CN105823634A - 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 - Google Patents

Abstract

本发明一种基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法，包括以下步骤：利用振动传感器，采集不同轴承的振动信号；进行时频关联向量卷积波尔兹曼机的训练：对采集的信号进行小波包分解；将所得时频特征输入卷积玻尔兹曼机进行卷积计算和无监督学习；将卷积玻尔兹曼机所得权值输入关联向量机进行有监督学习；将所得分类的权值在关联向量回归机中进行有监督学习；对一个待识别的轴承，采集其振动信号并输入到前面训练的模型中进行损伤识别。本发明通过利用小波包分解突出了故障信号特征，通过采用卷积玻尔兹曼机训练实现了对故障特征自动提取和精确表达，最后利用关联向量机的分类和回归能力对轴承的损伤程度进行智能识别。

Description

基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法

技术领域

本发明涉及机械设备故障诊断领域，具体涉及一种基于时频关联向量卷积玻尔兹曼机的运行中轴承的损伤识别方法。

背景技术

轴承是旋转机械的基础零件，其健康状况影响着整个机械系统的工作状态，意外的故障将导致难以想象的灾难和巨大的经济损失。因此，对机械系统中的轴承损伤进行识别有着十分重大的意义。

运行中的轴承损伤识别方法常常是进行振动信号频谱分析，人工进行分析识别，识别的效果和准确性较低。

发明内容

本发明基于以上原因，提出了对轴承的工作状态进行监测，收集相关振动信号，并通过时频关联向量卷积玻尔兹曼机的方法来对轴承损伤程度进行识别。

本发明的目的是提供一种基于时频关联向量卷积玻尔兹曼机的运行中轴承损伤识别方法与系统。

本发明为解决上述问题提供以下技术方案。

本发明所提出的轴承损伤识别方法，它包括：

利用振动传感器，采集轴承的振动信号；

进行时频关联向量卷积波尔兹曼机的训练；

将采集到的振动信号输入至经过训练后的时频关联向量卷积波尔兹曼机；

时频关联向量卷积波尔兹曼机自动计算并输出损伤识别结果。

本发明与现有技术相比较，有以下优点：

实现了运行中轴承的故障损伤特征的自动提取；

提高了故障特征提取和识别的精确度；

使用时频关联向量卷积玻尔兹曼机的深度学习新方法进行运行中轴承的损伤识别；

便于尽早发现设备故障隐患，避免引起重大的事故；

便于掌握设备的总体运行情况，提高维修效率，节省工时。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的方法流程图；

图2为本发明的实施示意框图。

具体实施方式

本发明设计了基于时频关联向量卷积玻尔兹曼机的方法来对运行中轴承损伤程度进行智能及精确的识别。

下面结合图1-2对本发明的方法步骤作详细说明。

(1)利用振动传感器，采集轴承的振动信号。

(2)对采集的信号进行小波包分解，具体步骤如下：

1)采集振动信号x₁(t)，x₂(t)，…，x_n(t)，x_N(t)和每个轴承的部件(A,B,C,D)及其损伤程度(M⁽ⁿ⁾)；

2)对每一个信号x_n(t)作小波包分解，在1,2，…，F_l，…，∠尺度下利用下式进行分解：

式中h(k)为低通滤波器，g(k)为高通滤波器；

分解后得到，

这样共有

3)将每一组进行重组得到：

作为第一个卷积玻尔兹曼机的输入；

………

作为第∠个卷积玻尔兹曼机的输入。

(3)将步骤(2)经过小波包分解后所获得的时频特征输入卷积玻尔兹曼机进行卷积计算和无监督学习；

具体地，在本实施例中，本发明的学习过程共三步，第一步为无监督学习，第二、三步为有监督学习；

在每一个卷积玻尔兹曼机中，例如F_l，首先对F_l进行卷积计算，然后采用卷积玻尔兹曼机进行第一步无监督学习，得到一个网络连接权值(卷积波尔兹曼机属于神经网络学习的一种类型，在进行深度学习的过程中，通过无监督学习获得神经网络之间的一个连接权值系数，此系数称为网络连接权值)，具体过程如下：

①将小波包分解后所获得的时频特征输入到每个卷积玻尔兹曼机的可视层，通过下式进行卷积采样后输入到隐含层：

$P(h_{ij}^k=1|v)=\mathrm{\σ}({(W^k*v)}_{ij}+b_k)W;$

式中σ表示sigmoid激活函数，W^k为隐含层和可视层节点间的k个卷积滤波权值，b_k为隐含层偏置向量；

②输入到隐含层后经过降维和正则化后再输入到池化层；

③采用卷积玻尔兹曼机进行无监督学习，首先随机初始化网络连接权值和可视层偏置向量，然后通过CD算法(对比散度算法)不断地更新优化网络连接权值到最大迭代次数，最后得到训练后的网络连接权值。

