一种基于故障机理和统计模型在线学习的机械设备故障诊断方法与流程

本专利属于机械设备故障诊断领域，涉及一种基于设备故障机理和生成式统计模型在线学习的机械设备故障诊断方法。

背景技术

机械设备故障诊断经过长期的发展，在设备状态识别上取得了一定进展，已经实现了将机械设备的健康状态与故障状态区分开，但在故障类型识别上还存在难题。故障识别的数学本质是模式分类问题，其发展主要包括两个阶段：以信号处理技术为主的传统诊断技术阶段和以专家系统、神经网络等人工智能技术为核心的智能诊断技术阶段。目前传统诊断技术在工程实际中的应用较为广泛且取得了较好的效果，但随着设备的复杂化和运行工况复杂度提高，传统诊断技术无法实现设备的故障诊断识别，致使智能技术在提高诊断结果的准确率方面更具前景。

近些年深度学习技术在各个行业得到了广泛应用并取得了丰硕成果，已有一些研究者将深度学习理论应用于机械设备的故障诊断中，例如西安交通大学的雷亚国等将深度学习理论应用于多级齿轮传动系统的故障诊断，在实验室中的试验台故障模拟识别方面取得了一定的效果，但该方法需要大量的数据作为支撑，将其应用到实际生产中还存在数据难以获取等问题。

由于可获得的机械设备运行数据分布很不均衡，大多数都是健康数据，异常数据很少，而异常数据是模型训练的关键，通过人为产生故障的方式代价又过大，使得没有足量有效的数据成为制约智能诊断技术的关键问题。对于不同的机械设备，其工作状况特性是不同的，即使是相同类型的机械设备，也会由于工艺不同、制造误差、现场安装环境等因素使得不同设备间存在差异，在无法获得更多可用故障案例数据的情况下提高模型的泛化能力是难以解决的问题。机械设备在使用过程中，零部件的磨损、更换或外界环境造成的腐蚀、老化等原因导致设备发生劣化，使得基于设备前期数据学习到的诊断模型在后期越来越不准，甚至失效。

综上所述，要将深度学习技术运用到机械设备的智能诊断中，还存在有效样本数据不足、诊断模型难以泛化到其他设备、设备劣化导致后期诊断模型失效等关键问题。

技术实现要素：

本发明为解决上述问题而提出了一种基于设备故障机理和生成式统计模型在线学习的机械设备故障诊断方法。本方法针对某一台具体设备(以下统称为该台设备)，基于设备故障机理，利用设备实时状态监测数据完成生成式统计模型的训练与更新，实现该台设备各种运行状态的模型化表达。本发明将设备故障机理和实时状态监测数据相结合，有效解决了统计模型训练过程中故障案例数据少，训练容易过拟合，模型难以泛化的难题。

本发明所提出的方法包含以下四个步骤：(1)基于工况特性与实时状态监测数据构建健康数据生成模型；(2)基于故障机理和健康数据生成模型构建诊断模型；(3)判别设备可能发生的故障类型；(4)确定设备发生的各类型故障概率。四个步骤详述如下：

(1)步骤一：基于工况特性与实时状态监测数据构建健康数据生成模型

在现代工业中，对设备的健康状态评估是结合设备的运行工作状况特性(以下简称工况特性)，通过对状态监测数据的分析完成的。本方法首先基于该台设备的工况特性与采集的实时状态监测数据，采用参数与非参数方法结合的模式，构建该台设备的健康数据生成模型。

具体的，对工况特性做进一步的说明。工况特性是指设备在不同工作状况(以下简称工况，指设备运行的转速、负荷)条件下的运行特点，是人们对该类设备的研究所得到的一种专业知识，例如，①设备振动信号是各零部件振动信号的叠加，工况不同振动信号也不同；②设备气体出口压力温度和入口压力温度间的关系是由设备的运行工况决定的。对不同机械设备的工况特性可参看附录[1]、[2]及该类设备的其他专业书籍。

