《機器人基礎(chǔ)與數(shù)字孿生系統(tǒng)》 課件第8章 數(shù)字孿生系統(tǒng)的故障診斷

第八章數(shù)字孿生系統(tǒng)的故障診斷【8.1基于特征生成模型的故障診斷方法】

早期的故障診斷方法有振動監(jiān)測技術(shù)、油液監(jiān)測技術(shù)、溫度趨勢分析和無損探傷技術(shù)等，上述的故障診斷方法主要針對于普通單一的機械設(shè)備，無法適用于當(dāng)下的復(fù)雜設(shè)備和復(fù)雜環(huán)境，已趨于淘汰。

而隨著計算機算力的提升和當(dāng)下深度學(xué)習(xí)理論基礎(chǔ)越來越完善，結(jié)合深度學(xué)習(xí)的軸承故障診斷方法相較于之前的方法能更準(zhǔn)確的提供故障診斷和分類效果。由于故障數(shù)據(jù)難采集且故障類別分布不均衡，導(dǎo)致故障診斷的準(zhǔn)確率和精確率受到影響。本節(jié)提出結(jié)合條件變分自編碼器(ConditionalVariationalAutoencoder,CVAE)與輔助分類生成式對抗網(wǎng)絡(luò)(AuxiliaryClassifierGenerativeAdversarialNetworks,ACGAN)進行特征生成，以實現(xiàn)準(zhǔn)確故障診斷的新方法?！?.1基于特征生成模型的故障診斷方法】【8.1.1條件變分自編碼器】

條件變分自編碼器(CVAE)基于變分自編碼器(VAE)的基礎(chǔ)上對輸入數(shù)據(jù)集增加了類別C作為原始數(shù)據(jù)的約束條件，通過對原始數(shù)據(jù)和類別進行編碼得到隱含特征Z。

通過引入均值μ、方差σ和噪聲ε對進行重參數(shù)化，得到的重構(gòu)式

Z=μ+σ×ε，再用解碼的方式將隱含特征和類別重構(gòu)回原始數(shù)據(jù)的空間維度，得出重構(gòu)后的數(shù)據(jù)與原始數(shù)據(jù)不斷逼近，從而獲得原始數(shù)據(jù)X的隱含特征Z。【8.1基于特征生成模型的故障診斷方法】【8.1.2輔助分類生成式對抗網(wǎng)絡(luò)】

傳統(tǒng)的GAN模型主要是通過對生成器G輸入噪聲Z，生成器G的目標(biāo)是提取真實特征的分布并輸出生成特征，盡可能的讓生成特征在判別器D的判別中與真實特征一致。通過生成器G和判別器D的對抗過程完成對模型的訓(xùn)練過程，使得生成特征的分布不斷逼近真實特征的分布，最終達到Nash均衡。

通過CVAE網(wǎng)絡(luò)訓(xùn)練得到的類別條件約束下的隱含特征可以通過輔助分類生成式對抗網(wǎng)絡(luò)進一步得到類條件特征。【8.1基于特征生成模型的故障診斷方法】

ACGAN在GAN的理論基礎(chǔ)上添加類別屬性C來約束對抗網(wǎng)絡(luò)。給生成器G輸入噪聲和類別，判別器D既需要對生成特征和真實特征進行真?zhèn)闻袆e，又要基于給出的生成特征訓(xùn)練對應(yīng)的類別屬性，給出屬于類別的概率分布。

判別器和生成器通過動態(tài)抗衡的學(xué)習(xí)方式，最終達到Nash均衡，ACGAN網(wǎng)絡(luò)可以借助訓(xùn)練好的生成器生成有效的類條件特征?！?.1基于特征生成模型的故障診斷方法】【8.1.3CVAE-ACGAN特征生成模型】故障判斷流程軸承振動信號作為原始故障數(shù)據(jù)，自定義故障類別屬性，經(jīng)過數(shù)據(jù)清洗和切割劃分后分為訓(xùn)練集、測試集和驗證集。訓(xùn)練集輸入CVAE網(wǎng)絡(luò)，通過編碼解碼的訓(xùn)練方式提取到類別條件約束下的隱含特征。將CVAE提取到的隱含特征作為判別器的真實數(shù)據(jù)輸入源，通過生成器和判別器動態(tài)對抗的訓(xùn)練方式不斷優(yōu)化最終得到有效的類條件特征。結(jié)合ACGAN生成器輸出的類條件特征和訓(xùn)練集進行拼接，把擴增后的新數(shù)據(jù)集作為CNN網(wǎng)絡(luò)的訓(xùn)練集，結(jié)合分類器的監(jiān)督學(xué)期和梯度下降算法，最小化CNN模型的損失函數(shù)，完成對CNN故障診斷模型的訓(xùn)練。最后，給CNN故障診斷模型輸入測試集和驗證集，使預(yù)測類別與真實類別盡可能一致，驗證模型分類能力，得到軸承故障診斷結(jié)果進行實驗對比分析。【8.1基于特征生成模型的故障診斷方法】

