CN108052720A - 一种基于迁移聚类的轴承性能退化评估方法 - Google Patents

Abstract

一种基于迁移聚类的轴承性能退化评估方法，涉及一种机器部件性能评估方法，该方法在轴承性能退化的历史监测数据集（即辅助域）上利用经典MEC推导实现历史知识的迁移，获得目标域轴承性能退化小样本数据集的聚类中心；引入核空间上的距离测度以改善退化样本的聚类性能，获得核空间上目标域轴承性能退化小样本数据集；利用核空间上的聚类中心对目标数据集中的测试样本进行聚类，实现待识别样本退化状态的自动标注。本方法解决基于数据驱动的轴承性能退化评估技术中通用样本匮乏问题，提供了一种新的途径，通过提高聚类样本的典型性提高轴承性能退化样本的聚类精度。

Description

一种基于迁移聚类的轴承性能退化评估方法

技术领域

本发明涉及一种机器部件性能评估方法，特别是涉及一种基于迁移聚类的轴承性能退化评估方法。

背景技术

由于长期连续工作在高载荷、高转速下，作为旋转机械装备中的关键零部件，轴承发生故障的比例极高。轴承的性能由完好逐渐经历一系列不同退化状态直至完全失效，一旦运行时间超出服役寿命，其运行精度会急剧下降，进而导致装备无法正常工作。因此，研究复杂工况下可靠而实用的轴承性能退化评估对于优化装备的售后服务，提高产品附加值意义重大。

随着旋转机械复杂性、精密性的增加及对转速要求的不断提高，现有的理论方法已经难以满足实际应用的需求。特别是高速复杂旋转机械运行环境恶劣多变，各部件之间耦合性增强，其性能退化行为表现复杂。另一方面，随着机械大数据时代的到来，在旋转机械健康监测过程中，积累的各类监测数据越来越多。但是，基于数据驱动的轴承性能退化评估及预测方法是有适用前提的，即样本独立同分布。然而，由于轴承性能退化的特殊性及轴承样本个体差异大等原因，这些历史数据相关但不相似，无法直接用于实际问题中特定轴承的性能监测中。当样本数据匮乏时，单纯通过对原有理论方法进行改进的途径难以再取得突破性的进展。从这些已有的历史数据中挖掘知识用于对不同但相关的领域问题进行求解是非常有意义的一项研究工作，而迁移学习正是这样的一种理论，可以有效改善故障预测问题中存在的数据或知识不足的问题，既是当前机器学习领域面临的一个挑战，也是故障诊断及预测领域中的一个机遇。

轴承性能退化具有多阶段的特点，通过最大熵聚类（MEC）推导对退化样本进行聚类可以划分退化的各个不同阶段，实现性能退化定性评估。然而，轴承性能退化数据具有非线性、非高斯分布的特点，而标准MEC推导只适合于分析具有球形或椭球形分布的样本数据，难以有效划分轴承退化阶段。核函数在处理非线性数据时表现优异，因而，基于迁移核MEC推导实现轴承性能退化评估评估意义重大。

从已有的历史数据中挖掘知识用于对不同但相关的领域问题进行解决，现有基于数据驱动的轴承性能评估方法中由于通用样本匮乏而导致评估性能不佳的问题，无法改善工程实际中的预测性能。在轴承性能退化评估工程应用中，收集充足的样本代价十分昂贵，甚至是不可能的，因此从辅助领域中迁移现有的知识结构从而完成或改进目标领域任务是十分必要的，也是源于实践需求的一个重要研究问题。

发明内容

本发明的目的是提供一种基于迁移聚类的轴承性能退化评估方法，该方法从已有的历史数据中挖掘知识用于对不同但相关的领域问题进行求解，克服现有基于数据驱动的轴承性能评估方法中由于通用样本匮乏而导致评估性能不佳的问题，从核空间上的迁移学习提高聚类样本的典型性，解决基于数据驱动的轴承性能退化评估技术中通用样本匮乏问题，提供了一种新的途径，通过提高聚类样本的典型性提高轴承性能退化样本的聚类精度。改善了工程实际中的预测性能，从辅助领域中迁移现有的知识结构完成或改进目标领域任务，源于实践需求解决问题。

本发明的技术方案是：

一种基于迁移聚类的轴承性能退化评估方法，所述方法包含如下步骤：

步骤一：在轴承性能退化的历史监测数据集（即辅助域）上利用标准MEC推导获得历史聚类中心集：

标准MEC推导的目标函数如下：

其中，为聚类中心数，为样本数，表示第个样本对第个聚类中心的隶属度。

利用Lagrange乘子法求目标函数的最小值来获得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（2）和公式（3）进行迭代优化，获得轴承退化历史数据集的聚类中心。

