CN109489977A - 基于KNN-AdaBoost的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于KNN‑AdaBoost的轴承故障诊断方法，具体按照变分模态分解算法将振动信号均进行预处理成为确定中心频率和带宽的模态分量，分别选取每组振动信号中的峭度最大的模态分量，计算得到多组轴承故障特征向量；训练得到多个KNN分类器；根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器；使用AdaBoost强分类器对采集到的轴承振动信号按步骤进行分类。本发明基于KNN‑AdaBoost的轴承故障诊断方法，能够依据大量的实时轴承监测数据进行故障分类，有助于快速识别轴承的故障类型。

Description

基于KNN-AdaBoost的轴承故障诊断方法

技术领域

本发明采煤机故障检测技术领域，涉及一种基于KNN-AdaBoost的轴承故障诊断方法。

背景技术

采煤机是一个集机械、电气、液压为一体的大型复杂系统，随着煤炭工业的发展，采煤机的功能越来越多，其自身的结构也越来越复杂。轴承作为一种采煤机标准化的传动零部件，其运行状态也越来越影响到采煤机的工作效率及寿命。相关统计表明，采煤机的所有故障中约有30％由轴承引起。长期以来，机械设备维修人员采用定期抽查维护的方式发现并及时排除轴承的故障，但仍对突发性事故措手不及，容易造成严重损失，且定期抽查维护会造成很大程度的资源浪费及生产停滞，同时也存在一定的盲目性。因此在轴承故障的早期阶段，能够根据提取到的轴承振动信号，及时有效地识别出故障类型，对企业保证设备运行效率和减少经济损失具有积极意义。但是目前并没有能够将轴承故障精确诊断的方法。

发明内容

本发明的目的是提供一种基于KNN-AdaBoost的轴承故障诊断方法，能够依据大量的实时轴承监测数据进行故障分类，有助于快速识别轴承的故障类型。

本发明所采用的技术方案是，基于KNN-AdaBoost的轴承故障诊断方法，具体按照下述步骤进行：

步骤1，获取采煤机轴承不同状态下的多段振动信号，并将每段振动信号中的所有振动信号作为一组振动信号；

步骤2，将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量，得到多组确定中心频率和带宽的模态分量；

步骤3，分别选取每组振动信号中的峭度最大的模态分量，在时域和频域的统计分析下得到做多组轴承故障特征向量；

步骤4，使用多组轴承故障特征向量训练得到多个KNN分类器；

步骤5，根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器；

步骤6，使用AdaBoost强分类器对采集到的轴承振动信号进行分类。

本发明的特点还在于：

步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量：

步骤2.1，建立每个振动信号的约束变分模型，具体按照下述步骤进行：

步骤2.1.1，将每个振动信号分解为多个模态函数，将每个模态函数均进行希尔伯特变换，得到每个模态函数的解析信号：

式中，δ(t)为脉冲信号，j为虚数单位，t为时间，u_k(t)为模态函数；

步骤2.1.2，调制各个模态函数的频谱到其相应的基频带，得到调制信号：

式中，ω_k为第k个模态函数的瞬时频率；

步骤2.1.3，解调信号梯度的平方范数，估计出各模态函数的带宽，得到约束变分模型：

式中，为函数z'_k(t)关于时间t的偏导数，k为模态函数的个数；

步骤2.2，解约束变分模型，得到确定中心频率和带宽的模态分量，具体按照下述步骤进行：

步骤2.2.1，引入增广拉格朗日函数L，通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解，二次惩罚因子α保证信号在高斯噪声下重构的精度，Lagrange乘法算子λ(t)加强约束：