CVAE-ACGAN模型訓(xùn)練主要分為兩部分：CVAE提取原始數(shù)據(jù)類別條件約束下的隱含特征和ACGAN生成有效的類條件特征?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】

采用凱斯西儲大學(xué)(CWRU)軸承數(shù)據(jù)集和意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集作為數(shù)據(jù)源，在同種輸入輸出的條件下，與其他四種特征生成模型的故障診斷結(jié)果進行對比。

凱斯西儲大學(xué)信號采集實驗臺由一臺電動機、一個功率測試計和傳感器組成。傳感器信號采集頻率主要分為12KHz和48Khz，通過電火花加工的方式為軸承構(gòu)造人為損傷，其中根據(jù)損失直徑的不同分為0.007英寸、0.014英寸、0.021英寸和0.028英寸。

取驅(qū)動端加速度樣本數(shù)據(jù)，按照內(nèi)圈、外圈和滾動球體三種故障位置，每種故障位置又按照損傷直徑0.007，0.014和0.021的順序排列，再加上設(shè)備健康的狀態(tài)，自定義10種故障類別，按照數(shù)字0-9的方式來標(biāo)記，將數(shù)據(jù)集按照7:2:1的比例劃分為訓(xùn)練集、測試集和驗證集，取每個數(shù)據(jù)集長度為1024?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】

意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集采用的數(shù)據(jù)來自意大利都靈理工大學(xué)機械和航天工程系的航空發(fā)動機高速軸承故障模擬試驗臺，該試驗臺可測量航空軸承在不同高轉(zhuǎn)速重載荷下的振動加速度數(shù)據(jù)。

B1，B2，B3為三個軸承支座，A1和A2處各安裝一個三軸振動加速度傳感器，分別用于測量損壞軸承支架B1處和受外載荷最大B2處的振動數(shù)據(jù)。使用Rockwell工具在軸承內(nèi)圈或滾子上產(chǎn)生不同大小的錐形壓痕，模擬不同的故障類型，軸承不同健康狀態(tài)的測量過程相同：首先在空載下以100Hz轉(zhuǎn)頻(6000r/min)短暫運行，檢查安裝是否正確，正確安裝后逐步改變外載荷的大小，并以100Hz為步長提高。當(dāng)軸的轉(zhuǎn)速穩(wěn)定后就通過傳感器對振動數(shù)據(jù)進行測量。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】在本次實驗中選擇轉(zhuǎn)速為6000r/min、30000r/min和額定負載1000N的負載設(shè)置，以64kHz的采樣率測量了大約4秒的振動信號，所選擇的故障編號、故障位置、轉(zhuǎn)速和額定負載如表所示，最終共計10種故障類型，數(shù)據(jù)集劃分與凱斯西儲大學(xué)軸承數(shù)據(jù)集保持一致。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為了量化提出的方法在故障診斷中的效果，采取準(zhǔn)確率(Accuracy)，精確率(Precision)，召回率(Recall)和平均結(jié)果(Averageresult)。A為指定類別特征判斷正確的數(shù)量，B為非指定類別特征被錯認(rèn)為指定類別特征的數(shù)量，C為指定類別特征判斷錯誤數(shù)量，D為非指定類別特征判斷正確數(shù)量。

