CN113850161B - 基于lstm深度降噪自编码器的飞轮故障识别方法 - Google Patents
基于lstm深度降噪自编码器的飞轮故障识别方法 Download PDFInfo
- Publication number
- CN113850161B CN113850161B CN202111057906.3A CN202111057906A CN113850161B CN 113850161 B CN113850161 B CN 113850161B CN 202111057906 A CN202111057906 A CN 202111057906A CN 113850161 B CN113850161 B CN 113850161B
- Authority
- CN
- China
- Prior art keywords
- signal
- flywheel
- rotating speed
- matrix
- noise reduction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000009467 reduction Effects 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提出了一种基于LSTM深度降噪自编码器的飞轮故障识别方法。首先,采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,使用极值包络线移动平均或小波降噪处理原始信号,并结合滑动窗口法分别构建电流信号样本、力矩信号样本和转速信号样本;然后,以LSTM单元为基础分别构建三个独立的深度降噪自编码器网络,利用电流信号样本、力矩信号样本和转速信号样本分别训练三个网络。接着,基于网络输出生成信号残差,提取信号残差特征。最后,引入网格搜寻法确定SVM最优参数,使用SVM完成飞轮故障识别。在网络训练时仅使用正常状态下采集的信号,训练完成后可直接将监测信号输入到模型中,完成故障辨识。本发明的技术可以实现飞轮故障的准确识别。
Description
技术领域
本发明属于卫星飞轮故障诊断技术,具体涉及一种基于LSTM深度降噪自编码器的飞轮故障识别方法。
背景技术
飞轮是一种旋转刚体,通过电机驱动达到不同转速,产生不同动量矩。由于其长寿命、高精度和多用途的优点,已经成为当前高精度姿态控制卫星中最常见的执行器之一。飞轮利用自身角动量变化产生反作用力矩,从而使卫星姿态发生改变,对于完成指定姿态调整、抵抗外界扰动和保证卫星平稳运行至关重要。
然而,飞轮所处的工作环境十分严酷,受到太空温差、宇宙射线、电磁风暴和磁场引力等诸多因素干扰,在长期运行过程中容易发生故障,若不能及时识别并解决故障,就会引起卫星姿态失稳,对卫星安全运行造成威胁。因此,既需要不断改进飞轮制作工艺,提高其可靠性,也要求我们必须实时对飞轮各个参量进行监测,了解飞轮运行状态,避免不必要的安全事故发生。
飞轮是一种复杂非线性系统,监测参量多、数据量大。传统的基于模型的状态估计法,通过建立飞轮的数学模型,采用观测器和滤波器对飞轮误差和故障进行估计,依此对飞轮状态进行识别,但已无法适用于飞轮监测参量众多、信号量庞大的情形。所以,基于支持向量机、反向传播神经网络、卷积神经网络和长短时记忆网络等数据驱动的故障识别方法逐渐成为主流。在实际使用过程中,支持向量机处理多模式故障识别问题时存在困难,且对参数选择敏感,需要与其它方法共同使用;反向传播神经网络在训练时存在梯度爆炸或消失的现象,同时对复杂数据的表征能力有限;卷积神经网络虽可较好地提取数据特征,但要求输入数据为二维甚至更高维,限制了卫星监测一维时间序列信号的使用;长短时记忆网络存可以学习时间序列中的历史信息,但是对非线性噪声鲁棒性差。因此,需要提出一种飞轮故障识别方案,学习监测信号中的故障信息,增强对噪声干扰的鲁棒性,提高卫星飞轮故障识别精度。
发明内容
本发明的目的在于提出一种基于LSTM深度降噪自编码器的飞轮故障识别方法,使用极值包络线移动平均或小波降噪处理原始信号,并结合滑动窗口法分别构建电流信号样本、力矩信号样本和转速信号样本,然后,以LSTM单元为基础分别构建三个独立的深度降噪自编码器网络,利用电流信号样本、力矩信号样本和转速信号样本分别训练三个网络。基于网络输出生成信号残差,提取信号残差特征。最后,引入网格搜寻法确定SVM最优参数,使用SVM完成飞轮故障识别。利用本发明中提出的方法,将基于LSTM的深度降噪自编码器网络与SVM相结合,构建飞轮故障识别模型,实现卫星飞轮运行状态的准确识别。
实现本发明目的的技术解决方案为:一种基于LSTM深度降噪自编码器的飞轮故障识别方法,采用极值包络线移动平均或小波降噪处理采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,以LSTM单元为基础搭建深度降噪自编码器网络,对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行重构,计算深度降噪自编码器网络输出与输入信号的残差并提取特征,利用SVM 完成飞轮故障识别,具体步骤如下:
