CN107356431B - 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 - Google Patents
基于admm与稀疏组合学习的滚动轴承性能退化评估方法 Download PDFInfo
- Publication number
- CN107356431B CN107356431B CN201710562233.4A CN201710562233A CN107356431B CN 107356431 B CN107356431 B CN 107356431B CN 201710562233 A CN201710562233 A CN 201710562233A CN 107356431 B CN107356431 B CN 107356431B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- sub
- rolling bearing
- sparse
- admm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
Abstract
本发明公开了一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,所述方法包括以下步骤:(1)对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库;(2)建立基于各知识的量化指标求解器,求解被检测的滚动轴承的量化指标Φ;(3)对量化指标Φ进行分析,实现滚动轴承性能退化程度的评估。该方法不需要先验知识,可以通过学习Training Set的特征生成正确的知识库;将ADMM与组合学习应用到模型中,使模型的时间复杂度下降;可以获得衡量滚动轴承性能退化程度的量化指标Φ,具有实时性、量化评估和自动化程度高等优点。
Description
技术领域
本发明涉及滚动轴承性能退化评估领域,具体涉及一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法。
背景技术
近几十年来,因滚动轴承故障而导致整台机床瘫痪,造成经济损失,更有甚者造成伤亡的惨案时有发生。据统计,在含有滚动轴承的机械设备中,约30%的机械故障与轴承退化有关。
如何实时准确估计滚动轴承的性能退化程度,一直是国内外学术界与工程界关心的热点问题。现有的滚动轴承性能退化评估技术可以划分为三大类:时域分析、频域分析和时频域分析。时域分析主要有:均方根(RMS)、峰度、波峰因数等,这些方法容易受到噪声影响。最经典的频域分析有傅立叶频谱分析,傅立叶频谱分析相当于对微弱暂态的振动信号在频域中进行均值化,从而导致微弱暂态的信号很容易被背景噪声淹没。时频域分析有:连续小波变换、小波包分解等,这些方法需要根据振动信号在物理机制上的先验信息找到合适的小波,但是,工程中工况复杂,往往很难获得这些先验信息。
近年来,随着“大数据”的兴起,以及人工智能的快速发展,数据驱动型的滚动轴承性能退化评估方法逐渐受到人们的关注。相比于传统的方法,数据驱动的方法不需要在物理机制上的先验信息,可以直接在既定的工况下对测试数据进行分析,获得性能退化程度的估计值。本发明所提出的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,即是一种数据驱动型方法。
随着数据的样本量和维度的指数型增长,分布式最优化方案越来越受关注。Alternating Direction Method of Multipliers(ADMM)是一种分布式的凸函数最优化框架,其融合了对偶上升法的可分解性与乘子法优越的收敛性,利用当今并行运算的高速计算机,使机器学习中让人头痛的大规模数据问题变得可解。
1959年,David Hubel和Toresten Wiesel通过对猫的视觉条纹皮层简单细胞感受野的研究得出一个结论:主视皮层V1区神经元的感受野能对视觉感知信息产生一种“稀疏表示”。稀疏编码从此开启了篇章。从源头说起,稀疏化实际上是寻找一组“超完备”基向量来更高效地表示样本数据。现在有很多基于稀疏编码的变种算法,卷积稀疏编码是最常用的一种。近十几年来,基于稀疏编码的模型一直受到人们的关注,被广泛应用到图像处理、故障诊断等各个领域。
假如在大规模的Training Set中只生成一个字典,则该字典的原子数目巨大。在测试阶段时,从巨大的字典中搜索原子的过程十分耗时。为了解决低效率搜索问题,有研究人员提出了组合学习。组合学习的目标,从大规模的Training Set中学习生成一个由多个紧凑的子字典构成的字典集合,然后在测试阶段并行地寻找最匹配的子字典。将一个巨大字典转化为多个紧凑的子字典,可以有效降低模型的时间复杂度。