準(zhǔn)確率是衡量特征生成模型識別出故障的指標(biāo)。精確率和召回率是衡量模型正確分類的指標(biāo)，前者關(guān)注指定類別判斷正確的數(shù)量在整體預(yù)測結(jié)果中的比例，后者關(guān)注指定類別判斷正確的數(shù)量在判斷出的特定故障類別中的比重。平均結(jié)果是召回率和精確率的加權(quán)調(diào)和平均?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型在故障診斷中的實際應(yīng)用情況，以CNN卷積神經(jīng)網(wǎng)絡(luò)作為故障診斷模型。首先，向CNN故障診斷模型輸入故障特征生成模型處理后的故障數(shù)據(jù)集，然后經(jīng)過Softmax分類器進行10種故障分類，最后，通過對10種故障類別的分類結(jié)果對故障特征生成模型的能力進行驗證和對比。CNN網(wǎng)絡(luò)參數(shù)設(shè)置【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證提出的模型能夠提高故障診斷模型的準(zhǔn)確率和精確率，以PoliTO數(shù)據(jù)集作為數(shù)據(jù)源，分別選擇CNN故障診斷模型和經(jīng)過故障特征生成模型的CVAE-ACGAN-CNN故障診斷模型進行對比。本次驗證方法在測試集和驗證集上各進行十次訓(xùn)練，對10種故障類別的準(zhǔn)確性、精確性、召回率和加權(quán)調(diào)和平均值進行求和取平均值。將故障數(shù)據(jù)集直接輸入CNN故障診斷模型時，平均準(zhǔn)確率在98.58%、平均精確率在96.44%、平均召回率在94.23%、加權(quán)調(diào)和平均值在95.32%。與經(jīng)過CVAE-ACGAN-CNN故障診斷模型相比較，后者平均準(zhǔn)確率提高0.31%、平均精確率提高2.06%、平均召回率提高3.19%、加權(quán)調(diào)和平均值提高2.64%?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】選取最后一次故障預(yù)測結(jié)果繪制混淆矩陣來反映故障診斷模型實際診斷的情況。CNN混淆矩陣CVAE-ACGAN-CNN混淆矩陣對比二者的混淆矩陣可以發(fā)現(xiàn)：CVAE-ACGAN-CNN對于10種故障類別的預(yù)測結(jié)果均高于CNN，而且前者的誤判概率低且只出現(xiàn)誤判為另一類的情況。觀察后者則可以發(fā)現(xiàn)：CNN模型在針對某一類別的判斷誤差較大，而且對某一類別可能誤判成其他多種類別，對故障診斷的精確率和準(zhǔn)確率有著很大的影響?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個CNN故障診斷模型記錄診斷結(jié)果，評估指標(biāo)保持一致。不同模型在CWRU數(shù)據(jù)集的故障診斷結(jié)果對比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個CNN故障診斷模型記錄診斷結(jié)果，評估指標(biāo)保持一致。不同模型在PoliTO數(shù)據(jù)集的故障診斷結(jié)果對比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】對比CVAE-ACGAN和ACGAN的損失函數(shù)曲線可以看出，前者的損失函數(shù)在第12輪的時候曲線已經(jīng)開始收斂，而且后續(xù)整體曲線處于平穩(wěn)的狀態(tài)；后者的損失函數(shù)曲線在將近28輪的時候才開始收斂，而且整個函數(shù)曲線抖動較大處于十分不穩(wěn)定狀態(tài)。CVAE-ACGAN損失函數(shù)曲線ACGAN損失函數(shù)曲線【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】進一步驗證CVAE-ACGAN特征生成模型的特征提取能力，利用t-SNE算法來進行可視化分析。將特征層通過t-SNE投影到2維的平面中觀察數(shù)據(jù)特征分布，圖內(nèi)數(shù)字0-9代表提取到的不同故障特征類型。選擇CVAE和VAE的隱含特征值層，ACGAN和CVAE-ACGAN生成器的輸出層，CVAE-ACGAN模型中CNN的輸出層。【8.2性能退化評估模型】【8.2.1軸承性能退化評估方法】機械設(shè)備經(jīng)過長期運行后，許多零部件會面臨使用壽命退化的問題，從而影響設(shè)備的運行狀態(tài)。因此，對機械設(shè)備的運行狀態(tài)進行有效評估是保證生產(chǎn)可持續(xù)進行的方法之一。在機械設(shè)備的運行過程中，其零部件狀態(tài)具有時變性和不確定性特點。需研究合理的性能退化評估方法，對時序信號進行分析處理并得出實際運行模型與預(yù)測模型之間的實際映射，以實現(xiàn)高可靠運行。討論一種基于堆棧去噪自編碼器(StackedDenoisedAutoencoder,SDAE)和支持向量數(shù)據(jù)描述(SupportVectorDataDescription,SVDD)的性能退化評估模型。SDAE具有良好的去噪和抗干擾能力，從原始數(shù)據(jù)集中挖掘出有效的退化特征并結(jié)合時序特征分析，劃分出正常狀態(tài)特征和全壽命特征，結(jié)合SVDD模型抗干擾的特點，對SVDD評估模型進行離線訓(xùn)練來確定模型參數(shù)，通過在線評估的方法來預(yù)測軸承早期故障和其他退化狀態(tài)，進一步對退化評估結(jié)果進行驗證和對比分析?！?.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】SDAE是在自動編碼器(Autoencoder,AE)的基礎(chǔ)上延伸提出的模型，由于AE模型的泛化能力和抗噪能力弱，可以對輸入的數(shù)據(jù)進行去噪，以形成去噪自編碼器(DenoisedAutoencoder,DAE)。DAE模型有較強的抗噪能力，但是在訓(xùn)練和學(xué)習(xí)的過程中存在收斂速度慢和計算量大的問題，SDAE則在DAE的基礎(chǔ)上通過堆疊的方式進行逐層訓(xùn)練，既保留了DAE模型的抗噪能力又加快了收斂和學(xué)習(xí)速度。AE是一種非監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱含層和輸出層，在進行訓(xùn)練的時候主要分為編碼解碼兩部分，并通過最小化重構(gòu)差來對原始數(shù)據(jù)進行特征提取。DAE則是在AE中隨機加入噪聲進行訓(xùn)練，來避免輸入信號因為受到噪聲污染而影響其魯棒性和泛化能力?！?.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】DAE在AE中隨機加入噪聲進行訓(xùn)練，來避免輸入信號因為受到噪聲污染而影響其魯棒性和泛化能力。

