基于深度特征集成提取的机械装备服役可靠性评估方法

摘要

本发明提出了一种基于深度特征集成提取的机械装备服役可靠性评估方法，旨在保证评估结果客观性的前提下提高评估结果的准确性，实现步骤为：首先采集机械装备全寿命周期的振动信号，获取训练数据集，其次建立多个不同的堆栈式自编码器模型，以训练数据集作为堆栈式自编码器模型的输入，对每个堆栈式自编码器模型进行训练，并集成提取训练数据集的深度特征，划定机械装备正常运行状态和失效状态，并计算机械装备服役可靠性，建立机械装备服役可靠性评估模型，最后采集待评估机械装备的振动信号，获取测试数据集，将测试数据集输入到机械装备服役可靠性评估模型中，获取待评估机械装备服役可靠性评估结果。

说明书

技术领域

本发明属于机械装备安全服役可靠性评估技术领域，涉及一种机械装备服役可靠性评估方法，具体涉及一种基于深度特征集成提取的机械装备服役可靠性评估方法，可用于机械装备的故障预测与健康管理。

背景技术

机械装备是现代工业技术发展的基础。机械装备的可靠性描述的是机械装备在规定时间、规定条件下，完成规定任务的能力。随着机械装备向高复杂度、高寿命方向的发展，机械装备可靠性评估的难度也日益增加。

传统的可靠性评估方法多依靠概率论与数理统计，利用大量的具有概率重复性的样本，来确定出产品的失效分布，从而得到一批同类产品共性的平均可靠性。然而，实际工程应用中，机械装备可靠性评估问题往往属于小样本问题，而且，寿命试验会消耗巨大的人力、时间和财力，限制了传统可靠性评估方法在机械装备上的应用。同时，对于正在服役的机械装备，关注的焦点在于其服役过程中的可靠性变动情况。机械装备服役可靠性受运行工况、环境、零部件状态等因素的影响，表现出很强的时变性，传统的基于故障数据的可靠性评估方法难以实现机械装备服役可靠性的评估。

机械装备服役可靠性评估技术，作为一种对机械装备可靠性进行定量控制的必要手段，其主要任务是衡量机械装备在服役过程中是否达到设计及使用要求，实时评估机械装备可靠性状态，保证装备高效可靠运行。机械装备服役可靠性评估技术的一般思路为：首先，获取机械装备的运行信息，其次，从运行信息中提取机械装备的性能退化特征，最后，建立机械装备性能退化特征与服役可靠性之间的映射模型，实现机械装备服役可靠性的评估。其中，特征提取方法是机械装备服役可靠性评估技术的研究重点之一。

现代信号处理理论和技术大力推动了机械装备服役可靠性评估技术的发展。经验模式分解、小波变换、小波包等信号处理技术被广泛地应用于机械装备的服役可靠性评估。例如，X.Zhang等人于2015年在Entropy的第17卷上发表的《Operational reliabilityassessment of compressor gearboxes with normalized lifting wavelet entropyfrom condition monitoring information》中将归一化提升小波熵用于压缩机齿轮箱的服役可靠性评估，该方法首先通过提升小波变换技术对机械振动时域信号进行分解和重构，随后，计算各个重构信号的相关熵在所有重构信号相关熵之和中的比例，最后通过归一化小波熵来实现压缩机齿轮箱服役可靠性的评估。然而，该方法存在的不足之处在于特征提取过程中，需要依赖于专家经验，导致服役可靠性评估结果受人为主观因素干扰，不能客观地评价机械装备的服役可靠性。

