《機(jī)器人基礎(chǔ)與數(shù)字孿生系統(tǒng)》 課件第8章 數(shù)字孿生系統(tǒng)的故障診斷

第八章數(shù)字孿生系統(tǒng)的故障診斷【8.1基于特征生成模型的故障診斷方法】

早期的故障診斷方法有振動(dòng)監(jiān)測技術(shù)、油液監(jiān)測技術(shù)、溫度趨勢分析和無損探傷技術(shù)等，上述的故障診斷方法主要針對(duì)于普通單一的機(jī)械設(shè)備，無法適用于當(dāng)下的復(fù)雜設(shè)備和復(fù)雜環(huán)境，已趨于淘汰。

而隨著計(jì)算機(jī)算力的提升和當(dāng)下深度學(xué)習(xí)理論基礎(chǔ)越來越完善，結(jié)合深度學(xué)習(xí)的軸承故障診斷方法相較于之前的方法能更準(zhǔn)確的提供故障診斷和分類效果。由于故障數(shù)據(jù)難采集且故障類別分布不均衡，導(dǎo)致故障診斷的準(zhǔn)確率和精確率受到影響。本節(jié)提出結(jié)合條件變分自編碼器(ConditionalVariationalAutoencoder,CVAE)與輔助分類生成式對(duì)抗網(wǎng)絡(luò)(AuxiliaryClassifierGenerativeAdversarialNetworks,ACGAN)進(jìn)行特征生成，以實(shí)現(xiàn)準(zhǔn)確故障診斷的新方法?！?.1基于特征生成模型的故障診斷方法】【8.1.1條件變分自編碼器】

條件變分自編碼器(CVAE)基于變分自編碼器(VAE)的基礎(chǔ)上對(duì)輸入數(shù)據(jù)集增加了類別C作為原始數(shù)據(jù)的約束條件，通過對(duì)原始數(shù)據(jù)和類別進(jìn)行編碼得到隱含特征Z。

通過引入均值μ、方差σ和噪聲ε對(duì)進(jìn)行重參數(shù)化，得到的重構(gòu)式

Z=μ+σ×ε，再用解碼的方式將隱含特征和類別重構(gòu)回原始數(shù)據(jù)的空間維度，得出重構(gòu)后的數(shù)據(jù)與原始數(shù)據(jù)不斷逼近，從而獲得原始數(shù)據(jù)X的隱含特征Z?！?.1基于特征生成模型的故障診斷方法】【8.1.2輔助分類生成式對(duì)抗網(wǎng)絡(luò)】

傳統(tǒng)的GAN模型主要是通過對(duì)生成器G輸入噪聲Z，生成器G的目標(biāo)是提取真實(shí)特征的分布并輸出生成特征，盡可能的讓生成特征在判別器D的判別中與真實(shí)特征一致。通過生成器G和判別器D的對(duì)抗過程完成對(duì)模型的訓(xùn)練過程，使得生成特征的分布不斷逼近真實(shí)特征的分布，最終達(dá)到Nash均衡。

通過CVAE網(wǎng)絡(luò)訓(xùn)練得到的類別條件約束下的隱含特征可以通過輔助分類生成式對(duì)抗網(wǎng)絡(luò)進(jìn)一步得到類條件特征。【8.1基于特征生成模型的故障診斷方法】

ACGAN在GAN的理論基礎(chǔ)上添加類別屬性C來約束對(duì)抗網(wǎng)絡(luò)。給生成器G輸入噪聲和類別，判別器D既需要對(duì)生成特征和真實(shí)特征進(jìn)行真?zhèn)闻袆e，又要基于給出的生成特征訓(xùn)練對(duì)應(yīng)的類別屬性，給出屬于類別的概率分布。

判別器和生成器通過動(dòng)態(tài)抗衡的學(xué)習(xí)方式，最終達(dá)到Nash均衡，ACGAN網(wǎng)絡(luò)可以借助訓(xùn)練好的生成器生成有效的類條件特征。【8.1基于特征生成模型的故障診斷方法】【8.1.3CVAE-ACGAN特征生成模型】故障判斷流程軸承振動(dòng)信號(hào)作為原始故障數(shù)據(jù)，自定義故障類別屬性，經(jīng)過數(shù)據(jù)清洗和切割劃分后分為訓(xùn)練集、測試集和驗(yàn)證集。訓(xùn)練集輸入CVAE網(wǎng)絡(luò)，通過編碼解碼的訓(xùn)練方式提取到類別條件約束下的隱含特征。將CVAE提取到的隱含特征作為判別器的真實(shí)數(shù)據(jù)輸入源，通過生成器和判別器動(dòng)態(tài)對(duì)抗的訓(xùn)練方式不斷優(yōu)化最終得到有效的類條件特征。結(jié)合ACGAN生成器輸出的類條件特征和訓(xùn)練集進(jìn)行拼接，把擴(kuò)增后的新數(shù)據(jù)集作為CNN網(wǎng)絡(luò)的訓(xùn)練集，結(jié)合分類器的監(jiān)督學(xué)期和梯度下降算法，最小化CNN模型的損失函數(shù)，完成對(duì)CNN故障診斷模型的訓(xùn)練。最后，給CNN故障診斷模型輸入測試集和驗(yàn)證集，使預(yù)測類別與真實(shí)類別盡可能一致，驗(yàn)證模型分類能力，得到軸承故障診斷結(jié)果進(jìn)行實(shí)驗(yàn)對(duì)比分析?！?.1基于特征生成模型的故障診斷方法】