发明内容
本发明的目的在于克服传统的滚动轴承性能退化评估方法的不足,提供了一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,与传统的方法相比,该方法不需要先验信息,具有可行性高、时间复杂度低、量化评估和自动化程度高等优点。
本发明的目的可以通过如下技术方案实现:
一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,所述方法包括以下步骤:
(1)对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库:通过迭代方式生成知识库,每一轮迭代生成一种知识,在每一轮迭代中均需要更新TrainingSet,若Training Set为空集,则停止迭代,否则继续下一轮迭代;在每一轮的迭代中,包括三个部分:(A1)学习隐含在Training Set中的特征,生成子字典;(B1)生成与子字典对应的权重及经验阈值;(C1)更新Training Set;
(2)建立基于各知识的量化指标求解器,求解被检测的滚动轴承的量化指标Φ:根据步骤(1)中所述知识库中的知识,构建量化指标求解器,每个量化指标求解器对应一种知识;每个量化指标求解器包括三个部分:(A2)基于子字典的稀疏表示的求解;(B2)基于子字典的代价的计算;(C2)基于子字典的性能退化程度的评估;然后对各量化指标求解器的结果进行综合分析,获取被检测的滚动轴承的量化指标Φ;
(3)对量化指标Φ进行分析,实现对滚动轴承性能退化程度的评估:使用一个覆盖当前量化指标Φ的有限视野窗口,观察落在有限视野内的数据,然后根据这些在有限视野内的数据的分布情况估计滚动轴承的性能退化程度。
进一步地,步骤(1)中所述的正常模式具体表现为滚动轴承在正常运行时采集到的数据,其符号表示为Training Set;步骤(1)中所述的知识库具体表现为字典集合S、权重集合W和经验阈值集合Λ,其中,S={s1,…,sm…,sM},sm是子字典,W={w1,…,wm,…,wM},wm是与子字典sm对应的权重,Λ={γ1,…,λm,…,λM},λm是与子字典sm对应的经验阈值,M是迭代次数,{sm,wm,λm}表示知识库中的第m种知识,m∈[1,M]。
进一步地,步骤(1)中(A1)部分所生成的子字典是双凸优化问题的最优解,所述双凸优化问题为:
其中,当前处于第m轮迭代,yn是Training Set中的样本,{y1,…,yn,…,}组成Training Set,sl,m是子字典sm的原子,xl,n是对应于原子sl,m的稀疏表示,{x1,n,…,xl,n,…,xL,n}是样本yn基于子字典sm的稀疏表示xn,是当前迭代中Training Set的样本数目,L是子字典sm的原子数目;为卷积运算符,稀疏权重β是用户参数,β>0,‖·‖p是p范数,0<p<1。
进一步地,步骤(1)所述的(A1)部分中的子字典sm的生成过程分为两个部分:(ⅰ)先固定子字典sm,然后求解样本yn基于子字典sm的稀疏表示xn;(ⅱ)先固定稀疏表示xn,然后学习当前的Training Set中的特征,生成子字典sm;这两个部分交替进行,直至收敛为止,此处的“收敛”是指前后两次求出的子字典sm的原子变化不明显;
上述(ⅰ)与(ⅱ)两部分都是通过ADMM算法进行求解,ADMM算法求解的过程如下:
假设存在下面的最优化问题:
minf(x)+g(z)
s.t.Ax+Bz=c
其中,f(·)和g(·)均是凸函数,x和z是自变量,A和B是系数,c是常量;ADMM求解上述最优化问题的迭代过程如下:
uk+1=uk+(Axk+1+Bzk+l-C)
其中,k是ADMM算法中的迭代变量,u是对偶变量,ρ是惩罚因子,ρ>0。
进一步地,步骤(1)所述的(B1)部分中的权重wm,其与子字典sm对应,是一个向量形式,wm=[w1,m,…,wl,m,…,wL,m],wl,m是相应的原子sl,m对卷积稀疏重建代价的贡献的比重系数,样本yn基于子字典sm的卷积稀疏重建代价Cn,m定义为:
比重系数wl,m的设计思想是:在Training Set中高频出现的原子更为重要,越重要的原子对卷积稀疏重建代价的贡献越小,所以越重要的原子的比重系数越小,越重要的原子与其对应的稀疏表示的2范数越大;
所述比重系数wl,m的具体定义为:
其中,
进一步地,步骤(1)所述的(B1)部分中的经验阈值λm,其与子字典sm对应,是一个标量,经验阈值λm的计算为:
λm=1.1mλ0