近年来，以堆栈式自编码器、卷积神经网络、深度置信网络等为代表的深度学习方法的兴起，为特征提取技术带来了新的研究方向。其中，堆栈式自编码器模型因其结构简单、表征能力强等特点，广泛地应用于模式识别，故障诊断等领域的特征提取过程中。例如，申请公布号为CN106919164A，名称为“基于堆栈自动编码器的水利机组故障分析方法”的专利申请，公开了一种基于堆栈式自编码器的水利机组故障分析方法，该方法首先采集机组的运行状态数据，并划分训练集和测试集，其次，利用训练集数据对堆栈式自编码器模型进行预训练，在此基础上利用故障标签对网络进行微调，实现了水利机组健康状态的评估。该方法摆脱了对专家经验的依赖，实现了水利机组状态特征的自适应学习，提高了评估结果的客观性。然而，其存在的不足之处在于堆栈式自编码器模型在对复杂信号的特征学习中，泛化能力较弱，导致评估结果准确性较低，限制了堆栈式自编码模型在实际工程中的应用。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于深度特征集成提取的机械装备服役可靠性评估方法，旨在保证评估结果客观性的前提下提高评估结果的准确性。

本发明的技术思路是，首先采集机械装备全寿命周期的振动信号，获取训练数据集，其次建立多个不同的堆栈式自编码器模型，以训练数据集作为堆栈式自编码器模型的输入，对每个堆栈式自编码器模型进行训练，并集成提取训练数据集的深度特征，划定机械装备正常运行状态和失效状态，并计算机械装备服役可靠性，建立机械装备服役可靠性评估模型，最后采集待评估机械装备的振动信号，获取测试数据集，将测试数据集输入到机械装备服役可靠性评估模型中，获取待评估机械装备服役可靠性评估结果。

为了实现上述目的，本发明采用的技术方案包括如下步骤：

(1)获取训练数据集：

(1a)对采集的机械装备全寿命周期的振动加速度时域信号进行傅里叶变换，得到机械装备全寿命周期的振动加速度频域信号；

(1b)对机械装备全寿命周期的振动加速度频域信号进行归一化，并将归一化后的频域信号作为训练数据集；

(2)构建多个堆栈式自编码器模型：

构建N个堆栈式自编码器模型，其中，第n个堆栈式自编码器模型中自编码器模型的个数为L_n，第k个自编码器模型的编号为隐含层为N≥2，n＝1,2,…,N，L_n≥2，k＝1,2,…,L_n；

(3)对每个堆栈式自编码器模型进行训练：

(3a)令n＝1，k＝1；

(3b)将训练数据集作为第n个堆栈式自编码器模型中编号为的自编码器模型的输入，对编号为的自编码器模型进行训练，得到隐含层为的自编码器模型；

(3c)将编号为的自编码器模型的隐含层作为编号为的自动编码器模型的输入，对编号为的自编码器模型进行训练，得到训练后的编号为的自动编码器；

(3d)将作为编号为的自编码器模型的隐含层，并令重复执行步骤(3c)～(3d)，直到k＝L_n为止，得到训练后的第n个堆栈式自编码器模型；

(3e)令n＝n+1，重复步骤(3b)～(3d)，直到n＝N，得到N个训练后的堆栈式自编码器模型；

(4)集成提取训练数据集的深度特征：

(4a)将N个训练后的堆栈式自编码器模型中编号为的自编码器模型的隐含层作为从训练数据集中所学习到的性能退化特征，并将N组性能退化特征进行合并，构成机械装备性能退化混合特征集合；

(4b)对性能退化混合特征集合中的性能退化特征进行聚类，得到各类性能退化特征的聚类簇心；

(4c)根据相关性计算公式，计算机械装备性能退化混合特征集合中每个性能退化特征与其所属类的聚类簇心之间的相关系数，并将相关系数大于预先设置阈值的性能退化特征作为训练数据集的深度特征；

(5)建立机械装备服役可靠性评估模型：

(5a)将机械装备初始运行时刻的状态划定为正常运行状态，将振动加速度幅值首次超过最大阈值时所处的状态划定为失效状态，其余状态划定为运行状态；

(5b)根据欧式距离计算公式，计算t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，以正常运行状态的深度特征与失效状态的深度特征之间的距离；

