[发明专利]基于深度特征集成提取的机械装备服役可靠性评估方法

摘要

本发明提出了一种基于深度特征集成提取的机械装备服役可靠性评估方法，旨在保证评估结果客观性的前提下提高评估结果的准确性，实现步骤为：首先采集机械装备全寿命周期的振动信号，获取训练数据集，其次建立多个不同的堆栈式自编码器模型，以训练数据集作为堆栈式自编码器模型的输入，对每个堆栈式自编码器模型进行训练，并集成提取训练数据集的深度特征，划定机械装备正常运行状态和失效状态，并计算机械装备服役可靠性，建立机械装备服役可靠性评估模型，最后采集待评估机械装备的振动信号，获取测试数据集，将测试数据集输入到机械装备服役可靠性评估模型中，获取待评估机械装备服役可靠性评估结果。

主权项

1.一种基于深度特征集成提取的机械装备服役可靠性评估方法，其特征在于，包括如下步骤：(1)获取训练数据集：(1a)对采集的机械装备全寿命周期的振动加速度时域信号进行傅里叶变换，得到机械装备全寿命周期的振动加速度频域信号；(1b)对机械装备全寿命周期的振动加速度频域信号进行归一化，并将归一化后的频域信号作为训练数据集；(2)构建多个堆栈式自编码器模型：构建N个堆栈式自编码器模型，其中，第n个堆栈式自编码器模型中自编码器模型的个数为L_n，第k个自编码器模型的编号为隐含层为N≥2，n＝1,2,…,N，L_n≥2，k＝1,2,…,L_n；(3)对每个堆栈式自编码器模型进行训练：(3a)令n＝1，k＝1；(3b)将训练数据集作为第n个堆栈式自编码器模型中编号为的自编码器模型的输入，对编号为的自编码器模型进行训练，得到隐含层为的自编码器模型；(3c)将编号为的自编码器模型的隐含层作为编号为的自动编码器模型的输入，对编号为的自编码器模型进行训练，得到训练后的编号为的自动编码器；(3d)将作为编号为的自编码器模型的隐含层，并令重复执行步骤(3c)～(3d)，直到k＝L_n为止，得到训练后的第n个堆栈式自编码器模型；(3e)令n＝n+1，重复步骤(3b)～(3d)，直到n＝N，得到N个训练后的堆栈式自编码器模型；(4)集成提取训练数据集的深度特征：(4a)将N个训练后的堆栈式自编码器模型中编号为的自编码器模型的隐含层作为从训练数据集中所学习到的性能退化特征，并将N组性能退化特征进行合并，构成机械装备性能退化混合特征集合；(4b)对性能退化混合特征集合中的性能退化特征进行聚类，得到各类性能退化特征的聚类簇心；(4c)根据相关性计算公式，计算机械装备性能退化混合特征集合中每个性能退化特征与其所属类的聚类簇心之间的相关系数，并将相关系数大于预先设置阈值的性能退化特征作为训练数据集的深度特征；(5)建立机械装备服役可靠性评估模型：(5a)将机械装备初始运行时刻的状态划定为正常运行状态，将振动加速度幅值首次超过最大阈值时所处的状态划定为失效状态，其余状态划定为运行状态；(5b)根据欧式距离计算公式，计算t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，以正常运行状态的深度特征与失效状态的深度特征之间的距离；(5c)根据服役可靠性计算公式，建立机械装备的服役可靠性评估模型，其中，服役可靠性计算公式的表达式为：其中，D_t为机械装备t时刻运行状态的深度特征与正常运行状态的深度特征之间的距离，D_failure为机械装备失效状态的深度特征与正常运行状态的深度特征之间的距离，dis(X,Y)为向量X和向量Y之间的距离，X_t为机械装备t时刻运行状态的深度特征，X_normal和X_failure分别表示机械装备正常运行状态和失效状态的深度特征；(6)获取待评估机械装备服役可靠性评估结果：(6a)对采集的待评估机械装备的振动加速度时域信号进行傅里叶变换，得到待评估机械装备的振动加速度频域信号；(6b)对待评估机械装备的振动加速度频域信号进行归一化，并将归一化后的频域信号作为测试数据集；(6c)将测试数据集输入到机械装备服役可靠性评估模型中，得到待评估机械装备服役可靠性的评估结果并输出。