CN110647830A - 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 - Google Patents

Abstract

本发明属于故障诊断领域，并公开了基于卷积神经网络和高斯混合模型的轴承故障诊断方法。该方法包括：(a)对于旋转机械轴承，采集不同故障工况下的振动信号形成数据集,构建初始卷积神经网络模型；(b)训练每个故障类型对应的初始卷积神经网络模型；(c)采用最终卷积神经网络模型对振动信号输入进行特征提取，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；(d)采用高斯混合模型、贝叶斯网络框架和EM算法获得用于诊断故障类型的最终的图模型；(e)对于待诊断振动信号，利用最终的图模型诊断待诊断振动信号对应的故障类型，以此实现故障的诊断。通过本发明，实现图模型实现故障诊断，提高了故障诊断的准确性。

Description

基于卷积神经网络和高斯混合模型的轴承故障诊断方法

技术领域

本发明属于故障诊断领域，更具体地，涉及基于卷积神经网络和高斯混合模型的轴承故障诊断方法。

背景技术

在工业制造过程中，轴承是被广泛应用的机械部件之一，也是工业制造过程中最容易出现损坏的环节之一，其工作状态直接影响到整个工业制造过程的生产安全和生产效率。因此，对轴承故障进行精确诊断，对于保障工业制造安全和提高生产效率具有重大的意义。

目前，大多数的轴承故障诊断依赖于特征提取方法，通常为基于信息处理技术，人工进行故障特征提取，根据故障特征的差异性，并结合分类器识别轴承故障。显然，基于特征提取的故障诊断方法需要故障先验知识和专业人员的支持，并且故障诊断的识别精度极大地依赖于特征提取的优劣程度和分类器的性能好坏。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了基于卷积神经网络和高斯混合模型的轴承故障诊断方法。针对不同故障类型的振动信号，通过采用高斯混合函数和贝叶斯网络下对振动信号对应的一维特征数据进行处理，以此获得最终的图模型，然后利用图模型对待诊断振动信号的故障类型进行诊断，实现故障类型的诊断，提高了故障诊断的准确性。

为实现上述目的，按照本发明，提供了基于卷积神经网络和高斯混合模型的轴承故障诊断方法，该方法包括下列步骤：

(a)对于旋转机械轴承，采集其在不同故障工况下的振动信号，以此获得多个故障工况下的振动信号形成的数据集,根据每种故障类型，构建与该故障类型相对应的初始卷积神经网络模型；

(b)在训练每个故障类型对应的初始卷积神经网络模型时，首先对所述数据集中的振动信号添加标签，当所述振动信号对应的故障类型与当前训练的初始卷积神经网络模型对应的故障类型相同时，对该振动信号添加标签A，否则添加标签B，然后，采用所述数据集中的振动信号和与该振动信号对应的标签训练所述初始卷积神经网络，以此获得所有故障类型各自对应的最终卷积神经网络模型；

(c)对于每个故障类型对应的最终卷积神经网络模型，将该最终卷积神经网络模型对应的故障类型的振动信号输入所述最终卷积神经网络模型中，提取该卷积神经网络模型中卷积层和池化层的输出作为特征映射图谱，将该特征映射图谱转化为一维特征数据，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；

(d)对于每个故障类型对应的一维特征数据，采用高斯混合模型对所述一维特征数据进行模拟和逼近，以此获得所有故障类型的一维特征数据对应的高斯混合模型参数；在贝叶斯网络框架构建关于所有故障类型的一维特征数据、高斯混合模型参数和故障类型关系的初始图模型，利用所述所有故障类型的一维特征数据训练所述初始图模型，当满足预设条件后停止训练，以此获得最终的图模型；

(e)对于待诊断振动信号，利用所述最终的图模型诊断所述待诊断振动信号对应的故障类型，以此实现故障的诊断。

进一步优选地，在步骤(a)中，当采集其在不同故障的工况下的振动信号后，优选对每个振动信号进行预处理和切分处理，该预处理包括平滑、归一化，平滑和归一化处理用于以此消除所述振动信号中的奇异点；所述切分处理用于对所述振动信号进行截取，以此扩展获得所需的振动信号样本。

