一种基于集成SAE-SOM的蜡模铸造热处理设备健康状态评估方法

一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法
技术领域
1.本发明属于数字孪生技术与装备故障预测健康管理技术领域，尤其涉及一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法。


背景技术：

2.目前，最接近的现有技术：基于模型的健康评估方法通过对具体对象的机理分析，构建其物理或数学模型，充分利用对象本身的物理规则，通过模型来评判设备的健康状态，但是对于复杂装备或复杂工况条件下模型构建及验证困难，需根据实际条件对模型进行相应的调整，时间成本高；基于数据驱动的设备健康评估方法指通过机器学习、深度学习等人工智能技术手段，学习设备历史数据集，发现潜在的设备状态趋势和退化规律，从而训练好一个参数范围固定的复杂模型进行设备健康评估的方法，但是，训练好的模型鲁棒性较差，需要结合领域知识进行有效的特征提取以提升模型的抗噪能力和泛化能力。模型驱动和数据驱动的设备健康评估方法因其自身存在的局限性，利用单一方法对设备进行智能分析时效果不佳。
3.目前构建健康指标的方法可分为两种，一种是基于物理特性的健康指标，一种是基于虚拟的健康指标。物理健康指标与设备退化的物理特性相关，通常采用统计方法和信号处理方法来提取设备健康指标，如振动信号的均方根值，除均方根值外，信号的时域统计特性也能表征设备的劣化程度。虚拟健康指标通常通过融合多个传感器信号并利用相关数据挖掘算法进行构建，用以描述设备退化趋势，因此不具备物理意义。在构建虚拟健康指标的方法中，主成分分析作为一种常见的降维技术，被广泛应用于虚拟健康指标构建。
4.综合上述研究现状及成果，对设备进行健康状态评估方面已经有了诸多成果，并在各个领域得到了广泛的应用。
5.综上所述，现有技术存在的问题是：蜡模铸造热处理设备健康状态指标的变化是一种多因素耦合的复杂性能退化现象，其变化趋势表现出一定的不确定性和随机性，因此利用单一学习器对蜡模铸造热处理设备进行退化特征提取时，所提取出的特征并不具备所需的泛化能力，在设备运行条件复杂多变的条件下会引起较大误差，训练好的模型鲁棒性差。
6.解决上述技术问题的难度：摆脱专家经验和人为因素的束缚，使算法模型所提取的特征具备所需的泛化能力和抗噪能力，提升模型的鲁棒性，并且能够适用于各种复杂场景。
7.解决上述技术问题的意义：现有技术应用性不广泛，蜡模铸造热处理设备健康状态指标的变化趋势呈现的不确定性和随机性难以把握，对于特征提取方面还需改进，现有的设备分析方法仍集中在使用运行监测数据上，对设备本身运行机理及物理特性的结合相对较少，而数字孪生技术的发展可有效克服数据与机理融合不充分的问题，为设备智能高效分析提供了新的解决思路。本发明旨在提出一种基于sae-som的自适应特征提取方法。


技术实现要素：

8.针对现有技术存在的问题，本发明提供了一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法。
9.本发明是这样实现的，一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，所述基于集成sae-som的蜡模铸造热处理设备健康状态评估方法包括：
10.第一步，获取蜡模铸造热处理设备状态监测数据，利用自助采样法对数据集进行划分，设置不同超参数组合的n个sae模型对划分后的样本进行训练，对n个sae的隐藏层向量进行输出，得到蜡模铸造热处理设备性能退化特征集成；
11.第二步，将集成特征集映射到综合评价特征空间中，在特征空间内利用k-means算法对特征进行聚类，得到k个特征类集合，对k个类中心进行综合评价指标计算，选择综合得分最高的类中心，提取该类包含的所有特征构建最优特征集，完成集成特征的筛选；
