CN110375987A - 一种基于深度森林机械轴承故障检测方法 - Google Patents

Abstract

本发明涉及一种基于深度森林机械轴承故障检测方法，属于故障检测技术领域。首先，将采集到的正常轴承数据和多种故障轴承数据根据振动频率f分别进行多粒度采样策略进行分组，得到N组采样数据，再将N组采样数据分别进行特征提取，得到N组特征向量X_s，然后将N组特征向量X_s分别打上标签，再进行整合，得到整个数据的特征向量X，最后，将特征向量X输入到深度森林，构建级联结构，得到训练模型。本发明基于深度森林模型提出了多粒度分组提取特征方法，有效地扩大训练数据集，防止特征提取时的信息丢失现象，该方法不仅在机械轴承故障上具有较好的应用性，还可以应用于其他类型的机械故障诊断中。

Description

一种基于深度森林机械轴承故障检测方法

技术领域

本发明涉及一种基于深度森林机械轴承故障检测方法，属于故障检测技术领域。

背景技术

轴承、齿轮箱等在运动和传递扭矩传递机器的工业中发挥着重要作用，它们在多个领域，例如航空、航天、汽车、电力、风力涡轮机等都有应用。作为机器的核心部 件，因为长期处在高速运转的工作环境下，导致轴承很容易产生损坏，一旦发生故障， 对于公司不管是时间还是成本的损失都是巨大的。对复杂系统来说，早期发现故障问 题是至关重要的，采取补救措施以避免危险情况的发生可以节省宝贵的时间和成本。 工业制造与互联网之间的融合越来越紧密，而机械故障的诊断方法对现代工业系统的 可靠性和安全性起着重要的作用。人工智能技术作为一种新兴的工业应用领域和故障 识别的有效解决方案，都受到了学术界和工业界的重视。造成轴承故障的原因有多种 原因，轴承信号的采集也是多样的，采集到的故障信号也存在不确定性。若对原始信 号直接进行特征提取会带来特征以外的信息缺失问题，对于这种问题，采用传统的方 法，不仅会造成信息丢失和浪费问题，而且数据量不够的情况下也会造成分类器的过 拟合等问题。

发明内容

本发明要解决的技术问题是针对上述问题，提出一种基于深度森林轴承故障诊断方法，在对原始轴承信号根据振动频率进行多粒度分组并提取特征向量整合后作为深 度森林的输入，训练并得到诊断模型。同时，该方法可操作性强，实用性强，不仅在 对轴承故障上具有较好的应用性，而且可以应用于其他类型的机械故障诊断中。

本发明的技术方案是：一种基于深度森林机械轴承故障检测方法，首先，将采集到的正常轴承数据和多种故障轴承数据根据振动频率f分别进行多粒度采样策略进行 分组，得到N组采样数据，再将N组采样数据分别进行特征提取，得到N组特征向量X_s， 然后将N组特征向量X_s分别打上标签，再进行整合，得到整个数据的特征向量X，最后， 将特征向量X输入到深度森林，构建级联结构，得到训练模型。

具体步骤为：

Step1：将采集到的正常轴承数据和多种故障轴承数据根据振动频率f分别进行多粒度采样策略进行分组；

具体为：每隔Δt进行一次信号x_i的采样，得到信号x_i的具有信号周期的数据样本，共M条，再将采集到的M条数据根据振动频率f，按照多粒度采样策略f，2f，3f，…，nf进 行分组，得到共N组采样数据；

Step2：将Step1中得到的N组采样数据分别进行特征提取，得到N组数据的特征向量X_s(s＝1，2，3，...，N)；

Step3：将N组特征向量X_s分别打上标签，再进行整合，得到整个数据的特征向量X；

Step4：将特征向量X输入到深度森林，构建级联结构，具体为：

Step4.1：构建两个完全随机森林Forest1和两个普通随机森林Forest2，每一个完全 随机森林Forest1包含m个完全随机的决策树，随机选择一个特征在树的每个节点上进行分割，并生长树直到每个节点只包含相同的类；同样，每一个普通随机森林Forest2 包含m个决策树，随机选择个特征作为候选，k为输入的特征数，并计算信息增益， 选择信息增益最大的一个特征进行生长树，Forest1和Forest2输出的结果是类分布向量 I。每个森林的输出结果为估计的类分布，通过计算森林中相关实例在每棵树的叶子节 点的比例，最后平均所有相同森林。

Step4.2：将Step 4.1中估计的类分布形成一个类向量I，然后与原始特征向量X进行 拼接，输入到下一个级联层中；例如，现有四分类问题，那么四个森林中的每一个都 会产生一个四维的类向量I；因此，级联的下一层将接收4×4＝16个增强特征。