步骤1、采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,构建原始信号集,转入步骤2。
步骤2、飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理,对应得到电流信号和力矩信号,同时飞轮转速信号通过小波降噪方法进行预处理,得到转速信号,转入步骤3。
步骤3、采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割,对应获得电流信号样本、力矩信号样本和转速信号样本,转入步骤4。
步骤4、利用LSTM单元分别搭建三个深度降噪自编码器网络,使用电流信号样本训练第一个网络,力矩信号样本训练第二个网络,转速信号样本训练第三个网络,转入步骤5。
步骤5、分别计算三个网络对应的输出与输入之间的残差,对应得到电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵,将电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵合并构成信号残差矩阵,转入步骤6。
步骤6、分析信号残差矩阵中的残差特性,提取残差特征,构成特征矩阵,转入步骤7。
步骤7、使用特征矩阵训练SVM,引入网格搜索法确定SVM最优参数,转入步骤8。
步骤8、根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型,通过模型实现飞轮故障识别。
本发明与现有技术相比,其显著优点在于:
(1)采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行综合分析和研究,相比于仅使用单一参量信号进行研究,能够获取更全面的飞轮运行状态信息,提高了监测信号的利用率,有效地解决了传统方法飞轮故障识别精度低的问题。
(2)分析了监测信号的特点,针对不同信号采用了对应的预处理方法,使用极值包络线移动平均方法处理变化幅度大、噪声多的飞轮电机电流信号和飞轮输出力矩信号,使用小波降噪方法处理具有一定变化规律的飞轮转速信号,既保留了信号的变化趋势和特征信息,也消除了噪声的干扰,提高了后续网络模型的特征学习能力和信号重构能力。
(3)采用滑动窗口方法处理信号,获得可直接输入网络模型的数据形式,避免了使用传统时间序列处理方法导致的单个样本过长问题,在增加了样本数量的同时,保留了信号的时间关联性,有利于信号特征提取,有效解决了传统方法无法有效利用长时间序列信号样本的弊端。
(4)利用LSTM单元搭建了深度降噪自编码器网络,使得网络模型具有重构时间序列、提取历史信息的能力,同时,得益于对输入信号的差异化预处理,模型具备降噪能力,有效解决了使用传统模型进行飞轮故障识别时,噪声、未知干扰导致识别结果低和无法提取时间序列信号历史信息的问题,大大提高了识别精度。
附图说明
图1为本发明基于LSTM深度降噪自编码器的飞轮故障识别方法的流程图。
图2为本发明中滑动窗口法处理流程示意图。
图3为采用本发明中基于LSTM深度降噪自编码器的飞轮故障识别方法进行故障识别提取的特征点图。
图4为仅使用单一参量信号进行故障识别时提取的特征点图。
图5为采用传统降噪自编码器网络进行故障识别时提取的特征点图。
图6为采用本发明提出的基于LSTM深度降噪自编码器的飞轮故障识别方法识别飞轮测试数据时,实际类别与判断类别的对比图。
具体实施方式
结合图1,一种基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于:采用极值包络线移动平均或小波降噪处理采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,以LSTM单元为基础分别搭建三个深度降噪自编码器网络,对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行重构,计算深度降噪自编码器网络输出与输入信号的残差并提取特征,利用SVM完成飞轮故障识别,具体包括以下步骤:
步骤1:采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,构建原始信号集。
采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号时,卫星处于稳定姿态,飞轮工作状态为抵抗空间力矩干扰的姿态保持过程,且飞轮未发生故障,并按照指定的采样时间周期对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行采样。
原始信号集为飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号组成的信号矩阵,记为X:
X=[XI,XT,Xω]T
式中XI、XT和Xω分别为飞轮电机电流信号向量、飞轮输出力矩信号向量和飞轮转速信号向量,信号长度均为l。
