ساخت شاخص سلامت و ارزیابی وضعیت ماشین آلات چرخان توسط همجوشی فضایی-زمانی از ویژگی های مختلط چند دامنه

ماشین آلات چرخان در صنایع مختلف به کار رفته است ، و نظارت بر ویژگی های گسل ضعیف برای ساخت شاخص های بهداشتی (HIS) و ارزیابی وضعیت آنها از اهمیت بالایی برخوردار است. با این حال ، برخی از چالش ها در ارزیابی HI و ارزیابی وضعیت وجود دارد ، از جمله بیان دشوار ویژگی های ضعیف ، دامنه اطلاعات ناقص و کمیت نقاط تخریب زودرس. برای ساختن یک HI جدید از ماشین آلات چرخان ، این مقاله یک روش فیوژن فضا-زمانی مبتنی بر ویژگی های چند دامنه را ارائه می دهد ، که مزایای مکانی و زمانی خود را از خود (SA) ، حافظه کوتاه مدت بلند مدت (LSTM) و ادغام می کند. یک اتوآنکودر بهبود یافته (ICAE) ، به نام Salicae. بر این اساس ، از الگوریتم بهینه سازی Te Sooty (STOA) برای بهینه سازی خودکار مدل تقویت شیب شدید (XGBOOST) برای ارزیابی وضعیت ماشین آلات چرخان به طور دقیق استفاده می شود. اثربخشی و سازگاری روش پیشنهادی توسط پایگاه داده تحمل استاندارد از دانشگاه Xian Jiaotong تأیید می شود و میانگین دقت در شرایط مختلف کار تقریباً 85. 3 ٪ است. علاوه بر این ، صحت روش پیشنهادی نیز توسط بستر کاهش دهنده سازماندهی شده توسط آزمایشگاه ما ، که 99. 3 ٪ است ، آزمایش می شود.

معرفی

ماشین آلات چرخان به طور گسترده در صنعت مورد استفاده قرار گرفته است و ارزیابی وضعیت سلامت آن برای بهبود قابلیت اطمینان ایمنی سیستم و جلوگیری از تصادفات بدخیم مهم است [1]. ارزیابی وضعیت سلامت فرضیه مدیریت پیش آگهی و سلامت (PHM) [2] ، [3] است که عمدتاً شامل استخراج ویژگی ها ، ساخت نشانگر سلامت (HI) و تأسیس مدل ارزیابی است. امروزه ، ماشین آلات چرخشی بزرگ همیشه در شرایط عملیاتی سخت ساختار پیچیده ای دارند که سیگنال های حالت آن پویا و غیرخطی هستند [4] ، [5]. با توجه به پیچیدگی پاسخ سیستم برای ماشین آلات چرخان ، تشخیص گسلهای ضعیف اولیه و تعیین کمیت وضعیت تخریب اولیه می تواند باعث بهبود دقت و تعمیم ارزیابی وضعیت شود.

به طور مؤثر استخراج ویژگی های سیگنال فرضیه شناسایی وضعیت تخریب اولیه ماشین آلات است. برخی از محققان ویژگی های چند دامنه ای را برای استخراج ویژگی های غیر ایستگاه تحت سیگنال های سر و صدای قوی مطالعه کرده اند. Abid et al.[6] تشخیص گسل یاتاقان را بر اساس دامنه زمان ، دامنه فرکانس و ویژگی های دامنه ویژه تکمیل کرد. چن و همکاران.[7] و ژو و همکاران.[8] یک الگوریتم طبقه بندی گسل را با ویژگی های چند دامنه تحت شرایط سر و صدای زیاد و غیر ایستگاه ارائه داد. ون و همکاران.[9] یک روش استخراج ویژگی را بر اساس دامنه های مختلط چند مقیاس ارائه داد تا اطمینان حاصل شود که سیگنال تحمل در فرآیند تشخیص کامل است. هو و همکاران.[10] یک چارچوب کلی را پیشنهاد کرد که در آن مجموع پاکت های مربع معمولی وزنی به عنوان کورتوز ، نگانتروپی ، شاخص صافی و شاخص جینی برای شناسایی تمام سهم مؤلفه ها گرفته شد. لیو و همکاران.[11] و گوو و همکاران.[12] از ویژگی های مختلط دامنه زمان ، دامنه فرکانس و دامنه فرکانس زمان برای ساخت وی بدون در نظر گرفتن پیچیدگی سیگنال و ویژگی های توزیع استفاده کرد. چانگ و همکاران.[13] یک مدل واحد عود دو طرفه ناهمگن جدید دو طرفه بر اساس ویژگی های چند دامنه را پیشنهاد کرد اما نتوانست گسلهای ضعیف اولیه و پیامدهای ویژگی ها را توضیح دهد ، و نتایج تحقیق تأیید کرد که یک ویژگی دامنه واحد در بیان گسل های تجهیزات به طور جامع مشکل دارد. با این حال ، کار گزارش شده در بیان روند تخریب زودهنگام در ماشین آلات مشکل دارد. بنابراین ، ارزیابی وضعیت دستگاه چرخان باید بر صحت رفتار غیرخطی ، پیچیدگی پاسخ اولیه سیستم و کامل بودن و اعتبار استخراج ویژگی ها متمرکز شود.

