發(fā)布時(shí)間：2021-09-06 15:38

　　針對(duì)現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)型軸承健康狀態(tài)評(píng)估方法普遍存在的特征信息損失大、泛化能力弱和數(shù)據(jù)依賴強(qiáng)等問題,提出了一種面向高熵特征數(shù)據(jù)的變分自編碼器（variational auto-encoder,簡(jiǎn)稱VAE）軸承健康狀態(tài)評(píng)估模型。該模型通過學(xué)習(xí)健康狀態(tài)下軸承振動(dòng)信號(hào)頻譜在特征空間中的高維潛在概率分布,實(shí)現(xiàn)對(duì)軸承運(yùn)行健康狀態(tài)的定量評(píng)估。首先,對(duì)基于VAE的健康狀態(tài)評(píng)估模型進(jìn)行理論闡述;其次,建立基于變分證據(jù)下界的狀態(tài)評(píng)估指標(biāo);最后,通過對(duì)比實(shí)驗(yàn)證明:變分自編碼器在處理軸承運(yùn)行狀態(tài)評(píng)估方面具有良好的準(zhǔn)確度,對(duì)異常狀態(tài)更為敏感;無需人為提取特征和復(fù)雜的參數(shù)設(shè)置,不需對(duì)特定的系統(tǒng)進(jìn)行針對(duì)性的參數(shù)設(shè)置和調(diào)校;在小容量訓(xùn)練數(shù)據(jù)集上仍具備良好的魯棒性,在工程應(yīng)用上具有一定的推廣價(jià)值。 

【文章來源】：振動(dòng).測(cè)試與診斷. 2020,40(05)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

基于VAE的軸承健康狀態(tài)評(píng)估模型

在軸承運(yùn)行全過程9 840 min內(nèi)，選取前100個(gè)數(shù)據(jù)集（前1 000min）作為訓(xùn)練數(shù)據(jù)集，其余數(shù)據(jù)均作為測(cè)試集。為了降低訓(xùn)練數(shù)據(jù)維度，每個(gè)數(shù)據(jù)集選取轉(zhuǎn)子旋轉(zhuǎn)一圈時(shí)間（5s）的采樣信號(hào)作為訓(xùn)練數(shù)據(jù)維度，對(duì)模型進(jìn)行隨機(jī)多批次訓(xùn)練。訓(xùn)練完畢后對(duì)軸承全退化過程健康狀態(tài)進(jìn)行評(píng)估，圖2為VAE軸承健康狀態(tài)評(píng)估結(jié)果。區(qū)域Ⅰ為早期訓(xùn)練數(shù)據(jù)狀態(tài)評(píng)估結(jié)果，區(qū)域Ⅱ?yàn)檩S承后續(xù)運(yùn)行狀態(tài)評(píng)估結(jié)果�？梢姡�1 000～5 000min時(shí)間段內(nèi)，軸承未表現(xiàn)出退化跡象，其健康狀態(tài)評(píng)估值和訓(xùn)練階段的評(píng)估值具有相同的變化波動(dòng)趨勢(shì)，這說明基于VAE的軸承健康狀態(tài)評(píng)估指標(biāo)在測(cè)試集同類數(shù)據(jù)上具有良好的泛化能力�；赩AE的軸承健康狀態(tài)評(píng)估模型通過隱變量來表征振動(dòng)信號(hào)的潛在狀態(tài)，隱變量蘊(yùn)含解碼器對(duì)原始信號(hào)特征的有效轉(zhuǎn)化和提取。因此，對(duì)于一個(gè)有效的評(píng)估模型，其隱變量的分布狀態(tài)及變化趨勢(shì)應(yīng)當(dāng)和評(píng)價(jià)指標(biāo)結(jié)果相似。為了驗(yàn)證VAE對(duì)軸承振動(dòng)信號(hào)狀態(tài)的隱變量解碼分布，在軸承運(yùn)行全過程中每間隔10min對(duì)解碼后隱變量進(jìn)行可視化分析。

圖3為全退化過程振動(dòng)信號(hào)頻譜隱變量分布。圖中，三維坐標(biāo)系建立在三維先驗(yàn)標(biāo)準(zhǔn)正態(tài)分布空間，坐標(biāo)原點(diǎn)位于先驗(yàn)高斯分布均值處。由于VAE使用標(biāo)準(zhǔn)正態(tài)分布作為先驗(yàn)分布，因此前1 000min內(nèi)測(cè)試數(shù)據(jù)隱變量分布符合高斯分布先驗(yàn)假設(shè)，且在1 000min至軸承開始退化前時(shí)間段內(nèi)，隱變量分布仍符合高斯分布，這進(jìn)一步說明了模型在測(cè)試數(shù)據(jù)集同類數(shù)據(jù)上具有良好的泛化能力。隨著軸承退化性能逐漸加重，隱變量開始逐漸偏離先驗(yàn)分布，且偏離程度基本和退化性能成正比。這說明VAE正是通過調(diào)整隱變量在其空間分布，從而達(dá)到表征軸承振動(dòng)信號(hào)頻譜有效特征的目的，而不是強(qiáng)行通過編解碼器對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行強(qiáng)行記憶，由此也證實(shí)了解碼器學(xué)習(xí)到了從高維原始特征空間到低維有效特征空間的平滑映射。為驗(yàn)證基于VAE的軸承健康狀態(tài)評(píng)估模型對(duì)軸承退化性能評(píng)估的準(zhǔn)確性和敏感性，將其評(píng)估結(jié)果分別與傳統(tǒng)健康狀態(tài)評(píng)估指標(biāo)的結(jié)果進(jìn)行對(duì)比，所有評(píng)估指標(biāo)的評(píng)估值均被歸一化到0～1區(qū)間，結(jié)果如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]一種新型深度自編碼網(wǎng)絡(luò)的滾動(dòng)軸承健康評(píng)估方法[J]. 佘道明,賈民平,張菀.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[2]ITD-多尺度熵和ELM的風(fēng)電軸承健康狀態(tài)識(shí)別[J]. 張朝林,范玉剛,馮早.  機(jī)械科學(xué)與技術(shù). 2018(11)
[3]基于排序模式相異性分析的軸承健康監(jiān)測(cè)[J]. 江國(guó)乾,謝平,王霄,何群,李繼猛.  中國(guó)機(jī)械工程. 2017(06)
[4]變工況下軸承健康監(jiān)測(cè)的相關(guān)向量機(jī)與自適應(yīng)閾值模型方法[J]. 胡雷,范彬,胡蔦慶,高明.  國(guó)防科技大學(xué)學(xué)報(bào). 2016(01)

碩士論文
[1]滾動(dòng)軸承故障預(yù)測(cè)關(guān)鍵方法研究[D]. 朱朔.江南大學(xué) 2018
[2]基于深度學(xué)習(xí)的機(jī)械設(shè)備退化狀態(tài)建模及剩余壽命預(yù)測(cè)研究[D]. 劉小勇.哈爾濱工業(yè)大學(xué) 2018
[3]基于高斯混合模型的變分自動(dòng)編碼器[D]. 李鵬.哈爾濱工業(yè)大學(xué) 2017



本文編號(hào)：3387722