一种基于事件流解耦双专家与在线状态跟踪的旋转机械故障诊断方法
本发明涉及旋转机械状态监测与智能故障诊断,为一种基于事件流解耦双专家与在线状态跟踪的旋转机械故障诊断方法,适用于滚动轴承等旋转部件的故障诊断与健康管理。
背景技术:
1、在旋转机械状态监测领域中,滚动轴承等关键部件长期承受转动、冲击及载荷波动,其运行状态通常通过振动传感器采集的时域信号进行表征。现有智能诊断方法多将固定长度的原始波形、频谱或时频图输入分类模型,再依据训练阶段给定的故障类别标签输出诊断结果。
2、然而,工程现场能够持续获得大量健康运行数据,真实故障特别是早期故障和复合故障样本数量有限,且不同设备、转速、载荷与传感器安装位置会引起信号分布变化。依赖完整故障标签训练的分类模型难以覆盖未见故障,并且在训练条件变化后容易出现性能下降。
3、另一方面,原始振动波形包含连续背景振动、随机噪声和局部冲击。直接对全量采样点建模不仅增加计算量,而且难以区分故障引起的冲击节律变化与冲击幅值、波动及转移复杂性变化。
4、采用单一重构误差进行异常判别时,不同异常机制可能产生相近分数,从而不利于区分单故障与复合故障。
5、此外,部分在线诊断系统根据单个观察窗口立即改变设备状态。当信号短时扰动或者当前观察窗事件数量不足时,输出结果容易在健康与故障之间频繁跳变。现有界面还常将波形、模型概率、残差和告警记录相互割裂,运维人员难以从最终标签追溯导致异常的事件特征和持续过程。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于事件流解耦双专家与在线状态跟踪的旋转机械故障诊断方法,用于解决故障标注样本依赖程度高、连续波形中的冲击机制难以解耦、单窗口诊断输出容易抖动以及诊断结论缺少关联可视化解释中的至少一个技术问题。
2、为解决上述技术问题,本发明提供如下技术方案:一种基于事件流解耦双专家与在线状态跟踪的旋转机械故障诊断方法,包括以下步骤s11-s18:
3、s11、信号采集:采集旋转机械运行过程中的振动信号,组织为离线信号文件或连续更新的在线数据块;
4、s12、冲击事件提取:对所述振动信号进行频带滤波和包络解调,根据包络统计量确定自适应门限,提取冲击事件时刻及幅值;
5、s13、事件特征构建:根据相邻冲击事件的时间间隔及对应幅值构建事件窗口,生成节律特征、复杂度特征及门控统计特征;
6、s14、双专家训练:仅利用健康事件窗口训练节律专家和复杂度专家,通过重构损失、健康中心约束及解耦约束更新模型参数;
7、s15、健康分布建立:根据健康窗口的节律潜变量、复杂度潜变量及二者拼接的联合潜变量分别建立健康分布,并从联合潜变量中选取健康原型;
8、s16、窗口状态判别:计算事件窗口潜变量相对于所述健康分布及健康原型的偏离量,与门控加权的双专家重构残差及复杂度专家融合权重构成判别特征,经标准化后输入状态概率校准器,获得健康、单故障及复合故障概率,并将所述偏离量加权组合为窗口健康能量;所述校准器利用健康窗口、仅扰动节律特征的伪单故障窗口及同时扰动节律与复杂度特征的伪复合故障窗口对应的判别特征训练获得;
9、s17、数据块汇总与在线跟踪:对当前数据块对应信号缓冲区内有效事件窗口的健康能量及三类概率分别求算术平均值,以窗口异常概率超过阈值的窗口数量占有效窗口总数的比例作为数据块异常率,据此形成数据块候选状态;利用符合健康条件的数据块建立在线健康基线,结合数据块健康能量及异常率相对于基线的正向标准化偏离、数据块单故障概率及复合故障概率累计异常持续证据,达到确认门限时首先锁存单故障,再根据连续复合故障证据升级锁存为复合故障;
10、s18、结果输出:输出在线跟踪确认的故障状态及对应诊断结果。
11、优选地,在步骤s11中,离线信号文件包括mat文件和/或csv文件。对于mat文件,从矩阵变量中选择驱动端时域通道、风扇端时域通道或者其它数值型振动通道;
12、对于csv文件,从单列数据或多列数据的指定振动列读取采样值。在线数据块按照预设采样点数逐块读取,使同一离线文件也能够模拟连续数据到达过程。