DAE模型首先對原始樣本，

加入噪聲，獲得含噪樣本

，含噪樣本經(jīng)過激活函數(shù)編碼的方式實現(xiàn)到隱含層的映射，輸入解碼層進行重構(gòu)處理，最終得到輸出

。DAE模型通過編碼解碼的方式能提高魯棒性，但是在面對大量樣本時存在訓(xùn)練速度慢和提取特征精度欠缺的問題。【8.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】SDAE模型通過堆疊的方式將結(jié)構(gòu)分成編碼解碼的單元，通過預(yù)訓(xùn)練的方式將上一單元的隱含層作為下一單元的輸入層，根據(jù)重構(gòu)誤差不斷進行調(diào)整，可以提取更加深層次的有效特征

SDAE的基本結(jié)構(gòu)與DAE類似，但是相比于DAE可以通過逐層訓(xùn)練的方式提取更有效的特征。經(jīng)過隨機噪聲的原始樣本作為模型的輸入層，經(jīng)過第一隱含層時通過編碼解碼的方式得到隱含特征，當(dāng)進入第二隱含層時選擇第一個隱含特征作為隱含層的輸入，再次經(jīng)過編碼解碼的方式得到另一個隱含特征，如此反復(fù)訓(xùn)練和調(diào)整，直到得到最終的隱含特征和每一層的權(quán)值，完成預(yù)訓(xùn)練的過程。

在確定每層的權(quán)值后，對原始樣本整體輸入SDAE模型，通過最小化重構(gòu)誤差函數(shù)和梯度下降算法最終完成全局調(diào)參的目標(biāo)?！?.2性能退化評估模型】【8.2.3支持向量數(shù)據(jù)描述】SVDD模型最早用來解決單分類問題，將目標(biāo)樣本通過非線性函數(shù)映射在不同維度的空間，并在這個空間中通過確定球心和半徑兩個重要參數(shù)來構(gòu)建一個最小的超球體結(jié)構(gòu)。

