(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211353357.9 (22)申请日 2022.11.01 (71)申请人 青岛睿发工程咨询服 务合伙企业 （有限合 伙） 地址 266600 山东省青岛市莱西市水集 街 道办事处烟台路130号府新嘉苑E5-3- 502 (72)发明人 饶猛　左明健　 (74)专利代理 机构 青岛利知星知识产权代理事 务所(普通 合伙) 37367 专利代理师 康林霞 (51)Int.Cl. G01M 99/00(2011.01) G01D 21/02(2006.01) G06K 9/00(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于速度自适应自编码器的旋转机械 故障监测方法 (57)摘要 本发明涉及机械健康状态 监测领域， 公布了 一种基于速度自适应自编码器的旋转机械故障 监测方法， 利用自编码器 （Autoencoder,AE） 搭建 速度自适应深度学习模型 （SA ‑AE） ， 模型包括两 个分支： AE分支和速度自适应 （SA） 分支； SA分支 以转速信号时间序列为输入， 输出速度正则化函 数， 用于消除转速对振动信号的影响； AE分支用 于重构正则化的振动信号； 重构误差的大小用于 判断旋转机械的健康 状态。 相对于现有 技术， SA‑ AE可自动去除转速变化对故障监测的影 响， 避免 因转速波动导 致的故障误报或漏报。 权利要求书2页 说明书5页 附图4页 CN 115389247 A 2022.11.25 CN 115389247 A 1.一种基于速度自适应自编码器的旋转机械故障监测方法， 其特征在于， 包括以下步 骤： 第一步： 采集目标旋转机 械健康状态下的振动信号 和转速信号 ； 第二步： 数据预处 理： 将振动信号标准 化， 将转速信号归一 化； 第三步： 搭建速度自适应自编码器深度 学习网络： 模型包括两个分支， 速度自适应分支 和自编码器分支； 速度自适应分支以转速信号时间序列 为输入， 输出速度自适 应函数 ； 速度自适应函数 乘以振动信号时间序列， 得到正则化的振动信号时间序列 ， 所用公式为： 自编码器分支以正则化的振动信号时间序列 为输入， 输出为序列的预测 值  ； 其中， 为正则化的振动信号的预测值， 为正则化的振动信号时 间序列， 为正则化的振动信号在时刻t的预测值， 为振动信号时间序列； 第四步： 训练速度自适应自编码器深度学习 网络模型： 用第二步骤预处理的数据训练 速度自适应自编码器深度学习网络模型， 使得模型损失函数最小， 损失函数公式为： 其中， 为正则化的振动信号在时刻t的预测值； 第五步： 计算健康度指标HI： 利用正则化的振动信号的预测误差 , 计算健 康度指标HI； 第六步： 确定健康状态阈值TH： 根据目标旋转机械健康状态下的数据的健康度指标HI 的大小， 确定健康状态阈值TH； 第七步： 上线应用： 将新获取的目标机械的振动信号输入到第四步训练好的模型中， 并 通过第五步计算信号的健康度指标HI， 比较信号的健康度指标HI和健康状态阈值TH的相对 大小， 若HI<TH， 则机 械健康， 否则机 械故障。 2.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 其 特征在于， 所述目标旋转机 械包括电动机、 发电机、 齿轮箱、 泵和风机 。 3.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 其 特征在于， 所述 转速信号 为目标旋转机 械的任一旋转轴的转速 。 4.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 其 特征在于， 所述振动信号包括加速度信号、 速度信号、 位移信号、 扭矩信号和声压信号。 5.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 其 特征在于， 所述振动信号标准化处理的方法为将振动信号的均值归零、 标准差归一， 具体公 式为： 权　利　要　求　书 1/2 页 2 CN 115389247 A 2其中， 和σ 分别为振动数据的均值和标准差， 为振动信号的预测值即模型的输出。 6.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 其 特征在于， 所述 转速信号归一 化处理方法为将转速的范围缩比到[ ‑1, 1]或[0,1]。 7.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 所 述速度自适应 自编码器深度学习网络， 其中自编码器分支包括至少一个输入层、 一个隐藏 层和一个输出层， 网络类型为全连接层。 8.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 所 述速度自适应 自编码器深度学习网络， 其中速度自适应分支包括至少一个神经网络层， 网 络类型为卷积层。 9.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 所 述健康度指标HI 为预测误差 Err时域特征如均方根 值、 频域特 征如频带能量。 10.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法， 所 述健康状态阈值TH为 健康数据的HI的统计特 征值。权　利　要　求　书 2/2 页 3 CN 115389247 A 3