其中,λ0等于排在卷积稀疏重建代价Cn,m=1的升序中的Υ位置上的元素值,其中Υ∈[10%,50%]。
进一步地,步骤(1)中(C1)部分所述的更新Training Set的具体过程为:计算出样本yn基于子字典sm的卷积稀疏重建代价Cn,m,以及与子字典sm对应的经验阈值λm,若卷积稀疏重建代价Cn,m大于经验阈值λm,则将样本yn保留在Training Set中;否则将样本yn从Training Set中剔除。
进一步地,步骤(2)中量化指标求解器的(A2)部分中基于子字典的稀疏表示的求解公式为:
其中,yt是测试样本,行向量Sm是包含卷积与子字典sm的有机体,列向量是测试样本yt的稀疏表示的向量表示,
步骤(2)中量化指标求解器的(B2)部分中基于子字典的代价的计算的求解公式为:
其中, 是步骤(2)所述量化指标求解器之(A2)部分的最优解;sm=[s1,m,…,sl,m,…,sL,m],wm=[w1,m,…,wl,m,…,wL,m];其中sm的值能够通过步骤(1)的(A1)部分中子字典sm的生成过程求得,权重wm的值能够通过步骤(1)所述(B1)部分求得。
步骤(2)中量化指标求解器的(C2)部分中基于子字典sm的性能退化程度Φm的评估求解公式为:
Φm=Cm-λm
其中,Cm是步骤(2)所述的量化指标求解器之(B2)部分的解,经验阈值λm的值能够通过步骤(1)所述(B1)部分求得。
步骤(2)中所述的被检测的滚动轴承的量化指标Φ的计算公式为:
Φ=min{Φ1,…,Φm,…,ΦM}
其中,Φm是步骤(2)所述的量化指标求解器之(C2)部分的解。
进一步地,步骤(3)所述的有限视野窗口是指:当有限视野窗口的长度为Length时,落在有限视野窗口内的数据包括:当前的量化指标Φ和(Length-1)个最新的历史数据,只有落在窗口内的历史数据视为可见。
进一步地,首先自定义轴承寿命分为四个阶段,分别是性能良好、故障潜伏期、性能轻度退化和性能严重退化;步骤(3)所述的根据落在有限视野内的数据的分布情况估计滚动轴承的性能退化程度,具体的估计是指:若有限视野内的数据全部小于零,则被检测的滚动轴承性能良好;若有限视野内的数据小部分微弱大于零,则被检测的滚动轴承处于故障潜伏期;若有限视野内的数据大部分略大于零,则被检测的滚动轴承处于性能轻度退化阶段;若有限视野内的数据全部远大于零,则被检测的滚动轴承处于性能严重退化阶段。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明所述方法与传统的滚动轴承性能评估方法相比较,不需要先验知识,具有对复杂工况的自适应能力,能直接应用到实际中,具有实际应用价值。
2、本发明所述方法将ADMM算法与稀疏组合学习应用有机融合到模型中,使模型的时间复杂度大幅度下降,具有实时性。
3、本发明所述方法能够检测到持续时间较长的故障潜伏期,让维修工程师在人手不足情况下提前安排工作;该方法能够清晰检测到最佳的维修时间,即轻度退化阶段,以便于及时维修,延迟机械寿命。
4、本发明所述方法能够实现量化评估,获得一个衡量轴承性能退化程度的综合量化指标Φ,能够根据Φ值的大小,清楚地将轴承寿命曲线划分为四个阶段:性能良好,故障潜伏期,轻度退化,严重退化,即意味着Φ值可以成为衡量轴承性能退化程度的综合量化指标。
附图说明
图1为本发明实施例模型学习阶段建立正常模式的知识库的框图。
图2为本发明实施例模型测试阶段对被检测的滚动轴承的退化程度进行量化评估的框图。
图3为本发明实施例滚动轴承分别处于性能良好时、故障潜伏期时、轻度退化时和严重退化时的时域波形图。
图4为本发明实施例模型学习阶段所建立的知识库中子字典s1的原子时域波形图。
图5为使用本发明实施例的模型对滚动轴承性能退化进行量化评估的寿命曲线图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例所使用的数据来自美国国家宇航局(NASA)预诊断数据库,由美国辛辛那提大学的智能维护系统中心(IMS)Jay Lee教授课题组提供。
本实施例中,我们仅使用了IMS数据库中实验No.1的轴承3的振动数据。在实验刚开始时,假设滚动轴承的性能良好。我们假设该实验的前十天的数据是在轴承性能良好时采集的(备注:实验时间为2003-10-22至2003-10-31,共368组数据),将前十天的数据进行归一化预处理,然后组成初次迭代的Training Set。其余的数据按照Training Set的方式进行归一化预处理后,组成Test Set(备注:实验时间为2003-11-01至2003-11-25,共1788组数据)。
