CN110490218B - 一种基于两级dbn的滚动轴承故障自学习方法 - Google Patents

Abstract

本发明公开了一种基于两级DBN的滚动轴承故障自学习方法，该方法使用不完备的数据建模，首先，对轴承故障信号做S变换处理后提取时间列的均值作为DBN1的输入，将DBN1最后一层隐层提取的特征作为贝叶斯分类器的输入，依据后验概率判别规则实现故障类型自学习；其次，将实现故障类型分类的故障信号经归一化处理后作为DBN2的输入，同样利用贝叶斯分类器的判别规则实现故障损伤等级自学习。该方法采用故障实验平台采集的滚动轴承数据进行验证，结果表明在不完备数据建模的情况下，该方法不仅能完成故障类型与损伤等级的准确分类，而且还能实现故障自学习和网络自增长，能够有效增强分类过程的智能性。

Description

一种基于两级DBN的滚动轴承故障自学习方法

技术领域

本发明是一种滚动轴承故障诊断方法，尤其针对当前工业生产中大量的无标签数据，传统模式识别的方法很难建立有效的诊断模型这一问题时，应用此方法不仅可以实现轴承故障的准确分类还能实现模型的自学习，增强了分类过程的智能型。

背景技术

随着现代工业的快速发展，科技创新日新月异，为满足当今社会的生产需求，国内外机械设备朝着智能化、复杂化、自动化、精密化、高速化的方向发展迅猛发展，从而使各个元器件之间的联系更加紧密，加上其复杂的工作环境，机械设备极易发生故障，且运行维护困难，一些关键部位的故障会引起整个设备的正常运行，从而造成重大的财产损失和人员伤亡。

滚动轴承作为机械设备的常用元件，不仅在工业生产中发挥着重要的作用，在日常生活中也承担着不可忽视的作用，由于滚动轴承长时间处在在高速旋转、交变荷载、高温的运行环境中，使之成为机械设备中最容易发生故障的部件。据相关数据统计，机械设备故障中有40％的故障是由轴承故障引起的，因此对滚动轴承进行准确的故障识别与分类，能有效地避免重大事故的发生，降低维修成本，据统计，通过对滚动轴承进行故障诊断与识别，可降低25％-50％的维修费用和75％的事故发生率，从而最大限度的发挥轴承的工作潜力，节约开支。传统的滚动轴承故障诊断方法主要有小波分析法、支撑向量机、神经网络等方法，而现场得到的轴承故障数据通常是不完备和无标签的，加上轴承故障呈现出的“大数据”的特性，使得BP神经网络等其他浅层模型面临维数灾难等问题，因此，传统模式识别的方法很难建立有效的诊断模型，亟需具有自学习能力的诊断算法及模型的开发与研究，这已成为当前主要研究热点和亟待解决的问题之一。深度置信网络(Deep BeliefNetwork,DBN)可从低层原始信号出发，逐层贪婪学习到高层特征表示，从而避免特征提取与选择的人工操作，具有处理高维、非线性数据的能力，可有效地避免发生维数灾难等问题，非常适合处理新时期工业“大数据”的故障诊断难题。因此利用DBN实现轴承故障的自学习，对于解决当前工业生产中大量无标签故障数据的分类具有一定的实际意义。

发明内容

本发明针对当前工业生产中“数据丰富，信息匮乏”，传统模式识别的方法很难建立有效的诊断模型这一问题，提出了一种基于两级DBN的轴承故障自主学习方法。具体算法框图如图1所示算法总体描述如下：该方法结合S变换和贝叶斯分类器，依次实现滚动轴承故障类型与故障损伤等级的自学习。首先，建立DBN1故障类型自学习网络——即对故障信号进行S变换处理，提取S变换模矩阵时间列的均值信息，形成行矩阵作为第一级DBN1输入，将DBN1网络提取的特征(DBN1的输出)作为贝叶斯分类器1的输入，依据贝叶斯的判定规则(后验概率)实现是否为新的故障类型的判定，进而完成故障类型的自学习和自增长；其次，建立DBN2的故障损伤等级自学习网络——即对采用DBN1已经完成故障类型判定的原始数据，归一化处理后继续进入DBN2网络进行故障损伤等级的判定与自学习，将DBN2网络提取的特征(DBN2的输出)作为贝叶斯分类器2的输入，依据相似的贝叶斯判定规则(后验概率)实现是否为新的故障损伤等级的判定，进而完成故障损伤等级的自学习和自增长。

