亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于端邊云工業(yè)互聯(lián)網(wǎng)平臺的軸承RUL預測分析

        2022-10-31 04:01:48林懿龍偉李炎炎魏鴻飛湯高豐
        電子制作 2022年18期
        關鍵詞:模型

        林懿,龍偉,李炎炎,魏鴻飛,湯高豐

        (1.四川大學機械工程學院,四川成都,610097; 2.成都中創(chuàng)一佳科技公司, 四川成都,610065)

        0 引言

        滾動軸承是旋轉(zhuǎn)設備中應用最廣的關鍵部件之一,因其工況惡劣,承受載荷多變、強度大和時間長等特點,也是最易損的部件之一。并且由于軸承失效的突發(fā)性,事故的發(fā)生難以預料,在造成經(jīng)濟損失的同時,也會給工業(yè)安全生產(chǎn)帶來嚴峻挑戰(zhàn)[1]。因此,提前預測軸承剩余使用壽命能夠快速反應決策,對保障人員財產(chǎn)安全具有重大意義。傳統(tǒng)RUL預測嚴重依賴專家經(jīng)驗,不僅成本高,且在大規(guī)模生產(chǎn)或惡劣環(huán)境狀況下,僅憑人力也難以負擔。如何低成本、高效且智能的對滾動軸承RUL實現(xiàn)精確預測,成為工業(yè)工程中亟待解決的問題。

        而隨著新一代信息技術的高速發(fā)展,云計算、大數(shù)據(jù)和人工智能等手段通過打造工業(yè)領域的互聯(lián)網(wǎng)平臺賦能裝備智能運維與自主健康,為軸承RUL預測提供了一種全新的、高效的、智能的解決方法?;诰W(wǎng)絡技術開展設備遠程監(jiān)測診斷的研究可追溯到上世紀90年代,在國外,1997年麻省理工學院與斯坦福大學共辦第一屆“基于因特網(wǎng)的工業(yè)遠程診斷研討會”,對該技術的連接體系、診斷信息、傳輸協(xié)議以及相關限制進行了探討,提出了展望與預期,獲得了國家以及相關行業(yè)公司的支持合作[2];2012年美國GE公司發(fā)布報告,重點以“旋轉(zhuǎn)機械”為討論對象,提出將傳感器嵌入各類先進儀器儀表以收集分析信息數(shù)據(jù),改進設備性能,并打造出全球首個工業(yè)互聯(lián)網(wǎng)平臺——Predix[3]。在國內(nèi),諸多高校行業(yè)也依據(jù)自身優(yōu)勢專業(yè),在各工業(yè)領域開展設備遠程診斷,并取得部分成果,其中,華中科技大學[4]在網(wǎng)絡上設立診斷點,以實驗室為單位成功提供了遠程診斷服務。北京化工大學的高金吉院士團隊[5]從企業(yè)工程經(jīng)驗出發(fā),于2012年就推出了基于工業(yè)互聯(lián)網(wǎng)的設備監(jiān)測診斷平臺,能夠于在線、無線、離線狀態(tài)下實現(xiàn)對工業(yè)現(xiàn)場設備的故障診斷。

        近些年,隨著傳統(tǒng)制造業(yè)轉(zhuǎn)型升級的呼聲愈發(fā)高昂,以工業(yè)互聯(lián)網(wǎng)賦能設備監(jiān)測診斷,促使設備診斷信息化、管理決策智能化也掀起空前熱潮。

        1 端-邊-云協(xié)同方案設計

        本文方案是以“面向產(chǎn)業(yè)集群全業(yè)務服務的工業(yè)互聯(lián)網(wǎng)平臺”為基礎設計的,該平臺由四川大學龍偉教授團隊推出,主要針對國內(nèi)某開發(fā)區(qū)企業(yè)類型多、產(chǎn)業(yè)數(shù)量多的特點建設的,并已成功入選“重慶市十大軟件公共服務平臺培育方案”,平臺主界面如圖1所示。

        圖1 工業(yè)互聯(lián)網(wǎng)平臺主界面

        傳統(tǒng)的“端-云”協(xié)同面臨以下問題:(1)大數(shù)據(jù)傳輸問題。未加處理的海量設備端數(shù)據(jù)在傳輸至云端的過程中,存在高延遲的缺陷;(2)實時性問題。數(shù)據(jù)量過大,影響云計算的實時處理能力;(3)安全問題。端-云傳輸路徑過長,存在數(shù)據(jù)丟失以及泄露風險。盡管“端-云”協(xié)同的架構解決了終端設備的限制,但仍存在一定的問題影響服務質(zhì)量和效率。為了緩解上述問題,在端-云架構中靠近設備端的部分,引入邊緣層,對海量工業(yè)數(shù)據(jù)實施預處理和儲存,能夠產(chǎn)生更快的網(wǎng)絡服務響應,滿足工業(yè)實時性、應用智能性、信息安全性。端-邊-云總體架構如圖2所示。