我们对Test Set中的数据进行初步分析:分别从轴承寿命之四个阶段中抽取一个样本,比较它们在时域波形图上的振幅波动形态。
实验所使用的滚动轴承处于轴承寿命之四个阶段时,对应着不同阶段的Test Set样本的时域波形图,如图3所示,图3的a部分为性能良好阶段,波形的幅值较小且平稳;图3的b部分为故障潜伏期,波形的幅值出现轻微波动,同时在圆圈里出现小幅度的脉冲;图3的c部分为轻度退化阶段,小幅度脉冲出现的频率增加;图3的d部分为严重退化阶段,波形的幅值出现大幅度波动,同时在圆圈里出现大幅度的脉冲。大幅度的脉冲说明轴承的性能退化严重,机械发生明显异常的抖动。(备注:此处“轴承寿命之四个阶段”是通过本发明的模型划分的轴承寿命曲线的四个阶段,分别是性能良好、故障的潜伏期、轻度退化和严重退化。)
虽然时域波形图上异常能反映轴承性能的退化情况,但是这些异常在故障潜伏期和轻度退化阶段都不明显,很容易被噪声淹没,而且故障潜伏期和轻度退化阶段的时域波形图的振幅波动形态很相似,无法清晰划分开这两个阶段。在工业上,机械的最佳维修时间是性能轻度退化阶段。在性能轻度退化阶段,这类异常很容易受到信号噪声的干扰,而且检测到的“异常”也可能是信号噪声。一旦能够显著地检测到这类异常,轴承已经进入了严重退化阶段,错过了最佳维修时间。同时,时域分析法很难获得一个评估轴承性能退化程度的量化指标。可见,基于时域分析的轴承性能退化评估方法的可行性并不高。
本实施例提出的基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法的详细实施过程包括:
步骤(1):对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库。
通过迭代方式学习滚动轴承的正常模式,进而生成知识库,其系统结构简图如图1所示。在每一轮的迭代中,包括三个部分:(A1)学习隐含在Training Set中的特征,生成子字典;(B1)生成与子字典对应的权重及经验阈值;(C1)更新Training Set;
假设当前状态是第m轮迭代,步骤(1)所述的(A1)部分的详细描述如下:
(A1)学习隐含在Training Set中的特征,生成子字典;
建立本发明所需的双凸优化问题:
其中,当前处于第m轮迭代,yn是Training Set中的样本,{y1,…,yn,…,}组成Training Set,sl,m是子字典sm的原子,xl,n是对应于原子sl,m的稀疏表示,{x1,n,…,xl,n,…,xL,n}是样本yn基于子字典sm的稀疏表示xn,是当前迭代中Training Set的样本数目,L是子字典sm的原子数目;为卷积运算符,稀疏权重β是用户参数,β>0,‖·‖p是p范数,p是用户参数,0<p<1。
在本实施例中,该双凸优化问题的参数选择为:
β=2.5,p=0.8;
子字典sm的规模:6个80x 1原子、6个100x 1原子及3个120x 1原子;L=6+6+3=15。为了更形象地观察子字典的规模,我们给出已生成的子字典s1的原子的时域波形图,如图4所示。
备注:IMS的实验环境:轴承的旋转速度是2000RPM,采样频率是20kHz。轴承振动信号中隐含的特征持续时间很短暂,各类特征持续时间不相同,因此本实施例选择了三组不同的长度,对应着不同特征持续的持续时间。本实施例选择三组原子长度分别是80、100和120(长度即采样点数目)。80、100和120个采样点分别相当于轴承旋转0.133、0.167和0.2转。这些很小的转数意味着原子具有短暂性。其实,原子长度的选择是没有严格约束的,只要原子具有短暂性即可。
式(1)中的双凸优化问题的求解过程分为两个部分:(ⅰ)稀疏表示求解:固定子字典sm,然后求解样本yn基于子字典sm的稀疏表示xn;(ⅱ)子字典的学习:固定稀疏表示xn,然后学习在当前迭代中的Training Set的子字典sm。这两个部分交替进行,直至收敛为止。此处的“收敛”是指前后两轮迭代中求出的子字典sm的原子变化不明显。
(ⅰ)稀疏表示求解
固定式(1)中的sm值,然后重写式(1):
其中,行向量Sm是包含卷积与子字典sm的有机体,列向量是样本yn的稀疏表示的向量表示。其他符号的含义和式(1)的一致。
使用ADMM算法求解式(2)的迭代过程如下:
其中,k是ADMM算法中的迭代变量。
式(3)是二次型问题,其最优解在导数等于零处:
其中,I是单位矩阵, 是sl,m在傅立叶域中的幅值。
式(4)是非凸的范数最小化问题,式(4)的解:
其中,sgn(·)是符号函数,通过求解下式获得:
最后,将稀疏表示的求解归纳为算法1。
算法1稀疏表示的求解
(ⅱ)子字典的学习
固定式(1)中的xn值,然后重写式(1):
