本發(fā)明屬于旋轉機械健康狀態(tài)評估，涉及一種時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法。

背景技術：

1、旋轉機械在生產生活中有著廣泛的應用，齒輪、軸承等零部件是其傳動鏈的重要組成部分。由于變速、重載、高溫、腐蝕等惡劣的運行環(huán)境，旋轉機械的齒輪、軸承等關鍵零部件容易出現(xiàn)點蝕和斷裂等缺陷。這些缺陷的擴展會破壞設備的平穩(wěn)運行，導致噪音和振動幅度增大，降低設備精度和可靠性，最終導致設備故障甚至造成人員傷亡。因此，定量評估旋轉機械運行期間的健康狀態(tài)十分重要。機械設備在正常運行期間不允許以頻繁停機的形式觀察其健康狀態(tài)和檢測退化程度。健康指標作為連接機械健康監(jiān)測和剩余壽命預測的重要橋梁，不僅可以定量地揭示設備運行的健康狀態(tài)，還可以借助于特定的預測手段預估其剩余使用壽命。

2、然而現(xiàn)有的健康指標構建方法通常只適用于恒定轉速下運行的機械設備。在實際工程中，旋轉機械因生產活動的要求往往需要改變其運行工況，如汽車檔位的變換、工業(yè)機器人關節(jié)運動的變化和風力渦輪機的變槳等。這就造成采集到的狀態(tài)監(jiān)測信號會受到轉速變化的調幅干擾，導致現(xiàn)有健康指標構建方法不能清晰準確地揭示設備的健康退化過程，進而影響剩余壽命的判斷。如果能夠將所有的狀態(tài)觀測值統(tǒng)一到一個設定的基線轉速上，則可以消除轉速變化引入的干擾。基于此，研究一種時變轉速工況下的機械健康指標構建方法至關重要。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法，提高旋轉機械剩余使用壽命預測的準確性。

2、為達到上述目的，本發(fā)明提供如下技術方案：

3、一種時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法，具體包括以下步驟：

4、s1：數(shù)據采集；利用狀態(tài)監(jiān)測系統(tǒng)采集機械設備全壽命周期的振動信號x＝(x1,x2,…,xn)t，其中n為全壽命周期的樣本數(shù)目，m為單個樣本的采樣點數(shù)；同時采集設備實時的轉速s＝(s1,s2,…,sn)t等狀態(tài)信息；

5、s2：數(shù)據預處理：對采集到的全壽命周期振動信號進行預處理；

6、s3：確定基線轉速帶；

7、s4：建立基線轉速帶下的性能退化模型：確定基線轉速帶后，給定一個觀測值，可以根據轉速信息判斷其是否為基準觀測值；對于非基線轉速帶內的觀測值，建立性能退化模型進行插值以近似其基準觀測；

8、s5：非基準觀測插值：求得基線轉速帶下的退化模型參數(shù)后，根據所建立的雙指數(shù)退化模型對非基準觀測值進行插補以獲得全壽命周期近似的基準狀態(tài)觀測序列即基準健康指標；

9、s6：構建基準轉換神經網絡，用于將原始狀態(tài)觀測變量轉換到基線轉速下的虛擬基準觀測值；

10、s7：訓練優(yōu)化基準轉換神經網絡；

11、s8：構建健康指標：對在役機械設備，輸入測試數(shù)據，利用優(yōu)化的基準轉換神經網絡得到旋轉機械健康指標。

12、進一步，步驟s2中，數(shù)據預處理具體包括：對采集到的全壽命周期振動信號進行濾波降噪、剔除異常值和轉速匹配等預處理；為降低數(shù)據維度，提取振動信號的rms值或其它趨勢性的統(tǒng)計特征作為狀態(tài)觀測變量f＝(f1,f2,…,fn)t。

13、進一步，步驟s3中，確定基線轉速帶具體包括：定義一個在基線轉速附近浮動的轉速帶：

14、s∈[(1-δ)×sb,(1+δ)×sb]