12.第三步，构建基于集成sae-som的设备健康状态指标模型，将能较好反映设备退化趋势的最优特征集合作为输入向量，利用自组织映射网络进行训练，学习最优特征中的潜在信息，采用最小量化误差进行距离计算，完成蜡模铸造热处理设备健康状态指标构建；
13.第四步，利用构建的蜡模铸造热处理设备健康状态指标模型，在多种工况下设备监测数据进行输入，得到相应的设备健康状态指标，完成蜡模铸造热处理设备的健康状态评估。
14.进一步，所述第一步中基于集成sae的蜡模铸造热处理设备性能退化指标提取包括以下步骤：
15.(1)采集蜡模铸造热处理设备数据监测数据并进行数据预处理，随后将数据划分为健康数据集和失效数据集；
16.(2)利用自助采样法对设备健康数据集进行n次随机采样，采样比例设置为0.7，获得训练样本1～n，此时训练样本之间各自存在差异性，有利于进行差异化基学习器训练；
17.(3)以不同的超参数设置n个栈式自动编码器，并进行权重随机初始化，随后利用训练集1～n对sae-1～n进行训练，每个sae的隐藏层向量作为输出特征；
18.(4)特征筛选与集成：计算各个退化指标的单调性、相关性、鲁棒性，根据综合评价指标实现特征筛选，从而实现蜡模铸造热处理设备性能退化特征集成。
19.进一步，所述第二步中用k-means对集成特征进行聚类筛选包括以下步骤：
20.(1)随机选择k个特征作为聚类中心；
21.(2)对特征集d内所有数据，计算其与各个聚类中心的距离，按照就近原则将特征划分到最近的聚类中心类别；
22.(3)特征集分类完成后，对每个类别进行聚类中心计算，并进行聚类中心更新替换；
23.(4)重复步骤(2)和(3)，直至聚类中心不再改变，则完成集成特征的聚类；
24.(5)利用k-means进行特征集进行聚类后得到k个聚类中心，此时根据加权融合的方法进行聚类中心综合评价指标计算，计算方法如下：
25.score＝w1·
mon w2·
corr w3·
rob
26.式中，w1、w2、w3分别表示单调性、相关性、鲁棒性所对应的权重，score为聚类中心对应的得分，通过计算k个聚类中心的分数，选择最高得分聚类中心及其所包含的类特征作
为最终提取的特征，从而完成退化特征的筛选。
27.进一步，所述第三步中利用自组织映射网络进行训练学习步骤如下：
28.(1)初始化输入层与映射层之间的权值。
29.(2)将数据输入到som的输入层。
30.(3)随机选择一个输入向量为x＝(x1,x2,
…
,xn)
t
，计算该向量与映射层神经元之间的欧氏距离，计算公式如下：
[0031][0032]
式中，w
ij
表示输入层第i个神经元与映射层第j个神经元之间的权重。
[0033]
(4)选择计算后欧氏距离最小的神经元，记该神经元为n，则映射层与输入向量之间的最短距离为dn，此时找出所有与该神经元相邻的神经元并给出集合。
[0034]
(5)将获胜神经元n与其相邻神经元之间的权值进行更新，具体更新公式如下：
[0035]
δw
ij
＝ηh(j,n)(x
i-w
ij
)
[0036][0037]
式中，η为常数，η∈(0,1)，而σ2会随着迭代次数的增加而逐渐减小，因此som进行更新时随着迭代次数的增加，权值从大范围调整至小范围微调，最后判断误差或迭代次数是否达到指定值，如果达到则训练结束，否则返回第二步进行反复训练。
[0038]
(6)利用多次特征样本输入进行输入与获胜神经元n之间的距离计算，此时该距离为最小量化误差，记为d
mqe
，公式如下：
[0039]dmqe
＝||x-wn||
[0040]
式中，wn为获胜单元的权值向量。
[0041]
经计算后最小量化误差通常会伴有一部分噪声毛刺，因此可通过进行相应的平滑处理后作为设备健康状态指标。
[0042]
进一步，所述第四步中蜡模铸造热处理设备健康状态评估包括：利用构建的蜡模铸造热处理设备健康状态指标模型，在多种工况下设备监测数据进行输入，得到相应的设备健康状态指标，完成蜡模铸造热处理设备的健康状态评估。
[0043]