其中,行向量Xn是包含卷积与稀疏表示xn的有机体,Xn=[X1,n,…,Xl,n,…,XL,n]。其他符号的含义和上文的一致。
使用ADMM算法求解式(8)的迭代过程如下:
其中,k是ADMM算法中的迭代变量,sm=[s1,m,…,sL,m]T,vm=[v1,m,…,vL,m]T,um=[u1,m,…,uL,m]T。
式(9)的求解过程如式(3)相同:
其中,I是单位矩阵, 是xl,n在傅立叶域中的幅值。
式(10)的近似算子:
其中,vm=[v1,m,…,vL,m]T,是凸集, 是vl,m的支撑集,1S是标示值。若1S取1;否则1S取0。表示将b映射到凸集中。其他的符号含义和上文的一致。
最后,将子字典的学习归纳为算法2。
算法2子字典的学习
步骤(1)所述的(B1)部分的详细描述如下:
(B1)生成与字典对应的权重及经验阈值
完成步骤(1)所述的(A1)部分后,我们生成了子字典sm。计算与子字典sm对应的权重wm和验阈值λm。
权重wm是一个向量,wm=[w1,m,…,wl,m,…,wL,m],其元素wl,m为
其中,
经验阈值λm的计算:λm=1.1m·λ0,其中,λ0等于排在代价Cn,m=1的升序中的Υ位置上的元素值。
本实施例中,Υ值取20%。
步骤(1)所述的(C1)部分的详细描述如下:
(C1)更新Training Set
通过上述的方法,计算样本yn基于子字典sm的卷积稀疏重建代价Cn,m。若样本yn基于子字典sm的代价Cn,m大于经验阈值λm,则将样本yn保留在Training Set中;否则将样本yn从Training Set中剔除。
步骤(2):建立基于各知识的量化指标的求解器,求解被检测的滚动轴承的量化指标Φ,其系统结构简图如图2所示。
在步骤(1)中获得的知识库一个有M种知识,因此需要建立M个基于不同知识的量化指标的求解器。每一个求解器包括3个部分:(A2)基于子字典的稀疏表示的求解;(B2)基于子字典的代价的计算;(C2)基于子字典的性能退化程度的评估。
步骤(2)所述的(A2)部分的详细描述如下:
(A2)基于子字典sm的稀疏表示xt的求解:
其中,yt是测试样本,行向量Sm是包含卷积与子字典sm的有机体,列向量是样本yt的稀疏表示的向量表示,
式(14)的求解过程与式(2)的类似,我们直接给出其最优解:
其中,I是单位矩阵。其他符号的含义和式(8)的一致。
步骤(2)所述的(B2)部分的详细描述如下:
(B2)基于子字典sm的代价Cm的计算:
测试样本yt基于子字典sm的代价Cm:
其中, 是步骤(2)所述的(A2)部分的最优解。sm=[s1,m,…,sl,m,…,sL,m],wm=[w1,m,…,wl,m,…,wL,m],sm和wm为已知,可以通过步骤(1)获得他们的值。
步骤(2)所述的(C2)部分的详细描述如下:
(C2)基于子字典sm的性能退化程度Φm的评估
Φm=Cm-λm (18)
其中,Cm是步骤(2)所述的(B2)部分的解,λm为已知,可以通过步骤(1)获得它的值。
被检测的滚动轴承的量化指标Φ,其计算:
Φ=min{Φ1,…,Φm,…,ΦM} (19)
其中,Φm是步骤(2)所述的(C2)部分的解。
最后,我们将被检测的滚动轴承的量化指标Φ的评估归纳为算法3。
算法3被检测的滚动轴承的量化指标Φ的评估
步骤(3):对量化指标Φ进行分析,实现滚动轴承性能退化程度的评估。
在本实施例中,我们选择有限视野窗口的长度为10。我们对具有模糊性的副词“全部”、“小部分”和“大部分”给出具体的定义:“全部”表示为在有限视野窗口内的9个数据以上,“小部分”表示为在有限视野窗口内的5个数据以下(不包括5个),“大部分”表示为在有限视野窗口内的5个数据以上(包括5个)。“微弱大于零”、“略大于零”和“略大于零”的具体定义分别对应这样的区间:(0,0.1]、(0.1,0.2]和(0.2,+∞)。
图5是使用本发明所述的模型对本例子所使用的滚动轴承性能退化进行量化评估的寿命曲线图。被检测的滚动轴承性能良好,有限视野内的数据全部小于零;被检测的滚动轴承处于故障潜伏期,有限视野内的数据小部分微弱大于零;被检测的滚动轴承处于性能轻度退化阶段,有限视野内的数据大部分略大于零;被检测的滚动轴承处于性能严重退化阶段,有限视野内的数据全部远大于零。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于,所述方法包括以下步骤:
(1)对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库:通过迭代方式生成知识库,每一轮迭代生成一种知识,在每一轮迭代中均需要更新Training Set,若Training Set为空集,则停止迭代,否则继续下一轮迭代;在每一轮的迭代中,包括三个部分:(A1)学习隐含在Training Set中的特征,生成子字典;(B1)生成与子字典对应的权重及经验阈值;(C1)更新Training Set;
(2)建立基于各知识的量化指标求解器,求解被检测的滚动轴承的量化指标Φ:根据步骤(1)中所述知识库中的知识,构建量化指标求解器,每个量化指标求解器对应一种知识;每个量化指标求解器包括三个部分:(A2)基于子字典的稀疏表示的求解;(B2)基于子字典的代价的计算;(C2)基于子字典的性能退化程度的评估;然后对各量化指标求解器的结果进行综合分析,获取被检测的滚动轴承的量化指标Φ;
(3)对量化指标Φ进行分析,实现对滚动轴承性能退化程度的评估:使用一个覆盖当前量化指标Φ的有限视野窗口,观察落在有限视野内的数据,然后根据这些在有限视野内的数据的分布情况估计滚动轴承的性能退化程度。
2.根据权利要求1所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)中所述的正常模式具体表现为滚动轴承在正常运行时采集到的数据,其符号表示为Training Set,yn是Training Set中的样本,组成Training Set;步骤(1)中所述的知识库具体表现为字典集合S、权重集合W和经验阈值集合Λ,其中,S={s1,…,sm…,sM},sm是子字典,W={w1,…,wm,…,wM},wm是与子字典sm对应的权重,Λ={λ1,…,λm,…,λM},λm是与子字典sm对应的经验阈值,M是迭代次数,{sm,wm,λm}表示知识库中的第m种知识,m∈[1,M]。
3.根据权利要求2所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)中(A1)部分所生成的子字典是双凸优化问题的最优解,所述双凸优化问题为:
其中,当前处于第m轮迭代,yn是Training Set中的样本,组成Training Set,sl,m是子字典sm的原子,xl,n是对应于原子sl,m的稀疏表示,{x1,n,…,xl,n,…,xL,n}是样本yn基于子字典sm的稀疏表示xn,是当前迭代中Training Set的样本数目,L是子字典sm的原子数目;为卷积运算符,稀疏权重β是用户参数,β>0,‖·‖p是p范数,0<p<1。
4.根据权利要求2所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)所述的(A1)部分中的子字典sm的生成过程分为两个部分:(ⅰ)先固定子字典sm,然后求解样本yn基于子字典sm的稀疏表示xn;(ⅱ)先固定稀疏表示xn,然后学习当前的Training Set中的特征,生成子字典sm;这两个部分交替进行,直至收敛为止,此处的“收敛”是指前后两次求出的子字典sm的原子变化不明显;
上述(ⅰ)与(ⅱ)两部分都是通过ADMM算法进行求解,ADMM算法求解的过程如下:
假设存在下面的最优化问题:
min f(x)+g(z)
s.t.Ax+Bz=c
其中,f(·)和g(·)均是凸函数,x和z是自变量,A和B是系数,c是常量;ADMM求解上述最优化问题的迭代过程如下:
其中,k是ADMM算法中的迭代变量,u是对偶变量,ρ是惩罚因子,ρ>0。
5.根据权利要求3所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)所述的(B1)部分中的权重wm,其与子字典sm对应,是一个向量形式,wm=[w1,m,…,wl,m,…,wL,m],wl,m是相应的原子sl,m对卷积稀疏重建代价的贡献的比重系数,样本yn基于子字典sm的卷积稀疏重建代价Cn,m定义为:
比重系数wl,m的设计思想是:在Training Set中高频出现的原子更为重要,越重要的原子对卷积稀疏重建代价的贡献越小,所以越重要的原子的比重系数越小,越重要的原子与其对应的稀疏表示的2范数越大;
所述比重系数wl,m的具体定义为:
其中,
6.根据权利要求5所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)所述的(B1)部分中的经验阈值λm,其与子字典sm对应,是一个标量,经验阈值λm的计算为:
λm=1.1mλ0
其中,λ0等于排在卷积稀疏重建代价Cn,m=1的升序中的Υ位置上的元素值,其中Υ∈[10%,50%]。
7.根据权利要求5所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(1)中(C1)部分所述的更新Training Set的具体过程为:计算出样本yn基于子字典sm的卷积稀疏重建代价Cn,m,以及与子字典sm对应的经验阈值λm,若卷积稀疏重建代价Cn,m大于经验阈值λm,则将样本yn保留在Training Set中;否则将样本yn从TrainingSet中剔除。
8.根据权利要求7所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(2)中量化指标求解器的(A2)部分中基于子字典的稀疏表示的求解公式为:
其中,yt是测试样本,行向量Sm是包含卷积与子字典sm的有机体,列向量是测试样本yt的稀疏表示的向量表示,
步骤(2)中量化指标求解器的(B2)部分中基于子字典的代价的计算的求解公式为:
其中, 是步骤(2)所述量化指标求解器之(A2)部分的最优解;sm=[s1,m,…,sl,m,…,sL,m],wm=[w1,m,…,wl,m,…,wL,m];其中sm的值能够通过步骤(1)的(A1)部分中子字典sm的生成过程求得,权重wm的值能够通过步骤(1)所述(B1)部分求得;
步骤(2)中量化指标求解器的(C2)部分中基于子字典sm的性能退化程度Φm的评估求解公式为:
Φm=Cm-λm
其中,Cm是步骤(2)所述的量化指标求解器之(B2)部分的解,经验阈值λm的值能够通过步骤(1)所述(B1)部分求得;
步骤(2)中所述的被检测的滚动轴承的量化指标Φ的计算公式为:
Φ=min{Φ1,…,Φm,…,ΦM}
其中,Φm是步骤(2)所述的量化指标求解器之(C2)部分的解。
9.根据权利要求8所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:步骤(3)所述的有限视野窗口是指:当有限视野窗口的长度为Length时,落在有限视野窗口内的数据包括:当前的量化指标Φ和(Length-1)个最新的历史数据,只有落在窗口内的历史数据视为可见。
10.根据权利要求8所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于:首先自定义轴承寿命分为四个阶段,分别是性能良好、故障潜伏期、性能轻度退化和性能严重退化;步骤(3)所述的根据落在有限视野内的数据的分布情况估计滚动轴承的性能退化程度,具体的估计是指:若有限视野内的数据全部小于零,则被检测的滚动轴承性能良好;若有限视野内的数据小部分微弱大于零,则被检测的滚动轴承处于故障潜伏期;若有限视野内的数据大部分略大于零,则被检测的滚动轴承处于性能轻度退化阶段;若有限视野内的数据全部远大于零,则被检测的滚动轴承处于性能严重退化阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710562233.4A CN107356431B (zh) | 2017-07-11 | 2017-07-11 | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710562233.4A CN107356431B (zh) | 2017-07-11 | 2017-07-11 | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107356431A CN107356431A (zh) | 2017-11-17 |
CN107356431B true CN107356431B (zh) | 2019-05-14 |
Family
ID=60291910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710562233.4A Expired - Fee Related CN107356431B (zh) | 2017-07-11 | 2017-07-11 | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107356431B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992926B (zh) * | 2019-04-23 | 2021-02-05 | 清华大学 | 轴承外圈缺陷角位置量化评估方法 |
