CN110082106B - 一种基于Yu范数的深度度量学习的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于Yu范数的深度度量学习的轴承故障诊断方法，本发明首先通过使用一个深度神经网络对轴承故障数据特征进行自适应提取，采用基于Yu范数的边际fisher分析的度量可分性准则对顶层特征进行一个约束，获取兼具区分性和描述性的特征，在深度度量网络的顶层特征输出层添加BPNN分类器，对网络进行微调，将特征自动提取与分类识别融为一体，实现故障数据的诊断识别，提高轴承故障诊断的准确性和有效性，本发明涉及机械设备故障诊断技术领域。该基于Yu范数的深度度量学习的轴承故障诊断方法，提高故障诊断精度，解决因数据样本之间的类内差异性和类间相似性较大以及数据分类边界处具有模糊性而制约分类识别精度的问题。

Description

一种基于Yu范数的深度度量学习的轴承故障诊断方法

技术领域

本发明涉及机械设备故障诊断技术领域，具体为一种基于Yu范数的深度度量学习的轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中最重要的传动和支撑部件，也是机械设备中最常用的部件，被称为机械设备的关节，广泛应用于化工、冶金、电力、金融和航空等各个重要部门。据统计，旋转机械故障的30％是由局部损坏或滚动轴承缺陷引起的，因此为保证机械设备的正常运行，对轴承的运行状况进行监测并对其故障进行诊断具有非常重要的意义。

在对轴承的运行状况进行监测的过程中，轴承从开始服役到寿命终止的数据采集历时长、布置的测点多、测点的采样频率高，致使监测系统获取的是反映轴承运行状态的“机械大数据”，这些数据具有高维度、非线性、分布不平衡、低信噪比等特点，受恶劣工况的影响，在对轴承数据采集的过程中存在噪声干扰、脉冲干扰等因素，致使不同故障类型的数据之间的类内差异性和类间相似性较大，制约了对故障数据的诊断性能。同时，由于机械设备结构的复杂性，使得轴承故障类别数越来越多，表征轴承故障状况的特征参数也相应增多，不同故障数据的分类边界往往是不确定的，具有模糊性。因此，采用有效的故障诊断方法对这些“机械大数据”进行准确的诊断分析，具有重要的意义。

传统的基于“信号处理+浅层机器学习”的智能故障诊断方法虽然在一定程度上能对故障数据进行有效的诊断分析，但存在以下几个问题(1)需人工依靠诊断经验和信号处理技术提取特征；(2)人工的参与使得特征提取和故障诊断具有不确定性；(3)浅层机器学习模型的自适应能力和泛化能力差。

近年来，深度学习以其不可比拟的优势为故障诊断提供了新思路，新方法，深度学习具有强大的非线性建模能力，能够建立样本与特征之间复杂映射关系，从大数据中自动提取特征，进一步建立数据到故障类别的直接映射关系，能够克服传统智能故障诊断方法的缺点，但基于深度学习的智能诊断方法仍存在以下几个问题(1)不能解决由于不同故障类型数据之间存在的类内差异性和类间相似性较大而影响分类准确率的问题；(2)不能解决由于故障数据分类边界处具有模糊性而导致对故障数据分类能力差的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于Yu范数的深度度量学习的轴承故障诊断方法，解决了现有诊断方法需人工依靠诊断经验和信号处理技术提取特征；人工的参与使得特征提取和故障诊断具有不确定性；浅层机器学习模型的自适应能力和泛化能力差；不能解决由于不同故障类型数据之间存在的类内差异性和类间相似性较大而影响分类准确率的问题；不能解决由于故障数据分类边界处具有模糊性而导致对故障数据分类能力差的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于Yu范数的深度度量学习的轴承故障诊断方法，具体包括以下步骤：