图1是本发明算法的整体流程图，其具体技术方案和实现步骤如下：

S1基于第一级DBN1网络的故障类型自学习

(1)首先，将每种故障数据按照Q个采样点进行分割(本例中选取Q＝6000)作为输入样本；对每个输入样本分别进行S变换，提取S变换模矩阵时间列的均值信息，其结果为一个包含幅值均值信息的Y列的行矩阵，将Y列的行矩阵转化成包含幅值均值信息的m行n列的矩阵，其中m×n＝Y。

(2)把m行n列的矩阵作为DBN1的输入，通过试凑法确定DBN1网络结构，当选取输入层节点为50、隐层数为3、隐层节点数为30-10-3、各RBM的学习率为0.1且最大预训练迭代次数为100时，提取的特征分类效果最好。

(3)每种故障信号在DBN1最后一层隐层神经元中都会得到一个包含故障特征的m行3列的特征矩阵，之后把每种故障种类的特征矩阵的前m₁行作为贝叶斯判定网络的训练集，剩余的m₂行作为贝叶斯判定网络的测试集，即m₁+m₂＝m。

(4)逐一的将未知种类X’与各已知种类Xi进行两两分类，每次分类都选取未知种类与已知种类Xi的训练集对贝叶斯分类器进行训练，通过训练好的贝叶斯分类器对测试集进行判定。

(5)对贝叶斯分类器，将已知种类Xi和未知种类X’在DBN1中提取的特征矩阵分别记为m和m’，并划分已知种类Xi的训练集为m₁，未知种类X’的训练集为m₁’，已知种类X’的测试集为m₂，未知种类X’的测试集为m₂’，即m₁+m₂＝m，m₁’+m₂’＝m’。首先，假设贝叶斯分类器的先验概率pw₁和pw₂均为0.5，其中pw₁代表待测数据集属于已知种类的先验概率，pw₂代表待测数据集属于未知种类的先验概率；其次，通过训练集m₁计算出贝叶斯分类器1的参数均值mean1和协方差cov₁矩阵，并通过训练集m₁’计算出贝叶斯分类器1的参数均值mean₂和协方差cov₂矩阵，再将测试集m₂或m₂’分别代入(1)式和(2)式求取概率密度函数S₁和S₂，从而根据(3)式计算出证据因子。

S＝pw₁×S₁+pw₂×S₂ (3)

最后，根据(4)式和(5)式，分别计算测试集m₂或m₂’属于已知种类的后验概率P₁和测试集m₂或m₂’属于未知种类的概率P₂，且P₁+P₂＝1。定义当

时，认为未知种类与已知种类之间存在较大的差异性，判定未知种类与已知种类属于不同的故障类型，且如果P1>P₂，判断m₂或m₂’属于已知种类，如果P₁<P₂，判断m₂或m₂’属于未知种类；当

时，认为未知种类与已知种类之间存在很大的相似性，判断未知种类与已知种类属于相同的故障类型；以此类推，直到判断未知种类与已知所有种类是否属于同一故障类型，如果未知种类与任何一个已知种类都不是同种故障类型，则判定未知种类是一种新的类型，进而实现故障类型的自学习和网络自增长。

S2基于第二级DBN2网络的故障损伤等级自学习

(1)建立DBN2特征提取网络，通过试凑法确定DBN2网络结构，当选取DBN2输入层节点为500，确定隐层数为4、各隐层节点为600-300-100-3、各RBM学习率为0.1、最大预训练迭代次数设为100时提取的特征分类效果最好。

(2)对每种故障损伤等级的信号分割为R个采样点的样本，并进行归一化处理，将处理完的各个信号均转化成一个u行v列的矩阵，其中u×v＝R。这样，每种故障信号在DBN2最后一层隐层神经元中都会得到一个包含故障特征的u行3列的特征矩阵，并把每种故障种类的特征矩阵的前u₁行作为贝叶斯判定网络的训练集，剩下的u₂行作为贝叶斯判定网络的测试集，即u₁+u₂＝u。

(3)将未知故障损伤等级Y’逐一与各已知损伤等级Y_i进行两两分类，与前一级构造贝叶斯分类器判定规则相似，仍将DBN2网络输出数据分为训练集和测试集，采用相同的判别规则进行损伤等级判断，实现新的损伤等级的自增长。