进一步优选地，在对振动信号进行预处理和切分处理后还需将处理后的振动信号转化为二维矩阵格式，以此适应所述初始卷积神经网络的输入格式要求。

进一步优选地，所述奇异值优选按照下列标准进行判断：振动信号上的点对应的振幅值与振幅平均值超过三倍的振幅标准差时，该点为奇异点。

进一步优选地，在步骤(c)中，所述将该特征映射图谱转化为一维特征数据优选采用flatten方法。

进一步优选地，在步骤(d)中，用所述所有故障类型的一维特征数据训练所述初始图模型优选采用EM算法。

进一步优选地，在步骤(d)中，所述预设条件为：迭代次数大于预设次数值或前后两次的高斯混合模型参数之差小于预设阈值。

进一步优选地，在步骤(d)中，所述利用所述故障诊断模型诊断所述待诊断振动信号的对应的故障类型，优选先利用步骤(b)中获得所有故障类型各自对应的最终卷积神经网络模型分别对所述待诊断振动信号提取获得特征映射图谱，以此获得多个特征映射图谱，将给多个特征映射图谱转化为多个一维特征数据，最后，将多个该一维特征数据输入所述故障诊断模型中进行故障诊断，以此获得所有特征数据对应的子高斯的累积对数似然函数值，该所有特征数据对应的子高斯的累积对数似然函数值中的最大值对应的故障类型即为待诊断振动信号的故障类型。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明中通过利用多类故障振动信号，并对每类振动信号添加标签以此将故障类型数划分为两类标签，两类标签数据集减小了模型分类难度，保证了较好的模型训练表现，使得最终的卷积神经网络模型对各自对应的故障振动信号具有较好的特征提取能力；

2、本发明获得多个最终卷积神经网络模型后，分别利用每种故障类型对应的卷积神经网络模型中卷积层和池化层作为特征提取器提取对应故障振动信号的特征映射图谱，通过对应的特征提取器的自动特征提取，保证提取到的特征映射图谱包含大量与该故障类型相关的信息，特征提取效果好；

3、本发明获得特征映射图谱后，将其转换为一维特征数据，针对每类一维特征数据分别采用高斯混合模型对该类一维特征数据的真实分布进行模拟和逼近，并在贝叶斯网络框架下构建图模型表示所有故障类型的一维特征数据、高斯混合模型参数和故障类别之间的关系，其中，高斯混合模型能进一步对其对应故障类型的一维特征数据进行分布模拟和逼近表示后，基于各类一维特征数据之间分布的差异性能更好的实现不同故障类型的区分；再者，在贝叶斯网络框架构建关于所有故障类型的一维特征数据、高斯混合模型参数和故障类型关系的图模型能直观反映出一维特征数据与故障类别之间的关系，并且利用EM算法和获得的一维特征数据能保证图模型的推理性能具有全局最优表现，基于待诊断振动信号的一维特征数据和高斯混合模型的拟合程度，即各子高斯混合模型的累积对数似然函数可以准确实现待诊断振动信号的诊断。

附图说明

图1是按照本发明的优选实施例所构建的故障诊断方法流程图；

图2是按照本发明的优选实施例所构建的卷积神经网络的示意图；

图3是按照本发明的优选实施例所构建的基于高斯混合模型的图模型；

图4是按照本发明的优选实施例所构建的六种轴承状态振动信号时域分布图；

图5是按照本发明的优选实施例所构建的多种故障识别方法的识别精度对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于卷积神经网络和高斯混合模型的轴承故障诊断方法，该方法包括：

步骤1：获取轴承在不同故障工况下的监测振动信号，针对每种故障的振动信号构造分别构建卷积神经网络模型；

步骤2：针对每种卷积神经网络模型，构造只含标签“0”和“1”的训练样本集，构造的规则为属于该故障工况的振动信号样本添加标签“0”，其他故障工况的振动信号样本添加标签“1”，利用获得的振动样本集分别训练对应的卷积神经网络模型；

