基于收缩自注意关系网络的机械装备故障智能检测与定位方法

作     者：陈作懿 邓超 吴军 朱海平 CHEN ZuoYi;DENG Chao;WU Jun;ZHU HaiPing

作者机构：华中科技大学机械与工程学院武汉430074 华中科技大学船舶与海洋工程学院武汉430074 国家智能设计与数控技术创新中心武汉430074 

出 版 物：《中国科学：技术科学》 (Scientia Sinica(Technologica))

年 卷 期：2023年第53卷第7期

页      面：1214-1228页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0824[工学-船舶与海洋工程] 0802[工学-机械工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

基　　金：工信部高质量专项重点项目(编号:TC210804R-1) 国家自然科学基金面上项目(批准号:51875225)资助 

主　　题：机械装备 故障检测 工业大数据 残差收缩网络 关系网络 

摘      要：故障检测与定位是保障机械装备长寿命高可靠安全运行的核心技术.机械装备上安置有众多的传感器,可获取海量运行状态数据,推动机械装备故障检测与定位迈入大数据时代.现有工业大数据驱动的装备故障检测与定位方法一般依赖于足够多的故障样本才能训练出高精度的故障检测模型.然而,实际工程中机械装备故障样本通常难以获取甚至没有,这严重限制了故障检测与定位方法的工程适用性.为了克服上述局限性,本文提出一种无故障样本下基于收缩自注意力关系网络(shrinkage transformer relation network,STRN)的机械装备故障检测与定位方法.首先,构建残差收缩网络,消除隐藏在输入信号中的干扰特征,并提取具有代表性的特征.然后,通过建立样本对揭示健康状态和其他状态之间的关系.最后,构建Transformer关系网络,评估样本对间的相似关系,以确定他们的状态类型.此外,建立辅助样本库协助STRN提取出机械装备的更具有代表性的健康特征.通过搭建船舶推进轴系实验台验证了STRN方法的有效性.实验结果表明,无论在单一或复合故障模式下STRN都能精准检测与定位出轴系故障位置,且具有很强抗噪声性能;与现有方法相比检测精度至少高出25%.