CN110118657A - 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 - Google Patents
基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110118657A CN110118657A CN201910542396.5A CN201910542396A CN110118657A CN 110118657 A CN110118657 A CN 110118657A CN 201910542396 A CN201910542396 A CN 201910542396A CN 110118657 A CN110118657 A CN 110118657A
- Authority
- CN
- China
- Prior art keywords
- relative entropy
- sample
- malfunction
- fault
- vibration data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明公开基于相对熵和K最近邻算法滚动轴承故障诊断方法,包括获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据;根据划分结果分别计算健康状态下运行产生的振动数据与故障状态下运行产生的振动信号之间的相对熵矢量序列;并将所属故障类型作为训练样本,得到训练好的分类模型;得到未知状态下运行产生的振动数据,故障状态下运行产生的振动信号之间的相对熵矢量;将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。本发明采用相对熵衡量不同状态轴承之间振动信号的差异,无需计算和优化组合不同的特征指标,直接利用原始振动信号的分布。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于相对熵和K最近邻算法滚动轴承故障诊断方法及系统。
背景技术
滚动轴承被称为“机械的关节”,是旋转机械中非常关键的结构之一,被广泛应用于航空航天、机械制造、汽车船舶等领域,其运行状态往往对这些机械装备的安全稳定运行具有决定性作用。据统计,机械装备的主要故障原因之一就是滚动轴承故障。滚动轴承发生故障直接引起设备停机,如果没有很好的监测和诊断方法,可能会引起更严重的事故。因此,对滚动轴承进行故障诊断至关重要,既可以用于对已发生故障的设备进行故障原因排查和定位,又可以用于设备故障状态在线监测。
目前使用最成熟的滚动轴承故障诊断方法是基于傅里叶变换的谱分析法。基于傅里叶变换的谱分析法的大致过程为:根据轴承结构参数节圆直径、压力角、滚动体直径和滚动体个数,计算其通过频率,然后通过频率与旋转频率的乘积,计算出轴承在特定转速下的特征频率;对原始时域信号进行整周期截断后进行傅里叶变换,转换成频域信号;在频谱中寻找轴承的特征频率及其倍频;如果找到相关特征频率,判定存在对应轴承故障,未找到,则判定为当前轴承无故障。
这种方法的计算量小,流程简单,与旋转机械机理对应,可理解性强,效果好,被广泛应用到旋转机械轴承的故障诊断中。但基于傅里叶变换的谱分析法也有很大局限性:仅适用于稳态信号。事实上,旋转机械产生的原始信号往往具有非常强的非稳态特征,对于非稳态信号,此方法的效果大打折扣,甚至会产生错误结果;需要深厚理论知识。实际使用中如果想要达到理想效果,对原始信号进行截断时需要进行大量判断进而确保所得时域信号的相对稳态,判断算法增加了算法复杂性,且需要非常深厚的理论基础和专家知识;需要大量专家经验。转换成频域信号很好,但由于轴承结构的复杂性,频域中特征频率的识别,亦需依赖于专家经验。
尽管傅里叶变化很成熟,但是傅里叶变化只适合于时不变信号,并且在实际应用场景中,有效的故障诊断频率成分往往都湮没在大量的噪声和其他无用的振动信号当中,需结合专家经验对频谱做分析才能得到可靠的诊断结论。
发明内容
本发明针对现有技术中的缺点,提供了一种基于相对熵和K最近邻算法滚动轴承故障诊断方法及系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于相对熵和K最近邻算法滚动轴承故障诊断方法,包括以下步骤:
获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
在本发明中,由于故障状态下暂且列举了5种状态,那么,对应的相对熵矢量也就有5组,如果故障状态超过5种状态,那么,相应的相对熵矢量也就超过5组。
作为一种可实施方式,所述对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果,具体原理步骤为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
作为一种可实施方式,所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
作为一种可实施方式,所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。
作为一种可实施方式,所述并将所属故障类型作为训练样本利用K最近邻算法进行训练,得到训练好的分类模型,具体为:
构建训练样本集合X,设定K的初值;
在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间
Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,...,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,...,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
一种基于相对熵和K最近邻算法滚动轴承故障诊断系统,包括数据获取模块、划分模块、相对熵计算模块、模型建立模块、数据再获取模块和诊断模块;
所述数据获取模块,用于获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
所述划分模块,用于对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
所述相对熵计算模块,用于根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
所述模型建立模块,用于将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
所述数据再获取模块,用于获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
所述诊断模块,用于将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
作为一种可实施方式,所述划分模块被设置为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
作为一种可实施方式,所述相对熵计算模块被设置为:
所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
作为一种可实施方式,所述相对熵计算模块被设置为:所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和
之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。