传统故障识别模型采用单一参量进行飞轮故障识别时,其获取的状态信息和特征往往不够完整,无法准确反映飞轮真实运行状态,而同时使用多种参量,如飞轮电机电流、飞轮输出力矩和飞轮转速三种参量进行故障识别时,能够获取更全面的飞轮运行状态信息,提高了监测信号的利用率,有效地解决了传统方法飞轮故障识别精度低的问题。
转入步骤2。
步骤2:飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理,对应得到电流信号和力矩信号,同时飞轮转速信号通过小波降噪方法进行预处理,得到转速信号,具体如下:
2-1)分别将电机电流、输出力矩和转速信号进行归一化处理,使用离差归一化方法,即min-max归一化方法,转换函数表达式为:
式中,原始信号集中的一种信号xraw=[x1,x2,...,xi...,xl],l为信号长度,xi' 为归一化后的信号,信号的序号i∈(1,2,...,l),max(·)和min(·)分别为最大值函数、最小值函数;转到步骤2-2)。
2-2)判断归一化后的信号是否为飞轮转速信号,如果是,转到步骤2-3),如果不是,转到步骤2-4)。
2-3)采用小波降噪方法处理飞轮转速信号,小波分解层数为“layer_wavelet”,小波基函数为“func_wavelet”,得到预处理后的转速信号向量X'ω。
2-4)采用极值包络线移动平均方法处理上述信号,以长度m为间隔,将信号等分为b个分段,m为极值包络线分段窗口长度,b为信号分段数量;转到步骤2-5)。
2-5)取任意一段分段信号,分别求该分段信号的最大值和最小值,作为该分段信号的上包络线值和下包络线值,计算上包络线值与下包络线值之差,差值 xj定义为:
xj=max(xp)-min(xp)
式中,分段信号xp=[x′1+j×m,x'2+j×m,...,x'm+j×m],分段信号的序号 j∈(0,1,...,b-1),用差值替换分段信号内所有值;转到步骤2-6)。
2-6)重复步骤2-5)直至该信号的所有分段都完成替换;转到步骤2-7)。
2-7)设置移动窗口长度为n,对替换后的整个信号求简单移动平均值xn+1,计算公式为:
式中,m≤n≤l;转到步骤2-8)。
2-8)重复步骤2-4)~2-7)直到获得预处理后的电机电流信号向量X′I和输出力矩信号向量X'T。
由于飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号中包含大量环境噪声、力矩噪声与电机干扰信号,直接运用于诊断模型得到的结果往往较差,因此需要“降噪”处理。步骤2中对不同信号进行分析,分别采取不同的“降噪”方法处理,使用极值包络线移动平均方法处理变化幅度大、噪声多的飞轮电机电流信号和飞轮输出力矩信号,使用小波降噪方法处理具有一定变化规律的飞轮转速信号,既保留了信号的变化趋势和特征信息,也消除了噪声的干扰,提高了后续网络模型的特征学习能力和信号重构能力。
转入步骤3。
步骤3:采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割,对应获得电流信号样本、力矩信号样本和转速信号样本。
滑动窗口法分割时间序列信号大致流程如图2所示,具体步骤为:
3-1)选择电流信号、力矩信号和转速信号任意一种信号,设置滑动窗口的起始索引为Q,且初始值设置为1,设置滑动窗口长度为w,设置滑动窗口移动步长为s,且w>s,l为信号长度。
3-2)以信号的第Q个值为起点值,以信号的第Q+w-1个值为终点值,将此区间内的w个值作为第Q个信号样本。
3-3)将Q值增加s。
3-4)判断Q+w-1是否大于l,如果大于l,则返回3-1)对剩余的信号进行分割,三种信号分割完毕,获得电机电流信号矩阵ZI、输出力矩信号矩阵ZT和转速信号矩阵Zω,转到步骤4;如果不大于l,转到步骤3-2)。
采集的信号为时间序列信号,将其直接运用到神经网络模型中存在单个样本长度过大的问题,样本分隔方式不当还会导致信号丢失关键信息。采用滑动窗口方法处理信号既保留了时间序列信号的时间关联性,也减小了样本长度,增加了样本数量,解决了传统方法无法有效利用信号样本的弊端。
步骤4:利用LSTM单元分别搭建三个深度降噪自编码器网络,使用电流信号样本训练第一个网络,力矩信号样本训练第二个网络,转速信号样本训练第三个网络,具体如下:
4-1)利用LSTM单元搭建深度降噪自编码器网络,网络层数为“layer_net”,从第一层到最后一层,每层包含的LSTM单元个数为“node_1”、“node_2”、,,,、“node_layer_net”,每层采用的激活函数为“func_net”,网络采用优化算法为“optimizer”,损失函数为“loss”。
4-2)采用某一参量信号样本训练基于LSTM的深度降噪自编码器网络。
4-3)重复步骤4-1)和步骤4-2),直到电流子网络、力矩子网络和转速子网络都训练完毕,且分别得到各个网络输出的信号重构矩阵:电流子网络输出的电流信号重构矩阵力矩子网络输出的力矩信号重构矩阵和转速子网络输出的转速信号重构矩阵