机械设备的工况特性与设备类型(class，c)和运行工况(operation_status，o)有关。对于某种类型机械设备(例如透平压缩机、汽轮机、轴流压缩机、风机、泵、往复式压缩机、柴油机)，在一定的工况(转速、负荷相同)下，其运行状态可由c与o进行表示，因此一台机械设备的工况特性可用mcharacter(c，o)加以表示。

再利用该台设备健康状态下实时采集的状态监测数据(振动数据、温度数据、压力数据)作为模型数据输入，采用生成式对抗网络(generativeadversarialnetworks，gan)来训练健康数据生成模型，使该模型生成的数据尽可能的接近该台设备的真实状态监测数据，训练得到的健康数据生成模型生成的健康数据g(z)可表示为：

f＝{hi(θi)|i＝1，2，3，…，n}(2)

式(1)中，z表示随机噪声，表示由状态监测数据特征量所表示的设备健康状态模型化表达函数，f表示该台设备健康状态下的状态监测数据特征量函数集合。

式(2)中，θi表示该台设备某一状态监测数据特征量(例如振动信号一倍频、二倍频、润滑油温度、入口气体压力)，hi(θi)表示该台设备健康状态下状态监测数据特征量θi所对应的特征量函数，n为该台设备状态监测数据特征量数目，当设备状态监测数据只是温度数据、压力数据时，n的取值与该台设备的温度、压力测点总数一致，当设备状态监测数据含有振动数据时，n取0～∞，其中包含温度数据、压力数据。

具体的，对状态监测数据的选择做进一步的说明。对于透平压缩机、汽轮机这种透平机械设备的故障诊断是基于对设备振动信号的分析进行的，因此该种设备需要的设备状态监测数据为设备的振动信号，而对于柴油机这种复杂机械设备，单单依靠一种状态监测数据难以准确定位设备故障，需综合考虑流经设备流体(冷却水、燃油、润滑油、空气)的温度数据、压力数据以及设备振动数据。

具体的，对健康数据生成模型g的训练做进一步的说明。健康数据生成模型g的训练采用gan来实现，其中生成模型(generator，g)负责生成该台设备的健康状态数据，判别模型(discriminator，d)负责判别输入的数据是生成模型生成的虚假数据g(z)还是设备真实运行的健康数据x，通过生成模型与判别模型间不断的对抗博弈，两个模型不断调整，直至判别模型难以准确判断出输入数据是真实的还是由生成模型生成的，由此通过健康数据生成模型g实现了对该台设备健康状态的模型化表达。算法结构和计算流程如附图1所示。

(2)步骤二：基于故障机理和健康数据生成模型构建诊断模型

对于一种具体类型的机械设备，其在运行过程中可能发生的故障类型是已知的，将所有可能的故障类型表示为集合k。设备状态监测数据是设备运行状态的反映，当设备发生故障时，必然导致其对应的状态监测数据特征量的变化(例如振动信号一倍频增加、润滑油温度上升、气体出口压力降低，这种变化由特征量函数体现)。通过对设备故障机理的研究，可以得到故障类型kj(kj∈k)与该故障状态下状态监测数据特征量函数h′间的映射关系，将这种关系定义为式(3)。对于不同机械设备的故障类型和故障机理可参看附录[1]、[3]、[4]以及该类型设备的其他专业书籍。

g(kj)＝h′(θ)(3)

式(3)中，θ∈{θi|i＝1，2，3，…，n}，n为该台设备状态监测数据特征量数目θ为设备发生故障kj时会改变的所有的状态监测数据特征量(例如振动数据二倍频、润滑油温度、气体出口压力)，h′(θ)为设备发生故障kj时变化后θ所对应的状态监测数据特征量函数集合(例如振动信号一倍频增加、润滑油温度上升、气体出口压力降低，这种降低、增大的变化关系用函数h′体现)，这种关系可参见附录[1]、[5]及该类型设备的其他专业书籍。

例如，由式(3)，当该台设备发生故障kj时，其运行状态表达模型中特征量函数将会改变，通过改变步骤一中训练好的健康数据生成模型g中相应的特征量函数hi(θi)为h′i(θi)(其中θi∈θ)，即可构建该台设备发生故障kj时的故障数据生成模型式(4)表示了该台设备在发生故障kj时模型生成的故障数据