本发明针对当前工业生产中“数据丰富，信息匮乏”，传统模式识别的方法很难建立有效的诊断模型这一问题，提出了一种基于两级DBN的轴承故障的自学习方法，该方法对于解决当前工业生产中的数据自学习问题给出较好的解决方案，具有一定实用价值。

附图说明

图1算法总体流程图。

图2轴承故障试验平台

图3故障损伤等级为0.007英寸(inch)时的三种故障类型的S变换时频谱图

图4故障损伤等级为0.021英寸(inch)时的三种故障类型的S变换时频谱图

图5未知种类为滚动体0.007英寸(Bclass1)时的故障类型分类结果

图6未知种类为外圈0.021英寸(Oclass3)时的故障类型分类结果

图7未知种类为正常数据的类型分类结果

图8未知种类为外圈0.014英寸(Oclass2)时的故障类型分类结果

图9未知故障等级为0.021inch的内圈故障二分类结果

图10未知故障等级为0.014inch的内圈故障二分类结果

图11未知故障等级为0.007inch的内圈故障二分类结果

图12未知损伤等级为0.021inch外圈故障三分类结果

图13未知损伤等级为0.014inch外圈故障三分类结果

图14未知损伤等级为0.007inch外圈故障三分类结果

具体实施方式

为表明本文算法的有效性，采用轴承故障实验平台采集数据进行算法验证，实验平台如图2所示，该实验针对一台两马力的电机轴承，其型号为6205-2RS JEM SKF。通过电火花加工技术，分别在轴承的滚动体、内圈和外圈上布置了单点故障，故障损伤等级包括0.007inch、0.014inch和0.021inch，经电动机驱动端的轴承座上放置的加速度传感器来采集故障轴承的振动加速度信号，采样频率为12kHz，实验数据如表1所示。

表1轴承故障数据

1、故障类型分类模型自学习

首先我们定义class1、class2和class3分别代表损伤尺寸为0.007inch、0.014inch和0.021inch的滚动轴承故障。采用大写字母I、O和B分别代表内圈、外圈和滚动体故障类型，如Iclass1代表损伤程度0.007in的内圈轴承故障，后续表达与此相似，不再赘述。验证故障类型自学习时，构造数据集如下：使用不完备数据训练，每组实验任意选取两种故障作为已知种类，并在每组中设计不同实验，每次实验任选一种故障作为未知故障，通过判定结果确定该故障属于已知故障还是属于未知故障新类型。表2给出了各组及各实验所选故障种类组合。通过多次实验验证，我们确定贝叶斯判定方法中

表2故障类型分类自增长实验分组

如图3所示，为3种故障类型数据做S变换后得到的时频谱图。由图3可知，不同故障类型信号经S变换后频谱图之间存在较大差异，为后续进行类型识别奠定基础。如图4所示，给出不同损伤程度下3种故障类型的数据进行S变换后得到的时频谱图，结合图3可以清晰看出，同一故障类型不同损伤等级信号的S变换频谱图之间均存在较大相似性，因此，经S变换后的数据能够很容易提取同类型故障的共性特征。

组1的实验1和实验3的分类结果如图5和图6所示。图5中网络实际输出1代表Bclass1与Iclass1的分类结果，其中前20点代表测试样本1也就是Bclass1的测试样本点，后20点代表测试样本2也就是Iclass1的测试样本点(以下类同，不再赘述)，可以看出它们分到两个不同故障类型中，表明Bclass1与Iclass1不属于同种故障。根据式(6)可算出此时分类准确率f为100％，式中n代表分类错误的点，N代表总的分类点个数。网络实际输出2代表Bclass1与Oclass1的分类结果，可以看出它们也被分到了两个不同的故障类型中，分类准确率为90％，说明Bclass1既不与Iclass1属于同一故障类型，也不与Oclass1属于同一故障类型，即Bclass1是一种新的故障类型，实现故障类型自学习。

图6中，网络实际输出1代表Oclass3与Iclass1的分类结果，可以看出它们分到两个不同故障类型中，分类准确率为95％；网络实际输出2代表Oclass3与Oclass1的分类结果，可以看到它们被分到了同一类别中，分类准确率为95％，综合可以判定Oclass3与Iclass1属于不同故障类型，与Oclass1属于同一故障类型。

