首页/文章/ 详情

综述 | 旋转机械复合故障诊断的现状、挑战与机遇(上)

1月前浏览2102

    本期给大家推荐一篇关于旋转机械复合故障诊断的综述文章,该综述详细介绍了复合故障诊断方法的相关背景,包括相关定义和一种新的分类方法。然后,作者基于过去几十年的相关出版物,对复合故障诊断的最新应用进行了综述。最后,总结了实现复合故障诊断在故障诊断领域中的挑战和机遇,并给出了本综述的结论。

    论文链接:通过点击本文左下角阅读原文进行在线阅读及下载

    论文基本信息

    论文题目:Compound Fault Diagnosis for Rotating Machinery: State-of-the-Art, Challenges, and Opportunities

    论文期刊:Journal of Dynamics, Monitoring and Diagnostics

    论文日期:2023

    论文链接:

    https://doi.org/10.37965/jdmd.2023.152

    作者:Ruyi Huang1,2;Jingyan Xia2,3;Bin Zhang3;Zhuyun Chen2,3;Weihua Li2,3

    机构:

    1. Shien-Ming Wu School of Intelligent Engineering, South China University of Technology;

    2. PazhouLab;

    3. School of Mechanical and Automotive Engineering, South China University of Technology

    通讯作者邮箱:

    Weihua Li (e-mail:whlee@scut.edu.cn)

    目录

    1 摘要
    2 引言
    3 CFD的背景

    3.1 与CFD相关的定义

    3.2 CFD方法的分类

    4 CFD在旋转机械中的应用

    4.1 基于失效机理的CFD方法的应用

    4.2 基于信号处理的CFD方法的应用

    注:本篇综述文章篇幅过长,先为大家分享前半部分,后续再分享后半部分内容)

    4.3 基于人工智能的CFD方法的应用

    5 未来的挑战与机遇

    5.1 复杂机械系统复合故障失效机理建模
    5.2 信号处理算法的改进
    5.3 智能CFD模型的可解释性
    5.4 更加智能的CFD方法

    6 结论

    7 致谢

    1 摘要

    复合故障作为导致旋转机械非预期停机的主要故障,大大增加了故障诊断的难度。为了解决复合故障诊断( CFD ,compound fault diagnosis)的现实难题,近年来,来自工业界和学术界的研究人员和工程师们已经取得了许多重大突破。不可否认,许多著名的研究人员对故障诊断进行了系统的研究。然而,先前的综述文章更多关注单个或独立故障的故障诊断,导致CFD仍然缺乏全面的调研。因此,为了满足上述要求,有必要对旋转机械复合故障的故障诊断方法或算法进行深入的综述,并揭示潜在的挑战与机遇,这将引导和激励读者致力于提升故障诊断技术的有效性和实用性。具体来说,实现复合故障识别的方式,详细介绍了CFD方法的相关背景,包括相关定义和一种新的分类方法。然后,基于过去几十年的相关出版物,对CFD的最新应用进行了综述。最后,总结了实现CFD在故障诊断中的挑战和机遇,并给出了本综述的结论。我们相信,这篇综述文章可以从不同的方面为潜在的读者和经验丰富的研究人员提供一个系统的CFD指南。

    关键词:故障诊断复合故障信号处理人工智能旋转机械

    2 引言

    现代机械是由上百个甚至上千个部件组成的复杂系统,这些部件为了完成目标任务而协同工作,它们之间形成了复杂的关系,并相互影响。同时,由于工作环境恶劣、操作不当、机器长期运转等原因,关键零部件容易发生损坏或失效。这样,复合故障成为实际工程中发生的大多数故障,具有高度不确定性和不易预测性。复合故障也称为多重故障,是导致机器意外停机的主要原因,进而造成经济损失甚至惨痛的代价。

    故障诊断技术作为预测性维护的重要组成部分,已成为许多工业应用中保证机械设备高效、稳定、安全运行的重要工具,不仅保障了人们的财产和生命安全,而且对现代制造业的转型升级具有重要的战略意义。作为最常见的类型之一的旋转机械,它是一个特别成熟的故障诊断领域。然而,旋转机械的复合故障大大增加了故障诊断的难度。实现复合故障诊断(Compound Fault Diagnosis,CFD)的难点主要来自于以下三个方面:

    • 复合故障通常发生在几个关键组件内,它们之间存在相关性和相互作用;
    • 复合故障与其对应的单一故障之间的关系是强相关的,而不仅仅是线性叠加关系;
    • 复合故障发生和演化的机理难以从因果关系的角度揭示或归纳为一般规律。