本发明的另一目的在于提供一种应用所述基于集成sae-som的蜡模铸造热处理设备健康状态评估方法的蜡模铸造热处理设备健康状态评估系统。
[0044]
本发明的另一目的在于提供一种应用所述基于集成sae-som的蜡模铸造热处理设备健康状态评估方法的状态评估终端。
[0045]
综上所述，本发明的优点及积极效果为：本发明通过集成sae完成设备深度集成特征提取，构成设备深度集成特征集，并通过评价特征的单调性、相关性和鲁棒性，借由k-means聚类筛选得分最高的最优特征集，从而完成特征筛选与提取，利用自组织映射网络，训练学习设备健康数据集中的潜在信息，并用设备最优特征集进行输入，以最小量化误差为输出，得到故障数据与正常运行数据在特征空间内的距离，构建蜡模铸造热处理设备健康状态指标，从而完成蜡模铸造热处理设备健康状态评估，不仅有效的提升了模型的预测能力，也使模型的应用范围更加广泛，经过调整可以广泛应用于各种蜡模铸造热处理设备
的健康预测上。通过上述三种方法的结合，能充分发挥各自的独特作用，实现单个神经网络不能实现的效果，单个神经网络需要的数据量大，常用于解决分类问题，在解决此类问题的时候会存在过拟合现象而导致泛化能力不强；本发明在特征层面先利用集成学习的思想，通过设置不同超参数组合的n个sae模型对划分后的训练样本进行训练，同时满足集成学习中样本和基学习器的差异性，有利于提升集成特征的鲁棒性，对n个sae的隐藏层向量进行输出，得到蜡模铸造热处理设备集成特征集，将集成特征集映射到综合评价特征空间中，并在特征空间内利用k-means算法对特征进行聚类，选择综合得分最高的类中心，提取该类包含的所有特征构建最优特征集，完成集成特征的筛选，再利用自组织映射网络进行训练，从而学习最优特征中的潜在信息，随后采用最小量化误差进行距离计算，完成蜡模铸造热处理设备健康状态指标构建；特点是在设备运行条件复杂多变的条件下避免较大的误差，通过训练多个基学习器，将设备退化的复杂状况分解为多个角度的退化特征提取，相较于单一学习器而言，提升了集成特征的鲁棒性，实现所需的泛化能力。
[0046]
与现有技术与方法对比，本发明具有以下优势：
[0047]
本发明提出的集成sae-som的蜡模铸造热处理设备健康状态评估方法有机结合了sae、k-means和som三种算法，充分发挥了各自的优势。相比于单种算法或网络，本发明具有更强的特征提取和筛选能力，能充分挖掘输入数据中的特征，提高模型的预测能力。
[0048]
本发明考虑到了蜡模铸造热处理设备健康状态指标的变化趋势的不确定性和随机性，利用集成学习训练多个基学习器，将设备退化的复杂状况分解为多个角度的退化特征提取，据此构建的设备退化特征库将具备更强的鲁棒性；在设备健康状态指标构建方法中，充分发挥了自组织映射网络的灵活多变，能较好适用于各种复杂场景，能广泛应用到各种蜡模铸造热处理设备的健康状态预测中。在蜡模铸造热处理设备的健康状态预测领域，本发明首次提出由k-means和sae-som神经网络处理加工数据、特征提取筛选的方法，本发明具有较强的创新型和实用性。
附图说明
[0049]
图1是本发明实施例提供的基于集成sae-som的蜡模铸造热处理设备健康状态评估方法流程图。
[0050]
图2是本发明实施例提供的基于集成sae的退化指标提取模型图。
[0051]
图3是本发明实施例提供的基于k-means聚类的特征筛选流程图。
[0052]
图4是本发明实施例提供的基于集成sae-som的蜡模铸造热处理设备健康指标构建流程图。
[0053]
图5是本发明实施例提供的实测数据集成特征分布结果图。
[0054]
图6是本发明实施例提供的实测数据驱动和孪生数据驱动下各工况蜡模铸造热处理设备健康状态综合得分图。
具体实施方式
[0055]
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
[0056]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不