樣本到球心的距離定義為退化指標(biāo)，選擇合適的性能退化閾值將樣本點劃分為目標(biāo)樣本點和非目標(biāo)樣本點。在進行實際評估的過程中，選取每個樣本點到球心的距離與半徑進行性能退化閾值比較，其中超球體模型應(yīng)盡可能將目標(biāo)樣本包含在球體內(nèi)，其余樣本都在超球體半徑范圍之外。此外，通過樣本點到球心的距離也可判斷樣本點的退化程度，離球心越近代表此時設(shè)備工作狀態(tài)越穩(wěn)定，而離球心越遠則代表此時設(shè)備故障損壞程度越嚴(yán)重。根據(jù)這一特性可以將SVDD模型用于軸承性能退化評估方法中?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】軸承的性能退化過程主要分為正常狀態(tài)、退化狀態(tài)和失效狀態(tài)三種狀態(tài)。

1）正常狀態(tài)正常狀態(tài)是設(shè)備從剛開始運行至發(fā)生輕微故障的時期，這一期間故障特征在前期沒有明顯的體現(xiàn)，表示此時的設(shè)備處于正常工作狀態(tài)。2）退化狀態(tài)退化狀態(tài)是從設(shè)備已經(jīng)發(fā)生故障的時刻開始記錄，主要分為輕微退化、中度退化和嚴(yán)重退化三種程度。此時的故障特征相比于正常狀態(tài)會有明顯的抖動，該故障只是表明設(shè)備此時已經(jīng)進入性能退化階段，隨著設(shè)備運行時間的增加，故障特征會越來越明顯，設(shè)備性能退化也更加嚴(yán)重，但是并未導(dǎo)致設(shè)備發(fā)生停機等事故。3）失效狀態(tài)失效狀態(tài)是從設(shè)備的失效故障點開始記錄，此時故障特征達到峰值且發(fā)生劇烈的抖動，表明設(shè)備的狀態(tài)已經(jīng)無法滿足基本的運行要求，嚴(yán)重時會造成設(shè)備停機，導(dǎo)致生產(chǎn)無法繼續(xù)。。選取穩(wěn)定明顯的性能退化指標(biāo)對評估結(jié)果的準(zhǔn)確性有著重要的影響?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】原始振動信號有著數(shù)據(jù)量大和噪聲強的特點，直接通過性能退化評估模型進行評估會導(dǎo)致模型的訓(xùn)練過程緩慢、評估結(jié)果準(zhǔn)確率低。

SDAE網(wǎng)絡(luò)由多個自動編碼器疊加建立，可以通過編碼的方式將原始數(shù)據(jù)的輸入特征映射為低維特征，再經(jīng)由解碼的方式對編碼提取的低維特征進行重構(gòu)，通過梯度下降算法對編碼解碼網(wǎng)絡(luò)逐層訓(xùn)練，使得重構(gòu)誤差達到最小化，為性能退化評估模型提供有效的性能退化輸入特征，提高性能退化評估結(jié)果準(zhǔn)確性。軸承性能退化數(shù)據(jù)集反映軸承在某一時間段內(nèi)從正常到失效的過程，考慮到時間序列數(shù)據(jù)集的序列性和對離散點敏感性的特點，需要在進行性能退化評估前對其進行時域特征提取，經(jīng)過試驗對比分別以均值、均方根、峰度、偏度、極差、方差、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度為時域特征，其編號分布為T=[T1,T2,…,T10]，共計10維特征【8.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】在對軸承的性能退化進行評估的過程中，SVDD通過定義一個最小超球面，盡可能將正常運行的樣本包含在球內(nèi)，選擇每個樣本與超球體球心之間的距離作為性能退化指標(biāo)DI，以反應(yīng)不同時期性能退化的程度。

在對SVDD性能退化評估模型訓(xùn)練和學(xué)習(xí)中，需要預(yù)先提前設(shè)置核參數(shù)和懲罰因子。懲罰因子衡量樣本中離散點對整個模型評估能力的影響程度，值越大代表模型越重視離散點的影響。核參數(shù)在SVDD中決定超球體半徑的大小，相較于懲罰因子，對模型的分類能力有著重要的影響。核參數(shù)的選擇受到核函數(shù)的影響，經(jīng)常應(yīng)用的核函數(shù)有以下三種。線性核函數(shù)多項式核函數(shù)高斯核函數(shù)高斯核函數(shù)也稱為RBF核函數(shù)，是在支持向量機分類中最常用的核函數(shù)，其本質(zhì)是通過衡量樣本之間的相似度來實現(xiàn)更加準(zhǔn)確的分類功能，可調(diào)參數(shù)只有δ，相較于之前兩種核函數(shù)，能夠針對非線性問題提供計算量更小更加有效的解決方案，具有較強的實用性?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】為了更準(zhǔn)確地獲得軸承從正常運行到完全失效這一完整的性能退化過程，提出基于SDAE-SVDD的滾動軸承性能退化評估流程。