Step4.3：为减少过拟合的风险，每个森林生成的类向量I由K折交叉验证(K-foldCross Validation)生成；这样做的一个好处是当验证集验证该级联的时候发现分类的精度不再上升的时候就停止训练，也保证了级联结构的自适应性。

Step4.4：深度森林中的基学习器随机森林Forest1和Forest2的结果采用投票的方法， 投票的方法定义两个元素i和j之间的贴近度函数prox(·，·)，也就是随机森林模型中同 时将i和j分类为同一类的树的比例，即：

其中，是指标函数，h_t是森林中的第t个树，h_t(i)是i的预测值，若所有的树在同一类中对i和j进行分类，则prox(i，j)＝1；

Step4.5：使用信息增益对于Forest1和Forest2的树节点进行划分，具体为：信息增益是分类模型的常用的特征选择方法，它是对计算每个特征提供的关于类的信息量 进行排序。设数据集D＝(x，y)，其中x＝(x₁，...，x_k)是样本特征集合，y是相应的类 标签，对于整个数据的特征向量X的第i个特征，采用训练集D的熵与x_i的D个固定值的 子集的熵的加权平均值之间的差异对于Forest1和Forest2的树节点进行划分，信息增 益函数Gain(·|·)由以下的式子定义：

Gain(D|i)＝H(D)-H(D|i) (2)

其中，

D_{y＝c}＝{(x，y)∈D|y＝c} (6)

其中，P_i(D)是D中x_i所占的比例，C是可能的类标签；

Step5：采用Step4中构建的级联结构对特征向量X进行故障分类，具体过程如下：

Step5.1：将多粒度分组并提取特征的整个数据集按照3：1的比例建立训练集和测试集；

Step5.2：若训练集和测试集特征值是数值型则，将它们归一化，若是字符型或者字符串型，则将它们进行独热编码；

Step5.3：在级联结构的每一个步骤中使用K折交叉检验，使其自动适应深度森林的层数，K可以自己定义。

Step5.4：输入训练集得到训练模型；

Step5.5：将测试集送入训练模型，得到测试结果。

本发明的有益效果是：本发明利用多粒度分组方法对数据进行分割整合，较好的包容了轴承故障诊断中存在的样本数量小等问题，也防止了特征提取时信息丢失的现 象。本发明提出的多粒度分组提取出来的特征向量作为后续诊断的特征不仅可以增加 诊断的精度而且可以降低因为源数据集过大造成的诊断时间过长的问题。

附图说明

图1是本发明的流程示意图；

图2是本发明源数据多粒度分组采样操作示意图；

图3是本发明对分组后的数据进行特征提取示意图；

图4是本发明分组后提取特征的数据进行整合示意图；

图5是本发明级联结构的构建示意图；

图6是本发明生成类概率分布向量示意图；

图7是本发明的故障诊断的整个流程图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

实施例1：一种基于深度森林的机械轴承故障诊断方法按照下面步骤进行：

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。轴承用电火花加工单点损伤，损伤直径分为0.007，0.014和0.021英寸。 电动机风扇端和驱动端的轴承座上方各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，驱动 端轴承故障还包含采样频率为48kHz的数据。功率和转速通过扭矩传感器测得。

Step1如图2-图4所示，分别选取正常和轴承各种故障情况下的信号各480000个采样点、360000采样点和120000采样点，利用MATLAB软件对原始正常和故障数据 按照f，2f，3f，即12000，24000，36000多个粒度进行采样分组，得到共146组，再将 这146组分别提取每一组数据的提取特征，在提取特征方面，可采用峭度 和歪度(其中n为数据量，x_i为采集到的数据，为 采集到数据的均值，x_rms是均方根)等作为每组数据的特征。提取特征后再将他们的 特征值整合在一起，作为级联结构的输入。

Step3如图4-图6所示，将步骤2的特征向量输入，构造出级联结构并训练模型， 级联结构构建如图5所示。每一层的级联结构而每一层的级联结构都是决策树集成的 集成，通过加入两种不同类型的随机森林来体现出集成的多样性，集成学习中基学习 器的多样性对于整个模型的学习和建设是至关重要的。级联结构使用了两个完全随机 森林和两个普通随机森林，而每一个完全随机森林包含500个完全随机的决策树，随 机选择一个特征在树的每个节点上进行分割，并生长树直到每个节点只包含相同的类； 同样，每一个普通随机森林包含500个决策树，随机选择个特征作为候选，k为输入 的特征数，并计算信息增益，选择信息增益最大的一个特征进行生长树。如图6所示， 每个森林的输出结果为估计的类分布，通过计算森林中相关实例在每棵树的叶子节点 的比例，最后平均所有相同森林。估计的类分布形成一个类向量，然后与原始向量进 行拼接，输入到下一个级联层中。假设现有四分类问题，那么四个森林中的每一个都 会产生一个四维的类向量；因此，级联的下一层将接收4×4＝16个增强特征。为减少 过拟合的风险，每个森林生成的类向量由K折交叉验证(K-fold Cross Validation)生成。 这样做的一个好处是当验证集验证该级联的时候发现分类的精度不再上升的时候就停 止训练，也保证了级联结构的自适应性。