式(5)中，为该台设备在故障kj下的状态监测数据特征量函数集合，h(θ)为该台设备健康状态下θ所对应的状态监测数据特征量函数集合。

具体的，特征量函数由hi(θi)变为h′i(θi)的取值来源于经验数据，其与设备故障机理有关，通过查找该类设备的技术手册得到，可参见附录[5]第二卷第二篇及该类型设备的其他专业书籍。

同理，可得到该台设备其它类型故障下的故障数据生成模型。

至此，已由该台设备的健康数据生成模型得到了该台设备的故障数据生成模型，实现了对该台设备各种运行状态的模型化表达。将所有的故障数据生成模型组成的集合称为诊断模型mdiagnosis：

式(6)中，m为k中元素的个数，表示该台设备可能发生的故障类型数目，下文中m均表示该意义。

在该台设备运行的全寿命周期内，将根据实时的状态监测数据进行模型更新，以适应设备的变化。

此步骤二的目的在于依据人们对故障发生原因的现有研究得到故障状态与健康状态间的区别，基于这种区别由健康数据生成模型得到故障数据生成模型，由此得到该台设备各种故障的故障数据。

(3)步骤三：判别设备可能发生的故障类型

步骤二构建的诊断模型mdiagnosis包含该台设备所有可能的故障类型，当监测到设备发生异常时，需进行故障定位并判别故障类型。将设备异常状态数据与诊断模型的每一种故障类型分别进行相似度计算，得到相似度s：

s＝{sj|j＝1，2，3，…，m}(7)

式(7)中，sj为该台设备异常状态数据与诊断模型中计算得到的相似度。

由s得到了该异常状态属于各故障的可能性大小，对s降序排序，排名越靠前，属于该种故障的可能性就越大。若不进行步骤四，取s中最大值所对应的故障类型作为诊断结果。

(4)步骤四：确定设备可能发生的各类型故障概率

此步骤为可选步骤，对于有历史故障案例数据积累的同类设备可进行该步骤，而对于一些新型设备可在故障案例数据积累到一定量再进行该步骤。在机械设备运行过程中，不同故障发生的概率一般是不同，有些故障经常发生，而有些故障很少出现，为更准确确定该台设备故障类型，需将设备历史数据考虑进去。通过查阅相关设备手册和文献资料(附录[1]、[5])，以及对该设备过往故障案例数据的统计，确定该类设备发生某故障(以下统称为故障kj)在所有故障中所占的概率p(kj)。p(a)为异常状态数据真实性概率，由于是数据采集系统采集的设备真实数据，可认为p(a)＝1。

将s做概率化处理得到s′：

式(8)中，s′j表示该台设备发生故障kj在所有故障类型k中所占的比例，sl为该台设备异常状态数据与诊断模型中计算得到的相似度，l∈(1，2，3…，m)。

p(a|kj)为在故障kj下，得到这种异常状态数据的概率。因为生成的诊断模型是根据故障kj的故障机理由健康数据生成模型得到，因此异常状态数据与诊断模型做相似度计算得到的sj＇就是p(a|kj)。

p(kj|a)为这组异常状态数据是故障kj的概率，这正是需要求的。运用贝叶斯理论，可求得在考虑该类设备历史故障数据后各故障发生概率的大小，式(10)列出了该台设备经贝叶斯推理后，该异常状态属于各类故障概率的大小。

pbayes＝{p(kj|a)|j∈(1，2，３…，m)}(10)

取pbayes中最大值所对应的故障类型作为对此异常状态数据的诊断结果。

本方法四个步骤的流程如附图2所示。

步骤一、二是本专利解决小样本问题、模型过拟合及泛化问题的核心方法。对于不同机械设备其步骤是一致的，都是基于设备故障机理，利用自身的状态监测数据进行在线的模型训练与模型生成，训练生成的模型仅被用于用来训练模型的该台设备，没有模型对象泛化的需求。同时在设备运行的全寿命周期中自动调整模型，避免了设备运行后期由于设备劣化原因导致诊断模型失效。

