【技术实现步骤摘要】
本申请涉及旋转机械健康状态监测与智能运维领域，尤其涉及一种基于数据驱动的旋转机械健康状态监测方法及设备。
技术介绍
1、旋转机械在现代工业生产中占据着重要的地位。随着信息技术的发展和工业化水平的提高，旋转机械逐渐朝着大型化、复杂化和智能化的方向发展。使得设备潜在故障发生的概率增加，维保工作难度增大。由于实际生产需要，旋转机械长期在复杂多变的工况下运行。随着时间的推移，设备的核心零部件(轴承、齿轮)不可避免发生故障。故障一旦发生，轻则导致设备停机、生产停滞，造成企业经济损失；重则引发安全事故，威胁人身安全。因此，开展旋转机械健康状态监测方法研究，对于降低机械设备故障发生率，提高旋转机械安全可靠运行有具有重要的工程意义。
2、旋转机械健康状态监测的关键问题有两个：(1)如何通过振动监测信号分析构造出反映设备退化趋势的健康指标，来跟踪机械设备退化过程。(2)如何设定监测阈值来及时感知机械设备的异常状态，以避免恶性故障发生。然而，实际场景中，从旋转机械采集的振动信号通常具有非平稳特性，且监测信号中早期的弱故障特征易被噪声淹没，使得获取的健康监测指标稳定性低，全局异常阈值的设定变得极其困难。
技术实现思路
1、本申请实施例提供了一种基于数据驱动的旋转机械健康状态监测方法及设备，用于解决如下技术问题：现有旋转机械的健康状态监测方法，难以通过非平稳的微弱振动信号进行监测，容易忽视机械退化指标的单调性、趋势性以及噪声鲁棒性，难以准确地监测旋转机械状态。
2、本申请实施例采用
3、一方面，本申请实施例提供了一种基于数据驱动的旋转机械健康状态监测方法，包括：对旋转机械的振动监测数据进行多域特征的提取，并构建出多域特征矩阵；根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标；将所述多项关键指标进行基于系数权重的指标评价计算，得到综合评价系数；通过预设的深度卷积自编码网络，将所述综合评价系数中的退化关键特征进行深度局部特征融合，得到一维的健康状态监测指标；将所述健康状态监测指标进行有关异常阈值条件下的退化集合划分，确定出状态样本集合；其中，所述状态样本集合包括：正常状态样本集合与异常状态样本集合；通过预设的卷积残差网络，对所述状态样本集合进行多次训练，得到异常状态识别模型；并通过所述异常状态识别模型以及预设报警规则，对所述旋转机械的运行状态数据进行实时的健康状态监测以及异常状态报警。
4、本申请实施例针对旋转机械的健康状态监测，融合了监测振动信号多域特征，如时域统计特征、频域统计特征、熵等，使得构造的新健康状态监测指标能够更全面地反映旋转机械的退化过程。同时，综合考虑了特征指标的单调性、趋势性、噪声鲁棒性，保证了健康监测指标描述机械退化过程的准确性和可靠性，降低了噪声干扰。并且采用特征分类思想来实现异常状态识别，且在异常状态识别模型的训练过程中考虑了不同故障类型的退化过程的差异性，使训练后的异常状态识别模型具有较好的泛化效果，从而提高了旋转机械健康状态监测的准确性，减少误报警、漏报警的现象，保障旋转机械安全可靠运行。
5、在一种可行的实施方式中，对旋转机械的振动监测数据进行多域特征的提取，并构建出多域特征矩阵，具体包括：基于所述旋转机械的模拟退化过程，采集所述旋转机械全生命周期下的所述振动监测数据；提取所述振动监测数据中的所述多域特征；其中，所述多域特征至少包括以下任意一项或多项：均方根误差、峭度、脉冲因子、峭度谱、平滑指数、排列熵以及任意熵；基于所述多域特征中的特征参数种类以及特征参数个数，构建出所述多域特征矩阵。
6、在一种可行的实施方式中，在根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标之前，所述方法还包括：根据得到归一化的多域特征序列fm*(tn)；其中，m＝1,2,…,m为特征参数种类，n＝1,2,…,n为每一种特征参数个数，tn为振动监测数据的采集时刻；μm为第m种特征参数序列的均值，σm为第m种特征参数序列的标准差；fm*为所述多域特征矩阵；fm(tn)为具有n个数量的第m种特征参数。
7、在一种可行的实施方式中，根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标，具体包括：根据得到单调性指标mon(f*(t1:n))；其中，n＝1,2,…,n为每一种所述特征参数个数；f*(tn)为具有n个特征参数多域特征序列；n为数学常数；δ为权重求和的数学符号；根据得到趋势性指标tre(f*(t1:n))；根据得到噪声鲁棒性指标rob(f*(t1:n))；其中，fr*(tn)为多域特征序列f*(tn)与多域特征序列f*(tn)的趋势性指标的平均差；其中，所述多项关键指标包括：所述单调性指标、所述趋势性指标以及所述噪声鲁棒性指标。
8、在一种可行的实施方式中，将所述多项关键指标进行基于系数权重的指标评价计算，得到综合评价系数，具体包括：根据c＝ω1mon(f*(t1:n))+ω2tre(f*(t1:n))+ω3rob(f*(t1:n))，得到所述综合评价系数c；其中，mon(f*(t1:n))为单调性指标；tre(f*(t1:n))为趋势性指标；rob(f*(t1:n))为噪声鲁棒性指标；ω1、ω2以及ω3均为系数权重。
