《機器人基礎與數(shù)字孿生系統(tǒng)》 課件 第6-8章 數(shù)字孿生系統(tǒng)架構及引擎、人機共融的數(shù)字孿生系統(tǒng)、數(shù)字孿生系統(tǒng)的故障診斷

第6章數(shù)字孿生系統(tǒng)架構及引擎第6章數(shù)字孿生系統(tǒng)架構及引擎章節(jié)內(nèi)容6.1系統(tǒng)框架及技術體系

分析了數(shù)字孿生系統(tǒng)主流架構的發(fā)展現(xiàn)狀和其主要組成部分，并在此基礎上分析了構建具有狀態(tài)監(jiān)測功能的數(shù)字孿生系統(tǒng)架構的主要組成部分及其關鍵技術。6.2數(shù)字孿生引擎

介紹了數(shù)字孿生引擎的一般概念和內(nèi)容，具體分析了各組成部分的內(nèi)涵。設計并構建了數(shù)字孿生的數(shù)據(jù)層，完成了數(shù)據(jù)的采集、數(shù)據(jù)的存儲。同時設計了健康評估功能，得出機器人的實時健康度水平。6.3可視化應用

介紹了VR/AR/MR技術的概念和一些形式以及Unity軟件的應用場景，提供了一個基礎的Unity練習題目，具體書寫了實現(xiàn)步驟，以幫助新手快速入門，并提供了一個可視化應用的實例。6.1系統(tǒng)架構及技術體系

在MichaelGrieves教授關于數(shù)字孿生的白皮書中，數(shù)字孿生的概念模型包括三部分：實體空間中的物理產(chǎn)品、虛擬空間中的虛擬產(chǎn)品以及將虛擬產(chǎn)品和物理產(chǎn)品聯(lián)系在一起的數(shù)據(jù)和信息的連接。五維數(shù)字孿生模型的概念如右圖所示：相較于傳統(tǒng)三維數(shù)字孿生模型增加了功能服務、數(shù)據(jù)兩個維度。五維模型主要是指：①物理實體②虛擬模型③連接④數(shù)據(jù)⑤功能服務物理實體虛擬模型數(shù)據(jù)功能服務映射反饋采集反饋供給存儲供給存儲服務呈現(xiàn)6.1系統(tǒng)架構及技術體系

物理實體是現(xiàn)實世界中客觀存在的實體，是數(shù)字孿生系統(tǒng)的構成基礎，按照物理實體的復雜程度不同，物理實體在構成上可以向下細分為多級子系統(tǒng)，比如對于一個機器人來說，低一級為組成機器人的各個部件如電機、減速器、連桿機構等，這些部件組合在一起構成了高一級的機器人，在構建數(shù)字孿生系統(tǒng)時，需要根據(jù)需求以及管理粒度來劃分物理實體。物理實體虛擬模型數(shù)據(jù)功能服務映射反饋采集反饋供給存儲供給存儲服務呈現(xiàn)6.1系統(tǒng)架構及技術體系

虛擬模型是針對物理實體所建立的數(shù)字模型，數(shù)字模型需要真實反映物理實體狀態(tài)，將物理實體的幾何外形、物理特性、行為及規(guī)則特性等真實呈現(xiàn)。

幾何外形的體現(xiàn)依賴于對物理實體的三維建模，一般在三維建模軟件中實現(xiàn)；物理特性是指物理實體的受力、材質(zhì)、約束、結構等信息；行為特征是指物理實體在實際運轉(zhuǎn)過程中，由外部環(huán)境和內(nèi)部因素等綜合作用下表現(xiàn)出來的行為；規(guī)則特征是指物理實體遵循的客觀規(guī)律。物理實體虛擬模型數(shù)據(jù)功能服務映射反饋采集反饋供給存儲供給存儲服務呈現(xiàn)6.1系統(tǒng)架構及技術體系

數(shù)據(jù)是系統(tǒng)中傳輸?shù)臄?shù)據(jù)。數(shù)據(jù)不僅來源與物理實體上的各傳感器，還可能來自于系統(tǒng)服務功能對原始數(shù)據(jù)進行加工、融合之后輸出的數(shù)據(jù)。數(shù)據(jù)是數(shù)字孿生系統(tǒng)的支撐，也是數(shù)字孿生架構的核心。

連接是各個層次之間的連接，主要是數(shù)據(jù)的流通。系統(tǒng)中各個層次都需要獲取數(shù)據(jù)，數(shù)據(jù)的通訊需要依賴通訊協(xié)議和傳輸規(guī)范，以滿足系統(tǒng)對于數(shù)據(jù)實時性及可靠性的要求。物理實體虛擬模型數(shù)據(jù)功能服務映射反饋采集反饋供給存儲供給存儲服務呈現(xiàn)6.1系統(tǒng)架構及技術體系

功能服務是系統(tǒng)所帶來的各種功能，按照服務范圍可以劃分為對內(nèi)服務和對外服務兩方面。對內(nèi)服務是指系統(tǒng)內(nèi)自用的，比如各層級之間連接的接口、數(shù)據(jù)傳輸與存儲服務等，對外服務是系統(tǒng)使用者能夠使用的功能，比如虛實隨動、健康狀態(tài)評估、數(shù)據(jù)可視化呈現(xiàn)、虛擬員工培訓、遠程指導維修并進行虛擬現(xiàn)實等沉浸式交互服務等。物理實體虛擬模型數(shù)據(jù)功能服務映射反饋采集反饋供給存儲供給存儲服務呈現(xiàn)6.1五維架構模型示例仿真運算數(shù)據(jù)服務設備數(shù)據(jù)監(jiān)控服務剩余壽命預測服務物理構件虛擬模型物理數(shù)據(jù)虛擬數(shù)據(jù)特征提取及剔除融合數(shù)據(jù)算法模型訓練計算VR交互服務Unity建模向預測算法模型發(fā)送網(wǎng)絡請求調(diào)用VRTK配置接口，VR交互呈現(xiàn)設備狀態(tài)預測結果算法模型服務器部署傳感器數(shù)據(jù)控制指令數(shù)據(jù)傳感器數(shù)據(jù)物理/虛擬/融合數(shù)據(jù)數(shù)據(jù)預處理物理/虛擬/融合數(shù)據(jù)仿真運算數(shù)據(jù)特征處理物理/虛擬/融合數(shù)據(jù)服務數(shù)據(jù)仿真運算數(shù)據(jù)校準策略信息物理融合傳感器數(shù)據(jù)仿真運算數(shù)據(jù)故障診斷服務6.1數(shù)字孿生技術體系對于實體數(shù)字孿生，它的功能是集成不同的信息，例如監(jiān)視信息、感測信息、服務信息以及有關物理的行為信息。物理實體將具有與其狀態(tài)、運行軌跡和行為特征完全相同的虛擬雙胞胎。

