基于自动编码器(Autoencoder)健康指标的非平稳振动全生命周期监测

《Journal of Infrastructure Intelligence and Resilience》:Lifecycle monitoring of non-stationary vibrations using autoencoder-based health indicators

【字体: 大 中 小 】 时间:2026年08月01日 来源:Journal of Infrastructure Intelligence and Resilience 6.5

编辑推荐:

  本研究提出了一种数据驱动的预测性维护(Predictive Maintenance, PdM)方法,用于监测非平稳工况下旋转机械的状态。采用正常行为建模(Normal Behaviour Modelling, NBM),该方法利用短时傅里叶变换(Short-T

  
本研究提出了一种数据驱动的预测性维护(Predictive Maintenance, PdM)方法,用于监测非平稳工况下旋转机械的状态。采用正常行为建模(Normal Behaviour Modelling, NBM),该方法利用短时傅里叶变换(Short-Time Fourier Transform, STFT)将一维(1D)振动信号转换为二维(2D)时频功率谱图像。研究人员在这些图像上训练自动编码器(AutoEncoders, AE)和卷积自动编码器(Convolutional AutoEncoders, ConvAE)以学习健康系统行为。模型在包含感兴趣频率范围的信号提取段上进行训练。通过图像质量评估指标量化重构误差来识别异常。随后使用控制图(Control charts)建立退化趋势和异常阈值。该自动编码器框架为机器健康监测提供了稳健的解决方案,能有效检测各频率范围内的异常。
该研究发表于《Journal of Infrastructure Intelligence and Resilience》。研究背景方面,风力发电机齿轮箱作为关键子系统,其故障导致显著停机与修复成本。现有的监控与数据采集(Supervisory Control and Data Acquisition, SCADA)系统数据虽有助于决策,但其低频记录难以检测轴承等部件级故障。传统基于平稳假设的频率域诊断方法(如快速傅里叶变换(Fast Fourier Transform, FFT))在风速波动导致的非平稳振动下会产生频谱模糊与峰值偏移,难以建立一致基准,存在研究空白。因此,研究人员开展此项研究,旨在提出一种创新的数据驱动预测性维护框架,对风力发电机齿轮箱振动进行全生命周期监测,以解决非平稳条件下的鲁棒状态监测问题。
研究人员开展研究用到的主要关键技术方法包括:采用瑞典某运行风力发电机四年全生命周期振动数据集(含超2700个信号,采样率12800 Hz,时长1.28 s,源自Martin-del-Campo等人2019年开源数据),利用短时傅里叶变换(STFT)配合汉宁窗与50%帧重叠将一维信号转为二维时频功率谱图,并应用低通(<1 kHz)、带通(1–5 kHz)、高通(>5 kHz)数字滤波器进行分频段处理;构建全连接自动编码器(AE)与卷积自动编码器(ConvAE)两种无监督架构,仅基于早期450张健康图像训练以学习正常行为建模(NBM);选用均方误差(Mean Squared Error, MSE)、峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和结构相似性指数(Structural Similarity Index Measure, SSIM)作为图像质量评估指标即健康指标(Health Indicators, HI),并依据训练集统计量设定±3σ控制限(Upper Control Limit, UCL; Lower Control Limit, LCL)进行统计过程控制(Statistical Process Control, SPC)。
研究结果部分保留小标题简述如下:
  1. 1.
    Introduction
    研究人员通过阐述风力机非平稳振动特性及传统方法局限,明确生命周期监测定义(跨越数年、多退化阶段及维护事件),提出三项核心目标:开发STFT图像转换方法、探究AE与ConvAE在无监督NBM中的应用、建立基于重构误差与控制图的HI以监测退化。
  2. 2.
    Materials and methods
    2.1. Time-frequency analysis
    研究人员选用STFT因其产生固定规则网格的二维功率谱图,兼容图像处理与深度学习流程,且计算高效、参数可控,并通过去除首尾帧缓解边界失真。
    2.2. AutoEncoders
    研究人员定义AE由编码器与解码器组成,异常输入导致重构误差增大;ConvAE引入卷积层以更好捕获空间信息;采用MSE、PSNR、SSIM作为评估指标,其趋势分别随退化呈增、减、减。
    2.3. Control charts
    研究人员基于训练集度量均值(μ)与标准差(σ)设UCL与LCL为μ±3σ,对MSE关注UCL,对PSNR与SSIM关注LCL,单点超限或连续异常序列视为报警。
    2.4. Wind turbine asset and vibration signals
    研究人员使用瑞典风机四级寿命振动数据,加速度计轴向安装于三级齿轮箱输出轴轴承壳体,信号间隔中位数约12小时,以四次显著间隔扩大事件作为关机(Shut Down, SD1–SD4)代表退化状态。
    2.5. Workflow for PdM
    研究人员选取前220天450幅健康图像训练,新图像输入训练后AE计算重构误差绘控制图,超限即预警;并对全频段与三分段滤波信号分别训练AE(共8模型)以提升频率特异性诊断。
    2.6. Proposed framework
    研究人员整合两阶段流程:训练阶段含滤波、STFT转换、AE训练及控制限建立;应用阶段含同法转换、重构误差计算、控制图比对与多频段联合报警。
  3. 3.
    Results
    研究人员展示MSE、PSNR、SSIM在全生命周期的趋势,稳定期后均显现退化行为与关机前瞬态偏离;以SD1前为例,低通滤波SSIM(lpSSIM)在<1 kHz范围提前示警,多指标与多频段AE联合响应增强异常置信度与故障频率定位能力。
  4. 4.
    Discussion
    研究人员指出静态±3σ控制限虽透明可复现,但非平稳条件下动态阈值更优;STFT边界效应经汉宁窗与去帧缓解仍存局限;自动编码器可解释性不足通过分频段建模部分弥补,未来需引入显著性映射等方法;单加速度计与缺维护记录限制推广,但框架协同时频分析与无监督AE为长期预测工具提供创新。
  5. 5.
    Conclusions
    研究人员结论如下:
    本研究提出了一种针对非平稳工况旋转机械全生命周期健康监测的数据驱动框架,并在运行风力发电机四年齿轮箱振动数据集上验证。主要贡献包括:
  6. 6.
    一种将一维非平稳振动信号转换为二维STFT功率谱图像的方法,将信号处理问题重构为适用于深度学习的计算机视觉问题。
  7. 7.
    应用两种自动编码器架构(全连接AE与卷积AE)的无监督正常行为建模,仅基于健康期图像训练,无需标记故障数据即可实现异常检测。
  8. 8.
    创新性使用图像质量评估指标(MSE、PSNR、SSIM)作为健康指标,在全生命周期中表现出持续退化趋势与故障前敏感性。
  9. 9.
    应用信号子带滤波创建频率特异性健康指标,丰富异常检测的诊断上下文。
    框架限于单机单加速度计验证,控制限静态,无机器特定故障标签或维护记录(关机事件作代理),STFT边界效应仍存轻微伪影,且未提供剩余使用寿命(Remaining Useful Life, RUL)估计。未来方向包括多机多传感器评估、自适应动态控制限、基于健康指标退化的RUL回归、可解释性方法集成及基于轴承特征频率的导引滤波带选择。
要不要我帮你把这篇论文解读里的关键专业术语整理成一份中英对照表方便查阅?
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号