[发明专利]机械健康状态监测方法及装置

说明书

本发明提供一种机械健康状态监测方法及装置，包括如下步骤：建立对抗表示学习网络，对抗表示学习网络包括用于将输入信号映射为第一隐空间编码的第一编码器子网络、用于将第一隐空间编码重构至信号空间的解码器子网络和用于将信号空间中的重构信号映射为第二隐空间编码的第二编码器子网络；将健康机械运行信号的特征数据作为网络训练数据对对抗表示学习网络进行对抗学习训练，得到机械健康状态监测网络；将实时采集的目标机械的运行信号，经过预处理后输入至机械健康状态监测网络，得到目标机械的机械损伤指标。利用本发明能够解决目前难以在故障运行数据缺失的条件下进行机械健康状态监测，以及难以克服现有方法效果不佳等问题。

技术领域

本发明涉及机械工程技术领域，更为具体地，涉及一种机械健康状态监测方法及装置。

背景技术

在现代工业系统中，机械装备发挥了十分关键的作用，通过机构和机器的组合可以实现对力和运动的转换，从而完成工业生产过程，所以机械健康状况对于工业系统的运行效率具有直接影响，机械故障导致的工业系统停机会造成巨大的经济损失，严重的机械故障还会造成人员伤亡，危及生产人员的生命安全。随着机械设计和制造水平的提高，目前机械装备呈现出复杂化、大型化、集成化的发展趋势，这进一步加剧了机械故障带来的后果严重性，因此如何进行准确的机械健康状态监测、在机械故障恶化之前给出可靠的预警成为亟需解决的问题。

在机械运行过程中，有很多运行信号可以测量，如振动信号、声信号、电气部件的电流信号等，这些信号与机械运行过程紧密相关，因此可以反映机械健康状态，通过对这些信号进行采集和处理，能够对机械健康状态进行辨识。为了避免因严重的机械故障造成的灾难性后果，有很多基于机械运行信号的机械健康状态监测方法被提出。对于简单的机械，可以采用均方根值(J.Igba,K.Alemzadeh,C.Durugbo,et al.Analysing RMS and peakvalues of vibration signals for condition monitoring of wind turbinegearboxes[J].Renewable Energy,2016,91(3):90-106.)、峭度(CN201610562478)、故障特征频率(CN201711086012)等指标进行机械健康状态监测，根据这些指标的数值判断机械健康状态，这些指标大多基于机械故障机理建立，不具备对不同工况的自适应调整能力，因此仅能特定场景下发挥作用，对于复杂机械难以准确地揭示其健康状况。随着信息科学和人工智能的发展，基于机器学习的机械故障诊断技术被提出(CN202010911939、CN201811197982)，这些方法可以从历史数据中挖掘机械健康状态信息，克服对复杂机械故障开展机理建模的困难，但上述方法仅能进行有监督的故障诊断，需要事先定义出所有可能的机械故障类型，并且需要不同健康状况下的运行数据对模型进行训练。但是，在实际条件中机械故障相比于正常运行状态是十分稀有的，为了确保生产安全也不允许机械长时间带故障运行，所以故障条件下的机械运行数据非常稀缺，故障数据的稀缺性限制了上述机器学习方法的实用性。为了在故障数据缺失的条件下开展机械健康状态监测，可以采用异常检测的方法，如支持向量数据描述(Mao W,J Chen,Liang X,et al.A New OnlineDetection Approach for Rolling Bearing Incipient Fault via Self-Adaptive DeepFeature Matching[J].IEEE Transactions on Instrumentation and Measurement,2020,69(2):443-456.)、生成对抗网络(Peng C A,Yu L A,Kw A,et al.A thresholdself-setting condition monitoring scheme for wind turbine generator bearingsbased on deep convolutional generative adversarial networks[J].Measurement,2020,167.)、自编码器(Jiang G,Xie P,He H,et al.Wind Turbine Fault DetectionUsing Denoising Autoencoder with Temporal Information[J].IEEE/ASMETransactions on Mechatronics,2017:1-1.)等，这些方法在模型训练阶段只需要健康状态下的运行数据，通过对健康运行数据进行学习，提取机械健康运行信号中的特征，在测试阶段计算测试数据与已提取到的健康特征之间的差异，进而对机械健康状况进行辨识。上述方法建立在健康运行信号为单一模态、确定分布的假设下，并且由于训练过程中仅需要健康状态下的数据，只关注了如何提取健康运行信号中的特征，没有在测试阶段突出故障状态下的机械运行信号。然而，由于机械装备的复杂性，健康状态下的机械运行信号具有非平稳、多模态的特性，这并不能满足上述方法的适用条件和假设，这些问题会影响现有方法的机械健康状态监测效果，因此仅采用已有的方法不能够有效地监测机械健康状态。