基于模型的飞轮故障识别方法无法有效提取时间序列信号中的历史信息,而传统神经网络方法无法有效解决信号中的噪声和干扰问题。基于LSTM的深度降噪自编码器网络则借鉴了传统降噪自编码器网络重构信号、LSTM学习时序长序列信息的优点,不仅具有重构时间序列、提取历史信息的能力,还具备一定降噪能力,有效地提升了飞轮故障识别精度,解决了使用基于模型的飞轮故障识别方法进行飞轮故障识别时,无法提取时间序列信号历史信息的问题,及使用传统神经网络方法进行飞轮故障识别时,噪声、未知干扰导致识别结果低的弊端。
转入步骤5。
步骤5:分别计算三个网络对应的输出与输入之间的残差,对应得到电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵,将电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵合并构成信号残差矩阵R:
R=[RI,RT,Rω]T
式中,电流信号残差矩阵
力矩信号残差矩阵
转速信号残差矩阵
由于用于训练模型的数据为飞轮正常状态下采集的信号,训练完毕的模型对故障信号的重构误差比正常信号的重构误差大,网络输入和输出之间的残差包含可区分故障状态的特征,计算残差后就可进行后续特征提取,实现飞轮故障识别。
转入步骤6。
步骤6:分析信号残差矩阵中的残差特性,提取残差特征,构成特征矩阵。
分别提取残差矩阵中电流信号残差、力矩信号残差和转速信号残差的最大值 M、均值μ、标准差σ2、裕度L、峰值因子Cf和波形因子WS作为特征,构成特征矩阵,记为r:
r=[rI,rT,rω]T
式中,电流信号特征矩阵 rI=[M(RI),μ(RI),σ2(RI),L(RI),Cf(RI),WS(RI)];
力矩特征矩阵rT=[M(RT),μ(RT),σ2(RT),L(RT),Cf(RT),WS(RT)];
转速特征矩阵rω=[M(Rω),μ(Rω),σ2(Rω),L(Rω),Cf(Rω),WS(Rω)];
记r'为特征矩阵r中某一参量的残差向量,r'=[r1,r2,...,ra...,rl],信号的序号a∈(1,2,...,l),其中l为该样本的信号长度,则特征提取过程如下:
M(r')=max(ra);
μ(r')=E(ra);
式中,E(·)为均值函数。
特征中的最大值体现了信号的个体特征,均值和标准差体现了信号的统计特征,而裕度、峰值因子和波形因子体现了信号的冲击强度。综合最大值、均值、标准差、裕度峰值因子和波形因子,可以有效提取信号中众多故障信息。
转入步骤7。
步骤7:使用特征矩阵训练SVM,引入网格搜索法确定SVM最优参数。
将特征矩阵r输入到SVM中训练,确定参数范围,使用网格搜索法寻找最优参数,采用5折交叉验证。
SVM是一种实现数据二分类或多分类的有监督学习算法,在处理多维、小样本数据时具有很大优势,但对参数选择很敏感,引入网格搜索法,并结合5 折交叉验证,可得到模型最优参数。
转入步骤8。
步骤8:根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型,模型结构如图1所示,采用模型实现飞轮故障识别,具体如下:
将待识别飞轮的飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号输入基于LSTM深度降噪自编码器的飞轮故障识别模型,获得模型输出标签,根据输出标签判断飞轮故障类别:输出标签为0,则飞轮正常;输出标签为1,则飞轮发生电机增益故障;输出标签为2,则飞轮发生摩擦增大故障。
利用本发明提出的方法实现飞轮故障识别,解决了飞轮故障识别精度低的问题,将此方法运用于在轨卫星飞轮故障检测,可准确识别飞轮故障,及时制定合理的故障隔离策略,提高卫星在轨运行的稳定性和安全性。
实施例1
为了说明本发明的技术方案及技术目的,下面结合附图及具体实施例对本发明做进一步的介绍。
结合图1,本发明提出的一种基于LSTM深度降噪自编码器的飞轮故障识别方法,包括以下步骤:
步骤1:采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,构建原始信号集。
采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号时,卫星处于稳定姿态,飞轮工作状态为抵抗空间力矩干扰的姿态保持过程,且飞轮未发生故障,并按照采样时间周期0.01s对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行采样。
原始信号集为飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号组成的信号矩阵,记为X:
X=[XI,XT,Xω]T
式中XI、XT和Xω分别为飞轮电机电流信号向量、飞轮输出力矩信号向量和飞轮转速信号向量,信号总长度均为330000。
转入步骤2。
步骤2:飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理,对应得到电流信号和力矩信号,同时飞轮转速信号通过小波降噪方法进行预处理,得到转速信号,具体如下:
