智能運維與健康管理主講人：《智能運維與健康管理》引言1故障診斷內積匹配診斷原理2基于小波的特征提取方法3基于小波的稀疏特征提取4本章小結5講義提綱PART01引言引言4機械、運載、能源、冶金、石化、國防等國民經濟各重要行業(yè)的關鍵機械設備重載疲勞腐蝕復雜惡劣工況下運行高溫核心零部件和重要機械結構將不可避免地發(fā)生不同程度的故障因機械故障所引起的災難性事故頻頻發(fā)生引言5事故2007年，因起重機控制系統(tǒng)故障，清河特殊鋼廠發(fā)生鋼水包脫落的特別重大事故2009年，因制動系統(tǒng)故障，兩列火車在湖南郴州相撞2010年，美軍F22戰(zhàn)機因飛控系統(tǒng)故障在阿拉斯加墜毀2009年，波音客機因發(fā)動機連接部斷裂，在荷蘭阿姆斯特丹機場墜毀引言6風電事故

德國最近15年的統(tǒng)計，由行星齒輪箱、葉片等零部件運行引起的風電機組故障率高達45%以上，嚴重影響了風電裝備的正常運行。引言7軸承齒輪轉子

早期、微弱故障的特征能量小，不易識別

受到多種噪聲源的干擾早期、微弱故障特征提取是長期的研究熱點

機械結構復雜精密現(xiàn)代機械設備故障信號噪聲測試信號PART02故障診斷內積匹配診斷原理內積匹配原理9信號處理與故障特征提取技術頻域分析時頻分析時間-尺度分析D.Gabor(1946)STFTJ.Morlet(1982)Morlet小波變換IDaubechies(1988)規(guī)范正交小波變換S.Mallat(1992)多分辨分析理論I.Sweldens(1997)第二代小波變換J.B.Fourier(1815)傅里葉變換內積匹配原理10傅里葉變換短時傅里葉小波變換提升小波變換更新器與預測器P、U三角基函數(shù)小波基函數(shù)共性：基于Hilbert空間完備的內積變換內積匹配原理11傅里葉變換短時傅里葉小波變換提升小波變換更新器與預測器P、U三角基函數(shù)小波基函數(shù)共性：基于Hilbert空間完備的內積變換時域分析頻域分析時頻分析時間尺度分析內積匹配原理12在信號處理的各種運算中，內積發(fā)揮了重要作用。內積變換可視為信號與“基函數(shù)”關系緊密度或相似性的一種度量?；瘮?shù)內積值最大最相關或相似物理本質：探求信號中包含與基函數(shù)最相似或相關的分量關鍵技術：合理構造和選擇與故障特征相似的基函數(shù)使基函數(shù)與機械動態(tài)信號物理特征達到最佳匹配；獲得不同物理意義并符合工程實際的故障特征信息；實現(xiàn)科學、正確的狀態(tài)監(jiān)測與故障診斷。短時傅里葉變換13傅里葉變換用平穩(wěn)的正弦波作為基函數(shù)，通過內積運算去變換信號，得到其頻譜。這一變換建立了一個從時域到頻域的譜分析通道。頻譜X(f)顯示了用正弦基函數(shù)分解出x(t)中任一正弦頻率f的總強度。傅里葉譜分析提供了平均的頻譜系數(shù)，只與頻率f有關，而與時間t無關。傅里葉分析還要求所分析的隨機過程是平穩(wěn)的.

1946年Gabor提出了窗口傅里葉變換，稱為短時傅里葉變換（ShortTimeFourierTransform,STFT）。

短時傅里葉變換14

由加窗信號的傅里葉變換產生短時傅里葉變換。

是中心位于，高度為

1、寬度有限的時窗函數(shù)，通過所觀察到的信號的部分是。是

STFT的基函數(shù)。

tx(t)h(t)h(t-τ)x(t)h(t)τ01短時傅里葉變換15

窗函數(shù)的選取是關鍵。最優(yōu)窗函數(shù)是高斯函數(shù)。

高斯窗函數(shù)的形狀是：

1，1/4，1/16

短時傅里葉變換16給定窗函數(shù)和它的傅里葉變換，則帶寬為STFT的頻率分辨率是。兩個正弦波之間的頻率間隔大于，則可區(qū)分這兩個正弦波。STFT的時間分辨率是，有兩個脈沖的時間間隔大于，則可區(qū)分這兩個脈沖。

短時傅里葉變換17時間分辨率和頻率分辨率不可能同時任意小，根據Heisenberg不確定性原理，有以下限制上式中，當且僅當采用了高斯窗函數(shù)，等式成立。時間分辨率和頻率分辨率一旦確定，則STFT在整個時頻平面上的時頻分辨率保持不變。短時傅里葉變換能夠分析非平穩(wěn)動態(tài)信號，其基礎是傅里葉變換，更適合分析準平穩(wěn)(quasi-stationary)信號。反映信號高頻成份需要用窄時窗，而反映信號低頻成份需要用寬時窗。短時傅里葉變換不能同時滿足這些要求。小波變換18近年來在工具和方法上有重大突破的小波變換，為非平穩(wěn)信號分析展示了美好的前景?！靶〔ā本褪切〉牟ㄐ?。所謂“小”是指局部非零，波形具有衰減性；“波”則是指它具有波動性，包含有頻率的特性。小波分析的思想來源于伸縮和平移方法。

1910年A.Haar提出的規(guī)范正交系

1984年，J.Morlet在分析地震數(shù)據的局部性時引進了小波概念。

1986年，Y.Meyer構造出二進伸縮、平移小波基函數(shù)，掀起小波研究熱潮。

1987年，S.G.Mallat將多分辨思想引入小波分析，提出快速塔形算法。

1988年，I.Daubechies構造了緊支集正交小波基，完善小波理論體系。

1989到1991年，R.R.Coifman、M.V.Wickerhauser等提出小波包及算法。

1997年，W.Sweldens提出第二代小波變換的概念和算法。近一個世紀，特別是近二十年來，小波理論和算法發(fā)展突飛猛進。為信號處理領域里各自獨立開發(fā)的方法建立了一個統(tǒng)一的框架小波變換19由基本小波或母小波通過伸縮a和平移b產生一個函數(shù)族稱為小波。有式中是尺度因子，，是時移因子。，波形收縮；，波形伸展。保證在不同的值下，即在小波函數(shù)的伸縮過程中能量保持相等。信號的小波變換為小波變換是用小波基函數(shù)代替傅里葉變換中的基函數(shù)以及短時傅里葉變換中的基函數(shù)而進行的內積運算。小波變換的實質就是以基函數(shù)的形式將信號分解為不同頻帶的子信號。小波變換20對信號進行小波變換相當于通過小波的尺度因子和時移因子變化去觀察信號。小波變換的局部化是變化的，在高頻處時間分辨率高，頻率分辨率低；在低頻處時間分辨率低，頻率分辨率高，即具有“變焦”的性質，也就是具有自適應窗的性質。

尺度

時寬減小（頻寬增大）

時寬增大（頻寬減?。﹖平移bcc′d′da小波變換212025年4月23日以較高頻率作分析平移方向以較低頻率作分析鏡頭推進方向(2.1)

伸縮平移小波多分辨分析原理時頻分析對比小波變換22通過變量置換小波變換可改寫為隨著尺度因子的改變，通過一個恒定的濾波器觀察到被伸展或壓縮了的信號波形。尺度因子解釋了信號在變換過程中尺度的變化，用大尺度可觀察信號的總體，用小尺度可觀察信號的細節(jié)。上式解釋了為什么在S.G.Mallat的小波信號分解塔形快速算法中，始終使用同樣的低通與高通濾波器的道理。小波變換23小波函數(shù)族還可采用如下定義：優(yōu)點是在不同尺度下可以保持各的頻譜中幅頻特性大小一致。因為