對于場景數(shù)字孿生，物理場景在虛擬空間中用靜態(tài)和動態(tài)信息表示。靜態(tài)信息包括空間布局、設備和地理位置；動態(tài)信息涉及環(huán)境、能耗、設備運行、動態(tài)過程等。物理場景中的活動可以由數(shù)字孿生模擬。6.1數(shù)字孿生技術體系物理世界、虛擬模型、數(shù)據(jù)和功能服務不是孤立的。數(shù)字孿生不是一種單一的技術，而是一系列技術的綜合應用。6.1系統(tǒng)架構實例根據(jù)數(shù)字孿生五維模型的概念，構建協(xié)作臂數(shù)字孿生系統(tǒng)總體技術框架如下。數(shù)據(jù)持久化技術：mysql數(shù)據(jù)庫表設計索引設計數(shù)據(jù)與模型融合：定義模型父子關系數(shù)據(jù)與模型融合數(shù)據(jù)驅(qū)動模型物理實體數(shù)據(jù)采集處理技術：多傳感器數(shù)據(jù)融合技術數(shù)據(jù)預處理數(shù)字模型建模技術：幾何模型建模LOD優(yōu)化算法（模型簡化）模型紋理材質(zhì)添加物理實體層數(shù)據(jù)層虛擬實體層功能服務層數(shù)據(jù)可視化及VR呈現(xiàn)：儀表盤餅圖折線圖VR呈現(xiàn)技術健康度評估：建立評價因素集建立評價結果集確定評價因素權重建立模糊矩陣6.2數(shù)字孿生引擎一方面是實現(xiàn)物理系統(tǒng)和虛擬系統(tǒng)實時連接同步驅(qū)動的引擎；另一方面是孿生系統(tǒng)中智能算法和智能計算的引擎核心。五個部分：交互驅(qū)動模塊、數(shù)據(jù)儲存和管理模塊、模型管理模塊、模型/數(shù)據(jù)融合模塊以及智能計算模塊。6.2數(shù)字孿生引擎——數(shù)據(jù)層搭建實例數(shù)據(jù)中心/平臺：數(shù)據(jù)中心架構數(shù)據(jù)流向6.2數(shù)字孿生引擎——數(shù)據(jù)層搭建實例數(shù)據(jù)分類：非時變數(shù)據(jù)：設備類型、設備編號、精度、負載等。時變數(shù)據(jù)：協(xié)作機器人控制系統(tǒng)主機、協(xié)作機器人驅(qū)動電機兩大部分。6.2數(shù)字孿生引擎——數(shù)據(jù)層采集實例數(shù)據(jù)采集：機器人驅(qū)動電機數(shù)據(jù)：主要包括驅(qū)動電機的轉(zhuǎn)角、電壓、電流、溫度、轉(zhuǎn)速數(shù)據(jù)。機器人控制系統(tǒng)主機數(shù)據(jù)：主要包括控制系統(tǒng)主機的CPU使用率、內(nèi)存使用率、SSD使用率、SWAP使用率、網(wǎng)卡速率等數(shù)據(jù)。6.2數(shù)字孿生引擎——數(shù)據(jù)采集實例電機數(shù)據(jù)采集驅(qū)動電機數(shù)據(jù)通過與ESP32開發(fā)板串口通信獲取;主機數(shù)據(jù)采集主機數(shù)據(jù)通過主機命令行代碼獲取外部傳感器通過傳感器上位機獲取6.2數(shù)字孿生引擎——數(shù)據(jù)存儲實例數(shù)據(jù)存儲：數(shù)據(jù)庫表的設計遵循面向?qū)ο蟮脑瓌t，大致分為兩個類，一類是控制系統(tǒng)主機表，對應主機狀態(tài)各參數(shù)，主要包括CPU使用率、內(nèi)存使用率、SSD使用率、SWAP使用率、網(wǎng)卡狀態(tài)、網(wǎng)卡流量等字段，另一類是電機類，分為六個子類，分別對應六個自由度的驅(qū)動電機，每個子類包含轉(zhuǎn)角、電壓、電流、溫度、轉(zhuǎn)速等字段6.2數(shù)字孿生引擎——數(shù)據(jù)存儲實例數(shù)據(jù)存儲：索引添加數(shù)據(jù)庫添加索引，考慮系統(tǒng)長時間運行，數(shù)據(jù)庫中數(shù)據(jù)量會持續(xù)增加，導致數(shù)據(jù)查詢效率降低，數(shù)據(jù)庫索引就像一本書的目錄，可以顯著加快數(shù)據(jù)查詢速度，實測表明，在300萬條數(shù)據(jù)的情況下，無索引查詢需要21.3秒，有索引查詢僅需要1.1秒，而且數(shù)據(jù)量越大，速度提升越明顯。6.2數(shù)字孿生引擎——健康監(jiān)測實例機器人健康度評估：①確定評價因素集②確定評價結果集③確定評價因素權重④確定模糊關系矩陣求解利用模糊綜合評價法進行求解，根據(jù)最大隸屬度原則可以確定機器人健康狀態(tài)，式中H表示評價對象健康等級隸屬度矩陣，矩陣H中最大元素所代表的健康等級就是評價對象的最終健康水平：·為加權平均算子：權重：模糊關系矩陣：6.3可視化應用——VR/AR/MR

虛擬現(xiàn)實（VR）是利用計算機圖形學技術生成一個三維空間的虛擬世界，用戶借助頭盔顯示器等必要設備，與數(shù)字化環(huán)境中的對象進行交互，產(chǎn)生親臨環(huán)境的感受和體驗。

增強現(xiàn)實（AR）是在VR技術的基礎上將真實世界信息和虛擬世界信息“無縫”集成的技術，目標是虛擬世界套在現(xiàn)實世界并進行互動，是虛擬空間與物理空間之間的融合。

混合現(xiàn)實技術（MR）是通過在現(xiàn)實世界、虛擬世界和用戶之間搭起一個交互反饋的信息回路，增強用戶體驗的真實感。6.3可視化應用——Unity簡介