15、其中，sb代表設備的額定轉速，δ為浮動系數(shù)。浮動系數(shù)δ可以根據工程經驗或數(shù)據分析結果進行設定。

16、進一步，步驟s4具體包括：選擇雙指數(shù)模型作為基線轉速帶下狀態(tài)值的退化擬合模型，表達式為：

17、y(t)＝α1exp(β1t)+α2exp(β2t)+ε

18、其中，y(t)是t時刻基準狀態(tài)觀測值的近似值，α1,α2,β1和β2是狀態(tài)參數(shù)；為高斯噪聲項。

19、進一步，步驟s5中，在獲得足夠多的狀態(tài)觀測變量后，根據基線轉速帶內的基準觀測序列{f*}對退化模型的參數(shù)進行估計：

20、

21、其中，fi*表示ti時刻在基線轉速帶下獲取的狀態(tài)觀測值，表示狀態(tài)參數(shù)的估計值。

22、進一步，步驟s6中，構建的基準轉換神經網絡包括輸入層、輸出層和n個隱藏層；其中，輸入層具有三個神經元，在訓練和測試時僅需要輸入三個參數(shù)，分別為原始狀態(tài)觀測變量f、基線轉速比rs和退化時間比rt；輸出層的預測值則為轉換到基線轉速帶下的虛擬基準觀測值；

23、基線轉速比rs是設備當前轉速s(t)相對于基線轉速sb的比值，包含關于設備實際轉速與指定的基線轉速的信息；退化時間比rt是指設備當前運行時刻tk相對于其全壽命周期t的比值，它包含設備運行時間信息；在訓練和測試過程中，rt的計算方式是不同的，即：

24、

25、其中，n為全壽命周期已知的同類設備樣本數(shù)，tj為第j個同類設備樣本的全壽命周期。

26、進一步，步驟s7中，訓練優(yōu)化基準轉換神經網絡具體包括：假設θbtnn代表基準轉換神經網絡中的權重和偏置參數(shù)，網絡訓練過程中，將網絡的預測值與全壽命周期近似的基準觀測值間的均方誤差作為優(yōu)化目標：

27、

28、其中，nbatch為訓練時輸入數(shù)據的批次大小，為目標函數(shù)；訓練策略選用小批量隨機梯度下降算法優(yōu)化網絡參數(shù)，利用反向傳播算法，其優(yōu)化參數(shù)通過最小化目標函數(shù)計算為：

29、

30、其中，lr為網絡學習率，θbtnn為網絡參數(shù)，為優(yōu)化后的網絡參數(shù)；迭代上述訓練過程得到優(yōu)化的基準轉換神經網絡。

31、進一步，步驟s8中，構建健康指標具體包括：基于優(yōu)化的基準轉換神經網絡，對在役機械設備，輸入測試數(shù)據{f}，{rs}，{rt}到θbtnn實時預測其轉換到基線轉速下的健康指標值，得到全壽命周期健康指標向量h＝[h1,h2,…,hn]t，從而揭示其性能退化過程，為后續(xù)故障預警和剩余壽命預測奠定基礎。

32、本發(fā)明的有益效果在于：本發(fā)明能夠對時變轉速工況下的旋轉機械健康狀態(tài)進行評估，提高了旋轉機械剩余使用壽命預測的準確性，從而降低機械設備的維修成本。

33、本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書來實現(xiàn)和獲得。

技術特征：

1.一種時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法，其特征在于，該方法具體包括以下步驟：

2.根據權利要求1所述的旋轉機械健康指標構建方法，其特征在于，步驟s2中，數(shù)據預處理具體包括：對采集到的全壽命周期振動信號進行濾波降噪、剔除異常值和轉速匹配；為降低數(shù)據維度，提取振動信號的rms值或其它趨勢性的統(tǒng)計特征作為狀態(tài)觀測變量f＝(f1,f2,…,fn)t。