CVAE-ACGAN模型訓(xùn)練主要分為兩部分：CVAE提取原始數(shù)據(jù)類別條件約束下的隱含特征和ACGAN生成有效的類條件特征。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】

采用凱斯西儲(chǔ)大學(xué)(CWRU)軸承數(shù)據(jù)集和意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集作為數(shù)據(jù)源，在同種輸入輸出的條件下，與其他四種特征生成模型的故障診斷結(jié)果進(jìn)行對(duì)比。

凱斯西儲(chǔ)大學(xué)信號(hào)采集實(shí)驗(yàn)臺(tái)由一臺(tái)電動(dòng)機(jī)、一個(gè)功率測試計(jì)和傳感器組成。傳感器信號(hào)采集頻率主要分為12KHz和48Khz，通過電火花加工的方式為軸承構(gòu)造人為損傷，其中根據(jù)損失直徑的不同分為0.007英寸、0.014英寸、0.021英寸和0.028英寸。

取驅(qū)動(dòng)端加速度樣本數(shù)據(jù)，按照內(nèi)圈、外圈和滾動(dòng)球體三種故障位置，每種故障位置又按照損傷直徑0.007，0.014和0.021的順序排列，再加上設(shè)備健康的狀態(tài)，自定義10種故障類別，按照數(shù)字0-9的方式來標(biāo)記，將數(shù)據(jù)集按照7:2:1的比例劃分為訓(xùn)練集、測試集和驗(yàn)證集，取每個(gè)數(shù)據(jù)集長度為1024?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】

意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集采用的數(shù)據(jù)來自意大利都靈理工大學(xué)機(jī)械和航天工程系的航空發(fā)動(dòng)機(jī)高速軸承故障模擬試驗(yàn)臺(tái)，該試驗(yàn)臺(tái)可測量航空軸承在不同高轉(zhuǎn)速重載荷下的振動(dòng)加速度數(shù)據(jù)。

B1，B2，B3為三個(gè)軸承支座，A1和A2處各安裝一個(gè)三軸振動(dòng)加速度傳感器，分別用于測量損壞軸承支架B1處和受外載荷最大B2處的振動(dòng)數(shù)據(jù)。使用Rockwell工具在軸承內(nèi)圈或滾子上產(chǎn)生不同大小的錐形壓痕，模擬不同的故障類型，軸承不同健康狀態(tài)的測量過程相同：首先在空載下以100Hz轉(zhuǎn)頻(6000r/min)短暫運(yùn)行，檢查安裝是否正確，正確安裝后逐步改變外載荷的大小，并以100Hz為步長提高。當(dāng)軸的轉(zhuǎn)速穩(wěn)定后就通過傳感器對(duì)振動(dòng)數(shù)據(jù)進(jìn)行測量?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】在本次實(shí)驗(yàn)中選擇轉(zhuǎn)速為6000r/min、30000r/min和額定負(fù)載1000N的負(fù)載設(shè)置，以64kHz的采樣率測量了大約4秒的振動(dòng)信號(hào)，所選擇的故障編號(hào)、故障位置、轉(zhuǎn)速和額定負(fù)載如表所示，最終共計(jì)10種故障類型，數(shù)據(jù)集劃分與凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集保持一致?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為了量化提出的方法在故障診斷中的效果，采取準(zhǔn)確率(Accuracy)，精確率(Precision)，召回率(Recall)和平均結(jié)果(Averageresult)。A為指定類別特征判斷正確的數(shù)量，B為非指定類別特征被錯(cuò)認(rèn)為指定類別特征的數(shù)量，C為指定類別特征判斷錯(cuò)誤數(shù)量，D為非指定類別特征判斷正確數(shù)量。