如实验1所示，当已经判断出Bclass1是不同于Iclass1和Oclass1的新型故障后，可将Bclass1数据加入到已知数据集中，实现故障类型自增长，此时就可以进行组3的测试实验了。组3中的我们共完成4组测试实验，即当未知种类分别采用正常数据、Oclass2、Bclass1和Iclass3进行测试，其中实验1和2的分类结果如图7和8所示。图7中网络实际输出1、2和3分别代表正常数据与Iclass1、Oclass1和Bclass1的分类结果。可以看出所有分类结果均显示它们被分到两个不同的类型中，分类准确率均为100％，说明正常数据是不同于Iclass1、Oclass1以及Bclass1的新类型。图8中网络实际输出1、2和3分别代表Oclass2与Iclass1、Oclass1和Bclass1的分类结果，可以看出只有Oclass2和Oclass1被分到同一故障类型中，分类准确率为90％。

为了更直观的表明故障类型自学习的效果，将表2中所有实验分类结果均列在表3中，从中可以清晰地看出分类准确率均达到85％以上，说明在不完备数据建模的情况下，本发明的方法均能实现故障类型的自学习与自增长。

表3故障类型分类自增长结果

2、故障损伤等级分类模型自学习

(1)两种故障损伤等级分类自学习

为实现每种故障类型下不同故障损伤等级的分类学习，设计测试实验如表4所示。在每种故障类型下均选取一种等级作为已知损伤等级，不妨设每种故障下class1为已知等级，其它损伤等级为测试等级，当判定结果成立时认为两种损伤等级相似，否则认为是一种新的损伤等级。不同损伤等级下，采用的维修策略不同，如轻微损伤等级下，只需进一步观察或调整运行计划；而严重损伤等级下则必须停机更换，否则会造成更为严重的事故。

如图9～图11所示，为表4中实验1～实验3的分类结果。图9中，网络实际输出代表未知等级class3与class1的分类结果。可以看出，未知损伤等级为0.021inch内圈故障时，与class1(0.007inch)不同类，可以判定class3(0.021inch)属于一种新的故障损伤等级。由式(6)可计算分类准确率为92.5％。图10和图11给出了相似的结果，测试样本均正确的分类到相同的损伤等级中，分类准确率分别为100％和95％。

可以看出，只有实验3将已知和未知两种故障损伤等级的测试样本分到一类中，表明未知样本与已知样本同属于一类损伤等级。根据式(13)可算出分类准确率为95％。

将表4的所有实验结果列于表5中。由表5可知，各个实验的分类准确率均达到90％以上，表明本发明的方法能够实现两种故障损伤等级的自学习和自增长分类，验证该故障损伤等级判定网络的有效性。

表4两种故障损伤等级分类实验分组

表5两种故障等级自增长实验结果

(2)三种故障损伤等级分类自增长

当已知两种故障损伤等级的条件下，实现第三种故障损伤等级的自学习和等级自增长。为此，构造测试实验如表6所示，其中实验1～实验3的分类结果分别如图12～图14所示。

表6三种故障损伤等级分类实验分组

如图12，网络实际输出1，2分别代表未知等级class3与class1和class2的分类结果。可以看出，未知损伤等级为0.021inch外圈故障时，与class1(0.007inch)和class2(0.014inch)均不同类，可以判定class3(0.021inch)属于一种新的故障损伤等级。由式(6)可计算分类准确率分别为95％和100％。图13和图14给出了相似的结果，测试样本均正确的分类到相同的损伤等级中，分类准确率分别为95％和90％。

将表6的所有实验结果列于表7中。由表7可知，各个实验的分类准确率均达到85％以上，表明本发明的方法能够进一步实现三种故障损伤等级的自学习，也间接表明当损伤程度进一步增加时，本发明方法能够继续进行分类的自增长，体现出一定的学习智能性。

表7三种损伤等级分类结果汇总

Claims (1)

1.一种基于两级DBN的滚动轴承故障自学习方法，其特征在于：该方法结合S变换和贝叶斯分类器，依次实现滚动轴承故障类型与故障损伤等级的自学习；首先，建立DBN1故障类型自学习网络——即对故障信号进行S变换处理，提取S变换模矩阵时间列的均值信息，形成行矩阵作为第一级DBN1输入，将DBN1网络提取的特征作为贝叶斯分类器1的输入，依据贝叶斯的判定规则实现是否为新的故障类型的判定，进而完成故障类型的自学习和自增长；其次，建立DBN2的故障损伤等级自学习网络——即对采用DBN1已经完成故障类型判定的原始数据，归一化处理后继续进入DBN2网络进行故障损伤等级的判定与自学习，将DBN2网络提取的特征作为贝叶斯分类器2的输入，依据相似的贝叶斯判定规则实现是否为新的故障损伤等级的判定，进而完成故障损伤等级的自学习和自增长；