2-1)分别将电机电流、输出力矩和转速信号进行归一化处理,使用离差归一化方法,即min-max归一化方法,转换函数表达式为:
式中,原始信号集中的一种信号xraw=[x1,x2,...,xi...,x5000],单次采样信号长度为5000,x′i为归一化后的信号,信号的序号i∈(1,2,...,5000),max(·)和 min(·)分别为最大值函数、最小值函数;转到步骤2-2)
2-2)判断归一化后的信号是否为飞轮转速信号,如果是,转到步骤2-3),如果不是,转到步骤2-4);
2-3)采用小波降噪方法处理飞轮转速信号,小波分解层数为4,小波基函数为“db30”,得到预处理后的转速信号向量X'ω。
2-4)采用极值包络线移动平均方法处理上述信号,将极值包络线分段窗口长度设置为100,以100为间隔,将信号等分为50个分段;转到步骤2-5);
2-5)取任意一段分段信号,分别求该分段信号的最大值和最小值,作为该分段信号的上包络线值和下包络线值,计算上包络线值与下包络线值之差,差值 xj定义为:
xj=max(xp)-min(xp)
式中,分段信号xp=[x′1+j×100,x'2+j×100,...,x'm+j×100],分段信号的序号j∈(0,1,...,49),用差值替换分段信号内所有值;转到步骤2-6);
2-6)重复步骤2-5)直至该信号的所有分段都完成替换;转到步骤2-7);
2-7)设置移动窗口长度为800,对信号求简单移动平均值,计算公式为:
转到步骤2-8)。
2-8)重复步骤2-4)~2-7)直到获得预处理后的电机电流信号向量XI'和输出力矩信号向量X'T。
转入步骤3。
步骤3:采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割,对应获得电流信号样本、力矩信号样本和转速信号样本,具体步骤为:
3-1)选择电流信号、力矩信号和转速信号任意一种信号,设置滑动窗口的起始索引为Q,且初始值设置为1,设置滑动窗口长度为50,设置滑动窗口移动步长为10,信号长度为5000;
3-2)以信号的第Q个值为起点值,以信号的第Q+49个值为终点值,将此区间内的50个值作为第Q个信号样本;
3-3)将Q值增加10;
3-4)判断Q+49是否大于5000,如果大于5000,则返回3-1)对剩余的信号进行分割,三种信号分割完毕,获得电机电流信号矩阵ZI、输出力矩信号矩阵 ZT和转速信号矩阵Zω,转到步骤4;如果不大于5000,转到步骤3-2)。。
步骤4:利用LSTM单元分别搭建三个深度降噪自编码器网络,使用电流信号样本训练第一个网络,力矩信号样本训练第二个网络,转速信号样本训练第三个网络,具体如下:
4-1)利用LSTM单元搭建深度降噪自编码器网络,网络层数为4,从第一层到最后一层,每层包含的LSTM单元个数为50、50、50和50,每层采用的激活函数为线性整流函数,即Relu函数,网络采用优化算法为Adam算法,损失函数为均方误差函数。
4-2)采用某一参量信号样本训练基于LSTM的深度降噪自编码器网络。
4-3)重复步骤4-1)和步骤4-2),直到电流子网络、力矩子网络和转速子网络都训练完毕,且分别得到各个网络输出的重构信号:电流子网络输出的电流信号重构矩阵力矩子网络输出的力矩信号重构矩阵和转速子网络输出的转速信号重构矩阵
转入步骤5。
步骤5:分别计算三个网络对应的输出与输入之间的残差,对应得到电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵,将电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵合并构成信号残差矩阵R:
R=[RI,RT,Rω]T
式中,电流信号残差矩阵
力矩信号残差矩阵
转速信号残差矩阵
转入步骤6。
步骤6:分析信号残差矩阵中的残差特性,提取残差特征,构成特征矩阵。
分别提取残差矩阵中电流信号残差、力矩信号残差和转速信号残差的最大值 M、均值μ、标准差σ2、裕度L、峰值因子Cf和波形因子WS作为特征,构成特征矩阵,记为r:
r=[rI,rT,rω]T
式中,电流信号特征矩阵 rI=[M(RI),μ(RI),σ2(RI),L(RI),Cf(RI),WS(RI)];
力矩特征矩阵rT=[M(RT),μ(RT),σ2(RT),L(RT),Cf(RT),WS(RT)];
转速特征矩阵rω=[M(Rω),μ(Rω),σ2(Rω),L(Rω),Cf(Rω),WS(Rω)];
记r'为特征矩阵r中某一参量的残差向量的一个样本, r'=[r1,r2,…,ra…,r5000],信号的序号a∈(1,2,…,5000),其中5000为该样本的信号长度,则特征提取过程如下:
M(r')=max(ra);
μ(r')=E(ra);
式中,E(·)为均值函数。
