CN110849626A - 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 - Google Patents

Abstract

本发明公开了一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括步骤如下：首先,对滚动轴承处进行振动信号的采集与处理，并将所采集的振动信号转化为频域信号;然后，将所转化的频谱信号分为训练样本集与测试样本集；接着将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；最后，将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；再将测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。本发明简单易行，可以摆脱传统深度学习故障诊断系统在分类阶段是有监督且训练效率低的缺陷。

Description

一种自适应稀疏压缩自编码的滚动轴承故障诊断系统

技术领域

本发明涉及机械设备中的故障诊断技术领域，是一种基于深度学习的智能滚动轴承故障诊断系统。

背景技术

目前，旋转机械设备在工业生产与智能制造等领域扮演着不可或缺的重要角色，发挥着不可替代的积极作用。与此同时，机械设备的健康维护与运行管理已经吸引着越来越多的企业与研发人员的重视。即有效、适当的机械设备状态监测与故障诊断不仅可以保障旋转机械设备的安全运行，而且还可以减少不必要的故障发生、增加机械设备运行的使用寿命、提升整个工业系统的经济效益。

为实现对机械设备的核心部件如滚动轴承等部件的有效诊断，基于振动信号分析的旋转机械故障诊断方法已经逐渐成熟并被广泛应用。一般情况下，振动信号时常伴随着能量聚集等特征现象的出现，当机械设备出现故障时振动信号的能量分布就会发生相应的变化，这些变化都会在传感器采集得到的振动信号中得到体现。目前，我们可以通过在旋转机械的核心部件处(如轴承等)布置相对应数量的传感器等测量仪器对机械设备运行的状况进行有效的信号拾取与状态监测。基于振动信号分析的故障诊断方法主要是对所采集的信号进行处理与分析，从原始的振动信号中提取有效得的故障特征频率，实现故障诊断的有效分析与诊断，为故障维修提供决策的依据。

基于信号分析的故障诊断方法大多是难以量化故障诊断结果，且传感与测量设备所采集的振动信号大多是无标记的、未知的。因此基于振动信号分析的旋转机械故障诊断方法在有效的辨识与分析故障诊断结果的过程受到一定的限制。目前，基于数据驱动的智能诊断方法已在故障诊断领域中不断兴起。即基于数据驱动的智能故障诊断方法大多是基于机器学习的故障诊断方法，即“特征提取+智能分类”的智能故障诊断模式。这种故障诊断模式可有效的避免基于振动信号诊断不精确、依赖大量专家知识的缺陷，它们可实现故障诊断模型的智能化、自动化程度。

深度学习作为智能故障诊断领域的新起之秀，近年来受到极大的关注。深度学习的宗旨在于通过多层的反复嵌套特征变换与特征学习，可以自主地挖掘出隐藏于海量测量与监测数据中的有价值的信息，并通过数据与模型建立其与设备运行状态间的精确映射关系。换句话说，深度学习是以特征提取为手段，以模式识别为目的。即深度学习是统一特征学习与分类的全过程，可以实现“原始信号+深度学习”的传统故障诊断模式的转变。因此，我们展开深度学习理论在机械设备关键机械部件智能故障诊断中的应用研究，对于保障工业设备的安全运行和提高工业生产实际效率具有重要积极意义。

发明内容

本发明为实现滚动轴承等部件的自适应特征提取与故障分离，设计出一种自适应稀疏压缩自编码的滚动轴承故障诊断系统。旨在通过优化深度学习的参数与性能，实现自适应的滚动轴承无监督故障诊断。

根据本发明提出的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括以下步骤：

步骤1：首先,对旋转机械关键部件(滚动轴承等处)进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；

步骤2：将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；

对于自适应稀疏压缩自编码采用逐层贪婪训练法对其进行特征学习，自适应稀疏压缩自编码模型的构建主要包含两个阶段：无监督的逐层预训练阶段和有监督的全局微调阶段。对于自适应稀疏压缩自编码采用逐层贪婪训练法对其进行特征学习，基本步骤可总结如下：

步骤2.1：首先，通过逐层贪婪的训练方式以优化第一层的自适应稀疏压缩自编码的目标函数，自适应稀疏压缩自编码模型的目标函数如下所示：

对于该模型其最大的改变就是它里面的正则化参数λ的取值范围由无限区间变为有限区间(0,1)。这样在迭代的过程中，两个参数的优化问题将会被转变为一个参数的问题，由于λ的取值范围较小且固定在(0,1)之间，使得目标函数最小，实际操作起来就比较容易。而每次的迭代过程，都由于参数取值范围的缩小，实际操作起来比较容易。