準(zhǔn)確率是衡量特征生成模型識(shí)別出故障的指標(biāo)。精確率和召回率是衡量模型正確分類的指標(biāo)，前者關(guān)注指定類別判斷正確的數(shù)量在整體預(yù)測結(jié)果中的比例，后者關(guān)注指定類別判斷正確的數(shù)量在判斷出的特定故障類別中的比重。平均結(jié)果是召回率和精確率的加權(quán)調(diào)和平均?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型在故障診斷中的實(shí)際應(yīng)用情況，以CNN卷積神經(jīng)網(wǎng)絡(luò)作為故障診斷模型。首先，向CNN故障診斷模型輸入故障特征生成模型處理后的故障數(shù)據(jù)集，然后經(jīng)過Softmax分類器進(jìn)行10種故障分類，最后，通過對(duì)10種故障類別的分類結(jié)果對(duì)故障特征生成模型的能力進(jìn)行驗(yàn)證和對(duì)比。CNN網(wǎng)絡(luò)參數(shù)設(shè)置【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證提出的模型能夠提高故障診斷模型的準(zhǔn)確率和精確率，以PoliTO數(shù)據(jù)集作為數(shù)據(jù)源，分別選擇CNN故障診斷模型和經(jīng)過故障特征生成模型的CVAE-ACGAN-CNN故障診斷模型進(jìn)行對(duì)比。本次驗(yàn)證方法在測試集和驗(yàn)證集上各進(jìn)行十次訓(xùn)練，對(duì)10種故障類別的準(zhǔn)確性、精確性、召回率和加權(quán)調(diào)和平均值進(jìn)行求和取平均值。將故障數(shù)據(jù)集直接輸入CNN故障診斷模型時(shí)，平均準(zhǔn)確率在98.58%、平均精確率在96.44%、平均召回率在94.23%、加權(quán)調(diào)和平均值在95.32%。與經(jīng)過CVAE-ACGAN-CNN故障診斷模型相比較，后者平均準(zhǔn)確率提高0.31%、平均精確率提高2.06%、平均召回率提高3.19%、加權(quán)調(diào)和平均值提高2.64%。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】選取最后一次故障預(yù)測結(jié)果繪制混淆矩陣來反映故障診斷模型實(shí)際診斷的情況。CNN混淆矩陣CVAE-ACGAN-CNN混淆矩陣對(duì)比二者的混淆矩陣可以發(fā)現(xiàn)：CVAE-ACGAN-CNN對(duì)于10種故障類別的預(yù)測結(jié)果均高于CNN，而且前者的誤判概率低且只出現(xiàn)誤判為另一類的情況。觀察后者則可以發(fā)現(xiàn)：CNN模型在針對(duì)某一類別的判斷誤差較大，而且對(duì)某一類別可能誤判成其他多種類別，對(duì)故障診斷的精確率和準(zhǔn)確率有著很大的影響?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對(duì)象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個(gè)CNN故障診斷模型記錄診斷結(jié)果，評(píng)估指標(biāo)保持一致。不同模型在CWRU數(shù)據(jù)集的故障診斷結(jié)果對(duì)比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對(duì)象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個(gè)CNN故障診斷模型記錄診斷結(jié)果，評(píng)估指標(biāo)保持一致。不同模型在PoliTO數(shù)據(jù)集的故障診斷結(jié)果對(duì)比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】對(duì)比CVAE-ACGAN和ACGAN的損失函數(shù)曲線可以看出，前者的損失函數(shù)在第12輪的時(shí)候曲線已經(jīng)開始收斂，而且后續(xù)整體曲線處于平穩(wěn)的狀態(tài)；后者的損失函數(shù)曲線在將近28輪的時(shí)候才開始收斂，而且整個(gè)函數(shù)曲線抖動(dòng)較大處于十分不穩(wěn)定狀態(tài)。CVAE-ACGAN損失函數(shù)曲線ACGAN損失函數(shù)曲線【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】進(jìn)一步驗(yàn)證CVAE-ACGAN特征生成模型的特征提取能力，利用t-SNE算法來進(jìn)行可視化分析。將特征層通過t-SNE投影到2維的平面中觀察數(shù)據(jù)特征分布，圖內(nèi)數(shù)字0-9代表提取到的不同故障特征類型。選擇CVAE和VAE的隱含特征值層，ACGAN和CVAE-ACGAN生成器的輸出層，CVAE-ACGAN模型中CNN的輸出層?！?.2性能退化評(píng)估模型】【8.2.1軸承性能退化評(píng)估方法】機(jī)械設(shè)備經(jīng)過長期運(yùn)行后，許多零部件會(huì)面臨使用壽命退化的問題，從而影響設(shè)備的運(yùn)行狀態(tài)。因此，對(duì)機(jī)械設(shè)備的運(yùn)行狀態(tài)進(jìn)行有效評(píng)估是保證生產(chǎn)可持續(xù)進(jìn)行的方法之一。在機(jī)械設(shè)備的運(yùn)行過程中，其零部件狀態(tài)具有時(shí)變性和不確定性特點(diǎn)。需研究合理的性能退化評(píng)估方法，對(duì)時(shí)序信號(hào)進(jìn)行分析處理并得出實(shí)際運(yùn)行模型與預(yù)測模型之間的實(shí)際映射，以實(shí)現(xiàn)高可靠運(yùn)行。討論一種基于堆棧去噪自編碼器(StackedDenoisedAutoencoder,SDAE)和支持向量數(shù)據(jù)描述(SupportVectorDataDescription,SVDD)的性能退化評(píng)估模型。SDAE具有良好的去噪和抗干擾能力，從原始數(shù)據(jù)集中挖掘出有效的退化特征并結(jié)合時(shí)序特征分析，劃分出正常狀態(tài)特征和全壽命特征，結(jié)合SVDD模型抗干擾的特點(diǎn)，對(duì)SVDD評(píng)估模型進(jìn)行離線訓(xùn)練來確定模型參數(shù)，通過在線評(píng)估的方法來預(yù)測軸承早期故障和其他退化狀態(tài)，進(jìn)一步對(duì)退化評(píng)估結(jié)果進(jìn)行驗(yàn)證和對(duì)比分析?！?.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】SDAE是在自動(dòng)編碼器(Autoencoder,AE)的基礎(chǔ)上延伸提出的模型，由于AE模型的泛化能力和抗噪能力弱，可以對(duì)輸入的數(shù)據(jù)進(jìn)行去噪，以形成去噪自編碼器(DenoisedAutoencoder,DAE)。DAE模型有較強(qiáng)的抗噪能力，但是在訓(xùn)練和學(xué)習(xí)的過程中存在收斂速度慢和計(jì)算量大的問題，SDAE則在DAE的基礎(chǔ)上通過堆疊的方式進(jìn)行逐層訓(xùn)練，既保留了DAE模型的抗噪能力又加快了收斂和學(xué)習(xí)速度。AE是一種非監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱含層和輸出層，在進(jìn)行訓(xùn)練的時(shí)候主要分為編碼解碼兩部分，并通過最小化重構(gòu)差來對(duì)原始數(shù)據(jù)進(jìn)行特征提取。DAE則是在AE中隨機(jī)加入噪聲進(jìn)行訓(xùn)練，來避免輸入信號(hào)因?yàn)槭艿皆肼曃廴径绊懫漪敯粜院头夯芰?。?.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】DAE在AE中隨機(jī)加入噪聲進(jìn)行訓(xùn)練，來避免輸入信號(hào)因?yàn)槭艿皆肼曃廴径绊懫漪敯粜院头夯芰Α?/p>