1）性能退化評估流程主要分為離線訓(xùn)練和在線評估兩部分。選擇均方根值（RMS）作為性能退化指標(biāo)對全壽命周期的原始振動信號進行預(yù)處理，劃分出軸承正常工作和早期軸承故障的開始時刻；2）SDAE從軸承全壽命數(shù)據(jù)中自適應(yīng)提取軸承性能退化特征，通過重構(gòu)誤差和梯度下降算法提取到有效特征，結(jié)合第一步得到的樣本劃分點，將提取到的特征劃分為正常狀態(tài)特征和全壽命特征；3）結(jié)合時序信號的特點對SDAE提取到的正常狀態(tài)特征和全壽命特征進行時域特征提取，分別劃分為離線訓(xùn)練集和在線測試集；【8.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】

4）利用訓(xùn)練集數(shù)據(jù)通過離線訓(xùn)練的方式構(gòu)建SVDD性能退化評估模型，選擇正常狀態(tài)樣本點到超球體球心的距離作為性能退化指標(biāo)DI，構(gòu)建SVDD性能退化評估模型，通過對比和實驗最終確定SVDD模型的核參數(shù)和懲罰因子；5）最后，選擇全壽命測試集。經(jīng)過上述步驟的特征提取可得到性能退化特征，再輸入到已訓(xùn)練好的SVDD性能退化評估模型，通過在線評估和性能退化指標(biāo)DI繪制性能退化評估曲線，并對預(yù)測的退化結(jié)果進行驗證和對比分析，衡量實際的退化評估能力?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗證SDAE-SVDD性能退化評估模型的有效性，選擇辛辛那提大學(xué)智能維護中心滾動軸承全壽命疲勞實驗數(shù)據(jù)進行實驗分析。整個數(shù)據(jù)采集平臺是在恒定負載的條件下進行，主要由交流電機、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實驗采用的是4個雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個軸承的軸承座上都安裝了加速度傳感器來采集振動信號，實驗臺從軸承開始正常工作到其中某個軸承發(fā)生故障作為一個完整實驗周期，根據(jù)不同軸承的損壞程度和損壞位置共計有三組不同數(shù)據(jù)。【8.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗證SDAE-SVDD性能退化評估模型的有效性，選擇辛辛那提大學(xué)智能維護中心滾動軸承全壽命疲勞實驗數(shù)據(jù)進行實驗分析。整個數(shù)據(jù)采集平臺是在恒定負載的條件下進行，主要由交流電機、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實驗采用的是4個雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個軸承的軸承座上都安裝了加速度傳感器來采集振動信號，實驗臺從軸承開始正常工作到其中某個軸承發(fā)生故障作為一個完整實驗周期，根據(jù)不同軸承的損壞程度和損壞位置共計有三組不同數(shù)據(jù)?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集第2組中實驗臺電機轉(zhuǎn)速為2000r/min，四個軸承分別收到2700kg的徑向載荷，加速度傳感器位于軸承的豎直和垂直方向，采樣頻率為10分鐘進行一次收集，從軸承正常工作到發(fā)生故障失效期間共計采集到984個樣本點，每個樣本點含有20480個數(shù)據(jù)點，由于后兩個樣本已經(jīng)發(fā)生嚴(yán)重失效對性能退化評估沒有太大參考價值，所以選擇前982個樣本點為驗證性能退化評估模型的全壽命數(shù)據(jù)集?？紤]在外界工況的影響下，軸承早期故障振動信號采集時容易被噪聲等因素所忽略，采用快速傅里葉變換（FFT）對全壽命振動信號進行降噪處理，并對982個樣本點都選擇均方根值（RMS）作為性能退化指標(biāo)，繪制軸承的實際性能退化曲線，其中橫軸代表樣本的數(shù)據(jù)組，縱軸代表各個樣本點RMS的平均值?