設的傅里葉變換是，則的傅里葉變換是

與相比，只有頻率坐標比例變化，幅度沒有變化。小波變換24內積運算可以用卷積運算來表示。這是因為內積：5.2.4)

卷積：

或記作

兩式相比較，只是將改成，即首尾對調。如果是關于的對稱函數(shù)，則計算結果無區(qū)別；如果是非對稱，在計算方法上也無本質區(qū)別。小波變換25當機器發(fā)生故障時，信號所包含機器不同零部件的故障特征頻率分布在不同的頻帶里。如何提取這些被淹沒的微弱信息而實現(xiàn)故障的早期診斷問題，往往使傳統(tǒng)的信號分析技術無能為力。小波變換能夠實現(xiàn)信號在不同頻帶、不同時刻的合理分離。這種分離相當于同時使用一個低通濾波器和若干個帶通濾波器而不丟失任何原始信息。為機器零部件故障特征頻率的分離、微弱信息的提取以實現(xiàn)早期故障診斷提供了高效、有力的工具。特別要強調，這些優(yōu)點來自小波變換的多分辨分析和小波基函數(shù)的正交性。內積匹配評價準則26針對具體研究對象，利用某一指標間接評判基函數(shù)分析結果好壞直接衡量基函數(shù)與故障動態(tài)響應波形相似性匹配評價誤差最小化準則：余弦函數(shù)評價指標：內積匹配評價準則27針對具體研究對象，利用某一指標間接評判基函數(shù)分析結果好壞直接衡量基函數(shù)與故障動態(tài)響應波形相似性匹配評價需要格外加裝諸如聲發(fā)射傳感器、內嵌式傳感器等傳感設備采集真實、純正的故障動態(tài)響應波形。誤差最小化準則：余弦函數(shù)評價指標：內積匹配評價準則28針對具體研究對象，利用某一指標間接評判基函數(shù)分析結果好壞直接衡量基函數(shù)與故障動態(tài)響應波形相似性匹配評價峭度最大化準則：熵最小化準則：內積匹配評價準則29針對具體研究對象，利用某一指標間接評判基函數(shù)分析結果好壞直接衡量基函數(shù)與故障動態(tài)響應波形相似性匹配評價這些指標包括時域統(tǒng)計指標、能量、信息熵、奇異值分解、齒輪和軸承等典型零部件的特征指標等。優(yōu)選的基函數(shù)并不一定是與故障特征最相似，但可認為是在該評價規(guī)范下對故障特征波形最敏感。峭度最大化準則：熵最小化準則：PART03基于小波的特征提取方法小波變換內積運算的仿真驗證31無噪混合信號正弦分量微弱沖擊分量Db10小波基函數(shù)小波變換內積運算的仿真驗證32無噪混合信號正弦分量微弱沖擊分量Db10小波基函數(shù)Db10小波基基函數(shù)特征提取分解5層的細節(jié)信號重構小波變換內積運算的仿真驗證33無噪混合信號正弦分量微弱沖擊分量Db10小波基函數(shù)Db10小波基基函數(shù)特征提取分解5層的細節(jié)信號重構第一個沖擊單元波形與真實的沖擊單元波形幾乎相同；兩個沖擊單元的相關系數(shù)計算為0.9969。Db4小波基基函數(shù)特征提取分解5層的細節(jié)信號重構小波變換內積運算的仿真驗證34無噪混合信號正弦分量微弱沖擊分量Db10小波基函數(shù)Db10小波基基函數(shù)特征提取分解5層的細節(jié)信號重構第一個沖擊單元波形與真實的沖擊單元波形幾乎相同；兩個沖擊單元的相關系數(shù)計算為0.9969。Db4小波基基函數(shù)特征提取分解5層的細節(jié)信號重構Db32小波基基函數(shù)特征提取分解5層的細節(jié)信號重構小波變換內積運算的仿真驗證35DbN

小波提取的沖擊單元與仿真沖擊單元的相關系數(shù)具有緊支且振蕩衰減的小波基函數(shù)大多可以匹配出非平穩(wěn)信號中的瞬態(tài)信息，然而不同小波基函數(shù)將產生不一樣的分析效果。1.除Db1小波外，其他所有Db小波計算得到的相關系數(shù)值均大于0.9。DbN相關系數(shù)DbN相關系數(shù)10.6058210.973220.9126220.932730.9910230.970140.9319240.993950.9099250.949660.9886260.944470.9719270.989780.9118280.977690.9638290.9386100.9969300.9663110.9353310.9932120.9351320.9570130.9958330.9446140.9703340.9849150.9248350.9820160.9713360.9442170.9948370.9617180.9421380.9918190.9425390.9642200.9937400.9450小波變換內積運算的仿真驗證36DbN

小波提取的沖擊單元與仿真沖擊單元的相關系數(shù)與故障特征最相似的基函數(shù)可以最佳地匹配出隱藏在混合信號中的故障信息，這充分地驗證了內積變換思想。2.Db10小波計算得到的相關系數(shù)值最高，最接近1。DbN相關系數(shù)DbN相關系數(shù)10.6058210.973220.9126220.932730.9910230.970140.9319240.993950.9099250.949660.9886260.944470.9719270.989780.9118280.977690.9638290.9386100.9969300.9663110.9353310.9932120.9351320.9570130.9958330.9446140.9703340.9849150.9248350.9820160.9713360.9442170.9948370.9617180.9421380.9918190.9425390.9642200.9937400.9450小波變換內積運算的仿真驗證37DbN

小波提取的沖擊單元與仿真沖擊單元的相關系數(shù)并不是消失矩越高的小波基能更加有效地匹配出故障特征。3.計算所得的相關系數(shù)值隨小波消失矩的增加呈現(xiàn)鋸齒狀變化。DbN相關系數(shù)DbN相關系數(shù)10.6058210.973220.9126220.932730.9910230.970140.9319240.993950.9099250.949660.9886260.944470.9719270.989780.9118280.977690.9638290.9386100.9969300.9663110.9353310.9932120.9351320.9570130.9958330.9446140.9703340.9849150.9248350.9820160.9713360.9442170.9948370.9617180.9421380.9918190.9425390.9642200.9937400.9450相關系數(shù)小波消失矩階次Hermitian小波變換與碰摩故障識別38Hermitian小波的定義及特性

-505-0.500.5-10-5051000.51-10-50510-101-10-50510-1012只需要少量離散點即可表達，具有很強的時域局部化能力能保證變換后信號奇異點的時間位置不變Hermitian小波變換與碰摩故障識別39Morlet小波Morlet小波的實部為偶函數(shù)、虛部為奇函數(shù);在支撐區(qū)域內Morlet小波是多次振蕩.Hermitian小波變換與碰摩故障識別40分析對象電機轉速49.75Hz，增速比4.28125Hermitian小波變換與碰摩故障識別4197年3月大修后開機，發(fā)現(xiàn)齒輪箱振動劇烈，并伴隨尖叫聲

