【技术实现步骤摘要】
本申请涉及轴承故障检测，具体而言，涉及一种基于深度潜变量聚类模型的轴承健康状态评估方法及系统。
技术介绍
1、轴承是机械设备中最关键的部件之一，其健康状况直接影响设备的可靠性和使用寿命。然而，由于长时间运行和恶劣的工作环境，轴承易于发生磨损、疲劳和其他故障。因此，轴承健康状况的实时监测和准确评估对于确保设备的正常运行和防止意外停机至关重要。
2、传统的轴承健康评估方法主要依赖于振动分析、温度监测和润滑油分析等手段。尽管这些方法在一定程度上有效，但通常需要专业的知识和经验，且难以实现实时监测和预测。此外，传统方法对设备的复杂运行状态和多变的工况响应能力有限，无法全面捕捉轴承的退化过程。随着传感器技术、数据采集和处理技术的迅速发展，基于数据驱动的轴承健康评估方法逐渐成为研究热点。通过利用现代人工智能算法进行健康状态识别和预测，可以克服传统物理退化模型对研究人员专业知识要求较高的局限性，从而实现更为准确和高效的健康评估。
3、虽然现在已经有了部分基于人工智能的健康评估方案，但仍存在一些显著不足。这些方案通常采用复杂的深度学习模型，导致计算复杂度高、实时性差，以及对大量数据的手工特征提取和处理仍然依赖专业知识。此外，许多深度学习模型，尤其是复杂的递归神经网络，其内部机制难以解释，导致模型的可解释性差。这对故障诊断和决策支持带来了挑战，影响了用户对模型结果的信任度和接受度。
技术实现思路
1、本申请的目的在于提供一种基于深度潜变量聚类模型的轴承健康状态评估方法及系统，
2、本申请为解决上述技术问题采用如下技术方案：
3、一种基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于包括如下步骤：
4、（1）、采集轴承全寿命周期的振动信号；
5、（2）、按照一定时间间隔提取并计算振动信号的时域、频域特征；每个特征得到一串特征序列特征和时间序列；
6、（3）、基于综合得分权重公式，计算各特征综合得分，筛选综合得分在设定标准上的特征；综合得分权重公式为：
7、；
8、式中，、、分别为单调性指标 mon、鲁棒性指标 rob、相关性指标 rec的权重指标； score为综合得分；
9、（4）、将筛选后的参数进行pca降维，累计方差达到设定百分比以上则停止增加维度，由此选取解释方差比最高的主成分；
10、（6）、利用指数加权移动平均对降维后的曲线进行平滑处理；
11、（5）、利用原则将对降维并平滑处理后的曲线按照健康阶段、衰退阶段、故障阶段进行划分，然后进行归一化处理作为训练集；
12、（7）、搭建网络：构建一个包含gru和vae的神经网络用于对数据进行重构，另外搭建mlp网络，对重构后的信号利用mlp划分健康状况；
13、（8）、利用pso对gru的隐藏层尺寸和vae的潜在特征尺寸进行参数寻优；
14、（9）、将训练集导入参数寻优优化后的网络进行训练，输出训练好的模型；
15、（10）、实时监测轴承振动信号，计算当前时刻优选后的时域、频域参数，pca降维后将其导入训练好的模型评估当前轴承健康状态。
16、上述技术方案中，步骤（2）所述特征包括以下的至少一种：通频速度有效值、低频速度有效值、加速度有效值、加速度峰值、振动冲击值、加速度峭度、加速度歪度、速度峰值、峰值因子、加速度信号功率谱。
17、上述技术方案中，步骤（3）单调性指标为：
18、；
19、式中，是两个变量排名之间的差； n是数据点的数量；，单调性指标越大，表示随着轴承性能退化的加剧，特征单调性趋势越强。
20、上述技术方案中，相关性指标为：
21、；
22、式中，是特征的第 i个元素；是时间序列的第 i个元素；是 x的均值。是 t的均值。
23、上述技术方案中，综合得分为：
24、
25、式中，、、分别为单调性、鲁棒性、相关性的权重指标。
26、上述技术方案中，、、分别为单调性、鲁棒性、相关性的权重指标。分别取0.4、0.3、0.3的权重。
27、上述技术方案中，步骤（3）各特征综合得分大于等于70分以上为筛选目标。
28、上述技术方案中，步骤（4）当累计方差达到95%以上则停止增加维度。
29、上述技术方案中，步骤（5）指数加权移动平均定义为：
30、；
31、式中，是在时间点 t的指数加权移动平均值，；是在时间点 t的原始数据值；是平滑系数，通常取值范围为，表示对当前数据的权重。
32、上述技术方案中，步骤（6）截取全寿命数据前若干个健康数据点计算方差和均值，根据多条全寿命曲线的轴承实验，将数据点值小于标记为健康阶段，在和之间作为衰退阶段，大于的作为故障阶段，然后进行归一化处理作为训练集。
