[发明专利]基于故障机理和统计模型在线学习的设备故障诊断方法

摘要

一种基于故障机理和统计模型在线学习的机械设备故障诊断方法，属于机械设备故障诊断领域，具体步骤为：(1)基于工况特性与实时状态监测数据构建健康数据生成模型；(2)基于故障机理和健康数据生成模型构建诊断模型；(3)判别设备可能发生的故障类型；(4)确定设备发生的各类型故障概率。本方法将设备故障机理和实时运行数据相结合，构建针对具体一台设备的故障诊断模型，有效解决了现有方法中模型学习故障案例数据不足，模型泛化能力差的问题。

主权项

1.一种基于故障机理和统计模型在线学习的机械设备故障诊断方法，其特征在于，包含以下3个步骤：(1)基于工况特性与实时状态监测数据构建健康数据生成模型；(2)基于故障机理和健康数据生成模型构建诊断模型；(3)判别设备可能发生的故障类型，详述如下：(1)步骤一：基于工况特性与实时状态监测数据构建健康数据生成模型首先基于某一台具体设备的工况特性与采集的实时状态监测数据，构建该台设备的健康数据生成模型；机械设备的工况特性与设备类型Class简称C和运行工况Operation_status简称O有关，一台机械设备的工况特性用Mcharacter(C，O)加以表示；再利用该台设备健康状态下实时采集的状态监测数据作为模型数据输入，采用生成式对抗网络来训练健康数据生成模型，使该模型生成的数据尽可能的接近该台设备的真实状态监测数据，训练得到的健康数据生成模型生成的健康数据G(z)表示为：F＝{hi(θi)|i＝1，2，3，…，n}  (2)式(1)中，z表示随机噪声，表示由状态监测数据特征量所表示的该台设备健康状态模型化表达函数，F表示该台设备健康状态下的状态监测数据特征量函数集合；式(2)中，θi表示该台设备某一状态监测数据特征量，hi(θi)表示该台设备健康状态下状态监测数据特征量θi所对应的特征量函数，n为该台设备状态监测数据特征量数目，当设备状态监测数据只是温度数据、压力数据时，n的取值与该台设备的温度、压力测点总数一致；当设备状态监测数据含有振动数据时，n取0～∞，其中包含温度数据、压力数据；健康数据生成模型G的训练采用GAN来实现，其中生成模型Generator简称G负责生成该台设备的健康状态数据，判别模型Discriminator简称D负责判别输入的数据是生成模型生成的虚假数据G(z)还是设备真实运行的健康数据x，通过生成模型与判别模型间不断的对抗博弈，两个模型不断调整，直至判别模型难以准确判断出输入数据是真实的还是由生成模型生成的，由此通过健康数据生成模型G实现了对该台设备健康状态的模型化表达；(2)步骤二：基于故障机理和健康数据生成模型构建诊断模型对于一种机械设备，其在运行过程中可能发生的故障类型是已知的，将这类设备所有的故障类型表示为集合K；设备状态监测数据是设备运行状态的反映，当设备发生故障时，必然导致其对应的状态监测数据特征量的变化，故障类型kj(kj∈K)与该故障状态下状态监测数据特征量函数h′间的映射关系定义为式(3)；g(kj)＝h′(θ)  (3)式(3)中，θ∈{θi|i＝1，2，3，…，n}，n为该台设备状态监测数据特征量数目，θ为该台设备发生故障kj时会改变的所有的状态监测数据特征量，h′(θ)为该台设备发生故障kj时变化后θ所对应的状态监测数据特征量函数集合；由式(3)，当该台设备发生故障k_j时，其运行状态表达模型中特征量函数将会改变，通过改变步骤一中训练好的健康数据生成模型G中相应的特征量函数h_i(θ_i)为h′_i(θ_i)(其中θ_i∈θ)，构建该台设备发生故障k_j时的故障数据生成模型式(4)表示了该台设备在发生故障k_j时模型生成的故障数据式(5)中，为该台设备在故障k_j下的状态监测数据特征量函数集合，h(θ)为该台设备健康状态下θ所对应的状态监测数据特征量函数集合；将所有的故障数据生成模型组成的集合称为诊断模型Mdiagnosis：式(6)中，m为K中元素的个数，表示该类设备所有的故障类型数目，下文中m均表示该意义；在该台设备运行的全寿命周期内，将根据实时的状态监测数据进行模型更新；(3)步骤三：判别设备可能发生的故障类型步骤二构建的诊断模型Mdiagnosis包含该台设备所有的故障类型，当监测到设备发生异常时，需进行故障定位并判别故障类型；将设备异常状态数据与诊断模型的每一种故障类型分别进行相似度计算，得到相似度S：S＝{sj|j＝1，2，3，…，m}  (7)式(7)中，s_ｊ为该台设备异常状态数据与诊断模型中计算得到的相似度；由S得到了该异常状态属于各故障的可能性大小，对S降序排序，排名越靠前，属于该种故障的可能性就越大，取S中最大值所对应的故障类型作为诊断结果。