差矩阵；为数据集所有样本第i个特征的均值；设置离群点检验阈值，若，则判定该点为离群点，将其剔出故障数据训练集，得到1类故障训练数据集；
35、s6.4：使用s6.3中所述的故障训练数据集按s3.2所述步骤训练1类故障单分类模本文档来自技高网...
【技术保护点】
1.一种基于在线迁移学习的旋转机械故障监测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤S2的具体过程如下：
3.根据权利要求2所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤S3的具体过程如下：
4.根据权利要求1所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤S4包括在线目标域训练数据构建方法，其具体过程如下：将离线训练的SSAE-SVM监测模型部署于监测系统工控机中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机中，使用收集到的x个异常振动数据样本与相同数量的正常振动数据样本构建在线目标域数据集，其中表示在线数据批次，x的数量根据实际需求和数据集大小进行选择；为了避免数据不平衡导致模型性能下降，数据集中正常振动数据样本数应与异常振动数据样本数相同；若在线正常样本不足y个，则使用离线测试集数据补充；若在线正常样本超过y个，则对历史正常振动数据进行降采样；其中，y的值根据实际需求和数据分布情况进行
5.根据权利要求4所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤S5的具体过程如下：
6.根据权利要求5所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤S6的具体过程如下：
...【技术特征摘要】
1.一种基于在线迁移学习的旋转机械故障监测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤s2的具体过程如下：
3.根据权利要求2所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤s3的具体过程如下：
4.根据权利要求1所述的基于在线迁移学习的旋转机械故障监测方法，其特征在于，所述步骤s4包括在线目标域训练数据构建方法，其具体过程如下：将离线训练的ssae-svm监测模型部署于监测系统工控机中，对分批次输入监测系统的在线振动数据进行故障判别，在线振动数据样本与模型判别标签保存于工控机中，使用收集...
【专利技术属性】
技术研发人员：刘阔，崔益铭，李明禹，牛蒙蒙，王永青，
申请(专利权)人：智能制造龙城实验室，
类型：发明
国别省市：
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。