CN110346141A - 稀疏自编码滚动轴承故障诊断方法 - Google Patents
稀疏自编码滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN110346141A CN110346141A CN201910536120.6A CN201910536120A CN110346141A CN 110346141 A CN110346141 A CN 110346141A CN 201910536120 A CN201910536120 A CN 201910536120A CN 110346141 A CN110346141 A CN 110346141A
- Authority
- CN
- China
- Prior art keywords
- failure
- sparse
- matrix
- slight
- serious
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000005096 rolling process Methods 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000007257 malfunction Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 49
- 230000003862 health status Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009760 electrical discharge machining Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种稀疏自编码滚动轴承故障诊断方法,其具体包括以下步骤:S1、采集滚动轴承的各故障状态下的原始振动数据,通过压缩感知分别将每种振动数据进行线性投影,并将各故障类型线性投影后的压缩信号合并成多故障类型的低维压缩信号矩阵;S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵,形成轴承故障诊断的特征向量矩阵;S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练,进一步提取输入层到隐含层的权重作为特征矩阵;S4、将稀疏自动编码神经网络提取到的特征通过神经网络分类器进行分类,完成对滚动轴承的故障诊断分类。本发明降低了诊断复杂度,缩短了诊断时间,同时也保证了较高的诊断精度。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域,涉及一种基于压缩感知与小波包能量熵的稀疏自编码滚动轴承故障诊断方法。
背景技术
滚动轴承是装备制造业的关键基础件和重要的旋转零件,被人们称为机械的关节。它具有效率高,摩擦阻力小,润滑易实现等优点,在旋转机械上应用十分普遍。然而滚动轴承也是旋转机械中最易发生故障的一个部件,据统计,其在各类故障中占有很高的比例,约达30%。轴承振动信号是非平稳、非线性的,噪声在现代工业中是复杂多变的,用传统的诊断方法来准确、快速地识别轴承故障越来越困难。因此,采用适当的智能诊断方法快速、准确地识别和诊断轴承故障具有重要的现实意义。
近年来,随着信号处理技术和人工智能的飞速发展,许多智能诊断方法,如支持向量机、人工免疫、盲源分离、主成分分析(PCA)、证据理论和信息融合等,得到了广泛的应用。在旋转机械故障诊断中的应用越来越受到重视。基于智能诊断的旋转机械故障诊断方法一般分为特征提取和故障分类两个步骤。WidoDo等人发现利用支持向量机进行特征提取,可以获得较高的故障分类精度。雷等人提出利用改进的距离评估技术提取最优特征,利用自适应神经模糊推理系统(ANFI)对故障进行分类。许等人提取最优特征后,利用改进的模糊ARTMAP(IFAM)识别不同的故障类型。何等人利用相关向量机(RVM)方法,建立了多级轴承的智能故障诊断模型。王等人使用可能性理论和部分线性化神经网络(PNN)来识别故障。李等人提出利用蚁群优化(aco)和无量纲症状参数(nsps)对早期轴承故障进行检测和分类。基于经验模态分解(EMD)、改进的规则匹配策略(IRMS)和故障决策表(FDT),窦等人提出了一种便于移植的轴承故障诊断方法。基于小波包变换(WPT)和支持向量回归(SVR),沈等人建议使用距离评估技术(DET)来减小特征空间的尺寸。丛等人提出了基于奇异值分解(SVD)的滑动矩阵(SM)构造方法,用于轴承故障特征提取和脉冲智能检测。基于符号聚合近似(SAX)框架,Georgoulas等人提出了一种新的轴承智能故障诊断方法,通过振动信号和由此产生的特征向量检测轴承故障。张等人提出了基于支持向量机和蚁群算法的振动信号同步特性选择和参数优化。基于双树复小波包变换(DTCWPT)和多分类器融合,Qu等人对该方法进行了研究,提出了一种旋转机械复杂故障的智能诊断方法。贾等人发现通过深度神经网络(DNN)可以建立有用的信息,从原始数据和近似复杂非线性函数中挖掘有用的信息,用于旋转机械的智能故障诊断。