空分機5#軸承座振動信號波形表現(xiàn)為強烈的高頻振動。頻譜中無法看到齒輪箱高速軸工頻譜線，而是出現(xiàn)1480Hz、2960Hz和4231Hz三處較為集中的譜峰，其邊頻帶寬度都為工頻213Hz，與機組的嚙合頻率、風機葉片轉頻比較，上述三個頻率無一對應。Hermitian小波變換與碰摩故障識別42幅值時間0.047秒周期性沖擊空分機5#軸承座振動信號Morlet小波分解結果空分機5#軸承座振動信號Hermitian小波分解結果Hermitian小波變換與碰摩故障識別43止推夾板碰摩機理示意圖齒輪箱發(fā)生碰摩故障，由于小齒輪的安裝精度較低，致使止推夾板平面和轉軸軸心線沒有嚴格垂直。運轉過程中，小齒輪每旋轉一周，在左極限位置與大齒輪發(fā)生一次碰摩。是什么原因導致小齒輪在每個旋轉周期中出現(xiàn)一次強烈的沖擊脈沖呢？Hermitian小波變換與碰摩故障識別44止推夾板碰摩機理示意圖在實現(xiàn)故障確診后，提出了兩個維修方法：（1）重新裝配齒輪箱，保證止推夾板和大小齒輪端面的平行；（2）去掉止推夾板，將小齒輪兩側軸承改為推力軸承來承擔軸向力。是什么原因導致小齒輪在每個旋轉周期中出現(xiàn)一次強烈的沖擊脈沖呢？PART04基于小波的稀疏特征提取信號稀疏特征提取基本理論46稀疏分解方法是在過完備字典庫上利用最少原子表示信號或逼近信號的方法，具有信號表示的高分辨率、稀疏性和自適應性等特點。稀疏表示領域是關于信號源的一個特定數(shù)學模型，因此在信號處理中對信號源建模非常關鍵。只要信號模型建立的恰當，稀疏表示就可以取得很好的應用效果，比如降噪、分離、壓縮、采樣、檢測、識別等。如何設計與構造合理有效的稀疏表示字典；如何有效獲取信號在字典下最稀疏的分解系數(shù)；如何將稀疏分解模型應用于具體的特征提取反問題中。對于一個完整的稀疏表示模型，需要解決三個關鍵的問題信號稀疏特征提取基本理論47由滿秩矩陣（N＜M）生成的用線性方程描述的欠定系統(tǒng)具有無窮多解。我們的目標是尋找最稀疏的解，即擁有最少非零項的解。通常情況下，構造一個優(yōu)化目標函數(shù)，這里就出現(xiàn)了L0范數(shù)的概念。L0范數(shù)表示向量中非零元素的個數(shù)，這提供了一種非常易于掌握的稀疏概念。Donoho證明了在完備字典構成的矩陣滿足一定條件的時候，L0范數(shù)優(yōu)化問題是有解的，而且是唯一解。然而，L0范數(shù)優(yōu)化求解問題屬于NP難問題。為了解決此問題，可以采用近似求解的方案并引入L1范數(shù)，即各向量分量絕對值之和。稀疏表示領域中大部分的應用均可以轉化為下式所示的一個通用的無約束凸優(yōu)化問題式中，F(xiàn)為目標函數(shù)，由數(shù)據保真項和正則項組成；參數(shù)λ＞0為正則化參數(shù)信號稀疏特征提取基本理論48字典的合理設計與選取是稀疏分解的重要環(huán)節(jié)，且很大程度上決定了信號表達結果的稀疏性。字典中的任意元素，即參數(shù)化波形函數(shù)稱為原子。字典中的原子應該與待分析信號的結構特征相匹配，目前已經提出了多種多樣的字典用于匹配各種信號的具體特征，其中，近年來在工程中獲得巨大成功的小波變換具有靈活的構造基函數(shù)的能力，可以為稀疏分解提供豐富的字典。以預先設定的波形函數(shù)作為字典，這種情況通常也稱為分析字典；通過對實際數(shù)據集進行學習進而獲得到的訓練字典。過完備字典一般可通過以下兩種方式獲得：信號稀疏特征提取基本理論49預先構造的分析字典可以直接應用到稀疏特征提取算法計算中進行使用，因此具有快速簡便的優(yōu)勢。常見的字典包括傅里葉字典、離散余弦字典、線性調頻小波字典、指數(shù)調頻小波字典、曲波、脊波和輪廓波字典等。字典的合理選取對信號的稀疏表達具有重要的影響，如果能夠根據信號的先驗知識有針對性地選擇與其最匹配的字典，那么我們就能夠獲得信號的最優(yōu)稀疏表示。傅里葉字典比較適合處理平穩(wěn)信號；小波字典適用于非平穩(wěn)信號的處理；曲波和脊波字典則分別對包含曲線和脊狀特征的信號具有稀疏的表示。針對工程實際中復雜多變的信號，為了有效提取蘊含在其中的豐富特征成分，可以將各種字典有效地組合在一起，構造出復合字典，充分地利用各個字典的優(yōu)勢。信號稀疏特征提取基本理論50通過學習構造字典的方法是利用目標函數(shù)優(yōu)化原子，使得原子在結構與內在本質上均良好地匹配待分析信號，這種方法可以針對不同稀疏域模型的信號自適應地構造出最佳的分析字典。通過學習構造字典的方法目前的應用范圍非常廣泛，自適應能力強，但是具有計算成本高的缺點。學習字典的鼻祖是Engan于1999年提出的最優(yōu)方向（MethodOfOptimalDirections,MOD）算法，該算法的字典更新方式簡單，但計算復雜度較高，收斂速度很慢。在MOD算法的基礎上，研究者們紛紛提出了一些經典的字典學習算法，如FOCUSS字典學習算法，廣義PCA（GeneralizedPCA）算法等。2006年，MichealElad提出了基于過完備字典稀疏分解的K-SVD（K-SingularValueDecomposition,K-SVD）算法，該算法采用字典原子逐個更新的策略，K-SVD算法的收斂速度有了很大的提高；2010年，Mairal提出了一種在線字典學習（OnlineDictionaryLearning）算法。信號稀疏特征提取基本理論51稀疏特征系數(shù)的求解是信號稀疏表示的重要內容。根據稀疏模型優(yōu)化方法的不同，稀疏系數(shù)求解算法主要分為兩類：貪婪追蹤算法和凸松弛算法。從初始的空白模型開始，在每次的迭代分解過程中，將殘余信號在所有字典原子向量張成的空間中進行正交投影；然后根據殘余信號與各個字典原子的內積系數(shù)的大小，選擇與殘余信號最相關的一個原子增加到信號的逼近模型中；通過迭代分解計算，將原始信號x展開為一系列字典原子加權和的形式，如下所示：貪婪追蹤算法主要原理是在每次的迭代求解過程中選擇局部最優(yōu)解然后逐步逼近原始信號，如應用廣泛的匹配追蹤算法（MP）：其中，i為分解次數(shù)，ri為殘余信號；為字典原子；為加權系數(shù)。信號稀疏特征提取基本理論52匹配追蹤算法（MP）；正交匹配追蹤（OrthogonalMatchingPursuit,OMP）算法；稀疏自適應匹配追蹤(SparsityAdaptiveMatchingPursuit,SAMP)算法；壓縮采樣匹配追蹤（CompressiveSamplingMatchingPursuit,CoSaMP）算法；分段式正交匹配追蹤（StagewiseOrthogonalMatchingPursuit,StOMP）。貪婪追蹤算法基追蹤（BasisPursuit,BP）方法；基追蹤降噪（BasisPursuitDenoising,BPD）方法。凸松弛算法基于小波變換的稀疏特征提取技術53在紛繁復雜的機械觀測信號中，如何擯棄無關的振動成分以及背景噪聲，直接將揭示故障的有用特征用最稀疏的方式表達出來，是機械故障診斷的理想目標和研究難點?；谛〔ǖ南∈杼卣魈崛〖夹g得到了國內外學者的廣泛關注。2009年，小波分析領域著名學者Mallat出版專著《AWaveletTourofSignalProcessing,ThirdEdition:TheSparseWay》，從稀疏的視角詳細的闡述了小波作為一個成熟有效的信號處理工具在各個領域的應用。構造與選擇合適的小波基函數(shù)將直接影響對信號處理的效果。如果小波基函數(shù)與動態(tài)信號故障特征達到最佳匹配，則可以獲得符合工程實際的稀疏故障特征信息。在理想的特征提取分析中，小波的品質因子Q（中心頻率和帶寬的比值）應該和待分析信號的振蕩特性具有最佳匹配?；谛〔ㄗ儞Q的稀疏特征提取技術54為克服傳統(tǒng)離散小波變換的上述不足，2011年，紐約大學的Selesnick教授提出了一種在頻域中構造的新式的過完備小波變換方法，即可調品質因子小波變換（TQWT）。TQWT綜合了前兩種小波變換的優(yōu)點；品質因數(shù)Q可靈活調節(jié)；實現(xiàn)不同振蕩特性的稀疏表示。二進小波變換時間和尺度二進網格劃分過于粗糙；不具有時移不變性；小波基函數(shù)具有低振蕩特性。連續(xù)小波變換能在任意尺度上對信號進行劃分；計算效率低。機械故障診斷關鍵技術：合理構造和選擇與故障特征相似的小波基函數(shù)基于小波變換的稀疏特征提取技術55為實現(xiàn)信號的完美重構，TQWT中低通濾波器和高通濾波器的頻率響應和分別為：TQWT分解與重構過程示意圖可調品質因數(shù)小波變換(TQWT)基于小波變換的稀疏特征提取技術56可調品質因數(shù)小波變換（TQWT）小波：1-8子頻帶小波：1-17子頻帶頻率頻率時間增益增益時間不同參數(shù)情況下調Q小波變換小波基的小波函數(shù)和頻響TQWT多層分解與重構示意圖小波稀疏特征提取技術在機械故障診斷中的應用案例57近年來基于小波變換的稀疏特征提取技術在機械故障診斷應用方面展現(xiàn)出明顯的優(yōu)勢，并取得了顯著的成就。某風力發(fā)電設備軸承故障特征自適應提取電機轉速：1501.2r/min，軸承內圈故障特征頻率：121Hz。振動信號的時域波形及其頻譜基于TQWT的周期稀疏導向超小波特征自動提取結果小波稀疏特征提取技術在機械故障診斷中的應用案例58某煉鋼廠連鑄連軋機組齒輪箱復合故障特征提取某煉鋼廠連鑄連軋機組結構圖及傳感器布置寶鋼連軋機組復合故障診斷主減速器齒數(shù)比：Z22/Z6高速軸轉頻：4.5Hz