9、在一种可行的实施方式中，通过预设的深度卷积自编码网络，将所述综合评价系数中的退化关键特征进行深度局部特征融合，得到一维的健康状态监测指标，具体包括：基于所述深度卷积自编码网络，构建深度卷积自编码器模型；其中，所述深度卷积自编码器模型中的损失函数为均方差函数，输出层为sigmoid激活函数，优化器为adma(adaptivemoment estimation optimizer，深度学习优化器)；根据第一预设阈值，对所述综合评价系数中的多域特征序列进行特征筛选，得到基于所述多项关键指标的关键特征；并将所述关键特征确定为所述退化关键特征；通过所述深度卷积自编码器模型中的卷积层与池化层，对所述退化关键特征进行深度局部特征的提取；通过所述深度卷积自编码器模型中的池化层，将所述深度局部特征进行一维层面的特征融合，得到初始健康状态监测指标；对所述初始健康状态监测指标进行加权回归处理，以使所述初始健康状态监测指标中的异常指标点集进行平滑处理，并得到所述健康状态监测指标。
10、在一种可行的实施方式中，将所述健康状态监测指标进行有关异常阈值条件下的退化集合划分，确定出状态样本集合，具体包括：基于不同故障类型下旋转机械的振动监测数据，确定出健康状态监测指标集；根据|hk(ti)-μ|≥3σ，划分出所述旋转机械的正常退化状态阶段与异常退化状态阶段；其中，hk(ti)为所述健康状态监测指标集；ti为所述旋转机械的健康状态开始退化的时刻；μ为旋转机械在健康状态下健康状态监测指标的分布均值；σ为旋转机械在健康状态下健康状态监测指标的分布标准差；根据所述旋转机械的正常退化状态阶段与异常退化状态阶段本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，对旋转机械的振动监测数据进行多域特征的提取，并构建出多域特征矩阵，具体包括：
3.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，在根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标之前，所述方法还包括：
4.根据权利要求3所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标，具体包括：
5.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，将所述多项关键指标进行基于系数权重的指标评价计算，得到综合评价系数，具体包括：
6.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，通过预设的深度卷积自编码网络，将所述综合评价系数中的退化关键特征进行深度局部特征融合，得
7.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，将所述健康状态监测指标进行有关异常阈值条件下的退化集合划分，确定出状态样本集合，具体包括：
8.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，通过预设的卷积残差网络，对所述状态样本集合进行多次残差训练，得到异常状态识别模型，具体包括：
9.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，通过所述异常状态识别模型以及预设报警规则，对所述旋转机械的运行状态数据进行实时的健康状态监测以及异常状态报警，具体包括：
10.一种基于数据驱动的旋转机械健康状态监测设备，其特征在于，所述设备包括：
...【技术特征摘要】
1.一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，对旋转机械的振动监测数据进行多域特征的提取，并构建出多域特征矩阵，具体包括：
3.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，在根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标之前，所述方法还包括：
4.根据权利要求3所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，根据所述多域特征矩阵，对归一化处理后的多域特征序列进行关键特征的提取，得到多项关键指标，具体包括：
5.根据权利要求1所述的一种基于数据驱动的旋转机械健康状态监测方法，其特征在于，将所述多项关键指标进行基于系数权重的指标评价计算，得到综合评价系数，具体包括：
6.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：韩波，宋志刚，尹祥军，王伟伟，
申请(专利权)人：浪潮云康山东信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。