CN110232435A

CN110232435A - 一种自适应深度置信网络滚动轴承故障诊断方法

Info

Publication number: CN110232435A
Application number: CN201910359605.2A
Authority: CN
Inventors: 张义民; 高淑芝; 徐林涛; 裴志明
Original assignee: Shenyang University of Chemical Technology
Current assignee: Shenyang University of Chemical Technology
Priority date: 2019-04-30
Filing date: 2019-04-30
Publication date: 2019-09-13
Anticipated expiration: 2039-04-30
Also published as: CN110232435B

Abstract

一种自适应深度置信网络滚动轴承故障诊断方法，涉及一种轴承故障诊断方法，所述方法首先明确深度置信网络基本理论以及影响它本身分类效果的设计参数；SSA的基本理论描述和算法参数设置；将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型；将上述模型与SSA优化方法结合；将测试集导入到已经训练好的SSA‑SADBN模型中，根据神经网络的输出判断其分类效果。本发明有效地利用了深度神经网络的数据挖掘能力；通过改进受限波尔茨曼机参数更新规则，有效地提升了滚动轴承故障诊断的分类精度，解决了人工提取特征的复杂性问题。

Description

一种自适应深度置信网络滚动轴承故障诊断方法

技术领域

本发明涉及一种轴承故障诊断方法，特别是涉及一种自适应深度置信网络滚动轴承故障诊断方法。

背景技术

滚动轴承(REBs)是最常见的机械部件，在几乎所有的旋转机械中都发挥着极其重要的作用，由于其价格相对较低，操作方便，因此在工业上得到了广泛的应用。旋转机械的机动完全依赖于滚动轴承的健康状态，在这些机械设备故障中占了近45-55%。轴承故障的存在，如磨损、点蚀、多灰尘、润滑油污染、变温度、负载过大等造成的轴承故障会导致整个系统灾难性的崩溃，从而降低了设备的可靠性和可用性。由于振动信号与滚动轴承结构存在直接关系，所以基于信号处理的方法在该方面具有独特的优势。轴承故障产生的振动信号是属于含各种干扰噪声的非平稳信号，如何将轴承故障的特征信息从非平稳信号中提取出来是识别轴承故障的关键所在。精确诊断和识别滚动轴承故障能很好的保障机械设备的正常运行。

Hinton在2006年提出了深度学习，而且深度学习神经网络可以通过构建多个隐含层来提取数据的深层特征参数。深度置信网络（DBN）本身具有良好的特征学习能力，通过训练其隐含层之间权重参数，这可以让整个神经网络按照最大概率来生成输出数据，以此为基础进行故障分类。

发明内容

本发明的目的在于提供一种自适应深度置信网络滚动轴承故障诊断方法，本发明有效地利用了深度神经网络的数据挖掘能力；通过改进受限波尔茨曼机参数更新规则，有效地提升了滚动轴承故障诊断的分类精度，解决了人工提取特征的复杂性问题，

本发明的目的是通过以下技术方案实现的：

一种自适应深度置信网络滚动轴承故障诊断方法，所述方法包括以下步骤：

步骤 1：首先明确深度置信网络基本理论以及影响它本身分类效果的设计参数；

步骤 2：SSA的基本理论描述和算法参数设置；

步骤 3：将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型；

步骤 4：将上述模型与SSA优化方法结合，能够快速找到最佳的深度网络结构，然后利用BP和共轭梯度下降法进行微调网络参数，实现最优模型；

步骤 5：把训练样本和测试样本分成一定比例，将测试集导入到已经训练好的SSA-SADBN模型中，根据神经网络的输出判断其分类效果。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述深度置信网络（DBN）是一种概率生成模型，通过训练来更新其层与层之间的参数，提高神经网络输出精度；DBN也可以被看作是一种深层BP神经网络，它是由若干层受限玻尔兹曼机堆叠而成的深度神经网络架构；

RBM是深度置信网络基本构成，其本身结构网络共有2层，其中一层称为可视层，一般来说被称为输入层，另一层是隐含层，也就是特征提取层，可视层和隐含层的神经元之间的连接方式呈现为双向全连接。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述SSA算法的思想是将种群分为两组：领导者和追随者；也就是说，一个母体领导着一群子代个体，子代种群彼此跟随；SSA的种群个体总数为N，个体位置是在D维搜索空间中定义的，D即为目标函数中变量的个数，各个变量的上下界分别为ub=[ub₁,ub₂,……,ub_D]和lb=[lb₁,lb₂,……,lb_D]；所有个体位置集合皆存储在矩阵X中。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述SSA的核心思想是：首先初始化种群个体位置，然后将计算出的最优适应度值用来确定最优个体，将获得的最优个体作为领导者，最优个体位置作为食物源位置，这等同于在迭代过程中每一个食物源都记录了最佳位置，这使得追随者不会轻易陷入局部最优，提高了算法的收敛能力；以上参数设置为后续的滚动轴承故障诊断方法的应用提供依据。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述RBM中的学习率η和动量因子ε皆为重要参数，它们皆影响着DBN的收敛速度和分类性能；标准DBN训练过程中，动量因子会被赋予一个固定的经验值，这会使得整个神经网络参数的自适应性和收敛性降低；

本方法标准RBM的基础上引入了一种自适应动量因子，类似于标准RBM，在每一次迭代时，利用迭代前后的累积重构误差作为评估标准—标准累积重构误差，即损失函数；它被定义为：

(17)

其中q为RBM的当前迭代次数，Q是RBM的最大迭代次数，是第i代第j批原始输入数据，是第i代第j批输入数据的重构状态。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述该自适应动量策略被描述为：初始的动量因子 (经验值)，阈值；当累积重构误差随着迭代次数的增加而逐渐减少时，动量因子则会有某种程度的增加；当累积重构误差逐渐升高时，则动量因子会逐渐减小。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所SSA确定DBN的最佳结构和参数，将训练样本集导入SADBN；初始化一系列SADBN参数（种群总数、学习率.....）；在给定范围内初始化每个salp位置，初始速度v₀=0；将训练样本和模型输出的误分类样本之间的累积重构误差（适应度值）作为比较条件，经过数次迭代之后，选出最优个体位置，即食物源位置；使用等式（13）和（16）来更新salp的位置；最终输出的适应度值要足够小于一定的阈值（经验值），然后输出结果，否则一直执行到迭代次数达到设定值为止。

所述的一种自适应深度置信网络滚动轴承故障诊断方法，所述8种轴承工况进行分类时，每种工况下取180个样本；将训练样本导入步骤的神经网络模型中训练，然后取180个未知样本导入该模型，观察分类效果，维持训练样本与测试样本的数目比例为1：1（经验值）。

附图说明

图1 滚动轴承故障诊断流程图；

图2 DBN结构图；

图3 RBM结构图；

图4 本发明实验中8种轴承工况时频信号仿真图；

图5 本发明实验中PCA可视化原始特征的2D-PCA和3D-PCA映射图；

图6 本发明实验中PCA可视化第一个隐含层特征的2D-PCA和3D-PCA映射图；

图7 本发明实验中PCA可视化第二个隐含层特征的2D-PCA和3D-PCA映射图；

图8 本发明实验中PCA可视化第三个隐含层特征的2D-PCA和3D-PCA映射图。

具体实施方式

下面结合实施例对本发明进行详细说明。

本发明一种智能优化自适应深度置信网络的滚动轴承故障诊断方法，该方法包括以下步骤：

步骤 2：SSA的基本理论描述和算法参数设置

步骤3：将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型。

步骤 4：将上述模型与SSA优化方法结合，能够快速找到最佳的深度网络结构，然后利用BP和共轭梯度下降法进行微调网络参数，实现最优模型。

步骤1.1：深度置信网络（DBN）是一种概率生成模型，通过训练来更新其层与层之间的参数，提高神经网络输出精度。DBN也可以被看作是一种深层BP神经网络，它是由若干层受限玻尔兹曼机（Restricted Boltzmann Machine）堆叠而成的深度神经网络架构。

在RBM中，任意两个神经元之间存在一个权值w表示其连接强度，c表示可视层偏置系数，b表示隐含层偏置系数，v =（v₁、v₂……v_n）表示可视层神经元的状态，h =（h₁、h₂……h_m）表示隐含层神经元的状态。实际上，上述的h和v分别表示着隐含层和可视层的神经元自身权重，v是输入向量，h是输出向量。由于RBM实质上是一种基于能量的概率模型，因此显层单元和隐含层单元的能量函数E可定义为：

（1）

其中，w_ij是显层单元i连接隐层单元j的权重，n和m分别是显层神经元和隐层神经元的个数，θ ={w_ij,c_i,b_j}是多个模型参数的集合。

RBM联合概率分布的能量函数为：

（2）

其中L（θ）是归一化因子，也被称为配分函数。

可视层和隐含层的条件概率为分别为

因为DBN的结构是层内无连接，层间全向双连接，所以隐含层单元和可视层单元的激活概率分别为：

(5)

(6)

其中的sigmoid(x)=(1/(1+e^-x))是激活函数，具体概率公式推导步骤在此省略。本文现将传统的二进制RBM用高斯GRBM来代替，GRBM的显层神经元服从高斯分布，而隐层神经元和原RBM相同，仍然服从伯努利分布。

其Gauss-Bernoulli RBM分布的能量函数E_g：

(7)

其中为训练样本的标准差，隐含层神经元激活函数仍是sigmoid函数，而显层神经元的激活函数则变成高斯函数，其条件概率分布为：

(8)

高斯分布的均值μ_i为：

（9）

一般情况下，标准差δ_i=1，对于高斯RBM显层神经元，其学习率比二值小1到2个数量级。

上述参数θ可以通过最大化RBM训练集上的对数似然函数得到。假如训练样本的数量为T，那么最大似然函数F为：

（10）

现采用最小批随机梯度下降法(SGD)求取F(θ)的最大值，进而求出最优参数值。F（θ）与各个参数{w,b,c}之间的梯度表达式为：

（11）

其中，η为学习率；<·>_data表示训练样本集的期望；<·>_rec是通过训练模型重构后的期望。

每一个RBM都是需要迭代数次，然而在每次迭代之后每个参数的更新方向还各不相同，这会使得算法出现早期收敛或者不稳定的现象。所以，在参数更新时需添加动量因子来解决这一问题，其更新规则为：

(12)

其中k=1，2，3…为迭代次数；ε为动量因子。动量因子的引入对于RBM模型中的参数在训练时有更好的抗振荡能力。

在此发明中，深度置信网络的结构包含三个RBM，第一个是GRBM，主要是将输入样本转换成二进制值，第二个和第三个都是高斯-伯努利RBM（GBRBM），然后对输入数据进一步处理。

步骤1.2：SSA算法的思想是将种群分为两组：领导者和追随者。也就是说，一个母体领导着一群子代个体，子代种群彼此跟随。SSA的种群个体总数为N，个体位置是在D维搜索空间中定义的，D即为目标函数中变量的个数，各个变量的上下界分别为ub=[ub₁,ub₂,……,ub_D]和lb=[lb₁,lb₂,……,lb_D]。所有个体位置集合皆存储在矩阵X中。将食物源的位置设为f，将它作为整个樽海鞘群体的搜索目标。然后领导者会对食物源的附近位置进行搜索，位置更新规则如下：

（13）

其中表示第j维第1个樽海鞘（领导者），表示第j维的食物源位置，ub_j表示第j维的上界，lb_j表示第j维的下界，c1，c2，c3是随机数。其中c1对SSA算法效果影响较大，它增强了每个个体在搜索前期和搜索后期对整个空间的探索能力。

(14)

g是当前迭代次数，G是最大迭代次数。c2和c3是服从正态分布，且二者是[0,1]范围内的随机数。

SSA中剩余个体的位置更新规则（牛顿运动定律）：

（15）

其中i≥2，t_s是时间，v₀是初速度，a_s是加速度，且，其中，时间t在该算法中被称为迭代，即t=1，v₀=0。

所以上述等式（15）可表示为：

（16）

SSA的核心思想是：首先初始化种群个体位置，然后将计算出的最优适应度值用来确定最优个体，将获得的最优个体作为领导者，最优个体位置作为食物源位置，这等同于在迭代过程中每一个食物源都记录了最佳位置，这使得追随者不会轻易陷入局部最优，提高了算法的收敛能力。以上参数设置为后续的滚动轴承故障诊断方法的应用提供依据。

步骤1.3：RBM中的学习率η和动量因子ε皆为重要参数，它们皆影响着DBN的收敛速度和分类性能。现阶段研究人员只对学习因子进行了多种改进，而对于动量的研究确少之又少。在标准DBN训练过程中，动量因子会被赋予一个固定的经验值，这会使得整个神经网络参数的自适应性和收敛性降低。

本发明在原标准RBM的基础上引入了一种自适应动量因子，类似于标准RBM，在每一次迭代时，利用迭代前后的累积重构误差作为评估标准—标准累积重构误差，即损失函数。它被定义为：

(17)

该自适应动量策略被描述为：

初始的动量因子 (经验值)，阈值。当累积重构误差随着迭代次数的增加而逐渐减少时，动量因子则会有某种程度的增加；当累积重构误差逐渐升高时，则动量因子会逐渐减小。自适应策略如下：

。

如果，那么。

如果，，则策略结束，继续下一次迭代计算，截止到最大迭代次数。

其中e（q）为第q代的累积重构误差，p _d为衰减因子，其属于(0.2，0.5)，p _u为递增因子，它属于(0.5，0.9)。将该策略应用于RBM中，构成自适应深度置信网络(SADBN)。

步骤1.4：SSA确定DBN的最佳结构和参数，将训练样本集导入SADBN。初始化一系列SADBN参数（种群总数、学习率.....）。在给定范围内初始化每个salp位置，初始速度v₀=0。将训练样本和模型输出的误分类样本之间的累积重构误差（适应度值）作为比较条件，经过数次迭代之后，选出最优个体位置，即食物源位置。使用等式（13）和（16）来更新salp的位置。最终输出的适应度值要足够小于一定的阈值（经验值），然后输出结果，否则一直执行到迭代次数达到设定值为止。

步骤1.5：8种轴承工况进行分类时，每种工况下取180个样本。将训练样本导入步骤1.4中的神经网络模型中训练，然后取180个未知样本导入该模型，观察分类效果，维持训练样本与测试样本的数目比例为1：1（经验值）。

实施例1

利用美国凯斯西储大学轴承实验中心获得的轴承振动数据进行分析验证。该实验设备包括一个（2马力转速）1.49kW的电动机，一个扭矩传感器和联轴节，一个功率测试计和电子控制器。待检测的轴承支撑着电动机的转轴，驱动端轴承为SKF系列6205，本发明实例中主要采用的数据是来自于轴承驱动端传感器所测得的信号。

该轴承用电火花加工，其中故障类型包括：滚动体故障、内圈故障和外圈故障。其损伤直径可分为（0.007英寸，0.014英寸，0.021英寸）。其中，把轴承外圈的损伤点设置在3、6、12点钟的位置。电动机驱动端的轴承座上方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，其采样频率为12kHz，工作功率和轴承转速通过扭矩传感器测得。具体轴承数据描述如表1和表2所示。

深度置信网络的结构一般设置为5到6层即最佳标准。因为随着隐含层的神经元的个数增多，整体的计算量也在随之增大，所以利用智能优化算法对每一层神经元的个数进行了界定。

现假设三个RBM的神经元个数分别是z1，z2，z3，初始学习率η=0.1，初始化动量因子ε=0.5，衰减因子为0.002。SSA中的每一个个体Y_i(z1，z2，z3，η)被设置为四维向量，粒子总数为N，将SSA优化改进DBN的结构参数应用于本文的实验研究。

其中SSA中初始化个体Y_i中的z₁、z₂和z₃的上、下界的被定义为[0，500]。通过优化的方法能够快速找到最优网络结构，实现最好的分类精度，其最优的分类结构为25-140-70-36-8。

实验的特征参数都是采用深度学习方法进行特征提取获得的，现从原始数据中提取了25个特征参数：其中包含了9个时域、5个频域和11个时频域特征参数。其时域特征参数包括：方差、标准差、均方根、偏度、峭度、波形、裕度、脉冲、形状因子指标。频域特征参数包含：均值频率、中心频率、均方根频率、标准差频率、峰态频率。时-频域特征参数包含：EMD能量谱，LMD能量谱，小波包能量熵。

该实验实例的主要目的是利用深层学习方法和浅层学习方法进行对比，比较两者分类性能的优越性。本发明的实验会重复25次左右，并且仿真了8种轴承工况的时频信号，如图4所示。同时，为了验证本发明提出的SSA-SADBN的特征信息数据提取能力，现对该实验实例中改进的DBN的逐层特征学习过程进行了研究，并以2-D和3-D的PCA可视化技术来仿真SSA-SADBN的逐层练习过程，以便于直观地观察SSA-SADBN的分类效果，如图5-图8所示，这更进一步验证了该方法从原始给定的特征集自动挖掘故障特征方面的强大能力。表3记录了浅层学习与深层学习方法的8分类精度对比。

表3 浅层学习与深层学习方法的测试精度对比

根据表3可知，通过采用优化方法和改进的RBM的结合更加利于DBN的模型训练和分类效果提升，将180个测试样本导入已训练好的优化自适应深度置信网络模型中，和真实分类标签作对比，其分类精度达到96.88%，和其他浅层学习和其深层学习方法对比，误分类个数也相对较少。

Claims

1.一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤 2：SSA的基本理论描述和算法参数设置；

2.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述深度置信网络（DBN）是一种概率生成模型，通过训练来更新其层与层之间的参数，提高神经网络输出精度；DBN也可以被看作是一种深层BP神经网络，它是由若干层受限玻尔兹曼机堆叠而成的深度神经网络架构；

3.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述SSA算法的思想是将种群分为两组：领导者和追随者；也就是说，一个母体领导着一群子代个体，子代种群彼此跟随；SSA的种群个体总数为N，个体位置是在D维搜索空间中定义的，D即为目标函数中变量的个数，各个变量的上下界分别为ub=[ub₁,ub₂,……,ub_D]和lb=[lb₁,lb₂,……,lb_D]；所有个体位置集合皆存储在矩阵X中。

4.根据权利要求3所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述SSA的核心思想是：首先初始化种群个体位置，然后将计算出的最优适应度值用来确定最优个体，将获得的最优个体作为领导者，最优个体位置作为食物源位置，这等同于在迭代过程中每一个食物源都记录了最佳位置，这使得追随者不会轻易陷入局部最优，提高了算法的收敛能力；以上参数设置为后续的滚动轴承故障诊断方法的应用提供依据。

5.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述RBM中的学习率η和动量因子ε皆为重要参数，它们皆影响着DBN的收敛速度和分类性能；标准DBN训练过程中，动量因子会被赋予一个固定的经验值，这会使得整个神经网络参数的自适应性和收敛性降低；

（17）

6.根据权利要求5所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述该自适应动量策略被描述为：初始的动量因子 (经验值)，阈值；当累积重构误差随着迭代次数的增加而逐渐减少时，动量因子则会有某种程度的增加；当累积重构误差逐渐升高时，则动量因子会逐渐减小。

7.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述SSA确定DBN的最佳结构和参数，将训练样本集导入SADBN；初始化一系列SADBN参数（种群总数、学习率.....）；在给定范围内初始化每个salp位置，初始速度v₀=0；将训练样本和模型输出的误分类样本之间的累积重构误差（适应度值）作为比较条件，经过数次迭代之后，选出最优个体位置，即食物源位置；使用等式（13）和（16）来更新salp的位置；最终输出的适应度值要足够小于一定的阈值（经验值），然后输出结果，否则一直执行到迭代次数达到设定值为止。

8.根据权利要求1所述的一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述8种轴承工况进行分类时，每种工况下取180个样本；将训练样本导入步骤的神经网络模型中训练，然后取180个未知样本导入该模型，观察分类效果，维持训练样本与测试样本的数目比例为1：1（经验值）。