(5c)根据服役可靠性计算公式，建立机械装备的服役可靠性评估模型，其中，服役可靠性计算公式的表达式为：

其中，D(t)为机械装备t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，D_failure为机械装备失效状态的深度特征与正常运行状态的深度特征之间的距离，dis(X,Y)为向量X和向量Y之间的距离，X_t为机械装备t时刻运行状态的深度特征，X_normal和X_failure分别表示机械装备正常运行状态和失效状态的深度特征；

(6)获取待评估机械装备服役可靠性评估结果：

(6a)对采集的待评估机械装备的振动加速度时域信号进行傅里叶变换，得到待评估机械装备的振动加速度频域信号；

(6b)对待评估机械装备的振动加速度频域信号进行归一化，并将归一化后的频域信号作为测试数据集；

(6c)将测试数据集输入到机械装备服役可靠性评估模型中，得到待评估机械装备服役可靠性的评估结果并输出。

本发明与现有技术相比，具有如下优点：

第一，本发明在提取机械装备振动信号的深度特征时，通过构建多个不同的堆栈式自编码器模型，从多个角度提取机械装备的性能退化特征，并通过对性能退化特征进行聚类，剔除不相关特征和冗余特征，筛选出更具代表性的深度特征子集，从而有效地提高了模型的泛化能力，在保证服役可靠性评估结果客观性的前提下提高了准确性。

第二，本发明采用堆栈式自编码器模型提取机械装备的性能退化特征，该过程中，自编码器模型通过对输入数据反复地执行编码、解码等重构过程，自适应地学习数据的隐含信息，并将提取的特征保留在隐含层中，堆栈式自编码器模型通过对自编码器模型进行堆叠，自适应地学习机械装备性能退化的深度特征，摆脱了对专家经验的依赖，保证了服役可靠性评估结果的客观性。

附图说明

图1为本发明的实现流程图；

图2为本发明实施例中机械装备性能退化特征的聚类簇心图；

图3为本发明机械装备服役可靠性的定义示意图；

图4为本发明实施例中建立的机械装备服役可靠性评估模型；

图5为本发明实施例的机械装备服役可靠性评估结果图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述：

本实施例使用振动加速度信号均来自轴承加速寿命试验台PRONOSTIA采集的轴承振动加速度信号。该平台由三部分组成：驱动模块，负载模块和数采模块。驱动电机功率1.2Kw，最大转速为6000r/min。测试轴承的基本参数：滚珠直径为3.5mm，滚珠个数为13个，外圈直径为29.1mm，内圈直径为22.1mm。轴承的横向和轴向分别安装加速度传感器(DYTRAN3035B)，每10s进行一次信号采集，每次采集时间为0.1s，采样频率为25.6kHz。工况条件为：转速1800rpm，载荷4000N，共有轴承7个，轴承编号记为B1_1～B1_7，使用B1_1数据集作为训练集，建立基于深度特征集成提取的机械装备服役可靠性可靠性评估模型，以B1_2-B1_7轴承作为待评估轴承，对模型进行测试。

参照图1、基于深度特征集成提取的机械装备服役可靠性评估方法，包括如下步骤：

步骤1)获取训练数据集：

步骤1a)对采集的机械装备全寿命周期的振动加速度时域信号进行傅里叶变换，得到机械装备全寿命周期的振动加速度频域信号；

步骤1b)对机械装备全寿命周期的振动加速度频域信号进行归一化，并将归一化后的频域信号作为训练数据集；

步骤2)构建多个堆栈式自编码器模型：

构建10个堆栈式自编码器模型，其中，第n个堆栈式自编码器模型中自编码器模型的个数为L_n，第k个自编码器模型的编号为隐含层为n＝1,2,…,10，L_n≥2，k＝1,2,…,L_n，其中，L_n的取值及每个堆栈式自编码器的网络结构如表1所示；

