CN109187022A - 一种基于随机共振与自动编码器的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于随机共振与自动编码器的滚动轴承故障诊断方法，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果。本发明利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器对预处理后的轴承进行信号分类，实现故障诊断，故障诊断正确率高达96%。

Description

一种基于随机共振与自动编码器的滚动轴承故障诊断方法

技术领域

本发明涉及机械设备故障诊断技术领域，具体说是一种基于随机共振与自动编码器的滚动轴承故障诊断方法。

背景技术

随着工业机械化的快速发展，机械设备的功率、效率也不断提高，设备工作状态也变得复杂多变，给故障诊断造成很多困难。滚动轴承因其在承载能力强、摩擦系数小等方面的优势被广泛应用于机械工业等领域，与此同时它也是旋转机械中最易损坏的部件之一。此外，轴承微弱故障信号特征不明显且易受噪声和人为干扰等因素影响，检测困难。若能尽早诊断出轴承故障并修复，能够有效降低安全隐患与经济损失。因此滚动轴承微弱特征提取一直是机械故障诊断领域的研究热点之一。

传统微弱信号检测方法大多通过抑制与消除噪声以提高信噪比，如经验模式分解、小波变换等。尽管上述方法在故障诊断中展现了良好的特性，但降低噪声的同时不可避免的削弱了特征信号，会对微弱故障的诊断效果造成影响。随机共振(StochasticResonance,SR)理论由意大利学者Benzi等提出，与传统方法相比SR能够将部分噪声信号的能量转移到微弱特征信号上，降低噪声的同时增强微弱信号特征，实现了强噪背景下的早期微弱信号检测。SR受到绝热近似理论影响，当驱动信号频率逐渐增大时，信号谱峰会远离噪声能量集中的低频区域，使得粒子在势阱间跃迁时缺乏噪声能量的支持，最终无法通过随机共振将噪声能量转移给信号。因此，SR理论通常只能检测频率较低的信号，严重影响SR方法在工业应用中的普及。近年部分学者对随机共振方法做了一些优化，这些方法只考虑到对单一参数进行优化，却忽略了参数间的交互作用，未能将随机共振方法对微弱信号提取的能力完全发挥。此外，对于随机共振提取的微弱故障信号，也缺少在实际工程诊断中验证。

发明内容

本发明的目的是针对上述现有技术中的不足，提供一种基于随机共振与自动编码器的滚动轴承故障诊断方法。

本发明的目的是通过以下技术方案实现的：

一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：

步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号。

步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取。

步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果。

步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。

本发明进一步设计方案中，步骤1中采集了轴承振动信号后，采用变尺度方法对轴承振动信号进行预处理。

本发明进一步设计方案中，步骤2中使用遗传算法对随机共振系统参数进行寻优的具体步骤为：

步骤a，初始化种群参数；设定种群规模、染色体长度与进化次数，对随机共振系统参数的取值范围使用二进制编码方法进行映射。

步骤b，计算父代种群适应度；父代个体解码后的随机共振系统参数值赋予随机共振系统，计算压缩后信号经随机共振后的输出信号，将输出信号的信噪比 SNR作为适应度函数；SNR计算方式为SNR＝10lg(S/N)。

其中S为信号能量，N为噪声能量，当随机共振系统参数最优时，信噪比最大。

步骤c，筛选子代个体，采用轮盘赌选择法对父代个体进行选择，使得适应度越高的个体被选中的概率越大，然后将选中的个体做交叉、变异操作，得到子代个体。

步骤d，种群进化寻优；子代个体作为下一代的父代个体，重复步骤b～c，直到适应度函数收敛或达到最大的迭代次数，获得最优参数。

步骤e，将最优参数代入随机共振系统，实现滚动轴承微弱故障信号的增强与提取。

本发明进一步设计方案中，步骤4中诊断正确率的期望值为96％以上。

本发明具有以下突出的有益效果：

本发明的基于随机共振与自动编码器的滚动轴承故障诊断方法，首先，通过遗传算法寻找用于AGSR特征提取的最优参数；然后，将轴承信号输入参数优化后的AGSR系统，进行微弱故障特征的提取；最后，将提取的特征输入搭建好的 SAE网络进行训练，网络训练完成后输入测试集，对诊断精度进行验证。使用美国凯斯西储大学轴承数据中心的4类滚动轴承早期故障数据对算法进行验证。实验结果表明，提出方法能够有效的提取故障特征且故障诊断精度高。

本发明提出基于自适应遗传随机共振(Adaptive Genetic StochasticResonance, AGSR)滚动轴承微弱故障诊断方法，利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器(Stacked Autoencoder,SAE)对预处理后的轴承进行信号分类，实现故障诊断。为验证实验效果，以西储大学轴承振动数据为研究对象，验证AGSR方法提取特征的故障诊断性能。通过试验轴承早期故障诊断的工程应用，验证了自适应随机共振新方法的有效性和实用性。本发明的基于随机共振与自动编码器的滚动轴承故障诊断方法的滚动轴承微弱故障诊断正确率高达96％。

