(19)中华 人民共和国 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 202111677666.7 (22)申请日 2021.12.31 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 尹爱军　周俊林　陈小敏　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 代理人 胡小龙 (51)Int.Cl. G06F 17/18(2006.01) G06F 17/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习虚拟感知网络的传动系统振 动解耦方法 (57)摘要 一种基于深度学习虚拟感知网络的传动系 统振动解耦方法， 包括如下步骤： 1)在传动系统 中布置实际物理传感器和虚拟传感器； 2)基于传 动系统的动力学模型构建虚拟 仿真模型， 利用传 动系统试验台和虚拟仿真模型对典型状态进行 试验和仿真， 采集振动数据以构建典型状态数据 库； 3)处理采集得到的振动数据， 得到 数据集； 4) 构建虚拟感知网络模型； 5)将数据集分为训练 集、 验证集和测试集， 训练虚拟感知网络模型； 6) 以实际物理传感器产生的振动数据作为输入预 测虚拟传感器的振动数据， 实现传动系统的虚拟 感知。 利用物理位置的真实传感器监测参数和数 据， 实现对传动系统的全面的多维虚拟感知和多 源振动解耦分离， 确保传动系统的安全性和稳定 性。 权利要求书3页 说明书6页 附图2页 CN 114266013 A 2022.04.01 CN 114266013 A 1.一种基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征在于： 包括如下 步骤： 1)在传动系统中布置实际物理传感器和虚拟传感器； 2)基于传动系统 的动力学模型构建虚拟仿真模型， 利用传动系统试验台和虚拟仿真模 型对典型状态进行 试验和仿真， 采集振动数据以构建典型状态数据库； 3)对采集得到的振动数据进行 预处理， 得到数据集； 4)构建虚拟感知网络模型； 5)将数据集分为训练集、 验证集和 测试集， 训练虚拟感知网络模型； 6)以实际物理传感器产生的振动数据作为输入预测虚拟传感器的振动数据， 实现传动 系统的虚拟感知。 2.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 所述步骤1)中， 采用动刚度综合法、 功 率流或统计能量分析方法选取实际物理传感器 和虚拟传感器的布置点 位。 3.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 所述步骤1)中， 采用基于峭度的测点评价方法选取实际物理传感器和虚拟传感器的 布置点位； 其中， 实际物理传感器的布置点共选取N个， 且实际物理传感器的布置点位避开 传动系统中恶劣工作环境的部位， 以准确采集数据； 虚拟传感器的布置点位共选取M个， 且 虚拟传感器的布置点 位选择传动系统中靠 近易发生故障的位置区域。 4.根据权利要求3所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 基于 峭度的测点评价方法为： 对于该信号xi(i＝1,2,……n)， 峭度指标表示 为： 其中， K表示峭度； μ代 表均值， σ 代 表标准差； 相同条件下某个测点的峭度值大于其余测点， 则表明在该测点处布置传感器能更加及 时准确地捕捉故障特 征。 5.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 所述步骤2)中， 传动系统的典型状态包括正常状态、 典型工况下单一 典型故障和典型 工况下典型联发耦合故障。 6.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 所述 步骤3)中， 处 理振动数据的方法如下： (1)切掉早期不稳定信号和其 他不可靠信号后， 对数据进行去趋势项处 理： 其中， 为去趋势项后稳定平 滑的信号， T0为滑动长度长度， t为采集信号个数； (2)对数据进行去均值处 理：权　利　要　求　书 1/3 页 2 CN 114266013 A 2其中， 为去均值后的数据， n为数据的总个数； xt表示t时刻的数据； xi表示i时刻的数 据； (3)对数据进行小 波包降噪处 理， 阈值定义如下： 其中， L为信号长度； λ为噪声能量， 通过 各尺度小 波包系数的中位数m定义： λ＝m/0.6745。 7.根据权利要求1所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 所述步骤4)中， 以基于注意力机制的seq2seq模 型构建虚拟感知网络模 型， 并以N个实 际物理传感器采集的振动数据作为模型输入， M个虚拟传感器的振动数据作为模型输出。 8.根据权利要求7所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 基于注意力机制的seq2seq模型包括： 输入层： 维度为N ×F， 其中， N表示实际物理传感器的数量， F表示在经过数据处理后的 多元时间序列数据中选取的数据长度； 编码层： 输入层的数据传输到编码层， 编码层采用基于注意力机制的Bi ‑LSTM神经网 络， 每层设置128个LSTM神经 单元； 解码层： 编码层输出的向量Cf作为解码层的输入， 解码层采用单层RNN， 每层设置128个 LSTM神经 单元； 输出层： 输出层为解码层的最终输出状态， 其维度为M ×P， M为虚拟传感器的数量， P为 所选训练数据的长度。 9.根据权利要求8所述基于深度学习虚拟感知网络的传动系统振动解耦方法， 其特征 在于： 编码层处 理数据的方法为： 给定输入序列： x＝(x1,x2,…xf,…xF) 则单个LSTM神经 元的隐藏层编码公式为： hf→＝b(hf‑1→,xf) 其中， xf(f∈{1,2, …,F})表示长度为N的列向量 b表示激活函 数； hf→为f时前向LSTM隐藏层的向量表示； hf←为f时后向LSTM隐藏层的向量表示； 依次读完所有序列， 整个编码层的隐藏层状态为： hidden＝{h1,h2,…hF}＝{[h1→； hF‑1←],[h2→； hF‑2←],…,[hF→； h1←]} 基于注意力机制对隐藏层向量加权求和得到向量Cf， 则向量Cf为： 权　利　要　求　书 2/3 页 3 CN 114266013 A 3