CN110646203A - 基于奇异值分解和自编码器的轴承故障特征提取方法 - Google Patents

Abstract

本发明提供一种基于奇异值分解和自编码器的轴承故障特征提取方法，首先采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f)；对时频信息矩阵S(τ,f)进行奇异值分解，得到奇异值；使用自编码器对获得的奇异值进行特征提取，得到轴承振动的特征；本发明的有益效果：将深度学习运用于轴承故障特征提取，能够有效提取故障时频特征。

Description

基于奇异值分解和自编码器的轴承故障特征提取方法

技术领域

本发明涉及滚动轴承故障特征提取技术领域，特别涉及一种基于奇异值分解和自编码器的轴承故障特征提取方法。

背景技术

滚动轴承是利用轴与轴座之间的滚动摩擦替代原来面与面之间的滑动摩擦、而减少摩擦损失的一种的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成，具有效率高、摩擦阻力小、装配方便、润滑容易等优点，在旋转机械中得到广泛的应用。

滚动轴承作为机械设备的主要传动部件，通常在运行一段时间后，由于工作环境恶劣、轴承过载以及部件磨损等原因，会或多或少出现故障情况，如果滚动轴承出现故障没有及时发现并整修，会使得滚动轴承故障加剧，甚者导致机械设备彻底损坏。通过定期对滚动轴承进行检测和故障诊断并依据诊断结果进行保养维护，能够有效提高滚动轴承的稳定性和使用年限，有利于提高生产效率、免事故的发生。因此，对滚动轴承运转状态的检测和故障诊断具有重要的意义。

当滚动轴承某一部件(外圈、内圈、滚动体和保持架)的表面出现局部损伤(点蚀、剥落、裂纹等)时，其损伤表面在与其他表面接触时产生的瞬态冲击力，能够激起包括轴承元件、传感器和相关结构的固有频率，产生具有共振调制特征的冲击响应信号。受恶劣的工作环境以及信号传递路径的影响，实际采集到的轴承振动信号十分复杂，含有大量噪声信号，由于各种不同来源的信号相互耦合，在总体振动信号中很难发现表征故障特征的微弱信号。因此，从总体振动信号中准确提取表征轴承故障的冲击响应信号是滚动轴承诊断的关键任务之一。

目前，滚动轴承故障诊断常用的方法有三类：时域分析方法(如参数法、冲击脉冲等)；频域分析方法(如共振解调法、倒频谱等)；以及以小波变换为代表的时频分析方法等。然而，考虑到实际运行转速的波动和滚动体的滑动因素，轴承故障产生的瞬态冲击响应具有非平稳特性，这些方法的诊断能力会经常受到影响，因此学者们对一些新的信号处理方法进行了大量研究。近年来，深度学习在信号特征提取上取得了较大成就。许多学者应用自编码器直接提取轴承的时域信号，但是这种方法忽略了频域信号。如何有效地从轴承振动信号中，提取出时频域特征值得研究。

发明内容

为了解决上述问题，本发明提供了一种基于奇异值分解和自编码器的轴承故障特征提取方法。一这种于奇异值分解和自编码器的轴承故障特征提取方法要包括以下步骤：

S101：采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f)；

S102：对S101中的时频信息矩阵S(τ,f)进行奇异值分解，得到奇异值；

S103：使用自编码器对获得的奇异值进行特征提取，得到轴承振动的特征。

进一步地，在步骤S101中，所述时频信息矩阵S(τ,f)的计算式如公式(1)所示：

进一步地，在步骤S102中，所述奇异值的计算公式如式(2)所示：

S(τ,f)＝UΓV^T (2)

其中，S(τ,f)大小为M×N，U和V的大小分别为M×M，N×N的正交矩阵；Γ的大小的M×N，其形式如下

Λ_r×r＝diag(σ₁,σ₂,...σ_r)，σ_i称为时频信息矩阵S(τ,f)的奇异值。

进一步地，在步骤S103中，使用自编码器对获得的奇异值进行特征提取，其具体步骤如下：

S201：构造自编码器模型；

S202：使用构造的自编码器模型进行特征提取，得到特征向量。

进一步地，在步骤S401中，构造自编码器的具体步骤如下：

S301：假设输入数据为y∈{σ₁,σ₂,...σ_r}，则隐藏层、输出层神经元的激活情况为：

g＝f(Ey+b) (3)

h＝f(E^Tg+b′) (4)