针对飞轮的三种状态:正常、电机增益故障和摩擦增大故障,使用本发明提出的基于LSTM深度降噪自编码器网络对三种参量信号进行学习,得到的特征如图3所示,图4是仅使用单一参量信号进行学习的得到的特征图,图5是使用传统降噪自编码器网络对3种参量信号学习得到的特征图。对比图3和图4,可看出仅使用一种参量进行特征提取时,不同状态的数据点出现大面积重合,无法有效区分;对比图3和图5,可看出传统方法无法有效区分正常状态和摩擦增大故障2种状态,而本发明提出的基于LSTM深度降噪自编码器的飞轮故障识别方法,除存在少部分特征点重合外,可以识别出飞轮的不同状态。
转入步骤7。
步骤7:使用特征矩阵训练SVM,引入网格搜索法确定SVM最优参数。
将特征矩阵r输入到SVM中训练,确定参数范围,使用网格搜索法寻找最优参数,采用5折交叉验证,待优化的参数范围为:
核函数:线性核函数、多项式核函数和径向基核函数;
惩罚因子C:0.001、0.01、0.1、1、10和100;
Gamma(当核函数为径向基核函数存在该参数):0.001、0.01、0.1、1、10和100;
Degree(当核函数为多项式核函数存在该参数):2,3。
转入步骤8。
步骤8:根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型,模型结构如图1所示,采用模型实现飞轮故障识别,具体如下:
将待识别飞轮的飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号输入基于LSTM深度降噪自编码器的飞轮故障识别模型,获得模型输出标签,根据输出标签判断飞轮故障类别:输出标签为0,则飞轮正常;输出标签为1,则飞轮发生电机增益故障;输出标签为2,则飞轮发生摩擦增大故障。
使用文本提出的方法实现飞轮的故障识别,引入准确率指标评价识别精度。识别结果如图6所示,从图6中可以看出提出的方法能够实现绝大部分残差特征点的类别识别。对正常、电机增益故障和摩擦增大故障的识别准确率分别为 96.96%、100%和93.03%,对卫星飞轮故障具有良好的识别能力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的改进范围之内。
Claims (6)
1.一种基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于:采用极值包络线移动平均或小波降噪处理采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,以LSTM单元为基础分别搭建三个深度降噪自编码器网络,对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行重构,计算深度降噪自编码器网络输出与输入信号的残差并提取特征,利用SVM完成飞轮故障识别;
包括以下步骤:
步骤1、采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号,构建原始信号集,转入步骤2;
步骤2、飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理,对应得到电流信号和力矩信号,同时飞轮转速信号通过小波降噪方法进行预处理,得到转速信号,转入步骤3;
步骤3、采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割,对应获得电流信号样本、力矩信号样本和转速信号样本,转入步骤4;
步骤4、利用LSTM单元分别搭建三个深度降噪自编码器网络,使用电流信号样本训练第一个网络,力矩信号样本训练第二个网络,转速信号样本训练第三个网络,
具体如下:
利用LSTM单元搭建深度降噪自编码器网络,网络层数为“layer_net”,从第一层到最后一层,每层包含的LSTM单元个数为“node_1”、“node_2”、……、“node_layer_net”,每层采用的激活函数为“func_net”,网络采用优化算法为“optimizer”,损失函数为“loss”;
针对电流信号样本、力矩信号样本和转速信号样本,分别建立三个独立的深度降噪自编码器网络:即电流子网络、力矩子网络和转速子网络,每个深度降噪自编码器网络分别采用对应的电流信号样本、力矩信号样本、转速信号样本训练网络;
网络输出为信号重构矩阵,分别是电流子网络输出的电流信号重构矩阵力矩子网络输出的力矩信号重构矩阵和转速子网络输出的转速信号重构矩阵
转入步骤5;
步骤5、分别计算三个网络对应的输出与输入之间的残差,对应得到电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵,将电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵合并构成信号残差矩阵R:
R=[RI,RT,Rω]T
式中,电流信号残差矩阵
力矩信号残差矩阵
转速信号残差矩阵
转入步骤6;
步骤6、分析信号残差矩阵中的残差特性,提取残差特征,构成特征矩阵,具体如下:
分别提取残差矩阵中电流信号残差、力矩信号残差和转速信号残差的最大值M、均值μ、标准差σ2、裕度L、峰值因子Cf和波形因子WS作为特征,构成特征矩阵,记为r:
r=[rI,rT,rω]T
