CN110779722B - 一种基于编码器信号局部加权的滚动轴承故障诊断方法 - Google Patents

Abstract

一种基于编码器信号局部加权的滚动轴承故障诊断方法，利用编码器采集旋转机械各状态角位移信号，并采用移动时窗进行信号的分割；基于分割数据，构造示例生成器并预先训练示例生成器，得到信号的多种示例；将信号的多种示例，采用预先训练好的示例生成器，结合多示例多标签网络，采用局部加权策略，形成局部加权多示例多标签网络，使用训练好的局部加权多示例多标签网络识别待识别数据集的轴承健康状态。本发明通过对编码器信息进行深度挖掘，弥补了传统振动信号在工业现场应用的不足，同时构造了深度学习网络，克服了传统诊断方法中对专家知识的依赖，为降低未来智能故障诊断系统的成本提供了一种有效的工具。

Description

一种基于编码器信号局部加权的滚动轴承故障诊断方法

技术领域

本发明涉及滚动轴承状态评估方法，具体为一种基于编码器信号局部加权的滚动轴承故障诊断方法。

背景技术

滚动轴承是现代机械设备的关键部件，广泛应用于航空航天、工程机械、船舶设备、水利工程等领域。滚动轴承的健康状态和性能直接影响到机械设备的安全可靠性。轴承的故障可能导致整个机械系统的停机，造成不可想象的经济损失。因此，滚动轴承的状态监测对于保证设备的安全运行和减少意外停机损失起着至关重要的作用。

振动信号是工业领域中最常见的监测信号，加速度传感器通常安装于机械传动系统的关键位置来捕捉振动信号。一般情况下，通过对传感器采集到的振动信号进行分析，可以判断被监测设备的状态。虽然振动信号的状态检测已经取得了许多成果，但仍有许多不容忽视的地方。首先，在数控机床等大型机械的监控中，较长的传动路径会削弱机械结构表面的振动响应。因此，被测信号能量较弱，容易被噪声等干扰所掩盖。其次，对于由许多小型机电系统组成的工业设备，在每个关键部件上安装加速度计的成本是不可接受的。第三，由于空间有限或环境恶劣，许多工业应用中不允许安装振动传感器。因此，如何利用系统内置的传感器如编码器信息来识别轴承的健康状态是一个有待解决的问题。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于编码器信号局部加权的滚动轴承故障诊断方法，解决了传统振动信号在工业应用中的不足，探索了旋转机械系统中内置传感器信息的使用，利用深度学习技术，高效、准确的识别了轴承的健康状态，为降低未来智能故障诊断系统的成本提供了一种有效的工具。

为实现上述目的，本发明是通过以下技术方案来实现：

一种基于编码器信号局部加权的滚动轴承故障诊断方法，包括如下步骤：

步骤(1)，利用编码器采集旋转机械各状态角位移信号，并采用移动时窗进行信号的分割；

步骤(2)，基于步骤(1)得到的分割数据，构造示例生成器并预先训练示例生成器，得到信号的多种示例；

步骤(3)，将信号的多种示例，采用步骤(2)预先训练好的示例生成器，结合多示例多标签网络，采用局部加权策略，形成局部加权多示例多标签网络，使用训练好的局部加权多示例多标签网络识别待识别数据集的轴承健康状态。

