CN110399854A - 基于混合特征提取的滚动轴承故障分类方法 - Google Patents

Abstract

基于混合特征提取的滚动轴承故障分类方法，首先获取由信号的波形特征、时域特征、频域特征等构成的混合特征集；然后将内类紧致性和内间重叠性引入序列前向选择算法中，提取混合特征中的次优特征组作为增强KNN分类器的输入；最后基于距离和密度计算，得到最优平均分类概率并输出最优特征组，标记该特征组对应的故障状态，实现滚动轴承故障的智能分类。本发明有效降低了由于故障信号之间的相关性和冗余对故障分类精确度的干扰，改进了传统的KNN分类器仅采用距离计算进行分类的能力，克服了传统KNN分类器受K值敏感性影响而不利于智能算法进行分类的问题，并最终提高了分类精确度。

Description

基于混合特征提取的滚动轴承故障分类方法

技术领域

本发明属于旋转机械装置中关键部件滚动轴承的故障诊断技术领域，具体涉及基于混合特征提取的滚动轴承故障分类方法。

背景技术

滚动轴承是旋转机械装置的关键组成部分，其性能的好坏直接影响到整个设备的运行状态。据统计，整个机械故障的40％以上是由轴承故障问题引起的；在旋转机械设备故障中有约70％的故障是滚动轴承故障；在齿轮箱故障中，轴承的故障约占到了19％；电机设备的故障当中有80％的是轴承故障。因此，对滚动轴承进行故障诊断意义重大。传统的基于模型的故障诊断方法通过信号处理技术及特征提取耗时费力，实际上，由于系统的故障模式和失效机理复杂，模型建立需要大量的数学和力学知识，配合繁多的实验验证，同时，建模过程中难以避免误差和未知干扰，导致诊断模型很难建立；此外，孤立的单一特征或单个时频域的特征虽然能够作为某个时间点上的故障诊断或状态评估的依据，但无法准确描述滚动轴承性能衰退全生命周期过程，存在表征能力不足的问题，严重影响轴承可靠性分析和故障诊断的准确性。而多域特征，如时频域、时域、频域等虽然能够全面地反映轴承生命周期内的状态，但特征过多时不仅数据量成级数增长，还存在交叉冗余，因此，如何有效选取对表征故障特性贡献较大、有直接关联的特征，并降低特征间的交叉性，减少信息冗余是滚动轴承故障诊断面临的一大挑战。

发明内容

为了克服现有技术存在的缺点，本发明提供了一种基于混合特征提取的滚动轴承故障分类方法，将波形特征、时域特征、频域特征等统计特征构造混合特征向量，使用隶属度矩阵计算等方法求取类内紧致性和类间重叠性参数，利用目标函数求解样本的次优特征组，最后基于增强KNN分类器的最大平均分类概率筛选出最优特征组，并用于故障分类，以高效、智能地实现大数据背景下滚动轴承的准确故障诊断。

为了达到上述目的，本发明所采用的技术方案为：

基于混合特征提取的滚动轴承故障分类方法，包括以下步骤：

A.获取滚动轴承在不同工况下的声发射信号，构造混合特征F＝(f₁，f₂，...，f₂₁)，共21个特征，包括采用波形特征参数法提取的5个波形特征和采用波形分析法提取的10个时域和6个频域特征，形成样本集；

