基于变分自编码器的轴承健康状态评估

发布时间：2021-09-06 15:38

　　针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器（variational auto-encoder,简称VAE）轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明:变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。 

【文章来源】：振动.测试与诊断. 2020,40(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

基于VAE的轴承健康状态评估模型

在轴承运行全过程9 840 min内，选取前100个数据集（前1 000min）作为训练数据集，其余数据均作为测试集。为了降低训练数据维度，每个数据集选取转子旋转一圈时间（5s）的采样信号作为训练数据维度，对模型进行随机多批次训练。训练完毕后对轴承全退化过程健康状态进行评估，图2为VAE轴承健康状态评估结果。区域Ⅰ为早期训练数据状态评估结果，区域Ⅱ为轴承后续运行状态评估结果。可见，在1 000～5 000min时间段内，轴承未表现出退化迹象，其健康状态评估值和训练阶段的评估值具有相同的变化波动趋势，这说明基于VAE的轴承健康状态评估指标在测试集同类数据上具有良好的泛化能力。基于VAE的轴承健康状态评估模型通过隐变量来表征振动信号的潜在状态，隐变量蕴含解码器对原始信号特征的有效转化和提取。因此，对于一个有效的评估模型，其隐变量的分布状态及变化趋势应当和评价指标结果相似。为了验证VAE对轴承振动信号状态的隐变量解码分布，在轴承运行全过程中每间隔10min对解码后隐变量进行可视化分析。

图3为全退化过程振动信号频谱隐变量分布。图中，三维坐标系建立在三维先验标准正态分布空间，坐标原点位于先验高斯分布均值处。由于VAE使用标准正态分布作为先验分布，因此前1 000min内测试数据隐变量分布符合高斯分布先验假设，且在1 000min至轴承开始退化前时间段内，隐变量分布仍符合高斯分布，这进一步说明了模型在测试数据集同类数据上具有良好的泛化能力。随着轴承退化性能逐渐加重，隐变量开始逐渐偏离先验分布，且偏离程度基本和退化性能成正比。这说明VAE正是通过调整隐变量在其空间分布，从而达到表征轴承振动信号频谱有效特征的目的，而不是强行通过编解码器对训练数据进行强行记忆，由此也证实了解码器学习到了从高维原始特征空间到低维有效特征空间的平滑映射。为验证基于VAE的轴承健康状态评估模型对轴承退化性能评估的准确性和敏感性，将其评估结果分别与传统健康状态评估指标的结果进行对比，所有评估指标的评估值均被归一化到0～1区间，结果如图4所示。

【参考文献】：
期刊论文
[1]一种新型深度自编码网络的滚动轴承健康评估方法[J]. 佘道明,贾民平,张菀.  东南大学学报(自然科学版). 2018(05)
[2]ITD-多尺度熵和ELM的风电轴承健康状态识别[J]. 张朝林,范玉刚,冯早.  机械科学与技术. 2018(11)
[3]基于排序模式相异性分析的轴承健康监测[J]. 江国乾,谢平,王霄,何群,李继猛.  中国机械工程. 2017(06)
[4]变工况下轴承健康监测的相关向量机与自适应阈值模型方法[J]. 胡雷,范彬,胡茑庆,高明.  国防科技大学学报. 2016(01)

硕士论文
[1]滚动轴承故障预测关键方法研究[D]. 朱朔.江南大学 2018
[2]基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D]. 刘小勇.哈尔滨工业大学 2018
[3]基于高斯混合模型的变分自动编码器[D]. 李鹏.哈尔滨工业大学 2017



本文编号：3387722