    尽管存在上述诸多困难,但近年来工业界和学术界的研究人员和工程师在CFD方面取得了许多重大突破。因此,有必要根据相关出版物对CFD进行全面的调研。许多有声望的研究人员对故障诊断进行了系统的调查,这些调查提供了许多有价值的内容,包括对当前故障诊断领域的现状进行全面的批判性回顾,深入了解故障诊断领域的挑战、局限性和研究方向等。例如,Li等人系统地综述了基于深度迁移学习( Deep Transfer Learning,DTL )技术的工业设备智能故障诊断( Intelligent Fault Diagnosis,IFD )方法,将IFD的工业场景归纳为四类,并对其相应的应用进行了详细的综述[3]。Zhao等人对基于无监督DTL的IFD进行了全面的调研,建立了一个开源代码框架[4]。Zhang等总结了针对小数据和不平衡数据的IFD问题的文献,指出了需要进一步研究的挑战和方向[5]。类似的综述文章,从不同的角度综述了故障诊断的相关文献,包括算法[6、7 ],组件[8],PHM[9]等,在这里可以被找到,但无法深入列举。然而,上述综述性文章均未考虑以下两个方面的问题:

    • 以往的综述性文章更多关注具有多个信号或独立故障的故障诊断。由于复合故障是导致机器非预期停机的主要故障,因此对CFD的全面调查仍然缺乏,这在工业场景中更具有实际意义。
    • 从这些过去的综述性文章中可以发现,在故障诊断中,特别是CFD中的实际挑战和新出现的机会尚不清楚。主要的关注点在工业应用中,系统的指导原则或适当的方向对于开发针对特定诊断问题的有效解决方案是至关重要的。

    为了满足上述要求,本综述的主要目的是对旋转机械复合故障的故障诊断方法或算法进行深入的综述,并揭示潜在的挑战或机遇,以指导和激励读者致力于更有效、更实际地推广故障诊断技术。具体来说,本文的主要贡献在于,为了方便研究人员对CFD领域的最新技术进行了系统回顾,并详细分析和介绍了可能推进故障诊断领域的核心挑战、潜在机会和未来方向。

    在第3节中介绍了CFD的背景,并根据实现复合故障识别的方式详细介绍了CFD方法的相关定义和一种新的分类方法。第4节基于近十年的相关文献,总结了CFD的应用现状。第5节总结并讨论了与实施CFD相关的核心挑战和开放问题。第6部分对已经结束的调查进行了总结。  

    3 CFD的背景

    本部分简要介绍与CFD相关的基本定义,并将CFD方法分为三类,为新手或经验丰富的研究人员提供了坚实的背景,便于在后续章节中讨论CFD的最新应用。  

    3.1 与CFD相关的定义

    事实上,复合故障并没有一个统一的定义来描述什么是复合故障,因为它在同一机器的不同部件中有着不同的表现形式,更不用说在不同的机器中了。以旋转机械为例,复合故障的主要表现形式包括但不限于以下3种:
    • 同一部件同时发生多个故障。例如,内圈故障和外圈故障同时发生,以及多个缺陷出现在外圈或内圈。
    • 同一子系统的多个部件依次或同时发生损伤。例如,轴承故障和齿轮故障同时发生在变速箱中。
    • 机器的多个子系统依次或同时损坏。例如,发动机故障和变速器故障同时发生在复杂系统中。

    (a)轴承内外圈故障  

    (b)轴承和齿轮故障的齿轮箱

    (c)具有不同故障的复杂系统

    图1 复合故障实例

    图1展示了上述复合故障的实例,以帮助读者更好地理解它。除表现形式外,复合故障术语还被称为“多重故障”、“复合故障”、“混合故障”和“组合故障”。这样的现象可能间接说明了复合故障的高度复杂性。考虑到术语在出版物中的使用频率,在这项调查中,使用“复合故障”来表示上述术语。此外,基于上述解释,为了方便起见,我们将复合故障定义为“由同时发生在一台机器上的两个或多个单一故障组合而成的新故障”。无论复合故障的表现形式和术语有多么不同,从已发表的文献中可以总结出一些共同的特征:

    • 复合故障可以看成是多个单一故障非线性耦合在一起形成的不同但相关的模式。因此,复合故障与其对应的单一故障两者之间的关系是相关的,但不是简单的线性累加;
    • 复合故障中耦合的不同模式相互影响,具有时空相关性和相互作用,导致其特征比单一故障更为复杂。此外,故障类型、大小和位置是能够直接影响复合故障耦合结果的敏感因素和偏差;
    • 基于复杂机械复合故障的物理机理难以建立精确的数学或动力学模型,因为复合故障发生和演化的机理难以从因果关系的角度进行理论解释或归纳为一般的物理规律。注意到这些共同的特征,可以启发研究人员开发有效的解决方案来实现对复合故障的诊断。

    CFD是通过对监测数据进行分析,识别故障类型,区分各个故障的位置甚至判断故障的大小,从而确定或推断机械发生了哪些(通常不止一个故障)故障的过程。与常规故障诊断主要关注单一故障发生时的情况相比,CFD可以被视为更复杂的诊断任务,它处理的是多个故障同时发生且相互耦合的更实际的情况。对复合故障进行故障诊断的一般方法应考虑以下3个主要问题:
    • 复合故障是否发生;
    • 复合故障中耦合了哪些故障;
    • 如何分离这些故障。