CN110823575B (zh) * | 2019-11-09 | 2021-03-16 | 北京工业大学 | 一种基于性能退化字典构造与相似性的轴承寿命预测方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104735438A (zh) * | 2015-03-09 | 2015-06-24 | 南京航空航天大学 | 一种基于压缩传感的多视点数据采集方法 |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106769040A (zh) * | 2016-12-14 | 2017-05-31 | 上海工程技术大学 | 一种轴承振动信号稀疏重构的方法 |
CN106845519A (zh) * | 2016-12-20 | 2017-06-13 | 南京信息工程大学 | 一种分布式实现的稀疏子空间聚类方法 |
-
2017
- 2017-07-11 CN CN201710562233.4A patent/CN107356431B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104735438A (zh) * | 2015-03-09 | 2015-06-24 | 南京航空航天大学 | 一种基于压缩传感的多视点数据采集方法 |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106769040A (zh) * | 2016-12-14 | 2017-05-31 | 上海工程技术大学 | 一种轴承振动信号稀疏重构的方法 |
CN106845519A (zh) * | 2016-12-20 | 2017-06-13 | 南京信息工程大学 | 一种分布式实现的稀疏子空间聚类方法 |
Non-Patent Citations (1)
Title |
---|
"基于ADMM字典学习的滚动轴承振动信号稀疏分解";孙占龙等;《中国机械工程》;20170207;第28卷(第3期);第310-315页 |
Also Published As
Publication number | Publication date |
---|---|
CN107356431A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN107356431B (zh) | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
Shen et al. | Statistically-informed deep learning for gravitational wave parameter estimation | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN110619479A (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
Cheng et al. | Observation data compression for variational assimilation of dynamical systems | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN102722603B (zh) | 一种机电类产品的可靠性度量方法 | |
CN116090283A (zh) | 基于压缩感知和预条件随机梯度的航空电磁三维反演方法 | |
Wang et al. | Robust sparse representation model for blade tip timing | |
Kong et al. | Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN117092582A (zh) | 一种基于对抗对比自编码器的电能表异常检测方法及装置 | |
CN109061544B (zh) | 一种电能计量误差估计方法 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
Wunderlich et al. | Estimation of channelized Hotelling observer performance with known class means or known difference of class means |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190514 Termination date: 20210711 |
|
CF01 | Termination of patent right due to non-payment of annual fee |