低速軸轉頻：1.523Hz電機1電機2軸承聯(lián)軸器#7#8#5#6#1#2#3#4主減速箱

分配箱采樣頻率5120Hz數(shù)據長度4096小波稀疏特征提取技術在機械故障診斷中的應用案例59某煉鋼廠連鑄連軋機組齒輪箱復合故障特征提取基于信號振蕩屬性的稀疏分解方法分析結果幅值A/mm·s-1時間t/s時間t/sI1I1I1I1I2I2I2I2(a)高振蕩分量(b)低振蕩分量(c)剩余項時間t/s損傷1損傷2譜峭度分析結果EMD分解結果幅值A/mm·s-1IMF1IMF2IMF3IMF4IMF5IMF6時間t/sTHANKS!智能運維與健康管理主講人：《智能運維與健康管理》講義提綱引言4.1工業(yè)大數(shù)據質量改善4.2大數(shù)據健康監(jiān)測4.3大數(shù)據智能診斷4.4大數(shù)據健康管理案例4.5624.1.1工業(yè)大數(shù)據概念與特點隨著互聯(lián)網的發(fā)展，以移動互聯(lián)、社交網絡、電子商務等為代表領域的數(shù)據增長速度比以往任何時期都要迅猛，數(shù)據規(guī)模越來越大，數(shù)據變得越來越多樣化，也越來越復雜，促使人類社會進入“大數(shù)據”時代。“大數(shù)據”的誕生Facebook社交網絡TwittereBay電子商務Amazon移動互聯(lián)GoogleApple騰訊微博淘寶京東百度小米634.1.1工業(yè)大數(shù)據概念與特點人類社會的數(shù)據量指數(shù)上升根據IDC監(jiān)測，人類產生的數(shù)據量正在呈指數(shù)級增長，大約每兩年翻一番，這個速度在2020年之前會繼續(xù)保持下去。這意味著人類在最近兩年產生的數(shù)據量相當于之前產生的全部數(shù)據量。644.1.1工業(yè)大數(shù)據概念與特點各國的大數(shù)據發(fā)展的戰(zhàn)略性指導文件2012年，美國奧巴馬政府投資2億美元啟動“大數(shù)據研究和發(fā)展計劃”，認為數(shù)據是“未來的新石油”，將大數(shù)據上升到國家戰(zhàn)略層面。2015年，我國印發(fā)《促進大數(shù)據發(fā)展行動綱要》，其中明確指出數(shù)據是國家的基礎性戰(zhàn)略資源，并引導和鼓勵各個領域在大數(shù)據分析方法及關鍵應用技術等方面開展探索性研究654.1.1工業(yè)大數(shù)據概念與特點工業(yè)大數(shù)據定義：工業(yè)大數(shù)據通常指機械設備在工作狀態(tài)中，實時產生并收集的涵蓋操作情況、工況狀態(tài)、環(huán)境參數(shù)等體現(xiàn)設備運行狀態(tài)的數(shù)據，即機械設備產生的并且存在時間序列差異的大量數(shù)據，主要通過多種傳感器、設備儀器儀表采集產生。該數(shù)據貫穿于機械工藝、生產、管理、服務等各個環(huán)節(jié)，使機械系統(tǒng)具備描述、診斷、預測、決策、控制等智能化功能的模式，但無法在可承受的時間范圍內用常規(guī)技術與手段對數(shù)據內容進行抓取、管理、處理和服務。大數(shù)據對傳統(tǒng)信息技術帶來了革命性的挑戰(zhàn)和顛覆性的創(chuàng)新，正悄然改變著我們的生活以及理解世界的方式，并且已經滲透到了機械智能維護領域。機械領域走向工業(yè)大數(shù)據時代664.1.1工業(yè)大數(shù)據概念與特點工業(yè)大數(shù)據的興起主要由內、外兩方面原因決定。外因使得我們具備了實時監(jiān)測、及時處理工業(yè)大數(shù)據的能力。內因要求對機械設備進行全面實時的監(jiān)測。外因：實時監(jiān)測數(shù)據的成本不再高昂，再加上嵌入式系統(tǒng)、低耗能半導體、處理器、云計算等技術的興起，使得分析計算能力也大幅提升內因：機械設備具有結構復雜性與功能耦合性，使得微小的故障可能引起連鎖反應，導致其無法安全可靠的運行，因此需要進行全面實時的監(jiān)測海量數(shù)據機械領域走向工業(yè)大數(shù)據時代674.1.1工業(yè)大數(shù)據概念與特點工業(yè)大數(shù)據的來源工業(yè)大數(shù)據的特點監(jiān)測的裝備群規(guī)模大每個裝備需要的測點多單個測點的采樣頻率高從開始服役到壽命終止的數(shù)據收集歷時長大容量：依靠診斷專家來手動分析很不現(xiàn)實，需要研究智能方法自動分析多樣性：涵蓋了多種機械不同工況下不同物理源輻射出的大量健康狀態(tài)信息速度快：保證數(shù)據處理的時效性，高效挖掘故障信息并及時預警低價值密度：設備長期處于正常工作狀態(tài)，監(jiān)測數(shù)據蘊含的信息重復性大，數(shù)據價值密度低，需要數(shù)據提純機械領域走向工業(yè)大數(shù)據時代684.1.1工業(yè)大數(shù)據概念與特點工業(yè)大數(shù)據已經成為揭示機械故障演化過程及本質的重要資源，數(shù)據量的規(guī)模、解釋運用的能力也將成為當代設備智能維護最為重要的部分。利用工業(yè)大數(shù)據技術將大數(shù)據資源這樣的“石油”提煉成切實可用的“汽油、柴油”等，是將大數(shù)據轉換為“生產力”的關鍵。工業(yè)大數(shù)據資源大數(shù)據技術提煉蘊含的運維信息機械領域走向工業(yè)大數(shù)據時代694.1.2工業(yè)大數(shù)據技術定義：使工業(yè)大數(shù)據中所蘊含的價值得以挖掘和展現(xiàn)的一系列技術與方法的總稱，涵蓋工業(yè)數(shù)據采集、存儲、預處理、分析挖掘和可視化等。并行處理框架：Hadoop作為分布式系統(tǒng)基礎架構的代表，其框架的核心是基于分布式文件系統(tǒng)（HadoopDistributedFileSystem，HDFS）和MapReduce的分布式批處理計算框架，支持工業(yè)高實時性采集、大數(shù)據量存儲及快速檢索，為海量數(shù)據的查詢檢索、算法處理提供了性能保障?；诜植际较到y(tǒng)，工業(yè)大數(shù)據技術的框架可總結為：工業(yè)大數(shù)據技術704.1.2工業(yè)大數(shù)據技術工業(yè)設備數(shù)據存儲分析挖掘智能故障診斷數(shù)據質量改善健康狀態(tài)監(jiān)測智能診斷維修評估狀態(tài)反饋建議報告維修措施資產狀況設備信息備件管理其它需求可視化資源管理系統(tǒng)