虽然旋转机械的智能诊断方法有很多种,但仍有一些问题需要解决。首先,特征选择在很大程度上取决于诊断专家的工程经验。其次,由于机械结构的复杂性和相关性,轴承的故障类型往往不仅表现为单一故障,而且表现为复合故障。因此,掌握智能诊断技术,有效地提取故障特征是十分必要的。同样,需要掌握故障分类算法,并将其与特征提取算法相结合,以智能、准确地诊断故障。第三,当敏感特征空间维度较高时,用智能诊断算法对旋转轴承故障进行诊断需要较长的时间。因此,寻找一种适合于敏感特征空间的降维算法是当务之急。
发明内容
针对现有技术的不足,本发明提供一种稀疏自编码滚动轴承故障诊断方法,其利用小波包能量熵,将经压缩感知压缩之后的机械振动信号转换成特征向量矩阵,以该特征向量矩阵作为输入层数据输入稀疏自动编码器中,网络通过无监督学习方式生成权值和阈值,使用带标签的数据输入网络,通过BP算法微调网络参数,之后将无标签的数据输入编码器,通过编码器进一步提取特征,并将编码器输出层的特征利用神经网络分类方法进行分类,实现故障诊断,该方法比传统的特征提取方法和标准深度学习方法更为有效,有效提高了轴承故障诊断的效率和准确率。
本发明是这样实现的:
一种稀疏自编码滚动轴承故障诊断方法,其具体包括以下步骤:
S1、采集滚动轴承正常健康状态以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障的振动数据,各自进行分割截取,构建数据样本集,通过压缩感知分别将数据样本集中每种振动数据进行线性投影,并将各线性投影后的低维压缩信号合并成多故障类型的低维压缩信号矩阵,具体为:
截取滚动轴承健康状态下的长度为N的振动信号,记为x,看作RN中N×1列向量,x∈RN在某个正交基Ψ上的变换系数是稀疏的或可压缩的,并且Ψ可以展开成一个标准正交基Ψ=[ψ1,ψ2,...,ψN],如下式:
其中,a是x序列的系数,
信号x在测量矩阵Φ∈RM×N(M<<N)进行线性投影得到线性压缩值y∈RM,y的维度为M×1,其中M=N×C,C表示压缩率,线性投影过程由下式表示:
y=Φx
选取随机高斯矩阵作为测量矩阵,即其中i=1…M,j=1…N;这个过程为信号的线性测量,得到的y为健康状态轴承振动信号经压缩采集的低维压缩值;
依次截取滚动轴承的轻微内环故障x1、严重内环故障x2、轻微外环故障x3、严重外环故障x4、轻微滚动体故障x5和严重滚动体故障x6的振动信号,并分别进行如上线性投影过程,得到各故障状态下的低维压缩信号分别表示为:y1、y2、y3、y4、y5、y6;
S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵,形成轴承故障诊断的特征向量矩阵,具体为:
先将低维压缩信号y和进行L层小波包分解得到小波包分解序列以及低维压缩信号的频带能量占比数组,利用MATLAB中确定小波包能量熵函数wppower,其调用格式为:H=wppower(Y,L),设置小波包分解层数为L,L为正整数,H是频带能量熵矩阵;
用健康状态的小波包能量熵H以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障状态的低维压缩信号yi(i=1…6)的小波包能量熵矩阵Hi(i=1…6)构成特征向量矩阵train_x;
依次截取滚动轴承健康状态X、轻微内环故障X1、严重内环故障X2、轻微外环故障X3、严重外环故障X4、轻微滚动体故障X5、严重滚动体故障X6的与步骤S1不同段但长度均为N的振动信号,重复步骤S1和步骤S2得到小波包能量熵矩阵h、hi(i=1…6)构成的特征向量矩阵test_x;
S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练,进一步提取输入层到隐含层的权重作为特征矩阵;
S4、将稀疏自动编码神经网络提取到的特征通过神经网络分类器进行分类,完成对滚动轴承的故障诊断分类。
优选地,步骤S3的具体步骤为:由步骤S2得到的轴承低维压缩信号的小波包能量熵特征向量矩阵train_x输入到稀疏自动编码器的深度神经网络,调节神经网络参数,使用稀疏自动编码器对train_x进行预训练,生成权值和阈值,实现深度神经网络权重初始化,然后使用带标签数据输入网络,利用BP算法以误差最小化为原则自上而下传输,对完成初始化的稀疏自动编码器实现整体微调,之后将无标签数据输入稀疏自动编码器,进一步提取输入层到隐含层的权重作为特征矩阵。
优选地,步骤S4的具体方法为:
S41、构建稀疏自动编码器,所述稀疏自动编码器为加入了惩罚因子的自动编码器,所述惩罚因子为
其中,c为隐藏层神经元的数目,p为稀疏性参数,为隐层单元节点的平均激活值,
上述表达式也能表述为
式中,是一个以p为均值和为均值的两个伯努利随机变量之间的相对熵,其有如下性质,当时,相对熵为0,当p和差距增大时,相对熵单调递增,所以通过最小化相对熵来达到稀疏限制的目的。
S42、设置滚动轴承健康状态、内环故障、外环故障以及滚动体故障四种工作状态的标签向量,稀疏自编码神经网络的输入为轴承低维压缩信号的小波包能量熵特征矩阵train_x,输出为滚动轴承四种工作状态的标签向量以及诊断准确率,其中(1,0,0,0)对应健康状态,(0,1,0,0)对应内环故障,(0,0,1,0)对应外环故障,(0,0,0,1)对应滚动体故障;
