CN107917805A

CN107917805A - 基于深度信念网络和支持向量机的滚动轴承故障诊断方法

Info

Publication number: CN107917805A
Application number: CN201711138864.XA
Authority: CN
Inventors: 熊景鸣; 潘琳; 朱昇; 张志昌; 黄陈林
Original assignee: Tongren Polytechnic College
Current assignee: Tongren Polytechnic College
Priority date: 2017-10-16
Filing date: 2017-11-17
Publication date: 2018-04-17

Abstract

一种基于能量算子解调的深度信念网络(DBN)和粒子群优化的支持向量机(PSO‑SVM)结合的轴承故障诊断方法。首先通过能量算子解调方法获得瞬时Teager波形图并求取它的时频特征统计参量，再采用DBN对时频特征统计量进行二次特征提取，最后将提取的特征参数输入到PSO‑SVM中进行故障分类。本发明方法不仅准确率更高，而且算法训练的时间大大缩短了，提高了故障诊断的准确率和效率。

Description

基于深度信念网络和支持向量机的滚动轴承故障诊断方法

技术领域

本发明涉及滚动轴承参数诊断领域，是一种基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法。

背景技术

轴承是旋转机械中应用最广泛的一种部件，也是极易损坏的部件，其运行状态会直接影响到整台机器的性能，如果轴承出现故障就会造成巨大的经济损失，因此对轴承的故障诊断具有重要现实意义。

随着人工智能技术的发展，故障诊断系统正朝着智能化的方向迈进。传统的机械故障诊断方法已经不能满足实际要求，从而使得能够取而代之机器学习越来越受到青睐。目前，常用的机器学习方法有k-NN分类器、神经网络方法及SVM方法。而传统的深度信念网络输入的是原始数据，由于原始数据庞大，运算时间太长，不利用工程上实际应用。

发明内容

本发明目的在于提供一种特征数据分类简单、诊断准确性高的基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法。

为实现上述目的，本发明所述诊断方法包括以下步骤：

步骤1，以滚动轴承的原始振动数据作为输入样本，采用能量算子调解对数据进行预处理，计算出处理之后数据的时域特征统计量和频域特征统计量；

步骤2，利用深度信念网络(DBN)对提取出来的时频特征统计量进行二次特征提取，优化参数分布特性；

步骤3，以粒子群算法(PSO)对支持向量机(SVM)的参数进行优化，把深度信念网络提取出来的特征量和时域特征参数统计量输入到粒子群优化的支持向量机中，进行故障分类识别。

与现有技术相比，本发明具有如下优点：本发明方法利用能量算子解调原信号，能够增强故障特征，更加准确地提取滚动轴承的故障特征；通过深度信念网络对时频统计量进行二次特征提取，使参数分布特性变好；最后输入到粒子群优化的支持向量机中，分类准确性大大提高。

附图说明

图1是本发明方法的流程图。

图2是本发明方法中深度信念网络模型图。

图3是本发明方法中支持向量最优分类线图。

图4是本发明方法中PSO算法对SVM参数的优化流程图。

图5是本发明方法中原始信号及算子解调后的时域图和频谱图。

图6是本发明方法中深度信念网络提取特征参数分布图。

图7是本发明方法中支持向量机对样本测试的适应度曲线图。

具体实施方式

下面结合附图对本发明方法做进一步说明：

如图1所示，本发明所述诊断方法包括以下步骤：

原信号：

式中，a(t)为原信号时变幅值；为原信号时变相位；

信号S(t)的能量算子ψ定义为：

求出信号S(t)的瞬时幅值A(t)和瞬时相位W(t)：

步骤2，利用深度信念网络对提取出来的时频特征统计量进行二次特征提取，优化参数分布特性；具体方法如下：

深度信念网络是由多个受限玻尔兹曼机堆叠形成的数据多层感知器神经网络，低层表示的是原始数据的细节，高层表示的是数据的特征。图2是一个由3个RBM堆叠成的DBN模型。每个RBM由两层网络组成，即可视层(v)和隐藏层(h)，层与层之间通过权值(w)连接。其中，第一层可视层(v¹)为输入的初始数据，和第一隐藏层(h¹)组成第一个RBM(RBM1)；第一个隐藏层(h¹)作为第二可视层(v²)，并和第二隐藏层(h²)组成第二个RBM(RBM2)；第二隐藏层作为第三个可视层(v³)，并和第三隐藏层(h³)组成第三个RBM(RBM3)。DBN的学习过程包括两部分：从低层到高层的前向堆积RBM学习和从高层到低层的后向微调学习。

1、前向堆叠RBM学习

RBM源于热动力学能量模型，在每层网格中有若干个神经元，同一层神经元之间相互独立，且只有激活和未激活两种状态，一般用二进制的1和0表示。假设一个RBM中有n个可视单元和m个隐藏单元，分别用v和h表示可视层和隐藏层的状态，v＝(v₁,v₂,...,v_n),h＝(h₁,h₂,...,h_m)，定义该RBM能量函数：

