|
文献速读 Measurement：基于深度模糊聚类网络的多工况旋转机械健康状态评估  题目 Rotating machinery health state assessment under multi-working conditions based on a deep fuzzy clustering network 基于深度模糊聚类网络的多工况旋转机械健康状态评估 关键词 健康状态评估；广义监督深度自动编码器；核Mahalanobis距离模糊C-means算法；深度模糊聚类网络；工况消除 来源 出版年份：2023 来源：Measurement 课题组：南京航空航天大学自动化学院王友仁课题组 研究背景 健康状态评估（HSA）是故障预测和做出维修决策的基础。HSA的基础和目的有二，其一，提取适当的退化特征参数构建健康指标；其二，定量描述整个性能退化过程中任意时刻的健康状态。实际工程中复杂工况变化（如速度和负载变化等）使HSA面临挑战。 对于特征参数提取，近年来，深度学习（DL），如卷积神经网络（CNN）、深度信念网络（DBN）、自动编码器（AE）等在语音识别、图像识别、机械故障诊断等领域得到广泛应用。已有研究表明，AE能很好地重建输入和输出数据，在一定程度扰动下保持输入数据不失真，是提取特征参数的可行方法。 完成退化特征参数提取后，需要通过构建健康指标来衡量样本与正常状态之间的偏差程度。聚类算法作为一种无监督学习方法，在故障诊断中广泛应用。健康指标（HI）主要分为概率似然型和距离测量型。概率似然型HI存在过早饱和问题，不能准确描述设备失效状态，而距离测量型则能很好地显示设备性能退化过程的单调趋势。 综述出发点 在实际工程应用中，由于复杂的工况变化（如速度和负载变化等），很难区分由工况变化引起的特征变化和由故障严重程度变化引起的特征变化，影响了后续健康评估模型的准确性。此外，不同样本数据可能存在较大程度的重叠，影响健康评估效果。因此，如何消除工况变化（速度和负载变化）对特征影响并保留相关故障信息，提出用于复杂故障特征提取的算法，是近年来旋转机械特征提取中的一个关键问题。 综述内容 本文提出了一种新的旋转机械健康状态评估方法，其中包括状态消除技术和聚类评估。具体而言，在AE的基础上重新定义目标函数，提出广义有监督深度自编码器（GSDAE），用于提取复杂故障特征，同时消除工况变化对特征信息的干扰。本文提出一种新模型，将广义监督深度自动编码器融合到核Mahalanobis距离模糊C-means算法（KMDFCM）聚类中，并提出一种用于健康状态评估的深度模糊聚类网络（DFCNN）。  图1 GSAE网络结构图  图2 GSDAE结构图  图3 提出的KMDFCM算法流程图  图4 基于DFCNN的健康状况评估方法框架图  图5 行星齿轮箱实验平台  图6 不同严重程度的太阳齿轮点蚀故障部件图  图7 工况绘图前后不同速度下正常状态特征参数图：（a）映射前；（b）GSDAE映射后；（c）DAE映射后  图8 经过 GSDAE 处理后，不同工况下太阳齿轮健康评估结果  图9 太阳齿轮健康评估结果  图10 轴承试验台 图11 消除工况干扰后滚动轴承健康评估结果 图12 消除工况干扰前滚动轴承健康评估结果 图13 消除工况干扰后FCM健康评估结果 图14 不同干扰系数下评估结果 总结 本文提出一种新的深度模糊聚类网络（DFCNN）健康状态评估方法。该方法将广义有监督深度自编码器（GSDAE）状态映射模型融入到核Mahalanobis距离模糊C-means算法（KMDFCM）聚类方法中，将状态消除技术与无监督聚类技术相结合，利用隶属度函数计算健康指标（HI），应用于多工况下设备健康状态评估。通过实验分析得出以下结论： （1）GSDAE通过在自动编码器中添加广义标签，将不同工况的特征参数映射到参考工况，消除工况（速度和载荷）变化引起的特征参数变化。 （2）DFCNN中的KMDFCM健康评价层通过对GSDAE层处理过的特征参数进行无监督聚类，评价不同工况下的设备健康状况，构建的HI和综合性能评价指标表明，KMDFCM方法能很好地反映故障严重程度的变化，有效评价设备健康状况。 （3）在实际生产中，设备的退化过程是连续的，并不严格遵循任何损伤等级。为保证DFCNN的有效性，在实验中得到很好的反馈，不仅能消除工况变化的影响，还能很好地区分失效程度。 （4）实际工程应用中可能存在复合工况，即参考工况或未知工况包含不止一种载荷，应注意这种工况下的健康状况评估。 |
|
|