表1

堆栈式自编码器编号L_n网络结构141280-600-250-125-50241280-800-350-110-50341280-710-400-180-50431280-550-180-50531280-450-200-50631280-700-280-50731280-600-250-50821280-350-50921280-410-501021280-200-50

步骤3a)令n＝1，k＝1；

步骤3b)将训练数据集作为第n个堆栈式自编码器模型中编号为的自编码器模型的输入，对编号为的自编码器模型进行训练，得到隐含层为的自编码器模型；

步骤3c)将编号为的自编码器模型的隐含层作为编号为的自动编码器模型的输入，对编号为的自编码器模型进行训练，得到训练后的编号为的自动编码器；

步骤3d)将作为编号为的自编码器模型的隐含层，并令重复执行步骤(3c)～(3d)，直到k＝L_n为止，得到训练后的第n个堆栈式自编码器模型；

步骤3e)令n＝n+1，重复步骤(3b)～(3d)，直到n＝10，得到10个训练后的堆栈式自编码器模型；

步骤4)集成提取训练数据集的深度特征：

步骤4a)将10个训练后的堆栈式自编码器模型中编号为的自编码器模型的隐含层作为从训练数据集中所学习到的性能退化特征，并将10组性能退化特征进行合并，构成机械装备性能退化混合特征集合；

步骤4b)采用K-means算法对性能退化混合特征集合中的性能退化特征进行聚类，得到各类性能退化特征的聚类簇心，实现步骤为：

步骤4b1)随机选择8个性能退化特征作为初始聚类簇心，按照最近欧式距离原则将性能退化混合特征集合中的性能退化特征分到8个类中，其中，欧氏距离的计算公式为：

式中，A和B分别表示两个向量，m为向量的元素编号，M为向量的长度，A_m和B_m分别表示向量A和B的第m个元素；

步骤4b2)对新形成的8个类按平均法重新计算8个类中性能退化特征的均值，并以此作为新的聚类簇心；

步骤4b3)重新计算性能退化特征到新的8个簇心的欧式距离，并根据最近距离原则重新分类；

步骤4b4)重复步骤4b2)和步骤4b3)，直到每个性能退化特征到与其相对应簇心的欧式距离之和最小为止，最终得到性能退化特征的8个聚类簇心，性能退化特征的聚类簇心参照附图2，图2(a)～图2(h)为8个聚类中心的示意图；

步骤4c)根据相关性计算公式，计算机械装备性能退化混合特征集合中每个性能退化特征与其所属类的聚类簇心之间的相关系数，并将相关系数大于0.997的性能退化特征作为训练数据集的深度特征，其中，相关性计算公式表达式为：

式中，i为性能退化特征编号，ρ_i为第i个性能退化特征与其所属类的聚类簇心的相关系数，X_i为第i个性能退化特征，C_i为第i个性能退化特征所属类的聚类簇心，P为性能退化特征的长度；

对性能退化特征进行聚类，得到性能退化特征的聚类中心，聚类中心包含了性能退化特征的共性信息，计算每个性能退化特征与其所对属类的聚类中心之间的相关系数，并从中筛选出具有代表性的深度特征子集，可以达到去除不相关性能退化特征和冗余性能退化特征的目的；

步骤5)建立机械装备服役可靠性评估模型：

步骤5a)将机械装备初始运行时刻的状态划定为正常运行状态，将振动加速度幅值首次超过40g所处的状态划定为失效状态，其余状态划定为运行状态；

步骤5b)根据欧式距离计算公式，计算t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，以正常运行状态的深度特征与失效状态的深度特征之间的距离；

步骤5c)将机械装备服役可靠度定义为t时刻运行状态的深度特征与失效状态的深度特征之间的距离和正常运行状态的深度特征与失效状态的深度特征之间的距离之比，表示t时刻运行状态与正常状态的相近程度，机械装备服役可靠性的定义参照附图3，服役可靠度越接近于1表示t时刻运行状态与正常状态之间的距离越近，t时刻状态越接近于正常状态，当服役可靠度等于0时，表示t时刻状态为失效状态，根据服役可靠性计算公式，建立机械装备的服役可靠性评估模型，其中，服役可靠性计算公式的表达式为：