本发明进一步的改进在于，步骤(1)中，采用移动时窗进行信号的分割的具体过程如下：

首先，测量滚动轴承在不同转速及各故障类型下编码器信号；

然后，选择最优前进步长，采用移动时窗对编码器信号进行分割，得到的数据样本；

最后，划分得到的数据样本为训练样本与测试样本。

本发明进一步的改进在于，步骤(2)中，构造示例生成器的具体过程如下：

首先，搭建网络卷积层，自适应提取编码器信号泛化特征；

其次，利用池化算法，对网络卷积层提取的编码器信号泛化特征进行降维；

然后，通过全连接层对提取的编码器信号泛化特征进行二次表达；

最后，调整网络激活函数与学习率，完成网络的构建，并使用数据进行预训练。

本发明进一步的改进在于，调整网络激活函数与学习率，完成网络的构建的具体过程如下：

1)输入训练数据，得到神经网络的输出：

式中：softmax(.)函数将输入映射为总和为1的概率分布；

为网络输出函数，其中参数x、W、b分别代表网络输入、卷积核集合、偏置集合；

2)根据神经网络的输出，计算网络损失函数Loss：

Loss＝-∑Y_labellnY_predict

式中：Y_label为真实标签向量；Y_predict为归一化网络输出概率向量；

3)利用反向传播算法，不断迭代更新网络参数直到收敛：

式中η为学习率；Θ为卷积核和偏置的参数集合，k表示迭代次数。

本发明进一步的改进在于，步骤(3)中，形成局部加权多示例多标签网络具体通过以下过程实现：

首先，基于预训练的示例生成器，对示例生成器生成的特征进行二次采样，形成多个示例；

其次，重塑多个示例中的每个一维示例为二维结构，构造子概念层，将局部特征分配给对应标签；

然后，通过二次全局的平均池化，完成多示例多标签网络的构建，并使用相同数据进行二次训练。

本发明进一步的改进在于，形成多个示例的步骤如下：

1)基于预训练的示例生成器，去除用于分类的最后一层，留下特征层；

2)使用卷积层对特征层进行二次采样，得到多个示例。

本发明进一步的改进在于，构造子概念层的方法为：

a)设计二维结构，其横坐标分别对应各类标签，纵坐标为每个示例从属于对应标签的得分；

b)重排得到的示例为二维结构，形成子概念层。

本发明进一步的改进在于，二次全局的平均池化的过程为：

1)对每个二维结构进行纵向平均池化，得到局部特征子集从属于对应标签的平均得分；

2)对所有二维结构池化后得到的标签向量进行二次全局平均池化，得到每个标签的全局平均得分。

本发明进一步的改进在于，步骤1)中进行纵向平均池化和步骤2)中进行二次全局平均池化均采用以下公式计算：

式中：N为特征输入的数量，m_i,j为从属于j类的第i个输入特征，h_j为第j类的平均得分。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种基于编码器信号局部加权的滚动轴承故障诊断方法，使用旋转机械内置编码器信号，具有易于获取的特点；通过IG自适应提取信号特征，克服了传统机器学习中特征提取对于专家知识的依赖。使用多示例多标签网络，完成了特征与标签的独立连接，避免了传统全连接策略中共享特征易导致的误判。通过局部的加权，强化了局部特征与标签间的联系，提高了网络的鲁棒性。使用本发明可增加机械设备状态识别的可靠性，具有低成本、高效、实用等特点，适用于现场实时识别旋转机械系统轴承的健康状态，为基于编码器信号的智能诊断方法提供一个可靠、便利的工具，具有重要的领域意义与广阔的应用前景。

附图说明

图1为利用编码器信号进行滚动轴承故障诊断的流程图。

图2为子概念层中的二维结构。

图3为局部加权多示例多标签网络的结构简图。

图4为120rpm转速下，网络测试结果箱型图。

图5为300rpm转速下，网络测试结果箱型图

图6为600rpm转速下，网络测试结果箱型图

图7为网络输出结果可视化图。其中，(a)为AD-SVM，(b)为IAS-SVM，(c)为CNN，(d)为LWMML。

具体实施方式

下面结合具体的事例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参照图1所示，本发明提供了一种基于编码器信号局部加权的滚动轴承故障诊断方法，包括如下步骤：

步骤(1)，利用编码器采集旋转机械各状态角位移信号，并采用移动时窗进行信号的分割；

步骤(2)，基于步骤(1)得到的分割数据，构造并预先训练示例生成器(InstanceGenerator,IG)，以得到信号的多种示例；

步骤(3)，将信号的多种示例，采用步骤(2)预先训练好的IG，结合多示例多标签网络，采用局部加权策略，形成局部加权多示例多标签网络(Local Weighted Multi-instance Multi-label Network,LWMIML)，使用训练好的网络(LWMIML)识别待识别数据集的轴承健康状态。