步骤3：如图2所示，利用训练完成的卷积神经网络模型分别对故障振动信号样本进行特征提取，取卷积神经网络中卷积层和池化层作为特征提取器，将故障振动信号样本输入对应的特征提取器中，提取特征映射图谱，并将获得的特征映射图谱转化为一维特征数据，以此获得所有故障类型对应的一维特征数据，形成一维特征数据集；

步骤4：利用高斯混合模型对一维特征数据的真实分布进行模拟和逼近，并在贝叶斯网络框架下构建图模型反映所有故障类型的一维特征数据、高斯混合模型参数和故障类别之间关系的初始图模型，如图3所示，构建该初始图模型包括对故障类别、子高斯成分和高斯参数分别进行赋值，其中故障类别根据为已知的故障类别的总数量，子高斯成分为高斯混合模型中对一维特征数据进行模拟和逼近中采用的正态分布权重个数，可根据经验进行设定，对于高斯参数，可以对其赋予任意的初始值；

将每个故障类型对应的一维特征数据输入初始图模型中，利用EM算法对初始图模型进行训练，以此不断更新高斯混合模型参数，直至达到迭代的次数或更新前后的高斯混合模型参数差值小于预设阈值，以此获得最终的图模型；

步骤5：获取不同轴承在未知工况下的实时振动信号，并将振动信号制作成测试样本；利用上述获得的特征提取器，分别对测试样本进行特征提取，获得多个一维特征数据，将每个一维特征数据输入到训练完成的最终的图模型中，以此获得所有特征数据对应的子高斯的累积对数似然函数值，所有特征数据对应的子高斯的累积对数似然函数值中的最大值对应的故障类型为待诊断振动信号的故障类型，至此，实现旋转机械轴承的故障诊断。

进一步地，在步骤1和4中，在获取旋转机械轴承的振动信号和实时信号后，对振动信号进行平滑和归一化处理，以此消除振动信号中异常值，然后对振动信号进行数据切分，扩展振动信号样本，并将切分获得的振动信号样本转化为具有二维格式的Hankel矩阵。

进一步地，步骤2中，每个子卷积神经网络模型中包括多个卷积层、多个池化层、一个全连接层和一个二分类的分类器，卷积神经网络模型中主要层为卷积层和池化层，其中它们的运算过程为：

2.1卷积运算

其中q＝1,2,...,Q当q＝1，

表示输入层的输入数据，当q＝2,...,Q时，Q表示示上层中输出的特征图谱的个数，

表示第q个特征图谱，

表示第l层中第k个积核获得的特征图谱的偏置，

表示第l层中第k个卷积核获得的特征图谱的权重，f(x)表示Relu激活函数。

2.2池化运算

x_ijk＝down(x_i'j'k)

池化运算是池化层中一种对输入数据进行下采样操作，目的为降低数据维度。这里，down(·)示下采样操作，常用的下采样操作有最大值采样和平均值采样。最大值的下采样可以表示为，在第k个特征图谱中的长度为p，宽度为q局部域中，局部域中所有的数据x_i'j'k，由局部域中的最大值代表该局部域，其中i≤i'＜i+p,j≤j'＜j+q，平均值采样为取局部域中的平均值代表该局部域。

进一步地，步骤2中，获得多个针对不同故障类型的振动信号训练样本集，分别用来训练各自对应的初始卷积神经网络模型，其训练流程为，通过前向传播算法计算各个节点的网络参数，得到网络的损失函数(分类误差)，利用损失函数和后向传播实现对卷积神经网络模型各层节点参数的更新和调优，确定模型网络节点参数后，得到与故障类型对应的最终卷积神经网络模型，针对其他故障类型采用同样的方式训练获得对应的卷积神经网络模型。