式中θ＝{w,b,a}，为第i个可视单元的状态，h_j为第j个隐藏层单元的状态，a_i为可视单元i的偏置，b_j为隐藏单元j的偏置，w_ij为连接可视单元i和隐藏单元j的权重。

定义可视单元和隐藏单元的联合分布为:

采用极大似然法求得参数θ：

利用对每个训练样本采用Gibbs采样得到的对应样本，结合对数似然概率lnP(v)的导数，得到梯度的近似表达式：

通过这三个梯度，经过几轮的对比散度(CD-K)算法迭代，可求出参数θ＝{w,b,a}。

RBM模型基于CD-K快速学习算法步骤：

①确定参数训练样本级S，学习率ε，隐藏层节点数m。

②初始化参数。w，a，b为随机选取的较小的值。

③训练书数据：在第t＝(0,1,…k-1)部中，先后采样h_j ^(t)～P(h_j|v^(t))|和v_i ^(t+1)～P(v_i|h^(t))。

④根据③中的采样值和下式更新权值：

2、前向堆叠RBM学习

在数据预训练结束之后，每层的RBM得到了初始化参数，组成了DBN的初步架构，然后对DBN做向后微调训练。利用BP算法对相关的网络参数进行调整，主要是调整层与层之间的权值和偏执值。

步骤3，以粒子群算法对支持向量机的参数进行优化，把深度信念网络提取出来的特征量和时域特征参数统计量输入到粒子群优化的支持向量机中，进行故障分类识别。

具体方法如下：

1、对粒子群算法的说明

粒子群优化算法是一种模拟社会群体活动的智能算法，PSO初始化为一群随机粒子，每个粒子有相应的位置和速度，分别用X_i＝(x_i1,x_i2,...,x_ie)和V_i＝(v_i1,v_i2,...,v_ie)表示，其中i＝1,...,n，n为种群数量，e为搜索空间的维数，每个粒子有一个被优化函数决定的适应值，在每次迭代过程中，速度和位置更新公式如下:

其中：w为惯性权值，c₁、c₂为学习因子，rand₁和rand₂为属于[0,1]的随机分布函数,P_i＝(p_i1,p_i2,...,p_ie)为第i个粒子到目前为止搜索到的最优位置，P_g＝(p_g1,p_g2,...,p_ge)为整个群体迄今为止搜索到的最优位置，粒子的速度都会被限制在[-v_max,v_max]的范围内，速度太大，粒子将会分离最好的解，速度太小，粒子将会陷入局部最优。

为了提高算法的收敛速度，对惯性权值w进行线性调整，即随着迭代的进行，线性减少w的值，调整公式为:

w＝w_max-iter*(w_max-w_min)/iter_max

其中，iter为当前迭代次数，iter_max为最大迭代次数。

2、对支持向量机的说明。

SVM是从线性可分的情况下的最优分类面发展来的，基本思想可以用图3的情况来说明。图中，三角形和五角星分别代表两类样本，H是分类线，H₁,H₂分别为过各类中离分类线最近的样本且平行于分类线的直线，他们之间的距离为分类间隔(Margin)。所谓最优分类线就是要求分类线不但能将两类正确分开(训练错误率为0)，而且使分类间隔最大。分类线方程为x·w+b＝0，可以对它进行归一化，使得线性可分的样本集(x_i,y_i)，i＝1,...,l，x∈R_d，y∈{1,-1}，满足:

y_i[(ω·x_i)+b]-1≥0,i＝1,...l

此时分类间隔等于2/||ω||，使间隔最大等价于使||ω||²最小。满足条件且使最小的分来面就叫做最优分类面，H₁，H₂上的训练样本点就称作支持向量。

利用PSO算法对SVM的参数进行优化，其具体步骤如图4所示。

实施案例1：

以美国西储大学轴承数据为例，说明基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断实现方法。

(1)试验数据

该滚动轴承实验平台包括一个2马力的电机(左侧)(1h＝746w)，一个转矩传感器(中间)，一个功率计(右侧)和电子控制设备。该试验台包括驱动端轴承和风扇端轴承，加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号是通过16通道的DAT记录器采集的，驱动端轴承故障数据采样频率为每秒钟48000个点。在本次试验中，我们选取驱动端(轴承)为研究对象，驱动端轴承型号为SKF6205，轴承转速为1797r/min(29.95Hz)，采样频率为12kHz。。在电机负载为3HP工况下，分别选取轴承故障模式为正常、内圈故障和外圈故障的数据。使用电火花加工技术在轴承上布置了单点故障，故障直径分别为0.007、0.014、0.021英寸。故这样本次试验共选取了七种工况。我们将七种工况每500个采样点数分为一个采样样本，分别取200组数据，其中100组作为训练，100组作为测试。列表1如下。