式中,电流信号特征矩阵rI=[M(RI),μ(RI),σ2(RI),L(RI),Cf(RI),WS(RI)];
力矩特征矩阵rT=[M(RT),μ(RT),σ2(RT),L(RT),Cf(RT),WS(RT)];
转速特征矩阵rω=[M(Rω),μ(Rω),σ2(Rω),L(Rω),Cf(Rω),WS(Rω)];
记r'为特征矩阵r中某一参量的残差向量,r'=[r1,r2,...,ra...,rl],信号的序号a∈(1,2,...,l),其中l为该样本的信号长度,则特征提取过程如下:
M(r')=max(ra);
μ(r')=E(ra);
式中,E(·)为均值函数;
转入步骤7;
步骤7、使用特征矩阵训练SVM,引入网格搜索法确定SVM最优参数,转入步骤8;
步骤8、根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型,通过模型实现飞轮故障识别。
2.根据权利要求1所述的基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于,步骤1中,采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号时,卫星姿态处于稳定姿态,飞轮工作状态为抵抗空间力矩干扰的姿态保持过程,且飞轮未发生故障,并按照指定的采样时间周期对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行采样;
飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号组成的信号矩阵为原始信号集,记为X:
X=[XI,XT,Xω]T
式中XI、XT和Xω分别为飞轮电机电流信号向量、飞轮输出力矩信号向量和飞轮转速信号向量,三个信号的长度均为l。
3.根据权利要求2所述的基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于,步骤2中,飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理,对应得到电流信号和力矩信号,同时飞轮转速信号通过小波降噪方法进行预处理,得到转速信号,具体如下:
2-1)分别将飞轮电机电流、飞轮输出力矩信号和飞轮转速信号进行归一化处理,使用离差归一化方法,即min-max归一化方法,转换函数表达式为:
式中,原始信号集中的一种信号xraw=[x1,x2,...,xi...,xl],l为信号长度,xi'为归一化后的信号,信号的序号i∈(1,2,…,l),max(·)和min(·)分别为最大值函数、最小值函数;转到步骤2-2);
2-2)判断归一化后的信号是否为飞轮转速信号,如果是,转到步骤2-3),如果不是,转到步骤2-4);
2-3)采用小波降噪方法处理飞轮转速信号,小波分解层数为“layer_wavelet”,小波基函数为“func_wavelet”,得到预处理后的转速信号向量X'ω;
2-4)采用极值包络线移动平均方法处理上述信号,以长度m为间隔,将信号等分为b个分段,m为极值包络线分段窗口长度,b为信号分段数量;转到步骤2-5);
2-5)取任意一段分段信号,分别求该分段信号的最大值和最小值,作为该分段信号的上包络线值和下包络线值,计算上包络线值与下包络线值之差,差值xj定义为:
xj=max(xp)-min(xp)
式中,分段信号xp=[x1'+j×m,x'2+j×m,…,x'm+j×m],分段信号的序号j∈(0,1,…,b-1),用差值替换分段信号内所有值;转到步骤2-6);
2-6)重复步骤2-5)直至该信号的所有分段都完成替换;转到步骤2-7);
2-7)设置移动窗口长度为n,对替换后的整个信号求简单移动平均值xn+1,计算公式为:
式中,m≤n≤l;转到步骤2-8);
2-8)重复步骤2-4)~2-7)直到获得预处理后的电机电流信号向量XI'和输出力矩信号向量X'T。
4.根据权利要求3所述的基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于,步骤3中,采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割,对应获得电流信号样本、力矩信号样本和转速信号样本,具体如下:
3-1)选择电流信号、力矩信号和转速信号任意一种信号,设置滑动窗口的起始索引为Q,且初始值设置为1,设置滑动窗口长度为w,设置滑动窗口移动步长为s,且w>s,l为信号长度;
3-2)以信号的第Q个值为起点值,以信号的第Q+w-1个值为终点值,将此区间内的w个值作为第Q个信号样本;
3-3)将Q值增加s;
3-4)判断Q+w-1是否大于l,如果大于l,则返回3-1)对剩余的信号进行分割,三种信号分割完毕,获得电机电流信号矩阵ZI、输出力矩信号矩阵ZT和转速信号矩阵Zω,转到步骤4;如果不大于l,转到步骤3-2)。
5.根据权利要求4所述的基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于,步骤7中,使用特征矩阵训练SVM,确定参数范围,引入网格搜索法确定SVM最优参数,采用5折交叉验证。