进一步的，在步骤4中，利用获得的各类一维特征数据样本训练在贝叶斯网络下建立的基于高斯混合模型的图模型，其具体流程为：

步骤4.1：取卷积神经网络模型的卷积层和池化层作为特征提取器，将步骤1中获得各类故障训练样本分别输入至对应的特征提取器中获取特征映射图谱，并利用flatten方法将提取到的特征映射图谱由多维转化为一维特征数据；

步骤4.2：如图3所示，在贝叶斯框架下构建用于表示一维特征数据、高斯混合参数和故障类型之间关系的图模型，模型的构建过程如下：

对步骤4.1提取到的一维特征数据分布进行分析，采用高斯混合模型对每类故障特征数据的真实分布进行模拟和逼近，在高斯混合模型中每类故障类型特征数据分布，可由C个子高斯密度函数加权近似表示，其表达式如下：

其中，X_k表示第k种故障类型训练样本的特征数据，

表示高斯密度函数，

分别表示第c个子高斯的均值和方差，ρ_k,c表示第c种混合高斯成分的混合权重，ρ_k,c满足下式：

基于上述，求解高斯混合模型的关键为学习高斯混合模型参数

由于一维特征数据、高斯混合模型参数和故障类型之间存在着不确定的因果关系，故在贝叶斯网络框架下，构建对三者关系进行表示的图模型，其构建步骤包括：定义故障类型、子高斯成分以及高斯参数三个节点，它们之间因果关系为故障类型是子高斯成分和高斯参数的父节点，高斯成分是高斯参数的父节点。

步骤4.3：针对上述的图模型，利用EM算法和获得一维特征数据对图模型参数进行优化。其中，EM算法主要包含两步：第一步，利用一维特征数据样本对上述的三个网络节点进行参数赋值；第二步，在前一步的赋值基础上，对节点参数进行调整，提升整个模型对一维特征数据样本的拟合程度，并当达到迭代次数或符合参数偏差设置要求时，停止迭代，得到最终模型。

进一步的，步骤5中，包括：将待诊断信号样本分别作为步骤2获得的特征提取器的输入，获取映射图谱并转换为一维特征数据，得到多个一维特征数据样本，将其输入至训练后获得图模型中，在节点故障类型中输出待诊断测试振动信号的一维特征数据和高斯混合模型拟合程度结果，即各子高斯的累积对数似然函数值大小，推断出测试样本所属的故障类型。

假定用α_i,i＝1,2,...,k表示故障类型的类别，则对故障类型α_i的似然函数可以表示为，C个子高斯的密度函数的加权和，其表达式为：

上式的对数似然函数值可以写为：

其中f(X)表示经卷积神经网络模型特征提取和转换后获得一维特征数据。

进一步的，步骤5中，待诊断振动信号经卷积神经网络模型特征提取后，获得k个特征映射图谱，经步骤3的flatten方法转换后获得k个一维特征数据，每个一维特征数据输入图模型中从故障类型节点可获得k个对数似然函数，根据似然函数最大的准则进行诊断，即:

index([max{l₁₁,l₂₁,...,l_k1},max{l₁₂,l₂₂,...,l_k2},...,max{l_1k,l_2k,...,l_kk}])

其中max{l_1k,l_2k,...,l_kk}表示取每次输入一维特征数据对应同一类别的似然函数的最大值，index()操作为取输入列表的最大值的角标，即待诊断振动信号的类别。

下面使用轴承中轴承故障的实验数据对本发明方法的有效性进行验证。

实验数据由多个故障的LDK UER204滚动轴承振动信号组成，振动信号为在三类实验工况(35Hz，12kN；37.5Hz，11kN；40Hz，10kN)下采集获得，每类工况下各有5个待测试的故障轴承。滚动轴承的失效部件有外圈、内圈、保持架和滚动体，故障类型有外圈磨损、外圈裂损、内圈磨损、保持架断裂以及由以上故障类型复合的两种故障，六种轴承状态振动信号时域分布图如图4所示，利用上述六种轴承故障数据验证本发明方法的有效性其具体操作流程如下：