表1试验样本详细列表

故障类型	训练样本/测试样本	数据编号	分类标签
				正常	100/100	97DE	000
内圈故障(0.007)	100/100	105DE	001
				内圈故障(0.014)	100/100	169DE	010
内圈故障(0.021)	100/100	211DE	011
				外圈故障(0.007)	100/100	130DE	100
外圈故障(0.014)	100/100	198DE	101
				外圈故障(0.021)	100/100	236DE	110

(2)能量算子解调对数据进行预处理

以西储大学轴承数据中的235DE(轴承驱动端外圈故障信号，且故障频率为105Hz)为例，对信号进行能量算子解调处理。

如图5所示，图(a)为原始信号，图(b)为瞬时Teager能量波形图。比较两图发现，原始信号周期性冲击不明显，而在瞬时Teager波形图中周期性冲击明显，Teager能量算子突出了冲击特征。图(c)为原始信号的频谱图，图(d)为瞬时Teager能量波形的频谱图。图(c)中没有出现故障频率，而图(d)中出现了明显的故障频率及其倍频。可见，瞬时Teager能量波形能够增强故障特征，更加准确地提取滚动轴承的故障特征。

(3)时频特征提取和DBN二次提取

每个数据集中分别取500个点作为一组轴承数据，分别取200组数据，其中100组作为训练，100组作为测试。为了方便深度信念网络对数据进行处理，提高处理速度，本文求出每组数据的时频特征统计量。将时频特征统计量输入到DBN中进行二次特征提取。在进行网格训练前，为了提高网络性能，缩短网格训练时间，需要对网络的参数进行设置。

①隐含层数的设置

本文经过不断试验，在训练时间和网格误差之间找到比较好的平衡点，所以本文采用3层隐含层的设计，总的网络层数为5层。

②隐含层数节点数的设置

根据经验公式其中，m,n分别为输入，输出节点数，k∈[0,10]。由于时频特征统计量的个数为13，所以数据的特征维数为13，故输入节点数为13。根据轴承的类别编号可得输出层数的节点为3。由经验公式可以得到网络结构：输入节点数13，隐含第一层节点数10，隐含第二次层借点数8，隐含第三层节点数5，输出节点3。

③RBM学习率设置

由于本文是对时频特征统计量进行二次提取，不需要很大的学习率，只需要保证系统稳定，所以取RBM学习率为0.001。

参数设置好之后，将求出的时频特征统计量输入到DBN网格中进行训练，训练之后的结果如图6所示。图(a)为从时频特征统计量中选出3个最灵敏的参数展示在三维空间中。图(b)为从DBN训练好的参数中随机选出3个展示在三维空间中。图(a)中，七种故障类型的参数重叠在一起，不能很好的分开，而图(b)中七种故障类型除了类型100和类型011参数互相重合，其余的都能清楚的分开。

(4)支持向量机的训练过程

粒子群算法参数设置为最大进化数量为100，种群粒子数为20，学习因子c1为1.9，学习因子c2为1.7，参数k＝0.4，速率更新公式中速度前面的弹性系数wV＝1,种群更新公式中速度前面的弹性系数参数wP＝1,SVM Cross Validation参数V＝3,c的取值范围为[0.1,200],参数g的取值范围为[0.01,1000]，以支持向量机的平均相对误差作为适应度函数。采用粒子群算法优化后，得到参数c，g的最优值，从而确定支持向量机的预测模型。

(5)分类结果

采用本发明的基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障智能诊断方法按上述流程进行故障诊断，对西储大学的轴承数据进行分类，准确率达到了98％，相比直接用PSO-SVM分类的方法，准确率提高了13.2％。诊断结果如图7，分类准确率如表1所示。

表1不同输入参数及其对应的SVM分类准确率

方法	运行时间(s)	(c,g)	准确率
				PSO-SVM	27.36	(7.0931,5.2390)	84.85％
DBN-PSO-SVM	6.62	(158.9535，31.8183)	98.00％

综上所述，基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法，通过能量算子解调对数据进行预处理，能更加准确地提取滚动轴承的故障特征；将处理后的信号的时频特征统计量输入到深度信念网络中进行训练，摆脱了对大量信号处理技术与诊断经验的依赖，提高了故障特征提取的效率；最后利用经粒子群算法优化后的支持向量机进行分类，有效的提高滚动轴承故障诊断的准确率。本方法对滚动轴承的智能故障诊断具有重要意义。

以上所述的实施案例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims

1.一种基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：

步骤3，以粒子群算法(PSO)对支持向量机(SVM)的参数进行优化，将步骤2提取出来的特征量和时域特征参数统计量输入到粒子群优化的支持向量机中，进行故障分类识别。

2.根据权利要求1所述的基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法，其特征在于：在步骤1，2中，采用能量算子调解对数据进行预处理，再利用深度信念网络(DBN)对进行二次特征提取，缩减运算时间，优化参数分布特性。

3.根据权利要求1所述的基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法，其特征在于：在步骤3中，将DBN与PSO-SVM相结合，提高故障诊断的效率和准确率。