    “是否发生复合故障”要求在何种情况下实施CFD。在某些情况下,当仅发生单一故障时是不需要CFD的,强制使用CFD甚至会增加错误预测的风险。目前关于CFD的大多数出版物通过隐式地假设复合故障已经发生来关注后面两个问题。“复合故障中耦合了哪些故障”是指探讨CFD最重要的问题,即究竟是哪些故障耦合在一起形成了复合故障。然而,在实际应用中,由于没有事先已知的先验信息,很难直接求解这样的问题。正如前文所述,复合故障与其对应的单一故障是相关性的但不是线性叠加的。因此,需要开发一种有效的解决方案,能够从复合故障的监测数据中分离出单一故障的判别特征。“如何分离这些故障”规定了CFD方法的形式。通过与每个实体相关联的单独的关键特征,例如形状和颜色,可以轻松地识别重叠实体。同样,通过判断相应单一故障的典型特征是否存在,可以将复合故障识别并分离为多个单一故障,也称为解耦。对“如何分离这些缺陷”问题的不同解决方案为总结CFD方法的分类提供了适当的原则,这在下面的章节中详细介绍。  

    3.2 CFD方法的分类

    尽管CFD已经引起了学术界和工业界越来越多的关注,但是很难达到的对于如何总结CFD方法的分类,这已形成了绝对的共识。例如,Zhang等对CFD方法和相关算法进行了分类,认为这些方法一般分为3类:基于分析模型的方法、基于定性知识的方法和基于数据驱动的方法[10]。然而,这种分类法提供的关于复合故障如何识别或解耦的信息很少,不能很好地总结已发表的文献。

    这里,根据如何解决如何分离这些错误的问题,为CFD方法的分类提出了一个精心设计的分类法。为了方便起见,图2说明了所提出的分类方法,表明CFD方法可以分为三组:
    • 基于失效机理的CFD;

    • 基于信号处理的CFD;

    • 基于人工智能的CFD。

    图2 CFD方法的分类研究

    基于故障机理的CFD是指试图找到导致复合故障的根本原因,并解释是什么、为什么和如何发生的方法,它可以帮助我们完全理解复合故障的机理,从而提出有效的维修策略,以消除导致机械停机的复合故障。实现这一目标的一般方法是利用动力学建模、有限元或模态分析等技术建立机器的精确数学或动力学模型。基于失效机理的CFD可以为揭示真实征兆和复合失效背后的物理规律提供坚实的理论基础。

    基于信号处理的CFD是指利用先进的信号处理技术,从监测的复合故障信号中提取与机器不同健康状态相关的故障相关信息的方法,这使得专家可以轻松地确定哪些故障耦合到复合故障中。文献中已经发表了一系列针对CFD的信号处理算法。这些方法的本质是通过将复合故障信号进行转换,使工程师或专家可以直接从后处理信号中捕获具有判别性和故障相关性的特征,从而实现复合故障的分离;因此,可以将复合故障解耦为多个单故障。

    基于人工智能的CFD是指利用机器学习算法,如浅层神经网络、深度学习、迁移学习等,开发端到端的诊断模型,对复合故障进行识别或解耦的智能CFD方法。这些方法的本质来源于人工智能算法从工业数据中捕获复合故障的模式或知识的能力。基于人工智能的CFD方法 正在发展成为两种趋势:一种是成熟的研究方法,另一种是新兴的研究方法。研究较成熟的方法是将复合故障作为其他单一故障的独立模式进行故障分类,而新兴的研究方法是通过输出相应的多个标签,将复合故障智能解耦为多个单一故障。

    值得注意的是,尽管过去的工作(如混合方法)可能存在一些不属于所提出的分类法的例外,但过去的CFD方法可以很好地遵循这样的分类法进行分类,并且以前的工作可以在这样的框架内进行明确的讨论。  

    4 CFD在旋转机械中的应用

    在过去的几十年里,CFD技术引起了学者和工程师的极大关注,他们在许多应用中取得了革命性的突破。一般来说,这些技术或应用的范围可能是多方面的,但它们可以分为上一节介绍的三类。在这一部分中,总结了每类CFD方法的一般步骤,可以描述如何实现故障诊断,为帮助读者抓住不同方法的本质提供了方便的指导。此后,系统地总结和讨论了利用相应的CFD方法来处理故障诊断实际应用中遇到的问题的历史出版物,从不同方面为CFD提供了一个成熟的概述。  

    4.1 基于失效机理的CFD方法的应用

    基于失效机理的CFD方法旨在探索和揭示失效机理与所建立的系统模型参数之间的关联规律,可以帮助人们找到导致复合故障的根本原因及其演化过程,可以为CFD方法提供理论认识。基于失效机理的CFD方法的一般流程如图3所示。首先,建立系统模型对目标机进行仿真,重点关注关键部件,其它因素可简化。建立系统模型的方法通常包括三类,即数学模型、物理模型和动力学模型。然后,利用所建立的系统模型,对正常工况和复合故障工况等不同健康状态下的系统响应进行了仿真。在此过程中,基于产生的振动信号或阶次谱,可以通过系统响应分析开发CFD方法,并通过对比实验和仿真结果来验证系统模型。  