S43、将滚动轴承轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障七种状态的特征向量矩阵train_x作为输入,将相应的标签向量作为目标矩阵,对稀疏自编码神经网络进行训练,调节稀疏自编码神经网络的各个参数,以得到最高的诊断准确率,保存训练好的神经网络作为识别网络模型,待诊断的轴承振动数据在经过压缩感知的线性投影和确定小波包能量熵特征向量矩阵之后得到test_x,输入到稀疏自编码神经网络模型内进行诊断分类。
与现有技术相比,本发明具有以下有益效果:
本发明的稀疏自编码滚动轴承故障诊断方法,首先,使用压缩感知线性投影,降低数据维度;其次,利用小波包能量熵对低维数据进行特征提取,进一步提取数据的深层特征,只需处理压缩后的低维数据,缩短处理数量的时间和效率,大大提高了振动信号特征提取的质量,而且使故障诊断变得更快、更有效。最后,将稀疏惩罚项加入到自动编码器中,利用稀疏自动编码器实现高级特征学习和故障诊断,最终实现故障的分类,完成对滚动轴承的故障诊断。本发明降低了分类的诊断复杂度,缩短了诊断时间,同时也保证了较高的诊断精度。
附图说明
图1是本发明的稀疏自编码滚动轴承故障诊断方法进行故障诊断的流程图;
图2是压缩感知线性投影数据降维示意图;
图3是自动编码器的结构示意图;
图4是2马力下12kHz滚动轴承7种状态下的故障信号;
图5a是隐层节点数对诊断准确率和诊断时间的影响;
图5b是学习率对诊断准确率和诊断时间的影响;
图6a是诊断次数变化对诊断准确率、诊断时间的影响;
图6b是诊断次数变化对诊断准确率、诊断率方差的影响。
具体实施方式
以下将结合附图详细说明本发明的示例性实施例、特征和性能方面。
如图1所示,本发明提供一种稀疏自编码滚动轴承故障诊断方法,其具体包括以下步骤:
S1、采集滚动轴承正常健康状态以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障,各自进行分割截取,构建数据样本集,通过压缩感知分别将数据样本集中每种振动数据进行线性投影,并将各线性投影后的低维压缩信号合并成多故障类型的低维压缩信号矩阵:
截取滚动轴承健康状态下的长度为N的振动信号,记为x,看作RN中N×1列向量,x∈RN在某个正交基Ψ上的变换系数是稀疏的或可压缩的,并且Ψ可以展开成一个标准正交基Ψ=[ψ1,ψ2,...,ψN],如下式:
其中,a是x序列的系数
信号x在测量矩阵Φ∈RM×N(M<<N)进行线性投影得到压缩信号y∈RM,y的维度为M×1,其中M=N×C,C表示压缩率,线性投影过程由下式表示:
y=Φx
本方法选取随机高斯矩阵作为测量矩阵,即其中i=1…M,j=1…N;这个过程为信号的线性测量,得到的y为健康状态轴承振动信号经压缩采集的低维压缩值;
依次截取滚动轴承的轻微内环故障x1、严重内环故障x2、轻微外环故障x3、严重外环故障x4、轻微滚动体故障x5和严重滚动体故障x6的振动信号,并分别进行如上线性投影过程,得到各故障状态下的低维压缩信号分别表示为:y1、y2、y3、y4、y5、y6。
S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵,形成轴承故障诊断的特征向量矩阵:
先将低维压缩信号y和进行L层小波包分解得到小波包分解序列以及低维压缩信号的频带能量占比数组。利用MATLAB中求取小波包能量熵函数wppower,其调用格式为H=wppower(Y,L),设置小波包分解层数为L,L为正整数,H是频带能量熵矩阵。用健康状态的小波包能量熵H以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障状态的低维压缩信号yi(i=1…6)的小波包能量熵矩阵Hi(i=1…6)构成特征向量矩阵train_x;依次再截取滚动轴承健康状态X、轻微内环故障X1、严重内环故障X2、轻微外环故障X3、严重外环故障X4、轻微滚动体故障X5、严重滚动体故障X6的与步骤S1不同段但长度均为N的振动信号,重复步骤S1和步骤S2得到小波包能量熵矩阵h、hi(i=1…6)构成的特征向量矩阵test_x。
S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练,进一步提取输入层到隐含层的权重作为特征矩阵:
由步骤S2得到的轴承低维压缩信号的小波包能量熵矩阵train_x输入到稀疏自动编码器的深度神经网络,调节神经网络参数,使用稀疏自动编码器对train_x进行预训练,生成权值和阈值,实现深度神经网络权重初始化,然后使用带标签数据输入网络,利用BP算法以误差最小化为原则自上而下传输,对完成初始化的稀疏自动编码器实现整体微调,之后将无标签数据输入稀疏自动编码器,通过稀疏自动编码器进一步提取特征。
S4、将稀疏自动编码神经网络提取到的特征通过神经网络分类器进行分类,完成对滚动轴承的故障诊断分类:
S41、构建稀疏自动编码器,稀疏自动编码器为加入了惩罚因子的自动编码器,自动编码器的结构如图3所示,惩罚因子为
其中,c为隐藏层神经元的数目,p为稀疏性参数,为隐层单元节点的平均激活值,
上述表达式也可以表述为
式中,是一个以p为均值和为均值的两个伯努利随机变量之间的相对熵,其有如下性质,当时,相对熵为0,当p和差距增大时,相对熵单调递增,所以通过最小化相对熵来达到稀疏限制的目的。