Unity是一種優(yōu)秀的2D/3D游戲引擎，使用Unity開發(fā)的國內(nèi)外游戲大作層出不窮，例如王者榮耀、原神、爐石傳說等。Unity是一款非常適合開發(fā)虛擬仿真應用、虛擬現(xiàn)實作品、電子游戲、實時三維影片等多種可交互內(nèi)容的跨平臺、綜合型開發(fā)工具。6.3可視化應用——Unity簡介若想安裝并方便管理各種不同版本的Unity軟件，可以登陸官網(wǎng)，下載安裝UnityHub，支持多種系統(tǒng)。由于Unity屬于正版軟件，公司等單位使用需要購買許可證來激活，使用個人版本許可證，只需獲取激活，無需購買。6.3可視化應用——Unity簡介創(chuàng)建一個Unity工程，可以在Unity啟動后出現(xiàn)的對話框中單擊“New”，輸入項目名稱和選擇保存位置，選擇項目類型。左上角“Hierarchy（層級）”窗口顯示的是當前場景中所有游戲?qū)ο蟮牧斜?；“Scene（場景）”窗口為場景編輯界面，可以在這個窗口中觀察和編輯當前場景中的所有游戲?qū)ο?；“Game（游戲）”窗口是預覽界面，可以在這個窗口中以玩家的視角觀察場景的實時畫面；“Inspector（檢視）”窗口用于展示場景中某個被選中的對象的所有組件及其屬性。6.3可視化應用——Unity簡介一個Unity項目離不開各種資源。對于Unity來說，“資源”就是指可以運用在游戲或者虛擬現(xiàn)實項目中的一切文件。資源可以是外部軟件創(chuàng)建的文件；也可以是Unity中創(chuàng)建的特有文件。由于需要對掛載在物品上的C#腳本進行編輯以實現(xiàn)功能設計，需要安裝VisualStudio編輯器，建議版本2019以上。教材中提供了Rollaball項目的過程指導，是一個類似“HelloWorld”標準的小游戲，玩家控制小球在環(huán)境中拾取金幣。第6章小結在第一小節(jié)介紹了數(shù)字孿生體系的一般架構，分析數(shù)字孿生相關的的技術體系；在第二小節(jié)講解了數(shù)字孿生引擎系統(tǒng)包含的內(nèi)容；在第三節(jié)設計了可視化應用，安排了Unity的基礎項目練習；在各節(jié)都提供了實際項目案例，幫助讀者加深對相關概念的理解。第7章人機共融的數(shù)字孿生系統(tǒng)【7.1結構化環(huán)境建模】【7.1.1人-機孿生系統(tǒng)架構】

基于數(shù)字孿生五維模型實現(xiàn)協(xié)作機器人狀態(tài)監(jiān)測系統(tǒng)的構建?？梢詫崿F(xiàn)物理實體到虛擬實體的雙向通訊，將實時的人機最小安全距離對應不同安全等級，給機器人實體發(fā)送控制信號從而實現(xiàn)不同的控制策略，以虛擬實體控制真實的物理實體。(1)數(shù)據(jù)層：機械臂的多源監(jiān)測數(shù)據(jù)均通過MySQL數(shù)據(jù)庫存儲至云端。引入Redis緩存數(shù)據(jù)庫，提高處理效率，為安全性保障提供數(shù)據(jù)基礎。(2)虛擬模型層：保持機械臂的物理實體與機械臂數(shù)字孿生模型的高度一致性。(3)連接層：在數(shù)據(jù)通訊技術方面，主要采用串口通訊和TCP/IP協(xié)議簇通訊。(4)功能服務層：主要實現(xiàn)數(shù)據(jù)可視化、安全狀態(tài)評估和虛擬模型的運動跟隨?！?.1結構化環(huán)境建?！俊?.1.2機械臂虛擬模型制作與簡化】

定義模型父子關系：為了讓數(shù)字模型滿足機器人運動學，實時呈現(xiàn)機器人實體的位姿，按照物理實體各自由度定義模型父子關系，按自由度劃分模型，通過對機器人各關節(jié)變量的輸入，對每一個自由度單獨控制?！?.1結構化環(huán)境建模】【7.1.2機械臂虛擬模型制作與簡化】

模型簡化優(yōu)化算法：按照一定的手段對模型中的邊折疊代價進行衡量，折疊代價越小的邊簡化后的模型越接近原模型。采用優(yōu)化的基于二次誤差矩陣的邊折疊算法對數(shù)字孿生模型進行簡化，算法步驟如右圖所示?！?.1結構化環(huán)境建模】【7.1.2機械臂虛擬模型制作與簡化】

模型簡化優(yōu)化算法：對兔子模型和機器人模型進行簡化，對比原算法和優(yōu)化算法：【7.1結構化環(huán)境建?！俊?.1.

3機械臂虛實模型的快速映射】

模型簡化優(yōu)化算法：

DH坐標系可視作機械臂的骨骼模型，在已知各連桿幾何尺寸的前提下，只需要實時測量機械臂實體6個關節(jié)角的位置和速度，即可實現(xiàn)機械臂虛實模型的快速映射。以右圖機械臂作為建模實例。建立如右圖所示的DH坐標系。利用機械臂各關節(jié)內(nèi)置的碼盤，能實時測量各關節(jié)的位置和速度，由此更新機械臂數(shù)字孿生模型的空間位置和速度。【7.1結構化環(huán)境建?！俊?.1.4模型與數(shù)據(jù)融合的虛實運動跟隨】

模型與數(shù)據(jù)融合：控制模型運動有兩種實現(xiàn)方式，一種是使用菜單欄工具通過鼠標控制模型運動，一般在調(diào)試時使用，可擴展性低；另一種是使用腳本，通過運行腳本控制模型，這種方式相對鼠標控制較為復雜，需要手動編寫腳本，但是優(yōu)點在于可擴展性強，能夠?qū)崿F(xiàn)更復雜的運行控制?！?.2非結構化環(huán)境的視覺重建】【7.2.1人體骨骼模型的處理】

人體骨骼模型識別：使用Azure-Kinect深度相機，獲取關鍵點信息。將已有的SDK移植到Unity的C#腳本中，并進行相應的模型構建，以三維形式來顯示獲得的骨骼模型數(shù)據(jù)?！?.2非結構化環(huán)境的視覺重建】【7.2.1人體骨骼模型的處理】

骨骼關鍵點數(shù)據(jù)處理：采用了霍爾特雙參數(shù)指數(shù)平滑算法消除關鍵點抖動，且以骨骼長度為約束條件篩選人體骨骼關鍵點坐標，極大提高了AzureKinect相機獲取關鍵點空間位置的準確率，進而提升了人機協(xié)作過程中的安全感知精度。平滑效果如圖所示?！?.2非結構化環(huán)境的視覺重建】【7.2.1人體骨骼模型的處理】