    图3 基于失效机理的CFD方法的一般流程  

    基于失效机理的CFD方法应用实例包括具有复合故障的滚动轴承[11-14]、具有多重故障的齿轮系统[15-17]和轴承齿轮相互作用系统[18、19]。具体来说,Patel等人建立了一个动力学模型来研究深沟球轴承的振动响应,利用理论和实验结果研究了内圈和外圈表面的单个和多个缺陷[11]。为了进一步研究同一构件上的多个缺陷,Patel等人分析了时域和频域的振动,其中缺陷的数量在频谱中没有反映,但可以在时域分析中发现[12]。同样,Zhang等人建立了复合故障的滚动轴承4自由度动力学模型,分析了滚道和滚动体上复合故障的振动特性。基于实验验证[13],揭示了复合故障振动响应与三种不同工况之间的关系。此外,为了揭示单一故障与复合故障的相关性,Yuan等利用轴承实际运动学和赫兹接触理论分别建立了内、外圈单一故障的轴承—转子动力学模型,进而建立了内、外圈复合故障的滚动轴承6自由度振动模型,并得出了Lempel - Ziv复杂度测度可以作为识别轴承单一和复合故障的定量判据的结论[14]。除轴承复合故障外,Ma等针对含局部故障的齿轮系统构建了4自由度动力学模型,并利用含轮齿裂纹和剥落故障的动力学模型探究其失效机理[15]。为了探究直齿圆柱齿轮中的多齿裂纹,Yang等基于动力学建模研究了3种多齿裂纹场景的啮合刚度和振动响应,并提出了一种裂纹诱导脉冲的方法来检测和定位多齿裂纹场景[16]。Xue等人建立了一个20自由度的集中参数模型来分析行星齿轮的系统响应,将不同部件上的齿轮缺陷引入到有限元模型中,以产生故障振动信号;因此,通过振动响应分析[17]研究了行星齿轮系统的失效机理。考虑到更复杂的系统,Sawalhi等人结合齿形联轴器动力学模型对齿轮和轴承之间的相互作用进行了仿真研究,其中在齿轮相互作用[18、19]的场景下讨论了滚动轴承的内、外圈故障。文献中的实验结果表明,上述方法已被证明是旋转机械CFD的有效工具,可为故障诊断和健康管理提供直观的理论依据。基于建模和机理分析的CFD在揭示故障产生机理、故障模式及其表现形式之间的本质关联规律、诊断结果的可解释性等方面具有较强的理论支撑。然而,由于机械设备在结构、材料、功能、环境等因素上的复杂性,要对这样一个复杂的系统建立准确有效的机理模型是非常困难的,而基于失效机理的CFD方法的性能取决于目标对象的复杂程度。这些因素可能会阻碍基于失效机理的CFD方法在实际工业中的应用。

    4.2 基于信号处理的CFD方法的应用

    基于信号处理的CFD方法旨在通过从复合故障信号中提取或分离出相应单一故障的独特特征来识别复合故障,这有助于工程师或专家从包含判别性和故障相关特征的后处理信号中直观地将复合故障解耦为多个单一故障。基于信号处理的CFD方法的一般流程如图4所示。

    图4 基于信号处理的CFD方法的一般流程

    通常,复合故障信号首先从目标旋转机械中捕获,其中包含与机械健康状态相关的有用信息。然而,当存在多个故障时,各个故障的特征会以复杂的方式耦合在一起,导致难以从监测信号中提取出具有判别性的特征。为了解决这类问题,利用信号分解、信号反卷积、盲信号处理( BSP )和稀疏表示等先进的信号处理算法,将复合故障信号转化为多个部分,每个部分可以表示复合故障中耦合的单个故障。因此,可以通过观察或比较后处理信号来检测和分离复合故障。根据所使用的精确信号处理算法,将基于信号处理的CFD方法的应用分为以下4类:

    • 基于信号分解的方法;
    • 基于信号反卷积的方法;
    • 基于BSP的方法;
    • 基于稀疏表示的方法。


    编辑:赵学功

    校核:李正平、陈凯歌、赵栓栓、曹希铭、白亮、陈少华

    该文资料搜集自网络,仅用作学术分享,不做商业用途,若侵权,后台联系小编进行删除

    点击左下角阅读原文,即可在线阅读论文。


    来源:故障诊断与python学习
    Mechanical振动非线性旋转机械航空python声学裂纹理论电机材料人工智能数控
    著作权归作者所有,欢迎分享,未经许可,不得转载
    首次发布时间:2024-09-15
    最近编辑:1月前
    故障诊断与python学习
    硕士 签名征集中
    获赞 57粉丝 63文章 135课程 0
    点赞
    收藏
    作者推荐

