引自：《智能运维与健康管理》（作者：肖雷，张洁）
该书已出版，详细信息请见文末~
装备在运行过程中受到机械应力和热应力的共同作用产生疲劳损伤直至故障失效。基于状态监测的动力装备PHM得到广泛关注，其主要可以分为状态监测和数据获取、特征提取和选择、故障诊断和健康评估以及系统维护策略等内容。以多传感器监测为基础，从多类监测信号（振动信号、温度信号、油压信号、声发射信号和电信号等）提取具备故障相关性的各类特征用于故障检测及剩余寿命预测，可以有效地降低系统维护成本，避免停机事故的发生。
浅层网络在应对装备退化不确定性时难以高度抽象地深度提取退化特征，只能获取一般的浅层表示。装备退化性能评价涉及评估模型在不同装备件的参数调整和适应，需要评估模型对采集信号进行深层次的特征挖掘和提取，是一类典型的深度学习问题。装备性能监测数据往往存在严重的信息冗余，增加特征选择和降维的难度。深度自编码网络（DAE）包含多个隐藏层，可以从训练数据中深层次地无监督式自学习，从而获得更好的重构效果。同时退化评估模型应结合时序数据的互相关性来综合判断装备性能，获取装备退化状态的量化判断。针对多维特征提取降维和退化信号时序相关性建模两个问题，提出了一种基于DAE-LSTM的装备退化评估方法，通过无监督式的特征自学习降维和监督式反向微调得到特征提取器，将优化后的特征序列作为长短时循环神经网络的输入。通过长短时循环神经网络获取退化过程信息的互相关性，从而充分利用装备退化过程数据的完整信息来定量评估装备退化状态。
基于DAE-LSTM的退化评估方法流程如图1所示。从多传感器监测信号中提取出信号的统计特征后，将训练数据的退化特征数据集作为DAE网络的输入，利用DAE无监督式自学习从高维特征信号提取出与故障高度相关的低维退化信号。为了保证降维编码与故障特征的最大相关性，通过低学习率带标签微调学习的方法调整DAE的权值参数。参数微调后的DAE编码按时间排列后作为LSTM网络的输入。在构建DAE和LSTM网络时，采取了中间隐藏层堆叠的方法，将原本需要的中间层各层节点数简化成两个网络参数，即中间隐藏层数和中间隐藏层节点数，避免了层数不确定时节点数无法选取和层数多时网络参数过多的问题。网络结构参数可以采用粒子群算法确定。
图1 基于多维特征与DAE-LSTM的装备退化评估方法
为了验证所提基于DAE-LSTM的装备退化评估方法在工业数据上的有效性，对铣刀磨损数据进行分析。实验数据来源于美国国家航空航天局艾姆斯（Ames）研究中心，共包含16组刀具磨损退化的监测数据。每组数据包含不同数量的信号样本，均采集了刀具磨损过程中的振动信号、声发射信号和电流信号，采样频率为250Hz。各组数据采集时的工况和铣刀最终磨损情况见表1。
表1铣刀数据的工况和磨损情况
第1次采样时（CASE1）各监测传感器获取的原始时域信号如图2所示，分别为主轴交流电动机电流信号、主轴直流电动机电流信号、工作台面振动信号、机床主轴振动信号、工作台面声发射信号和机床主轴声发射信号。
图2 铣刀数据监测传感器时域信号
由时域数据可以看出铣刀在进行切割工序时，刀具有进入阶段、稳定切割阶段和退出阶段，选取稳定切割阶段的信号进行分析。从6个传感器监测数据中提取其有效值、绝对均值、方差和峰峰值4个时域特征形成训练数据特征集作为深度自编码网络的训练样本，将24维高维特征样本经由深度自编码特征提取器进行特征降维和提取。降维编码后的重构误差作为粒子群算法参数更新的适应度，由此确定网络结构参数。降维特征的回归模型输出如图3所示，回归模型的标签值为刀具磨损量。
图3 降维编码的回归模型输出
在对CASE1数据的特征进行降维编码时，采用CASE1之外的15个CASE的数据作为训练数据进行深度自编码网络的训练，CASE1的降维编码经由回归模型输出后如图3（a）所示。采用CASE2之外的15个CASE的数据作为训练数据进行深度自编码网络的训练，CASE2的降维编码经由回归模型输出后如图3（b）所示。由降维编码的回归输出可以看出，降维编码保留的信息和磨损量高度相关。经过有标签数据的训练和微调，降维编码在变化趋势上与磨损量保持一致，但是在幅值上有所偏差，这表明深度自编码网络对多维传感器特征集的特征提取和降维是有效的。可以通过保留回归模型的低层网络，即深层自编码网络，作为新测得退化数据的特征提取器。
通过DAE网络构建了降维编码的特征提取器之后，将降维编码进行时间步设置后作为长短时循环神经网络的输入，以磨损量百分比作为退化程度标签。通过CASE1之外的15个CASE训练的深度自编码特征提取器，对CASE1特征集进行降维编码。在LSTM退化模型中，这15个CASE的数据用于带标签训练。CASE1的模型预测输出如图4（a）所示，CASE2的模型输出通过同样的做法获得，如图4（b）所示。
图4 DAE-LSTM模型退化程度识别结果
铣刀磨损数据的实验表明，深度网络作为特征提取器在进行参数优选的训练之后可以获得在训练数据上拟合效果足够好的深层网络。去除其回归层之后的低层网络在差异不大的同类测试数据中仍然有较好的特征提取效果，这表明深层网络可以在浅层学习到一般而概括的特征，并将浅层特征进一步抽象提取和深度挖掘。将低层特征编码作为输出结合其他深度网络模型进行后处理即可得到适用于装备退化评估的深度学习模型。
版权归原作者所有
编辑：刘杨
编审：辛召
——————————————————————
▼购买链接▼