作为一种可实施方式,所述模型建立模块被设置为:
构建训练样本集合X,设定K的初值;
在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间
Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,…,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,…,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明采用相对熵衡量不同状态轴承之间振动信号的差异,无需计算和优化组合不同的特征指标,直接利用原始振动信号的分布;考虑到实际过程中的噪声、环境等因素,使用加窗函数,利用振动信号的周期性,充分利用原始振动信号信息,减小计算相对熵误差;使用K最近邻算法进行分类模型,易于理解、实现,无需参数估计,适合多分类问题和对稀有事件进行分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的整体系统示意图;
图3是加窗函数示意图;
图4是正序熵的示意图;
图5是负序熵的示意图;
图6是本发明的KNN分类模型正确率;图7是本发明使用的实验台示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种基于相对熵和K最近邻算法滚动轴承故障诊断方法,如图1所示,包括以下步骤:
S100、获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
S200、对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
S300、根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
S400、将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
S500、获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
S600、将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
为了降低样本容量不够而造成的误差,本发明对原始时域信号进行等长度部分重叠滑窗,窗长一般选取为信号整周期,原理如附图3所示。具体的步骤如下:在步骤S200中,所述对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果,具体原理步骤为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
相对熵又称KL距离(Kullback-Leibler divergence),也称为方向散度,是一种用于描述两个分布之间差异性的工具;在步骤S300中,所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
对于模式识别问题,若p1(x)是参考模式的概率密度,p2(x)是待检模式的概率密度,则δ(p1(x),p2(x))可以比较两类状态的相似程度。
相对熵虽然被称为KL距离,但是并不满足一般意义距离的定义。因为:(1)KL距离不是对称的,即δ(p1(x),p2(x))≠δ(p2(x),p1(x));(2)KL距离不满足三角不等式。
在本发明中,任意两种状态之间的相对熵均正序、反序各计算了一次。例如δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
由于实际采集的轴承振动数据基本不符合概率分布,因此在实际数据分析过程中,一般采用近似分布代替实际数据分布情况。当样本数趋近于无穷大的时候,近似分布与实际分布几乎重合。在数据分析应用中,当样本数足够时,样本趋于正态分布,同时样本中包含少量误差数据。因此,正态分布经常用于代替实际数据分布。
也就是说,在步骤S300中,所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。由于实际采样过程中噪声、环境、工况等因素的影响,即使S和来自同一分布,最后计算得到的KL距离也不为零。单纯从KL距离的绝对数值上判断轴承的故障类型,准确度不高,容易产生误判的情况。因此引入加窗函数对计算过程进行优化,并结合K最近邻算法进行判断。
K最近邻(K-Nearest Neighbor,KNN)算法是一种非常有效的非参数分类算法。现在已经广泛应用于模式识别和数据挖掘的各个领域。对于最优K值,KNN分类器提供了很好的分类性能。分类思想是:给定一个待分类的样本x,首先应找出与x最近接的或最相似的K个已知类别标签的训练集样本,然后根据这K个训练样本的类别标签确定样本x的类别。在步骤S400中,所述并将所属故障类型作为训练样本利用K最近邻算法进行训练,得到训练好的分类模型,具体为:
构建训练样本集合X,设定K的初值;
在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间
Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,...,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,...,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
通过本发明的方法,列举一个详细的实施例:
以SKF6205轴承为例,说明本专利提出方法的有效性。实验所用轴承故障模拟试验台如图7所示。该试验台包括一个2马力(1.5kw)的电动机,待检测的轴承支撑着电动机的转轴,驱动端轴承为SKF6205,风扇端轴承为SKF6203。驱动端轴承采用电火花加工单点损伤,损伤直径为0.007英寸,构造内圈故障、外圈故障、滚动体故障共3类。在驱动端轴承座上放置一个加速度传感器用来采集故障轴承的振动加速度信号。振动信号由16通道数据记录仪采集得到,采样频率为12kHz,电机转速为1750r/min。
上述3种故障类型与正常轴承共4种状态,实验采集了180个故障样本,每种状态各60个,2个正常样本。选择每种故障样本其中的40个样本作为训练样本,用以训练KNN分类模型,参加图6所示,其中产生的正序熵和负序熵如图4-5所示,其余故障样本用来测试模型的准确性。
实施例2:
一种基于相对熵和K最近邻算法滚动轴承故障诊断系统,如图2所示,包括数据获取模块100、划分模块200、相对熵计算模块300、模型建立模块400、数据再获取模块500和诊断模块600;
所述数据获取模块100,用于获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
所述划分模块200,用于对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
所述相对熵计算模块300,用于根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
所述模型建立模块400,用于将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
所述数据再获取模块500,用于获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
所述诊断模块600,用于将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
