[发明专利]一种深度时间卷积网络的旋转机械健康评估方法

说明书

本发明涉及一种深度时间卷积网络的旋转机械健康评估方法，包括以下步骤：采集多元振动信号；双层时间卷积网络提取局部关键的机械退化信息重构多元特征；采用残差自注意力机制提取退化特征，利用池化操作进行退化特征降维；进一步深化时间卷积网络层数并计算更具有表征能力的退化特征；采用无监督域适应架构学习退化特征之间的域不变性表示得到不同域之间的可迁移退化特征；整体模型的参数求解、更新、优化。本发明通过域适应框架和残差自注意力机制，能够较好的解决传统域适应框架中泛化能力差的问题，同时可较好的保留多元振动信号中的退化信息，实现了对退化特征的全面提取。

技术领域

本发明涉及旋转机械设备状态监测与健康评估技术领域，尤其是一种深度时间卷积网络的旋转机械健康评估方法。

背景技术

旋转机械设备的健康评估和管理技术指的是可以根据机械系统的当前工作状态来估计未来机械设备的行为，并可以预先制定维护计划，减少设备维护成本和防止灾难性的机械事故，同时，可以缩短机械设备不必要的停机时间，提高机械系统的可靠性。在例如风力设备和航空发动机等领域有着广泛的应用前景。

滚动轴承作为旋转机械中重要组成的零件，在运行过程中通常需要长期承受交变载荷的多变工况。因此，该过程中容易导致轴承发生故障，从而造成灾难性事故，超过40％的旋转机械故障与轴承有关所以对滚动轴承的健康诊断研究有着重要的意义。因此，根据轴承运行过程中的振动信号估算滚动轴承的健康值，对旋转机械的故障预测和健康管理具有重要价值。

现有技术中，健康估计方法可以分为两类：模型驱动和数据驱动。模型驱动方法采用由磨损、疲劳、腐蚀等引起的退化行为的数学和物理模型来预测系统信息。然而，这些方法需要专家知识来精确地模拟关键部件的动态响应并评估它们的健康趋势。通常，模型驱动方法不能模拟高度复杂的系统响应。近年来，大量的机械数据成为揭示其故障演化过程的重要资源，使得数据驱动方法更具吸引力。数据驱动方法旨在将传感器提供的数据转换为退化行为的参数化或非参数化模型。这些方法使用可用数据来提取隐藏信息，以进行精确的健康估计。传统的数据驱动方法首先从不同传感器所提供的数据中(例如，振动、力、温度等)提取退化特征(例如平均值、偏斜度、峰度等)，然后利用学习算法(例如，支持向量机，支持回归机，人工神经网络等)来进行健康评估。然而，这些方法大多依赖于所提取退化特征的质量，并且这些特征的选择通常需要先验知识。

发明内容

针对现有技术的缺陷，本发明提供一种深度时间卷积网络的旋转机械健康评估方法，解决了由于传统数据驱动方法依赖先验知识不能模拟复杂系统响应所导致的计算程序复杂、计算精度不高的技术问题。

本发明采用的技术方案如下：

一种深度时间卷积网络的旋转机械健康评估方法，包括以下步骤：

步骤S1.采集旋转机械中轴承运行时的水平方向和垂直方向振动信号，得到一系列多元信号，并划分为带标签的源域数据和无标签的目标域数据；

步骤S2.采用双层时间卷积网络提取所述源域数据和所述目标域数据中局部的机械退化信息，重构多元特征，其中局部的机械退化信息是指源域数据和目标域数据中退化信息表现较强的区域；

步骤S3.采用残差自注意力机制提取所述多元特征中的全局退化特征和局部退化特征，并利用池化操作进行退化特征降维，其中，全局退化特征指的是多元特征中退化特征表现较弱的区域，局部退化特征指的是多元特征中退化特征表现较强的区域；

步骤S4.重复步骤S2-步骤S3，进一步深化时间卷积网络层数，从而构建深度时间卷积网络模型，并计算更具有表征能力的源域数据的退化特征和目标域数据的退化特征；

步骤S5.嵌入无监督域适应架构学习所述源域数据的退化特征和所述目标域数据的退化特征之间的域不变性表示，得到不同域之间的可迁移退化特征，可准确地反应出旋转机械的动态响应并评估其健康趋势，从而可实现在一种工况下旋转机械中轴承振动信号的特征迁移至其他工况下的轴承健康评估；