代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0057]
针对现有技术存在的问题，本发明提供了一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，下面结合附图对本发明作详细的描述。
[0058]
如图1所示，本发明实施例提供的基于集成sae-som的蜡模铸造热处理设备健康状态评估方法包括以下步骤：
[0059]
s101：对采集的蜡模铸造热处理设备状态监测数据进行预处理，将数据划分为健康数据集和失效数据集，利用自助采样法对数据集进行划分；
[0060]
s102：通过设置不同超参数组合的n个sae模型对划分后的训练样本进行训练，对n个sae的隐藏层向量进行输出，得到蜡模铸造热处理设备集成特征集；
[0061]
s103：将集成特征集映射到综合评价特征空间中，并在特征空间内利用k-means算法对特征进行聚类，得到k个特征类集合，随后对k个类中心进行综合评价指标计算，选择综合得分最高的类中心，提取该类包含的所有特征构建最优特征集，完成集成特征的筛选；
[0062]
s104：建立基于som的蜡模铸造热处理设备健康状态指标模型；
[0063]
s105：针对能较好反映设备退化趋势的最优特征集合，将其输入到自组织映射网络进行训练，学习最优特征中的潜在信息，采用最小量化误差进行距离计算，完成蜡模铸造热处理设备健康状态指标构建；
[0064]
s106：利用多种工况下设备监测数据进行输入，得到相应的设备健康状态指标，完成蜡模铸造热处理设备的健康状态评估。
[0065]
在本发明的优选实施例中，步骤s102通过设置不同超参数组合的n个sae模型对划分后的训练样本进行训练，对n个sae的隐藏层向量进行输出，得到蜡模铸造热处理设备集成特征集，即基于集成sae的退化指标提取步骤如下：
[0066]
步骤一，采集蜡模铸造热处理设备数据监测数据并进行数据预处理，随后将数据划分为健康数据集和失效数据集；
[0067]
步骤二，利用自助采样法对设备健康数据集进行n次随机采样，采样比例设置为0.7，获得训练样本1～n，此时训练样本之间各自存在差异性，有利于进行差异化基学习器训练；
[0068]
步骤三，以不同的超参数设置n个栈式自动编码器，并进行权重随机初始化，随后利用训练集1～n对sae-1～n进行训练，每个sae的隐藏层向量作为输出特征；
[0069]
步骤四，特征筛选与集成：计算各个退化指标的单调性、相关性、鲁棒性，根据综合评价指标实现特征筛选，从而实现蜡模铸造热处理设备性能退化特征集成。
[0070]
在本发明的优选实施例中，步骤s103在特征空间内利用k-means算法对特征进行聚类得到k个特征类集合，对k个类中心进行综合评价指标计算，选择综合得分最高的类中心，提取该类包含的所有特征构建最优特征集，完成集成特征的筛选的具体步骤如下：
[0071]
步骤一，随机选择k个特征作为聚类中心；
[0072]
步骤二，对特征集d内所有数据，计算其与各个聚类中心的距离，按照就近原则将特征划分到最近的聚类中心类别；
[0073]
步骤三，特征集分类完成后，对每个类别进行聚类中心计算，并进行聚类中心更新替换；
[0074]
步骤四，重复步骤(2)和(3)，直至聚类中心不再改变，则完成集成特征的聚类；
[0075]
步骤五，利用k-means进行特征集进行聚类后得到k个聚类中心，此时根据加权融合的方法进行聚类中心综合评价指标计算，计算方法如下：
[0076]
score＝w1·
mon w2·
corr w3·
rob
[0077]
式中，w1、w2、w3分别表示单调性、相关性、鲁棒性所对应的权重，score为聚类中心对应的得分，通过计算k个聚类中心的分数，选择最高得分聚类中心及其所包含的类特征作为最终提取的特征，从而完成退化特征的筛选。
[0078]