其中

是隐藏层输出值关于权重的雅克比矩阵，λ为权衡损失函数和约束项之间的比例系数，λ的取值会在实验中确定。而

表示的是雅克比矩阵的F范数的平方，即雅克比矩阵中每个元素求平方再求和，具体公式如下所示：

雅克比矩阵的F范数的平方求和可以写成更加具体的数学表达式：

式中，h_i为隐藏层的输出，W_ij为输入层与隐藏层的连接权重。引入雅克比矩阵相当于对输入数据做一个类似升维的操作，再经过特征编码之后获得原始输入空间下的高维流形。通过计算局部流形的一阶导数使得在高维流形上的每一个点具有局部不变性，于是产生了雅克比矩阵。通过在自编码网络中引入雅克比矩阵的F范数作为约束项来促使学到的特征具有局部不变性。自编码网络最初是用来给数据降维，学习数据内部特征的，而雅克比矩阵包含数据在各个方向上的信息，可以使得提取到的特征对输入数据在一定程度下的扰动具有不变性。但是传统的压缩自编码并不能提取数据的稀疏性特征，且计算复杂度较高；

步骤2.2：前一层自适应稀疏压缩自编码的隐藏层作为后一层自适应稀疏压缩自编码的输入层：

将训练好的第一层自适应稀疏压缩自编码的隐藏层作为第二层自适应稀疏压缩自编码的输入层继续训练，训练停止后将得到第二层的权重矩阵和偏置向量；以此类推可以得到堆栈的自适应稀疏压缩自编码的全部参数；

步骤2.3：重复步骤2.2，完成所有层的自适应稀疏压缩自编码的训练；

步骤2.4：训练阶段将堆栈的自适应稀疏压缩自编码看成一个整体通过反向传播开始微调；

步骤2.5：将最后一层隐藏层的输出作为分类层的输入，分类层神经元个数为健康状况类别数，为下一步有监督微调做准备；

步骤3：将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；

布谷鸟搜索算法优化的无监督极限学习机训练过程所示：

(1)设置无监督极限学习机的近邻参数(NN)和惩罚系数(Lamada)的范围；

(2)设置布谷鸟搜索算法的迭代次数time、巢穴数量n、被发现概率pa、需要寻优参数个数dim；

(3)对于每个巢穴，随机初始化近邻参数(NN)和惩罚系数(Lamada)的值，作为USELM的参数，求得准确率，并且以预测错误率作为适应度值(fitness)，找到最优的巢穴(即当前最优NN和Lamada的值):

式中:fitness—通过近邻参数(NN)和惩罚系数(Lamada)为参数的USELM分类的准确率；fnew—此时的适应度(目的是求最小fnew下应的近邻参数(NN)和惩罚系数(Lamada))。

(4)使用Levy飞行更新巢穴，将更新后的近邻参数(NN)和惩罚系数(Lamada)的值作为无监督极限学习机的参数，重复步骤(3)得到一组新的巢穴；

(5)以pa为概率随机淘汰掉一部分巢穴，将新的适应度值与步骤(4)得到的适应度值进行比较，得到最优的巢穴；

(6)从步骤(5)中找到最佳巢穴，如果优化目标函数值满足结束条件，则输出全局最好的巢穴和最好的适应度值，否则返回步骤(4)继续优化。

由于布谷鸟搜索算法算法是局部最优搜索与全局最优搜索相结合的搜索算法，不易陷入局部最优的情况，分类准确度会比传统方法更高。

无监督极限学习机的主要训练步骤如下所示：

首先，初始化无监督极限学习机的网络参数，训练数据X＝{x_i}^N，i＝1是未标记的(N是训练模式的数量)。优化无监督极限学习机的误差函数中加入流型正则化项，无监督的极限学习机的公式可以描述如下：

s.t(Hβ)^THβ＝I_n0

学习目标是找到原始数据的基础结构。当没有数据标签结构时，其目标函数为：

这里的λ是惩罚项的调节参数，β是隐藏层与输出层连接的输出权重，

η(x_N)表示隐藏层相对于x的输出向量，L∈R^(l+u)×(l+u)是标记与未标记数据构建的拉普拉斯算。

步骤4：再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。

采用一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，在本研究设计出一种新的故障诊断系统—新型的自适应稀疏压缩自编码结合优化的无监督极限学习机的滚动轴承故障诊断系统，该系统首先是将提取的振动信号输入到所构建的自适应稀疏压缩自编码模型中进行特征提取，然后将提取的敏感特征输入到布谷鸟搜索算法优化的无监督极限学习机分类器中进行快速的故障分离；