HI ساخت و ساز مبتنی بر روشهای فیوژن چند شاخص ، مانند تجزیه و تحلیل مؤلفه اصلی ، فاصله Mahalanobis و نقشه های خود سازماندهی ، در تعیین آستانه گسل پایداری و دشواری کم دارند [14] ، بنابراین بسیاری از محققان توسط ساخت HI متمرکز شده اند. روش همجوشی چند شاخص اتوماتیک بدون تجربه انسانی. یان و همکاران.[15] تکنیک های پردازش سیگنال ذوب شده و شبکه های مصنوعی برای به دست آوردن یک مدل کاملاً شفاف برای ساخت HI. اما یادگیری کم عمق در استخراج ویژگی های عمیق مشکل دارد. شبکه عصبی بهبود یافته (CNN) برای ساخت مستقیماً از سیگنال های ارتعاش اصلی و تجزیه و تحلیل روند آستانه [16] ، [17] توسعه یافته است. روشهای تحت نظارت برای برقراری رابطه بین نمونه ها و برچسب ها به تجربه انسانی قابل توجهی نیاز دارند. برخی از محققان روی روشهای بدون نظارت متمرکز شده اند که نیازی به در نظر گرفتن برچسب ندارند. در مورد دومی ، او و همکاران.[18] HI را بر اساس یک خودکار سازنده پراکنده ارائه داد. Xu و همکاران.[19] از یک شبکه اعتقاد عمیق برای ساخت HI استفاده کرد و از یک مدل حداقل نقطه محلی Sigmoid Zero برای بهبود صافی و یکنواختی منحنی HI استفاده کرد. پینگ و همکاران.[20] یک خودروساز متغیر با توزیع lognormal برای استخراج ویژگی های مؤثر پیشنهاد کرد. چن و همکاران.[21] یک روش ساخت HI از سلامت AutoEncoder Deep Convolution (CAE) را بر اساس عملکرد درجه دوم ارائه داد. ساخت HI بر اساس یادگیری عمیق می تواند به دو طبقه بندی تقسیم شود ، از جمله استخراج ویژگی های مصنوعی و استخراج ویژگی های اتوماتیک [14] ، [16]. دومی می تواند به طور خودکار HI را بدون مداخله انسانی بسازد. با این حال ، روشهای ساختمانی HI گزارش شده بیشتر از سیگنال ارتعاش اصلی به عنوان ورودی مدل استفاده می کنند ، و در نتیجه استخراج اطلاعات کافی و بیان ویژگی ناقص [22]. بنابراین ، ویژگی های مختلط چند دامنه را می توان برای استخراج ویژگی های مؤثر برای حل مشکل موجود در نظر گرفت.

