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

技术特征：
1.一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，其特征在于，包括如下步骤：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；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；第三步，构建基于集成sae-som的蜡模铸造热处理设备健康状态指标模型，将能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；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。2.根据权利要求1所述的一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，其特征在于，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：(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；(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；(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；(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。3.根据权利要求1所述的一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，其特征在于，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：(1)随机选择k个特征作为聚类中心；(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；(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；(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；(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：score＝w1·
mon w2·
corr w3·
rob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。4.根据权利要求1所述的一种基于集成sae-som的蜡模铸造热处理设备健康状态评估
方法，其特征在于，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：(1)初始化输入层与映射层之间的权值；(2)将数据输入到som的输入层；(3)随机选择一个输入向量为x＝(x1,x2,
…
,x
n
)
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：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；(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d
n
，此时找出所有与该神经元相邻的神经元并给出集合；(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：δw
ij
＝ηh(j,n)(x
i-w
ij
)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；(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：d
mqe
＝||x-w
n
||式中，w
n
为获胜单元的权值向量。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。5.根据权利要求1所述的一种基于集成sae-som的蜡模铸造热处理设备健康状态评估方法，其特征在于，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。6.一种应用权利要求1-5任意一项所述基于集成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。7.一种应用权利要求1-5任意一项所述基于集成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。

技术总结
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，公开了一种基于集成SAE-SOM的蜡模铸造热处理设备健康评估方法，该方法利用蜡模铸造热处理设备监测数据对各个SAE进行训练，实现蜡模铸造热处理设备性能退化特征的自适应提取，根据特征评价指标对提取的集成特征进行空间映射，在特征空间内采用K均值算法进行最优类特征提取，采用自组织映射网络无监督训练的方式对蜡模铸造热处理设备健康特征进行训练，以最小量化误差为输出进行蜡模铸造热处理设备健康状态评估；最后，利用蜡模铸造热处理设备孪生数据集和实测数据集进行验证，以说明本方法的可行性和孪生数据集与实测数据集对设备健康状态评估的影响。测数据集对设备健康状态评估的影响。测数据集对设备健康状态评估的影响。


技术研发人员：马洪波 凌李石保 汪东红 吴庆捷 张文敏 李佳丁 姜淼 蔡稷惟 陈改革 孔宪光
受保护的技术使用者：西安电子科技大学 浙江鑫淼精密铸件股份有限公司
技术研发日：2022.08.09
技术公布日：2022/12/12