    研究热点!数字孪生!|不平衡样本下基于逆物理信息的数字孪生轴承故障诊断神经网络

    数字孪生是当前故障诊断领域的研究热点之一。它们只需要很少的实际信号就可以产生故障样本,从而降低了实验成本。小编整理搜集了一些相关研究与大家进行分享。本期分享的是不平衡样本下基于逆物理信息的数字孪生轴承故障诊断神经网络,该论文发表于Knowledge-Based Systems,适合具备一定有信号基础并打算在故障诊断领域深入挖掘的学习者,非常值得阅读!论文链接:通过点击最左下角的阅读原文进行在线阅读及下载。1 论文基本信息论文题目:Inverse physics–informed neural networks for digital twin–based bearing fault diagnosis under imbalanced samples论文期刊:Knowledge-Based SystemsDoi: https://doi.org/10.1016/j.knosys.2024.111641论文时间:2024年作者:Yi Qin (a), Hongyu Liu (a), Yi Wang (a), Yongfang Mao(b)机构:a: State Key Laboratory of Mechanical Transmission for Advanced equipment, Chongqing University, Chongqing 400044, PR China;b: School of Automation, Chongqing University, Chongqing 400044, PR China.2 目录1 论文基本信息2 目录3 摘要4 引言5 准备工作5.1 PINN5.2 数字孪生6 提出的轴承故障振动数据生成方法6.1 轴承故障动力学模型6.2 逆PINN6.3 轴承故障数据生成7 实验结果与分析7.1 实验描述7.2 实验结果与分析7.3 数据生成示例8 总结注:本文只选中原论文部分进行分享,若想拜读,请下载原论文进行细读。小编能力有限,如有翻译不恰之处,请多多指正~3 摘要在实际工程中,各种故障类别的轴承样本不足,给滚动轴承的智能故障诊断带来了很大障碍。为了解决样本不平衡的问题,本工作探索了一种基于数字孪生技术的轴承故障数据生成方法。首先,通过将轴承动态模型嵌入到神经网络中,建立逆物理信息神经网络(Inverse Physics–informed Neural Network, PINN)来识别动态模型参数。在该网络中,设计了一个边界损失来快速确定加速网络收敛的参数的近似范围,并构造了一个真值损失来评估模拟数据和实际数据之间的频谱差异。然后,利用逆PINN、轴承故障动态模型和实际振动数据,提出了一种基于数字孪生的故障数据生成方法,用于在多种工况和故障模式下生成高质量的轴承故障样本。最后,将该方法应用于特定工况下的轴承故障振动样本生成。将生成样本用于训练诊断网络,解决了样本不平衡的问题。多个实验的对比结果表明,所提出的数据生成方法有效地提高了跨工况轴承故障诊断的精度,并超过了多种先进的诊断方法。关键词:数字孪生,物理信息神经网络,轴承动态模型,故障诊断,样本不平衡4 引言已提出的轴承故障诊断方法大致可分为基于信号处理的方法[1]和基于人工智能的技术[2]。深度学习方法,包括卷积神经网络[3]、深度神经网络[4]和联邦学习[5],在智能轴承故障诊断中占据主导地位。然而,这些深度学习方法通常需要大量的故障样本。在许多工程应用中,正常的轴承振动信号样本非常丰富,而故障振动信号样本的可用性有限。此外,一些故障的样本可能比其他故障少得多。因此,轴承数据集表现出样本不平衡,这可能会显著影响故障诊断的效率。故障样本的稀缺性和数据集的不平衡性可能会阻碍故障诊断模型识别某些故障类型。为了解决这些问题,Zhao等人[6]提出了一种基于小波变换和CNN的机械故障诊断方法。[7]研究了一种能够进行多领域特征提取和选择的代价敏感学习方法,有效地降低了漏报率和平均代价。此外,Li 等人[8]在训练数据类型较少的情况下,引入持续学习来提高故障诊断的效果。另一种可用的方法是添加相关的故障样本。基于实际信号的数据生成是一种可行的采样增强技术。Wang等人[9]建立了一种自适应、高效的亚像素网络DAESPN用于变速条件下的故障样本扩充和智能故障诊断。An等人[10]开发了一种主动构造的数据增强模型以增强轴承故障诊断。Pei等人[11]设计了一种改进的基于元学习的Wasserstein自动编码器以增加滚动轴承数据,提高轴承故障诊断能力。然而,这些数据驱动的方法往往需要大量的实际样本来训练生成式模型,而且生成的样本往往与训练样本相似,限制了多样性,阻碍了故障诊断准确率的提高。另一种方法是利用故障动态模型来生成故障样本。Shao等人[12]建立了转子-轴承系统动力学模型,该模型产生了不同健康状态的轴承振动信号;这些信号随后被用于具有生成式对抗性网络(Generative Adversarial Network, GAN)的实际轴承的故障诊断。