چند دانشمند روش های فیوژن برای ساخت سلام را مطالعه کرده اند. روشهای فیوژن موجود مبتنی بر یادگیری عمیق ، رابطه بین ویژگی های CNN و AutoEncoder را در نظر می گیرند ، اما زمان بندی و ویژگی های توالی مورد مطالعه قرار نمی گیرد [23]. حافظه کوتاه مدت طولانی (LSTM) بر سری زمانی داده ها تمرکز دارد اما وابستگی بین ویژگی ها را نادیده می گیرد. روشهای همجوشی ویژگی بر اساس ویژگی های مکانی و زمانی به یک روند در پیش بینی ترافیک تبدیل شده است [24] ، تصاویر ماهواره ای سنجش از دور [25] و سایر زمینه ها. مشکل همجوشی ارتباط ویژگی های مکانی و زمانی داده ها یا ویژگی های سیگنال است. در تحقیقات پیش بینی گسل و تشخیص گسل ماشین آلات ، او و همکاران.[26] یک شبکه عصبی فیوژن فضا-زمانی را برای تشخیص گسل توربین های بادی ، که به طور مستقیم همبستگی مکانی-زمانی را از داده های اصلی SCADA آموخته است ، پیشنهاد کرد. یائو و همکاران.[27] یک CNN و LSTM موازی موازی دو کانال را برای بهبود کامل بیان در هنگام فیوز کردن ویژگی های فضایی- زمانی سیگنال معرفی کرد. چنگ و همکاران.[28] یک روش پیش بینی سلامت بلبرینگ را بر اساس CNN و LSTM دو طرفه بدون در نظر گرفتن ویژگی های جهانی مکانی و زمانی ارائه داد. روشهای فیوژن فضا-زمانی موجود فقط ویژگی های محلی منفرد یا روابط زمانی ساده را در نظر می گیرند ، اما تجزیه و تحلیل عمیق از ویژگی های چند فضا-زمانی مورد بررسی قرار نگرفته است. بنابراین ، اطلاعات فضایی-زمانی چند بعدی باید در ساخت HI در نظر گرفته شود.

روشهای ارزیابی وضعیت سلامت بر مدلهای ارزیابی مدل محور ، دانش محور و داده محور متمرکز است. مدلهای مدل محور با روشهای ریاضی تحلیلی ایجاد می شوند ، که ساخت مدل های دقیق تخریب تجهیزات را با توجه به شرایط مختلف عملیاتی دشوار می کند [29] ، [30]. مدلهای دانش محور رابطه نقشه برداری بین ویژگی های تخریب و وضعیت سلامت را از طریق تجزیه و تحلیل استنتاج بر اساس تجربه متخصص ایجاد کرده اند ، اما مستعد دخالت انسان است [31] ، [32]. مدل داده محور از داده های عملکرد تجهیزات برای ایجاد رابطه غیرخطی بین خصوصیات تخریب و وضعیت سلامت بدون در نظر گرفتن تجربه انسانی استفاده می کند ، اما این روش ها در برابر محدودیت های نمونه یا تعمیم مدل ضعیف آسیب پذیر هستند [33] ، [34] ، [35]. علاوه بر این ، روشهای ارزیابی وضعیت سلامت مبتنی بر یادگیری عمیق می توانند با تنظیم خودکار پارامترها ، دقت مدل را بهبود بخشند ، اما فاقد تفسیر هستند [9]. بنابراین ، روشهای ارزیابی وضعیت بهداشت باید در نظر گرفته شود تا روشی با توانایی عمومی سازی قوی ایجاد شود.

• .
• (2) یک روش ساخت و ساز HI بدون نظارت رمان با ادغام مزایای توجه به خود (SA) ، LSTM و یک اتوآنکودر بهبود یافته (ICAE) ، به نام Sclicae ، برای فیوز ویژگی های مختلط چند دامنه پیشنهاد شده است.
• (3) مدل تقویت شیب شدید (XGBoost) برای ارزیابی وضعیت سلامت ماشین آلات در حال چرخش استفاده می شود و الگوریتم بهینه سازی ترن Sooty (STOA) برای بهینه سازی خودکار پارامترهای XGBOOST استفاده می شود ، که باعث بهبود توانایی مدل در تجزیه و تحلیل و ارزیابی می شود. حالت تخریب ماشین آلات چرخان.
• (4) برای تأیید اثربخشی رویکرد پیشنهادی ، پایگاه داده یاتاقان استاندارد دانشگاه Xian Jiaotong و داده های تخریب پلت فرم کاهش دهنده اجرا و تجزیه و تحلیل می شوند.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 چارچوب روش پیشنهادی را با جزئیات شرح می دهد. بخش 3 فرایند اجرای روش پیشنهادی را معرفی می کند. بخش 4 اثربخشی Sclicae توسط مجموعه داده های بلبرینگ استاندارد را تأیید می کند. بخش 5 اعتبار سنجی Sclicae توسط بستر کاهش دهنده را تجزیه و تحلیل می کند. سرانجام ، بخش 6 این مقاله را خلاصه می کند و کارهای آینده را ارائه می دهد.