(4)将步骤(3)所得的网络连接权值输入关联向量机进行有监督学习；具体为：

1)在卷积玻尔兹曼机的输出层设置一个关联向量机作为关联向量分类机；

2)将步骤(3)中无监督学习获得的网络连接权值作为本步骤有监督学习的初始值；

3)定义关联向量机的输出模型为：式中w_i为权重，K(X,X_i)为核函；

4)选取适当的高斯核函数；

5)初始化惩罚因子α，尺度参数σ²

6)将轴承部件作为标签，采用反传BP算法(即误差反向传播算法)进行第二步有监督学习(分类)网络连接权值；

(5)将步骤(4)所得的网络连接权值在关联向量回归机中进行有监督学习；具体为：

1)在卷积玻尔兹曼机的输出层设置一个关联向量机作为关联向量回归机；

2)将步骤(4)有监督学习(分类)获得的网络连接权值作为本步骤有监督学习(回归)的初始值，根据轴承部件，将该部件的损伤尺寸作为标签，采用反传BP算法学习第三步有监督学习(回归)的网络连接权值，最终完成训练模型。

值得说明的是，上面所描述的模型训练方式只是本发明的优选实施方式，但训练方式并不仅限于上述方式，本领域技术人员知悉还可以采取其它类似的训练方式，比如说可以均采用无监督学习或者采用均采用有监督学习等，或者采用其它算法方式等。

对一个运行中的轴承，采用如下方法进行损伤识别；

①采集该轴承的振动信号y(t)；

②把y(t)输入已经训练好的模型中；

③模型自动计算，输出识别到的该轴承的损伤部件及损伤面积(也即损伤程度)。

综述，本发明利用关联向量卷积波尔兹曼机这种神经网络模型进行学习建模，刚搭建的关联向量机就如空白的大脑，并无学习能力，因此需要将一定数量的信息(具体到本发明实施例，即，利用振动传感器采集到的振动信号)输入到关联向量机让其学习，经过反复训练，使其具备学习能力，本发明的学习训练方式具体采用小波包分解获取时频特征并进行卷积计算，因此经过学习训练后的关联向量机具体为时频关联向量卷积波尔兹曼机，最后将测试对象(轴承)的振动信号输入至已经训练好的模型中，让其自动输出测试结果。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法，其特征在于，该方法包括以下步骤：

利用振动传感器，采集轴承的振动信号；

进行时频关联向量卷积波尔兹曼机的训练；

将采集到的振动信号输入至经过训练后的时频关联向量卷积波尔兹曼机；

时频关联向量卷积波尔兹曼机自动计算并输出损伤识别结果。

2.根据权利要求1所述的轴承损伤识别方法，其特征在于，进行时频关联向量卷积波尔兹曼机的训练包括以下步骤：

1)对采集到的振动信号进行小波包分解；

2)将小波包分解所得的时频特征输入卷积波尔兹曼机进行卷积计算和无监督学习；

3)将步骤2)所得的网络连接权值输入关联向量分类机进行有监督学习；

4)将步骤3)所得的网络连接权值输入关联向量回归机中进行有监督学习。

3.根据权利要求2所述的轴承损伤识别方法，其特征在于，步骤1)具体为：

对每个振动信号在n尺度下作小波包分解，并将n组时频特征信号分别作为n个卷积波尔兹曼机的输入。

4.根据权利要求2所述的轴承损伤识别方法，其特征在于，步骤2)包括以下步骤：

A，将经过小波包分解后获得的时频特征输入到每个卷积波尔兹曼机的可视层；

B，将可视层的时频特征进行卷积采样后输入到隐含层；

C，将隐含层的时频特征进行降维和正规化后输入到池化层；

D，对卷积波尔兹曼机进行无监督学习，得到训练后的网络连接权值。

5.根据权利要求4所述的轴承损伤识别方法，其特征在于，步骤D具体为：

随机初始化网络连接权值和可视层偏置向量；

通过对比散度算法将网络连接权值更新至最大迭代次数；

得到训练后的网络连接权值。

6.根据权利要求2所述的轴承损伤识别方法，其特征在于，步骤3)具体为：

在卷积波尔兹曼机的输出层设置一个关联向量机作为关联向量分类机；

将步骤2)中通过无监督学习获得的网络连接权值作为初始值；

定义关联向量分类机的输出模型；

选取高斯核函数；

初始化尺度参数σ²，惩罚因子α；

将轴承部件作为标签，采用反传BP算法有监督学习步骤2)中通过无监督学习获得的网络连接权值。

7.根据权利要求2所述的轴承损伤识别方法，其特征在于，步骤4)具体为：

设置一个关联向量机作为关联向量回归机；

将步骤3)中通过有监督学习获得的网络连接权值作为初始值；

将轴承部件的损失尺寸作为标签，采用反传BP算法对网络连接权值进行有监督学习。