所述划分模块200被设置为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
在本实施例中,所述相对熵计算模块300被设置为:
所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
具体地,所述相对熵计算模块300被设置为:所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。
更进一步地,所述模型建立模块400被设置为:
构建训练样本集合X,设定K的初值;
在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间
Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,…,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,...,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于相对熵和K最近邻算法滚动轴承故障诊断方法,其特征在于,包括以下步骤:
获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
2.根据权利要求1所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法,其特征在于,所述对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果,具体原理步骤为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
3.根据权利要求1所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法,其特征在于,所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
4.根据权利要求3所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法,其特征在于,所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。
5.根据权利要求1所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法,其特征在于,所述并将所属故障类型作为训练样本利用K最近邻算法进行训练,得到训练好的分类模型,具体为:
构建训练样本集合X,设定K的初值;在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,xn表示样本x的第n个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,...,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,...,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
6.一种基于相对熵和K最近邻算法滚动轴承故障诊断系统,其特征在于,包括数据获取模块、划分模块、相对熵计算模块、模型建立模块、数据再获取模块和诊断模块;
所述数据获取模块,用于获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据,各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;
所述划分模块,用于对采集到的振动数据进行等长度部分重叠滑窗截取划分,得到划分结果;
所述相对熵计算模块,用于根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量;
所述模型建立模块,用于将至少5组相对熵矢量标记出对应的所属故障类型,并将所属故障类型作为训练样本,利用K最近邻算法进行训练,得到训练好的分类模型;
所述数据再获取模块,用于获取未知状态下运行产生的振动数据,基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量;
所述诊断模块,用于将获得的相对熵矢量作为分类模型的测试样本,利用分类模型对所述测试样本进行测试,进而对滚动轴承故障继续诊断,得到诊断结果。
7.根据权利要求6所述的基于相对熵和K最近邻算法滚动轴承故障诊断系统,其特征在于,
所述划分模块被设置为:
将采集到的每类振动数据按照类别设置为不同的数据集,选择一种数据集,记作数据集A,数据长度为len,每次滑动的步长为step;
窗函数选择矩形窗,窗口长度为window,window选取轴承旋转周期的整数倍,滑动步长step小于窗口长度window;
采用滑窗将数据集A划分为组长度为M的子集,记为
8.根据权利要求6所述的基于相对熵和K最近邻算法滚动轴承故障诊断系统,其特征在于,所述相对熵计算模块被设置为:
所述相对熵矢量包括正序熵矢量和负序熵矢量,相对熵计算过程如下:
设p1(x)和p2(x)是连续随机变量X的两个概率密度函数,则p1(x)和p2(x)的距离表示为:
即δ(p1(x),p2(x))即为所求的相对熵;
将δ(p1(x),p2(x))记为正序相对熵,δ(p2(x),p1(x))记为反序相对熵。
9.根据权利要求8所述的基于相对熵和K最近邻算法滚动轴承故障诊断系统,其特征在于,所述相对熵计算模块被设置为:所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列,得到至少5组相对熵矢量,具体为:
假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布,式中i和j代表样本的序号,n代表健康状态样本数,m代表故障状态样本数,Rd代表d维的特征空间,记振动数据集S和振动数据集的均值和方差分别为μ,σ2和
则p(s)=N(μ,σ2),
由此可得,内圈故障数据集的均值服从正常分布,内圈故障数据集的方差服从卡方分布χ2,同理可得,外圈故障数据集、滚动体故障数据集和保持架故障数据集的均值也都服从正常分布,方差也都服从卡方分布;
综上所得,p(s)和之间的KL距离计算公式为:
利用KL距离进行检测就可以转化为:
K=0,S和来自同一分布;
K≠0,S和来自不同分布。
10.根据权利要求6所述的基于相对熵和K最近邻算法滚动轴承故障诊断系统,其特征在于,所述模型建立模块被设置为:
构建训练样本集合X,设定K的初值;
在训练样本集X中选出与待测样本最近的K个样本,假定所有的样本对应于n维空间Rn中的点,一个样本的最近邻是根据标准的欧式距离定义的,任意的样本x表示为特征向量x=(x1,x2,…,xn),xi表示样本x的第i个特征值,Xn是表示样本x的第n个特征值,则2个样本xi、xj的距离定义为d(xi,xj),其中:
给定一个待分类的样本xq,x1,...,xk表示与xq距离最近的K个样本,设离散的目标函数为f:Rn→vi,vi表示第i个类别的标签,标签集合定义为V={v1,...,vs}, 表示对f(xq)的估计,则即是待测样本xq的类别,即为分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542396.5A CN110118657B (zh) | 2019-06-21 | 2019-06-21 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542396.5A CN110118657B (zh) | 2019-06-21 | 2019-06-21 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110118657A true CN110118657A (zh) | 2019-08-13 |