本发明利用编码器信号识别旋转机械滚动轴承健康状态按以下具体步骤实施：

(1)信号分割；

首先，测量滚动轴承在不同转速及各故障类型下编码器信号；

然后，选择最优前进步长，采用移动时窗对编码器信号进行分割，得到的数据样本；

最后，按照比例(一般是训练样本70％、测试样本30％)，划分得到的数据样本为训练样本与测试样本。

(2)IG网络构建；

首先，搭建网络卷积层，自适应提取编码器信号泛化特征；

其次，采用稀疏的思想，利用池化算法，对网络卷积层提取的编码器信号泛化特征进行降维(降维具体为将1000个神经元减少到500个神经元，缩短信号维度)；

然后，通过全连接层对提取的编码器信号泛化特征进行二次表达；

最后，调整网络激活函数与学习率等超参数，完成网络的构建，并使用数据进行预训练。

进一步的，调整网络激活函数与学习率等超参数，完成网络的构建的具体过程如下：

1)输入训练数据，得到神经网络的输出：

式中：softmax(.)函数将输入映射为总和为1的概率分布；

为网络输出函数，其中参数x、W、b分别代表网络输入、卷积核集合、偏置集合；

2)根据输出，计算网络损失函数：

Loss＝-∑Y_labellnY_predict

式中：Y_label为真实标签向量，仅含0，1两个数值；Y_predict为归一化网络输出概率向量；

3)利用反向传播算法，不断迭代更新网络参数直到收敛：

式中η为学习率；Θ为卷积核和偏置的参数集合，k表示迭代次数。

(3)LWMIML的形成与应用：

首先，基于预训练的IG网络，对IG网络生成的特征进行二次采样，形成多个示例；

具体的，多个示例生成的步骤如下：

1)基于预训练的IG网络，仅去除用于分类的最后一层，留下特征层；

2)使用卷积层对特征层进行二次采样，得到多个示例(即多个特征向量)；

其次，重塑多个示例中的每个一维示例为二维结构，构造子概念层，将局部特征分配给对应标签；

具体的，构造子概念层的方法为：

a)设计二维结构，其横坐标分别对应各类标签，纵坐标为该特征(每个示例)从属于对应标签的得分。

b)重排得到的示例为二维结构，形成子概念层。

然后，通过二次全局的平均池化，完成多示例多标签网络的构建，并使用相同数据进行二次训练；

其中，二次全局的平均池化的过程为：

1)对每个二维结构进行纵向平均池化，得到局部特征子集从属于对应标签的平均得分。

2)对所有二维结构池化后得到的标签向量进行二次全局平均池化，得到每个标签的全局平均得分。

上述步骤1)和步骤2)中平均池化的计算公式为：

式中：N为特征输入的数量，m_i,j为从属于j类的第i个输入特征，h_j为第j类的平均得分。当进行步骤1)中的纵向平均池化时，h_j对应局部特征子集从属于对应标签的平均得分，当进行步骤2)中的二次全局平均池化时，h_j对应每个标签的全局平均得分。

最后，将待识别数据集输入训练后的LWMIML模型，识别旋转机械滚动轴承健康状态。

以下给出一个具体应用实例过程，同时验证了本发明在工程应用中的有效性。

本实验在SQ机械故障综合模拟实验台开展，进行轴承损伤模拟，共有健康、内圈轻度、内圈中度、内圈重度、外圈轻度、外圈中度和外圈重度共7类轴承。实验采用编码器采集机电传动系统角位移信号，编码器线数为1000线；使用数据采集仪CoCo80进行编码器信号采集，采样频率为51.2kHz。

利用本发明所述方法，轴承健康状态识别方法如下：

(1)数据划分：

首先，在三种转速工况120rpm、300rpm、600rpm下采集编码器数据，采集时间为120s。为了对数据进行扩充，采用移动时窗对其进行样本的划分。移动的步长为0.05s信号长度即5120个点，窗长为0.3s信号长度即15360个点，这保证了在一个窗长长度内至少包含了一个由故障导致的扭转脉冲。对于本发明，样本数共有7*3595即25165个。取其中30％数据进行测试，剩下70％数据进行训练，所有实验均重复5次以避免偶然性和特殊性。

(2)IG构建

IG是一种特殊的深度前馈神经网络，主要用于提取潜在特征。它在计算机视觉、自然语言处理和模式识别等领域取得了显著的进展。在本发明中，设计的IG网络包含五个卷积层、三个池化层、一个展开层和三个全连接层，结构参数由多次试验获得。在本研究中，每个卷积层的输出激活函数为Relu。

三个池化层起着减小了特征维数，表征了平移不变性的作用。池化操作使神经网络学习的特征具有鲁棒性。对于旋转信号，最大池化可以提取出故障引起的信号突变点(如脉冲响应)，因此应用于本发明中。

在最后一个池化层之后，使用一个展开层作为全连接层和卷积层之间的过渡。为了避免过拟合，使用了dropout和l₂正则化两种方法。

(3)LWMIML的形成与应用

基于预训练的IG网络，舍弃最后的全连接层，通过卷积操作对IG提取的特征进行二次采样，形成多个示例。通过重排操作将每个示例构造成一个二维结构，如图2所示。之后通过对子概念层进行二次全局的平均池化，完成信号局部特征的表达，图3展示了LWMIML的整体框架，网络的训练参数如表1所示。