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】2)模型構(gòu)建SDAE-SVDD性能退化評估模型主要分為SDAE性能退化特征提取模型和SVDD性能退化評估兩部分。SDAE性能退化特征提取模型主要受到隱藏層數(shù)和隱藏層結(jié)構(gòu)影響，選擇SDAE網(wǎng)絡(luò)隱含層數(shù)為5層，網(wǎng)絡(luò)結(jié)構(gòu)為線性層，在SDAE進行逐層訓(xùn)練,每層創(chuàng)建一個編碼解碼的單元層作為訓(xùn)練單元，同時選擇激活函數(shù)Relu、SGD優(yōu)化器和均方誤差作為損失函數(shù)。由于實際機械設(shè)備的工作環(huán)境具有不確定因素作為干擾項，為模擬這一情況，對每個隱含層的特征隨機設(shè)為Null值，避免模型在過于理想化條件下影響實際性退化評估結(jié)果的準(zhǔn)確性?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】2)模型構(gòu)建SVDD模型性能退化評估的參數(shù)設(shè)定主要涉及核參數(shù)和懲罰因子，選擇正常狀態(tài)訓(xùn)練集作為SVDD模型的數(shù)據(jù)集，以正常樣本點到球心的距離作為性能退化指標(biāo)，理想狀態(tài)下超球體的半徑范圍內(nèi)應(yīng)包含所有正常樣本點，根據(jù)這一訓(xùn)練目標(biāo)，通過反復(fù)實驗對比性能退化指標(biāo)的趨勢選擇最優(yōu)參數(shù)【8.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】3)實驗結(jié)果對比分析根據(jù)離線訓(xùn)練確定SVDD的模型參數(shù)，對SDAE-SVDD模型輸入全壽命數(shù)據(jù)集進行軸承性能退化評估實驗，選擇上一小節(jié)提到的性能退化指標(biāo)DI，描繪出退化曲線。其中，橫軸表示經(jīng)過特征提取后的退化特征集，對應(yīng)全壽命數(shù)據(jù)中982個樣本點，縱軸表示各個退化特征到球心的距離。軸承整個性能退化過程中前500個樣本點退化指標(biāo)整體趨于平穩(wěn)，說明軸承正常工作；位于第533個樣本點，性能退化指標(biāo)明顯有上升的趨勢，說明此時軸承開始出現(xiàn)性能退化的趨勢并處于早期故障特征的狀態(tài)；第705個樣本點時，軸承隨著運行時間增加造成軸承磨損更加嚴(yán)重，發(fā)生劇烈退化，在圖中反映為退化指標(biāo)發(fā)生劇烈上升到達第一個峰值；此后性能退化指標(biāo)發(fā)生先降后升的情況，在第845個樣本點到達第二次峰值；隨著軸承運行的故障位置磨損加劇，在第921個樣本點后軸承達到退化指標(biāo)峰值，此時軸承已經(jīng)發(fā)生失效的狀況，無法進行正常的工作，情況嚴(yán)重會導(dǎo)致機器發(fā)生停機等狀況?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】為驗證上述性能退化評估結(jié)果的準(zhǔn)確性，選擇全壽命數(shù)據(jù)的532、533、534和705樣本點進行包絡(luò)譜分析。包絡(luò)譜分析相比較于傳統(tǒng)的頻譜分析，對軸承振動信號中受到的沖擊信號更為敏感，對于量化沖擊頻率和強度的分析有很大幫助，選擇希爾伯特(Hilbert)變換得到以上樣本點的包絡(luò)譜分析圖，其中橫軸代表頻率，縱軸代表包絡(luò)譜幅值?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】選擇未經(jīng)過SDAE特征提取的全壽命數(shù)據(jù)和主成分分析(PCA)分別輸入SVDD性能退化評估模型，對辛辛那提大學(xué)軸承數(shù)據(jù)集進行性能退化評估評估流程與8.2.4節(jié)保持一致。全壽命數(shù)據(jù)SVDD性能退化評估曲線PCA-SVDD性能退化評估曲線