實現(xiàn)動作跟蹤效果【7.2非結構化環(huán)境的視覺重建】【7.2.2虛擬現(xiàn)實交互系統(tǒng)】

VR場景：選用的虛擬現(xiàn)實設備是HTC廠家的HTCVIVECosmos系列，設備由一個頭戴式設備和兩個操作手柄組成。

瞬移功能是通過獲取瞬移點的坐標，然后將角色的坐標轉(zhuǎn)換為瞬移點的坐標來實現(xiàn)的。未接觸到按鈕時按鈕呈現(xiàn)白色，當接觸之后呈現(xiàn)黃色，按下的瞬間按鈕會呈現(xiàn)紅色?！?.3人-機安全交互關鍵技術】【7.3.1安全感知算法】

最小安全距離感知：針對數(shù)字孿生環(huán)境中的機器人孿生體和操作者孿生體，采用基于三維偏移量的最小安全距離實時感知算法，能實時快速地計算人機協(xié)作中的最小安全距離。機械臂關節(jié)段的定義關系人體骨骼關節(jié)的定義關系人機最小距離函數(shù)上式滿足條件其中和是當前計算距離的兩段關節(jié)上滿足式(4)的條件參數(shù)式(4)式(5)【7.3人-機安全交互關鍵技術】【7.3.2人-機數(shù)字孿生系統(tǒng)的協(xié)同構建】

信息物理集成子系統(tǒng)：連接著真實場景和虛擬場景且實現(xiàn)該兩者的數(shù)據(jù)交互，是實現(xiàn)以實促虛、以虛促實的基礎。通過RGB-D視覺相機采集人體骨骼信息，通過機械臂內(nèi)置傳感器采集關節(jié)角度信息，然后將采集的數(shù)據(jù)傳入服務器，由此實現(xiàn)人機協(xié)作數(shù)字孿生模型的重構?！?.3人-機安全交互關鍵技術】【7.3.2人-機數(shù)字孿生系統(tǒng)的協(xié)同構建】

數(shù)字孿生子系統(tǒng)：數(shù)字孿生子系統(tǒng)是將真實物理場景下的對象實體通過信息物理集成子系統(tǒng)的數(shù)據(jù)進行渲染，并在仿真環(huán)境中展示。對機械臂和操作者的虛實映射數(shù)字孿生子系統(tǒng)架構正常情況與發(fā)生碰撞【7.3人-機安全交互關鍵技術】【7.3.2人-機數(shù)字孿生系統(tǒng)的協(xié)同構建】

虛擬現(xiàn)實子系統(tǒng)：操作者通過佩戴VR眼鏡，能對真實場景下不存在的機器人進行模擬預覽。通過在虛擬環(huán)境中放置虛擬機器人，能對工作場景進行預覽，并監(jiān)測人機協(xié)作的最小安全距離。虛擬現(xiàn)實子系統(tǒng)虛擬機械臂與人體協(xié)同作業(yè)模擬【7.3人-機安全交互關鍵技術】【7.3.2人-機數(shù)字孿生系統(tǒng)的協(xié)同構建】

基于人機數(shù)字孿生協(xié)同的安全距離感知方法系統(tǒng)驗證視頻：人機最小安全距離實時計算【7.3人-機安全交互關鍵技術】【7.3.2人-機數(shù)字孿生系統(tǒng)的協(xié)同構建】

基于人機數(shù)字孿生協(xié)同的安全距離感知方法系統(tǒng)驗證視頻：人體、機械臂孿生效果第八章數(shù)字孿生系統(tǒng)的故障診斷【8.1基于特征生成模型的故障診斷方法】

早期的故障診斷方法有振動監(jiān)測技術、油液監(jiān)測技術、溫度趨勢分析和無損探傷技術等，上述的故障診斷方法主要針對于普通單一的機械設備，無法適用于當下的復雜設備和復雜環(huán)境，已趨于淘汰。

而隨著計算機算力的提升和當下深度學習理論基礎越來越完善，結合深度學習的軸承故障診斷方法相較于之前的方法能更準確的提供故障診斷和分類效果。由于故障數(shù)據(jù)難采集且故障類別分布不均衡，導致故障診斷的準確率和精確率受到影響。本節(jié)提出結合條件變分自編碼器(ConditionalVariationalAutoencoder,CVAE)與輔助分類生成式對抗網(wǎng)絡(AuxiliaryClassifierGenerativeAdversarialNetworks,ACGAN)進行特征生成，以實現(xiàn)準確故障診斷的新方法?！?.1基于特征生成模型的故障診斷方法】【8.1.1條件變分自編碼器】

條件變分自編碼器(CVAE)基于變分自編碼器(VAE)的基礎上對輸入數(shù)據(jù)集增加了類別C作為原始數(shù)據(jù)的約束條件，通過對原始數(shù)據(jù)和類別進行編碼得到隱含特征Z。

通過引入均值μ、方差σ和噪聲ε對進行重參數(shù)化，得到的重構式

Z=μ+σ×ε，再用解碼的方式將隱含特征和類別重構回原始數(shù)據(jù)的空間維度，得出重構后的數(shù)據(jù)與原始數(shù)據(jù)不斷逼近，從而獲得原始數(shù)據(jù)X的隱含特征Z?！?.1基于特征生成模型的故障診斷方法】【8.1.2輔助分類生成式對抗網(wǎng)絡】

傳統(tǒng)的GAN模型主要是通過對生成器G輸入噪聲Z，生成器G的目標是提取真實特征的分布并輸出生成特征，盡可能的讓生成特征在判別器D的判別中與真實特征一致。通過生成器G和判別器D的對抗過程完成對模型的訓練過程，使得生成特征的分布不斷逼近真實特征的分布，最終達到Nash均衡。

通過CVAE網(wǎng)絡訓練得到的類別條件約束下的隱含特征可以通過輔助分類生成式對抗網(wǎng)絡進一步得到類條件特征。【8.1基于特征生成模型的故障診斷方法】

ACGAN在GAN的理論基礎上添加類別屬性C來約束對抗網(wǎng)絡。給生成器G輸入噪聲和類別，判別器D既需要對生成特征和真實特征進行真?zhèn)闻袆e，又要基于給出的生成特征訓練對應的類別屬性，給出屬于類別的概率分布。

判別器和生成器通過動態(tài)抗衡的學習方式，最終達到Nash均衡，ACGAN網(wǎng)絡可以借助訓練好的生成器生成有效的類條件特征?！?.1基于特征生成模型的故障診斷方法】【8.1.3CVAE-ACGAN特征生成模型】故障判斷流程軸承振動信號作為原始故障數(shù)據(jù)，自定義故障類別屬性，經(jīng)過數(shù)據(jù)清洗和切割劃分后分為訓練集、測試集和驗證集。訓練集輸入CVAE網(wǎng)絡，通過編碼解碼的訓練方式提取到類別條件約束下的隱含特征。將CVAE提取到的隱含特征作為判別器的真實數(shù)據(jù)輸入源，通過生成器和判別器動態(tài)對抗的訓練方式不斷優(yōu)化最終得到有效的類條件特征。結合ACGAN生成器輸出的類條件特征和訓練集進行拼接，把擴增后的新數(shù)據(jù)集作為CNN網(wǎng)絡的訓練集，結合分類器的監(jiān)督學期和梯度下降算法，最小化CNN模型的損失函數(shù)，完成對CNN故障診斷模型的訓練。最后，給CNN故障診斷模型輸入測試集和驗證集，使預測類別與真實類別盡可能一致，驗證模型分類能力，得到軸承故障診斷結果進行實驗對比分析?！?.1基于特征生成模型的故障診斷方法】

CVAE-ACGAN模型訓練主要分為兩部分：CVAE提取原始數(shù)據(jù)類別條件約束下的隱含特征和ACGAN生成有效的類條件特征。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】

采用凱斯西儲大學(CWRU)軸承數(shù)據(jù)集和意大利都靈理工大學(PoliTO)軸承數(shù)據(jù)集作為數(shù)據(jù)源，在同種輸入輸出的條件下，與其他四種特征生成模型的故障診斷結果進行對比。

凱斯西儲大學信號采集實驗臺由一臺電動機、一個功率測試計和傳感器組成。傳感器信號采集頻率主要分為12KHz和48Khz，通過電火花加工的方式為軸承構造人為損傷，其中根據(jù)損失直徑的不同分為0.007英寸、0.014英寸、0.021英寸和0.028英寸。

取驅(qū)動端加速度樣本數(shù)據(jù)，按照內(nèi)圈、外圈和滾動球體三種故障位置，每種故障位置又按照損傷直徑0.007，0.014和0.021的順序排列，再加上設備健康的狀態(tài)，自定義10種故障類別，按照數(shù)字0-9的方式來標記，將數(shù)據(jù)集按照7:2:1的比例劃分為訓練集、測試集和驗證集，取每個數(shù)據(jù)集長度為1024。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】

意大利都靈理工大學(PoliTO)軸承數(shù)據(jù)集采用的數(shù)據(jù)來自意大利都靈理工大學機械和航天工程系的航空發(fā)動機高速軸承故障模擬試驗臺，該試驗臺可測量航空軸承在不同高轉(zhuǎn)速重載荷下的振動加速度數(shù)據(jù)。

B1，B2，B3為三個軸承支座，A1和A2處各安裝一個三軸振動加速度傳感器，分別用于測量損壞軸承支架B1處和受外載荷最大B2處的振動數(shù)據(jù)。使用Rockwell工具在軸承內(nèi)圈或滾子上產(chǎn)生不同大小的錐形壓痕，模擬不同的故障類型，軸承不同健康狀態(tài)的測量過程相同：首先在空載下以100Hz轉(zhuǎn)頻(6000r/min)短暫運行，檢查安裝是否正確，正確安裝后逐步改變外載荷的大小，并以100Hz為步長提高。當軸的轉(zhuǎn)速穩(wěn)定后就通過傳感器對振動數(shù)據(jù)進行測量?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】在本次實驗中選擇轉(zhuǎn)速為6000r/min、30000r/min和額定負載1000N的負載設置，以64kHz的采樣率測量了大約4秒的振動信號，所選擇的故障編號、故障位置、轉(zhuǎn)速和額定負載如表所示，最終共計10種故障類型，數(shù)據(jù)集劃分與凱斯西儲大學軸承數(shù)據(jù)集保持一致?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為了量化提出的方法在故障診斷中的效果，采取準確率(Accuracy)，精確率(Precision)，召回率(Recall)和平均結果(Averageresult)。A為指定類別特征判斷正確的數(shù)量，B為非指定類別特征被錯認為指定類別特征的數(shù)量，C為指定類別特征判斷錯誤數(shù)量，D為非指定類別特征判斷正確數(shù)量。

準確率是衡量特征生成模型識別出故障的指標。精確率和召回率是衡量模型正確分類的指標，前者關注指定類別判斷正確的數(shù)量在整體預測結果中的比例，后者關注指定類別判斷正確的數(shù)量在判斷出的特定故障類別中的比重。平均結果是召回率和精確率的加權調(diào)和平均。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型在故障診斷中的實際應用情況，以CNN卷積神經(jīng)網(wǎng)絡作為故障診斷模型。首先，向CNN故障診斷模型輸入故障特征生成模型處理后的故障數(shù)據(jù)集，然后經(jīng)過Softmax分類器進行10種故障分類，最后，通過對10種故障類別的分類結果對故障特征生成模型的能力進行驗證和對比。CNN網(wǎng)絡參數(shù)設置【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證提出的模型能夠提高故障診斷模型的準確率和精確率，以PoliTO數(shù)據(jù)集作為數(shù)據(jù)源，分別選擇CNN故障診斷模型和經(jīng)過故障特征生成模型的CVAE-ACGAN-CNN故障診斷模型進行對比。本次驗證方法在測試集和驗證集上各進行十次訓練，對10種故障類別的準確性、精確性、召回率和加權調(diào)和平均值進行求和取平均值。將故障數(shù)據(jù)集直接輸入CNN故障診斷模型時，平均準確率在98.58%、平均精確率在96.44%、平均召回率在94.23%、加權調(diào)和平均值在95.32%。與經(jīng)過CVAE-ACGAN-CNN故障診斷模型相比較，后者平均準確率提高0.31%、平均精確率提高2.06%、平均召回率提高3.19%、加權調(diào)和平均值提高2.64%。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】選取最后一次故障預測結果繪制混淆矩陣來反映故障診斷模型實際診斷的情況。CNN混淆矩陣CVAE-ACGAN-CNN混淆矩陣對比二者的混淆矩陣可以發(fā)現(xiàn)：CVAE-ACGAN-CNN對于10種故障類別的預測結果均高于CNN，而且前者的誤判概率低且只出現(xiàn)誤判為另一類的情況。觀察后者則可以發(fā)現(xiàn)：CNN模型在針對某一類別的判斷誤差較大，而且對某一類別可能誤判成其他多種類別，對故障診斷的精確率和準確率有著很大的影響?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對象，選擇相同的輸入和訓練步驟，輸入同一個CNN故障診斷模型記錄診斷結果，評估指標保持一致。不同模型在CWRU數(shù)據(jù)集的故障診斷結果對比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】為驗證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對象，選擇相同的輸入和訓練步驟，輸入同一個CNN故障診斷模型記錄診斷結果，評估指標保持一致。不同模型在PoliTO數(shù)據(jù)集的故障診斷結果對比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】對比CVAE-ACGAN和ACGAN的損失函數(shù)曲線可以看出，前者的損失函數(shù)在第12輪的時候曲線已經(jīng)開始收斂，而且后續(xù)整體曲線處于平穩(wěn)的狀態(tài)；后者的損失函數(shù)曲線在將近28輪的時候才開始收斂，而且整個函數(shù)曲線抖動較大處于十分不穩(wěn)定狀態(tài)。CVAE-ACGAN損失函數(shù)曲線ACGAN損失函數(shù)曲線【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實驗對比驗證】進一步驗證CVAE-ACGAN特征生成模型的特征提取能力，利用t-SNE算法來進行可視化分析。將特征層通過t-SNE投影到2維的平面中觀察數(shù)據(jù)特征分布，圖內(nèi)數(shù)字0-9代表提取到的不同故障特征類型。選擇CVAE和VAE的隱含特征值層，ACGAN和CVAE-ACGAN生成器的輸出層，CVAE-ACGAN模型中CNN的輸出層?！?.2性能退化評估模型】【8.2.1軸承性能退化評估方法】機械設備經(jīng)過長期運行后，許多零部件會面臨使用壽命退化的問題，從而影響設備的運行狀態(tài)。因此，對機械設備的運行狀態(tài)進行有效評估是保證生產(chǎn)可持續(xù)進行的方法之一。在機械設備的運行過程中，其零部件狀態(tài)具有時變性和不確定性特點。需研究合理的性能退化評估方法，對時序信號進行分析處理并得出實際運行模型與預測模型之間的實際映射，以實現(xiàn)高可靠運行。討論一種基于堆棧去噪自編碼器(StackedDenoisedAutoencoder,SDAE)和支持向量數(shù)據(jù)描述(SupportVectorDataDescription,SVDD)的性能退化評估模型。SDAE具有良好的去噪和抗干擾能力，從原始數(shù)據(jù)集中挖掘出有效的退化特征并結合時序特征分析，劃分出正常狀態(tài)特征和全壽命特征，結合SVDD模型抗干擾的特點，對SVDD評估模型進行離線訓練來確定模型參數(shù)，通過在線評估的方法來預測軸承早期故障和其他退化狀態(tài)，進一步對退化評估結果進行驗證和對比分析?！?.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】SDAE是在自動編碼器(Autoencoder,AE)的基礎上延伸提出的模型，由于AE模型的泛化能力和抗噪能力弱，可以對輸入的數(shù)據(jù)進行去噪，以形成去噪自編碼器(DenoisedAutoencoder,DAE)。DAE模型有較強的抗噪能力，但是在訓練和學習的過程中存在收斂速度慢和計算量大的問題，SDAE則在DAE的基礎上通過堆疊的方式進行逐層訓練，既保留了DAE模型的抗噪能力又加快了收斂和學習速度。AE是一種非監(jiān)督學習的人工神經(jīng)網(wǎng)絡，網(wǎng)絡結構為輸入層、隱含層和輸出層，在進行訓練的時候主要分為編碼解碼兩部分，并通過最小化重構差來對原始數(shù)據(jù)進行特征提取。DAE則是在AE中隨機加入噪聲進行訓練，來避免輸入信號因為受到噪聲污染而影響其魯棒性和泛化能力。【8.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】DAE在AE中隨機加入噪聲進行訓練，來避免輸入信號因為受到噪聲污染而影響其魯棒性和泛化能力。

DAE模型首先對原始樣本，

加入噪聲，獲得含噪樣本

，含噪樣本經(jīng)過激活函數(shù)編碼的方式實現(xiàn)到隱含層的映射，輸入解碼層進行重構處理，最終得到輸出

。DAE模型通過編碼解碼的方式能提高魯棒性，但是在面對大量樣本時存在訓練速度慢和提取特征精度欠缺的問題?！?.2性能退化評估模型】【8.2.2堆疊消噪自動編碼】SDAE模型通過堆疊的方式將結構分成編碼解碼的單元，通過預訓練的方式將上一單元的隱含層作為下一單元的輸入層，根據(jù)重構誤差不斷進行調(diào)整，可以提取更加深層次的有效特征

SDAE的基本結構與DAE類似，但是相比于DAE可以通過逐層訓練的方式提取更有效的特征。經(jīng)過隨機噪聲的原始樣本作為模型的輸入層，經(jīng)過第一隱含層時通過編碼解碼的方式得到隱含特征，當進入第二隱含層時選擇第一個隱含特征作為隱含層的輸入，再次經(jīng)過編碼解碼的方式得到另一個隱含特征，如此反復訓練和調(diào)整，直到得到最終的隱含特征和每一層的權值，完成預訓練的過程。

在確定每層的權值后，對原始樣本整體輸入SDAE模型，通過最小化重構誤差函數(shù)和梯度下降算法最終完成全局調(diào)參的目標?！?.2性能退化評估模型】【8.2.3支持向量數(shù)據(jù)描述】SVDD模型最早用來解決單分類問題，將目標樣本通過非線性函數(shù)映射在不同維度的空間，并在這個空間中通過確定球心和半徑兩個重要參數(shù)來構建一個最小的超球體結構。

樣本到球心的距離定義為退化指標，選擇合適的性能退化閾值將樣本點劃分為目標樣本點和非目標樣本點。在進行實際評估的過程中，選取每個樣本點到球心的距離與半徑進行性能退化閾值比較，其中超球體模型應盡可能將目標樣本包含在球體內(nèi)，其余樣本都在超球體半徑范圍之外。此外，通過樣本點到球心的距離也可判斷樣本點的退化程度，離球心越近代表此時設備工作狀態(tài)越穩(wěn)定，而離球心越遠則代表此時設備故障損壞程度越嚴重。根據(jù)這一特性可以將SVDD模型用于軸承性能退化評估方法中?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】軸承的性能退化過程主要分為正常狀態(tài)、退化狀態(tài)和失效狀態(tài)三種狀態(tài)。

1）正常狀態(tài)正常狀態(tài)是設備從剛開始運行至發(fā)生輕微故障的時期，這一期間故障特征在前期沒有明顯的體現(xiàn)，表示此時的設備處于正常工作狀態(tài)。2）退化狀態(tài)退化狀態(tài)是從設備已經(jīng)發(fā)生故障的時刻開始記錄，主要分為輕微退化、中度退化和嚴重退化三種程度。此時的故障特征相比于正常狀態(tài)會有明顯的抖動，該故障只是表明設備此時已經(jīng)進入性能退化階段，隨著設備運行時間的增加，故障特征會越來越明顯，設備性能退化也更加嚴重，但是并未導致設備發(fā)生停機等事故。3）失效狀態(tài)失效狀態(tài)是從設備的失效故障點開始記錄，此時故障特征達到峰值且發(fā)生劇烈的抖動，表明設備的狀態(tài)已經(jīng)無法滿足基本的運行要求，嚴重時會造成設備停機，導致生產(chǎn)無法繼續(xù)。。選取穩(wěn)定明顯的性能退化指標對評估結果的準確性有著重要的影響?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】原始振動信號有著數(shù)據(jù)量大和噪聲強的特點，直接通過性能退化評估模型進行評估會導致模型的訓練過程緩慢、評估結果準確率低。

SDAE網(wǎng)絡由多個自動編碼器疊加建立，可以通過編碼的方式將原始數(shù)據(jù)的輸入特征映射為低維特征，再經(jīng)由解碼的方式對編碼提取的低維特征進行重構，通過梯度下降算法對編碼解碼網(wǎng)絡逐層訓練，使得重構誤差達到最小化，為性能退化評估模型提供有效的性能退化輸入特征，提高性能退化評估結果準確性。軸承性能退化數(shù)據(jù)集反映軸承在某一時間段內(nèi)從正常到失效的過程，考慮到時間序列數(shù)據(jù)集的序列性和對離散點敏感性的特點，需要在進行性能退化評估前對其進行時域特征提取，經(jīng)過試驗對比分別以均值、均方根、峰度、偏度、極差、方差、峰值指標、脈沖指標、裕度指標和峭度為時域特征，其編號分布為T=[T1,T2,…,T10]，共計10維特征【8.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】在對軸承的性能退化進行評估的過程中，SVDD通過定義一個最小超球面，盡可能將正常運行的樣本包含在球內(nèi)，選擇每個樣本與超球體球心之間的距離作為性能退化指標DI，以反應不同時期性能退化的程度。

在對SVDD性能退化評估模型訓練和學習中，需要預先提前設置核參數(shù)和懲罰因子。懲罰因子衡量樣本中離散點對整個模型評估能力的影響程度，值越大代表模型越重視離散點的影響。核參數(shù)在SVDD中決定超球體半徑的大小，相較于懲罰因子，對模型的分類能力有著重要的影響。核參數(shù)的選擇受到核函數(shù)的影響，經(jīng)常應用的核函數(shù)有以下三種。線性核函數(shù)多項式核函數(shù)高斯核函數(shù)高斯核函數(shù)也稱為RBF核函數(shù)，是在支持向量機分類中最常用的核函數(shù)，其本質(zhì)是通過衡量樣本之間的相似度來實現(xiàn)更加準確的分類功能，可調(diào)參數(shù)只有δ，相較于之前兩種核函數(shù)，能夠針對非線性問題提供計算量更小更加有效的解決方案，具有較強的實用性?！?.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】為了更準確地獲得軸承從正常運行到完全失效這一完整的性能退化過程，提出基于SDAE-SVDD的滾動軸承性能退化評估流程。

1）性能退化評估流程主要分為離線訓練和在線評估兩部分。選擇均方根值（RMS）作為性能退化指標對全壽命周期的原始振動信號進行預處理，劃分出軸承正常工作和早期軸承故障的開始時刻；2）SDAE從軸承全壽命數(shù)據(jù)中自適應提取軸承性能退化特征，通過重構誤差和梯度下降算法提取到有效特征，結合第一步得到的樣本劃分點，將提取到的特征劃分為正常狀態(tài)特征和全壽命特征；3）結合時序信號的特點對SDAE提取到的正常狀態(tài)特征和全壽命特征進行時域特征提取，分別劃分為離線訓練集和在線測試集；【8.2性能退化評估模型】【8.2.4基于SDAE-SVDD的性能退化評估模型】

4）利用訓練集數(shù)據(jù)通過離線訓練的方式構建SVDD性能退化評估模型，選擇正常狀態(tài)樣本點到超球體球心的距離作為性能退化指標DI，構建SVDD性能退化評估模型，通過對比和實驗最終確定SVDD模型的核參數(shù)和懲罰因子；5）最后，選擇全壽命測試集。經(jīng)過上述步驟的特征提取可得到性能退化特征，再輸入到已訓練好的SVDD性能退化評估模型，通過在線評估和性能退化指標DI繪制性能退化評估曲線，并對預測的退化結果進行驗證和對比分析，衡量實際的退化評估能力?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學IMS軸承退化數(shù)據(jù)集為驗證SDAE-SVDD性能退化評估模型的有效性，選擇辛辛那提大學智能維護中心滾動軸承全壽命疲勞實驗數(shù)據(jù)進行實驗分析。整個數(shù)據(jù)采集平臺是在恒定負載的條件下進行，主要由交流電機、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實驗采用的是4個雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個軸承的軸承座上都安裝了加速度傳感器來采集振動信號，實驗臺從軸承開始正常工作到其中某個軸承發(fā)生故障作為一個完整實驗周期，根據(jù)不同軸承的損壞程度和損壞位置共計有三組不同數(shù)據(jù)?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學IMS軸承退化數(shù)據(jù)集為驗證SDAE-SVDD性能退化評估模型的有效性，選擇辛辛那提大學智能維護中心滾動軸承全壽命疲勞實驗數(shù)據(jù)進行實驗分析。整個數(shù)據(jù)采集平臺是在恒定負載的條件下進行，主要由交流電機、四套軸承、加速度傳感器、潤滑系統(tǒng)和測量系統(tǒng)等組成。實驗采用的是4個雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個軸承的軸承座上都安裝了加速度傳感器來采集振動信號，實驗臺從軸承開始正常工作到其中某個軸承發(fā)生故障作為一個完整實驗周期，根據(jù)不同軸承的損壞程度和損壞位置共計有三組不同數(shù)據(jù)?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】1)辛辛那提大學IMS軸承退化數(shù)據(jù)集第2組中實驗臺電機轉(zhuǎn)速為2000r/min，四個軸承分別收到2700kg的徑向載荷，加速度傳感器位于軸承的豎直和垂直方向，采樣頻率為10分鐘進行一次收集，從軸承正常工作到發(fā)生故障失效期間共計采集到984個樣本點，每個樣本點含有20480個數(shù)據(jù)點，由于后兩個樣本已經(jīng)發(fā)生嚴重失效對性能退化評估沒有太大參考價值，所以選擇前982個樣本點為驗證性能退化評估模型的全壽命數(shù)據(jù)集?？紤]在外界工況的影響下，軸承早期故障振動信號采集時容易被噪聲等因素所忽略，采用快速傅里葉變換（FFT）對全壽命振動信號進行降噪處理，并對982個樣本點都選擇均方根值（RMS）作為性能退化指標，繪制軸承的實際性能退化曲線，其中橫軸代表樣本的數(shù)據(jù)組，縱軸代表各個樣本點RMS的平均值?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】2)模型構建SDAE-SVDD性能退化評估模型主要分為SDAE性能退化特征提取模型和SVDD性能退化評估兩部分。SDAE性能退化特征提取模型主要受到隱藏層數(shù)和隱藏層結構影響，選擇SDAE網(wǎng)絡隱含層數(shù)為5層，網(wǎng)絡結構為線性層，在SDAE進行逐層訓練,每層創(chuàng)建一個編碼解碼的單元層作為訓練單元，同時選擇激活函數(shù)Relu、SGD優(yōu)化器和均方誤差作為損失函數(shù)。由于實際機械設備的工作環(huán)境具有不確定因素作為干擾項，為模擬這一情況，對每個隱含層的特征隨機設為Null值，避免模型在過于理想化條件下影響實際性退化評估結果的準確性?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】2)模型構建SVDD模型性能退化評估的參數(shù)設定主要涉及核參數(shù)和懲罰因子，選擇正常狀態(tài)訓練集作為SVDD模型的數(shù)據(jù)集，以正常樣本點到球心的距離作為性能退化指標，理想狀態(tài)下超球體的半徑范圍內(nèi)應包含所有正常樣本點，根據(jù)這一訓練目標，通過反復實驗對比性能退化指標的趨勢選擇最優(yōu)參數(shù)【8.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】3)實驗結果對比分析根據(jù)離線訓練確定SVDD的模型參數(shù)，對SDAE-SVDD模型輸入全壽命數(shù)據(jù)集進行軸承性能退化評估實驗，選擇上一小節(jié)提到的性能退化指標DI，描繪出退化曲線。其中，橫軸表示經(jīng)過特征提取后的退化特征集，對應全壽命數(shù)據(jù)中982個樣本點，縱軸表示各個退化特征到球心的距離。軸承整個性能退化過程中前500個樣本點退化指標整體趨于平穩(wěn)，說明軸承正常工作；位于第533個樣本點，性能退化指標明顯有上升的趨勢，說明此時軸承開始出現(xiàn)性能退化的趨勢并處于早期故障特征的狀態(tài)；第705個樣本點時，軸承隨著運行時間增加造成軸承磨損更加嚴重，發(fā)生劇烈退化，在圖中反映為退化指標發(fā)生劇烈上升到達第一個峰值；此后性能退化指標發(fā)生先降后升的情況，在第845個樣本點到達第二次峰值；隨著軸承運行的故障位置磨損加劇，在第921個樣本點后軸承達到退化指標峰值，此時軸承已經(jīng)發(fā)生失效的狀況，無法進行正常的工作，情況嚴重會導致機器發(fā)生停機等狀況?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】為驗證上述性能退化評估結果的準確性，選擇全壽命數(shù)據(jù)的532、533、534和705樣本點進行包絡譜分析。包絡譜分析相比較于傳統(tǒng)的頻譜分析，對軸承振動信號中受到的沖擊信號更為敏感，對于量化沖擊頻率和強度的分析有很大幫助，選擇希爾伯特(Hilbert)變換得到以上樣本點的包絡譜分析圖，其中橫軸代表頻率，縱軸代表包絡譜幅值?！?.2性能退化評估模型】【8.2.5SDAE-SVDD實驗對比驗證】選擇未經(jīng)過SDAE特征提取的全壽命數(shù)據(jù)和主成分分析(PCA)分別輸入SVDD性能退化評估模型，對辛辛那提大學軸承數(shù)據(jù)集進行性能退化評估評估流程與8.2.4節(jié)保持一致。全壽命數(shù)據(jù)SVDD性能退化評估曲線PCA-SVDD性能退化評估曲線

以上兩種模型雖然一定程度上都能反應軸承的性能退化過程，但是在實際機械設備的生產(chǎn)環(huán)境中無法發(fā)現(xiàn)早期故障，對于軸承后續(xù)的幾個性能退化過程表現(xiàn)的并不明顯，SDAE-SVDD模型在發(fā)現(xiàn)早期故障特征和反映軸承性能退化過程中有著明顯的優(yōu)勢?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實的數(shù)字孿生故障診斷系統(tǒng)架構主要分為設備層、邊緣層、云服務層與應用層。(1)設備層包含傳感器、通信設備和機械設備實體。(2)在邊緣層中，通用高效可擴展網(wǎng)絡框架突破了網(wǎng)絡瓶頸，保障了系統(tǒng)的可靠性，對設備層的數(shù)據(jù)進行協(xié)議轉(zhuǎn)換、函數(shù)計算和本地存儲等方式為數(shù)據(jù)高效融合和實時傳輸創(chuàng)造條件，同時通過設備管理來實時監(jiān)控設備和數(shù)據(jù)流的狀態(tài)，針對特定情況及時做出預警?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實的數(shù)字孿生故障診斷系統(tǒng)架構主要分為設備層、邊緣層、云服務層與應用層。(3)云服務器層包含云計算模塊、網(wǎng)絡處理模塊及云存儲模塊。(4)應用層為結合實際設備生產(chǎn)運行環(huán)境搭建的虛擬模型和待維修設備的三維感知模型，再結合動作編程指令在虛擬環(huán)境中帶來人機交互體驗?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.1邊緣計算】邊緣計算靠近采集設備，現(xiàn)場提供分布式計算、存儲和應用等服務，相較以云計算為中心的模式，可以緩解帶寬和計算壓力，有效提高數(shù)據(jù)處理穩(wěn)定性，具有更高