MapReduceSpark

StormHbase數(shù)據庫HDFS分布式文件系統(tǒng)上層應用Zookeeper/Ambari平臺配置、調度/平臺管理Hadoop平臺工業(yè)大數(shù)據技術的研究與突破，旨在從工業(yè)大數(shù)據中發(fā)現(xiàn)新模式和新知識，挖掘有價值的新信息，促進企業(yè)的產品創(chuàng)新、提升經營水平以及生產動作效率。而工業(yè)大數(shù)據驅動的智能故障診斷是發(fā)掘這些新模式和新知識的重要環(huán)節(jié)。714.1.3工業(yè)大數(shù)據驅動的智能故障診斷大數(shù)據時代的來臨打破了事件之間因果關系的固定格局，使相關關系的可用性浮出水面。而工業(yè)大數(shù)據的智能故障診斷正是一種大數(shù)據相關關系分析方法。工業(yè)大數(shù)據的相關關系分析適當?shù)胤艞墶耙蚬?，將關注點轉為“相關”，有助于我們更迅速、更全面地把握事件的發(fā)生，我們可以從“出現(xiàn)問題-邏輯分析-找出原因”的事后補救模式轉換到“收集數(shù)據-預測問題-解決問題”的主動預警模式。相關關系分析利用傳感器獲取發(fā)動機監(jiān)測信號監(jiān)測信號與歷史正常信號進行比對預測出發(fā)動機有可能發(fā)生的故障因果關系分析發(fā)動機無法啟動冷卻液溫度傳感器短路混合氣過于稀薄，發(fā)動機無法啟動724.1.3工業(yè)大數(shù)據驅動的智能故障診斷工業(yè)大數(shù)據驅動的智能故障診斷框架質量改善數(shù)據評價準則數(shù)據清洗數(shù)據質量增強…數(shù)據獲取傳感器組數(shù)據采集設備分布式存儲器…大數(shù)據質量改善

工業(yè)大數(shù)據信號來源分散、采樣形式多變、隨機因素干擾等特點，需要依據一定標準對數(shù)據進行篩選，剔除冗余和噪聲數(shù)據，提高機械大數(shù)據的可靠性。734.1.3工業(yè)大數(shù)據驅動的智能故障診斷工業(yè)大數(shù)據驅動的智能故障診斷框架質量改善數(shù)據評價準則數(shù)據清洗數(shù)據質量增強…數(shù)據獲取傳感器組數(shù)據采集設備分布式存儲器…健康監(jiān)測循環(huán)神經網絡支持向量回歸自適應閾值…大數(shù)據健康監(jiān)測

通過信號處理方法提取多域特征，表征設備的健康狀態(tài)。并結合歷史健康狀態(tài)信息設置自適應閾值或結合人工智能模型進行定量評估，實現(xiàn)設備的健康監(jiān)測。744.1.3工業(yè)大數(shù)據驅動的智能故障診斷工業(yè)大數(shù)據驅動的智能故障診斷框架質量改善數(shù)據評價準則數(shù)據清洗數(shù)據質量增強…數(shù)據獲取傳感器組數(shù)據采集設備分布式存儲器…健康監(jiān)測循環(huán)神經網絡支持向量回歸自適應閾值…智能診斷淺層神經網絡支持向量機K均值聚類…大數(shù)據智能診斷