DAE模型首先對(duì)原始樣本，

加入噪聲，獲得含噪樣本

，含噪樣本經(jīng)過激活函數(shù)編碼的方式實(shí)現(xiàn)到隱含層的映射，輸入解碼層進(jìn)行重構(gòu)處理，最終得到輸出

。DAE模型通過編碼解碼的方式能提高魯棒性，但是在面對(duì)大量樣本時(shí)存在訓(xùn)練速度慢和提取特征精度欠缺的問題?！?.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】SDAE模型通過堆疊的方式將結(jié)構(gòu)分成編碼解碼的單元，通過預(yù)訓(xùn)練的方式將上一單元的隱含層作為下一單元的輸入層，根據(jù)重構(gòu)誤差不斷進(jìn)行調(diào)整，可以提取更加深層次的有效特征

SDAE的基本結(jié)構(gòu)與DAE類似，但是相比于DAE可以通過逐層訓(xùn)練的方式提取更有效的特征。經(jīng)過隨機(jī)噪聲的原始樣本作為模型的輸入層，經(jīng)過第一隱含層時(shí)通過編碼解碼的方式得到隱含特征，當(dāng)進(jìn)入第二隱含層時(shí)選擇第一個(gè)隱含特征作為隱含層的輸入，再次經(jīng)過編碼解碼的方式得到另一個(gè)隱含特征，如此反復(fù)訓(xùn)練和調(diào)整，直到得到最終的隱含特征和每一層的權(quán)值，完成預(yù)訓(xùn)練的過程。

在確定每層的權(quán)值后，對(duì)原始樣本整體輸入SDAE模型，通過最小化重構(gòu)誤差函數(shù)和梯度下降算法最終完成全局調(diào)參的目標(biāo)。【8.2性能退化評(píng)估模型】【8.2.3支持向量數(shù)據(jù)描述】SVDD模型最早用來解決單分類問題，將目標(biāo)樣本通過非線性函數(shù)映射在不同維度的空間，并在這個(gè)空間中通過確定球心和半徑兩個(gè)重要參數(shù)來構(gòu)建一個(gè)最小的超球體結(jié)構(gòu)。

樣本到球心的距離定義為退化指標(biāo)，選擇合適的性能退化閾值將樣本點(diǎn)劃分為目標(biāo)樣本點(diǎn)和非目標(biāo)樣本點(diǎn)。在進(jìn)行實(shí)際評(píng)估的過程中，選取每個(gè)樣本點(diǎn)到球心的距離與半徑進(jìn)行性能退化閾值比較，其中超球體模型應(yīng)盡可能將目標(biāo)樣本包含在球體內(nèi)，其余樣本都在超球體半徑范圍之外。此外，通過樣本點(diǎn)到球心的距離也可判斷樣本點(diǎn)的退化程度，離球心越近代表此時(shí)設(shè)備工作狀態(tài)越穩(wěn)定，而離球心越遠(yuǎn)則代表此時(shí)設(shè)備故障損壞程度越嚴(yán)重。根據(jù)這一特性可以將SVDD模型用于軸承性能退化評(píng)估方法中。【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】軸承的性能退化過程主要分為正常狀態(tài)、退化狀態(tài)和失效狀態(tài)三種狀態(tài)。