其中，D(t)为机械装备t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，D_failure为机械装备失效状态的深度特征与正常运行状态的深度特征之间的距离，dis(X,Y)为向量X和向量Y之间的距离，X_t为机械装备t时刻运行状态的深度特征，X_normal和X_failure分别表示机械装备正常运行状态和失效状态的深度特征；

建立的服役可靠性评估模型参照附图4，图4(a)为B1_1轴承全寿命周期振动加速度时域信号，图4(b)为建立的机械装备服役可靠性评估模型；

步骤6)获取待评估机械装备服役可靠性评估结果：

步骤6a)对采集的待评估机械装备的振动加速度时域信号进行傅里叶变换，得到待评估机械装备的振动加速度频域信号；

步骤6b)对待评估机械装备的振动加速度频域信号进行归一化，并将归一化后的频域信号作为测试数据集；

步骤6c)将测试数据集输入到机械装备服役可靠性评估模型中，得到待评估机械装备服役可靠性的评估结果并输出，服役可靠性评估结果参照附图5，图5(a)～图5(f)分别表示轴承B1_2～B1_7的振动加速度时域信号，图5(g)～图5(l)分别表示轴承B1_2～B1_7的服役可靠性评估结果。

以下结合仿真实验，对本发明的技术效果作详细说明。

1.仿真条件和仿真内容：

在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHZ、内存8G、WINDOWS 7操作系统上，运用MATLAB R2014b软件对机械装备服役可靠性评估结果进行仿真。

2.结果分析：

本发明应用Cri指标对性能退化特征进行评测，Cri指标由单调性指标Mon和相关性指标Corr构成。Mon刻画了性能退化特征的一致性，Mon的大小取决于单调非减或单调非增趋势的整体程度；Corr反映了性能退化特征序列与时间的线性相关程度，反映了性能退化特征的同类个体普适性。将Mon和Corr进行线性组合的方式构成Cri指标，Cri指标越高，表明所提特征的性能越好，服役可靠性评估结果越准确，其中，Mon的表达式为：

式中，X为某个性能退化特征，o为性能退化特征的元素编号，x_o为性能退化特征中第o个元素，O为性能退化特征的长度，ε(x)为单位阶跃函数，其表达式为：

Corr的表达式为：

式中，X为某个性能退化特征序列，o为性能退化特征的元素编号，O性能退化特征的长度，t_o为性能退化特征第o个元素所对应的监测时间。

Cri的表达式为：

Cri(X)＝0.5Corr(X)+0.5Mon(X)

采用多组对比实验验证本发明的性能，具体的对比实验为：

第一组，采用现有的信号处理技术提取机械装备性能退化特征作为对比实验；

第二组，采用单一堆栈式自编码器模型提取机械装备性能退化特征作为对比实验。

实验结果如表2所示，其中，Case1和Case2分别表示上述两组对比结果，Case3表示本发明的实验结果。

表2

分析表2，由Case1和Case2对比可知，对于B1_1～B1_6号轴承，采用堆栈式自编码器模型提取的机械装备性能退化特征性能优于采用信号处理技术所提取的性能退化特征，然而，对于B1_7号轴承，堆栈式自编码器模型表现不佳，表明采用单一自编码器模型对复杂信号的特征学习泛化能力较差；由Case2和Case3对比可知，本发明通过构建多个不同的堆栈式自编码器提取性能退化特征并进行聚类筛选特征子集，所提取的深度特征性能更优，而且对于7个轴承均表现良好，表明本发明提高了模型对复杂信号特征学习的泛化能力。

综上所述，本发明能有效地提取机械装备优良的性能退化特征，在保证评估结果客观性的前提下调高了评估结果的准确性。