33、上述技术方案中，步骤（6）截取全寿命数据前30个健康数据点计算方差和均值。
34、上述技术方案中，步骤（7）构建一个双门的gru网络衔接一个vae网络构成gru-vae网络对数据进行重构，另外搭建一个三层的mlp网络，对重构后的信号利用mlp划分健康状况。
35、上述技术方案中，步骤（8）将gru的隐藏层维度hidden_dim和vae网络的潜在特征维度latent_dim作为pso寻优优化的对象，适应度函数选择最小化网络损失函数。
36、上述技术方案中，步骤（9）训练集导入参数优化后的gru-vae网络进行信号重构，挖掘潜在特征，然后将重构后的高维度信号导入mlp网络进行监督分类；最后将训练好的模型进行保存。
37、上述技术方案中，步骤（10）、实时采集轴承振动信号，计算当前时刻的时域、频域参数，具体为计算每一秒的的特征量，将计算好的特征量进行pca降维后导入训练好的模型，输出当前健康状况。
38、基于上述方法，本专利技术还可以提供一种深度潜变量生成模型的轴承健康状况评估系统或存储有计算机程序的存储介质；当系统或计算机程序运行时，用于实现上述方法的步骤。
39、由此，本专利技术技术方案基于gru-vae网络，结合粒子群本文档来自技高网...
【技术保护点】
1.一种基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（2）所述特征包括以下的至少一种：通频速度有效值、低频速度有效值、加速度有效值、加速度峰值、振动冲击值、加速度峭度、加速度歪度、速度峰值、峰值因子、加速度信号功率谱。
3.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（3）单调性指标为：
4.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于相关性指标为：
5.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于各特征综合得分大于等于70分以上为筛选目标。
6.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（4）当累计方差达到95%以上则停止增加维度。
7.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（6）截取全寿命数据前若干个健康数据点计算方差
8.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于构建一个GRU-VAE网络，所述GRU-VAE网络由双门的GRU网络衔接一个VAE网络构成，使用GRU-VAE网络对数据进行重构，另外搭建一个三层的MLP网络，对重构后的信号利用MLP网络划分健康状况。
9.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（8）将GRU的隐藏层维度hidden_dim和VAE网络的潜在特征维度latent_dim作为PSO寻优优化的对象，适应度函数选择最小化网络损失函数。
10.一种深度潜变量生成模型的轴承健康状况评估系统，其特征在于当系统运行时，用于实现上述权利要求1-9任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（2）所述特征包括以下的至少一种：通频速度有效值、低频速度有效值、加速度有效值、加速度峰值、振动冲击值、加速度峭度、加速度歪度、速度峰值、峰值因子、加速度信号功率谱。
3.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（3）单调性指标为：
4.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于相关性指标为：
5.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于各特征综合得分大于等于70分以上为筛选目标。
6.根据权利要求1所述的基于深度潜变量聚类模型的轴承健康状态评估方法，其特征在于步骤（4）当累计方差达到95%以上则停止增加维度。
7.根据权利要求1所述的基于深度潜变量聚类模型...
【专利技术属性】
技术研发人员：雪增红，魏春虎，杨世飞，徐徐，孙磊，邹小勇，
申请(专利权)人：南京凯奥思数据技术有限公司，
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。