B.对样本集进行归一化处理将各个特征参数转换到[0，1]区间，即

其中，x为对应21个特征构成的样本集中的变量，x_max为样本数据的最大值，x_min为样本数据的最小值；

C.通过改进的序列前向选择算法对冗余特征参数进行压缩，减少特征相关性的影响，具体过程是：

a.通过类内紧致度和类间重叠度的比值作为目标函数，将停止策略与早弃策略引入到序列前向选择算法中，进行特征选择，所采用的类内紧致度函数为

其中，n为所有样本的个数，c为类别个数，N为最大隶属度max_1≤j≤cu_ij≥β的样本个数，u_ij为样本x_i属于第j类的隶属度；

所采用的类间重叠性函数为

其中，M为满足max_1≤j≤c u_ij≥β且|u_ip-u_iq|≤γ条件的样本个数，即处于类间重叠区的样本个数，U为隶属度矩阵，即

其中，d_ip为第i个样本与第p个类别的欧式距离，d_iq为第i个样本与第q个类别的欧式距离，s为模糊因子，用来决定模糊度的权重指数；由此构成目标函数：

以循环选择V值最大的特征生成目标特征集FF＝{FF₁，FF₂，...，FF_n}；

b.利用目标特征集送入KNN分类器计算后产生的分类准确率集合pre＝{pre₁，pre₂，...，pre_r}进行反馈停止判断，若max{|pre_r+1-pre_r|，|pre_r+2-pre_r+1|}＜θ且满足pre_r＜pre_r+1＜pre_r+2，则算法停止搜索，否则继续搜索直到满足条件，其中r为迭代循环次数，通过计算原始特征集F＝(f₁，f₂，...，f₂₁)中每一个特征的目标函数评价值V(f_i)进行提早丢弃判断，将最小函数值V(f_i)＝min{V(f_i)}的特征丢弃，对更新后的组合目标函数，重复上述操作；

D.将筛选之后得到的次优目标特征集输入增强KNN分类器，通过选取最小距离和最大密度的信号特征对应标签的输出概率训练分类器，完成训练后，将最优输出概率的标签作为该信号特征对应的系统状态，实现故障智能分类，具体过程是：

a.利用欧式距离公式

计算次优目标特征集中样本之间的距离。其中，x_i＝{x_i1，x_i2，...，x_im}，x_j＝{x_j1，x_j2，...，x_jm}为某两个样本中的数据点，然后，按距离值

KNN(x_i)＝{j∈X|d(x_i，x_j)≤d(x_i，N_K(x_i))}

升序进行排列，其中，N_K(x_i)为x_i的K个近邻；

再从序列中选取距离最小的K个特征，并计算K个特征的隶属度，若最大隶属度不小于β，即该样本的所有最近邻居都属于单个类别，则标记样本为此单个类别；

b.若最大隶属度小于β，则使用基于密度的方法确定样本的标签，首先利用密度函数

计算样本x_i的局部密度，再计算样本x_i与其近邻距离的最小值δ_i

最后得出样本x_i的输出概率值P_i＝ρ_i/δ_i，标记样本为P_i值对应的类别。

所述的n＝1600，m＝200，c＝8，β＝0.6，θ＝0.01，s＝2，γ＝0.11。

所述的隶属度矩阵U的维度为60*200*8*21。

本发明的有益效果为：

本发明综合考虑了信号波形特征、时域特征、频域特征等构成的混合特征对故障分类的影响，通过将类内紧致性和内间重叠性引入序列前向选择算法中，提出的停止策略与早弃策略，可以实现故障特征的合理选择，从而有效降低了由于故障信号之间的相关性和冗余对故障分类计算复杂性和精确度的干扰。改进了传统的KNN分类器直接采用距离计算进行分类的能力，克服了传统KNN分类器对K值敏感性较大而不利于智能算法进行分类的问题，最终提高了分类精确度。

附图说明

图1为本发明的流程图；

图2为分类结果对比图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，基于混合特征提取的滚动轴承故障分类方法，包括以下步骤：

A.采集滚动轴承在不同工况下的声发射信号，对其进行特征提取，构造混合特征；

本发明的高维混合特征向量由21个特征组成原始特征集F＝(f₁，f₂，...，f₂₁)，包括采用波形特征参数法提取的5个波形特征和采用波形分析法提取的10个时域和6个频域特征。波形特征有上升时间(f₁)、计数(f₂)、持续时间(f₃)、幅度(f₄)和能量(f₅)；时域统计特征有均值(f₆)、均方根值(f₇)、峰值(f₈)、方根幅值(f₉)、峭度(f₁₀)、峭度因子(f₁₁)、波形因子(f₁₂)、裕度因子(f₁₃)、峰值因子(f₁₄)、脉冲因子(f₁₅)；频域统计特征有功率谱方差(f₁₆)、相关因子(f₁₇)、谐波因子(f₁₈)、谱原点矩(f₁₉)、重心指标(f₂₀)和均方频谱(f₂₁)；