Qin等人提出了一种利用时变激励生成故障样本的故障动力学模型[13]。类似地,Liu 等人的研究[14]建立了用于故障样本产生的现实的轴承振动模型,并将其用于基于GAN的轴承故障诊断。Liu等人[15]提出了一种个性化故障诊断方法,通过有限元仿真训练智能传感器网络,提高了故障样本缺失时故障诊断的有效性。然而,基于动态模型的数据生成方法需要确定故障动态模型的关键参数,如刚度和阻尼比。这些参数通常是由经验设定的。估计参数和实际参数之间的差异导致了仿真数据和测量数据之间的差异,影响了仿真数据对诊断模型训练的效果。数字孪生模型只需要很少的实际信号就可以生成故障样本,从而节省了实验材料和时间。基于数字孪生的样本扩充技术结合数据驱动和基于模型的方法,并引起了人们的极大兴趣。它们只需要很少的实际信号就可以产生故障样本,从而降低了实验成本。提出了几种提高轴承振动数据的方法。Piltan等人[16]建立了机械模型与自适应观测器相结合的轴承数字孪生框架,实现了轴承裂纹尺寸的精确检测。为了阐述退化过程中的轴承振动响应,Qin等人[17]建立了全生命周期的轴承数字孪生模型。值得注意的是,一种新的基于循环GAN的映射网络(CycleGAN)[18]最大限度地减少了模拟信号和实际信号之间的差异信号进行调整的。此外,动态模型没有完全集成到神经网络中。为了将物理模型与神经网络相结合,人们提出了各种PINN,其中一些已成功地应用于滚动轴承的故障预测和诊断。例如,Chen等人[19]提出了一种物理信息-退化一致性递归神经网络来预测机器RUL,并将机器部件的退化能力集成到神经网络中。Yucesan等人[20]建立了基于物理信息的PINN模型,用于风电机组主轴承疲劳建模。然而,这些方法主要是利用物理信息进行RUL预测,而不是求解物理模型。已经提出了一些用于求解各种物理模型的PINN。例如,Ling等人[21]用PINN和Mao等人预测湍流和高速气动扰流。[22]用PINN对高速气动流动进行了模拟。不幸的是,现有的PINN无法计算二自由度轴承动力学模型的振动响应,因为两个微分方程组是相互耦合的。因此,需要对PINN进行改进,以便对故障滚动轴承进行动态建模。刚度和阻尼比是轴承动力学模型中的两个重要参数,一般都是凭经验设定的,往往会导致仿真信号与实测信号存在较大的偏差。为了解决这一问题,提出了一种滚动轴承的逆PINN。与传统的PINN方法不同的是,直接利用滚动轴承的二自由度微分方程组而不是损失函数来计算振动响应,并将网络损耗视为模拟信号与采集的真实信号之间的频谱差异,以防止沿X和Y方向的动态微分方程组之间的耦合效应。同时,逆PINN的优化对象是轴承的动态参数,而不是振动响应,因此可以精确地辨识轴承动力学模型的参数。利用逆PINN和轴承动力学模型,提出了一种新的故障数据生成方法,用于产生各种工况下的高精度轴承振动信号。最后,将生成的数据成功地应用于样本不平衡情况下的跨工况轴承故障诊断。本研究的贡献如下:1. 为了辨识动态模型的参数,我们提出了一种逆PINN方法,将轴承动态模型集成到神经网络中。在该网络中,边界损失被设计为快速确定参数的近似范围,从而加速网络收敛,并构造了真值损失来评估模拟数据与实际数据之间的频谱差异。利用所提出的逆PINN方法,可以准确地辨识轴承的动态参数。2. 利用逆PINN、轴承故障动态模型和采集的振动信号,提出了一种新的基于数字孪生的数据生成方法,可以在多个工作条件下生成高质量的故障样本。该方法从单一工况下采集的少量轴承样本中生成出不同工况下高质量的轴承故障振动样本。由此可见,该方法实现了故障滚动轴承的数字孪生。3. 对于具有不平衡轴承振动样本的跨工况故障诊断,该方法被用来生成特定工况下的轴承故障振动样本。然后,将样本用于诊断网络的训练。实验结果表明,与现有的各种SOTA数据生成和不平衡故障诊断方法相比,该方法能够提高跨工况轴承故障诊断的精度。5 准备工作5.1 PINNPINN可以结合经验数据和抽象的数学运算符[23],例如偏微分方程(Partial Differential Equations, PDE)。一旦将物理原理或约束嵌入到PINN中,网络就会表现出更强的可解释性和抗干扰性。一般来说,一个典型的Pinn的损失被定义为: 其中, 表示输出数据和实际数据之间的差距, 表示初始值和边界损失, 由微分方程式决定, , 和 用于平衡三个损失之间相互作用的影响的权重,可以由使用者定义或自动调整。PINN的参数通过各种基于梯度的优化器(例如ADAM和L-BFGS)来最小化损失来进行优化。然而,传统的PINN算法主要用于求解单个偏微分方程组。 5.2 数字孪生图1 数字孪生框架示意图作为一种新的设备运行和维护方法,数字孪生技术起源于2003年格里夫斯教授在密歇根大学的一次演讲[24]。在本讲座中,定义了数字孪生模型,它包含三个基本组成部分:虚拟空间、物理空间和数据流的互联性。2012年,NASA[25]将数字孪生视为集成多个物理域、尺度和概率的模拟过程。