將分類、聚類等人工智能算法用于機械設備的故障診斷中，對設備故障信息進行知識挖掘，獲得與故障有關的診斷規(guī)則，進而識別設備故障狀態(tài)，以便制訂維修策略。75講義提綱引言4.1工業(yè)大數(shù)據質量改善4.2大數(shù)據健康監(jiān)測4.3大數(shù)據智能診斷4.4大數(shù)據健康管理案例4.5764.2.1工業(yè)大數(shù)據質量定義與成因工業(yè)大數(shù)據質量定義定義：工業(yè)大數(shù)據質量受人、機、環(huán)境交互作用，用以描述獲得數(shù)據與所監(jiān)測設備健康狀態(tài)的相關程度。即數(shù)據質量越高代表數(shù)據與所監(jiān)測設備健康狀態(tài)相關程度越強，可用性越大，價值性高，反之亦然。數(shù)據質量數(shù)據可用性人人機環(huán)境數(shù)據質量工業(yè)大數(shù)據質量影響因素工業(yè)大數(shù)據質量評價數(shù)據質量與可用性關系774.2.1工業(yè)大數(shù)據質量定義與成因工業(yè)大數(shù)據質量改善的意義殘缺數(shù)據漂移數(shù)據失真數(shù)據無關數(shù)據非結構化數(shù)據正所謂“進來是垃圾，出去也是垃圾”，基于低質量數(shù)據建立的相關健康監(jiān)測與智能診斷模型，會對設備的健康狀態(tài)進行誤判，制定出錯誤的運維策略。低質量數(shù)據的存儲占據大量存儲空間，加劇了數(shù)據分析的計算負荷，降低了分析效率。784.2.1工業(yè)大數(shù)據質量定義與成因工業(yè)大數(shù)據質量降低成因數(shù)據傳輸過程中，傳輸通道數(shù)據遺漏、擁堵。數(shù)據傳輸傳感器未進行校準、硬件故障或超出其額定使用壽命。硬件故障信號時間尺度不一致、多物理源信號的存儲數(shù)據多樣性機械設備實際作業(yè)環(huán)境惡劣，測試環(huán)境受隨機干擾因素影響。外界干擾工業(yè)大數(shù)據質量降低794.2.2工業(yè)大數(shù)據質量的評價指標工業(yè)大數(shù)據質量的評價指標準確性:數(shù)據與所描述機械設備健康狀態(tài)的一致程度，是數(shù)據能否客觀反映設備健康狀態(tài)的一個重要指標。完整性:監(jiān)測數(shù)據采集的完整性，涵蓋數(shù)據采集時間段完整性、多源信號完整性、數(shù)據值無缺失等。時效性:數(shù)據時效性越高，則數(shù)據分析結果越能反映設備當前的運行狀態(tài)。一致性:機械設備監(jiān)測大數(shù)據涉及多物理源信號，如振動信號、聲發(fā)射信號、溫度信號等。804.2.3工業(yè)大數(shù)據質量改善流程工業(yè)大數(shù)據質量改善流程81檢查硬件設備傳感器電纜采集設備……檢查數(shù)據源及優(yōu)化傳感器布置：重點檢查并確保傳感器、電纜、采集設備等硬件運行完好；根據機械設備的具體情況優(yōu)化傳感器布置，使傳感器能夠全面捕捉機械健康狀態(tài)信息，從數(shù)據源頭保障大數(shù)據質量。4.2.3工業(yè)大數(shù)據質量改善流程工業(yè)大數(shù)據質量改善流程82檢查硬件設備傳感器電纜采集設備……數(shù)據收集與規(guī)整結構化數(shù)據非結構化數(shù)據半結構化數(shù)據數(shù)據收集與規(guī)整：針對多物理源信號，需要分別進行重采樣、尺度與維度轉換、統(tǒng)一數(shù)據格式等相關數(shù)據規(guī)整和對命名沖突、結構沖突等數(shù)據的修正工作，以提高數(shù)據的一致性。源數(shù)據庫4.2.3工業(yè)大數(shù)據質量改善流程工業(yè)大數(shù)據質量改善流程83檢查硬件設備傳感器電纜采集設備……數(shù)據收集與規(guī)整結構化數(shù)據非結構化數(shù)據半結構化數(shù)據臟數(shù)據噪聲過濾臟數(shù)據檢測數(shù)據填充非臟數(shù)據數(shù)據清洗源數(shù)據庫可用數(shù)據庫數(shù)據清洗與填充：數(shù)據清洗包括噪聲過濾和異常檢測。前者指利用去噪方法對監(jiān)測數(shù)據進行預處理。異常檢測則主要包括異常點和異常段的檢測。數(shù)據填充指已知的輔助信息，為缺失數(shù)據尋找替代值。4.2.3工業(yè)大數(shù)據質量改善流程工業(yè)大數(shù)據質量改善流程84檢查硬件設備傳感器電纜采集設備……數(shù)據收集與規(guī)整結構化數(shù)據非結構化數(shù)據半結構化數(shù)據臟數(shù)據噪聲過濾臟數(shù)據檢測數(shù)據填充非臟數(shù)據數(shù)據清洗數(shù)據質量增強數(shù)據融合數(shù)據降維……源數(shù)據庫可用數(shù)據庫高質量數(shù)據庫數(shù)據質量增強：多源數(shù)據融合通過檢測融合、估計融合、數(shù)據關聯(lián)等，充分挖掘分散、異構數(shù)據中所隱含的設備健康狀態(tài)信息。數(shù)據降維將數(shù)據從高維映射至低維空間，克服了高維工業(yè)大數(shù)據分析所面臨的“維數(shù)災難”。講義提綱引言4.1工業(yè)大數(shù)據質量改善4.2大數(shù)據健康監(jiān)測4.3大數(shù)據智能診斷4.4大數(shù)據健康管理案例4.5854.3大數(shù)據健康監(jiān)測大數(shù)據背景下的健康監(jiān)測基于故障閾值的健康監(jiān)測基于智能模型的健康監(jiān)測故障點報警閾值10大數(shù)據背景下的機械設備健康監(jiān)測在充分挖掘監(jiān)測數(shù)據中所隱含的設備健康狀態(tài)信息的基礎上，通過設置故障閾值定性判斷機械設備的健康狀態(tài)或應用智能模型定量評估機械設備的健康狀態(tài)。864.3.1基于故障閾值的健康監(jiān)測基于故障閾值的健康監(jiān)測主要步驟特征提取：機械設備的監(jiān)測信號中雖然蘊含了設備的健康狀態(tài)信息，需要憑借統(tǒng)計分析手段，如時域分析、頻域分析、時頻分析等，提取信號的數(shù)字特征，發(fā)現(xiàn)特征量的變化規(guī)律，表征設備的健康狀態(tài)。振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取874.3.1基于故障閾值的健康監(jiān)測基于故障閾值的健康監(jiān)測主要步驟健康狀態(tài)定性判斷：設備在服役過程中，監(jiān)測信號的特征值會隨著時間不斷發(fā)生變化。因此，通過設置特征值的故障閾值來定性判斷機械設備健康狀態(tài)是健康狀態(tài)監(jiān)測的常用手段。振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取固定閾值相對閾值3σ閾值……健康狀態(tài)定性判斷884.3.1基于故障閾值的健康監(jiān)測時域特征提取1.均值5.峰值9.裕度指標2.標準差6.波形指標10.偏斜度3.方根幅值7.峰值指標11.峭度4.均方根值8.脈沖指標x(n)為信號的時域序列，n=1,2,…,N；N為樣本點數(shù)。894.3.1基于故障閾值的健康監(jiān)測頻域特征提取1213141516171819s(k)為信號x(n)的頻譜，k=1,2,…,K；K為譜線數(shù)；fk是第K條譜線的頻率值。904.3.1基于故障閾值的健康監(jiān)測頻域特征提取2021222324s(k)為信號x(n)的頻譜，k=1,2,…,K；K為譜線數(shù)；fk是第K條譜線的頻率值。914.3.1基于故障閾值的健康監(jiān)測健康狀態(tài)定性判斷通過設置特征值的故障閾值是定性判定機械設備健康狀態(tài)的常用手段。故障閾值分為固定閾值和自適應閾值。固定閾值指用以判定機械設備健康狀態(tài)的是固定數(shù)字，是在測定方法確定后所指定的標準。自適應閾值指以同類機械設備的總體情況為依據或者以同一機械設備的狀態(tài)變化趨勢為依據，考慮設備自身狀態(tài)變化因素而設定的閾值。比如典型的3σ閾值。924.3.1基于故障閾值的健康監(jiān)測3σ閾值若隨機變量的概率密度函數(shù)為X