步骤1：获得15组轴承故障数据中同种故障类型的数据，并按照故障类型种类将它们组合成六种故障类型的振动信号数据。不同故障类型的监测信号相互之间存在一定的差异，图4中显示了滚动轴承在健康状态运转、外圈故障运转、内圈故障运转、保持架故障运转以及两种复合故障运转的监测信号的时域分布图，信号之间有差异，但还不能通过时域信号进行明确的轴承状态区分。此外，对振动信号进行预处理和切分，将切分后获得振动信号样本转换为二维Hankel矩阵。然后，针对六种故障类型分别构建卷积神经网络模型；

步骤2：针对每个卷积神经网络模型，依次构造振动信号样本集，构造规则为，属于该类故障的振动信号样本集添加标签“0”，从其他故障类型中抽取的振动信号样本组成样本集添加标签“1”，将集合上述两种标签的样本作为该卷积神经网络模型的训练样本集，其他卷积神经网络模型依次构造训练样本。利用获得的训练样本集，分别采用前向后向传播的训练方法对故障类型对应的卷积神经网络模型进行训练和调优，最后得到六个具有最优参数卷积神经网络模型。

步骤3：将步骤1中获得的六种故障训练样本分别作为对应卷积神经网络模型的输入，利用对应的卷积神经网络模型对每种训练样本进行深度特征数据提取，取卷积神经网络中多个卷积层和池化层作为特征提取器对各个训练样本进行特征映射图谱提取，并用flatten方法其转化为一维特征数据以此获得所有故障类型振动信号样本对应的一维特征数据，形成一维特征数据集；

步骤4：针对每个故障类型对应的一维特征数据，采用高斯混合模型对所述一维特征数据进行模拟和逼近，以此获得所有故障类型的一维特征数据对应的高斯混合模型参数。在贝叶斯网络框架下构建图模型表示一维特征数据、高斯混合模型参数和故障类型之间的关系，利用EM算法和获得故障类型的一维特征数据优化图模型参数，将获得的图模型作为故障诊断模型。

步骤5：获取待测滚动轴承的实时信号，对信号进行平滑和归一化预处理，并制作成测试样本。将测试样本分别作为获得的六个特征提取器的输入获取六种特征映射图谱并将其分别转换为一维特征数据，然后将获得的一维特征数据分别输入至获得图模型之间，并在故障类型节点中输出待诊断测试样本和高斯混合模型拟合程度结果，即各子高斯的累积对数似然函数，推断出测试样本所属的故障类型。

为了突出本发明方法在故障诊断方面的优势，本方法与支持向量机(SVM)、卷积神经网络模型、K-邻近算法(KNN)和集成树(Ensemble Tree)共四种方法进行比较。图5展示了它们之间的平均诊断精度对比结果，从表中可以看到本发明的平均故障诊断精度明显高于其他四种方法。

本发明通过构建针对特定故障类型的卷积神经网络，分别构建两类标签振动信号样本集，保证卷积神经网络的训练表现，取训练后的卷积神经网络中的卷积层和池化层作为特征提取器来对故障类型数据进行特征映射图谱提取。本发明根据各类故障振动信号之间的分布差异，提出将特征映射图谱转换为一维特征数据，对特征映射图谱的分布进行分析，区分不同的故障类型。并且，提出利用高斯混合模型模拟和逼近每种故障类型的一维特征数据的真实分布，在贝叶斯网络框架下构建关于所有故障类型的一维特征数据、高斯混合模型参数和故障类型关系的图模型，并基于在故障类型节点中输出待诊断测试样本和高斯混合模型拟合程度结果，即各子高斯的累积对数似然函数，推断出测试样本所属的故障类型。一方面，在本发明中不需要人工对原始信号进行特征设计和提取，直接可以从原始信号出发，实现了端到端的故障诊断，有效的节省人力物力；另一方面，采用高斯混合模型对一维特征数据进行分布分析，可进一步的挖掘出不同故障类型之间的差异性，在贝叶斯网络框架下构建的基于高斯混合模型的图模型能有效地解决轴承的故障诊断问题。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，该方法包括下列步骤：

