-
作者
李曼潘楠楠段雍曹现刚
-
单位
西安科技大学机械工程学院陕西省矿山机电装备智能监测重点实验室
-
摘要
煤矿设备监测参数为时间序列数据，其时序特征对健康评估的影响较大。针对传统机械设备健康评估中存在的信号时空特性提取不完备、人为经验依赖程度高、设备早期状态变化评估难等问题，建立了基于二维数组的长短期记忆降噪卷积自编码器（2D-LSTMDCAE）模型，并提出了基于2D-LSTMDCAE的煤矿旋转机械健康指标（HI）构建及状态评估方法。将一维振动数据转换为二维数组，通过二维卷积网络模型充分学习原始数据中所包含的信息，增强模型对数据特征的学习能力；将样本并行输入卷积和长短期记忆（LSTM）单元，以获取完备的信号时空特征；构建无监督学习的降噪卷积自编码器（DCAE）模型并进行样本重构，采用Bray-Curtis距离计算原始样本与重构样本间相似度，得到HI，解决设备运行过程中状态标签难以获取的问题，提升模型在强背景噪声中的适应能力。使用XJTU-SY轴承数据集验证2D-LSTMDCAE模型的特征学习能力，并采用相关性和单调性2个指标评价基于HI的状态评估方法，测试结果表明：二维输入样本构建方法及学习数据时序特征的HI构建方法对轴承的性能退化更敏感，2D-LSTMDCAE模型能够更早地检测到设备的早期故障，在测试轴承上相比于LSTMDCAE和DCAE模型构建的HI及均方根平均提前了约7 min；与LSTMDCAE和DCAE模型构建的HI、均方根相比，2D-LSTMDCAE模型构建的HI的相关性和单调性均较高，能更好地反映轴承的退化情况。采用减速器加速退化实验数据进行健康评估实验，在测试减速器上，相比于均方根指标，通过2D-LSTMDCAE模型构建的HI能够提前8 min发现早期故障，且HI相关性提高了0.007，单调性提高了0.211，能够更好地反映减速器的退化情况。
-
关键词
煤矿旋转机械状态评估健康指标信号时空特征长短期记忆降噪卷积自编码器2D-LSTMDCAE
-
基金项目(Foundation)
国家自然科学基金项目（51875451）；
-
文章目录
0 引言
1 基于2D-LSTMDCAE的HI构建及状态评估方法
1.1 模型构建
1.1.1 LSTM网络
1.1.2 CAE
1.1.3 LSTMDCAE模型
1.2 基于2D-LSTMDCAE的HI构建方法
1.2.1 输入样本构建
1.2.2 HI构建
2 模型验证
2.1 数据集选取与样本构建
2.2 轴承HI曲线构建与分析
2.3 HI评价
2.4 模型对比
3 实验验证
3.1 实验台搭建与数据采集
3.2 减速器HI构建与分析
4 结论
-
引用格式
李曼,潘楠楠,段雍,曹现刚.煤矿旋转机械健康指标构建及状态评估[J].工矿自动化,2022,48(09):33-41.DOI:10.13272/j.issn.1671-251x.18004.
-
相关文章
-
相关专题
工矿自动化 
2022年第09期 