        圖2 端-邊-云總體架構

        1.1 端層功能設計

        端層又叫應用層、設備層或者感知層,主要指的是工業(yè)現(xiàn)場的數(shù)據(jù)采集系統(tǒng),通常包括工業(yè)設備、傳感器以及嵌入式系統(tǒng)等。在工業(yè)現(xiàn)場,主要是將各類有線和無線通信技術接入各種工業(yè)現(xiàn)場設備、智能產(chǎn)品/裝備采集工業(yè)數(shù)據(jù)。因此,利用加速度傳感器,采集重要設備的軸承振動信號,并通過智能網(wǎng)關傳輸?shù)竭吘壏掌鳌?/p>

        1.2 邊層功能設計

        邊層又叫邊緣層,能利用云網(wǎng)關連接工廠網(wǎng)絡中的各類設備,采集端層的多源異構數(shù)據(jù),匯聚各類工業(yè)參數(shù),并進行準確及時的協(xié)議解析、數(shù)據(jù)清洗、存儲和科學的分析處理,通過以太網(wǎng)、移動網(wǎng)絡等上網(wǎng)方式與云平臺進行通信,實現(xiàn)數(shù)據(jù)上云。將邊緣服務器部署在靠近工業(yè)現(xiàn)場的節(jié)點,一方面,能夠解決設備端儲存、計算能力不足的問題;另一方面,通過邊層對工業(yè)數(shù)據(jù)的結構化處理,不僅將云層的計算任務卸載到邊層,減輕了云中心的處理壓力、增加了傳輸效率。此外,由于目前在工業(yè)數(shù)據(jù)采集領域,多種工業(yè)協(xié)議標準并存,各種工業(yè)協(xié)議標準不統(tǒng)一、互不兼容,導致協(xié)議解析、數(shù)據(jù)格式轉(zhuǎn)換和數(shù)據(jù)互聯(lián)互通困難。因此采用一種以SOA、WebService為核心的跨平臺數(shù)據(jù)交換技術,即OPC UA統(tǒng)一架構,在單一接口情況下實現(xiàn)多種工業(yè)協(xié)議標準的數(shù)據(jù)交換。因此,在邊緣層中,將軸承原始振動信號進行數(shù)據(jù)清洗、特征提取后,再傳輸給云層計算中心。

        1.3 云層功能設計

        云層也被稱為云計算層,即“面向產(chǎn)業(yè)集群全業(yè)務服務的工業(yè)互聯(lián)網(wǎng)平臺”,是面向客戶的中心平臺或封裝軟件,主要接受來自邊緣層的數(shù)據(jù)流,并通過對數(shù)據(jù)進行智能分析與可視化展示,為用戶提供決策支撐。同時,由于云服務器具備足夠的計算與緩存能力,因此,將訓練好的軸承RUL預測模型模型部署于云層,實現(xiàn)網(wǎng)絡化協(xié)同管理,對軸承狀態(tài)實現(xiàn)智能分析、判斷和預警,為工業(yè)安全生產(chǎn)提供遠程分析和決策服務,保障工業(yè)現(xiàn)場的安全生產(chǎn)。

        2 基于QPSO-LSTM的軸承RUL預測建模

        LSTM網(wǎng)絡在長距離時序預測過程中表現(xiàn)出極佳的魯棒性和適應性,適用于滾動軸承RUL預測。但單一的LSTM網(wǎng)絡預測方法過于依賴人為設置神經(jīng)網(wǎng)絡的超參數(shù),這不僅導致訓練模型隨機性高、算法智能性差,還影響模型預測精度。因此,使用量子粒子群優(yōu)化算法(Quantum Particle Swarm Optimization,QPSO)對LSTM的網(wǎng)絡超參數(shù)自適應尋優(yōu),建立起QPSO-LSTM網(wǎng)絡模型,最終實現(xiàn)對軸承剩余壽命的智能預測。