Step4将提取出的特征值2/3用于深度森林的训练数据，1/3用于模型建立后的故障识别，诊断结果表明诊断精度可以达到99.69％，突显出本发明采用分组提取故障特 征和深度森林算法故障诊断的方法有效性。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨 的前提下作出各种变化。

Claims (2)

1.一种基于深度森林机械轴承故障检测方法，其特征在于：首先，将采集到的正常轴承数据和多种故障轴承数据根据振动频率f分别进行多粒度采样策略进行分组，得到N组采样数据，再将N组采样数据分别进行特征提取，得到N组特征向量X_s，然后将N组特征向量X_s分别打上标签，再进行整合，得到整个数据的特征向量X，最后，将特征向量X输入到深度森林，构建级联结构，得到训练模型。

2.根据权利要求1所述的基于深度森林机械轴承故障检测方法，其特征在于具体步骤为：

Step1：将采集到的正常轴承数据和多种故障轴承数据根据振动频率f分别进行多粒度采样策略进行分组；

具体为：每隔Δt进行一次信号x_i的采样，得到信号x_i的具有信号周期的数据样本，共M条，再将采集到的M条数据根据振动频率f，按照多粒度采样策略f,2f,3f,…,nf进行分组，得到共N组采样数据；

Step2：将Step1中得到的N组采样数据分别进行特征提取，得到N组数据的特征向量X_s(s＝1,2,3,...,N)；

Step3：将N组特征向量X_s分别打上标签，再进行整合，得到整个数据的特征向量X；

Step4：将特征向量X输入到深度森林，构建级联结构，具体为：

Step4.1：构建两个完全随机森林Forest1和两个普通随机森林Forest2，每一个完全随机森林Forest1包含m个完全随机的决策树，随机选择一个特征在树的每个节点上进行分割，并生长树直到每个节点只包含相同的类；同样，每一个普通随机森林Forest2包含m个决策树，随机选择个特征作为候选，k为输入的特征数，并计算信息增益，选择信息增益最大的一个特征进行生长树，Forest1和Forest2输出的结果是类分布向量I；

Step4.2：将Step4.1中估计的类分布形成一个类向量I，然后与原始特征向量X进行拼接，输入到下一个级联层中；

Step4.3：每个森林生成的类向量I由K折交叉验证生成；

Step4.4：深度森林中的基学习器随机森林Forest1和Forest2的结果采用投票的方法，投票的方法定义两个元素i和j之间的贴近度函数prox(·,·)，也就是随机森林模型中同时将i和j分类为同一类的树的比例，即:

其中，是指标函数，h_t是森林中的第t个树，h_t(i)是i的预测值，若所有的树在同一类中对i和j进行分类，则prox(i,j)＝1；

Step4.5：使用信息增益对于Forest1和Forest2的树节点进行划分，具体为：

设数据集D＝(x，y)，其中x＝(x₁,…,x_k)是样本特征集合,y是相应的类标签，对于整个数据的特征向量X的第i个特征，采用训练集D的熵与x_i的D个固定值的子集的熵的加权平均值之间的差异对于Forest1和Forest2的树节点进行划分，信息增益函数Gain(·|·)由以下的式子定义：

Gain(D|i)＝H(D)-H(D|i) (2)

其中，

D_{y＝c}＝{(x,y)∈D|y＝c} (6)

其中，P_i(D)是D中x_i所占的比例,C是可能的类标签；

Step5：采用Step4中构建的级联结构对特征向量X进行故障分类，具体过程如下：

Step5.1：将多粒度分组并提取特征的整个数据集按照3：1的比例建立训练集和测试集；

Step5.2：若训练集和测试集特征值是数值型则，将它们归一化，若是字符型或者字符串型，则将它们进行独热编码；

Step5.3：在级联结构的每一个步骤中使用K折交叉检验，使其自动适应深度森林的层数；

Step5.4：输入训练集得到训练模型；

Step5.5：将测试集送入训练模型，得到测试结果。