(a)对于旋转机械轴承，采集其在不同故障工况下的振动信号，以此获得多个故障工况下的振动信号形成的数据集,根据每种故障类型，构建与该故障类型相对应的初始卷积神经网络模型；

(b)在训练每个故障类型对应的初始卷积神经网络模型时，首先对所述数据集中的振动信号添加标签，当所述振动信号对应的故障类型与当前训练的初始卷积神经网络模型对应的故障类型相同时，对该振动信号添加标签A，否则添加标签B，然后，采用所述数据集中的振动信号和与该振动信号对应的标签训练所述初始卷积神经网络，以此获得所有故障类型各自对应的最终卷积神经网络模型；

(c)对于每个故障类型对应的最终卷积神经网络模型，将该最终卷积神经网络模型对应的故障类型的振动信号输入所述最终卷积神经网络模型中，提取该卷积神经网络模型中卷积层和池化层的输出作为特征映射图谱，将该特征映射图谱转化为一维特征数据，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；

(d)对于每个故障类型对应的一维特征数据，采用高斯混合模型对所述一维特征数据进行模拟和逼近，以此获得所有故障类型的一维特征数据对应的高斯混合模型参数；在贝叶斯网络框架构建关于所有故障类型的一维特征数据、高斯混合模型参数和故障类型关系的初始图模型，利用所述所有故障类型的一维特征数据训练所述初始图模型，当满足预设条件后停止训练，以此获得最终的图模型；

(e)对于待诊断振动信号，利用所述最终的图模型诊断所述待诊断振动信号对应的故障类型，以此实现故障的诊断。

2.如权利要求1所述的基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，在步骤(a)中，当采集其在不同故障的工况下的振动信号后，优选对每个振动信号进行预处理和切分处理，该预处理包括平滑、归一化，平滑和归一化处理用于以此消除所述振动信号中的奇异点；所述切分处理用于对所述振动信号进行截取，以此扩展获得所需的振动信号样本。

3.如权利要求2所述的基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，在对振动信号进行预处理后还需将处理后的振动信号转化为二维矩阵格式，以此适应所述初始卷积神经网络的输入格式要求。

4.如权利要求2所述的基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，所述奇异值优选按照下列标准进行判断：振动信号上的点对应的振幅值与振幅平均值超过三倍的振幅标准差时，该点为奇异点。

5.如权利要求1所述的一种基于神经网络和高斯模型的轴承故障诊断方法，其特征在于，在步骤(c)中，所述将该特征映射图谱转化为一维特征数据优选采用flatten方法。

6.如权利要求1所述的一种基于神经网络和高斯模型的轴承故障诊断方法，其特征在于，在步骤(d)中，用所述所有故障类型的一维特征数据训练所述初始图模型优选采用EM算法。

7.如权利要求1所述的基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，在步骤(d)中，所述预设条件为：迭代次数大于预设次数值或前后两次的高斯混合模型参数之差小于预设阈值。

8.如权利要求1-6任一项所述的基于卷积神经网络和高斯混合模型的轴承故障诊断方法，其特征在于，在步骤(e)中，所述利用所述故障诊断模型诊断所述待诊断振动信号的对应的故障类型，优选先利用步骤(b)中获得所有故障类型各自对应的最终卷积神经网络模型分别对所述待诊断振动信号提取获得特征映射图谱，以此获得多个特征映射图谱，将给多个特征映射图谱转化为多个一维特征数据，最后，将多个该一维特征数据输入所述故障诊断模型中进行故障预测，以此获得所有特征数据对应的子高斯的累积对数似然函数值，该所有特征数据对应的子高斯的累积对数似然函数值中的最大值对应的故障类型即为待诊断振动信号的故障类型。

Images