这一创新方法在各种设备的设计、制造和运行维护方面已被证明是成功的。Deon等人[26]建立了火电厂发电机组预知检修的数字孪生模型。如图1所示,数字孪生框架主要由物理空间、虚拟空间以及它们之间的数据流或映射关系组成。物理空间表示被分析的系统或部件;虚拟空间是所建立的分析模型,诸如有限元模型或集总参数动态模型。并且数据流或映射用于桥接物理空间和虚拟空间之间的关系。针对轴承故障诊断中样本不均衡的问题,利用数字孪生技术生成轴承故障样本。6 提出的轴承故障振动数据生成方法6.1 轴承故障动力学模型图2 简化故障的形状首先建立了轴承故障动力学模型。通过将外圈上的轴承故障简化为立方体,降低了模型的复杂性(图2)。立方体的长度、宽度和高度分别由L、B和H表示。根据故障和滚动轴承参数,通过下式计算故障引起的最大位移激励 : 式中,D表示滚子的直径, 表示位移激励的理论最大值。考虑半正弦激励,我们可以定义位移激励函数如下[27]: 其中 表示进入故障区域时滚动体与X轴的夹角, 表示离开故障区域时滚动体与X轴的夹角, 表示第j个滚动体的位置。滚动体与滚子接触的法向变形包含了轴承故障位移激励函数的影响。接触变形表达式为: 其中, 和 分别表示滚动轴承在X和Y方向上的位移,ε表示轴承公差。我们建立了故障轴承的两自由度动力学方程: 其中m表示当量轴承质量;K表示力变形系数(即刚度);c表示当量阻尼比; 表示第j滚子在接触区的判断系数,下式给出: 刚度K和阻尼比c是轴承故障动力学模型中的两个关键参数,对模拟振动响应的质量有很大影响。然而,它们通常是通过实际经验来确定的。在下一节中,我们将讨论如何通过测量的轴承故障振动信号来准确识别K和c。6.2 逆PINN图3 逆PINN结构在这一部分中,将详细阐述所提出的逆PINN。逆PINN原理:与现有的PINN不同,本文提出的逆PINN的优化目标是获得两个动力学参数,而不是一个轴承振动响应。逆PINN的结构图如图3所示,逆PINN的输入是从实际物理空间测得的滚动轴承故障振动信号,其输出是动态参数。在网络训练期间,动态参数被更新。根据滚动轴承的最新动态参数和已知的滚子数、滚子直径、故障位置、初始角位置等结构参数,采用Runge-Kutta方法结合张量计算,求解了非线性轴承故障动力学方程,得到了故障轴承在X、Y方向的振动响应。然后,将测量信号和模拟信号的FFT之差计算为损失。此外,还设计了两个动态参数的边界损失,用于网络训练。由于刚度K和阻尼比c之间的差高一个数量级,所以K不是由神经网络直接输出的,而是通过将网络输出值乘以七个数量级而得到的。这种方法可以确保网络输出的两个参数尽可能地处于相似的数量级,并有利于所提出的网络的PINN收敛。逆PINN的目标与原PINN不同,前者的结构比后者更简单。逆PINN的损失函数:逆PINN的损失函数由两部分组成。第一部分是边界损失,它包含所有未知参数的边界条件。传统PINN中的边界损失主要是用来约束某一时间点或空间点的响应值或物理量。例如,在基于流体力学的PINN中,某一位置的流体速度为零或某一值,可以利用这些信息来表示边界损失。然而,在逆PINN中,目标值不再是特定的响应,而是未知的物理参数。这些参数的近似值范围被用作边界条件。当动态参数在特定范围内更新时,可以加速网络训练。边界损失表示 为: 其中, 表示由网络模型输出的第j个参数; 和 分别是参数的下限和上限;以及n是参数的数目。本文考虑了两个动力参数:轴承刚度K和阻尼比c,并根据这两个参数的取值范围设定了具体的上下限。根据目标方位的经验知识,可以确定参数值的近似范围。例如,轴承的阻尼比通常在10到1000之间,而刚度通常在 到 之间。损失函数的第二部分是模拟振动与测量信号之间的偏差。通过在频域中计算这部分的损失函数,抑制了被测信号样本中噪声的影响。通过将时域信号转换为频域信号来防止由相位差和其他因素造成的干扰。此外,动态参数,包括刚度和阻尼比,对频谱的影响比时域信号更显著。因此,基于频域信号的损失函数保证了这些参数的准确、快速的优化。将测量的振动信号和模拟的振动信号的频域变换结果之间的均方根误差(RMSE)作为损失,称为 。这一损失被定义为: 其中,X和Y是测量的振动信号沿X和Y方向的傅里叶变换;X和Y是对应于通过逆PINN更新的动态参数的模拟振动信号的傅里叶变换;real(·)和imag(·)分别表示数据的实部和虚部。真值损失有效地减小了模拟信号和测量信号之间的频谱差异。利用这一损失来训练逆PINN,可以得到更接近实际情况的动态参数。然后,将这些动态参数引入到轴承故障动态模型中,从而提高了仿真信号与实测信号之间的相似性。总而言之,建议的逆PINN的损失公式如下: 6.3 轴承故障数据生成在此基础上,提出了一种基于数字孪生模型的故障数据生成方法,并给出了具体的实现步骤。第一步:输入滚动轴承的结构参数,将在某一工况下采集到的测量振动信号送入逆变器。根据专家经验设置两个动态参数的取值范围,然后分别在两个范围内初始化两个动态参数。