该方法的实现步骤如下：

S1基于第一级DBN1网络的故障类型自学习

(1)首先，将每种故障数据按照Q个采样点进行分割作为输入样本；对每个输入样本分别进行S变换，提取S变换模矩阵时间列的均值信息，其结果为一个包含幅值均值信息的Y列的行矩阵，将Y列的行矩阵转化成包含幅值均值信息的m行n列的矩阵，其中m×n＝Y；

(2)把m行n列的矩阵作为DBN1的输入，通过试凑法确定DBN1网络结构，当选取输入层节点为50、隐层数为3、隐层节点数为30-10-3、各RBM的学习率为0.1且最大预训练迭代次数为100时，提取的特征分类效果最好；

(3)每种故障信号在DBN1最后一层隐层神经元中都会得到一个包含故障特征的m行3列的特征矩阵，之后把每种故障种类的特征矩阵的前m₁行作为贝叶斯判定网络的训练集，剩余的m₂行作为贝叶斯判定网络的测试集，即m₁+m₂＝m；

(4)逐一的将未知种类X’与各已知种类Xi进行两两分类，每次分类都选取未知种类与已知种类Xi的训练集对贝叶斯分类器进行训练，通过训练好的贝叶斯分类器对测试集进行判定；

(5)对贝叶斯分类器，将已知种类Xi和未知种类X’在DBN1中提取的特征矩阵分别记为M和m’，并划分已知种类Xi的训练集为m₁，未知种类X’的训练集为m₁’，已知种类X’的测试集为m₂，未知种类X’的测试集为m₂’，即m₁+m₂＝M，m₁’+m₂’＝m’；首先，假设贝叶斯分类器的先验概率pw₁和pw₂均为0.5，其中pw₁代表待测数据集属于已知种类的先验概率，pw₂代表待测数据集属于未知种类的先验概率；其次，通过训练集m₁计算出贝叶斯分类器1的参数均值mean1和协方差cov₁矩阵，并通过训练集m₁’计算出贝叶斯分类器1的参数均值mean₂和协方差cov₂矩阵，再将测试集m₂或m₂’分别代入(1)式和(2)式求取概率密度函数S₁和S₂，从而根据(3)式计算出证据因子；

S＝pw₁×S₁+pw₂×S₂ (3)

最后，根据(4)式和(5)式，分别计算测试集m₂或m₂’属于已知种类的后验概率P₁和测试集m₂或m₂’属于未知种类的概率P₂，且P₁+P₂＝1；定义当

时，认为未知种类与已知种类之间存在较大的差异性，判定未知种类与已知种类属于不同的故障类型，且如果P1>P₂，判断m₂或m₂’属于已知种类，如果P₁<P₂，判断m₂或m₂’属于未知种类；当

时，认为未知种类与已知种类之间存在很大的相似性，判断未知种类与已知种类属于相同的故障类型；以此类推，直到判断未知种类与已知所有种类是否属于同一故障类型，如果未知种类与任何一个已知种类都不是同种故障类型，则判定未知种类是一种新的类型，进而实现故障类型的自学习和网络自增长；

S2基于第二级DBN2网络的故障损伤等级自学习

(1)建立DBN2特征提取网络，通过试凑法确定DBN2网络结构，当选取DBN2输入层节点为500，确定隐层数为4、各隐层节点为600-300-100-3、各RBM学习率为0.1、最大预训练迭代次数设为100时提取的特征分类效果最好；

(2)对每种故障损伤等级的信号分割为R个采样点的样本，并进行归一化处理，将处理完的各个信号均转化成一个u行v列的矩阵，其中u×v＝R；这样，每种故障信号在DBN2最后一层隐层神经元中都会得到一个包含故障特征的u行3列的特征矩阵，并把每种故障种类的特征矩阵的前u₁行作为贝叶斯判定网络的训练集，剩下的u₂行作为贝叶斯判定网络的测试集，即u₁+u₂＝u；

(3)将未知故障损伤等级Y’逐一与各已知损伤等级Y_i进行两两分类，与前一级构造贝叶斯分类器判定规则相似，仍将DBN2网络输出数据分为训练集和测试集，采用相同的判别规则进行损伤等级判断，实现新的损伤等级的自增长。

Images