CN110118657B CN110118657B (zh) | 2021-06-11 |
Family
ID=67524299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542396.5A Active CN110118657B (zh) | 2019-06-21 | 2019-06-21 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110118657B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611450A (zh) * | 2020-05-12 | 2020-09-01 | 深圳力维智联技术有限公司 | 跨媒介数据融合方法、装置及存储介质 |
CN111811819A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于机器学习的轴承故障诊断方法及装置 |
CN112052890A (zh) * | 2020-08-28 | 2020-12-08 | 华北电力科学研究院有限责任公司 | 给水泵振动预测方法及装置 |
CN112857806A (zh) * | 2021-03-13 | 2021-05-28 | 宁波大学科学技术学院 | 一种基于移动窗口时域特征提取的轴承故障检测方法 |
CN113027696A (zh) * | 2019-12-24 | 2021-06-25 | 新疆金风科技股份有限公司 | 液压变桨系统的故障诊断方法和装置 |
CN113064779A (zh) * | 2021-03-04 | 2021-07-02 | 山东英信计算机技术有限公司 | 一种机器出厂诊断方法、系统、设备和存储介质 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004059399A2 (en) * | 2002-12-30 | 2004-07-15 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
CN104386449A (zh) * | 2014-10-29 | 2015-03-04 | 鞍钢集团矿业公司 | 用于矿用皮带运输机头尾轮在线检测智能保护装置 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108199374A (zh) * | 2018-01-30 | 2018-06-22 | 清华大学 | 一种基于熵的电力系统的稳定性评价方法及系统 |
CN109034213A (zh) * | 2018-07-06 | 2018-12-18 | 华中师范大学 | 基于相关熵原则的高光谱图像分类方法和系统 |
CN109615014A (zh) * | 2018-12-17 | 2019-04-12 | 清华大学 | 一种基于kl散度优化的数据分类系统与方法 |
CN109665399A (zh) * | 2019-01-28 | 2019-04-23 | 枣庄学院 | 一种矿井提升机无线传输的故障诊断系统及方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
-
2019
- 2019-06-21 CN CN201910542396.5A patent/CN110118657B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004059399A2 (en) * | 2002-12-30 | 2004-07-15 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
CN104386449A (zh) * | 2014-10-29 | 2015-03-04 | 鞍钢集团矿业公司 | 用于矿用皮带运输机头尾轮在线检测智能保护装置 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN108199374A (zh) * | 2018-01-30 | 2018-06-22 | 清华大学 | 一种基于熵的电力系统的稳定性评价方法及系统 |
CN109034213A (zh) * | 2018-07-06 | 2018-12-18 | 华中师范大学 | 基于相关熵原则的高光谱图像分类方法和系统 |
CN109615014A (zh) * | 2018-12-17 | 2019-04-12 | 清华大学 | 一种基于kl散度优化的数据分类系统与方法 |
CN109665399A (zh) * | 2019-01-28 | 2019-04-23 | 枣庄学院 | 一种矿井提升机无线传输的故障诊断系统及方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
(美)弗里德里希著: "《数字媒体中的隐写术 原理算法和应用》", 30 April 2014, 国防工业出版社 * |
FAN ZHANG、YU LIU、CHUJIE CHEN ET AL: "Fault diagnosis of rotating machinery based on kernel density estimation and Kullback-Leibler divergence", 《JOURNAL OF MECHANICAL SCIENCE AND TECHNOLOGY》 * |
LEI XIE、JIUSUN ZENG、UWE KRUGER ET AL: "Fault detection in dynamic systems using the Kullback Leibler divergence", 《CONTROL ENGINEERING PRACTICE》 * |
张凡: "基于核密度估计和 K-L 散度的旋转机械故障诊断与健康评估方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
施旻萱: "電力系統中異常事件的偵測、分析和和特徵化之研究", 《中正大学電機工程學系學位論文》 * |
王松岭、艾进聪、侯军虎: "K-L子空间法在风机振动故障诊断中的应用", 《振动、测试与诊断》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113027696A (zh) * | 2019-12-24 | 2021-06-25 | 新疆金风科技股份有限公司 | 液压变桨系统的故障诊断方法和装置 |
CN111611450A (zh) * | 2020-05-12 | 2020-09-01 | 深圳力维智联技术有限公司 | 跨媒介数据融合方法、装置及存储介质 |
CN111611450B (zh) * | 2020-05-12 | 2023-06-13 | 深圳力维智联技术有限公司 | 跨媒介数据融合方法、装置及存储介质 |
CN111811819A (zh) * | 2020-06-30 | 2020-10-23 | 佛山科学技术学院 | 一种基于机器学习的轴承故障诊断方法及装置 |