其中，

E和E^T均为权重矩阵且两者互为转置，b为隐藏层偏置量，b′为输出层偏置量；

S302：目标函数为

S303：训练方式为：

其中，η为学习速率，通常取0.01。

进一步地，在步骤S202中，h即为所提取的特征向量。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种基于奇异值分解和自编码器的轴承故障特征提取方法的流程图；

图2是本发明实施例中自编码器结构示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种基于奇异值分解和自编码器的轴承故障特征提取方法。

请参考图1和图2，图1是本发明实施例中一种基于奇异值分解和自编码器的轴承故障特征提取方法的流程图，图2是本发明实施例中所使用的自编码器结构示意图。

具体包括以下步骤：

S101：采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f)；

S102：对S101中的时频信息矩阵S(τ,f)进行奇异值分解，得到奇异值；

S103：使用自编码器对获得的奇异值进行特征提取，得到轴承振动的特征。

进一步地，在步骤S101中，所述时频信息矩阵的具体计算步骤如下：

使用S变换获取轴承振动信号x(t)的时频信息矩阵S(τ,f)，其计算式如公式(1)所示：

在步骤S102中，所述通过奇异值分解，得到奇异值的具体步骤如下：

将上述所得时频信息矩阵S(τ,f)进行奇异值分解，获取奇异值，计算公式如式(2)所示：

S(τ,f)＝UΓV^T (2)

其中，S(τ,f)大小为M×N，U和V的大小分别为M×M，N×N的正交矩阵；Γ的大小的M×N，其形式如下

Λ_r×r＝diag(σ₁,σ₂,...σ_r)，σ_i称为时频信息矩阵S(τ,f)的奇异值；

在步骤S103中，使用自编码器对获得的奇异值进行特征提取，其具体步骤如下：

S201：构造自编码器模型；

假设输入数据为y∈{σ₁,σ₂,...σ_r}，则隐藏层、输出层神经元的激活情况为：

h＝f(Ey+b) (3)

g＝f(E^Tg+b′) (4)

其中，

E和E^T均为权重矩阵且两者互为转置，b为隐藏层偏置量，b′为输出层偏置量。

目标函数为

训练方式为：

其中，η为学习速率，通常取0.01。

S202：使用构造的自编码器模型进行特征提取，得到h为所提取出的特征向量。

本发明的有益效果是：有效提取轴承振动信号的特征、助检修人员及早发现异常状况。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：包括以下步骤：

S101：采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f)；

S102：对S101中的时频信息矩阵S(τ,f)进行奇异值分解，得到奇异值；

S103：使用自编码器对获得的奇异值进行特征提取，得到轴承振动的特征。

2.如权利要求1所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：在步骤S101中，所述时频信息矩阵S(τ,f)的计算式如公式(1)所示。

3.如权利要求1所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：在步骤S102中，所述奇异值的计算公式如式(2)所示：

S(τ,f)＝UΓV^T (2)

其中，S(τ,f)大小为M×N，U和V的大小分别为M×M，N×N的正交矩阵；Γ的大小的M×N，其形式如下

Λ_r×r＝diag(σ₁,σ₂,...σ_r)，σ_i称为时频信息矩阵S(τ,f)的奇异值。

4.如权利要求1所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：在步骤S103中，使用自编码器对获得的奇异值进行特征提取，其具体步骤如下：

S201：构造自编码器模型；

S202：使用构造的自编码器模型进行特征提取，得到特征向量。

5.如权利要求4所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：在步骤S401中，构造自编码器的具体步骤如下：

S301：假设输入数据为y∈{σ₁,σ₂,…σ_r}，则隐藏层、输出层神经元的激活情况为：

g＝f(Ey+b) (3)

h＝f(E^Tg+b′) (4)

其中，

E和E^T均为权重矩阵且两者互为转置，b为隐藏层偏置量，b′为输出层偏置量；

S302：目标函数为

S303：训练方式为：

其中，η为学习速率，通常取0.01。

6.如权利要求5所述的一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：在步骤S202中，h即为所提取的特征向量。

Images