步骤二：在目标域轴承性能退化小样本数据集上进行聚类，聚类过程中借鉴了步骤一中获得的历史数据集的聚类中心，实现历史知识的迁移。

迁移聚类推导的目标函数如下：

利用Lagrange乘子法求目标函数的最小值来获得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（5）和公式（6）进行迭代优化，获得目标域轴承性能退化小样本数据集的聚类中心。步骤一中获得的包含了数据与类别之间的关联关系，将这一信息用于目标数据集的聚类过程中，可以有效改善目标小样本数据集的聚类效果，以解决轴承性能退化评估技术中普遍面临的通用样本匮乏问题。

步骤三：引入Mercer核非线性映射，则目标函数变为

选择高斯核函数，

进一步，利用Lagrange乘子法求目标函数的最小值来获得最优解，求得的隶属度和聚类中心迭代公式如下：

根据公式（9）和公式（10）进行迭代优化，获得核空间上目标域轴承性能退化小样本数据集的聚类中心。轴承退化样本在欧式空间十分接近，基于欧式距离的聚类推导由于距离十分接近而性能下降，引入核空间上的距离测度后可以改善退化样本的聚类性能。

步骤四：利用步骤三获得的轴承性能退化小样本数据集的聚类中心对目标数据集中的测试样本进行聚类，实现待识别样本退化状态的自动标注。

本发明的有益效果是：

1.本发明将迁移学习理论用到故障预测领域中，从不同但相关的轴承退化历史数据中获取有用知识，指导目标小样本集的学习，从根本上解决了目前基于数据驱动的轴承故障预测方法中普遍存在的通用样本匮乏问题。

2.本发明充分考虑性能退化过程固有的多阶段特性以及退化数据的非线性、非高斯分布特点，提出一种核空间上的迁移聚类推导来自动标注目标域样本的退化状态，从而实现轴承性能退化评估，有效地提高了评估模型的精度。

具体实施方式

实施例1：

本实施例中采用UCI机器学习数据库中的Twenty Newsgroup数据集，该数据集共有7大类数据，下又细分为20子类。将相同大类下面的子类数据与不同大类下的子类数据组合构成不同领域的数据集，确保辅助域数据集和目标数据集具有不同的分布，但又相关。操作步骤如下：

步骤一：利用标准MEC推导获得辅助域数据集的历史聚类中心集：

标准MEC推导的目标函数如下：

其中，为聚类中心数，本实施例中取值为5；为样本数，本实施例中为1000，表示第个样本对第个聚类中心的隶属度。

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（2）和公式（3）进行迭代优化，最后获得辅助域数据集的聚类中心。

步骤二：借鉴步骤一中的辅助域数据集的聚类中心，在目标域数据集上进行迁移聚类，实现知识的迁移。

迁移聚类推导的目标函数如下：

本实施例中目标数据集样本数目N为200。

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（5）和公式（6）进行迭代优化，获得目标域轴承性能退化小样本数据集的聚类中心。步骤一中获得的包含了数据与类别之间的关联关系，将这一信息用于目标数据集的聚类过程，可以有效改善聚类效果。

步骤三：引入Mercer核非线性映射，则目标函数变为

选择高斯核函数，

进一步，利用Lagrange乘子法求目标函数的最小值来求得最优解，求得的隶属度和聚类中心迭代公式如下：

根据公式（9）和公式（10）进行迭代优化，获得核空间上目标域轴承性能退化小样本数据集的。引入核空间上的距离测度后可以增强样本的聚类典型性。

步骤四：利用步骤三获得的辅助域数据集的聚类中心对目标域数据集的测试样本进行聚类。

表1 聚类性能评价

实施例2：

本实施例的历史监测数据集采用美国Cincinnati大学实测的滚动轴承全寿命数据，在轴承全寿命周期内一共800个样本，直至最后轴承由于外圈故障严重而失效。目标小样本数据集采用美国华盛顿Case Western Reserve大学电气工程实验室的滚动轴承数据，选择正常、轻度外圈故障、中度外圈故障及重度外圈轴承故障样本共360个，操作步骤如下：

步骤一：作为轴承性能退化的历史监测数据集，通过标准MEC推导获得对应的历史聚类中心集：

标准MEC推导的目标函数如下：

其中，为聚类中心数，本实施例中取值为4；为样本数，本实施例中为984，表示第个样本对第个聚类中心的隶属度。

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（2）和公式（3）进行迭代优化，最后获得历史轴承退化数据集的聚类中心。

步骤二：为目标域轴承性能退化小样本数据集，将数据集随机分为和两个数据集，前者包含240个样本，用于聚类；后者包含120个样本，用于测试。借鉴历史数据集的聚类中心，在数据集上进行迁移聚类，实现历史知识的迁移。

迁移聚类推导的目标函数如下：

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（5）和公式（6）进行迭代优化，获得目标域轴承性能退化小样本数据集的聚类中心。步骤一中获得的包含了数据与类别之间的关联关系，将这一信息用于目标数据集的聚类过程，可以有效改善聚类效果，以解决轴承性能退化评估技术中普遍面临的通用样本匮乏问题，提高聚类精度。