附图说明

图1为基于AGSR的轴承故障诊断方法流程图。

图2为双稳函数势阱图。

图3为滚动轴承不同状态振动波形图。

图4为加噪后轴承外圈故障的振动波形图。

图5为SR方法处理后的外圈故障振动波形图。

图6为AGSR方法处理后的外圈故障振动波形图。

图7为AGSR方法处理后的外圈故障频谱图。

图8为堆叠自动编码器网络结构图。

具体实施方式

下面结合附图及实施例对本发明作进一步说明:

实施例1

本发明的基于随机共振与自动编码器的滚动轴承故障诊断方法的流程图见附图1。

为了验证AGSR算法提取特征的效果，本发明在采用美国凯斯西储大学轴承数据中心的轴承故障数据进行分析，对各种故障状态下的滚动轴承振动信号进行分析。故障诊断实验台由电动机、扭矩传感器、功率测试器和电器控制装置组成，传感器安装于驱动端轴承座上方。驱动端轴承型号为SKF6205，轴承使用电火花技术加工单点损伤，在轴承内圈、外圈与滚动体上设置一个直径0.178mm的点蚀，采样频率为48kHz。试验中使用的4种轴承状态见表1。表中列举了试验中使用的4种故障状态的样本数量及其在自动编码器训练时对应的二进制标签。该传动系统模拟了在多故障、大样本条件下的滚动轴承健康状况，具有一定的实用性。

表1轴承4种状态

2.对振动信号首先使用AGSR算法提取特征。

SR系统通常由非线性双稳系统、输入信号与噪声三个要素组成，系统输出可由Langevin方程描述：

式中U(x)为非线性系统，s(t)为输入的周期信号，n(t)是零均值高斯白噪声。系统势函数为：

其中a，b为双稳系统的结构参数，满足a>0，b>0。

本文采用四阶龙格库塔法对式(1)中Langevin方程进行求解，求解方程如下：

其中i＝0_,1_,2...,N-1，N为输入信号长度。如图2所示，双稳系统的两侧的势阱分别代表其两个稳态势垒高度为△U(x)＝a²/4b。当信号输入时，系统受势垒壁△U的阻挡只能在一个势阱中做周期运动，此时给系统加入噪声，在信号与噪声共同作用下，系统越过势垒在两个稳态间作跃迁运动，即发生了随机共振。噪声对跃迁运动起激励作用，当双稳系统、信号与噪声三者达到最佳匹配状态时，随机共振对信号的增幅作用也最明显。

AGSR算法使用遗传算法对SR系统参数a、b进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数。遗传算法随机共振步骤简述如下：

第一步：初始化种群参数。设定种群规模G、染色体长度L与进化次数K，对变量a与b的取值范围[a_min,a_max]和[b_min,b_max]使用二进制编码方法进行映射。

第二步：计算父代种群适应度。父代个体解码后的a、b值赋予随机共振系统，计算压缩后信号经随机共振后的输出信号，将输出信号的信噪比(signal to noise ratio,SNR)作为适应度函数。SNR计算方式如下:

SNR＝10lg(S/N) (4)

其中S为信号能量，N为噪声能量。当随机共振系统参数最优时，信噪比最大。

第三步：筛选子代个体。采用轮盘赌选择法对父代个体进行选择，使得适应度越高的个体被选中的概率越大。然后将选中的个体做交叉、变异操作，得到子代个体。

第四步：种群进化寻优。子代个体作为下一代的父代个体，重复步骤(2)～ (3),直到适应度函数收敛或达到最大的迭代次数，获得最优参数a_k与b_k。

第五步：将最优参数a_k与b_k代入随机共振系统，实现滚动轴承微弱故障信号的增强与提取。

本实验以外圈故障信号为例，考虑到实际工况下背景噪声的影响，对归一化后的实验振动信号添加噪声强度D＝0.3的高斯白噪声。图4给出加噪后信号的时域波形图，可以看出轴承故障特征完全被噪声淹没，据此无法判断轴承是否存在故障。采用SR方法对故障信号进行处理，其输出波形如图5所示，可知传统随机共振方法受绝热近似理论限制无法处理高频信号，输出信号严重失真，难以根据输出波形判断轴承故障。

本发明采用AGSR方法即变尺度方法对信号进行预处理。首先，对信号线性压缩，设频率压缩比为R＝50。然后，在遗传算法中，设种群规模G＝100、染色体长度L＝17与进化次数K＝50，待优化参数a与b取值范围都为[0-1000]。系统经过 50次迭代后适应度函数收敛，此时优化结果为a＝73.85，b＝273.29，SNR＝-1.21。把优化后的参数代入随机共振系统，得到的信号波形及频谱如图6与图7所示。从图中看出AGSR方法处理后的信号，其时域信号更为规则。此外，从图7发现有两个频带幅值大于其余成分，可作为提取的外圈故障特征用于预处理后的故障诊断。变尺度方法通过定义频率压缩比，对信号进行二次采样，是为了使其满足进行随机共振算法的前提条件。采集信号后首先进行变尺度方法进行预处理，再输入随机共振系统。

3.自编码网络结构设置与训练。自动编码器是一个三层的无监督神经网络，包括输入层、隐藏层和输出层。AE算法具体分为编码和解码两个步骤，假设输入样本集是由k个n维向量构成的{x¹,x²,...,x^k}。编码函数f_θ首先将每个训练样本xⁿ转化为隐藏层矢量，如式(5)。

h_w,b(x)＝f_θ(xⁿ)＝s(Wxⁿ+b) (5)

式中s为sigmoid激活函数，θ为编码网络的参数矩阵(θ＝{W,b})，W为输入层到隐藏层的权值矩阵，b为偏置项系数。样本编码后，再通过解码网络将隐藏层矢量用解码函数进行重构，得到

如式(6)所示，其中θ′为解码网络的参数矩阵(θ′＝{W′,b})，W′为隐藏层到输出层的权值矩阵，b′为偏置项系数。因为重构样本会产生一定的误差，需要构建误差损失函数用于网络训练，损失函数定义为：

式中，n_l代表网络层数，s_l是第L层的单元数目，它们代表了整个网络的规模，λ表示权重衰减系数。AE利用梯度下降算法，经过多次迭代减少误差函数 J(W,b)值，最终实现输出向量逼近输入向量x，这说明h_w,b(x)保留了训练样本中大量特性。

实验针对滚动轴承故障诊断需求，设计堆叠自编码网络由三个自动编码器 (AE)和一个分类器组成的三层网络结构。如图8所示，其网络模型为 2000-300-100-50-4，模型表示表示网络输入时每个样本包含2000个点，中间三层隐藏层的节点个数分别为300、100和50个，最后输出4类故障标签。SAE网络训练方法如下：首先，初始化网络参数，并后输入训练样本。样本x的输入格式为1×2000的矩阵，训练样本数量m₁＝6400。模型中AE1的隐藏层神经元数量为300，因此对应AE1到AE2的权值矩阵W₁就2000×300，AE2与AE3也以此类推，每层AE的学习率μ设置为0.5；然后，将样本做归一化处理，输入SAE 网络开始训练。迭代SAE网络模型，令权重衰减系数λ＝0.3。根据重构误差构建损失函数，通过逐层梯度下降算法调整权值，缩小重构误差。(前期研究工作表明λ＝0.3时诊断效果较好)；最后，SEA模型训练完成并测试。输入测试集测试 SAE网络的诊断正确率，根据诊断正确率再次调整SAE网络结构与参数，直至符合实际需求。

4.堆叠自编码网络诊断精度测试。将AGSR方法提取的轴承数据进行分割，为了保证实验结果的有效性，随机选取每类样本数据的20％作为测试数据，剩余 80％作为训练数据，这样每类故障数据就有1600组训练样本和400组测试样本，其中每组样本都包含均2000个连续的数据采样点。本文所用的滚动轴承4种状态下的时域信号波形图如图4所示，诊断结果如表2所示。

表2不同诊断方法识别率

5.实验结果分析。表2为不同预处理方法下SAE网络对滚动轴承故障识别结果。从表2可以看出，以传统随机共振方法提取的时域信号作为样本时，故障识别率只有45.32％，验证了传统SR方法难以提取高频信号的结论。将AGSR法提取的时域信号作为样本时，对微弱故障的识别能力虽高于传统方法，但其分类精度依然不足80％。其结果表明时域信号虽然包含部分故障信息，但其随时间变化的特性使得每一个样本包含的故障信息不尽相同，用于微弱故障诊断的难以满足实际需求。而改进的随机共振方法提取的频域信号作为样本时，故障识别率达到 98.48％效果最佳。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：

步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号；

步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取；

步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果；

步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。

2.根据权利要求1所述的基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，步骤1中采集了轴承振动信号后，采用变尺度方法对轴承振动信号进行预处理。

3.根据权利要求1所述的基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，步骤2中使用遗传算法对随机共振系统参数进行寻优的具体步骤为：

步骤a，初始化种群参数；设定种群规模、染色体长度与进化次数，对随机共振系统参数的取值范围使用二进制编码方法进行映射；

步骤b，计算父代种群适应度；父代个体解码后的随机共振系统参数值赋予随机共振系统，计算压缩后信号经随机共振后的输出信号，将输出信号的信噪比SNR作为适应度函数；SNR计算方式为SNR=10lg (S/N) ；

其中S为信号能量，N为噪声能量，当随机共振系统参数最优时，信噪比最大；

步骤c，筛选子代个体，采用轮盘赌选择法对父代个体进行选择，使得适应度越高的个体被选中的概率越大，然后将选中的个体做交叉、变异操作，得到子代个体；

步骤d，种群进化寻优；子代个体作为下一代的父代个体，重复步骤b～c，直到适应度函数收敛或达到最大的迭代次数，获得最优参数；

步骤e，将最优参数代入随机共振系统，实现滚动轴承微弱故障信号的增强与提取。

4.根据权利要求1所述的基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，步骤4中诊断正确率的期望值为96%以上。