3.根據權利要求1所述的旋轉機械健康指標構建方法，其特征在于，步驟s3中，確定基線轉速帶具體包括：定義一個在基線轉速附近浮動的轉速帶：

4.根據權利要求2所述的旋轉機械健康指標構建方法，其特征在于，步驟s4具體包括：選擇雙指數(shù)模型作為基線轉速帶下狀態(tài)值的退化模型，表達式為：

5.根據權利要求4所述的旋轉機械健康指標構建方法，其特征在于，步驟s5中，在獲得足夠多的狀態(tài)觀測變量后，根據基線轉速帶內的基準觀測序列{f*}對退化模型的參數(shù)進行估計：

6.根據權利要求1所述的旋轉機械健康指標構建方法，其特征在于，步驟s6中，構建的基準轉換神經網絡包括輸入層、輸出層和n個隱藏層；其中，輸入層具有三個神經元，在訓練和測試時僅需要輸入三個參數(shù)，分別為原始狀態(tài)觀測變量f、基線轉速比rs和退化時間比rt；輸出層的預測值則為轉換到基線轉速帶下的虛擬基準觀測值；

7.根據權利要求6所述的旋轉機械健康指標構建方法，其特征在于，步驟s7中，訓練優(yōu)化基準轉換神經網絡具體包括：假設θbtnn代表基準轉換神經網絡中的權重和偏置參數(shù)，網絡訓練過程中，將網絡的預測值與全壽命周期近似的基準狀態(tài)觀測值fb*間的均方誤差作為優(yōu)化目標：

8.根據權利要求7所述的旋轉機械健康指標構建方法，其特征在于，步驟s8中，構建健康指標具體包括：基于優(yōu)化的基準轉換神經網絡，對在役機械設備，輸入測試數(shù)據{f}，{rs}，{rt}到θbtnn實時預測其轉換到基線轉速下的健康指標值，得到全壽命周期健康指標向量h＝[h1,h2,…,hn]t。

技術總結
本發(fā)明涉及一種時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法，屬于旋轉機械健康狀態(tài)評估技術領域。該方法包括：S1：數(shù)據采集；S2：對采集到的全壽命周期振動信號進行預處理；S3：確定基線轉速帶；S4：建立基線轉速帶下的性能退化模型：S5：求得基線轉速帶下的退化模型參數(shù)后，根據所建立的雙指數(shù)退化模型對非基準觀測值進行插補以獲得全壽命周期近似的基準狀態(tài)觀測序列，即基準健康指標；S6：構建并訓練優(yōu)化基準轉換神經網絡；S8：構建健康指標：對在役機械設備，輸入測試數(shù)據，利用優(yōu)化的基準轉換神經網絡得到旋轉機械健康指標。本發(fā)明能提高旋轉機械剩余使用壽命預測的準確性。

技術研發(fā)人員：秦毅,趙一行,楊家鴻,蒲華燕,羅均
受保護的技術使用者：重慶大學
技術研發(fā)日：
技術公布日：2024/12/17

相關知識

基于卷積神經網絡的盲人圖像觸覺識別方法研究
換城市工作生活，醫(yī)保轉不轉？何時轉？怎么轉？
飛輪儲能——實現(xiàn)電能和機械動能快速互相轉換的技術
輕松實現(xiàn)機械設計的四大旋轉結構解析
推動行業(yè)標準建立、提升交易效率，轉轉：攜商戶共建健康二手生態(tài)
平面回轉篩操作、鑫威機械(在線咨詢)、平面回轉篩
推動行業(yè)標準建立、提升交易效率，轉轉：攜手商戶共建健康二手生態(tài)
“星艦”或將旋轉模擬重力，除了旋轉，還有哪些可行方法？
健康課旋轉木馬課件.pptx
有機蔬菜種植的轉換和轉換期

網址: 時變轉速工況下基于基準轉換神經網絡的旋轉機械健康指標構建方法 http://www.u1s5d6.cn/newsview1738226.html