B.对样本集进行归一化处理将各个特征参数转换到[0，1]区间，即

其中，x为对应21个特征构成的样本集中的变量，x_max为样本数据的最大值，x_min为样本数据的最小值；

C.通过改进的序列前向选择算法对冗余特征参数进行压缩，减少特征相关性的影响，具体过程是：

a.所采用的类内紧致度函数为

其中，n为所有样本的个数n＝1600，c为类别个数c＝8，分别为正常、内圈故障、外圈故障、滚珠故障、内圈与外圈故障、内圈与滚珠故障、外圈与滚珠故障、和内圈、外圈与滚珠故障；N为最大隶属度max_1≤j≤cu_ij≥β(β＝0.6)的样本个数，u_ij为样本x_i属于第j类的隶属度；

所采用的类间重叠性函数为

其中，M为满足max_1≤j≤c u_ij≥β且|u_ip-u_iq|≤γ(γ＝0.11)条件的样本个数，即处于类间重叠区的样本个数，U为隶属度矩阵，

其中，d_ip为第i个样本与第p个类别的欧式距离，d_iq为第i个样本与第q个类别的欧式距离，s为模糊因子，用来决定模糊度的权重指数，通常取s＝2，U的维度为60*200*8*21，由此构成目标函数：

以循环选择V值最大的特征生成目标特征集FF＝{FF₁，FF₂，...，FF_n}；

b.利用目标特征集送入KNN分类器计算后产生的分类准确率集合pre＝{pre₁，pre₂，...，pre_r}进行反馈停止判断，若max{|pre_r+1-pre_r|，|pre_r+2-pre_r+1|}＜θ且满足pre_r＜pre_r+1＜pre_r+2，则算法停止搜索，否则继续搜索直到满足条件，其中r为迭代循环次数，θ取值为0.01。通过计算原始特征集F＝(f₁，f₂，...，f₂₁)中每一个特征的目标函数评价值V(f_i)进行提早丢弃判断，将最小函数值V(f_i)＝min{V(f_i)}的特征丢弃，对更新后的组合目标函数，重复上述操作；

D.将筛选之后得到的次优目标特征集输入增强KNN分类器，通过选取最小距离和最大密度的信号特征对应标签的输出概率训练分类器，完成训练后，将最优输出概率的标签作为该信号特征对应的系统状态，实现故障智能分类，具体过程是：

a.利用欧式距离公式

计算次优目标特征集中特征之间的距离，其中，x_i＝{x_i1，x_i2，...，x_im}，x_j＝{x_j1，x_j2，...，x_jm}为某两个特征中的数据点，m＝200表示每个故障特征包含200个数据点，然后，按距离值

KNN(x_i)＝{j∈X|d(x_i，x_j)≤d(x_i，N_K(x_i))}

升序进行排列，其中，N_K(x_i)为x_i的K个近邻；

再从序列中选取距离最小的K个特征，并计算K个特征的隶属度，K值选取为3、5、7、9，若最大隶属度不小于β(β＝0.6)，即该样本的所有最近邻居都属于单个类别，则标记样本为此单个类别；

b.若最大隶属度小于β(β＝0.6)，则使用基于密度的方法确定样本的标签，首先利用密度函数

计算样本x_i的局部密度，再计算样本x_i与其近邻距离的最小值δ_i

最后得出样本x_i的输出概率值P_i＝ρ_i/δ_i，标记样本为P_i值对应的类别；

E.为了证明本发明方法的有效性，将其与不同的方法进行比较，作进一步描述。滚动轴承数据集共包含6个子集，分别对应8种系统状态，分别为内圈故障、外圈故障、滚珠故障、内圈与外圈故障、内圈与滚珠故障、外圈与滚珠故障、和内圈、外圈与滚珠故障和正常状态，每个子集又包含1600个样本，每个样本包含200个数据点，使用本发明方法对滚动轴承数据集进行故障分类，针对数据集，首先根据目标函数，分别为6个数据集求解次优特征组作为KNN分类器输入参数，再利用增强KNN分类器筛选最优特征组对故障特征进行分类。对比分析了本发明方法和传统KNN、加权KNN、t-SNE+KNN、PCA+KNN和Chi+KNN分类精确度，使用本发明方法可以达到98.6％的分类精确度，分别比上述方法高出13.9％、8.32％、32.25％、6.81％和2.43％，说明了本发明方法对K值的选取具有稳健性，克服了传统KNN分类器对K值敏感造成的分类结果波动的问题，六种方法分类结果对比如图2所示。