与基于故障机理构建的纯机理模型相比，该方法构建的统计模型结合了该台设备的真实运行特性数据，故有效减小了由于设备工作介质差异、负荷差异、工艺差异、安装使用环境带来的误差；与基于数据驱动构建的纯数学模型相比，该方法构建的统计模型是基于设备的故障机理，结合工况特性用易于获得的健康状态监测数据来构建故障数据生成模型，因此解决了故障案例数据匮乏、样本数据极度不均衡导致训练出的模型不准确的问题。

通过这种方式构建的故障数据生成模型，消除了其他干扰因素对我们所关心的故障特征的掩盖，突出了故障特征参数，既有效减少了纯机理模型与实际设备的结构误差，又解决了纯数学模型中故障数据缺失的问题，由此而构建的诊断模型对该台设备的故障类型有很强的判别力。

附图说明

附图1为一种基于故障机理和统计模型在线学习的机械设备故障诊断方法gan结构与计算流程图

附图2为一种基于故障机理和统计模型在线学习的机械设备故障诊断方法实施流程图，图中设备均指某台具体设备

附图3为一种基于故障机理和统计模型在线学习的机械设备故障诊断方法统计模型的在线训练与生成

具体实施方式

为了更清楚的说明本发明，下面将结合具体实施例对本发明做进一步的说明。

本专利所提出的方法利用该台设备的工况特性与采集的设备实时状态监测数据，采用参数与非参数方法结合的模式，通过生成式统计模型实现了该台设备各种运行状态的模型化表达，这种方法既有效减少了单纯基于故障机理构建纯机理模型所没考虑的设备间的结构误差，又解决了基于大数据学习理论构建纯数学模型中样本数据不足的问题。该方法生成的模型只针对单台具体设备，没有模型泛化需求，同时通过在线学习实时更新诊断模型，避免了设备运行后期由于设备劣化原因导致诊断模型失效。

本发明所提出的方法包含四个步骤：(1)基于工况特性与实时状态监测数据构建健康数据生成模型；(2)基于故障机理和健康数据生成模型构建诊断模型；(3)判别设备可能发生的故障类型；(4)确定设备发生的各类型故障概率。本发明所述方法实施流程如附图3所示，包括统计模型的在线训练和更新。下面将以透平机械为例，对本方法的四个步骤进行详细的讲述。

(1)步骤一：基于工况特性与实时状态监测数据构建健康数据生成模型

对于透平机械，常利用振动信号的频谱分析来进行故障的预警诊断。传感器采集到的机械设备的振动信号是各零部件振动信号的叠加，包含多种频率成分，对于不同零部件其振动频率一般是不同的。

例如，某台透平机械设备(c，以下统称为该台机械设备)装有振动传感器实时采集设备的振动信号，将实时采集的振动时域信号经傅立叶变换转换为频域信号，信号中包含各倍频成分(即发明内容中所述的状态监测数据特征量θ)，传感器测得信号是各倍频成分的叠加，其频域信号与设备工频f0有关。在一定转速和负荷工况(o)下，由设备工况特性可知，振动信号的频域表达如式(11)所示。

式(11)中，ci(i＝0，1，2，…，n)为各倍频系数表达式，δ为振动冲击函数，f为设备振动频率，f0为该台机械设备在该工况下的工频，fres为该台机械设备的残振信号，为每一种频率信号在该振动信号的频谱中所占的成分。

利用该台机械设备在健康状态下实时采集的振动信号作为模型数据输入，采用gan算法训练模型，使该台机械设备的健康数据生成模型生成的数据g(z)尽可能接近设备的真实振动数据。

针对该台机械设备的健康数据生成模型采用gan来训练。生成模型负责生成该台机械设备在健康状态下的振动数据信号，判别模型负责判断输入的数据是生成模型生成的虚假数据还是设备真实的运行数据，通过生成模型与判别模型间的对抗博弈，两模型不断调整，直至判别模型无法准确判别出输入的数据是该台机械设备的真实运行数据还是由模型生成的虚假数据g(z)。