S1、利用加速度传感器从机械设备上获取反映轴承不同健康状态的振动信号，将获得的原始振动信号进行预处理，添加工况标签，并将其分为训练集和测试集；

S2、建立基于Yu范数的深度度量学习诊断模型；

S3、设置网络的超参数；

S4、使用训练集数据对所建立的诊断模型进行训练；

S5、利用训练好的诊断模型对滚动轴承测试集数据进行分类识别，得到故障识别准确率。

优选的，所述步骤S2中，所述建立基于Yu范数的深度度量学习诊断模型的步骤为：

A1、构造一个深度神经网络，将输入样本集x中的每个样本逐层非线性映射至网络的顶层，得到顶层特征；

A2、利用基于Yu范数相似性度量准则计算样本集x中样本对x_i和x_j之间的相似度；

A3、采用基于Yu范数的边际fisher分析的度量可分性准则约束上述步骤A1中所有输入样本的顶层输出，计算数据样本的类内紧致性和类间可分性；

A4、在深度度量神经网络的顶层特征输出层添加BPNN分类器，微调整个网络的参数，使网络达到整体最优，完成故障特征提取与分类识别。

优选的，所述步骤S3中网络的超参数的设置包括：将W⁽ⁿ⁾和b⁽ⁿ⁾分别初始化为大小接近于0的数，设置迭代次数T，类内最近邻K1，类间最近邻K2，平衡类内紧致性和类间可分性的自由参数α，学习率τ、λ和γ参数。

优选的，所述步骤A1中在深度神经网络第n层样本集x的输出计算为：

式中：p⁽ⁿ⁾表示第n层存在p⁽ⁿ⁾个神经元，

是第n层的参数权重矩阵和偏差，φ是非线性激活函数，可以为tanh或sigmoid函数，映射

是一个由

和

参数化的函数。对于第一层假设h⁽⁰⁾＝x，p⁽⁰⁾＝d。

对于输入样本集x中的每一个样本对x_i和x_j，相应的在网络的第n层分别可以表示为f⁽ⁿ⁾(x_i)和f⁽ⁿ⁾(x_j)。

优选的，所述步骤A2中样本对x_i和x_j在第n层的相似度用基于Yu范数的相似性度量准则计算为：

f⁽ⁿ⁾(x_j)＞，式中：

Sn(x_i，x_j)＝min[1，x_i+x_j+λx_ix_j]，

λ为常数。

优选的，所述步骤A3中数据样本的类内紧致性

和类间可分性

的计算公式分别为：

和

式中：M为样本集中样本的个数，P_ij和Q_ij为邻接矩阵，如果x_j是x_i的k1类内最近邻之一，则P_ij被设置为1，否则为0；如果x_j是x_i的k2类间最近邻之一，则Q_ij被设置为1，否则为0。

优选的，所述步骤A4中深度度量学习的目标函数定义为：

式中α是平衡数据样本的类内紧致性和类间可分性之间的重要性的自由参数，γ为可调正正则化参数，γ＞0，||Z||_F表示矩阵Z的Frobenius范数。

为了解决深度度量学习中目标函数的优化问题，使用子梯度下降法获取参数W⁽ⁿ⁾和b⁽ⁿ⁾，目标函数相对于参数W⁽ⁿ⁾和b⁽ⁿ⁾的梯度分别计算如下：

式中L_ij ^(N)，L_ji ^(N)，L_ij ⁽ⁿ⁾，L_ji ⁽ⁿ⁾分别有如下更新公式：

其中运算符⊙表示数组元素依次相乘，并且Z_i ⁽ⁿ⁾计算为

进一步地，W⁽ⁿ⁾和b⁽ⁿ⁾使用如下梯度下降算法直到收敛：

式中：τ为学习率。

(三)有益效果

本发明提供了一种基于Yu范数的深度度量学习的轴承故障诊断方法。与现有技术相比具备以下有益效果：该基于Yu范数的深度度量学习的轴承故障诊断方法，首先通过使用一个深度神经网络对轴承故障数据特征进行自适应提取，然后采用基于Yu范数的边际fisher分析的度量可分性准则对顶层特征进行一个约束，获取兼具区分性和描述性的特征，最后在深度度量网络(DMN)的顶层特征输出层添加BPNN分类器，对网络进行微调，将特征自动提取与分类识别融为一体，进而实现故障数据的诊断识别，提高轴承故障诊断的准确性和有效性，可以对不同故障类型和不同故障严重程度的轴承数据进行有效的分类识别，传统深度学习的特征提取不能对数据样本之间的差异性和相似度进行测量，也不能对数据分类边界处的模糊性进行学习，从而导致其在故障分类识别时诊断精度比较低，本发明提高了故障诊断精度，解决了因数据样本之间的类内差异性和类间相似性较大以及数据分类边界处具有模糊性而制约分类识别精度的问题。

附图说明

图1为本发明的工作流程图；

图2为本发明深度神经网络结构图；

图3为本发明利用所提方法对滚动轴承测试集样本故障识别的混淆矩阵图；

图4为本发明网络超参数的设置数据表图；

图5为本发明滚动轴承10种故障类别的数据集状况表图；

图6为本发明10次实验的平均诊断结果表图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，本发明实施例提供一种技术方案：一种基于Yu范数的深度度量学习的轴承故障诊断方法，具体包括以下步骤：

S1、利用加速度传感器从机械设备上获取反映轴承不同健康状态的振动信号，将获得的原始振动信号进行预处理，添加工况标签，并将其分为训练集和测试集；

S2、建立基于Yu范数的深度度量学习诊断模型的步骤为：

A1、构造一个深度神经网络，将输入样本集x中的每个样本逐层非线性映射至网络的顶层，得到顶层特征，深度神经网络第n层样本集x的输出计算为：

式中：p⁽ⁿ⁾表示第n层存在p⁽ⁿ⁾个神经元，

是第n层的参数权重矩阵和偏差，φ是非线性激活函数，可以为tanh或sigmoid函数，映射

是一个由

和

参数化的函数。对于第一层假设h⁽⁰⁾＝x，p⁽⁰⁾＝d。

对于输入样本集x中的每一个样本对x_i和x_j，相应的在网络的第n层分别可以表示为f⁽ⁿ⁾(x_i)和f⁽ⁿ⁾(x_j)；

A2、利用基于Yu范数相似性度量准则计算样本集x中样本对x_i和x_j之间的相似度，样本对x_i和x_j在第n层的相似度用基于Yu范数的相似性度量准则计算为：

式中：

Sn(x_i，x_j)＝min[1，x_i+x_j+λx_ix_j]，

λ为常数；

A3、采用基于Yu范数的边际fisher分析的度量可分性准则约束上述步骤A1中所有输入样本的顶层输出，计算数据样本的类内紧致性和类间可分性，数据样本的类内紧致性

和类间可分性

的计算公式分别为：

和

式中：M为样本集中样本的个数，P_ij和Q_ij为邻接矩阵，如果x_j是x_i的k1类内最近邻之一，则P_ij被设置为1，否则为0；如果x_j是x_i的k2类间最近邻之一，则Q_ij被设置为1，否则为0；

A4、在深度度量神经网络的顶层特征输出层添加BPNN分类器，微调整个网络的参数，使网络达到整体最优，完成故障特征提取与分类识别，深度度量学习的目标函数定义为：

式中α是平衡数据样本的类内紧致性和类间可分性之间的重要性的自由参数，γ为可调正正则化参数，γ＞0，||Z||_F表示矩阵Z的Frobenius范数。

为了解决深度度量学习中目标函数的优化问题，使用子梯度下降法获取参数W⁽ⁿ⁾和b⁽ⁿ⁾，目标函数相对于参数W⁽ⁿ⁾和b⁽ⁿ⁾的梯度分别计算如下：

式中L_ij ^(N)，L_ji ^(N)，L_ij ⁽ⁿ⁾，L_ji ⁽ⁿ⁾分别有如下更新公式：

L_ij ⁽ⁿ⁾＝(W^(n+1)TL_ij ⁽ⁿ⁺¹⁾)⊙φ(Z_i ⁽ⁿ⁾)

L_ji ⁽ⁿ⁾＝(W^(n+1)TL_ji ⁽ⁿ⁺¹⁾)⊙φ(Z_j ⁽ⁿ⁾)

其中运算符⊙表示数组元素依次相乘，并且Z_i ⁽ⁿ⁾计算为

进一步地，W⁽ⁿ⁾和b⁽ⁿ⁾使用如下梯度下降算法直到收敛：

式中：τ为学习率。

S3、设置网络的超参数，网络的超参数的设置包括：将W⁽ⁿ⁾和b⁽ⁿ⁾分别初始化为大小接近于0的数，设置迭代次数T，类内最近邻K1，类间最近邻K2，平衡类内紧致性和类间可分性的自由参数α，学习率τ、λ和γ参数；

S4、使用训练集数据对所建立的诊断模型进行训练；

S5、利用训练好的诊断模型对滚动轴承测试集数据进行分类识别，得到故障识别准确率。

实施例

在本实施例中，采集反映轴承10种健康状况的振动信号，进行归一化，并分为测试集和训练集，每种故障状态训练集样本和测试集样本的数量、反应的故障类型如表图5所示，建立基于Yu范数的深度度量学习(DMN-Yu)诊断模型，在本实例中我们设置了一个具有3(N＝2)层网络结构的DMN-Yu模型，每层的节点数分别为512-100-100，在顶层特征输出层添加BPNN分类器，其分类结果输出层节点数为10。