Claims (3)

1.基于混合特征提取的滚动轴承故障分类方法，特征在于包括以下步骤：

A.获取滚动轴承在不同工况下的声发射信号，构造混合特征F＝(f₁，f₂，...，f₂₁)，共21个特征，包括采用波形特征参数法提取的5个波形特征和采用波形分析法提取的10个时域和6个频域特征，形成样本集；

B.对样本集进行归一化处理将各个特征参数转换到[0，1]区间，即

其中，x为对应的21个特征构成的样本集中的变量，x_max为样本数据的最大值，x_min为样本数据的最小值；

C.通过改进的序列前向选择算法对冗余特征参数进行压缩，减少特征相关性的影响，具体过程是：

a.通过类内紧致度和类间重叠度的比值作为目标函数，将停止策略与早弃策略引入到序列前向选择算法中，进行特征选择，所采用的类内紧致度函数为

其中，n为所有样本的个数，c为类别个数，N为最大隶属度max_1≤j≤c u_ij≥β的样本个数，u_ij为样本x_i属于第j类的隶属度；

所采用的类间重叠性函数为

其中，M为满足max_1≤j≤c u_ij≥β且|u_ip-u_iq|≤γ条件的样本个数，即处于类间重叠区的样本个数，U为隶属度矩阵，即

其中，d_ip为第i个样本与第p个类别的欧式距离，d_iq为第i个样本与第q个类别的欧式距离，s为模糊因子，用来决定模糊度的权重指数；由此构成目标函数：

以选择V值最大的特征生成目标特征集FF＝{FF₁，FF₂，...，FF_n}；

b.利用目标特征集送入KNN分类器计算后产生的分类准确率集合pre＝{pre₁，pre₂，...，pre_r}进行反馈停止判断，若max{|pre_r+1-pre_r|，|pre_r+2-pre_r+1|}＜θ且满足pre_r＜pre_r+1＜pre_r+2，则算法停止搜索，否则继续搜索直到满足条件，其中r为迭代循环次数，通过计算原始特征集F＝(f₁，f₂，...，f₂₁)中每一个特征的目标函数评价值V(f_i)进行提早丢弃判断，将最小函数值V(f_i)＝min{V(f_i)}的特征丢弃，对更新后的组合目标函数，重复上述操作；

D.将筛选之后得到的次优目标特征集输入增强KNN分类器，通过选取最小距离和最大密度的信号特征对应标签的输出概率训练分类器，完成训练后，将最优输出概率的标签作为该信号特征对应的系统状态，实现故障智能分类，具体过程是：

a.利用欧式距离公式

计算次优目标特征集中样本之间的距离，其中，x_i＝{x_i1，x_i2，...，x_im}，x_j＝{x_j1，x_j2，...，x_jm}为某两个样本中的数据点，然后，按距离值

KNN(x_i)＝{j∈X|d(x_i，x_j)≤d(x_i，N_K(x_i))}

升序进行排列，其中，N_K(x_i)为x_i的K个近邻；

再从序列中选取距离最小的K个特征，并计算K个特征的隶属度，若最大隶属度不小于β，即该样本的所有最近邻居都属于单个类别，则标记样本为此单个类别；

b.若最大隶属度小于β，则使用基于密度的方法确定样本的标签，首先利用密度函数

计算样本x_i的局部密度，再计算样本x_i与其近邻距离的最小值δ_i

最后得出样本x_i的输出概率值P_i＝ρ_i/δ_i，标记样本为P_i值对应的类别。

2.如权利要求1所述的基于混合特征提取的滚动轴承故障分类方法，其特征在于：所述的样本个数n＝1600，每个样本的数据点m＝200。

3.根据权利要求1所述的基于混合特征提取的滚动轴承故障分类方法，其特征在于：设置的阈值系数β＝0.6，γ＝0.11，θ＝0.01，模糊因子s＝2。