1）正常狀態(tài)正常狀態(tài)是設(shè)備從剛開始運(yùn)行至發(fā)生輕微故障的時(shí)期，這一期間故障特征在前期沒有明顯的體現(xiàn)，表示此時(shí)的設(shè)備處于正常工作狀態(tài)。2）退化狀態(tài)退化狀態(tài)是從設(shè)備已經(jīng)發(fā)生故障的時(shí)刻開始記錄，主要分為輕微退化、中度退化和嚴(yán)重退化三種程度。此時(shí)的故障特征相比于正常狀態(tài)會(huì)有明顯的抖動(dòng)，該故障只是表明設(shè)備此時(shí)已經(jīng)進(jìn)入性能退化階段，隨著設(shè)備運(yùn)行時(shí)間的增加，故障特征會(huì)越來越明顯，設(shè)備性能退化也更加嚴(yán)重，但是并未導(dǎo)致設(shè)備發(fā)生停機(jī)等事故。3）失效狀態(tài)失效狀態(tài)是從設(shè)備的失效故障點(diǎn)開始記錄，此時(shí)故障特征達(dá)到峰值且發(fā)生劇烈的抖動(dòng)，表明設(shè)備的狀態(tài)已經(jīng)無法滿足基本的運(yùn)行要求，嚴(yán)重時(shí)會(huì)造成設(shè)備停機(jī)，導(dǎo)致生產(chǎn)無法繼續(xù)。。選取穩(wěn)定明顯的性能退化指標(biāo)對(duì)評(píng)估結(jié)果的準(zhǔn)確性有著重要的影響?！?.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】原始振動(dòng)信號(hào)有著數(shù)據(jù)量大和噪聲強(qiáng)的特點(diǎn)，直接通過性能退化評(píng)估模型進(jìn)行評(píng)估會(huì)導(dǎo)致模型的訓(xùn)練過程緩慢、評(píng)估結(jié)果準(zhǔn)確率低。

SDAE網(wǎng)絡(luò)由多個(gè)自動(dòng)編碼器疊加建立，可以通過編碼的方式將原始數(shù)據(jù)的輸入特征映射為低維特征，再經(jīng)由解碼的方式對(duì)編碼提取的低維特征進(jìn)行重構(gòu)，通過梯度下降算法對(duì)編碼解碼網(wǎng)絡(luò)逐層訓(xùn)練，使得重構(gòu)誤差達(dá)到最小化，為性能退化評(píng)估模型提供有效的性能退化輸入特征，提高性能退化評(píng)估結(jié)果準(zhǔn)確性。軸承性能退化數(shù)據(jù)集反映軸承在某一時(shí)間段內(nèi)從正常到失效的過程，考慮到時(shí)間序列數(shù)據(jù)集的序列性和對(duì)離散點(diǎn)敏感性的特點(diǎn)，需要在進(jìn)行性能退化評(píng)估前對(duì)其進(jìn)行時(shí)域特征提取，經(jīng)過試驗(yàn)對(duì)比分別以均值、均方根、峰度、偏度、極差、方差、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度為時(shí)域特征，其編號(hào)分布為T=[T1,T2,…,T10]，共計(jì)10維特征【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】在對(duì)軸承的性能退化進(jìn)行評(píng)估的過程中，SVDD通過定義一個(gè)最小超球面，盡可能將正常運(yùn)行的樣本包含在球內(nèi)，選擇每個(gè)樣本與超球體球心之間的距離作為性能退化指標(biāo)DI，以反應(yīng)不同時(shí)期性能退化的程度。

在對(duì)SVDD性能退化評(píng)估模型訓(xùn)練和學(xué)習(xí)中，需要預(yù)先提前設(shè)置核參數(shù)和懲罰因子。懲罰因子衡量樣本中離散點(diǎn)對(duì)整個(gè)模型評(píng)估能力的影響程度，值越大代表模型越重視離散點(diǎn)的影響。核參數(shù)在SVDD中決定超球體半徑的大小，相較于懲罰因子，對(duì)模型的分類能力有著重要的影響。核參數(shù)的選擇受到核函數(shù)的影響，經(jīng)常應(yīng)用的核函數(shù)有以下三種。線性核函數(shù)多項(xiàng)式核函數(shù)高斯核函數(shù)高斯核函數(shù)也稱為RBF核函數(shù)，是在支持向量機(jī)分類中最常用的核函數(shù)，其本質(zhì)是通過衡量樣本之間的相似度來實(shí)現(xiàn)更加準(zhǔn)確的分類功能，可調(diào)參數(shù)只有δ，相較于之前兩種核函數(shù)，能夠針對(duì)非線性問題提供計(jì)算量更小更加有效的解決方案，具有較強(qiáng)的實(shí)用性?！?.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】為了更準(zhǔn)確地獲得軸承從正常運(yùn)行到完全失效這一完整的性能退化過程，提出基于SDAE-SVDD的滾動(dòng)軸承性能退化評(píng)估流程。