        2.1 算法介紹

        2.1.1 QPSO算法

        Sun[6]模擬量子波動行為,提出了一種QPSO算法,該算法引入了量子理論,從智能進化和搜索策略的本質(zhì)上對PSO進行了改進。與標準PSO根據(jù)粒子飛行速度更新位置的行為不同,QPSO取消了粒子“速度向量”的屬性,使粒子位置的更新不關聯(lián)于粒子運動,以此增加算法搜尋能力。此外,基于量子理論,將粒子視為量子束縛態(tài),其位置為搜尋空間中任意可能的點,而粒子存在于該點的概率將由概率密度函數(shù)決定。因此,基于δ勢阱理論,通過求解薛定諤方程,就能求出該概率密度函數(shù),并在其旁邊進行逆變換從而獲得粒子位置。與傳統(tǒng)算法相比,QPSO可以在整個可行域內(nèi)搜索最優(yōu)解,具有快速收斂性和魯棒性。同時,QPSO算法在對多維函數(shù)的尋優(yōu)問題中,表現(xiàn)出極佳的精度。算法原理和步驟如下:

        Step1:計算平均最佳位置mbestt:

        其中,M為粒子種群數(shù);pbesti,t為t代粒子中的個體最優(yōu)位置。

        Step2:更新粒子位置。因為粒子處于δ勢阱中,從量子理論來看,粒子在不斷演變的過程中,種群具有一定程度的聚集性,粒子將會被吸引子逐漸吸引到該點。吸引子公式為:

        其中,α是加權因子,遵循[0, 1]上的均勻分布數(shù)值

        同時,為了更新粒子位置,需要將粒子從量子態(tài)壓縮到經(jīng)典態(tài),并使用蒙特卡羅隨機模擬獲得下一代粒子位置:

        其中,xi,t+1表示粒子t+1代的位置,β為創(chuàng)新參數(shù),名為收縮擴張系數(shù),取值一般小于1;u遵循[0, 1]上的均勻分布;取+與-的概率各為0.5。

        QPSO算法結合了PSO和量子理論的特點,具有如下優(yōu)點:①具有概率為1的全局收斂能力;②參數(shù)量少,算法收斂速度和粒子位置只取決于參數(shù)β,具有更簡單的結構、更快的收斂速度;③比標準PSO輸出更為穩(wěn)定,魯棒性極佳。

        2.1.2 LSTM網(wǎng)絡

        在滾動軸承壽命預測時,考慮到軸承退化過程是動態(tài)和發(fā)展的,傳統(tǒng)神經(jīng)網(wǎng)絡只能表現(xiàn)為對當前時刻監(jiān)測信號的映射,忽略了時序信號在不同時間的相關性[7]。循環(huán)神經(jīng)網(wǎng)絡RNN擁有記憶循環(huán)結構,能夠同時兼顧輸入信號的空間和時序性,但在長時序數(shù)據(jù)中,有依賴下降的缺點。LSTM網(wǎng)絡是RNN的變種,是為了解決RNN長期以來存在的梯度消失和爆炸問題所提出的,相對于RNN,LSTM網(wǎng)絡在長時序記憶中有更好的表現(xiàn)。

        傳統(tǒng)RNN是一個鏈式結構,通過單一網(wǎng)絡的復制將信息傳遞給下一個神經(jīng)模塊,因此RNN具備一定的記憶功能。但隨著數(shù)據(jù)時間片段與網(wǎng)絡節(jié)點計算階段增加,RNN會逐漸喪失接受遠程信息的能力,也就是出現(xiàn)了長期依賴問題。此外,RNN權值矩陣的循環(huán)乘積,會產(chǎn)生梯度消失和爆炸,使得其模型訓練困難。

        LSTM引入門(gate)機制,在隱藏層增加一個細胞狀態(tài),以輸入門、輸出門和遺忘門控制信息流動。與RNN不同的是,LSTM重復模塊中并非單一神經(jīng)網(wǎng)絡,而是四個交互層,共同控制信息沿著時間軸更新。其中,三種狀態(tài)門形成記憶單元結構組織決定單元狀態(tài)。通過這種刻意設計的結構,LSTM網(wǎng)絡能夠利用門控傳輸機制,有選擇性的記住需要長時間記憶的信息,而遺忘掉無用信息,徹底解決了RNN網(wǎng)絡“呆板”的疊加式記憶方式。

        2.1.3 QPSO-LSTM

        Klaus greff[8]等人研究了LSTM網(wǎng)絡相關超參數(shù)設置對預測結果的影響,實驗表明,學習速率和網(wǎng)絡大小的設置至關重要,因此,可用QPSO算法對學習速率、迭代次數(shù)、隱含神經(jīng)元節(jié)點數(shù)(兩層網(wǎng)絡結構)共四個超參數(shù)進行尋優(yōu),以得到精度更高、更穩(wěn)定的訓練模型。其中,適應度值函數(shù)定義為均方差,計算公式如下:

        其中,Ai為測試值,F(xiàn)i為神經(jīng)網(wǎng)絡預測值。

        算法流程如圖3所示。

        圖3 QPSO-LSTM算法流程

        2.2 實驗驗證

        實驗數(shù)據(jù)為來自IEEE協(xié)會2012年舉辦的PHM預測挑戰(zhàn)賽軸承全周期振動信號[9],選用兩種工況下的Bearing1-1及Bearing2-1為訓練集數(shù)據(jù),Bearing1-3為測試集數(shù)據(jù),具體軸承全壽命信號圖如圖4所示。經(jīng)過綜合考慮,提取信號最小值、能量熵、峰峰值、最大值、波形、整流平均值、標準差、方差等8組特征構建軸承退化特征向量。此外,將軸承剩余壽命模型簡化為一次方程,并引入軸承特征共同構建訓練參數(shù)集,同時為了更直觀地呈現(xiàn)剩余壽命預測情況,將剩余壽命歸一化為[0, 1],1代表百分百剩余壽命,0代表軸承完全失效。

        圖4 軸承全壽命信號圖

        Elman、CNN、BP、標準LSTM及PSO-LSTM多種模型的預測結果進行對比。其中,Elman網(wǎng)絡是一種遞歸神經(jīng)網(wǎng)絡,因為本身包括四層網(wǎng)絡結構,所以具有一定的延時時變能力,常用于回歸預測;CNN網(wǎng)絡則是一種具有深度結構的前饋神經(jīng)網(wǎng)絡,在機器視覺、語音處理及分類問題中表現(xiàn)極佳;BP網(wǎng)絡則是當前應用最廣的模型之一,具有模型結構簡明、運算效率高的特點,其本身能利用梯度下降法減小訓練誤差,因此在非線性擬合中表現(xiàn)突出。各模型預測結果曲線如圖5所示,而為了便于展示,圖中的曲線是經(jīng)平滑處理后的結果。

        由圖5可知,六種模型的剩余壽命預測值同真實值的整體變化趨勢基本相同,直觀反映了所取特征參數(shù)的退化敏感性較高,對軸承退化狀態(tài)表征能力較強,證明了自適應特征選擇算法的有效性與實用性。分階段來看,在退化初期,即[0, 500]處,所有模型的預測效果都較差,主要原因是軸承剛接入負載系統(tǒng),系統(tǒng)整體穩(wěn)定性不高,導致軸承振幅波動較大,待系統(tǒng)趨于平穩(wěn)后,擬合效果才逐漸提高;而在[500, 1000]處的振幅平穩(wěn)階段預測值與真實值誤差較小,模型擬合曲線精度普遍較高,這是因為此階段軸承磨損量較小,整體處于健康狀態(tài),振動特征平穩(wěn),因此具有較高的擬合精度;而在[1000, 1500]處的退化中期階段,因軸承磨損量逐漸加深,振動信號非線性、非平穩(wěn)性增強,因此預測誤差較大,此外,由于振幅波動較大,與退化初期的表現(xiàn)形式相似,導致五種對比模型剩余壽命預測值擬合曲線在真實值曲線上方,而只有本文所提出的QPSO-LSTM算法具有最佳的擬合效果,體現(xiàn)出該算法預測結果的精確性;最后,在[1500, 2500]處的急速退化階段,六種模型擬合精度普遍較高,因為本階段軸承退化趨勢明顯,振幅異常,振動特征表征效果最佳。同時,為了定量評價各算法剩余壽命預測模型的精度,以均方根誤差RMSE和決定系數(shù)R2為評價指標,公式如下:

        圖5 預測結果對比圖

        其中,Ai為測試值,F(xiàn)i為神經(jīng)網(wǎng)絡預測值,F(xiàn)為Fi的平均值。

        根據(jù)式(5)和(6)計算的模型精度評價指標結果如表1所示, RMSE指標代表著預測輸出與預期輸出的誤差值,該指標越小,則代表整體預測越小,預測精度越高;R2指標代表著預測結果對預期值的擬合度,其值越大,說明擬合結果越好,預測精度越高。LSTM網(wǎng)絡模型則因其獨特的長時序記憶能力,在長距離時序數(shù)據(jù)預測方面表現(xiàn)突出,因此,LSTM網(wǎng)絡模型的預測結果顯著優(yōu)于其余網(wǎng)絡模型;其次,為了解決LSTM網(wǎng)絡智能化訓練問題,使用PSO算法對網(wǎng)絡超參數(shù)尋優(yōu),結果顯示,PSO尋優(yōu)后的LSTM網(wǎng)絡預測效果優(yōu)于超參數(shù)固定設置的標準LSTM網(wǎng)絡,驗證了智能訓練的有效性;最后,為了提高尋優(yōu)精度,提出一種QPSO-LSTM網(wǎng)絡模型,結果也表明,QPSO算法尋優(yōu)精度更高,因此該模型的剩余壽命曲線擬合最符合真實值,且預測模型評價結果中,RMSE最小、R2最大,預測精度最高。