步骤三：引入Mercer核非线性映射，则目标函数变为

选择高斯核函数，

进一步，利用Lagrange乘子法求目标函数的最小值来求得最优解，求得的隶属度和聚类中心迭代公式如下：

根据公式（9）和公式（10）进行迭代优化，获得核空间上目标域轴承性能退化小样本数据集的。轴承退化样本在欧式空间十分接近，基于欧式距离的聚类推导由于距离十分接近而性能下降，引入核空间上的距离测度后可以改善退化样本的聚类性能。

步骤四：利用步骤三获得的轴承性能退化小样本数据集上的聚类中心对目标数据集中的测试样本进行聚类，实现中待识别样本退化状态的自动标注。

表2 聚类性能评价

实施例3：

本实施例的历史监测数据集采用美国Cincinnati大学实测的滚动轴承全寿命数据，在轴承全寿命周期内一共800个样本，直至最后轴承由于外圈故障严重而失效。目标小样本数据集由某轴承性能试验台上采集到的轴承性能退化过程中的样本构成，共80个，二者在轴承类型及工况等条件上均有差异，操作步骤如下：

步骤一：作为轴承性能退化的历史监测数据集，通过标准MEC推导获得对应的历史聚类中心集：

标准MEC推导的目标函数如下：

其中，为聚类中心数，本实施例中取值为4；为样本数，本实施例中为984，表示第个样本对第个聚类中心的隶属度。

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（2）和公式（3）进行迭代优化，最后获得历史轴承退化数据集的聚类中心。

步骤二：为目标域轴承性能退化小样本数据集，将数据集随机分为和两个数据集，前者包含60个样本，用于聚类；后者包含20个样本，用于测试。借鉴历史数据集的聚类中心，在数据集上进行迁移聚类，实现历史知识的迁移。

迁移聚类推导的目标函数如下：

利用Lagrange乘子法求目标函数的最小值来求得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（5）和公式（6）进行迭代优化，获得目标域轴承性能退化小样本数据集的聚类中心。步骤一中获得的包含了数据与类别之间的关联关系，将这一信息用于目标数据集的聚类过程，可以有效改善聚类效果，以解决轴承性能退化评估技术中普遍面临的通用样本匮乏问题，提高聚类精度。

步骤三：引入Mercer核非线性映射，则目标函数变为

选择高斯核函数，

进一步，利用Lagrange乘子法求目标函数的最小值来求得最优解，求得的隶属度和聚类中心迭代公式如下：

根据公式（9）和公式（10）进行迭代优化，获得核空间上目标域轴承性能退化小样本数据集的。轴承退化样本在欧式空间十分接近，基于欧式距离的聚类推导由于距离十分接近而性能下降，引入核空间上的距离测度后可以改善退化样本的聚类性能。

步骤四：利用步骤三获得的轴承性能退化小样本数据集上的聚类中心对目标数据集中的测试样本进行聚类，实现中待识别样本退化状态的自动标注。

表3 聚类性能评价

本领域技术人员能够根据本发明的上述描述进行改进、变化和修订。这些对于本领域技术人员显而易见的改进、变化和/或修订由所附的权利要求来限定。

Claims (1)

1.一种基于迁移聚类的轴承性能退化评估方法，其特征在于，所述方法包含如下步骤：

步骤一：在轴承性能退化的历史监测数据集（即辅助域）上利用标准MEC推导获得历史聚类中心集：

标准MEC推导的目标函数如下：

其中，为聚类中心数，为样本数，表示第个样本对第个聚类中心的隶属度；

利用Lagrange乘子法求目标函数的最小值来获得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（2）和公式（3）进行迭代优化，获得轴承退化历史数据集的聚类中心；

步骤二：在目标域轴承性能退化小样本数据集上进行聚类，聚类过程中借鉴了步骤一中获得的历史数据集的聚类中心，实现历史知识的迁移；

迁移聚类推导的目标函数如下：

利用Lagrange乘子法求目标函数的最小值来获得最优解,聚类中心和隶属度的迭代公式如下：

根据公式（5）和公式（6）进行迭代优化，获得目标域轴承性能退化小样本数据集的聚类中心；步骤一中获得的包含了数据与类别之间的关联关系，将这一信息用于目标数据集的聚类过程中，可以有效改善目标小样本数据集的聚类效果，以解决轴承性能退化评估技术中普遍面临的通用样本匮乏问题；

步骤三：引入Mercer核非线性映射，则目标函数变为

选择高斯核函数，

进一步，利用Lagrange乘子法求目标函数的最小值来获得最优解，求得的隶属度和聚类中心迭代公式如下：

根据公式（9）和公式（10）进行迭代优化，获得核空间上目标域轴承性能退化小样本数据集的聚类中心；

轴承退化样本在欧式空间十分接近，基于欧式距离的聚类推导由于距离十分接近而性能下降，引入核空间上的距离测度后可以改善退化样本的聚类性能；

步骤四：利用步骤三获得的轴承性能退化小样本数据集的聚类中心对目标数据集中的测试样本进行聚类，实现待识别样本退化状态的自动标注。