6.根据权利要求5所述的基于LSTM深度降噪自编码器的飞轮故障识别方法,其特征在于,步骤8中,根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型,通过模型实现飞轮故障识别,具体如下:
将待识别飞轮的飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号输入基于LSTM深度降噪自编码器的飞轮故障识别模型,获得模型输出标签,根据输出标签判断飞轮故障类别:输出标签为0,则飞轮正常;输出标签为1,则飞轮发生电机增益故障;输出标签为2,则飞轮发生摩擦增大故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057906.3A CN113850161B (zh) | 2021-09-09 | 2021-09-09 | 基于lstm深度降噪自编码器的飞轮故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057906.3A CN113850161B (zh) | 2021-09-09 | 2021-09-09 | 基于lstm深度降噪自编码器的飞轮故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850161A CN113850161A (zh) | 2021-12-28 |
CN113850161B true CN113850161B (zh) | 2024-09-06 |
Family
ID=78973789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111057906.3A Active CN113850161B (zh) | 2021-09-09 | 2021-09-09 | 基于lstm深度降噪自编码器的飞轮故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850161B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757110B (zh) * | 2022-06-16 | 2022-09-27 | 南昌航空大学 | 一种基于滑窗检测提取电流信号的断路器故障诊断方法 |
CN115865129B (zh) * | 2022-12-01 | 2024-03-29 | 电子科技大学 | 一种基于去噪自编码器的窄带干扰智能消除方法 |
CN117516927B (zh) * | 2024-01-05 | 2024-04-05 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089927A9 (en) * | 2018-06-12 | 2021-03-25 | Ciena Corporation | Unsupervised outlier detection in time-series data |
CN111046916A (zh) * | 2019-11-20 | 2020-04-21 | 上海电机学院 | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 |
-
2021
- 2021-09-09 CN CN202111057906.3A patent/CN113850161B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113850161A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850161B (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111898634A (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN109147817B (zh) | 一种基于变异受限玻尔兹曼机的去噪音频特征提取方法 | |
CN111680788B (zh) | 基于深度学习的设备故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN113268833A (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN111504680A (zh) | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN115046765A (zh) | 基于门控卷积神经网络的滚动轴承类不平衡故障诊断方法 | |
CN110222610A (zh) | 一种信号分类的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |