CN103234767B - 基于半监督流形学习的非线性故障检测方法 - Google Patents

Abstract

基于半监督流形学习的非线性故障检测方法，属于机电设备故障诊断领域。该方法包括：（1）对监测机电设备进行振动信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的初始样本集；（2）采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；（3）在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。本发明采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，判断设备运行状态的故障类别，提高了故障检测的针对性和准确性。本发明可广泛应用于各种机械设备的故障检测和诊断分析中。

Description

基于半监督流形学习的非线性故障检测方法

技术领域

本发明涉及一种机电设备故障检测方法，尤其涉及一种机电设备非线性故障检测方法。

背景技术

故障检测是保障机电设备安全运行的关键技术，是机械故障诊断领域的研究重点之一。随着现代设备结构和功能的日趋复杂，设备运行状态具有较强的非平稳及非线性特征，获取的诊断信息也更加丰富，使得故障检测与诊断过程十分困难和复杂。针对非线性数据分析的需要，一些非线性特征提取方法不断被提出。

流形学习是近年来才发展起来的一类新的非线性特征提取方法，它以发现非线性高维数据的内在几何结构与规律性为目标，即从观测的现象中去寻找其本质，揭示嵌入在高维观测数据空间中的低维光滑流形，非常适合于数据分析和维数约简。将其用于高维非线性故障样本的学习，可有效发现数据的内在本质特征，利于下一步故障识别分析。目前已有将流形学习方法应用于踹振监测、冲击故障的特征提取和轴承故障的分类中。但它们都属于无监督的学习方式，没有充分利用已获取的标签样本的类别信息。在实际应用中，更多的是仅有少量有标签样本和大量的无标签样本，如何更有效地利用这些有标签数据成为一个备受关注的问题。

半监督流形学习方法可以解决上述问题。它是将半监督学习与流形学习相结合，用大量无标签的样本和少量有标签的样本学习数据与标签之间的对应关系，试图利用数据提供的有效信息来提高学习算法的能力。如果高维数据采样于一个低维流形且样本的标签在流形上具有某种比较好的性质，就可以用大量的无标签样本学习出数据中的内在几何结构，然后利用这种结构和它的标签性质，通过少量的标签样本学习出整个流形上的标签信息。

发明内容

针对上述问题，本发明的目的是提供一种能实现对机电设备运行状态故障分析的非线性故障检测方法。

为实现上述目的，本发明采用的技术方案为：一种基于半监督流形学习的非线性故障检测方法，其步骤如下：步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的低维本质流形特征；步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。

所述步骤1中，所述初始特征样本集的构建，通过以下方式实现：(1)采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；(2)对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下：①时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；②频域特征4个：重心频率、均方频率、频率方差、频率标准差；③时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征。(3)由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。

所述步骤2中，所述半监督拉普拉斯特征映射算法，通过以下方式实现：(1)对初始样本集X，包括m个有标签样本和u个无标签样本(样本总数n＝m+u)，给定低维流形的维数d和邻域参数k。(2)对于每一个样本点x_i∈X，利用k近邻构造其邻域图，并计算其相似性矩阵 $S:S_{ij}=\left\{\begin{array}{cc}\exp (-||x_i-x_j|{|}^2/t)& x_i\∈G_k\left(x_j\right)or{x}_j\∈G_k\left(x_i\right)\\ 0,& else\end{array}\right.;$ (3)利用标签样本的标签信息优化相似性矩阵，将S分为： $S=\left(\begin{array}{cc}C& S_{12}\\ S_{21}& S_{22}\end{array}\right),$ 其中C＝S₁₁是一个大小为m×m的矩阵，利用标签样本的标签信息{c₁,...,c_m}来优化C， $C_{ji}=\left\{\begin{array}{cc}\sqrt{m/c_j}-\sqrt{c_j/m},& if{c}_j=c_i\\ -\sqrt{c_j/m},& else\end{array}\right..$ (4)求解广义特征值问题：LY＝λDY。其中D为对角矩阵，且D_ij＝∑_jS_ij，L＝D–S。(5)得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：Y＝[U₁,U₂,...,U_d]^T。

所述步骤3中，所述智能诊断模型的构建，通过以下方式实现：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。

本发明由于采用以上技术方案，具有以下有益效果：(1)本发明采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，能客观描述设备运行状态，判断设备故障类别，提高了故障检测的针对性和准确性。(2)本发明采用的基于LS-SVM多分类器的智能诊断模型，由于LS-SVM很好地执行了统计学习理论的结构风险最小化原则，在小样本情况下具有较好的泛化能力，具有较低的运算复杂度和较快的学习训练速度，能够有效完成低维流形特征的模式分类，提高了故障检测的可靠性。(3)本发明分别从设备采集信号的时域、频域、时频域中提取各类具有显著类别差异信息的非平稳统计特征，构建混合域特征样本集，融合了设备丰富的状态信息，有利于下一步低维流形特征提取的有效性。(4)本发明由于采用基于流形的内在几何结构特征提取过程，是非线性方法，更能体现异常数据的本质，有利于机电设备非线性、非平稳运行状态的故障检测与诊断。本发明可广泛应用于各种机械设备的故障检测和诊断分析中。