为了验证本发明的有效性，选择了常用的支持向量机(SVM)和CNN进行了对比，CNN的结构与激活函数等均与上述IG相同。SVM的输入参数为传统时域、频域特征，由原始编码器角位移信号与通过差分得到的瞬时角速度信号计算而来。将基于角位移信号的SVM和基于瞬时角速度的SVM分别命名为AD-SVM、IAS-SVM，在不同转速下测试得到的结果箱型图如图4、图5和图6所示。以600rpm转速数据为例，提取网络的输出，使用t-SNE降维后结果如图7所示。从图7中可以看出，使用LWMIML方法得到的特征在降维后聚集性较高，清晰的分为了7类。

结果表明，本发明提供的一种基于编码器信号局部加权的滚动轴承故障诊断方法优于其他传统的方法，即使是在低转速下也具有较高的准确率，验证了所提出网络的鲁棒性和有效性。

本发明通过对编码器信息进行深度挖掘，弥补了传统振动信号在工业现场应用的不足，

表1 LWMIML的训练参数

同时构造了深度学习网络，克服了传统诊断方法中对专家知识的依赖，为降低未来智能故障诊断系统的成本提供了一种有效的工具。

Claims (6)

1.一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，包括如下步骤：

步骤(1)，利用编码器采集旋转机械各状态角位移信号，并采用移动时窗进行信号的分割；

步骤(2)，基于步骤(1)得到的分割数据，构造示例生成器并预先训练示例生成器，得到信号的多种示例；

步骤(3)，将信号的多种示例，采用步骤(2)预先训练好的示例生成器，结合多示例多标签网络，采用局部加权策略，形成局部加权多示例多标签网络，使用训练好的局部加权多示例多标签网络识别待识别数据集的轴承健康状态；

步骤(1)中，采用移动时窗进行信号的分割的具体过程如下：

首先，测量滚动轴承在不同转速及各故障类型下编码器信号；

然后，选择最优前进步长，采用移动时窗对编码器信号进行分割，得到的数据样本；

最后，划分得到的数据样本为训练样本与测试样本；

步骤(2)中，构造示例生成器的具体过程如下：

首先，搭建网络卷积层，自适应提取编码器信号泛化特征；

其次，利用池化算法，对网络卷积层提取的编码器信号泛化特征进行降维；

然后，通过全连接层对提取的编码器信号泛化特征进行二次表达；

最后，调整网络激活函数与学习率，完成网络的构建，并使用数据进行预训练；

调整网络激活函数与学习率，完成网络的构建的具体过程如下：

1)输入训练数据，得到神经网络的输出：

式中：softmax(.)函数将输入映射为总和为1的概率分布；

为网络输出函数，其中参数x、W、b分别代表网络输入、卷积核集合、偏置集合；

2)根据神经网络的输出，计算网络损失函数Loss：

Loss＝-∑Y_labellnY_predict

式中：Y_label为真实标签向量；Y_predict为归一化网络输出概率向量；

3)利用反向传播算法，不断迭代更新网络参数直到收敛：

式中η为学习率；Θ为卷积核和偏置的参数集合，k表示迭代次数。

2.根据权利要求1所述的一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，步骤(3)中，形成局部加权多示例多标签网络具体通过以下过程实现：

首先，基于预训练的示例生成器，对示例生成器生成的特征进行二次采样，形成多个示例；

其次，重塑多个示例中的每个一维示例为二维结构，构造子概念层，将局部特征分配给对应标签；

然后，通过二次全局的平均池化，完成多示例多标签网络的构建，并使用相同数据进行二次训练。

3.根据权利要求2所述的一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，形成多个示例的步骤如下：

1)基于预训练的示例生成器，去除用于分类的最后一层，留下特征层；

2)使用卷积层对特征层进行二次采样，得到多个示例。

4.根据权利要求3所述的一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，构造子概念层的方法为：

a)设计二维结构，其横坐标分别对应各类标签，纵坐标为每个示例从属于对应标签的得分；

b)重排得到的示例为二维结构，形成子概念层。

5.根据权利要求2所述的一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，二次全局的平均池化的过程为：

1)对每个二维结构进行纵向平均池化，得到局部特征子集从属于对应标签的平均得分；

2)对所有二维结构池化后得到的标签向量进行二次全局平均池化，得到每个标签的全局平均得分。

6.根据权利要求5所述的一种基于编码器信号局部加权的滚动轴承故障诊断方法，其特征在于，进行纵向平均池化和进行二次全局平均池化均采用以下公式计算：

式中：N为特征输入的数量，m_i,j为从属于j类的第i个输入特征，h_j为第j类的平均得分。

Images