式中，f(t)为输入信号；

步骤2.2.2，通过交替更新寻求变分模型最优解：

步骤2.2.3，更新Lagrange乘法算子λ(t)：

步骤2.3.4，迭代更新，直至收敛满足限制条件，得到确定中心频率和带宽的模态分量：

步骤3中的轴承故障特征向量包括均方根值、峭度值、偏度值，均值频率、频率散度、样本熵和排列熵；

均方根值根据下式计算得到：

式中，x为原始信号，N为样本个数；

峭度值根据下式计算得到：

式中，σ_x为信号的标准差；

偏度值根据下式计算得到：

均值频率根据下式计算得到：

式中，s(k)为原始信号通过傅里叶变换得到的频域信号；

频率散度根据下式计算得到：

式中，F_m为信号频率均值，f_k为信号频率；

样本熵根据下式计算得到：

式中，A^m(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数，B^m(r)为m维向量中小于等于阈值r的子序列个数；

排列熵根据下式计算得到：

式中，P_j为原始信号中每种元素排列出现的概率。

步骤4中使用多组轴承故障特征向量训练得到多个KNN分类器具体按照下述步骤进行：

步骤4.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤4.2，将训练组输入邻近距离分类器进行训练，得到初始故障诊断模型；

步骤4.3，将测试组输入值至初始故障诊断模型中，判断初始故障诊断模型的准确率，若初始故障诊断模型的准确率不小于设定值，则将初始故障诊断模型作为KNN分类器，若小于设定值，则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值，将初始故障诊断模型作为KNN分类器；

步骤4.4，重复步骤4.1-4.3多次，得到多个KNN分类器。

步骤5根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器具体按照下述步骤进行：

步骤5.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤5.2，将训练组和多个KNN分类器输入AdaBoost分类器中；

步骤5.3，初始化每个KNN分类器的权重，给每个KNN分类器赋予相同的权值；

步骤5.4，将训练组输入每个KNN分类器中，计算每个KNN分类器的误差：

式中，ω_mk表示在第m次迭代时第k个KNN分类器的权值，G_k(x_i)表示KNN分类器k对x_i的分类结果，y_i表示样本i的真实标签；I(G_k(x_i)≠y_i)是一个指标函数；

步骤5.5，计算每个KNN分类器的权值：

步骤5.6，更新每个KNN分类器的权值，判断当前迭代次数是否满足当前迭代次数小于设定迭代次数，若满足，则重复步骤5.4-5.6，至当前得带次数不小于设定迭代次数；若不满足则将多个KNN分类器则组合为AdaBoost强分类器：

本发明的有益效果是：

本发明基于KNN-AdaBoost的轴承故障诊断方法，能够依据大量的实时轴承监测数据进行故障分类，有助于快速识别轴承的故障类型。

本发明基于KNN-AdaBoost的轴承故障诊断方法，数据来源于轴承在线实时监测到的机械振动数据信号，避免了传统故障诊断的盲目性和资源浪费。

附图说明

图1是本发明基于KNN-AdaBoost的轴承故障诊断方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

基于KNN-AdaBoost的轴承故障诊断方法，具体按照下述步骤进行：

步骤1，获取采煤机轴承不同状态下的多段振动信号，并将每段振动信号中的所有振动信号作为一组振动信号；

步骤2，将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量，得到多组确定中心频率和带宽的模态分量；

步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量：

步骤2.1，建立每个振动信号的约束变分模型，具体按照下述步骤进行：

步骤2.1.1振动信号分解为多个模态函数，将每个模态函数均进行希尔伯特变换，得到每个模态函数的解析信号：

式中，δ(t)为脉冲信号，j为虚数单位，t为时间，u_k(t)为模态函数；

步骤2.1.2，调制各模态函数的频谱到其相应的基频带，得到调制信号：

式中，ω_k为第k个模态函数的瞬时频率；

步骤2.1.3解调信号梯度的平方范数，估计出各模态函数的带宽，得到约束变分模型：

式中，为函数z'_k(t)关于时间t的偏导数，k为模态函数个数；

步骤2.2解约束变分模型，得到确定中心频率和带宽的模态分量，具体按照下述步骤进行：

步骤2.2.1，引入增广拉格朗日函数L，通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解，二次惩罚因子α保证信号在高斯噪声下重构的精度，Lagrange乘法算子λ(t)加强约束：

