科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