1）性能退化評(píng)估流程主要分為離線訓(xùn)練和在線評(píng)估兩部分。選擇均方根值（RMS）作為性能退化指標(biāo)對(duì)全壽命周期的原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，劃分出軸承正常工作和早期軸承故障的開始時(shí)刻；2）SDAE從軸承全壽命數(shù)據(jù)中自適應(yīng)提取軸承性能退化特征，通過重構(gòu)誤差和梯度下降算法提取到有效特征，結(jié)合第一步得到的樣本劃分點(diǎn)，將提取到的特征劃分為正常狀態(tài)特征和全壽命特征；3）結(jié)合時(shí)序信號(hào)的特點(diǎn)對(duì)SDAE提取到的正常狀態(tài)特征和全壽命特征進(jìn)行時(shí)域特征提取，分別劃分為離線訓(xùn)練集和在線測試集；【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】

4）利用訓(xùn)練集數(shù)據(jù)通過離線訓(xùn)練的方式構(gòu)建SVDD性能退化評(píng)估模型，選擇正常狀態(tài)樣本點(diǎn)到超球體球心的距離作為性能退化指標(biāo)DI，構(gòu)建SVDD性能退化評(píng)估模型，通過對(duì)比和實(shí)驗(yàn)最終確定SVDD模型的核參數(shù)和懲罰因子；5）最后，選擇全壽命測試集。經(jīng)過上述步驟的特征提取可得到性能退化特征，再輸入到已訓(xùn)練好的SVDD性能退化評(píng)估模型，通過在線評(píng)估和性能退化指標(biāo)DI繪制性能退化評(píng)估曲線，并對(duì)預(yù)測的退化結(jié)果進(jìn)行驗(yàn)證和對(duì)比分析，衡量實(shí)際的退化評(píng)估能力。【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗(yàn)證SDAE-SVDD性能退化評(píng)估模型的有效性，選擇辛辛那提大學(xué)智能維護(hù)中心滾動(dòng)軸承全壽命疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。整個(gè)數(shù)據(jù)采集平臺(tái)是在恒定負(fù)載的條件下進(jìn)行，主要由交流電機(jī)、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實(shí)驗(yàn)采用的是4個(gè)雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個(gè)軸承的軸承座上都安裝了加速度傳感器來采集振動(dòng)信號(hào)，實(shí)驗(yàn)臺(tái)從軸承開始正常工作到其中某個(gè)軸承發(fā)生故障作為一個(gè)完整實(shí)驗(yàn)周期，根據(jù)不同軸承的損壞程度和損壞位置共計(jì)有三組不同數(shù)據(jù)?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗(yàn)證SDAE-SVDD性能退化評(píng)估模型的有效性，選擇辛辛那提大學(xué)智能維護(hù)中心滾動(dòng)軸承全壽命疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。整個(gè)數(shù)據(jù)采集平臺(tái)是在恒定負(fù)載的條件下進(jìn)行，主要由交流電機(jī)、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實(shí)驗(yàn)采用的是4個(gè)雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個(gè)軸承的軸承座上都安裝了加速度傳感器來采集振動(dòng)信號(hào)，實(shí)驗(yàn)臺(tái)從軸承開始正常工作到其中某個(gè)軸承發(fā)生故障作為一個(gè)完整實(shí)驗(yàn)周期，根據(jù)不同軸承的損壞程度和損壞位置共計(jì)有三組不同數(shù)據(jù)?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集第2組中實(shí)驗(yàn)臺(tái)電機(jī)轉(zhuǎn)速為2000r/min，四個(gè)軸承分別收到2700kg的徑向載荷，加速度傳感器位于軸承的豎直和垂直方向，采樣頻率為10分鐘進(jìn)行一次收集，從軸承正常工作到發(fā)生故障失效期間共計(jì)采集到984個(gè)樣本點(diǎn)，每個(gè)樣本點(diǎn)含有20480個(gè)數(shù)據(jù)點(diǎn)，由于后兩個(gè)樣本已經(jīng)發(fā)生嚴(yán)重失效對(duì)性能退化評(píng)估沒有太大參考價(jià)值，所以選擇前982個(gè)樣本點(diǎn)為驗(yàn)證性能退化評(píng)估模型的全壽命數(shù)據(jù)集?？紤]在外界工況的影響下，軸承早期故障振動(dòng)信號(hào)采集時(shí)容易被噪聲等因素所忽略，采用快速傅里葉變換（FFT）對(duì)全壽命振動(dòng)信號(hào)進(jìn)行降噪處理，并對(duì)982個(gè)樣本點(diǎn)都選擇均方根值（RMS）作為性能退化指標(biāo)，繪制軸承的實(shí)際性能退化曲線，其中橫軸代表樣本的數(shù)據(jù)組，縱軸代表各個(gè)樣本點(diǎn)RMS的平均值?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】2)模型構(gòu)建SDAE-SVDD性能退化評(píng)估模型主要分為SDAE性能退化特征提取模型和SVDD性能退化評(píng)估兩部分。SDAE性能退化特征提取模型主要受到隱藏層數(shù)和隱藏層結(jié)構(gòu)影響，選擇SDAE網(wǎng)絡(luò)隱含層數(shù)為5層，網(wǎng)絡(luò)結(jié)構(gòu)為線性層，在SDAE進(jìn)行逐層訓(xùn)練,每層創(chuàng)建一個(gè)編碼解碼的單元層作為訓(xùn)練單元，同時(shí)選擇激活函數(shù)Relu、SGD優(yōu)化器和均方誤差作為損失函數(shù)。由于實(shí)際機(jī)械設(shè)備的工作環(huán)境具有不確定因素作為干擾項(xiàng)，為模擬這一情況，對(duì)每個(gè)隱含層的特征隨機(jī)設(shè)為Null值，避免模型在過于理想化條件下影響實(shí)際性退化評(píng)估結(jié)果的準(zhǔn)確性?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】2)模型構(gòu)建SVDD模型性能退化評(píng)估的參數(shù)設(shè)定主要涉及核參數(shù)和懲罰因子，選擇正常狀態(tài)訓(xùn)練集作為SVDD模型的數(shù)據(jù)集，以正常樣本點(diǎn)到球心的距離作為性能退化指標(biāo)，理想狀態(tài)下超球體的半徑范圍內(nèi)應(yīng)包含所有正常樣本點(diǎn)，根據(jù)這一訓(xùn)練目標(biāo)，通過反復(fù)實(shí)驗(yàn)對(duì)比性能退化指標(biāo)的趨勢選擇最優(yōu)參數(shù)【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】3)實(shí)驗(yàn)結(jié)果對(duì)比分析根據(jù)離線訓(xùn)練確定SVDD的模型參數(shù)，對(duì)SDAE-SVDD模型輸入全壽命數(shù)據(jù)集進(jìn)行軸承性能退化評(píng)估實(shí)驗(yàn)，選擇上一小節(jié)提到的性能退化指標(biāo)DI，描繪出退化曲線。其中，橫軸表示經(jīng)過特征提取后的退化特征集，對(duì)應(yīng)全壽命數(shù)據(jù)中982個(gè)樣本點(diǎn)，縱軸表示各個(gè)退化特征到球心的距離。軸承整個(gè)性能退化過程中前500個(gè)樣本點(diǎn)退化指標(biāo)整體趨于平穩(wěn)，說明軸承正常工作；位于第533個(gè)樣本點(diǎn)，性能退化指標(biāo)明顯有上升的趨勢，說明此時(shí)軸承開始出現(xiàn)性能退化的趨勢并處于早期故障特征的狀態(tài)；第705個(gè)樣本點(diǎn)時(shí)，軸承隨著運(yùn)行時(shí)間增加造成軸承磨損更加嚴(yán)重，發(fā)生劇烈退化，在圖中反映為退化指標(biāo)發(fā)生劇烈上升到達(dá)第一個(gè)峰值；此后性能退化指標(biāo)發(fā)生先降后升的情況，在第845個(gè)樣本點(diǎn)到達(dá)第二次峰值；隨著軸承運(yùn)行的故障位置磨損加劇，在第921個(gè)樣本點(diǎn)后軸承達(dá)到退化指標(biāo)峰值，此時(shí)軸承已經(jīng)發(fā)生失效的狀況，無法進(jìn)行正常的工作，情況嚴(yán)重會(huì)導(dǎo)致機(jī)器發(fā)生停機(jī)等狀況。【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證上述性能退化評(píng)估結(jié)果的準(zhǔn)確性，選擇全壽命數(shù)據(jù)的532、533、534和705樣本點(diǎn)進(jìn)行包絡(luò)譜分析。包絡(luò)譜分析相比較于傳統(tǒng)的頻譜分析，對(duì)軸承振動(dòng)信號(hào)中受到的沖擊信號(hào)更為敏感，對(duì)于量化沖擊頻率和強(qiáng)度的分析有很大幫助，選擇希爾伯特(Hilbert)變換得到以上樣本點(diǎn)的包絡(luò)譜分析圖，其中橫軸代表頻率，縱軸代表包絡(luò)譜幅值?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】選擇未經(jīng)過SDAE特征提取的全壽命數(shù)據(jù)和主成分分析(PCA)分別輸入SVDD性能退化評(píng)估模型，對(duì)辛辛那提大學(xué)軸承數(shù)據(jù)集進(jìn)行性能退化評(píng)估評(píng)估流程與8.2.4節(jié)保持一致。全壽命數(shù)據(jù)SVDD性能退化評(píng)估曲線PCA-SVDD性能退化評(píng)估曲線