在本发明的优选实施例中，步骤s104的som的蜡模铸造热处理设备健康状态指标模型的构建方法为：建立som的蜡模铸造热处理设备健康状态指标模型，包括输入层和竞争层两层神经网络组成，层与层之间双向连接，该网络可将任意维度的输入数据映射到一维或者二维的空间，其基本原理是通过计算输入特征与竞争层各个神经元之间的欧式距离，距离最小的神经元为获胜神经元，之后根据获胜神经元进行权值的调整更新，som算法的学习步骤如下：
[0079]
步骤一，初始化输入层与映射层之间的权值。
[0080]
步骤二，将数据输入到som的输入层。
[0081]
步骤三，随机选择一个输入向量为x＝(x1,x2,
…
,xn)
t
，计算该向量与映射层神经元之间的欧氏距离，计算公式如下：
[0082][0083]
式中，w
ij
表示输入层第i个神经元与映射层第j个神经元之间的权重。
[0084]
步骤四，选择计算后欧氏距离最小的神经元，记该神经元为n，则映射层与输入向量之间的最短距离为dn，此时找出所有与该神经元相邻的神经元并给出集合。
[0085]
步骤五，将获胜神经元n与其相邻神经元之间的权值进行更新，具体更新公式如下：
[0086]
δw
ij
＝ηh(j,n)(x
i-w
ij
)
[0087][0088]
式中，η为常数，η∈(0,1)，而σ2会随着迭代次数的增加而逐渐减小，因此som进行更新时随着迭代次数的增加，权值从大范围调整至小范围微调，最后判断误差或迭代次数是否达到指定值，如果达到则训练结束，否则返回第二步进行反复训练。
[0089]
步骤六，利用多次特征样本输入进行输入与获胜神经元n之间的距离计算，此时该距离为最小量化误差，记为d
mqe
，公式如下：
[0090]dmqe
＝||x-wn||
[0091]
式中，wn为获胜单元的权值向量。
[0092]
经计算后最小量化误差通常会伴有一部分噪声毛刺，因此可通过进行相应的平滑处理后作为设备健康状态指标。
[0093]
下面结合测试对本发明的技术效果作详细的描述。
[0094]
本发明实施例使用的数据来自航天某单位提供的蜡模铸造热处理设备运行数据，
该数据集包含八种不同加工零件条件下的炉温温度曲线，每种工况下均采用两个测温热电偶进行测温，温度采样间隔为一分钟，在不同工况条件下，蜡模铸造热处理设备的升温时间、升温速率及恒温温度均存在差异。
[0095]
参考陶飞提出的数字孪生驱动下装备故障预测方法与数据驱动方法的对比实验，本发明以蜡模铸造热处理设备实测数据集为例进行数据驱动下的蜡模铸造热处理设备健康状态评估，采用上文提出的集成sae-som方法对实测数据工况一数据进行处理，对所提取的特征进行鲁棒性、相关性和单调性计算，得到特征集在空间内的分布见图5，实测数据工况一条件下的集成特征在空间内分布规律较为均匀，满足各个特征之间的差异性，说明了集成sae在特征提取方面的有效性。
[0096]
在特征筛选阶段，直接对200个特征进行综合评价，取前71个最好综合得分的特征为最优特征集，并取前30％的样本作为健康样本输入到som网络中进行训练，利用全样本进行预测。
[0097]
为更具体地对比两种方法下的蜡模铸造热处理设备健康状态评估结果，接下来计算两种方法下所得健康状态评估结果的单调性，相关性、鲁棒性，对二者计算综合得分，综合得分结果对比如图6所示，在各个工况下孪生数据驱动所得的结果均优于以实测数据驱动的结果，表明所构建的蜡模铸造热处理设备孪生数据集对于蜡模铸造热处理设备健康状态评估结果具有积极作用。因此在实测数据基础上，引入数字孪生技术对蜡模铸造热处理设备健康状态评估具备一定的工程应用价值。
[0098]
需要说明的是，说明书附图图6为实测数据驱动和孪生数据驱动下各工况蜡模铸造热处理设备健康状态综合得分图，其中，作为同一组对比，数据驱动为左侧显示，孪生驱动为右侧显示。
[0099]
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
[0100]
需要要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。