若-∞<x<+∞，則稱X服從參數(shù)為μ和σ2的正態(tài)分布。由正態(tài)分布概率密度曲線的性質可知，服從正態(tài)分布的隨機變量只有0.26%的可能落在(μ-3σ，μ+3σ)區(qū)間之外。通常把正態(tài)分布的這種概率法則稱為3σ法則?；谠摲▌t的故障閾值稱為3σ閾值。式中，σ為標準差，μ為均值。934.3.1基于故障閾值的健康監(jiān)測時間/10min幅值/g下圖所示為滾動軸承在全壽命周期內的振動信號時域波形。由圖可以看出，軸承振動信號的幅值隨著時間推移有增大趨勢。以滾動軸承為監(jiān)測對象，判斷滾動軸承的健康狀態(tài)。在測試軸承上加裝加速度傳感器采集軸承的振動信號。943σ方法在軸承健康狀態(tài)監(jiān)測中的應用4.3.1基于故障閾值的健康監(jiān)測時間/10min均方值均方根故障閾值首先，提取振動信號的均方根特征。然后，根據提取的均方根特征計算時刻t的3σ故障閾值μt+3σt。最后，對比時刻t的均方根特征和故障閾值的大小。由下圖可知，從5330min開始，均方根值開始大于故障閾值，判定該時刻為軸承的故障起始點。953σ方法在軸承健康狀態(tài)監(jiān)測中的應用4.3.2基于智能模型的健康監(jiān)測基于智能模型的健康監(jiān)測主要步驟振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取循環(huán)神經網絡支持向量機邏輯回歸……健康狀態(tài)定量評估基于智能模型的健康監(jiān)測定量評估，其輸出為具有特定取值區(qū)間的連續(xù)值。因此，該類方法所用的智能模型一般是機器學習中的“回歸模型”，即通過訓練集對回歸模型進行學習，從而建立特征空間到連續(xù)取值空間的映射關系。964.3.2基于智能模型的健康監(jiān)測循環(huán)神經網絡循環(huán)神經網絡（Recurrentneuralnetwork,RNN）是一類用于處理時序信號的深度神經模型。RNN允許網絡中出現(xiàn)環(huán)形結構，從而可讓一些神經元的輸出反饋回來作為輸入信號。這種結構與信息反饋過程，使得網絡在時刻t的輸出不僅與時刻t的輸入有關，還與時刻t-1的網絡隱含層的輸出有關，從而RNN能處理與時間有關的動態(tài)信息。974.3.2基于智能模型的健康監(jiān)測RNN在軸承健康狀態(tài)監(jiān)測中應用時間/10s幅值/g對17個滾動軸承進行加速壽命實驗，分別記錄為B1-B17。下圖為軸承B1在全壽命周期內的振動信號。以滾動軸承為監(jiān)測對象，定量評估滾動軸承的健康狀態(tài)。在測試軸承上加裝加速度傳感器采集軸承的振動信號。984.3.2基于智能模型的健康監(jiān)測RNN在軸承健康狀態(tài)監(jiān)測中應用時間/10s健康評估然后，選取軸承B2-B17的數(shù)據作為訓練數(shù)據集，訓練RNN模型。首先，提取振動信號的14種特征構成特征向量。最后，以軸承B1的數(shù)據測試訓練好的模型。如下圖所示，測試軸承的健康評估值隨時間出現(xiàn)增長趨勢。軸承的健康評估值分布在0到1之間。99講義提綱引言4.1工業(yè)大數(shù)據質量改善4.2大數(shù)據健康監(jiān)測4.3大數(shù)據智能診斷4.4大數(shù)據健康管理案例4.51004.4.1問題描述人為故障診斷遭遇“大數(shù)據”機械設備的故障信息隱含在振動、聲發(fā)射、溫度等監(jiān)測數(shù)據中，有效捕捉監(jiān)測數(shù)據變化所傳遞的故障信息，能夠準確識別設備故障。長期地“經驗”積累使工程人員能夠敏銳地捕獲監(jiān)測數(shù)據變化中所蘊含的設備健康狀態(tài)信息?！按髷?shù)據”為設備故障診斷提供了海量的監(jiān)測數(shù)據，僅依靠人類自身“經驗”積累易于“迷失”在數(shù)據的海洋，難以滿足大數(shù)據驅動下的故障診斷需求。振動聲發(fā)射溫度…海量機械監(jiān)測數(shù)據人為故障診斷迷失于數(shù)據海洋1014.4.1問題描述大數(shù)據智能診斷的基本內涵機器學習賦予計算機學習能力，使之能夠分析數(shù)據、歸納規(guī)律、總結經驗，代替人類學習或“經驗”累積過程，將人類從紛繁復雜的數(shù)據海洋中解放出來。大數(shù)據智能診斷可理解為：利用大數(shù)據識別機械設備健康狀態(tài)的科學，即以傳感器系統(tǒng)獲取數(shù)據為基礎、機器學習積累經驗知識為途徑、智能判別設備健康狀態(tài)為目的，保障機械設備運行的可靠性。機械監(jiān)測大數(shù)據機器學習故障位置內圈故障類型磨損故障程度嚴重故障智能識別1024.4.1問題描述大數(shù)據智能診斷的基本問題特征空間標簽空間智能診斷模型f(·)訓練樣本測試樣本正常內圈故障外圈故障智能診斷模型的輸入為機械設備監(jiān)測數(shù)據的樣本；輸出為一系列離散值。通過對訓練樣本進行學習，建立特征空間到標簽空間的非線性映射關系f(·)，即智能診斷模型訓練。1034.4.1問題描述大數(shù)據智能診斷的基本問題智能診斷模型的輸入為機械設備監(jiān)測數(shù)據的樣本；輸出為一系列離散值。通過對訓練樣本進行學習，建立特征空間到標簽空間的非線性映射關系f(·)，即智能診斷模型訓練。將訓練完成的智能診斷模型，用于預測健康狀態(tài)未知時采集的樣本（測試樣本）的標簽，即實現(xiàn)故障智能診斷。特征空間標簽空間智能診斷模型f(·)訓練樣本測試樣本正常內圈故障外圈故障1044.4.2基于淺層模型的智能診斷基于淺層模型的智能診斷流程特征提?。簷C械設備的監(jiān)測信號中雖然蘊含了設備的健康狀態(tài)信息，需要憑借統(tǒng)計分析手段，如時域分析、頻域分析、時頻分析等，提取信號的數(shù)字特征，發(fā)現(xiàn)特征量的變化規(guī)律，表征設備的健康狀態(tài)。振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取1054.4.2基于淺層模型的智能診斷基于淺層模型的智能診斷流程特征優(yōu)選：大數(shù)據下機械設備的監(jiān)測數(shù)據體量大、價值密度低，提取的大量數(shù)據特征中存在不相關或冗余信息，因此，需要借助特征選擇技術，剔除冗余或不相關特征，避免“維數(shù)災難”，提高智能診斷效率，達到去粗取精的目的。振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取主成分分析特征評估信息熵……特征優(yōu)選1064.4.2基于淺層模型的智能診斷基于淺層模型的智能診斷流程故障分類：優(yōu)選得到的敏感特征隱含機械設備不同的健康信息，需要結合淺層模型，建立敏感特征與機械設備健康狀態(tài)之間的非線性映射關系，獲得智能診斷模型，最終高效、自動地識別機械設備的健康狀態(tài)。振動聲發(fā)射溫度……高質量數(shù)據庫時域分析頻域分析時頻分析……特征提取主成分分析特征評估信息熵……特征優(yōu)選ANFISNNKNN……故障分類1074.4.2基于淺層模型的智能診斷特征評估技術特征評估技術通過特征間的距離大小來評估特征敏感度，其評估原則是：同類樣本的類內距離最小，不同類樣本的類間距離最大。符合這一原則的特征為敏感特征。若屬于同一健康狀態(tài)樣本的某一特征的類內距離越小、不同健康狀態(tài)的類間距離越大，則該特征對此類健康狀態(tài)越敏感。假設具有C類健康狀態(tài)的特征集為：屬于第c類健康狀態(tài)的第m個樣本的第j個特征。第c類健康狀態(tài)的樣本數(shù)。每一類健康狀態(tài)的特征個數(shù)。1084.4.2基于淺層模型的智能診斷特征評估技術特征評估技術的一般步驟：步驟一：計算屬于第c類健康狀態(tài)樣本的第j個特征的類內距離。步驟二：計算C類健康狀態(tài)樣本的第j個特征的類內距離的平均值。1094.4.2基于淺層模型的智能診斷特征評估技術步驟三：計算屬于第c類健康狀態(tài)的Mc個樣本的第j個特征的平均值。步驟四：計算屬于C類健康狀態(tài)的第j個特征的平均值。步驟五：計算屬于C類健康狀態(tài)的第j個特征的平均值。反映了利用第j個特征對C類健康狀態(tài)進行分類的難易程度。該值越大則第j個特征對C類健康狀態(tài)越敏感。1104.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）ANFIS是一個集成的模糊Sugeno模型，通過神經網絡實現(xiàn)并優(yōu)化模糊推理系統(tǒng)。ANFIS構建了一些列if-then規(guī)則和隸屬度函數(shù)來描述復雜系統(tǒng)的輸入和輸出之間的關系。首先，通過專家經驗初始化模糊規(guī)則和隸屬度函數(shù)；其次，通過修正if-then模糊規(guī)則和隸屬度函數(shù)達到最小化輸出誤差的目的。假設模糊推理系統(tǒng)的輸入x、y與輸出z之間存在如下模糊規(guī)則：規(guī)則1：if(xisA1)and(yisB1)then(z1=p1x+q1y+r1)規(guī)則2：if(xisA2)and(yisB2)then(z2=p2x+q2y+r2)