该故障诊断系统的核心在于在特征提取阶段，传统的压缩自编码模型被通过稀疏学习理论与同伦正则化进行参数优化与性能改进，一种更为强大的自适应多层特征提取器被设计出来；

在故障分离阶段，通过布谷鸟搜索算法优化的无监督极限学习机进行参数优化，使得所设计的布谷鸟搜索算法优化的无监督极限学习机算法可实现自适应的无监督的故障分离与识别。

此外，本发明简单易行，适用于滚动轴承的快速自适应的故障诊断。

附图说明

图1是本发明一种自适应稀疏压缩自编码滚动轴承故障诊断系统流程图；

图2是自适应稀疏压缩自编码的模型结构图；

图3是加速轴承寿命试验机结构示意图；

图4是七类健康状况下振动信号的时域与频域波形；

图5是所发明的滚动轴承故障诊断系统的诊断结果。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

当前，基于数据驱动的智能故障诊断已逐步成为滚动轴承智能故障诊断的主流趋势之一。针对传统的深度神经网络无法为实现自适应的特征提取与故障分离，本发明设计一种自适应稀疏压缩自编码的滚动轴承故障诊断系统。所设计的故障诊断系统可分别利用同伦正则化理论、稀疏理论、布谷鸟搜索算法优化的无监督极限学习机等工具对原始的压缩自编码与无监督极限学习机算法进行参数优化与诊断性能提升。最后，滚动轴承实验数据验证了该发明的有效性。

一种自适应稀疏压缩自编码滚动轴承故障诊断系统流程如图1所示，步骤可总结如下：

步骤1、首先,对旋转机械关键部件(滚动轴承等处)进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；

步骤2、将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；

步骤3、将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；

步骤4、再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断；

具体方法说明如下：

(1.1)对设计的自适应稀疏压缩自编码模型(ASCAE)的说明

与其他常用的基于压缩自编码的故障诊断方法相比，所设计的模型的具有的优点如下所示：

(1)模型的稀疏性能得到加强；

(2)参数自适应能力得到提升；

(3)在分类阶段所优化的布谷鸟搜索算法优化的无监督极限学习机被用于实现稀疏压缩特征的稳定、快速的自适应识别。

对自适应稀疏压缩自编码模型(ASCAE)详细描述如下所示：

受压缩感知(Compressed sensing)的推动，基于L1范数的稀疏约束作为基本正则化条件受到空前的关注，并迅速成为信号、图像处理及相关领域的前沿研究课题。基于L1范数的稀疏正则化方法的解通常是稀疏的，而通过控制待求变量能量的L2范数正则化方法的解常常是非稀疏的。稀疏理论的出现为稀释特征的提取提供一种有效的解决方法，可以提升模型的泛化性能。在实际应用中，我们发现传统的压缩自编码算法对信号噪声的鲁棒性不强，故障特征提取的复杂度较高。然而，L1规范可以使数据稀疏，而L2规范可以防止数据的过度拟合并提高模型的泛化能力。因此，如果将L1和L2规范的优点结合起来，则可以充分调整数据的稀疏特征和深度神经网络的泛化性能。为综合利用上述两种类型的正则化技术，我们设计将L1和L2范数组合在一起的范数组合(L1/L2)，以提升通用压缩自编码算法的泛化能力。借助组合稀疏组范数的思想，我们可以将稀疏理论的思想引入到压缩自编码模型中，以此提升模型特征的稀疏性与判别性能。

通过约束权重矩阵w，在低维空间中获得足够平滑的投影，以保持数据原始空间的结构信息。常用的规范方法包括L1范数，L2范数和范数组合。也就是说，L1范数表示为w向量的每个元素的绝对值之和，可以写成如下形式。

L1范数的解通常是稀疏的，并且倾向于选择数量较少的特征向量。L2范数是w向量的每个元素的平方和的1/2幂。因此，L2范数也称为欧几里得范数(欧几里得距离)或Frobenius范数。