附图说明

图1是本发明的整体流程示意图。

图2是本发明的低维流形特征提取流程示意图。

具体实施方式

为进一步阐述本发明的技术方案，下面结合附图和实施例对本发明进行进一步详细说明。

如图1所示，本发明提出的一种基于半监督流形学习的非线性故障检测方法，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，该方法按以下三个步骤进行。

步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间。其初始混合域特征样本集构建如下：(1)采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；(2)对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下：①时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；②频域特征4个：重心频率、均方频率、频率方差、频率标准差；③时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征。(3)由提取的上述32个混合域特征，构成代表设备运行状态原始特征的初始混合域特征样本集。

步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的低维本质流形特征。图2是本发明的低维流形特征提取流程示意图。提出的半监督拉普拉斯特征映射算法，通过以下方式实现：(1)对初始样本集X，包括m个有标签样本和u个无标签样本(样本总数n＝m+u)，给定低维流形的维数d和邻域参数k。(2)对于每一个样本点x_i∈X，利用k近邻构造其邻域图，并计算其相似性矩阵S： $S_{ij}=\left\{\begin{array}{cc}\exp (-||x_i-x_j|{|}^2/t)& x_i\∈G_k\left(x_j\right)or{x}_j\∈G_k\left(x_i\right)\\ 0,& else\end{array}\right.;$ (3)利用标签样本的标签信息优化相似性矩阵，将S分为： $S=\left(\begin{array}{cc}C& S_{12}\\ S_{21}& S_{22}\end{array}\right),$ 其中C＝S₁₁是一个大小为m×m的矩阵，利用标签样本的标签信息{c₁,...,c_m}来优化C， $C_{ji}=\left\{\begin{array}{cc}\sqrt{m/c_j}-\sqrt{c_j/m},& if{c}_j=c_i\\ -\sqrt{c_j/m},& else\end{array}\right..$ (4)求解广义特征值问题：LY＝λDY。其中D为对角矩阵，且D_ij＝∑_jS_ij，L＝D–S。(5)得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：Y＝[U₁,U₂,...,U_d]^T。

步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。其中基于LS-SVM的智能诊断模型的构建，通过以下方式实现：在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策。

上述各实施例仅是本发明的优选实施方式，在本技术领域内，凡是基于本发明技术方案上的变化和改进，不应排除在本发明的保护范围之外。

Claims (2)

1.一种基于半监督流形学习的非线性故障检测方法，其特征在于，该方法包括以下步骤：

步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间，该样本集通过以下方式实现：(1)采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；(2)对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的32个非平稳统计特征，建立初始特征空间；

步骤2：采用一种半监督拉普拉斯特征映射算法，充分利用少量有标签样本和大量无标签的样本信息，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；

步骤3：在低维流形特征空间中建立基于LS-SVM的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM的输出来确定设备的故障类别，实现对设备故障运行状态的模式识别与诊断决策；

所述步骤1中的32个非平稳统计特征由以下特征组成：①时域特征12个：均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；②频域特征4个：重心频率、均方频率、频率方差、频率标准差；③时频域特征16个：对时域信号进行四层小波包频带分解构成的16个归一化能量特征。

2.根据权利要求1所述的非线性故障检测方法，其特征在于，所采用的半监督拉普拉斯特征映射算法实现如下：

(1)对初始样本集X，包括m个有标签样本和u个无标签样本(样本总数n＝m+u)，给定低维流形的维数d和邻域参数k；

(2)对于每一个样本点x_i∈X，利用k近邻构造其邻域图，并计算其相似性矩阵S： $S_{ij}=\{\begin{array}{cc}\exp (-||x_i-x_j|{|}^2/t),& x_i\∈G_k\left(x_j\right)or{x}_j\∈G_k\left(x_i\right)\\ 0,& else\end{array};$

(3)利用标签样本的标签信息优化相似性矩阵，将S分为： $S=\left(\begin{array}{cc}C& S_{12}\\ S_{21}& S_{22}\end{array}\right),$ 其中C＝S₁₁是一个大小为m×m的矩阵，利用标签样本的标签信息{c₁,...,c_m}来优化C， $C_{ji}=\left\{\begin{array}{cc}\sqrt{m/c_j}-\sqrt{c_j/m},& if{c}_j=c_i\\ -\sqrt{c_j/m},& else\end{array}\right.;$

(4)求解广义特征值问题：LY＝λDY，其中D为对角矩阵，且D_ij＝Σ_jS_ij，L＝D–S；

(5)得到L的第2到第d+1个最小特征值对应的特征向量，作为样本在低维空间的流形特征坐标：Y＝[U₁,U₂,...,U_d]^T。