机械设备变尺度形态滤波信号特征深度学习及状态监测研究

Effective feature extraction from the machinery signals under different health conditions is the key task for developing reliable machinery health condition monitoring technique. However, the incipient failure feature is very weak, especially under the circumstance of the strong background noise and variable operating condition. With the development of big data and machine learning, it is possible to develop new methods for monitoring the rotating machinery health condition. In this project, the equipment’s effective feature extraction method based on deep learning is developed. Firstly, the dynamical selection strategy of structure elements for the morphological filtering method is studied, and then an effective morphological pre-processing technique which takes into account of the disturbance difference is developed and employed to pre-process the massive raw machinery signals. Secondly, the deep sparse coding for the pre-processed signals is conducted and the deep learning strategy of high level features with stronger representativeness are then developed. Finally, a machinery health condition recognition model is constructed using the representative features extracted under different health conditions. In conclusion, this research develops an effective feature learning and extraction method from the raw signals through deep learning the varying-scale morphological pre-processed signal.

对机械设备不同健康状态下的信号进行有效特征分析是发展设备健康状态监测技术的关键。然而，设备的早期故障特征，特别是在强噪声背景下，表现的尤为微弱，且工况会发生变化。大数据时代的到来及其机器学习技术的发展，为旋转机械设备健康状态监测研究提供了新的契机与路径。本项目旨在以深度学习为理论基础，开展对反映设备状态信息的有效特征进行获取的方法研究。首先，研究形态学滤波算法的结构元素尺度动态选择策略，建立能够考虑信号受干扰的差异性的变尺度形态学滤波方法并用于对获得的设备不同健康状况的海量数据进行预处理；其次，研究对预处理信号的深层次稀疏编码，通过逐层式学习，研究获取更能表征设备状态的高层次特征的深度学习策略，然后通过不同健康状态下的特征建立设备状态特征库，建立设备健康状态识别模型，实现设备健康状态监测。本项目通过对变尺度形态滤波信号进行深度学习，确定获取有效反映设备复杂工况下不同健康状态的特征的方法。

对机械设备不同健康状态下的信号进行有效特征分析是发展设备健康状态监测技术的关键。然而，设备的早期故障特征，特别是在强噪声背景下，表现的尤为微弱。本项目围绕旋转机械设备关键部件状态监测与故障诊断，开展了以下研究工作： (1) 针对列车轮对轴承轨边信号受多普勒效应影响，建立基于单边Laplace小波的参数化周期模型并考虑多普勒效应，建立参数化多普勒瞬态模型；由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去最优化模型参数建立最优化的周期性瞬态模型及其多普勒瞬态模型，最后结合模型最优参数及轴承运动参数判断出故障类型；另一方面，对原始信号进行局部极值点分析，建立变尺度形态滤波结构元素长度表，利用差分形态滤波算子对原始信号进行变尺度形态滤波，根据支持向量回归机回归函数建立回归分类函数，输入样本，调整参数优化支持向量回归模型，识别机械故障。(2) 系统研究了若干典型深度学习模型，针对深度卷积神经网络，提出了学习速率自适应算法，大大降低了初始学习速率选择不当对深度网络收敛的影响，并基于此算法，建立层次化轴承故障诊断模型，实现对轴承部件故障类型和故障程度的识别；针对深度置信网络（DBN），融入Nesterov动量法和独立自适应学习率，提升深度置信网络模型学习过程的稳定性；提出了针对频域信号的堆栈去噪编码器，并通过降噪层和特征提取层从信号中去噪声和提取特征，提高模型的抗噪能力。(3) 将深度学习模型与传统方法相结合，实现优势互补。利用卷积神经网络的学习能力完成故障诊断所需的特征提取任务基础上，用支持向量回归分类器替换传统的Softmax分类器，实现更高精度的故障诊断；结合经验模态分解和自回归模型对原始轴承健康状态信号进行预处理，大大降低网络的输入维度，提高故障诊断模型的适用性。该项目研究为旋转机械设备健康状态监测与故障诊断提供理论与技术支持。项目执行期间发表论文16篇，其中SCI论文10篇，EI论文6篇，授权专利5项，培养研究生6人。