论文部分内容阅读
滚动轴承作为机械设备的关键支撑部件，由于长期在复杂工况下运行，极易产生各种故障，导致机械设备工作状况恶化。随着传感技术的迅速发展，对机械设备运行过程中顺序、大量、快速且持续到达的流数据进行不停机故障检测变得尤为重要，具有明确的学术价值和应用需求。然而，对于滚动轴承在线异常检测问题，目前仍存在以下问题：1)检测模型无法适应在线数据的轻微波动，使得检测模型将正常样本误判为异常，从而引起较高的误报警率；2)在强噪声背景下提取弱信号难度较大，且受工作环境、设备状况等因素的影响，数据分布存在差异，基于离线工况数据训练得到的检测模型在在线工况数据上表现效果较差，从而降低检测模型鲁棒性。
基于此，本文根据滚动轴承在线异常检测的需求与特点，在理论上引入增量式学习方法、注意力机制以及迁移学习方法，分别从适应在线数据不规则波动和提取强噪声背景下跨工况轴承在线异常检测特征入手，以降低检测结果误报警率为目标，提高轴承在线异常检测效果。主要工作和贡献如下：
(1)针对传统异常检测方法无法自适应在线数据轻微波动的问题，本文提出了一种增量式加权支持向量数据描述(Incremental Weighted Support Vector Data Description, IW-SVDD)算法，用于滚动轴承的在线异常检测。首先，基于已有在线数据训练一个初始SVDD检测模型，并对贯序到达的在线数据进行预检测；其次，为了使检测模型能够适应在线数据的轻微波动，本文设计了一种样本状态判定(Sample State Determination, SSD)策略，该策略将在线数据划分为异常首次出现、异常连续出现、异常消失以及异常重复出现四种状态，并根据相应状态对样本赋予相应的权值；然后，使用预检测结果中违背了KKT条件的异常样本，等量替换掉原始检测模型的训练集最早期的样本，从而对训练集进行在线更新，并重新训练模型；最后，通过再训练后的SVDD检测模型对在线数据进行再检测，并得到检测结果。在IEEEPHM2012挑战赛数据集上进行对比实验，结果表明，IW-SVDD模型能在保证检测的准确率的前提下，有效降低检测结果的误报警率。
(2)针对强噪声背景下故障特征提取难度大且跨工况数据分布不一致的问题，本文提出了一种面向滚动轴承在线异常检测的深度迁移学习方法，用于跨工况下滚动轴承在线异常检测。首先，将监测信号处理成由原始信号-边际谱-频谱组成的三通道形式；其次，通过在残差注意力模块中增加不同尺寸的滤波器，并使用卷积-反卷积来重构输入信息，构建了一种多尺度残差注意力模块，用于提取对异常数据表征能力更强的注意力特征；最后，在所提取到的注意力特征基础上，构建基于交叉熵和最大均值差异正则化约束的损失函数，实现领域适配，并采用随机梯度下降算法对网络模型的参数进行优化求解，最终构建端到端的异常检测模型。在IEEEPHM2012挑战赛数据集上的实验结果表明，与5种代表性的异常检测和诊断方法相比，本文方法能够在不延迟报警时间点的前提下，有效降低误报警。
本文工作不仅适用于滚动轴承同时也可以扩展到其他类型的旋转机械，为各类旋转机械的在线健康管理和状态监控提供了新的解决方案，具有显著的理论价值与实际工程应用价值。
基于此，本文根据滚动轴承在线异常检测的需求与特点，在理论上引入增量式学习方法、注意力机制以及迁移学习方法，分别从适应在线数据不规则波动和提取强噪声背景下跨工况轴承在线异常检测特征入手，以降低检测结果误报警率为目标，提高轴承在线异常检测效果。主要工作和贡献如下：
(1)针对传统异常检测方法无法自适应在线数据轻微波动的问题，本文提出了一种增量式加权支持向量数据描述(Incremental Weighted Support Vector Data Description, IW-SVDD)算法，用于滚动轴承的在线异常检测。首先，基于已有在线数据训练一个初始SVDD检测模型，并对贯序到达的在线数据进行预检测；其次，为了使检测模型能够适应在线数据的轻微波动，本文设计了一种样本状态判定(Sample State Determination, SSD)策略，该策略将在线数据划分为异常首次出现、异常连续出现、异常消失以及异常重复出现四种状态，并根据相应状态对样本赋予相应的权值；然后，使用预检测结果中违背了KKT条件的异常样本，等量替换掉原始检测模型的训练集最早期的样本，从而对训练集进行在线更新，并重新训练模型；最后，通过再训练后的SVDD检测模型对在线数据进行再检测，并得到检测结果。在IEEEPHM2012挑战赛数据集上进行对比实验，结果表明，IW-SVDD模型能在保证检测的准确率的前提下，有效降低检测结果的误报警率。
(2)针对强噪声背景下故障特征提取难度大且跨工况数据分布不一致的问题，本文提出了一种面向滚动轴承在线异常检测的深度迁移学习方法，用于跨工况下滚动轴承在线异常检测。首先，将监测信号处理成由原始信号-边际谱-频谱组成的三通道形式；其次，通过在残差注意力模块中增加不同尺寸的滤波器，并使用卷积-反卷积来重构输入信息，构建了一种多尺度残差注意力模块，用于提取对异常数据表征能力更强的注意力特征；最后，在所提取到的注意力特征基础上，构建基于交叉熵和最大均值差异正则化约束的损失函数，实现领域适配，并采用随机梯度下降算法对网络模型的参数进行优化求解，最终构建端到端的异常检测模型。在IEEEPHM2012挑战赛数据集上的实验结果表明，与5种代表性的异常检测和诊断方法相比，本文方法能够在不延迟报警时间点的前提下，有效降低误报警。
本文工作不仅适用于滚动轴承同时也可以扩展到其他类型的旋转机械，为各类旋转机械的在线健康管理和状态监控提供了新的解决方案，具有显著的理论价值与实际工程应用价值。