System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及数据处理、机械硬件维护,更具体地涉及一种轴承数据生成方法、装置、设备、介质和程序产品。
技术介绍
1、在旋转设备运维过程中,通常利用智能化传感器设备采集各种工况下的有效运行状态信息,在进行数据分析处理后利用机器学习、深度学习等算法来学习机械设备实时工作状态,最终用来检测设备故障及性能退化趋势,从而实施针对性的维护策略。
2、但在实际应用中,由于机器故障(如测量传感器故障)、人为因素(如未记录)或轴承暂未发生故障等原因不可避免地导致部分数据缺失。若利用这类不完整数据预测设备剩余寿命,将面临难以准确描述设备退化规律的现实问题,进而将影响设备的健康管理和维修决策。
技术实现思路
1、鉴于上述问题,本公开提供了轴承数据生成方法、装置、设备、介质和程序产品。
2、根据本公开的第一个方面,提供了一种轴承数据生成方法,包括:将从轴承在部分使用周期内产生的轴承振动数据中提取的多个属性特征进行特征融合,得到融合特征;将融合特征进行分解重构,得到重构特征集;以及将重构特征集输入预先训练的数据生成式时间卷积网络,输出新的轴承振动数据,其中,数据生成式时间卷积网络中包括时间卷积网络和双向长短期记忆网络,时间卷积网络用于对重构特征集进行编码,以及对双向长短期记忆网络的输出结果进行解码得到新的轴承振动数据,双向长短期记忆网络用于对编码后的重构特征集进行处理,得到输出结果。
3、根据本公开的实施例,属性特征包括时域特征和频域特征;将从轴承在部分使用周期内产生的轴承振
4、根据本公开的实施例,将融合特征进行分解重构,得到重构特征集,包括:利用具有自适应噪声的完全集合经验模态分解技术对融合特征进行分解重构,得到重构特征集。
5、根据本公开的实施例,预先训练的方法包括:将从数据库获取的全寿命周期的轴承振动样本数据中提取的多个样本属性特征进行特征融合,得到融合样本特征;将融合样本特征进行分解重构,得到重构样本特征集;基于退化状态划分规则和重构样本特征集,确定重构样本特征集对应的退化状态;基于退化状态和轴承振动样本数据,确定重构样本特征集对应的退化方式;按照退化方式,将每个重构样本特征输入初始时间卷积网络,输出编码后的每个重构样本特征;将每个重构样本特征输入初始双向长短期记忆网络,输出预测结果;将预测结果输入初始时间卷积网络,输出解码后的预测数据;基于解码后的预测数据和轴承振动样本数据,调整初始时间卷积网络以及初始双向长短期记忆网络的参数,以便得到数据生成式时间卷积网络。
6、根据本公开的实施例,退化状态划分规则包括退化状态满足预设状态阈值的规则,退化状态包括:正常状态、轻微退化、中等退化、严重退化以及接近失效,每个退化状态与预设状态阈值一一对应;基于退化状态划分规则和重构样本特征集,确定重构样本特征集对应的退化状态,包括:将每个重构样本特征对应的特征值与预设状态阈值进行比对,确定重构样本特征集对应的退化状态。
7、根据本公开的实施例,基于退化状态和轴承振动样本数据,确定重构样本特征集对应的退化方式,包括:根据退化状态,确定退化点对应的采样点;基于采样点和轴承振动样本数据,确定退化率;根据退化率,确定退化方式。
8、根据本公开的实施例,基于解码后的预测数据和轴承振动样本数据,调整初始时间卷积网络以及初始双向长短期记忆网络的参数,以便得到数据生成式时间卷积网络,包括:根据解码后的预测数据和轴承振动样本数据,确定均方根误差损失值;在确定均方根误差损失值小于损失阈值的情况下,不再调整参数,得到数据生成式时间卷积网络。
9、根据本公开的实施例,将重构特征集输入预先训练的数据生成式时间卷积网络,输出新的轴承振动数据,包括:将重构特征集输入预先训练的时间卷积网络,输出编码后的重构特征集;将编码后的重构特征集输入预先训练的双向长短期记忆网络,输出输出结果;将输出结果输入预先训练的时间卷积网络,输出新的轴承振动数据。
