[发明专利]一种基于变分自编码器的机械设备退化点识别方法和系统

说明书

本发明公开一种基于变分自编码器的机械设备退化点识别方法和系统，属于故障预测与健康管理领域。包括：等间隔等长度采集机械设备从起始时刻到额定寿命K％期间的振动信号段，计算每个振动信号段的N个时域特征；构建变分自编码器；采用每个振动信号段的N个时域特征训练变分自编码器，得到训练好的变分自编码器；将额定寿命K％之后每个时刻采集到的振动信号段输入至训练好的变分自编码器，根据变分自编码器输出，计算振动信号段的重建概率；若重建概率不超过预设阈值，对应时刻识别为退化点。若该待测数据属于健康阶段，重建概率大，表明和训练样本处于同一分布，若属于退化阶段，重建概率小，表明和训练样本处于不同分布，提高退化点识别的准确率。

技术领域

本发明属于故障预测与健康管理领域，更具体地，涉及一种基于变分自编码器的机械设备退化点识别方法和系统。

背景技术

为保证机械设备正常和安全运行，故障预测和健康管理技术越来越受重视，许多研究人员也对其进行了研究。机械设备运行过程中的状态大致可以被划分为健康和退化状态，两种状态之间的分界点被称为退化点。识别出退化点一方面可以预防进一步的退化和故障的发生，起到机械设备健康预警的作用，另一方面可以将两种状态区分开，单独研究机械设备的退化状态，便于预测机械设备的剩余使用寿命、及时地进行维修。

机械设备退化点识别方法主要有基于数学模型的、基于数学和信号分析的、基于机器学习的方法。基于数学模型的方法需要对机械设备的机理非常了解，根据物理规律建立起数学模型，许多机械设备的机理非常复杂，难以建立有效的数学模型。基于数学和信号分析的方法结合了先验知识和信号处理方法，例如利用高维矩阵协方差最大、最小特征值的比值来识别早期退化点，多阶段漂移布朗运动模型的识别方法，局部特征尺度分解的方法，小波变换的方法，这类方法没有很强的泛化性能，只适用于某几类机械设备。基于机器学习的方法不再局限于固定的先验知识，可以利用振动、温度、压力等多类传感器信号，使用训练的方式得到识别器，满足实际的识别要求，常见的方法有聚类、支持向量机等方法。机器学习方法的识别效果良好，但也存在一定的局限性，当实际问题复杂、样本量庞大，机器学习方法只能学习到浅层次的信息，难以学习深层次的特征，造成退化点的识别效果准确度不高，可用性较差。

发明内容

针对现有技术退化点难以识别、识别精度低的缺陷和改进需求，本发明提供了一种基于变分自编码器的机械设备退化点识别方法和系统，其目的在于通过采用变分自编码器的神经网络模型，该神经网络模型是一种无监督模型，能够很好地满足实际退化点识别任务中数据没有标签的问题，变分自编码器结合了变分推理和自编码器，具有优秀的模型性能，从而提高最终的退化点识别结果准确率。

为实现上述目的，按照本发明的第一方面，提供了一种基于变分自编码器的机械设备退化点识别方法，包括：

(1)等间隔等长度采集机械设备从起始时刻到额定寿命K％期间的振动信号段，并计算每个振动信号段的N个时域特征，K≤50；

(2)构建变分自编码器，所述变分自编码器包括：节点数为N的输入层、节点数为的隐含层一、节点数为的隐含层二、节点数为的隐含层三和节点数为N的输出层，输入层、隐含层一和隐含层二构成编码器，隐含层二、隐含层三和输出层构成解码器；

(3)采用每个振动信号段的N个时域特征训练变分自编码器，得到训练好的变分自编码器；

(4)将额定寿命K％之后每个时刻采集到的振动信号段输入至训练好的变分自编码器，并根据变分自编码器的输出，计算对应振动信号段的重建概率；

(5)若重建概率不超过预设阈值，则对应时刻识别为退化点。

优选地，所述N个时域特征包括：均方根值、方差、波峰值、偏态、峭度、峰-峰值。

有益效果：本发明优选上述与健康、退化状态临界点关联密切的时域特征，从而更有效地从该特征中分辨出健康、退化状态，找出退化点的位置。