在本实施例中，根据前期的研究经验，将网络的超参数T，K1，K2，α，τ，λ，γ分别设置为10，5，10，4.0，0.2，0.2，0.5。

利用训练集样本对建立好的模型进行训练，然后对测试集样本进行分类识别，图3显示了10种故障类型的分类情况，同时给出了利用建立的DMN-Yu模型对测试集样本的进行特征提取的三维特征分布散点图。

为了验证本文所提方法的有效性，将本文所提方法分别与基于欧氏距离的深度度量学习故障诊断方法、传统的DBN故障诊断方法以及常用统计特征+SVM的故障诊断方法进行了比较，每种方法取10次实验结果的平均值作为最后的诊断结果，比较结果如表图6所示，结果表明本文方法明显优于其他方法。

最后，应当指出，以上实施例仅是本发明较佳的实施例。显然本发明不限于上述实施例，还可以有许多变形，凡依据本发明的方法实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：具体包括以下步骤：

S1、利用加速度传感器从机械设备上获取反映轴承不同健康状态的振动信号，将获得的原始振动信号进行预处理，添加工况标签，并将其分为训练集和测试集；

S2、建立基于Yu范数的深度度量学习诊断模型；

S3、设置网络的超参数；

S4、使用训练集数据对所建立的诊断模型进行训练；

S5、利用训练好的诊断模型对滚动轴承测试集数据进行分类识别，得到故障识别准确率；

所述步骤S2中，所述建立基于Yu范数的深度度量学习诊断模型的步骤为：

A1、构造一个深度神经网络，将输入样本集x中的每个样本逐层非线性映射至网络的顶层，得到顶层特征；

A2、利用基于Yu范数相似性度量准则计算样本集x中样本对x_i和x_j之间的相似度；

A3、采用基于Yu范数的边际fisher分析的度量可分性准则约束上述步骤A1中所有输入样本的顶层输出，计算数据样本的类内紧致性和类间可分性；

A4、在深度度量神经网络的顶层特征输出层添加BPNN分类器，微调整个网络的参数，使网络达到整体最优，完成故障特征提取与分类识别。

2.根据权利要求1所述的一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：所述步骤S3中网络的超参数的设置包括：将W⁽ⁿ⁾和b⁽ⁿ⁾分别初始化为大小接近于0的数，设置迭代次数T，类内最近邻K1，类间最近邻K2，平衡类内紧致性和类间可分性的自由参数α，学习率τ、λ和γ参数。

3.根据权利要求1所述的一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：所述步骤A1中在深度神经网络第n层样本集x的输出计算为：

式中：p⁽ⁿ⁾表示第n层存在p⁽ⁿ⁾个神经元，

是第n层的参数权重矩阵和偏差，φ是非线性激活函数，可以为tanh或sigmoid函数，映射

是一个由

和

参数化的函数，对于第一层假设h⁽⁰⁾＝x,p⁽⁰⁾＝d，对于输入样本集x中的每一个样本对x_i和x_j,相应的在网络的第n层分别可以表示为f⁽ⁿ⁾(x_i)和f⁽ⁿ⁾(x_j)。

4.根据权利要求1所述的一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：所述步骤A2中样本对x_i和x_j在第n层的相似度用基于Yu范数的相似性度量准则计算为：

式中：

Sn(x_i,x_j)＝min[1,x_i+x_j+λx_ix_j]，

λ为常数。

5.根据权利要求1所述的一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：所述步骤A3中数据样本的类内紧致性

和类间可分性

的计算公式分别为：

和

式中：M为样本集中样本的个数，P_ij和Q_ij为邻接矩阵，如果x_j是x_i的k1类内最近邻之一，则P_ij被设置为1，否则为0；如果x_j是x_i的k2类间最近邻之一，则Q_ij被设置为1，否则为0。

6.根据权利要求1所述的一种基于Yu范数的深度度量学习的轴承故障诊断方法，其特征在于：所述步骤A4中深度度量学习的目标函数定义为：

式中α是平衡数据样本的类内紧致性和类间可分性之间的重要性的自由参数，γ为可调正正则化参数，γ>0，||Z||_F表示矩阵Z的Frobenius范数。

Images