قطعه قطعه

چارچوب ارزیابی وضعیت سلامت برای ماشین آلات چرخان

چارچوب ارزیابی وضعیت سلامت برای ماشین آلات چرخان شامل چهار جنبه از جمله ادراک سیگنال و پردازش سیگنال ، استخراج ویژگی ها و انتخاب ، ساخت HI و آموزش مدل ارزیابی وضعیت است. چارچوب خاص در شکل 1 نشان داده شده است.

فرآیند ارزیابی وضعیت سلامت برای ماشین آلات چرخان

• (1) پیش پردازش داده. پارامترهای مانیتورینگ را تعیین کرده و از روش آستانه موجک برای استفاده از داده های اصلی استفاده کنید.
• (2) استخراج و انتخاب ویژگی. ویژگی های چند دامنه عصاره ، از جمله دامنه زمانی ، دامنه فرکانس ، دامنه فرکانس زمان ، آنتروپی پیچیدگی و ویژگی های RS را انتخاب کنید و ویژگی ها را با جمع بندی وزنی چند شاخص بالاتر انتخاب کنید.
• (3) سلام ساخت.

تأیید اثربخشی روش پیشنهادی توسط یاتاقان ها

یاتاقان های نورد مؤلفه های مهم ماشین آلات چرخان هستند و وضعیت سلامتی آنها به طور مستقیم بر ایمنی و قابلیت اطمینان تأثیر می گذارد. برای تأیید اثربخشی رویکرد پیشنهادی ، مجموعه داده های بلبرینگ دانشگاه Xian Jiaotong اجرا و تجزیه و تحلیل می شود.

تجزیه و تحلیل اعتبار سنجی روش پیشنهادی توسط بستر کاهش دهنده

یک کاهش دهنده ماشین آلات چرخشی معمولی از جمله یاتاقان های نورد ، چرخ دنده ها و شفت ها است. برای تأیید بیشتر کاربردی روش پیشنهادی ، مجموعه داده تخریب کاهش دهنده جمع آوری شده توسط پلت فرم کاهش دهنده ساخته شده در آزمایشگاه ما استفاده و تجزیه و تحلیل می شود.

نتیجه

در این مقاله یک روش فیوژن فضا-زمانی بر اساس ویژگی های مختلط چند دامنه برای ساخت روش ارزیابی HI و وضعیت برای ماشین آلات چرخان ارائه شده است. در چارچوب روش پیشنهادی ، اثربخشی با آزمایش ها مقایسه می شود. برای ارزیابی وضعیت بلبرینگ ، دقت 98. 8 ٪ بر اساس مجموعه داده بلبرینگ XJTU-SY است. برای ارزیابی وضعیت کاهش دهنده دنده ، دقت بر اساس مجموعه داده تخریب کاهش دهنده ساخته شده در آزمایشگاه ما ، 99. 3 ٪ است. در آینده ، سلام

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

نویسندگان دوست دارند بنیاد ملی علوم طبیعی چین را تصدیق کنند (کمک های مالی 51834006 ، 51875451). بنیاد علوم فوق دکتری چین (شماره 2022MD713793).

یونگ دوان لیسانس خود را دریافت کرد. مدرک و کارشناسی ارشدمدرک دانشگاه علوم و فناوری Xian (XUST) ، Xian Shaanxi ، چین ، به ترتیب در سال 2017 و 2020. وی در حال حاضر دکتری است. نامزد دانشکده مهندسی مکانیک ، Xust. وی در تحقیق و توسعه سیستم تست ویژگی قدرت شرکت کرد. وی در پنج سال گذشته 4 مقاله دانشگاهی را در مجلات و کنفرانس ها منتشر کرده است.