L2范数越小，可以使w的每个元素越小，接近0，但是与L1范数不同，它不让它等于0而是接近0。L1/L2范数可以编写如下：

据我们所知，上述组合规范的正则化项可以使学习到的结构信息变得稀疏和泛化。这种约束使得提取的要素类的内部性更加紧密，并且类距离更加分散，从而使得提取特征的通用性能更好。综上所述，上述组合范数的正则化项可以嵌入到原始压缩自编码目标函数中。因此，具有组合稀疏范数的新目标函数定义为：

但是上述所设计的稀疏与压缩自编码模型在其目标函数中存在两个正则化项的调节参数同时优化比较困难的问题。针对上述问题，我们把数理方程反问题中的新思想—同伦正则化的思想引入到该种模型中，将上述两个正则化参数的取值范围由无限区间(0,+∞)改进为有限区间(0,1)，建立一种新型的自适应的压缩自编码模型。与原模型相比，设计的ASCAE模型正则化参数更容易优化。在该设计的模型中运用了数学中的同伦正则化思想，

所谓同伦，广义上来说，就是对于任意两个函数F(x)和G(x)，引入一个正则化参数λ，从而得到一个全新的函数：H(x)＝(1-λ)F(x)+λG(x)，其中参数λ的取值范围为(0,1)。当λ＝0时，H(x)＝F(x)；当λ＝1时,H(x)＝G(x)。当λ从0连续变化到1时，函数H(x)就从F(x)连续变化到G(x)，这样参数λ就把F(x)和G(x)联系起来。在上式中，F(x)与G(x)称为同伦。我们就是根据同伦正则化在数理方程反问题中的优点，把该思想引入到深度学习的稀疏压缩自编码模型中。改进后的自适应稀疏压缩自编码模型的目标函数如下所示：

对于新模型其最大的改变就是它里面的正则化参数λ的取值范围由无限区间变为有限区间(0,1)。这样在迭代的过程中，两个参数的优化问题将会被转变为一个参数的问题，由于λ的取值范围较小且固定在(0,1)之间，使得目标函数最小，实际操作起来就比较容易。而每次的迭代过程，都由于参数取值范围的缩小，实际操作起来比较容易。

自适应稀疏压缩自编码能以无监督形式有效地提取原始数据的低维特征，具备强大的特征表达能力。深度的自适应稀疏压缩自编码的基本组成为自适应稀疏压缩自编码，图2所示是由3层自适应稀疏压缩自编码堆叠而成的深度学习模型，前一个自适应稀疏压缩自编码的隐层数据作为后一个自适应稀疏压缩自编码的输入。

实施例一：加速轴承寿命强化试验机试验数据验证

本实验所用的ABLT-1A型轴承寿命强化试验机适用于内径为

的滚动轴承疲劳寿命强化试验。图3轴承寿命强化试验机的结构示意图，该试验机主要由试验头、试验头座、传动系统、加载系统、润滑系统、电器控制系统、计算机监控系统等部分组成。其中试验头安装在实验头座中，传统系统传递电动机的运动，通过联轴器使试验轴按照一定转速旋转；加载系统提供试验所需的载荷，润滑系统使试验轴在正常情况下充分润滑进行实验；电气控制系统提供动力和电气保护，控制电机和液压油缸等的动作；计算机记录试验温度和振动信息，监控机器的运行情况。

表.1电机-轴承系统实验参数与主要技术指标

在本次实验中中被测对象是型号为6205的单列深沟球轴承轴承，我们在传感器1通道处安装故障轴承，其他三个正常轴承安装第2,3,4通道的传感器，在0载荷情况下分别模拟正常(N)、外圈故障(ORF)、外圈滚动体复合故障(ORBF)、内圈故障(IRF)、内外圈复合故障(ORF)、微弱外圈滚动体复合故障(ORBWF)、微弱内外圈复合故障(IORWF)等共计七类健康状况。我们在转速为17.5HZ、采样频率为10240HZ情况下，每间隔1min情况下采集5s的数据，以电涡流传感器进行振动信号的拾取，并通过数据采集卡将电信号转化数字信号传送到PC机上，借助Labview、MATLAB等软件平台进行数据采集与信号分析，实验的具体参数见表1。

本文实验数据选取以1024个振动点位截取长度，每种状态截取200组样本，并分为训练样本与测试样本。为从多个角度表征机械运行状况，将振动信号转化为频域信号。在滚动轴承故障数据中，滚动轴承七类健康状态的振动信号的时域与频域波形图如图4所示。

为进一步验证所提方法的有效性，根据故障诊断流程如对上述七类滚动轴承故障进行故障诊断。需要说明的是此处数据利用情况是：训练样本为每类健康状况随机选择50个样本，测试样本为剩余的150组样本，共计训练样本为50*7＝350组，测试样本为150*7＝1050组。所设计的故障诊断系统的测样本识别结果如图5所示。可以从聚类图中看出，所设计的滚动轴承故障诊断系统可以准确地识别出滚动轴承的7种健康状态：

综上所述,针对传统的深度神经网络无法为实现自适应的特征提取与故障分离，本发明设计一种自适应稀疏压缩自编码的滚动轴承故障诊断系统。所设计的故障诊断系统可分别利用同伦正则化理论、稀疏理论、布谷鸟搜索算法优化的无监督极限学习机等工具对原始的压缩自编码与无监督极限学习机算法进行参数优化与诊断性能提升。最后，滚动轴承实验数据验证了该发明的有效性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于，包括以下步骤：

步骤1：首先,对滚动轴承等处进行振动信号的采集与信号处理，并将所采集的振动信号转化为频域信号；

步骤2：将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；

步骤3：将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；

步骤4：再将待测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。

2.根据权利要求1所述的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于：步骤1中将所采集的振动信号转化为频域信号是指通过快速傅里叶变换将原始样本集的振动信号转化为频域信号。

3.根据权利要求1所述的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于：所述步骤2中将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习的过程如下：

自适应稀疏压缩自编码模型的构建包含无监督的逐层预训练阶段和有监督的全局微调阶段；所述的对于自适应稀疏压缩自编码采用逐层贪婪训练法对其进行特征学习，基本步骤可总结如下：

步骤2.1：通过逐层贪婪的训练方式以优化第一层的自适应稀疏压缩自编码的目标函数，自适应稀疏压缩自编码模型的目标函数如下所示：

其中是隐藏层输出值关于权重的雅克比矩阵，λ为权衡损失函数和约束项之间的比例系数，λ的取值会在实验中确定。而

表示的是雅克比矩阵的F范数的平方，即雅克比矩阵中每个元素求平方再求和，具体公式如下所示：

雅克比矩阵的F范数的平方求和可以写成更加具体的数学表达式：

式中，h_i为隐藏层的输出，W_ij为输入层与隐藏层的连接权重。

步骤2.2：前一层自适应稀疏压缩自编码的隐藏层作为后一层自适应稀疏压缩自编码的输入层：

将训练好的第一层自适应稀疏压缩自编码的隐藏层作为第二层自适应稀疏压缩自编码的输入层继续训练，训练停止后将得到第二层的权重矩阵和偏置向量；以此类推可以得到堆栈的自适应稀疏压缩自编码的全部参数；

步骤2.3：重复步骤2.2，完成所有层的自适应稀疏压缩自编码的训练；

步骤2.4：训练阶段将堆栈的自适应稀疏压缩自编码看成一个整体通过反向传播开始微调；

步骤2.5：将最后一层隐藏层的输出作为分类层的输入，分类层神经元个数为健康状况类别数，为下一步有监督微调做准备。

4.根据权利要求3所述的一种自适应稀疏压缩自编码滚动轴承故障诊断系统，其特征在于：步骤2.4中，分类层选择的是布谷鸟搜索算法优化的无监督极限学习机分类器。

5.根据权利要求1所述的一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，其特征在于：步骤3将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练，布谷鸟搜索算法优化的无监督极限学习机训练过程所示：

(1)设置无监督极限学习机的近邻参数(NN)和惩罚系数(Lamada)的范围；

(2)设置布谷鸟搜索算法的迭代次数time、巢穴数量n、被发现概率pa、需要寻优参数个数dim；

(3)对于每个巢穴，随机初始化近邻参数(NN)和惩罚系数(Lamada)的值，作为USELM的参数，求得准确率，并且以预测错误率作为适应度值(fitness)，找到最优的巢穴(即当前最优NN和Lamada的值):

式中:fitness—通过近邻参数(NN)和惩罚系数(Lamada)为参数的USELM分类的准确率；fnew—此时的适应度(目的是求最小fnew下应的近邻参数(NN)和惩罚系数(Lamada))。

(4)使用Levy飞行更新巢穴，将更新后的近邻参数(NN)和惩罚系数(Lamada)的值作为无监督极限学习机的参数，重复步骤(3)得到一组新的巢穴；

(5)以pa为概率随机淘汰掉一部分巢穴，将新的适应度值与步骤(4)得到的适应度值进行比较，得到最优的巢穴。

Images