以上兩種模型雖然一定程度上都能反應(yīng)軸承的性能退化過程，但是在實(shí)際機(jī)械設(shè)備的生產(chǎn)環(huán)境中無法發(fā)現(xiàn)早期故障，對(duì)于軸承后續(xù)的幾個(gè)性能退化過程表現(xiàn)的并不明顯，SDAE-SVDD模型在發(fā)現(xiàn)早期故障特征和反映軸承性能退化過程中有著明顯的優(yōu)勢?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實(shí)的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(1)設(shè)備層包含傳感器、通信設(shè)備和機(jī)械設(shè)備實(shí)體。(2)在邊緣層中，通用高效可擴(kuò)展網(wǎng)絡(luò)框架突破了網(wǎng)絡(luò)瓶頸，保障了系統(tǒng)的可靠性，對(duì)設(shè)備層的數(shù)據(jù)進(jìn)行協(xié)議轉(zhuǎn)換、函數(shù)計(jì)算和本地存儲(chǔ)等方式為數(shù)據(jù)高效融合和實(shí)時(shí)傳輸創(chuàng)造條件，同時(shí)通過設(shè)備管理來實(shí)時(shí)監(jiān)控設(shè)備和數(shù)據(jù)流的狀態(tài)，針對(duì)特定情況及時(shí)做出預(yù)警?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實(shí)的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(3)云服務(wù)器層包含云計(jì)算模塊、網(wǎng)絡(luò)處理模塊及云存儲(chǔ)模塊。(4)應(yīng)用層為結(jié)合實(shí)際設(shè)備生產(chǎn)運(yùn)行環(huán)境搭建的虛擬模型和待維修設(shè)備的三維感知模型，再結(jié)合動(dòng)作編程指令在虛擬環(huán)境中帶來人機(jī)交互體驗(yàn)?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.1邊緣計(jì)算】邊緣計(jì)算靠近采集設(shè)備，現(xiàn)場提供分布式計(jì)算、存儲(chǔ)和應(yīng)用等服務(wù)，相較以云計(jì)算為中心的模式，可以緩解帶寬和計(jì)算壓力，有效提高數(shù)據(jù)處理穩(wěn)定性，具有更高的實(shí)時(shí)性。邊云協(xié)同計(jì)算將云計(jì)算能力擴(kuò)展到邊緣設(shè)備，結(jié)合云計(jì)算與邊緣計(jì)算各自優(yōu)勢，進(jìn)行數(shù)據(jù)實(shí)時(shí)穩(wěn)定傳輸和跨平臺(tái)交互存儲(chǔ)，實(shí)現(xiàn)系統(tǒng)多功能拓展，加快系統(tǒng)服務(wù)響應(yīng)。阿里云LinkIoTEdge軟件服務(wù)框架給出一種面向物聯(lián)網(wǎng)設(shè)備部署邊緣計(jì)算服務(wù)的解決方案，可部署基于OPCUA協(xié)議的終端設(shè)備接入邊緣一體機(jī)，并與云端交互的方法，方法如下。根據(jù)傳統(tǒng)的軸承故障檢測以振動(dòng)信號(hào)為主的特點(diǎn)，搭建OPCUAServer加速度傳感器來模擬機(jī)械設(shè)備采集軸承振動(dòng)信號(hào)這一過程，并設(shè)定不同位置和頻率的振動(dòng)信號(hào)采集方式；借助UaExpert工具與OPCUAServer建立連接，保證采集到的數(shù)據(jù)可以進(jìn)行有效的互通；登錄阿里云IOT控制臺(tái)創(chuàng)建基于OPCUA協(xié)議的設(shè)備，完成參數(shù)設(shè)定；根據(jù)邊緣計(jì)算控制臺(tái)選擇邊緣一體機(jī)配置的終端設(shè)備，分配OPCUA到主機(jī)并激活數(shù)據(jù)流統(tǒng)計(jì)應(yīng)用來設(shè)置計(jì)算單元。【8.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.2工業(yè)云】邊緣計(jì)算的提出提高了云計(jì)算的實(shí)時(shí)性，但是大部分?jǐn)?shù)據(jù)的存儲(chǔ)和計(jì)算都是位于云計(jì)算中。工業(yè)云是云計(jì)算在工業(yè)領(lǐng)域中的應(yīng)用，通過對(duì)工業(yè)數(shù)據(jù)的采集分析處理，得出設(shè)備的運(yùn)行狀態(tài)和生產(chǎn)過程的各項(xiàng)指標(biāo)，構(gòu)建一種高實(shí)時(shí)性和可塑性強(qiáng)的數(shù)據(jù)采集分析平臺(tái)。工業(yè)云在面向工業(yè)領(lǐng)域的工業(yè)業(yè)務(wù)環(huán)節(jié)中涉及設(shè)備管理、實(shí)驗(yàn)和仿真、故障診斷、數(shù)據(jù)分析及推理決策等諸多環(huán)節(jié)，除了利用互聯(lián)網(wǎng)數(shù)據(jù)融合的方式獲取工業(yè)應(yīng)用功能模塊外，還需采集設(shè)備信號(hào)、存儲(chǔ)設(shè)備運(yùn)行相關(guān)數(shù)據(jù)、通過智能算法對(duì)數(shù)據(jù)進(jìn)行分析決策和跨平臺(tái)實(shí)時(shí)傳輸?shù)裙δ堋?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.3虛擬現(xiàn)實(shí)】虛擬現(xiàn)實(shí)是工業(yè)云重要的應(yīng)用之一