10、本公开的第二方面提供了一种轴承数据生成装置,包括:
11、特征融合模块,用于将从轴承在部分使用周期内产生的轴承振动数据中提取的多个属性特征进行特征融合,得到融合特征;
12、分解重构模块,用于将融合特征进行分解重构,得到重构特征集;
13、生成模块,用于将重构特征集输入预先训练的数据生成式时间卷积网络,输出新的轴承振动数据,其中,数据生成式时间卷积网络中包括时间卷积网络和双向长短期记忆网络,时间卷积网络用于对重构特征集进行编码,以及对双向长短期记忆网络的输出结果进行解码得到新的轴承振动数据,双向长短期记忆网络用于对编码后的重构特征集进行处理,得到输出结果。
14、本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述轴承数据生成方法。
15、本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述轴承数据生成方法。
16、本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述轴承数据生成方法。
17、根据本公开的实施例,将轴承在部分使用周期内的融合特征进行分解重构,得到重构特征集,并使用数据生成式时间卷积网络处理从而生成新的轴承振动数据。由于新的轴承振动数据是根据采集到的实际使用周期中产生的振动数据,通过预先训练的数据生成式时间卷积网络进行处理得到的,能够确保新的轴承振动数据与实际振动数据的误差较小。从而能够弥补实际场景中关键数据缺失的问题,为轴承状态监控以及后续的故障诊断与寿命预测提供充分的数据支撑。
本文档来自技高网...【技术保护点】
1.一种轴承数据生成方法,包括:
2.根据权利要求1所述的方法,其中,所述属性特征包括时域特征和频域特征;
3.根据权利要求1所述的方法,其中,所述将所述融合特征进行分解重构,得到重构特征集,包括:
4.根据权利要求1所述的方法,其中,所述预先训练的方法包括:
5.根据权利要求4所述的方法,其中,所述退化状态划分规则包括所述退化状态满足预设状态阈值的规则,所述退化状态包括:正常状态、轻微退化、中等退化、严重退化以及接近失效,每个所述退化状态与所述预设状态阈值一一对应;
6.根据权利要求4所述的方法,其中,所述基于所述退化状态和所述轴承振动样本数据,确定所述重构样本特征集对应的退化方式,包括:
7.根据权利要求4所述的方法,其中,所述基于所述解码后的预测数据和所述轴承振动样本数据,调整所述初始时间卷积网络以及所述初始双向长短期记忆网络的参数,以便得到所述数据生成式时间卷积网络,包括:
8.根据权利要求1~6任一项所述的方法,其中,所述将所述重构特征集输入预先训练的数据生成式时间卷积网络,输出新的轴承
9.一种轴承数据生成装置,包括:
10.一种电子设备,包括:
...【技术特征摘要】
1.一种轴承数据生成方法,包括:
2.根据权利要求1所述的方法,其中,所述属性特征包括时域特征和频域特征;
3.根据权利要求1所述的方法,其中,所述将所述融合特征进行分解重构,得到重构特征集,包括:
4.根据权利要求1所述的方法,其中,所述预先训练的方法包括:
5.根据权利要求4所述的方法,其中,所述退化状态划分规则包括所述退化状态满足预设状态阈值的规则,所述退化状态包括:正常状态、轻微退化、中等退化、严重退化以及接近失效,每个所述退化状态与所述预设状态阈值一一对应;
6.根据权利要...
【专利技术属性】
技术研发人员:尚永涛,牛步钊,赵宗见,王斌儒,于伟凯,于祥,
申请(专利权)人:中车青岛四方机车车辆股份有限公司,
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。