13、优选地,对当前已读取的振动信号设置多个候选缓冲长度,并按照由小至大的顺序尝试构建事件窗口。当较短缓冲区内的冲击事件数量不足时,扩展至较长缓冲区;当全部候选缓冲区均不能形成完整事件窗口时,输出数据累计状态,而不将事件不足直接判定为故障。
14、优选地,在步骤s12中,采用四阶带通滤波器增强预定故障冲击频带,并对滤波结果进行希尔伯特变换,取解析信号的幅值作为包络信号。
15、设包络均值为包络样本的算术平均值,包络标准差为包络样本相对于包络均值的离散程度,自适应门限由包络均值加上包络标准差的预设倍数得到。
16、在一个实施例中,采样频率为12000hz,带通频带为3000hz至5000hz,包络标准差的预设倍数为1.25;冲击事件检测的最小事件距离为采样频率与预设最大冲击率之比。
17、上述数值用于说明本发明而非构成限制,可根据旋转机械转速、结构共振频带和采样频率调整。
18、优选地,如图2所示,相邻冲击事件时刻之差形成事件间隔,各事件间隔终点处冲击事件的包络高度形成对应事件幅值;对事件间隔和事件幅值进行归一化,按照预设事件间隔数量形成滑动事件窗口。在一个实施例中,每个事件窗口包含64个连续事件间隔,以及与各事件间隔终点对应的64个冲击幅值;所述64个事件间隔由65个连续冲击事件确定。相邻事件窗口的步长为一个或多个事件间隔。
19、优选地,节律事件特征包括归一化事件间隔、标准化对数事件间隔及标准化冲击率;复杂度事件特征包括归一化幅值、相邻幅值比、局部不规则度、事件间隔变异系数、幅值变异系数、冲击突发度、状态活跃度、转移熵及状态重复率。
20、门控统计特征包括事件间隔变异系数、幅值变异系数、冲击突发度、状态活跃度、转移熵及状态重复率。
21、进一步优选地,根据归一化事件间隔和归一化幅值所在的离散区间确定联合事件状态,统计相邻联合事件状态之间的转移次数并进行归一化,获得事件转移矩阵。
22、状态活跃度由存在有效转移的状态数量确定,转移熵由非零转移概率的熵值确定,状态重复率由相邻联合事件状态相同的比例确定。
23、优选地,如图3所示,节律专家和复杂度专家均包括一维卷积投影层、扩张时序卷积层、位置编码层、注意力编码层、潜变量映射层及重构层。一维卷积投影层将不同数量的输入特征映射至统一隐藏维度;
24、扩张时序卷积层提取相邻及跨事件关系并与投影结果形成残差连接;注意力编码层在事件窗口范围内建模远距离依赖;潜变量映射层输出固定维度的潜变量;重构层将潜变量恢复为相应专家的输入特征。
25、健康模型训练阶段,分别计算节律专家和复杂度专家的重构损失,并使健康样本潜变量向对应健康中心收缩;同时计算归一化节律潜变量与归一化复杂度潜变量之间的相关程度,以降低两类潜变量的冗余耦合;
26、门控网络根据门控统计特征输出节律专家和复杂度专家的融合权重,并通过权重平衡约束避免单一专家长期失效;所述融合权重用于对双专家重构残差加权。节律潜变量与复杂度潜变量通过拼接形成联合潜变量。
27、优选地,在步骤s15中,对健康状态事件窗口进行前向计算,分别收集节律潜变量、复杂度潜变量和联合潜变量;针对各组潜变量估计均值向量及协方差矩阵,并对协方差矩阵加入正则项后求逆或者求广义逆;按照联合潜变量的样本顺序或者聚类中心选择多个向量作为健康原型。
28、在步骤s16中,计算待检测事件窗口的节律潜变量相对于节律健康分布的马氏距离、复杂度潜变量相对于复杂度健康分布的马氏距离、联合潜变量相对于联合健康分布的马氏距离,以及联合潜变量相对于多个健康原型的最小欧氏距离。
29、将每个事件窗口的上述距离按预设权重组合为窗口健康能量,并根据健康状态事件窗口的健康能量分位数获得健康能量阈值。
30、优选地,状态概率校准器的输入为节律马氏距离、复杂度马氏距离、联合马氏距离、最小健康原型距离、门控加权后的双专家重构残差及复杂度专家融合权重构成的六维判别特征。利用校准训练集各维特征的均值与标准差进行标准化,再通过线性变换和softmax运算获得三类状态概率。
31、仅具有健康样本时,通过对健康事件窗口的特征副本实施可控扰动形成校准训练样本。伪单故障主要改变节律特征,伪复合故障同时改变节律特征和多个复杂度特征;其中,伪单故障仅对节律特征实施扰动,复杂度特征保持不变。健康样本、伪单故障样本和伪复合故障样本分别对应类别0、1和2,用于训练所述线性softmax校准器。