        表1 模型評價

        綜上所述,本節(jié)所提出的基于QPSO-LSTM算法不僅可以有效的預測滾動軸承剩余壽命,還能夠自適應調(diào)整網(wǎng)絡超參數(shù),智能訓練模型,為設備在線監(jiān)測與維護提供了一種新的策略。

        最后,將預測模型部署于工業(yè)互聯(lián)網(wǎng)平臺上,預測結果如圖6所示。圖6中,橫坐標表示軸承工作時間,縱坐標表示軸承剩余壽命,曲線則表示當前軸承剩余壽命。通過提取當前時刻軸承的退化特征,輸入QPSO-LSTM壽命預測模型,能夠提前預測軸承失效時間,快速反應決策,避免因設備可靠性缺失導致惡性工業(yè)事故的發(fā)生。此外,圖7還展示了平臺另一個功能——軸承狀態(tài)識別的可視化。圖7中,左邊為離散點分析,主要通過振動信號振幅大小輔助判定軸承是否運行異常,右邊為軸承診斷結果及三維聚類圖的可視化展示。

        圖6 滾動軸承剩余壽命預測結果

        圖7 軸承故障診斷結果可視化

        3 結論

        (1)設計了一套“端云邊”協(xié)同的工業(yè)互聯(lián)網(wǎng)架構,通過端層采集軸承振動信號并傳輸至邊層;在邊緣層對大量軸承數(shù)據(jù)進行預處理與特征提取,減少云端復雜,增加預測實時性;最后,在云層部署智能模型,實現(xiàn)對軸承RUL的準確預測;

        (2)提出了一種基于QPSO-LSTM的軸承RUL預測算法,通過QPSO優(yōu)化算法自適應設定LSTM的網(wǎng)絡超參數(shù),使其更穩(wěn)定、精確的對RUL進行預測。并通過軸承全壽命數(shù)據(jù)與多種算法對比,驗證了該算法的實用性;

        (3)將智能模型部署于工業(yè)互聯(lián)網(wǎng)云端,實現(xiàn)了對軸承RUL的在線智能預測。

        提前預測設備失效時間,能夠快速反應決策,避免惡性安全事故,保證人員財產(chǎn)安全;同時,智能化的設備健康管理技術也可以節(jié)省人力成本,提升企業(yè)管理效率,在加快傳統(tǒng)制造業(yè)轉(zhuǎn)型升級、增強中國制造核心競爭力方面作用深遠。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權M-估計的漸近分布
        3D打印中的模型分割與打包
        av网站在线观看亚洲国产| 啪啪无码人妻丰满熟妇| 欧洲亚洲色一区二区色99| 精品国产日韩亚洲一区在线| 性色av一二三天美传媒| 狠狠色噜噜狠狠狠888米奇视频| 一区二区无码中出| 久久婷婷夜色精品国产 | 激情综合色五月丁香六月亚洲| 国产系列丝袜熟女精品视频| 亚洲av乱码国产精品观看麻豆| 丝袜美腿一区二区国产| 国产乱人视频在线播放| 亚洲VA中文字幕欧美VA丝袜| 午夜国产精品一区二区三区| 国产成人AⅤ| 日韩中文字幕不卡在线| 三级做a全过程在线观看| 熟妇人妻中文av无码| 精品国产日韩无 影视| 在线观看国产激情视频| 天天爽夜夜爱| 性导航app精品视频| 黄片一级二级三级四级| 天堂在线资源中文在线8| 国产成人vr精品a视频| 亚洲AV无码一区二区一二区教师| 少妇高潮精品在线观看| 亚洲熟妇无码一区二区三区导航| 狠狠色噜噜狠狠狠97影音先锋| 中文字幕精品乱码一区| 亚洲av综合av一区二区三区| 国产又黄又大又粗的视频| 免费无遮挡毛片中文字幕| 亚洲国产综合人成综合网站| 色播亚洲视频在线观看| 四虎欧美国产精品| 国内精品少妇久久精品| 精品九九人人做人人爱| 亚洲日本va中文字幕久久| 加勒比一本大道大香蕉|