以上兩種模型雖然一定程度上都能反應(yīng)軸承的性能退化過程，但是在實際機械設(shè)備的生產(chǎn)環(huán)境中無法發(fā)現(xiàn)早期故障，對于軸承后續(xù)的幾個性能退化過程表現(xiàn)的并不明顯，SDAE-SVDD模型在發(fā)現(xiàn)早期故障特征和反映軸承性能退化過程中有著明顯的優(yōu)勢。【8.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(1)設(shè)備層包含傳感器、通信設(shè)備和機械設(shè)備實體。(2)在邊緣層中，通用高效可擴展網(wǎng)絡(luò)框架突破了網(wǎng)絡(luò)瓶頸，保障了系統(tǒng)的可靠性，對設(shè)備層的數(shù)據(jù)進行協(xié)議轉(zhuǎn)換、函數(shù)計算和本地存儲等方式為數(shù)據(jù)高效融合和實時傳輸創(chuàng)造條件，同時通過設(shè)備管理來實時監(jiān)控設(shè)備和數(shù)據(jù)流的狀態(tài)，針對特定情況及時做出預(yù)警?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(3)云服務(wù)器層包含云計算模塊、網(wǎng)絡(luò)處理模塊及云存儲模塊。(4)應(yīng)用層為結(jié)合實際設(shè)備生產(chǎn)運行環(huán)境搭建的虛擬模型和待維修設(shè)備的三維感知模型，再結(jié)合動作編程指令在虛擬環(huán)境中帶來人機交互體驗?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.1邊緣計算】邊緣計算靠近采集設(shè)備，現(xiàn)場提供分布式計算、存儲和應(yīng)用等服務(wù)，相較以云計算為中心的模式，可以緩解帶寬和計算壓力，有效提高數(shù)據(jù)處理穩(wěn)定性，具有更高的實時性。邊云協(xié)同計算將云計算能力擴展到邊緣設(shè)備，結(jié)合云計算與邊緣計算各自優(yōu)勢，進行數(shù)據(jù)實時穩(wěn)定傳輸和跨平臺交互存儲，實現(xiàn)系統(tǒng)多功能拓展，加快系統(tǒng)服務(wù)響應(yīng)。阿里云LinkIoTEdge軟件服務(wù)框架給出一種面向物聯(lián)網(wǎng)設(shè)備部署邊緣計算服務(wù)的解決方案，可部署基于OPCUA協(xié)議的終端設(shè)備接入邊緣一體機，并與云端交互的方法，方法如下。根據(jù)傳統(tǒng)的軸承故障檢測以振動信號為主的特點，搭建OPCUAServer加速度傳感器來模擬機械設(shè)備采集軸承振動信號這一過程，并設(shè)定不同位置和頻率的振動信號采集方式；借助UaExpert工具與OPCUAServer建立連接，保證采集到的數(shù)據(jù)可以進行有效的互通；登錄阿里云IOT控制臺創(chuàng)建基于OPCUA協(xié)議的設(shè)備，完成參數(shù)設(shè)定；根據(jù)邊緣計算控制臺選擇邊緣一體機配置的終端設(shè)備，分配OPCUA到主機并激活數(shù)據(jù)流統(tǒng)計應(yīng)用來設(shè)置計算單元?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.2工業(yè)云】邊緣計算的提出提高了云計算的實時性，但是大部分?jǐn)?shù)據(jù)的存儲和計算都是位于云計算中。工業(yè)云是云計算在工業(yè)領(lǐng)域中的應(yīng)用，通過對工業(yè)數(shù)據(jù)的采集分析處理，得出設(shè)備的運行狀態(tài)和生產(chǎn)過程的各項指標(biāo)，構(gòu)建一種高實時性和可塑性強的數(shù)據(jù)采集分析平臺。工業(yè)云在面向工業(yè)領(lǐng)域的工業(yè)業(yè)務(wù)環(huán)節(jié)中涉及設(shè)備管理、實驗和仿真、故障診斷、數(shù)據(jù)分析及推理決策等諸多環(huán)節(jié)，除了利用互聯(lián)網(wǎng)數(shù)據(jù)融合的方式獲取工業(yè)應(yīng)用功能模塊外，還需采集設(shè)備信號、存儲設(shè)備運行相關(guān)數(shù)據(jù)、通過智能算法對數(shù)據(jù)進行分析決策和跨平臺實時傳輸?shù)裙δ堋?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.3虛擬現(xiàn)實】虛擬現(xiàn)實是工業(yè)云重要的應(yīng)用之一