式中，f(t)为输入信号；

步骤2.2.2，通过交替更新寻求变分模型最优解：

步骤2.2.3，更新Lagrange乘法算子λ(t)：

步骤2.3.4，迭代更新，直至收敛满足限制条件，得到确定中心频率和带宽的模态分量：

步骤3，分别选取每组振动信号中的峭度最大的模态分量，在时域和频域的统计分析下得到做多组轴承故障特征向量；

轴承故障特征向量包括均方根值、峭度值、偏度值，均值频率、频率散度、样本熵和排列熵；

均方根值根据下式计算得到：

式中，x为原始信号，N为样本个数；

峭度值根据下式计算得到：

式中，σ_x为信号的标准差；

偏度值根据下式计算得到：

均值频率根据下式计算得到：

式中，s(k)为原始信号通过傅里叶变换得到的频域信号；

频率散度根据下式计算得到：

式中，F_m为信号频率均值，f_k为信号频率；

样本熵根据下式计算得到：

式中，A^m(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数，B^m(r)为m维向量中小于等于阈值r的子序列个数；

排列熵根据下式计算得到：

式中，P_j为原始信号中每种元素排列出现的概率。

步骤4，使用多组轴承故障特征向量训练得到多个KNN分类器，具体按照下述步骤进行：

步骤4.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤4.2，将训练组输入邻近距离分类器进行训练，得到初始故障诊断模型；

步骤4.3，将测试组输入值至初始故障诊断模型中，判断初始故障诊断模型的准确率，若初始故障诊断模型的准确率不小于设定值，则将初始故障诊断模型作为KNN分类器，若小于设定值，则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值，将初始故障诊断模型作为KNN分类器；

步骤4.4，重复步骤4.1-4.3多次，得到多个KNN分类器。

步骤5，根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器，具体按照下述步骤进行：

步骤5.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤5.2，将训练组和多个KNN分类器输入值AdaBoost分类器中；

步骤5.3，初始化每个KNN分类器的权重，给每个KNN分类器赋予相同的权值；

步骤5.4，将训练组输入每个KNN分类器中，计算每个KNN分类器的误差：

式中，ω_mk表示在第m次迭代时第k个KNN分类器的权值，G_k(x_i)表示KNN分类器k对x_i的分类结果，y_i表示样本i的真实标签；I(G_k(x_i)≠y_i)是一个指标函数；

步骤5.5，计算每个KNN分类器的权值：

步骤5.6，更新每个KNN分类器的权值，判断当前迭代次数是否满足当前迭代次数小于设定迭代次数，若满足，则重复步骤5.4-5.6，至当前得带次数不小于设定迭代次数；若不满足则将多个KNN分类器则组合为AdaBoost强分类器：

步骤6，使用AdaBoost强分类器对采集到的轴承振动信号进行分类。

本发明步骤3中选取峭度最大的模态分量，能够剔除原始信号中大量的无关信息，增强信号的有效性。

本发明基于KNN-AdaBoost的轴承故障诊断方法，基于VMD分解技术提取出的轴承故障特征数据，经过AdaBoost算法进行模式分类的基础上，用KNN算法替换原始基分类器，在此基础上建立基于KNN-AdaBoost的采煤机轴承故障诊断模型，能够进一步提高采煤机轴承的故障诊断准确率，同时具有重要的实际应用和理论研究价值。

Claims (5)

1.基于KNN-AdaBoost的轴承故障诊断方法，其特征在于，具体按照下述步骤进行：

步骤1，获取采煤机轴承不同状态下的多段振动信号，并将每段振动信号中的所有振动信号作为一组振动信号；

步骤2，将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量，得到多组确定中心频率和带宽的模态分量；

步骤3，分别选取每组振动信号中的峭度最大的模态分量，在时域和频域的统计分析下得到做多组轴承故障特征向量；

步骤4，使用多组轴承故障特征向量训练得到多个KNN分类器；

步骤5，根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器；

步骤6，使用所述AdaBoost强分类器对采集到的轴承振动信号进行分类。

2.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法，其特征在于，所述步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量：

步骤2.1，建立每个振动信号的约束变分模型，具体按照下述步骤进行：

步骤2.1.1，将每个振动信号分解为多个模态函数，将每个模态函数均进行希尔伯特变换，得到每个模态函数的解析信号：

式中，δ(t)为脉冲信号，j为虚数单位，t为时间，u_k(t)为模态函数；

步骤2.1.2，调制各个模态函数的频谱到其相应的基频带，得到调制信号：

式中，ω_k为第k个模态函数的瞬时频率；

步骤2.1.3解调信号梯度的平方范数，估计出各模态函数的带宽，得到约束变分模型：

式中，为函数关于时间t的偏导数，k为模态函数的个数；

步骤2.2解约束变分模型，得到确定中心频率和带宽的模态分量，具体按照下述步骤进行：

步骤2.2.1，引入增广拉格朗日函数L，通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解，二次惩罚因子α保证信号在高斯噪声下重构的精度，Lagrange乘法算子λ(t)加强约束：

式中，f(t)为输入信号；

步骤2.2.2，通过交替更新寻求变分模型最优解：

步骤2.2.3，更新Lagrange乘法算子λ(t)：

步骤2.3.4，迭代更新，直至收敛满足限制条件，得到确定中心频率和带宽的模态分量：

3.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法，其特征在于，所述步骤3中的轴承故障特征向量包括均方根值、峭度值、偏度值，均值频率、频率散度、样本熵和排列熵；

所述均方根值根据下式计算得到：

式中，x为原始信号，N为样本个数；

所述峭度值根据下式计算得到：

式中，σ_x为信号的标准差；

所述偏度值根据下式计算得到：

所述均值频率根据下式计算得到：

式中，s(k)为原始信号通过傅里叶变换得到的频域信号；

所述频率散度根据下式计算得到：

式中，F_m为信号频率均值，f_k为信号频率；

所述样本熵根据下式计算得到：

式中，A^m(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数，B^m(r)为m维向量中小于等于阈值r的子序列个数；

所述排列熵根据下式计算得到：

式中，P_j为原始信号中每种元素排列出现的概率。

4.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法，其特征在于，步骤4中使用多组轴承故障特征向量训练得到多个KNN分类器具体按照下述步骤进行：

步骤4.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤4.2，将所述训练组输入邻近距离分类器进行训练，得到初始故障诊断模型；

步骤4.3，将所述测试组输入值至初始故障诊断模型中，判断初始故障诊断模型的准确率，若初始故障诊断模型的准确率不小于设定值，则将初始故障诊断模型作为KNN分类器，若小于设定值，则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值，将初始故障诊断模型作为KNN分类器；

步骤4.4，重复步骤4.1-4.3多次，得到多个KNN分类器。

5.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法，其特征在于，步骤5根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器具体按照下述步骤进行：

步骤5.1，将多组轴承故障特征向量进行分类，随机取70％的轴承故障特征向量组作为训练组，剩余30％的轴承故障特征向量组作为测试组；

步骤5.2，将所述训练组和多个KNN分类器输入AdaBoost分类器中；

步骤5.3，初始化每个KNN分类器的权重，给每个KNN分类器赋予相同的权值；

步骤5.4，将训练组输入每个KNN分类器中，计算每个KNN分类器的误差：

式中，ω_mk表示在第m次迭代时第k个KNN分类器的权值，G_k(x_i)表示KNN分类器k对x_i的分类结果，y_i表示样本i的真实标签；I(G_k(x_i)≠y_i)是一个指标函数；

步骤5.5，计算每个KNN分类器的权值：

步骤5.6，更新每个KNN分类器的权值，判断当前迭代次数是否满足当前迭代次数小于设定迭代次数，若满足，则重复步骤5.4-5.6，至当前得带次数不小于设定迭代次数；若不满足则将多个KNN分类器则组合为AdaBoost强分类器：