CN107451760B - 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 - Google Patents
基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107451760B CN107451760B CN201710784382.5A CN201710784382A CN107451760B CN 107451760 B CN107451760 B CN 107451760B CN 201710784382 A CN201710784382 A CN 201710784382A CN 107451760 B CN107451760 B CN 107451760B
- Authority
- CN
- China
- Prior art keywords
- time window
- boltzmann machine
- signal
- training
- vibration signal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法,首先获取滚动轴承在不同健康状态下的振动信号,建立基于时窗滑移受限玻尔兹曼机的故障诊断模型;然后训练时窗滑移受限玻尔兹曼机,利用经过训练的受限玻尔兹曼机从每次滑移后位于时窗内的信号片段提取局部特征,并取局部特征每一维最大值作为振动信号的故障特征;最后基于提取的故障特征,训练Softmax分类器,利用训练后的分类器完成轴承故障的智能诊断,本发明改进了传统受限玻尔兹曼机直接从振动信号提取特征的能力,并克服传统受限玻尔兹曼机难以提取具有平移不变性的特征而不利于智能算法进行分类的问题,并最终提高了诊断精度。
Description
技术领域
本发明属于滚动轴承的故障诊断技术领域,具体涉及基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法。
背景知识
旋转机械被广泛应用于电力、石化、冶金和交通运输等领域,是工业生产中的重要设备。作为旋转机械的一种关键零部件,滚动轴承长期工作于高温、高速、重载的环境下,成为最易出现故障的零部件之一,因而需要故障诊断技术及时发现轴承故障,以保证设备的正常运行。对滚动轴承进行故障诊断通常包括数据获取、特征提取和选择、故障识别三个步骤。在数据获取阶段,为全面诊断滚动轴承故障,通常利用传感器网络实时监测并获取轴承的健康状态数据,由于监测轴承数量多,采样频率高,设备运行周期内采集数据时间长,获取了机械大数据,这对特征提取和选择提出了挑战。传统的由诊断专家依据信号特性及诊断专业知识通过信号处理技术人工提取和选择特征的方法耗时耗力,无法满足从机械大数据中提取故障特征的要求。非监督特征学习方法能够从数据中自动提取特征用于分类,成为代替人工特征提取和选择的有力工具。作为一种非监督特征学习方法,受限玻尔兹曼机由于其结构和算法相对简单等优点被广泛应用于语音、图像等领域的自动特征提取。
然而,传统受限玻尔兹曼机应用于滚动轴承故障特征提取时存在如下两个问题。(1)振动信号是由传感器网络获取的最直接和原始的信号表达形式,但是传统受限玻尔兹曼机需要以振动信号的频谱幅值等作为输入进一步提取和选择特征,其直接从原始振动信号中提取故障特征的能力较弱;(2)滚动轴承运行时产生的振动信号具有周期性,即故障特征在时域上周期性出现,这要求提取的特征具有平移不变性,以利于被人工神经网络等智能算法分类,但是传统受限玻尔兹曼机难以从这种周期性振动信号中提取具有平移不变性的特征,最终导致较低的诊断精度,难以获得良好的诊断效果。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提出基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法,能够高效、智能地完成大数据背景下滚动轴承的故障诊断。
为了达到上述目的,本发明采取的技术方案为:
基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法,包括以下步骤:
1)获取滚动轴承在不同健康状态下的振动信号,组成振动信号集建立基于时窗滑移受限玻尔兹曼机的故障诊断模型,故障诊断模型包括时窗滑移受限玻尔兹曼机和Softmax分类器,时窗滑移受限玻尔兹曼机用于提取故障特征,Softmax分类器以提取的故障特征为输入,用于完成故障诊断;
2)对时窗滑移受限玻尔兹曼机进行训练,首先确定时窗滑移受限玻尔兹曼机时窗长度Nin、输出维数Nout和截取样本片段的步长Itrain,构建以时窗长度Nin为可见层维数、输出维数Nout为隐层维数的受限玻尔兹曼机为其基本组件,将训练时窗滑移受限玻尔兹曼机转化为对其基本组件受限玻尔兹曼机的训练,分别从每个振动信号中以步长Itrain截取长度为Nin的样本片段,组成样本片段集,然后对样本片段集进行预处理得到样本片段训练集用于训练受限玻尔兹曼机,预处理过程包括:白化、Z-score标准化及将每一个样本片段幅值平移缩放到区间[0,1];训练完成后,利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,每次滑移位于时窗内的信号片段都利用受限玻尔兹曼机提取其故障特征,作为信号的局部特征,再取局部特征每一维的最大值,作为该振动信号的信号特征,具体是:
2.1)首先确定时窗滑移受限玻尔兹曼机时窗长度Nin和输出维数Nout,分别从每个振动信号中以步长Itrain截取Nin长度的样本片段,组成样本片段集其中,是第j个样本片段,且包含Nin个数据点;先对样本片段集进行白化,接着对经过白化的样本片段集进行Z-score标准化,最后将白化和标准化后的样本片段集中各样本片段幅值平移缩放到[0,1],得到样本片段训练集
2.3)利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,第j次滑移后位于时窗内的信号片段经过相同的白化、标准化和平移缩放预处理后输入经过训练的受限玻尔兹曼机提取其故障特征,得到信号的局部特征时窗在振动信号xi上完成滑移后,得到的所有局部特征组成信号的局部特征集再取局部特征集每一列的最大值,作为该振动信号xi的信号特征即
其中max(Z,1)表示取矩阵Z每一列最大值组成的行向量;
3)将时窗滑移受限玻尔兹曼机提取的信号特征作为振动信号xi的故障特征,输入Softmax分类器,通过最大化该振动信号对应标签的输出概率训练分类器;训练完成后,以最大输出概率的标签作为该振动信号xi对应的健康状态,完成滚动轴承的智能故障诊断。
本发明的有益效果为:
本发明利用时窗滑移受限玻尔兹曼机直接从振动信号提取故障特征,改进了传统受限玻尔兹曼机直接从振动信号提取特征的能力,克服了传统受限玻尔兹曼机难以提取具有平移不变性的特征而不利于智能算法进行分类的问题,最终提高了诊断精度。
附图说明
图1为本发明的流程图。
图2为时窗滑移受限玻尔兹曼机基本组件结构示意图。
图3为诊断结果的对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
参照图1,基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法,包括以下步骤:
1)获取滚动轴承在不同健康状态下的振动信号,组成振动信号集建立基于时窗滑移受限玻尔兹曼机的故障诊断模型,故障诊断模型包括时窗滑移受限玻尔兹曼机和Softmax分类器,时窗滑移受限玻尔兹曼机用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于完成故障诊断,具体是:将每个振动信号xi作为一个训练样本,组成样本集其中,表示第i个振动信号,每个振动信号包含D个数据点,yi表示第i个振动信号所对应的健康状态标签,N为振动信号个数;
2)对时窗滑移受限玻尔兹曼机进行训练,首先确定时窗滑移受限玻尔兹曼机时窗长度Nin、输出维数Nout和截取样本片段的步长Itrain,构建以时窗长度Nin为可见层维数、输出维数Nout为隐层维数的受限玻尔兹曼机为其基本组件,将训练时窗滑移受限玻尔兹曼机转化为对其基本组件受限玻尔兹曼机的训练,分别从每个振动信号中以步长Itrain截取长度为Nin的样本片段,组成样本片段集,然后对样本片段集进行预处理得到样本片段训练集用于训练受限玻尔兹曼机,预处理过程包括:白化、Z-score标准化及将每一个样本片段幅值平移缩放到区间[0,1];训练完成后,利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,每次滑移位于时窗内的信号片段都利用受限玻尔兹曼机提取其故障特征,作为信号的局部特征,再取局部特征每一维的最大值,作为该振动信号的信号特征,具体是:
2.1)参照图2,首先确定时窗滑移受限玻尔兹曼机时窗长度Nin和输出维数Nout,分别从每个振动信号中以步长Itrain截取Nin长度的样本片段,组成样本片段集其中,是第j个样本片段,且包含Nin个数据点;先对样本片段集进行白化,接着对经过白化的样本片段集进行Z-score标准化,最后将白化和标准化后的样本片段集中各样本片段幅值平移缩放到[0,1],得到样本片段训练集
那么,W、a及b的更新过程如下:
其中ε为学习率;
2.3)利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,第j次滑移后位于时窗内的信号片段经过相同的白化、标准化和平移缩放预处理后输入经过训练的受限玻尔兹曼机提取其故障特征,得到信号的局部特征时窗在振动信号xi上完成滑移后,得到的所有局部特征组成信号的局部特征集再取局部特征集每一列的最大值,作为该振动信号xi的信号特征即
其中max(Z,1)表示取矩阵Z每一列最大值组成的行向量;
3)将时窗滑移受限玻尔兹曼机提取的信号特征作为振动信号xi的故障特征,输入Softmax分类器,通过最大化该振动信号对应标签的输出概率训练分类器;训练完成后,以最大输出概率的标签作为该振动信号xi对应的健康状态,完成滚动轴承的智能故障诊断,具体是:步骤2)提取得到信号特征fi,N个振动信号的信号特征组成信号特征集分别对应健康状态集为健康状态用K个标签表示,即yi=k∈{1,2,…,K},Softmax分类器通过假设函数输出一个K维向量来表示输入的信号特征fi对应K个不同健康状态的概率,则假设函数hθ(fi)具有以下形式:
其中,θ=[θ1,θ2,…,θK]T是Softmax分类器的参数,模型的训练通过最小化以下代价函数J(θ)达到:
其中,1{·}代表示性函数,λ是权重衰减因子,根据模型输出的概率分布向量,取概率最大的标签为振动信号xi所对应的健康状态,完成对滚动轴承故障的智能诊断。
实施例:通过对滚动轴承故障进行智能诊断,对本发明作进一步描述。
滚动轴承数据集共包含4个子集,分别对应4种健康状态,分别为内圈故障、外圈故障、滚动体故障和正常状态,每个子集又包含1310个样本,每个样本包含1000个数据点;所有的5240个样本中取约20%的样本用于模型训练,剩下的样本用于模型精度的测试。使用本发明方法对滚动轴承数据集进行诊断,针对该数据集,选择时窗滑移受限玻尔兹曼机时窗长度Nin为100,输出维数Nout为300,截取样本片段的步长Itrain为50,提取局部特征时时窗滑移的步长Itest为10,训练时窗滑移受限玻尔兹曼机的学习率ε为8.5E-4,训练Softmax分类器的权重衰减因子λ为1E-5,使用本发明方法,可以达到100%的训练精度和99.81%的测试精度。为验证本发明方法的有效性,将本方法的诊断结果与基于传统受限玻尔兹曼机提取特征的诊断结果、人工提取特征的诊断结果进行比较。在基于传统受限玻尔兹曼机提取特征的诊断方法(方法1)中,可见层维数为1000,隐层维数为300;在人工提取特征的诊断方法(方法2)中,提取的特征包括:均值、方差、最大值、标准差、峭度、波形指标、峰值指标、裕度指标、脉冲指标、偏斜度指标10个常用特征、以及8个小波能量比特征;然后分别以这些特征为输入,利用Softmax分类器完成轴承故障的智能诊断。
三种方法诊断结果对比如图3所示。从图3的对比结果可以看出,方法1的训练精度为37.30%、测试精度为25.12%,远远低于本发明方法的训练精度和测试精度,说明本发明方法改进了传统受限玻尔兹曼机直接从振动信号提取特征的能力,克服了传统受限玻尔兹曼机从振动信号提取的故障特征难以被智能算法分类的问题。方法2的训练精度为99.90%、测试精度为99.25%,均低于本发明方法的训练精度和测试精度,说明本发明方法能够代替人工从机械大数据中自动提取更适合轴承故障诊断的特征,并得到更高的诊断精度。
通过以上滚动轴承故障诊断具体处理过程分析以及与基于传统受限玻尔兹曼机提取特征的诊断结果、人工提取特征的诊断结果对比可以发现,本发明的方法能够改进传统受限玻尔兹曼机直接从振动信号提取特征的能力,并克服传统受限玻尔兹曼机难以提取具有平移不变性的特征而不利于智能算法进行分类的问题,并基于这些特征,结合Softmax分类器对轴承故障进行高效可靠的智能诊断,得到了更高的诊断精度。
Claims (1)
1.基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法,其特征在于:包括以下步骤:
1)获取滚动轴承在不同健康状态下的振动信号,组成振动信号集xi为第i个振动信号,N为振动信号个数,建立基于时窗滑移受限玻尔兹曼机的故障诊断模型,故障诊断模型包括时窗滑移受限玻尔兹曼机和Softmax分类器,时窗滑移受限玻尔兹曼机用于提取故障特征,Softmax分类器以提取的故障特征为输入,用于完成故障诊断;
2)对时窗滑移受限玻尔兹曼机进行训练,首先确定时窗滑移受限玻尔兹曼机时窗长度Nin、输出维数Nout和截取样本片段的步长Itrain,构建以时窗长度Nin为可见层维数、输出维数Nout为隐层维数的受限玻尔兹曼机为其基本组件,将训练时窗滑移受限玻尔兹曼机转化为对其基本组件受限玻尔兹曼机的训练,分别从每个振动信号中以步长Itrain截取长度为Nin的样本片段,组成样本片段集,然后对样本片段集进行预处理得到样本片段训练集用于训练受限玻尔兹曼机,预处理过程包括:白化、Z-score标准化及将每一个样本片段幅值平移缩放到区间[0,1];训练完成后,利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,每次滑移位于时窗内的信号片段都利用受限玻尔兹曼机提取其故障特征,作为信号的局部特征,再取局部特征每一维的最大值,作为该振动信号的信号特征,具体是:
2.1)首先确定时窗滑移受限玻尔兹曼机时窗长度Nin和输出维数Nout,分别从每个振动信号中以步长Itrain截取Nin长度的样本片段,组成样本片段集其中,是第j个样本片段,且包含Nin个数据点;先对样本片段集进行白化,接着对经过白化的样本片段集进行Z-score标准化,最后将白化和标准化后的样本片段集中各样本片段幅值平移缩放到[0,1],得到样本片段训练集
2.3)利用长度为Nin的时窗以步长Itest在振动信号xi上滑移,第j次滑移后位于时窗内的信号片段经过相同的白化、标准化和平移缩放预处理后输入经过训练的受限玻尔兹曼机提取其故障特征,得到信号的局部特征时窗在振动信号xi上完成滑移后,得到的所有局部特征组成信号的局部特征集再取局部特征集每一列的最大值,作为该振动信号xi的信号特征即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710784382.5A CN107451760B (zh) | 2017-09-04 | 2017-09-04 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710784382.5A CN107451760B (zh) | 2017-09-04 | 2017-09-04 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451760A CN107451760A (zh) | 2017-12-08 |
CN107451760B true CN107451760B (zh) | 2020-06-26 |
Family
ID=60494780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710784382.5A Active CN107451760B (zh) | 2017-09-04 | 2017-09-04 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451760B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875771B (zh) * | 2018-03-30 | 2020-04-10 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
CN109085495A (zh) * | 2018-07-11 | 2018-12-25 | 杭州申发电气有限公司 | 一种断路器物联信息系统的监控诊断方法及系统 |
CN109992872B (zh) * | 2019-03-27 | 2020-07-28 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN112348170A (zh) * | 2020-11-10 | 2021-02-09 | 交控科技股份有限公司 | 一种道岔转辙机故障诊断方法及系统 |
CN113588266B (zh) * | 2021-07-19 | 2022-06-07 | 西安交通大学 | 一种故障语义空间内嵌的滚动轴承复合故障诊断方法 |
CN114004374A (zh) * | 2021-10-22 | 2022-02-01 | 南京信息工程大学 | 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法 |
CN117726181B (zh) * | 2024-02-06 | 2024-04-30 | 山东科技大学 | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645046B2 (en) * | 2012-12-17 | 2017-05-09 | General Electric Company | Fault detection system and associated method |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN105241666B (zh) * | 2015-09-21 | 2017-10-20 | 华南理工大学 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
CN105181336B (zh) * | 2015-10-30 | 2016-10-12 | 东南大学 | 一种用于轴承故障诊断的特征选取方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
-
2017
- 2017-09-04 CN CN201710784382.5A patent/CN107451760B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107451760A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451760B (zh) | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN110866365A (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
CN111275198B (zh) | 一种轴承异常检测方法及系统 | |
CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN109359550A (zh) | 基于深度学习技术的满文文档印章提取与去除方法 | |
CN115774851B (zh) | 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN112115922A (zh) | 一种增强深度特征学习的旋转机械故障诊断方法 | |
CN115452381A (zh) | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
CN114548190A (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN112507479A (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 | |
CN114638251A (zh) | 基于rcmrde与jmim特征选择的滚动轴承故障诊断方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 |
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 |