32、优选地,每次状态概率校准器训练完成后,根据全部伪单故障事件窗口对应的单故障概率分布确定单故障概率阈值,根据全部伪复合故障事件窗口对应的复合故障概率分布确定复合故障概率阈值;在本实施例中,两者均取各自概率分布的第40百分位数,用于数据块候选状态判定。
33、优选地,第i个事件窗口的异常概率为1减去其健康概率。利用健康样本窗口异常概率的预设分位数确定异常概率阈值;对于当前数据块对应诊断缓冲区形成的全部有效事件窗口,统计异常概率超过该阈值的窗口数量,并除以有效事件窗口总数,得到异常率。所述异常率以事件窗口为统计对象。
34、优选地,对当前数据块对应的信号缓冲区按照预设滑动步长构建n个有效事件窗口,分别计算各事件窗口的六维判别特征,并经状态概率校准器获得三类窗口级概率。对各事件窗口的健康能量及三类概率分别求算术平均值,得到数据块健康能量及三类数据块概率;以异常窗口数量与有效窗口总数之比作为数据块异常率。根据数据块健康能量、异常率、单故障概率及复合故障概率形成数据块候选状态,再将上述数值及候选状态输入在线状态跟踪步骤以确认最终故障状态。
35、优选地,如图5所示,每个数据源建立独立会话,从候选标签为健康且满足单故障概率、复合故障概率及异常率条件的数据块中收集预设数量的基线候选数据块,以其健康能量和异常率的均值及标准差建立在线健康基线。基线未完成时,符合条件的数据块用于继续建立基线;其他有效数据块使用已收集的部分基线统计量进行临时判断,无基线数据时使用预设初值,并对标准差设置下限。
36、在线状态分数由健康能量正向标准化偏离、异常率正向标准化偏离、单故障概率及复合故障概率的加权和获得。当在线状态分数或任一故障概率超过在线持续确认阶段的相应触发阈值时,异常持续计数加一;否则减一且不小于零。当所述计数达到确认门限时,首先将故障状态锁存为单故障。
37、单故障锁存后,满足复合故障条件时累计复合故障持续计数,条件不成立时清零;连续达到复合故障确认门限后,将锁存状态由单故障升级为复合故障。已锁存状态不因后续单个健康数据块自动解除。
38、优选地,当前数据块事件不足时,不将其纳入健康基线,异常持续计数按非异常规则递减且不小于零;已经锁存故障的,保持原锁存类型和告警等级;尚未锁存故障的,保持健康监测状态并等待后续数据。在本实施例中,仅在数据源变化时复位,清空健康基线、持续计数、故障锁存类型和当前会话历史。
39、每次处理新的数据块时,记录数据源名称、数据块序号、处理时间、健康能量、异常率、状态概率、在线状态分数、最终标签及告警等级,形成当前会话的历史记录。
40、与现有技术相比,本发明提供了一种基于事件流解耦双专家与在线状态跟踪的旋转机械故障诊断方法,具备以下多方面的有益效果:
41、(1)本发明将连续振动波形转换为冲击事件流,以冲击事件而非全部采样点作为时序建模对象,在保留冲击时刻、幅值及转移关系的同时降低背景振动对诊断特征的干扰,并减少固定时间波形中大量冗余采样点对模型计算的占用。
42、(2)本发明利用节律专家和复杂度专家分别学习冲击周期性偏离与冲击强度、波动和转移复杂性偏离,并通过潜变量健康中心、解耦约束、健康概率分布及健康原型联合形成健康能量,使单故障与复合故障的判别依据能够追溯至不同事件机制。
43、(3)本发明的主体健康模型仅利用健康状态事件窗口训练,并可利用健康事件窗口的可控扰动训练状态概率校准器,减少对真实故障标签的依赖,适应工程现场健康数据充足而故障样本稀缺的应用条件。
44、(4)本发明通过在线健康基线、异常持续计数、复合故障持续计数及故障锁存机制,将窗口级判别转换为连续状态判别,能够抑制短时扰动、事件不足及偶发误判导致的告警抖动,并保留单故障向复合故障演化的更新通道。
45、(5)本发明将波形、包络峰值、健康能量、状态概率、专家残差、在线证据、告警等级和历史记录进行关联可视化,使运维人员能够同时获得设备状态结论、异常来源及状态演化过程。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com