第二步:根据故障轴承的结构参数、工况参数和动力学参数,采用Runge-Kutta算法结合张量计算,求解故障轴承的二自由度动力学方程。然后,得到模拟的振动信号。第三步:计算模拟振动信号和测量信号的傅里叶变换。用逆PINN法计算输出动态参数。第四步:通过公式计算 。然后,用EQ计算边界损失 。第五步:使用获得的损失,用ADAM优化器训练反PINN。通过损耗调整网络参数。第六步:重复步骤2到5,直到逆PINN收敛。完成网络训练后,准确识别两个动态参数K和c。第七步:将获得的动态参数提交到轴承故障动态模型中,计算出各种工况和故障模式(包括故障大小)下的模拟振动信号。第八步:在轴承振动响应中加入高斯白噪声,以提高生成数据的多样性。7 实验结果与分析7.1 实验描述提出的方法将通过两个实验进行验证。第一个实验基于Case Western Reserve University(CWRU)的轴承故障测试。两个测试SKF轴承(6205-2RS)位于轴承处。采用驱动端故障直径为0.54 mm(即L=B=H=0.54 mm)的故障滚动轴承的振动信号。在实验过程中,电机转速为1750rpm,信号采集频率为12 kHz。第二个实验是基于西安交通大学的轴承故障测试[28]。主要用于轴承退化试验。采用两台由PCB公司生产的加速度计,以25.6 kHz的采样频率沿X和Y方向测量轴承加速度信号。7.2 实验结果及分析表4 由逆PINN和专家经验在两个实验中获得的动力学参数图7 CWRU实验中模拟信号与实测信号的比较: (A)由优化参数得到的模拟结果;(B)由经验参数得到的模拟结果在CWRU和XJTU实验中,故障滚动轴承的动态参数(表4)是通过逆PINN估计的。同时,表4也列出了其他文献[17,27]设定的经验参数。观察到这两类动力学参数之间有很大的差异。不同的动力参数会导致不同的振动响应。在CWRU实验中,利用这两种动力学参数计算了振动信号。模拟信号和测量信号同时显示在图7中。在时间域波形中,很难确定K优化的参数是否优于经验参数。 图8 CWRU实验中仿真频谱与实验频谱的比较: (A)基于经验参数的仿真结果;(B)基于逆PINN优化参数的仿真结果图9 XJTU实验中仿真频谱与实验频谱的比较: (A)基于经验参数的仿真结果;(B)基于逆PINN优化参数的仿真结果动态参数K和c不影响旋转频率和故障特征频率,但影响其他频率成分,如固有频率。为了弄清动力参数对振动响应的影响,我们计算了由两种动力参数得到的振动信号的频谱,并分别将它们与被测信号的频谱进行了比较。CWRU实验的比较结果如图8(A)和(B)所示。提出的逆PINN方法得到的频谱与实测信号的频谱接近,而基于经验参数的频谱的主成分与实际信号的主成分有很大的偏差。XJTU实验中的比较结果如图9(A)和(B)所示。也得到了类似的结论。根据振动信号的频谱和文章中的时频频谱,根据最大峰值可以估计出轴承的固有频率。为了说明该参数优化方法相对于其他方法的优越性,计算了逆PINN法和专家经验估计的固有频率的误差和错误率。由所提出的逆PINN估计的固有频率具有很高的精度,这意味着所提出的逆PINN可以求解动态参数,并且提高了仿真模型的精度。 7.3 数据生成示例图11以外圈故障为样本,在40赫兹的转速和10kN的载荷下, 模拟和测量了轴承振动信号的频谱。 在用逆PINN识别出轴承的动态参数后,利用所开发的基于数字孪生故障数据生成方法,可以模拟故障轴承在任何工况下的振动响应。以XJTU实验中的轴承故障数据生成为例。利用所获得的动力学参数和轴承故障动力学模型,生成了在40 Hz旋转频率和10kN载荷下发生外环故障的轴承振动数据。计算了产生的和测量的信号的频谱(图11)。这两个频谱具有相似的特征谱线,即有效地模拟和产生了轴承振动信号中的主要特征频率分量。8 总结本文研究了一种轴承数据生成方法,以提高对不平衡样本的跨工况轴承故障诊断能力。为了准确识别轴承的动态参数,将轴承动力学模型与神经网络相结合,建立了一种新的逆PINN模型。这种网络的原理与传统的PINN相反。在逆PINN中,建立边界损失和真值损失来加速网络收敛,并将其用于评估模拟频域数据与真实频域数据之间的差异。提出了一种基于逆PINN、故障轴承动力学模型和实际数据的故障数据生成方法,用于生成特定工况下补充样本的轴承故障信号。然后,用它们来训练故障诊断网络。实验结果表明,该方法能有效克服轴承故障诊断中的样本平衡问题,优于SOTA数据生成方法和不平衡故障诊断方法。未来,我们将从强背景噪声的测量信号中识别模型参数,进一步提高生成数据的质量和多样性。 客官,球球再点个广告,再走吧~ 编辑:曹希铭校核:李正平、陈凯歌、赵栓栓、董浩杰、赵学功、白亮、陈少华该文资料搜集自网络,仅用作学术分享,不做商业用途,若侵权,后台联系小编进行删除点击左下角阅读原文,即可在线阅读论文。来源:故障诊断与python学习

    未登录
    还没有评论
    课程
    培训
    服务
    行家
    VIP会员 学习 福利任务 兑换礼品
    下载APP
    联系我们
    帮助与反馈