(2)步骤二：基于故障机理和健康数据生成模型构建诊断模型

对于透平机械设备，各零部件在运转过程中产生的振动必定对应于某特征频率，故通过对某一频率段振动烈度强弱的分析，可判别振动来源，进而判断故障类型，而且这一特征频率始终与工频f0保持某一倍数关系。基于此故障机理，可以根据步骤一生成的健康数据生成模型得到该台机械设备的故障数据生成模型。

步骤一得到了该台机械设备的健康数据生成模型g，下面以透平机械中常见的转子不平衡、不对中、松动故障为例做进一步的说明。如表1所示，列出了这三种故障类型对应的故障特征，基于这种对应关系，可通过改变g中的特征量函数得到相应故障下的故障数据生成模型g′。

表1故障类型与故障特征对应表(g)

对于转子不平衡故障，根据其故障机理，将导致一倍频明显增大，而其他频率成分基本不变，通过改变g中一倍频的特征量函数来增大一倍频，即将对应的参数c2变为c′2来增大一倍频在振动信号中所占的比例，得到该台机械设备转子不平衡故障时的故障数据生成模型，故障数据如式(12)所示。

具体的，由c2变为c2′是基于工程人员的经验数据，对于不同故障有所区别，可查找相关技术手册，对于转子不平衡故障取c2′＝(1.5～2)c2。

同理，可得到该台机械设备不对中、松动故障的故障数据生成模型，由此得到了该台机械设备的诊断模型mdiagnosis，如式(13)所示。

具体的，对于透平机械设备，特征量函数由ci变为c′i(c″i)的取值与设备工频有关(c′i为c′2(z)中的c′4，c″i为g′3(z)中c″1、c″2、c″4、c″6、c″8、c″10、c″12)，可参见附录[5]第二卷第二篇，对于中低频(小于等于1000hz)振动取c′i＝(1.5～2)ci，c″i＝(1.5～2)ci，对于高频(高于1000hz)振动，取c′i＝3ci，c″i＝3ci。

对于步骤一、二，同理，其他类型机械设备，通过对机械设备工况特性的研究，建立用状态监测数据特征量表示的设备健康状态数据模型，例如，通过各频率信号的叠加表示设备的振动信号，不同测点间温度压力的关联表示设备工艺参数。而振动信号、工艺参数中的具体系数利用该台设备真实的健康数据训练得到，最后再结合故障机理构建该台设备的故障数据模型。

(3)步骤三：判别设备可能发生的故障类型

步骤二得到了该台机械设备转子不平衡、不对中、松动故障的故障数据生成模型，可基于此对可能的故障类型做初步判断。

例如，当监测到设备状态异常时，将设备此时的异常振动信号数据与诊断模型mdiagnosis里面的故障数据生成模型生成的数据分别做相似度计算，得到s′＝[0.65，0.15，0.2]，对s′进行排序可得到该设备可能性最高的故障为不平衡故障，其次为松动故障，最后为不对中故障，因此初步判断该台机械设备可能发生了不平衡故障。

(4)步骤四：确定设备发生的各类型故障概率

通过查阅该类设备的文献资料，得到该机械设备不平衡、不对中和松动故障的概率分别为45.1％、35.7％、19.2％，由式(9)可确定该台机械设备各故障类型的概率：

可知，该机械设备故障为不平衡的可能性最高，利用这一诊断结果，可实现对设备故障的快速定位，为设备维修提供指导。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

附录

[1]高金吉.机器故障诊治与自愈化[m].高等教育出版社,2012.

[2]严新平.机械系统工况监测与故障诊断[m].武汉理工大学出版社,2009.

[3]黄志坚,高立新,廖一凡.机械设备振动故障监测与诊断[m].化学工业出版社,2010.

[4]donalde.bently,charlest.hatch.旋转机械诊断技术[m].机械工业出版社,2014.

[5]《机修手册》第3版编委会编.机修手册[m].机械工业出版社,1993.