為抽取輸入-輸出之間的模糊規(guī)則，構建如下具有五層結構的ANFIS網絡結構：1114.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）模糊化層

模糊化層將輸入變量模糊化，輸出對應模糊集的隸屬度。

以A1和A2節(jié)點為例，其模糊隸屬度函數(shù)表示為：式中：鐘形隸屬度函數(shù)ai、bi、ci為第一層需要訓練的條件參數(shù)。xyA1A2B1B2ANFIS網絡結構模糊化層1124.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）模糊化層規(guī)則層

規(guī)則層的每個節(jié)點M充當簡單的乘法器，其輸出代表了每條推理規(guī)則的使用度，計算如下：xyA1A2B1B2MMANFIS網絡結構模糊化層規(guī)則層1134.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）模糊化層規(guī)則層正規(guī)化層

正規(guī)化層節(jié)點N對規(guī)則層輸出的各條規(guī)則的激勵強度進行歸一化處理，其輸出的計算如下：xyA1A2B1B2MMNNANFIS網絡結構模糊化層規(guī)則層正規(guī)化層

1

21144.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）模糊化層規(guī)則層正規(guī)化層解模糊層

解模糊層每個節(jié)點Fi的傳遞函數(shù)為線性函數(shù)，用以計算每條規(guī)則的輸出，其計算如下：式中：pi、qi、ri為需要訓練的結論參數(shù)。xyA1A2B1B2MMNNF1F2xyx

yANFIS網絡結構模糊化層規(guī)則層正規(guī)化層解模糊層

1

2

2

21154.4.2基于淺層模型的智能診斷自適應模糊神經網絡（ANFIS）xyA1A2B1B2MMNNSF1F2xyxy模糊化層規(guī)則層正規(guī)化層解模糊層輸出層

輸出層的節(jié)點S計算所有規(guī)則的輸出之和，其計算如下：ANFIS網絡結構模糊化層規(guī)則層正規(guī)化層解模糊層輸出

1

2

2

1z1

2z2

21164.4.2基于淺層模型的智能診斷ANFIS在滾動軸承故障智能診斷中的應用以電機滾動軸承為診斷對象，識別其4種健康狀態(tài)：正常、外圈故障、內圈故障與滾動體故障。在電機驅動端安裝加速度傳感器采集軸承的振動信號。截取軸承振動信號的采樣點組成監(jiān)測數(shù)據樣本，再由樣本組建軸承故障數(shù)據集。健康狀態(tài)振動信號訓練樣本數(shù)測試樣本數(shù)樣本標簽正常50501內圈故障50502滾動體故障50503外圈故障50504實驗平臺滾動軸承故障數(shù)據集1174.4.2基于淺層模型的智能診斷ANFIS在滾動軸承故障智能診斷中的應用提取數(shù)據集樣本的11種時域特征與13種頻域特征，將這24中特征組成特征數(shù)據集。利用特征評估技術計算樣本特征之間的距離，評估特征對故障的敏感度。特征特征評估因子每種特征對軸承健康狀態(tài)的敏感程度不一。將特征評估因子降序排列，選取特征評估因子最大的前4種敏感特征作為智能診斷模型的輸入。1184.4.2基于淺層模型的智能診斷ANFIS在滾動軸承故障智能診斷中的應用利用帶標簽訓練樣本的優(yōu)選特征訓練智能診斷模型，再識別無標簽的測試樣本。基于ANFIS的智能診斷模型對無標簽的測試樣本具有較高的分類精度，測試樣本中僅有極少數(shù)的樣本被錯誤分類，測試精度達到98.5%。正常內圈故障滾動體故障外圈故障分類精度訓練樣本（+/M）50/5050/5049/5050/5099.5%測試樣本（+/M）50/5049/5048/5050/5098.5%基于ANFIS的智能診斷模型的分類效果注：表中“+”為正確分類樣本數(shù)，“M”為樣本總數(shù)。1194.4.3基于深度學習的智能診斷基于深度學習的智能診斷流程基于深度學習的智能診斷利用深度學習方法，如深度置信網絡、棧式自編碼神經網絡、卷積神經網絡，逐層將初始的“底層”特征轉換為“高層”特征表達。振動聲發(fā)射溫度……高質量數(shù)據庫深度置信網絡棧式自編碼網絡卷積神經網絡……特征表征及故障分類將特征提取與故障分類過程合二為一，建立“高層”特征與設備健康狀態(tài)之間的非線性映射關系，獲得智能診斷模型。1204.4.3基于深度學習的智能診斷棧式自編碼機（SAE）自編碼機（AE）是SAE的基本組成單元，由編碼網絡和解碼網絡組成。編碼網絡將輸入數(shù)據有高維特征空間映射到低維的編碼空間。解碼網絡基于編碼空間的編碼向量重構對應的輸入數(shù)據。SAE的網絡結構………編碼網絡解碼網絡1214.4.3基于深度學習的智能診斷棧式自編碼機（SAE）自編碼機（AE）是SAE的基本組成單元，由編碼網絡和解碼網絡組成。編碼網絡將輸入數(shù)據有高維特征空間映射到低維的編碼空間。解碼網絡基于編碼空間的編碼向量重構對應的輸入數(shù)據。SAE的網絡結構……AE1SAE通過堆疊AE組成，即前一層AE編碼網絡的輸出作為后一層AE編碼網絡的輸入?！瑼E2AEN1224.4.3基于深度學習的智能診斷棧式自編碼機（SAE）在行星齒輪箱故障智能診斷中的應用以兩級行星齒輪箱為診斷對象，應用SAE識別其8種健康狀態(tài)。健康狀態(tài)樣本個數(shù)工況數(shù)樣本標簽正常188881第一級太陽輪點蝕188882第一級太陽輪齒根裂紋188883第一級行星輪齒根裂紋188884第一級行星輪剝落188885第一級行星輪軸承裂紋188886第二級太陽輪剝落188887第二級太陽輪缺齒188888兩級行星齒輪箱故障數(shù)據集每種健康狀態(tài)的信號均在4種不同轉速（2100r/min、2400r/min、2700r/min、3000r/min）及2種不同負載工況（空載與加載）下采集。每截取2560個采樣點組成一個樣