CN110132554A - 一种深度拉普拉斯自编码的旋转机械故障诊断方法 - Google Patents

Abstract

本发明公开了一种深度拉普拉斯自编码的旋转机械故障诊断方法，包括步骤如下：1、在旋转机械的关键部件采集振动信号；2、将所采集的振动信号转化为频谱信号，并分为测试样本子集与训练样本子集；3、将训练样本输入到拉普拉斯自编码模型中进行预训练,用有监督学习算法进一步调整预训练后的拉普拉斯自编码模型，并根据拉普拉斯自编码模型中的损失函数，得到拉普拉斯自编码模型的参数；4、将测试样本输入到训练完成的深度拉普拉斯自编码模型，得到多层敏感的故障特征；5、将步骤4得到的故障特征输入到分类器中进行故障分类与诊断，实现旋转机械设备的故障诊断。本发明提高不平衡数据的故障诊断精度，有效的实现不平衡数据的分类与诊断。

Description

一种深度拉普拉斯自编码的旋转机械故障诊断方法

技术领域

本发明涉及工业生产中的故障诊断技术领域，是一种基于数据驱动的旋转机械故障诊断方法。

背景技术

旋转机械作为现代工业系统中不可替代的工业装置，在工业生产与智能制造中占据着极为重要的地位。因此，对旋转机械等工业设备进行实时的状态监测与故障诊断，不仅可保障机械设备的正常运作，且能及时发现机械设备故障并进行维修，可避免不必要的经济损失与人员伤害。

现阶段，旋转机械故障诊断方法大多是通过对各种状态参数的检测与分析来判断其设备运行的状态，以此来确定故障位置及其劣化程度。其中，基于振动信号的故障诊断手段是目前最为普遍且有效的旋转机械机械故障诊断手段之一，即在轴承等关键处进行振动信号的采集与分析以此来实现对机械系统的有效监测与诊断。随着现代测量与传感控制等技术的不断发展，各种新颖的数据采集与测量方式不断被涌现出来。在工业领域，由于状态监测与测量的装备群规模大、每个装备需要的测点多、每个测点的采样频率高、从开始服役到寿命终止的数据收集历时长，故所采集的数据量大、数据复杂程度高。因此，机械设备的健康监测与故障诊断系统获取的是海量的数据，致使机械系统的健康监测与管理进入“机械大数据”时代。

与此同时，“机械大数据”现象同样带来了机械设备的诊断样本与历史数据的获取比较困难、故障样本稀疏等问题，这是因为机械设备的正常运行时间远大于设备故障发生的时间，机械状况运行过程中健康数据的不平衡性是不可避免的。即由于工业生产的固有特点，机械设备故障工况的数据常常难以获得，机械设备健康监测与诊断系统中的故障样本的数量往往远小于正常状况样本的数量。这就导致在故障诊断模型的训练过程中，少数样本的故障状况被不充分地学习甚至被错误的诊断，这类问题给传统的智能故障诊断方法提出一系列的挑战。

发明内容

为解决上述问题，本发明提出一种基于深度拉普拉斯自编码的旋转机械故障诊断发明方法，克服现有的故障诊断技术难以处理旋转机械故障不平衡数据的诊断困难的现状，提高不平衡数据的故障诊断精度，有效的实现不平衡数据的分类与诊断。

技术方案：一种深度拉普拉斯自编码的旋转机械故障诊断方法，包括以下步骤：

步骤1、在预先选定旋转机械设备的被测部件上安置相应的传感器，采集旋转机械上被测部件的振动信号；

步骤2、将采集的振动信号转化为频域特征值，并将其分为测试样本特征子集与训练样本特征子集，测试样本特征子集即作为测试样本，训练样本特征子集即作为训练样本；

步骤3、初始化深度拉普拉斯自编码DLapAE模型的参数，并将训练样本输入到拉普拉斯自编码DLapAE模型中进行预训练,用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型，并根据拉普拉斯自编码DLapAE模型中的损失函数J_Lap，得到拉普拉斯自编码DLapAE模型的参数；

步骤4、再将测试样本输入到训练完成的深度拉普拉斯自编码DLapAE模型，得到多层敏感的故障特征；

步骤5、最后将步骤4得到的多层敏感的故障特征输入到分类器中进行故障分类与诊断，实现旋转机械设备的故障诊断。

进一步，所述步骤2中将采集的振动信号转化为频域特征值是指通过傅里叶变换将样本集的时域信号值转化为频域信号值。

进一步，所述步骤3中将训练样本输入到深度拉普拉斯自编码DLapAE模型中进行预训练的过程如下：

步骤3.1、以无监督方式训练第一层的拉普拉斯自编码；

步骤3.2、以上一层拉普拉斯自编码输出经激活函数的推导，作为下一层拉普拉斯自编码的输入，训练下一层拉普拉斯自编码；

设第l层拉普拉斯自编码对应的网络参数集合为θ_l＝{W^l，b^l}，其中W^l为第l层的编码权值，b^l为第l层的编码偏置；则对于具有l层的堆栈的自编码网络按照从前向后的顺序执行，每一层自编码的编码过程为：

式中f(*)为编码函数，a^(l)为第l层的编码输出，z^(l)和z^(l+1)分别为第l层和第l+1层的编码输入。

同理，堆栈后的多层拉普拉斯自编码的解码过程按照从后向前的顺序执行每一层自编码器的解码过程为：

式中g(*)为解码函数，a’^(l)是第l层的解码输出，z’^(l)和z’^(l+1)分别为第l层和第l+1层的解码输入。其中W’^(l)为第l层的解码权值，b’^(l)为第l层的解码偏置；

检验a^(l)和a’^(l)的误差，z^(l)和z’^(l)的误差；

步骤3.3、重复步骤3.2，完成所有层的拉普拉斯自编码DLapAE模型的预训练。

进一步，所述步骤3中用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型包括以下步骤：

步骤3.4、将拉普拉斯自编码的最后一层的输出作为分类层的输入，分类层神经元个数为健康状况类别数；

所述分类层选择的是BPNN分类器；BPNN分类器是通过迭代优化网络的权值使得输出与输入之间的实际映射关系与所期望的映射关系一致，采用梯度下降算法通过调整各层权值求目标函数最小化。

BPNN分类器在所有训练样本上的预测输出和期望输出的误差平方和为：

式中J_Total(W)表示BPNN分类器的目标函数，N表示训练样本总数，t_i表示第i个训练样本的目标输出，a_i为第i个训练样本的拉普拉斯自编码的最后一层的实际输出；

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

式中表示第l层拉普拉斯自编码的权值的梯度下降值，为学习率，W^l为第l层的编码权值，是J_Total的求导；

微调的核心思想是将深度拉普拉斯自编码的所有层视为一个模型，用有监督学习算法进一步调整预训练后的神经网络，经过多次迭代，所有权重和偏置均得到优化；

步骤3.5、在预训练的基础上输入训练样本，进行一次前馈传递，对第2层、3层直到输出n层，应用前向传播算法得到各层的激活值；

步骤3.6、求出第l层的残差为

式中，表示第l层的残差变量值，f’(z^(l))表示对输出值z^(l)编码函数f(*)的微分求导；

步骤3.7、求得偏导数f’为：

式中，δ^(l+1)表示第l+1层的残差，表示对第l层的权值W的残差变量值，表示对第l层的偏执b的残差变量值，(a^(l))^T表示第l层的编码输出的转置；

根据上式微调整个网络参数，完成深度拉普拉斯自编码神经网络的预训练和有监督微调。

进一步，所述步骤3中的拉普拉斯自编码DLapAE模型中的损失函数J_Lap为

J_Lap＝J+εR

其中,J为原始的模型的损失函数，且J等与J_total，ε为拉普拉斯正则化项的调节参数，R为拉普拉斯正则化项；新的损失函数J_Lap使得学习特征的类内距离变小和类间距离变大。

拉普拉斯正则项R为

其中,W_ij表示第i个训练样本和第j个训练样本之间的连接权重，X＝{x₁,x₂,..x_i,..x_n}为所有的n个样本集合，D为对角矩阵，L为拉普拉斯矩阵，trace(*)表示求矩阵的迹，x_i ^T为第i个样本的偏置，x_j ^T为第j个样本的偏置，X^T为X的偏置。

有益效果：

1)在原始的自编码模型的基础上，提出拉普拉斯自编码模型。通过向自编码的目标函数添加拉普拉斯正则项形成一个新的模型。所构建的拉普拉斯自编码能够在自编码模型数据压缩过程中保持数据的内部结构不变，使得分类效果比原始模型更好，以此提升模型的泛化性能。

2)在所构建的拉普拉斯自编码模型基础上，通过层层的堆栈拉普拉斯自编码模型提取深度的故障特征，组成深度拉普拉斯自编码(DLapAE)；最后通过标签信息反向微调整个模型的参数，使得整个模型的特征学习能力得到增强。

3)在所构建的深度拉普拉斯自编码基础上，提出一种基于深度拉普拉斯自编码的旋转机械诊断发明方法：该方法首先将采集的振动信号转化为频域信号，然后再将其输入到深度拉普拉斯自编码(DeepLapAE)中进行层层特征提取；然后将所提取的多层特征输入到分类器中进行故障数据分类与诊断。此外，本发明简单易行，适用于类别样本不平衡的情况下的机械设备在线或现场故障诊断。

附图说明

图1是本发明技术的流程图；

图2是一种基于深度拉普拉斯自编码模型图；

图3是凯斯西储大学轴承试验台；

图4是不同健康状况的振动信号波形图；

图5是基于DLapAE故障诊断模型的机械故障识别结果；

图6是基于DAE故障诊断模型的机械故障识别结果。

具体实施方式

在实际工业场景中，机械设备的故障数据呈现出不平衡的分布现状。为提高传统故障诊断方法对不平衡数据的故障诊断精度，为此本发明提出一种基于深度拉普拉斯自编码的旋转机械不平衡故障诊断发明方法。该方法首先将采集的信号输入到深度拉普拉斯自编码(DLapAE)中进行逐层故障特征提取，然后将所提取的多层故障特征输入到BPNN分类器中进行不平衡故障数据分类。

深度拉普拉斯自编码的机械故障诊断方法流程如图1所示，图2为图1中基于深度拉普拉斯自编码模型，包括以下步骤：

步骤1、在预先选定旋转机械设备的被测部件上安置相应的传感器，采集旋转机械上被测部件的振动信号；

步骤2、通过傅里叶变换将样本集的时域信号值转化为频域信号值，将采集的振动信号转化为频域特征值，并将其分为测试样本特征子集与训练样本特征子集，测试样本特征子集即作为测试样本，训练样本特征子集即作为训练样本；

步骤3、初始化深度拉普拉斯自编码DLapAE模型的参数，并将训练样本输入到拉普拉斯自编码DLapAE模型中进行预训练,用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型，并根据拉普拉斯自编码DLapAE模型中的损失函数J_Lap，得到拉普拉斯自编码DLapAE模型的参数；

步骤4、再将测试样本输入到训练完成的深度拉普拉斯自编码DLapAE模型，得到多层敏感的故障特征；

步骤5、最后将步骤4得到的多层敏感的故障特征输入到分类器中进行故障分类与诊断，实现旋转机械设备的故障诊断。

进一步，所述步骤3中将训练样本输入到深度拉普拉斯自编码DLapAE模型中进行预训练的过程如下：

步骤3.1、以无监督方式训练第一层的拉普拉斯自编码；

步骤3.2、以上一层拉普拉斯自编码输出经激活函数的推导，作为下一层拉普拉斯自编码的输入，训练下一层拉普拉斯自编码；

设第l层拉普拉斯自编码对应的网络参数集合为θ_l＝{W^l，b^l}，其中W^l为第l层的编码权值，b^l为第l层的编码偏置；则对于具有l层的堆栈的自编码网络按照从前向后的顺序执行，每一层自编码的编码过程为：

式中f(*)为编码函数，a^(l)为第l层的编码输出，z^(l)和z^(l+1)分别为第l层和第l+1层的编码输入。

同理，堆栈后的多层拉普拉斯自编码的解码过程按照从后向前的顺序执行每一层自编码器的解码过程为：

式中g(*)为解码函数，a’^(l)是第l层的解码输出，z’^(l)和z’^(l+1)分别为第l层和第l+1层的解码输入。其中W’^(l)为第l层的解码权值，b’^(l)为第l层的解码偏置；

检验a^(l)和a’^(l)的误差，z^(l)和z’^(l)的误差；

步骤3.3、重复步骤3.2，完成所有层的拉普拉斯自编码DLapAE模型的预训练。

进一步，所述步骤3中用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型包括以下步骤：

步骤3.4、将拉普拉斯自编码的最后一层的输出作为分类层的输入，分类层神经元个数为健康状况类别数；

所述分类层选择的是BPNN分类器；

BPNN分类器在所有训练样本上的预测输出和期望输出的误差平方和为：

式中J_Total(W)表示BPNN分类器的目标函数，N表示训练样本总数，t_i表示第i个训练样本的目标输出，a_i为第i个训练样本的拉普拉斯自编码的最后一层的实际输出；

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

式中表示第l层拉普拉斯自编码的权值的梯度下降值，为学习率，W^l为第l层的编码权值，是J_Total的求导；

微调的核心思想是将深度拉普拉斯自编码的所有层视为一个模型，用有监督学习算法进一步调整预训练后的神经网络，经过多次迭代，所有权重和偏置均得到优化；

步骤3.5、在预训练的基础上输入训练样本，进行一次前馈传递，对第2层、3层直到输出n层，应用前向传播算法得到各层的激活值；

步骤3.6、求出第l层的残差为

式中，表示第l层的残差变量值，f’(z^(l))表示对输出值z^(l)编码函数f(*)的微分求导；

步骤3.7、求得偏导数f’为：

式中，δ^(l+1)表示第l+1层的残差，表示对第l层的权值W的残差变量值，表示对第l层的偏执b的残差变量值，(a^(l))^T表示第l层的编码输出的转置；

根据上式微调整个网络参数，完成深度拉普拉斯自编码神经网络的预训练和有监督微调。

为了使自编码网络各层的学习特征更有利于分类，所述步骤3中的拉普拉斯自编码DLapAE模型中的损失函数J_Lap为

J_Lap＝J+εR

其中,J为原始的模型的损失函数，且J等与J_total，ε为拉普拉斯正则化项的调节参数，R为拉普拉斯正则化项；新的损失函数J_Lap使得学习特征的类内距离变小和类间距离变大。

拉普拉斯正则项R为

其中,W_ij表示第i个训练样本和第j个训练样本之间的连接权重，X＝{x₁,x₂,..x_i,..x_n}为所有的n个样本集合，D为对角矩阵，L为拉普拉斯矩阵，trace(*)表示求矩阵的迹，x_i ^T为第i个样本的偏置，x_j ^T为第j个样本的偏置，X^T为X的偏置。

从R定义得知通过最小化就可以在低维空间得到一个足够平滑的投影，改矩阵使其保持了原始空间的流形结构。所以，拉普拉斯正则化技术在先验知识的条件下，对模型进行惩罚，使得模型的权值泛化能力更强。相对于其他正则化技术，拉普拉斯正则化是建立在流形学习的平滑假设的基础上，其嵌入的目标是使得同类数据从高维嵌入到低维空间时其数据的近邻保持能力不变。

实施案例1：为了进一步验证发明方法的有效性，本方法采用图3所示的凯斯西储大学轴承试验台模拟的滚动轴承实验数据。该实验轴承为6205-RS JEMSKF深沟球轴承。该实验中所采集的数据是在以下实验条件进行的：电机负载为3hp,采样频率为48khz，转速为1730r/min，并通过在驱动端轴承上的加速度传感器采集模拟各种工况的机械设备振动信号。实验用分别电火花加工轴承的故障凹槽为0.18mm(故障级别轻度)，深度为0.36mm(故障级别为中度故障)，深度为0.54mm(故障级别严重)等三个故障等级。此次实验共模拟轴承的10种健康状况：滚动体轻度故障、内圈轻度故障、外圈轻度故障、滚动体中度故障、内圈中度故障、外圈中度故障、滚动体重度故障、内圈重度故障、外圈重度故障、正常状态。每种健康状况通过1024个振动信号截取为一个样本，每个故障状态可获得100个样本。其中，为反映故障数据的平衡性与不平衡性，我们分别构建的数据集B(平衡数据集)和UB(不平衡数据集)的两个故障数据集如表1所示：

表1凯斯西储大学轴承健康状况平衡数据集B与不平衡数据集UB

Notes:其中，平衡数据集记为B；不平衡数据集记为：UB

如表1所示，两个数据集(B和UB)由不同平衡程度数据构成。在数据集B中，每种轴承健康状况的50％样本用于训练，其余样本用于测试。在数据集UB中，健康状况H1-H3训练样本的百分比为20％，健康状况H4-H6训练样本的百分比为30％，健康状况H7-H9训练样本的百分比为40％，最后正常状况的数据记为H10，其训练比例为50％。同时为了便于比较，所有测试样本的百分比仍为50％。在上述轴承故障数据中，10类轴承健康状况的振动信号的时域波形如图4所示。从图4中可以看出，传统的时频域分析方法难以量化故障的不同程度和类型，且严重依赖大量的专家知识和现场经验，难以对实际故障进行诊断。因此，需要一种智能故障诊断方法来量化故障诊断结果。为提高机械设备健康不平衡数据的诊断精度，本发明提出一种基于深度拉普拉斯自编码的旋转机械故障不平衡诊断方法。

所提的Deep Lap AE的网络模型参数设置主要包括：神经元各层个数可以设置为[1024-200-100-1024-100-10]。进一步的，根据所提出的故障诊断方法流程和高维特征数据集UB，ξ是调整参数控制的贡献正则化项R,调整正则化参数(ξ)可以通过网格搜索方法得出正则化调整系数ε＝0.6是合适的。

在平衡数据诊断中，我们使用DLapAE对不平衡数据(数据集B)进行分类。类似地，深度自编码(DAE)也用于不平衡数据集的分类，作为对比实验。根据图5中的诊断流程图，得到基于上述四种方法的(数据集B)测试样本识别结果分别如图5和图6所示：

数据集B的四种诊断方法的准确率因数据减少而减少。DLapAE的准确度为0.99，DAE的准确度为0.83。由于在DLapAE中添加了拉普拉斯正则化项，因此DLapAE获得这两种方法的准确率的下降程度得到缓解。因此，所提出的DLapAE的性能优于传统的不平衡故障诊断。

综上,为了使得智能故障诊断方法能够有效处理旋转机械不平衡故障数据，本发明提出了一种深度拉普拉斯自编码的旋转机械故障诊断方法。该方法首先将采集的振动信号输入到深度拉普拉斯自编码(DLapAE)中进行逐层故障特征提取，然后将所提取的多层故障特征输入到BPNN分类器中进行不平衡故障数据分类。所提的故障诊断方法能够有效的实现不平衡数据的有效分类与诊断。

Claims (6)

1.一种深度拉普拉斯自编码的旋转机械故障诊断方法，其特征在于，包括以下步骤：

步骤1、在预先选定旋转机械设备的被测部件上安置相应的传感器，采集旋转机械上被测部件的振动信号；

步骤2、将采集的振动信号转化为频域特征值，并将其分为测试样本特征子集与训练样本特征子集，测试样本特征子集即作为测试样本，训练样本特征子集即作为训练样本；

步骤3、初始化深度拉普拉斯自编码DLapAE模型的参数，并将训练样本输入到拉普拉斯自编码DLapAE模型中进行预训练,用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型，并根据拉普拉斯自编码DLapAE模型中的损失函数J_Lap，得到拉普拉斯自编码DLapAE模型的参数；

步骤4、再将测试样本输入到训练完成的深度拉普拉斯自编码DLapAE模型，得到多层敏感的故障特征；

步骤5、最后将步骤4得到的多层敏感的故障特征输入到分类器中进行故障分类与诊断，实现旋转机械设备的故障诊断。

2.根据权利要求1所述的深度拉普拉斯自编码的旋转机械故障诊断方法，其特征在于：所述步骤2中将采集的振动信号转化为频域特征值是指通过傅里叶变换将样本集的时域信号值转化为频域信号值。

3.根据权利要求1所述的深度拉普拉斯自编码的旋转机械故障诊断方法，其特征在于，所述步骤3中将训练样本输入到深度拉普拉斯自编码DLapAE模型中进行预训练的过程如下：

步骤3.1、以无监督方式训练第一层的拉普拉斯自编码；

步骤3.2、以上一层拉普拉斯自编码输出经激活函数的推导，作为下一层拉普拉斯自编码的输入，训练下一层拉普拉斯自编码；

设第l层拉普拉斯自编码对应的网络参数集合为θ_l＝{W^l，b^l}，其中W^l为第l层的编码权值，b^l为第l层的编码偏置；则对于具有l层的堆栈的自编码网络按照从前向后的顺序执行，每一层自编码的编码过程为：

式中f(*)为编码函数，a^(l)为第l层的编码输出，z^(l)和z^(l+1)分别为第l层和第l+1层的编码输入；

同理，堆栈后的多层拉普拉斯自编码的解码过程按照从后向前的顺序执行每一层自编码器的解码过程为：

式中g(*)为解码函数，a’^(l)是第l层的解码输出，z’^(l)和z’^(l+1)分别为第l层和第l+1层的解码输入，W’^(l)为第l层的解码权值，b’^(l)为第l层的解码偏置；

检验a^(l)和a’^(l)的误差，z^(l)和z’^(l)的误差；

步骤3.3、重复步骤3.2，完成所有层的拉普拉斯自编码DLapAE模型的预训练。

4.根据权利要求3所述的深度拉普拉斯自编码的旋转机械故障诊断方法，其特征在于，所述步骤3中用有监督学习算法进一步调整预训练后的拉普拉斯自编码DLapAE模型包括以下步骤：

步骤3.4、将拉普拉斯自编码的最后一层的输出作为分类层的输入，分类层神经元个数为健康状况类别数；

所述分类层选择的是BPNN分类器；

BPNN分类器在所有训练样本上的预测输出和期望输出的误差平方和为：

式中J_Total(W)表示BPNN分类器的目标函数，N表示训练样本总数，t_i表示第i个训练样本的目标输出，a_i为第i个训练样本的拉普拉斯自编码的最后一层的实际输出；

由输出层误差逐层反向计算各层各单元的误差，并基于梯度下降法修正各权值：

式中表示第l层拉普拉斯自编码的权值的梯度下降值，为学习率，W^l为第l层的编码权值，是J_Total的求导；

步骤3.5、在预训练的基础上输入训练样本，进行一次前馈传递，对第2层、3层直到输出n层，应用前向传播算法得到各层的激活值；

步骤3.6、求出第l层的残差为

式中，表示第l层的残差变量值，f’(z^(l))表示对输出值z^(l)编码函数f(*)的微分求导；

步骤3.7、求得偏导数f’为：

式中，δ^(l+1)表示第l+1层的残差，表示对第l层的权值W的残差变量值，表示对第l层的偏执b的残差变量值，(a^(l))^T表示第l层的编码输出的转置；

根据上式微调整个网络参数，完成深度拉普拉斯自编码神经网络的预训练和有监督微调。

5.根据权利要求4所述的深度拉普拉斯自编码的机械故障诊断方法，其特征在于：所述步骤3中的拉普拉斯自编码DLapAE模型中的损失函数J_Lap为

J_Lap＝J+εR

其中,J为原始的模型的损失函数，且J等与J_total，ε为拉普拉斯正则化项的调节参数，R为拉普拉斯正则化项。

6.根据权利要求5所述的一种深度拉普拉斯自编码的旋转机械故障诊断方法，其特征在于：拉普拉斯正则项R为

其中,W_ij表示第i个训练样本和第j个训练样本之间的连接权重，X＝{x₁,x₂,..x_i,..x_n}为所有的n个样本集合，D为对角矩阵，L为拉普拉斯矩阵，trace(*)表示求矩阵的迹，x_i ^T为第i个样本的偏置，x_j ^T为第j个样本的偏置，X^T为X的偏置。