S42、设置轴承健康状态、内环故障、外环故障以及滚动体故障四种工作状态的标签向量,稀疏自编码神经网络的输入为轴承低维压缩信号的小波包能量熵特征向量矩阵train_x,输出为滚动轴承四种工作状态的标签向量,以及诊断准确率,其中(1,0,0,0)对应健康状态,(0,1,0,0)对应内环故障,(0,0,1,0)对应外环故障,(0,0,0,1)对应滚动体故障。当输入包含七种状态的train_x进行预训练时,不论轴承故障状态是故障特征不太明显的轻微故障状态(轻微内环故障、轻微外环故障、轻微滚动体故障),还是故障特征相对明显的严重故障状态(严重内环故障、严重外环故障、严重滚动体故障),本方法可以准确的将其的故障类型进行诊断分类。
S43、将滚动轴承轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障七种状态的特征向量矩阵train_x作为输入,将相应的标签向量作为目标矩阵,对稀疏自编码神经网络进行训练,调节稀疏自编码神经网络的各个参数,以得到最高的诊断准确率,保存训练好的神经网络作为识别网络模型。待诊断的轴承振动数据在经过压缩感知的线性投影和确定小波包能量熵特征向量矩阵之后得到test_x,输入到稀疏自编码神经网络模型内进行诊断分类。
优选地,故障直径小于0.007英寸为轻微故障,故障直径在0.007英寸与0.021英寸之间的为严重故障。
以美国某大学轴承数据为例,说明基于压缩感知和小波包能量熵的稀疏自编码滚动轴承故障诊断方法。
(1)试验数据
选取美国某大学的实验平台数据,该实验平台包括一个2马力的电机、一个转矩传感器、一个功率计和电子控制设备。被测试轴承支承电机轴。使用电火花加工技术在轴承上布置了单点故障,故障直径分别为0.007英寸、0.014英寸、0.021英寸、0.028英寸和0.040英寸。共采集了正常轴承、单点驱动端和风扇端故障的数据。现选取2马力下12kHz频率的正常轴承、单点驱动端和风扇端故障以及48kHz频率的驱动端数据进行方法可行性测试。故障类型分别为内环故障、外环故障、滚动体故障。故障直径选取0.007英寸和0.021英寸。选取的数据如图5所示。
(2)原始数据压缩得到低维观测矩阵
对(1)中选取的样本为例,取正常信号(N)、内环故障信号(IF)、滚动体故障信号(RF)、外环故障信号(OF)四种故障信号,分别取故障直径为0.007英寸和0.021英寸。每种信号取24个样本,每个样本在安全区选取2400个数据点,组成训练组(TR)和测试组(TE)样本数据源。训练组和测试组的样本数据源为2400×84的数据集。设置样本压缩率(CR)为70%,取高斯随机矩阵作为测量矩阵,将测量矩阵Φ分别与训练组(TR)样本数据源和测试组(TE)样本数据源根据步骤S1线性投影得到训练组和测试组的低维压缩信号矩阵Y和YY,维度均为1680×84。与原数据相比降低了数据传输的工作量。
(3)小波包能量熵进一步提取敏感特征
上一步得到了维度均为1680×84的训练组和测试组的低维压缩信号矩阵Y和YY,相比原数据来说,虽然是经过压缩的低维压缩信号矩阵,数据维度降低了很多,但是当需要使用分类器进行故障分类时数据量越大,所需的时间就越久。这个时候降低特征参量的数据维度就显得特别重要。但是与此矛盾的是,数据维度降低,包含数据有用信息的难度就会变大,因此找到一种能提取冗长数据有用信息的方法显得更加重要。本方法通过求取低维压缩信号矩阵的小波包能量熵函数来提取低维压缩信号矩阵Y和YY中的有用信息,对维度均为1680×84的训练组和测试组的低维压缩信号矩阵Y和YY分别通过MATLAB调用小波包能量熵函数wppower进行5层的小波包能量熵求解,得到维度仅为32×84的小波包能量熵矩阵,分别为train_x和test_x,通过低维压缩信号矩阵的小波包能量熵矩阵作为特征矩阵,故障信号能够被更快将数据进行识别与分类。
(4)稀疏自动编码神经网络诊断分类轴承故障
上一步得到了维度仅有32×84的特征矩阵,分别为小波包能量熵特征向量矩阵train_x和test_x,将其输入到稀疏自动编码器神经网络中,对现有的信号集合进行故障的识别与分类。稀疏自动编码器神经网络层数选择4层,分别为输入层、输出层和两个隐藏层。因为数据样本的维度为84,所以选取输入神经元个数为84,隐藏层和输出层个数分别为35、35、4,所以构建的SAE模型为84-35-35-4,在经过一系列的实验对比之后,参数配置如下表:
表1改变学习率的15次诊断平均诊断准确率
表2改变隐层节点数的15次诊断平均诊断准确率
图5a是隐层节点数对诊断准确率和诊断时间的影响,图5b是学习率对诊断准确率和诊断时间的影响;通过对比学习率与隐层节点数改变的情况下,每个参数改变时记录15次诊断结果的平均值和诊断时间,可以看出诊断准确率有很大的差异。图6a是诊断次数变化对诊断准确率、诊断时间的影响,可以发现在诊断次数从5变化到50次时,诊断准确率基本是呈上升趋势的,但是基本准确率都在90%以上,而诊断时间也随次数的增加而增加。图6b是诊断次数变化对诊断准确率、诊断率方差的影响。可以根据自己对准确率以及诊断稳定性的需求选择合适的诊断次数。
可以看出在其他参数不变的情况下,当学习率为2时诊断的准确率最高,在学习率大于2之后的实验准确率逐渐变低,甚至在学习率为5时,准确率只有57.5%。因此学习率配置为2。当改变隐层节点数的情况下,诊断率的变化也比较明显,规律性也不那么明显,但经过实验对比,在隐层节点数设置为35时诊断准确率最高。由此可设置参数如下表:
表3稀疏自动编码器神经网络参数设置
参数名称 | 参数设置 | 参数名称 | 参数设置 |
隐含层激活函数 | sigm | L2范数约束项 | 0 |
学习率变化因子 | 2 | 非稀疏惩罚 | 0.05 |
权值动量因子 | 0.5 | 稀疏目标值 | 0.05 |
Dropout Fraction | 0.005 |
(5)实验结果分析与其他方法诊断结果对比
通过小波包能量熵函数对低维压缩信号矩阵的处理,得到维度很低的特征矩阵向量,在不影响诊断准确率的前提下,使得自动编码器的分类检测任务降低计算量,使得诊断时间大大降低,诊断效率大大提升。原本需要处理的数据节点是在720-200-60-7,因为构建的神经网络超级复杂,所需要的时间和对设备的要求就会很高。但是,小波包能量熵函数会使特征信息集中到84×32的数据序列中,在将数据输入到稀疏自动编码神经网络时,能够大大降低神经网络的训练和测试时间,但与此同时并不会降低故障诊断准确率。此外,对比之前利用各参数(峭度因子、方差、波形因子等)计算整合特征向量,本方法只需求取低维压缩信号矩阵的小波包能量熵矩阵即可对故障类型准确识别,故障诊断准确率不仅能达到应用PSO-SVM算法所达到的95.83%,本方法的故障诊断率更是可以达到98.5417%,少数情况诊断准确率可高达100%。由此可以得出结论,此方法可以应用于轴承故障诊断。
对比1:直接将各种故障类型的轴承信号输入到神经网络中去,不经过压缩感知,诊断时间会极其的长而且会有较大的波动,诊断准确率无法保证。
对比2:使用压缩感知得到的低维压缩信号矩阵直接输入到神经网络中,不使用小波包能量熵函数处理低维数据,实验15次平均诊断率虽然能达到97%,但是15次诊断时间长达170s。
对比3:对比现有的利用低维观测站进行特征提取,提取各参数(峭度因子、方差、波形因子等)之后再利用敏感特征参量,应用PSO-SVM算法计算故障识别率也只是达到95.83%。
本发明的方法在使用时,实验15次平均诊断率可达到98.5417%,同时,诊断时间只需41s。不仅不需要再提取多个敏感特征参量,降低复杂度,而且可利用相对智能的方法进行诊断与分析,提高可操作性,有利于模块化应用。现将本方法的优点在下表表4中对比:
由表4容易发现,方法1和方法2诊断所需要样本很多,方法1诊断过程所耗时间太久,而方法2虽在诊断时间上做出了改善,但是所需样本数量还是偏多,而方法3虽然只需要少量样本,但是需要经过大量分析进行提取敏感特征参量,准确率也只能达到95.83%。对比之下本发明的方法除了只需要有限样本之外就能提取有用的信号特征之外,求取低维压缩信号矩阵的小波包能量熵矩阵还可以简化神经网络训练以及测试的时间和复杂度,并且获得稳定的诊断结果以及相对高的准确率。这在现实诊断故障的过程中会大大节省时间。在只有少量样本的时候就可以准确进行故障的识别与诊断,可以对轴承故障更加及时的发现进而作出相应的措施,减少因轴承故障而带来的损失。
表4三种现有方法与本发明的方法对比
综上,本发明通过步骤S1先对原始振动信号进行线性投影,把信号变成低维线性投影矩阵,再利用步骤S2对低维压缩信号矩阵求取小波包能量熵矩阵并将其作为特征矩阵,不仅大大降低了数据的维度,也为后续故障诊断降低了计算量。最后,利用稀疏自动编码器神经网络对其进行分类,降低了分类的诊断复杂度,缩短了诊断时间,同时也保证了较高的诊断精度。
最后应说明的是:以上所述的各实施例仅用于说明本发明技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种稀疏自编码滚动轴承故障诊断方法,其特征在于:其具体包括以下步骤:
S1、采集滚动轴承健康状态以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障的振动数据,各自进行分割截取,构建数据样本集,通过压缩感知分别将数据样本集中每种振动数据进行线性投影,并将各线性投影后的低维压缩信号合并成多故障类型的低维压缩信号矩阵,具体为:
截取滚动轴承健康状态下的长度为N的振动信号,记为x,看作RN中N×1列向量,x∈RN在某个正交基Ψ上的变换系数是稀疏的或可压缩的,并且Ψ可以展开成一个标准正交基Ψ=[ψ1,ψ2,...,ψN],如下式:
其中,a是x序列的系数,
信号x在测量矩阵Φ∈RM×N(M<<N)进行线性投影得到线性压缩值y∈RM,y的维度为M×1,其中M=N×C,C表示压缩率,线性投影过程由下式表示:
y=Φx
选取随机高斯矩阵作为测量矩阵,其中i=1…M,j=1…N,这个过程为信号的线性测量,得到的y为健康状态轴承振动信号经压缩采集的低维压缩值;
依次截取滚动轴承的轻微内环故障x1、严重内环故障x2、轻微外环故障x3、严重外环故障x4、轻微滚动体故障x5和严重滚动体故障x6的振动信号,并分别进行如上线性投影过程,得到各故障状态下的低维压缩信号分别表示为:y1、y2、y3、y4、y5、y6;
S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵,形成轴承故障诊断的特征向量矩阵,具体为:
先将低维压缩信号y和进行L层小波包分解得到小波包分解序列以及低维压缩信号的频带能量占比数组,利用MATLAB中确定小波包能量熵函数wppower,其调用格式为:H=wppower(Y,L),设置小波包分解层数为L,L为正整数,H是频带能量熵矩阵;
用健康状态的小波包能量熵H以及轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障状态的低维压缩信号yi(i=1…6)的小波包能量熵矩阵Hi(i=1…6)构成特征向量矩阵train_x;
依次截取滚动轴承健康状态X、轻微内环故障X1、严重内环故障X2、轻微外环故障X3、严重外环故障X4、轻微滚动体故障X5、严重滚动体故障X6的与步骤S1不同段但长度均为N的振动信号,重复步骤S1和步骤S2得到小波包能量熵矩阵h、hi(i=1…6)构成的特征向量矩阵test_x;
S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练,进一步提取输入层到隐含层的权重作为特征矩阵;
S4、将稀疏自动编码神经网络提取到的特征通过神经网络分类器进行分类,完成对滚动轴承的故障诊断分类。
2.根据权利要求1所述的稀疏自编码滚动轴承故障诊断方法,其特征在于:步骤S3的具体步骤为:由步骤S2得到的轴承低维压缩信号的小波包能量熵特征向量矩阵train_x输入到稀疏自动编码器的深度神经网络,调节神经网络参数,使用稀疏自动编码器对train_x进行预训练,生成权值和阈值,实现深度神经网络权重初始化,然后使用带标签数据输入网络,利用BP算法以误差最小化为原则自上而下传输,对完成初始化的稀疏自动编码器实现整体微调,之后将无标签数据输入稀疏自动编码器,进一步提取输入层到隐含层的权重作为特征矩阵。
3.根据权利要求2所述的稀疏自编码滚动轴承故障诊断方法,其特征在于:步骤S2确定稀疏矩阵的小波包能量熵,形成轴承故障诊断的特征向量矩阵的具体方法为:步骤S4的具体方法为:
S41、构建稀疏自动编码器,所述稀疏自动编码器为加入了惩罚因子的自动编码器,所述惩罚因子为
其中,c为隐藏层神经元的数目,p为稀疏性参数,为隐层单元节点的平均激活值,
上述表达式也能表述为
式中,是一个以p为均值和为均值的两个伯努利随机变量之间的相对熵,其有如下性质,当时,相对熵为0,当p和差距增大时,相对熵单调递增,所以通过最小化相对熵来达到稀疏限制的目的;
S42、设置滚动轴承健康状态、内环故障、外环故障以及滚动体故障四种工作状态的标签向量,稀疏自编码神经网络的输入为轴承低维压缩信号的小波包能量熵特征矩阵train_x,输出为滚动轴承四种工作状态的标签向量以及诊断准确率,其中(1,0,0,0)对应健康状态,(0,1,0,0)对应内环故障,(0,0,1,0)对应外环故障,(0,0,0,1)对应滚动体故障;
S43、将滚动轴承健康状态、轻微内环故障、严重内环故障、轻微外环故障、严重外环故障、轻微滚动体故障和严重滚动体故障七种状态的特征向量矩阵train_x作为输入,将相应的标签向量作为目标矩阵,对稀疏自编码神经网络进行训练,调节稀疏自编码神经网络的各个参数,以得到最高的诊断准确率,保存训练好的神经网络作为识别网络模型,待诊断的轴承振动数据在经过压缩感知的线性投影和确定小波包能量熵特征向量矩阵之后得到test_x,输入到稀疏自编码神经网络模型内进行诊断分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536120.6A CN110346141B (zh) | 2019-06-20 | 2019-06-20 | 稀疏自编码滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536120.6A CN110346141B (zh) | 2019-06-20 | 2019-06-20 | 稀疏自编码滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110346141A true CN110346141A (zh) | 2019-10-18 |
CN110346141B CN110346141B (zh) | 2020-11-27 |
Family
ID=68182448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536120.6A Expired - Fee Related CN110346141B (zh) | 2019-06-20 | 2019-06-20 | 稀疏自编码滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110346141B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN111062349A (zh) * | 2019-12-23 | 2020-04-24 | 燕山大学 | 一种轴承故障特征增强方法及系统 |
CN111238816A (zh) * | 2020-03-06 | 2020-06-05 | 中原工学院 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
CN112945552A (zh) * | 2021-02-04 | 2021-06-11 | 常州大学 | 一种基于变节点双隐层极限学习机的齿轮故障诊断方法 |
CN113158366A (zh) * | 2021-04-14 | 2021-07-23 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113607451A (zh) * | 2021-08-02 | 2021-11-05 | 中国石油化工股份有限公司 | 一种移动床反应器故障诊断方法 |
CN113641684A (zh) * | 2021-10-18 | 2021-11-12 | 上海英哈科技有限公司 | 物联网大数据处理装置及方法 |
CN114034381A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种基于小波信息熵的配电变压器振动提取方法及系统 |
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN109142976A (zh) * | 2018-09-10 | 2019-01-04 | 国网辽宁省电力有限公司电力科学研究院 | 电缆故障检测方法及装置 |
-
2019
- 2019-06-20 CN CN201910536120.6A patent/CN110346141B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN109142976A (zh) * | 2018-09-10 | 2019-01-04 | 国网辽宁省电力有限公司电力科学研究院 | 电缆故障检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
张人敬: ""基于深度神经网络的车间生产异常发现与分析方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
谢李晋: ""基于压缩感知的通信信号识别技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN110849626B (zh) * | 2019-11-18 | 2022-06-07 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN111062349A (zh) * | 2019-12-23 | 2020-04-24 | 燕山大学 | 一种轴承故障特征增强方法及系统 |
CN111062349B (zh) * | 2019-12-23 | 2023-04-18 | 燕山大学 | 一种轴承故障特征增强方法及系统 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN111238816B (zh) * | 2020-03-06 | 2021-10-22 | 中原工学院 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
CN111238816A (zh) * | 2020-03-06 | 2020-06-05 | 中原工学院 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
CN112945552A (zh) * | 2021-02-04 | 2021-06-11 | 常州大学 | 一种基于变节点双隐层极限学习机的齿轮故障诊断方法 |
CN113158366A (zh) * | 2021-04-14 | 2021-07-23 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113158366B (zh) * | 2021-04-14 | 2022-10-21 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113607451A (zh) * | 2021-08-02 | 2021-11-05 | 中国石油化工股份有限公司 | 一种移动床反应器故障诊断方法 |
CN113641684A (zh) * | 2021-10-18 | 2021-11-12 | 上海英哈科技有限公司 | 物联网大数据处理装置及方法 |
CN113641684B (zh) * | 2021-10-18 | 2022-01-25 | 上海英哈科技有限公司 | 物联网大数据处理装置及方法 |
CN114034381A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种基于小波信息熵的配电变压器振动提取方法及系统 |
CN114034381B (zh) * | 2021-11-12 | 2023-10-10 | 广东电网有限责任公司江门供电局 | 一种基于小波信息熵的配电变压器振动提取方法及系统 |
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110346141B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346141A (zh) | 稀疏自编码滚动轴承故障诊断方法 | |
Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
Zhao et al. | Fault diagnosis of rolling bearing based on feature reduction with global-local margin Fisher analysis | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
Duan et al. | Deep learning enabled intelligent fault diagnosis: Overview and applications | |
Cheng et al. | Application of SVM and SVD technique based on EMD to the fault diagnosis of the rotating machinery | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
Hu et al. | A novel fault diagnosis technique for wind turbine gearbox | |
CN107368809A (zh) | 一种基于稀疏表示和字典学习的轴承故障分类方法 | |
Li et al. | Weak fault diagnosis of rotating machinery based on feature reduction with Supervised Orthogonal Local Fisher Discriminant Analysis | |
CN107657088A (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN102854015A (zh) | 一种滚动轴承故障位置及性能退化程度诊断方法 | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN105865784A (zh) | 基于局部均值分解和灰色关联的滚动轴承检测方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN113155462A (zh) | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 | |
Guo et al. | A method of rolling bearing fault diagnose based on double sparse dictionary and deep belief network | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Han et al. | Fault diagnosis of rolling bearing with uneven data distribution based on continuous wavelet transform and deep convolution generated adversarial network | |
Zhang et al. | Discriminative sparse autoencoder for gearbox fault diagnosis toward complex vibration signals | |
AU2021102131A4 (en) | Fault diagnosis method of rolling bearing based on generalized composite multi-scale weighted permutation entropy and supervised isometric mapping | |
Chang et al. | Intelligent fault diagnosis scheme via multi-module supervised-learning network with essential features capture-regulation strategy |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210319 Address after: 066004 room b337, science and technology building, 112 qinhuangxi street, Qinhuangdao Economic and Technological Development Zone, Hebei Province Patentee after: Qinhuangdao Dongchen Technology Co.,Ltd. Address before: 066004 No. 438 west section of Hebei Avenue, seaport District, Hebei, Qinhuangdao Patentee before: Yanshan University |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201127 |