CN112052890A (zh) * | 2020-08-28 | 2020-12-08 | 华北电力科学研究院有限责任公司 | 给水泵振动预测方法及装置 |
CN112052890B (zh) * | 2020-08-28 | 2024-04-02 | 华北电力科学研究院有限责任公司 | 给水泵振动预测方法及装置 |
CN113064779A (zh) * | 2021-03-04 | 2021-07-02 | 山东英信计算机技术有限公司 | 一种机器出厂诊断方法、系统、设备和存储介质 |
CN112857806A (zh) * | 2021-03-13 | 2021-05-28 | 宁波大学科学技术学院 | 一种基于移动窗口时域特征提取的轴承故障检测方法 |
CN112857806B (zh) * | 2021-03-13 | 2022-05-31 | 宁波大学科学技术学院 | 一种基于移动窗口时域特征提取的轴承故障检测方法 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
CN114001961B (zh) * | 2021-10-29 | 2024-04-23 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110118657B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110118657A (zh) | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 | |
Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
Ali et al. | Machine learning-based fault diagnosis for single-and multi-faults in induction motors using measured stator currents and vibration signals | |
Gunerkar et al. | Fault diagnosis of rolling element bearing based on artificial neural network | |
Kang et al. | A hybrid feature selection scheme for reducing diagnostic performance deterioration caused by outliers in data-driven diagnostics | |
Kang et al. | Time-varying and multiresolution envelope analysis and discriminative feature analysis for bearing fault diagnosis | |
Ocak et al. | HMM-based fault detection and diagnosis scheme for rolling element bearings | |
Hamadache et al. | Rotor speed-based bearing fault diagnosis (RSB-BFD) under variable speed and constant load | |
Soylemezoglu et al. | Mahalanobis Taguchi system (MTS) as a prognostics tool for rolling element bearing failures | |
Goumas et al. | Classification of washing machines vibration signals using discrete wavelet analysis for feature extraction | |
Shakya et al. | Bearing diagnosis based on Mahalanobis–Taguchi–Gram–Schmidt method | |
Soleimani et al. | Early fault detection of rotating machinery through chaotic vibration feature extraction of experimental data sets | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
Zhou et al. | Fault detection of rolling bearing based on FFT and classification | |
Attoui | Novel fast and automatic condition monitoring strategy based on small amount of labeled data | |
Pandarakone et al. | Application of naive bayes classifier theorem in detecting induction motor bearing failure | |
Ayati et al. | Classification-based fuel injection fault detection of a trainset diesel engine using vibration signature analysis | |
Lu et al. | Bearing health assessment based on chaotic characteristics | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
Vishwendra et al. | A novel method to classify rolling element bearing faults using K-nearest neighbor machine learning algorithm | |
Abed et al. | Diagnosis of bearing fault of brushless DC motor based on dynamic neural network and orthogonal fuzzy neighborhood discriminant analysis | |
Xue et al. | Sequential fault detection for sealed deep groove ball bearings of in-wheel motor in variable operating conditions | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
Pazouki et al. | Fault diagnosis and condition monitoring of bearing using multisensory approach based fuzzy-logic clustering | |
CN109034028A (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |