CN111458145A - 一种基于路图特征的缆车滚动轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于路图特征的缆车滚动轴承故障诊断方法，首先通过缆车滚动轴承故障诊断系统监测缆车滚动轴承的振动信号，再将振动信号转化成路图模型，并提取缆车滚动轴承的路图特征，然后使用ReliefF算法筛选重要性最大的路图特征，最后结合随机森林算法对缆车滚动轴承故障进行分类，实现对缆车轴承故障的有效分类。本发明提供基于路图特征的缆车滚动轴承故障诊断方法，解决缆车滚动轴承故障的诊断问题。

Description

一种基于路图特征的缆车滚动轴承故障诊断方法

技术领域

本发明涉及缆车滚动轴承故障诊断领域，特别设计基于路图特征的缆车滚动轴承故障诊断方法。

背景技术

大型缆车是一种旋转类机械，也是大型游乐设施的一种。缆车的主轴系统是缆车重要的承载部件，它由主轴和轴承组成。而大多数缆车轴承属于滚动轴承，其失效可能直接引起缆车事故，造成人员的伤亡。因此，对于大型观缆车轴承的监测具有重要的意义。

目前对于滚动轴承故障特征提取的技术主要是基于传统的时域、频域和时频域信号处理方法。然而随着轴承部件的复杂化，滚动轴承故障振动信号的非线性和非平稳性，传统信号处理方法往往难以有效地提取于轴承故障相关性大的特征，而提取有效的故障特征又是成功诊断机械故障的关键。

近年来，图信号处理方法得到极大发展，随着图谱理论的发展，传统的信号处理方法扩展到图信号的分析上。图结构本身也包含了顶点间的相互关系和边的重要信息。从图结构中可以挖掘出图信号中包含的丰富信息，因此本发明使用图谱理论分析缆车滚动轴承故障诊断。

发明内容

为了解决上述存在问题。本发明提供基于路图特征的缆车滚动轴承故障诊断方法，解决缆车滚动轴承故障的诊断问题。为达此目的：

本发明提供基于路图特征的缆车滚动轴承故障诊断方法，具体步骤如下：

步骤1：搭建缆车滚动轴承故障诊断系统平台，该平台可以通过加速度传感器采集缆车滚动轴承的振动信号y(i)，并将检测到的振动信号划分为训练样本和测试样本；

步骤2：对振动信号y(i)构建相应的路图模型，并得到缆车滚动轴承振动图信号G(y,N)、邻接矩阵W_N×N、拉普拉斯矩阵L_N×N；

步骤3：通过构建的路图模型，提取缆车滚动轴承图信号的路图特征，包括：路图的时域特征、路图的频域特征，并对提取的路图特征使用ReliefF算法筛选重要性最大的路图特征；

步骤4：用训练样本训练随机森林模型，并将测试样本输入到训练完成的随机森林模型中，最终随机森林模型输出缆车滚动轴承的故障诊断结果；

步骤5：使用数据库对分类结果进行相关的数据存储，对于错分的情况，数据库将数据发送至上位机，并对现有模型进行优化升级，从而不断提高模型的分类精确度。

作为本发明进一步改进，所述步骤2中路图模型建立如下：

首先按照一定采样频率分别多次采集缆车滚动轴承不同状态下的振动信号y(i)，其中i＝1,2,…,N，缆车滚动轴承状态分为：外圈故障、内圈故障、滚动体故障、正常状态；

假设振动信号的采样点v_i上的测量值为y_i，将振动信号转化为路图信号G(y,N)＝[y₁,y₂,y₃,…,y_N]^T，N是信号的采样点总数，同时也是路图的顶点数总数，则路径图所对应的邻接矩阵W_N×N可表示为：

w₁₂表示顶点v₁和v₂之间权值，对于任意两个顶点间的权值w_ij可以用下式表示：

其中θ是热核宽度常数，取值0.75；再利用邻接矩阵来构造图G(y,N)的拉普拉斯矩阵L_N×N：

L_N×N＝D_N×N-W_N×N (3)

式中，D_N×N是路图信号的度矩阵，仅在对角线上存在元素，其余元素为0：

拉普拉斯矩阵全面考虑了图结构的完整性，更加详尽的表达了图结构。

作为本发明进一步改进，所述步骤3中提取路图特征方案如下：

首先对拉普拉斯矩阵L_N×N进行正交分解：

LQ_i＝λ_iQ_i (7)

式中λ_i是拉普拉斯矩阵特征值，Q_i是其对应的特征向量，同时特征值满足0＝λ₁≤λ₂≤…≤λ_N；

再对路图信号进行图傅里叶变换，对于一个有N个顶点的路图信号G，其图傅里叶变换可表示为：

式中，

表示G的图傅里叶变换，Q_i表示缆车滚动轴承路图信号的傅里叶变换基；

其中时域特征有：图拉普拉斯能量F₁

式中λ_i是图拉普拉斯矩阵特征值，M是图结构中边的条数，N是图信号的顶点数；

拟图拉普拉斯能量F₂：

拉普拉斯矩阵特征值均值F₃：

拉普拉斯矩阵特征值标准差F₄：

拉普拉斯Estrada指标F₅：

其中频域特征有：频域均值F₆

频域重心F₇:

频域标准差F₈：

频域均方根F₉：

作为本发明进一步改进，所述步骤3中使用Relief算法对路图特征筛选方案如下：

将缆车滚动轴承样本的路图特征组成样本集D，再随机从样本集D中取出样本特征R，然后将整体的样本集D分为两类；一类是与R同类的样本特征；另一类是与R不同类的样本特征，然后再从这两类样本特征中找出k个R的近邻特征，并根据权重公式给这些样本特征赋予特征重要性权重，重要性权重公式如下式：

其中，M_j(C)代表的是C类样本特征集的第j个最近邻样本特征；p(C)表示第C类样本特征的概率；Class(R)表示样本R所属的类别；diff(A,R₁,R₂)表示样本R₁和样本R₂在特征A上的差，其计算公式为：

使用Relief算法对提取的9个特征进行筛选，筛选出与目标类相关性较大的5个特征。

作为本发明进一步改进，所述步骤4中随机森林分类方案如下：

首先使用训练样本提取的路图特征训练随机森林模型，对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将随机森林决策树的个数设置为100；

一般一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应决策树的分类结果，其他的结点对应于属性测试；每个结点包含样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集，从根结点到每个叶结点的路径对应了一个判定测试序列；

当使用随机森林模型对样本进行分类时，将测试样本的路图特征输入到随机森林模型中，随机森林模型通过多颗决策数的分类结果投票得到最接近的样本类别。

作为本发明进一步改进，所述步骤5中数据库方案如下：

本发明的数据库使用MYSQL，利用Python集成的相关函数进行实现，该数据库主要用于保存每个缆车滚动轴承被测样本的振动信号、振动信号的路图特征和滚动轴承的分类结果；同时将错分的缆车振动信号合并到原来的训练集中，并重复步骤2、3、4，实现模型的不断升级，以增强模型的泛化能力和分类的精确度。

本发明一种基于路图特征的缆车滚动轴承故障诊断方法，有益效果在于：

1.本发明将缆车滚动滚动轴承振动信号转化成路图模型，该模型更好的表达了缆车轴承故障的特征；

2.本发明将ReliefF算法应用于缆车滚动轴承的特征筛选，在降维的同时，简化了模型运算过程，提高模型计算速度，也提高了模型识别的精确度；

3.将随机森林算法应用于缆车滚动轴承的故障诊断，提高了故障分类的准确性和效率；

4.本发明为缆车滚动轴承故障诊断提供了一种重要技术手段。

附图说明

图1是整体算法原理流程图；

图2是6个顶点的路径图；

图3是路图特征的重要性权重；

图4是随机森林结构图；

图5是缆车滚动轴承故障分类结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供基于路图特征的缆车滚动轴承故障诊断方法，整体算法原理流程如图1所示，步骤如下所示：

步骤1：搭建缆车滚动轴承故障诊断系统平台，该平台可以通过加速度传感器采集缆车滚动轴承的振动信号y(i)，并将检测到的振动信号划分为训练样本和测试样本；

步骤2：对振动信号y(i)构建相应的路图模型，并得到缆车滚动轴承振动图信号G(y,N)、邻接矩阵W_N×N、拉普拉斯矩阵L_N×N；

步骤2中路图模型建立具体描述如下：

首先按照一定采样频率分别多次采集缆车滚动轴承不同状态下的振动信号y(i)，其中i＝1,2,…,N，缆车滚动轴承状态分为：外圈故障、内圈故障、滚动体故障、正常状态；

假设振动信号的采样点v_i上的测量值为y_i，将振动信号转化为路图信号G(y,N)＝[y₁,y₂,y₃,...,y_N]^T，N是信号的采样点总数，同时也是路图的顶点数总数，则路径图所对应的邻接矩阵W_N×N可表示为：

w₁₂表示顶点v₁和v₂之间权值，对于任意两个顶点间的权值w_ij可以用下式表示：

其中θ是热核宽度常数，取值0.75；再利用邻接矩阵来构造图G(y,N)的拉普拉斯矩阵L_N×N：

L_N×N＝D_N×N-W_N×N (3)

式中，D_N×N是路图信号的度矩阵，仅在对角线上存在元素，其余元素为0：

拉普拉斯矩阵全面考虑了图结构的完整性，更加详尽的表达了图结构，例如6个顶点的路径图如图2所示。

步骤3：通过构建的路图模型，提取缆车滚动轴承图信号的路图特征，包括：路图的时域特征、路图的频域特征，并对提取的路图特征使用ReliefF算法筛选重要性最大的路图特征；

步骤3中提取路图特征具体描述如下：

首先对拉普拉斯矩阵L_N×N进行正交分解：

LQ_i＝λ_iQ_i (7)

式中λ_i是拉普拉斯矩阵特征值，Q_i是其对应的特征向量，同时特征值满足0＝λ₁≤λ₂≤…≤λ_N；

再对路图信号进行图傅里叶变换，对于一个有N个顶点的路图信号G，其图傅里叶变换可表示为：

式中，

表示G的图傅里叶变换，Q_i表示缆车滚动轴承路图信号的傅里叶变换基；

其中时域特征有：图拉普拉斯能量F₁

式中λ_i是图拉普拉斯矩阵特征值，M是图结构中边的条数，N是图信号的顶点数；

拟图拉普拉斯能量F₂：

拉普拉斯矩阵特征值均值F₃：

拉普拉斯矩阵特征值标准差F₄：

拉普拉斯Estrada指标F₅：

其中频域特征有：频域均值F₆

频域重心F₇:

频域标准差F₈：

频域均方根F₉：

步骤3中ReliefF算法对路图特征筛选方案具体描述如下：

将缆车滚动轴承样本的路图特征组成样本集D，再随机从样本集D中取出样本特征R，然后将整体的样本集D分为两类；一类是与R同类的样本特征；另一类是与R不同类的样本特征，然后再从这两类样本特征中找出k个R的近邻特征，并根据权重公式给这些样本特征赋予特征重要性权重，重要性权重公式如下式：

其中，M_j(C)代表的是C类样本特征集的第j个最近邻样本特征；p(C)表示第C类样本特征的概率；Class(R)表示样本R所属的类别；diff(A,R₁,R₂)表示样本R₁和样本R₂在特征A上的差，其计算公式为：

使用ReliefF算法对提取的9个特征进行筛选，得到路图特征的重要性权重如图3所示，筛选出与目标类相关性较大的5个特征。

步骤4：用训练样本训练随机森林模型，并将测试样本输入到训练完成的随机森林模型中，最终随机森林模型输出缆车滚动轴承的故障诊断结果；

步骤4中随机森林分类具体描述如下：

首先使用训练样本提取的路图特征训练随机森林模型，随机森林模型如图4所示，对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将随机森林决策树的个数设置为100；

一般一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应决策树的分类结果，其他的结点对应于属性测试；每个结点包含样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集，从根结点到每个叶结点的路径对应了一个判定测试序列；

当使用随机森林模型对样本进行分类时，将测试样本的路图特征输入到随机森林模型中，随机森林模型通过多颗决策数的分类结果投票得到最接近的样本类别，缆车滚动轴承故障分类结果如图5所示。

步骤5：使用数据库对分类结果进行相关的数据存储，对于错分的情况，数据库将数据发送至上位机，并对现有模型进行优化升级，从而不断提高模型的分类精确度；

步骤5中数据库具体描述如下：

本发明的数据库使用MYSQL，利用Python集成的相关函数进行实现，该数据库主要用于保存每个缆车滚动轴承被测样本的振动信号、振动信号的路图特征和滚动轴承的分类结果；同时将错分的缆车振动信号合并到原来的训练集中，并重复步骤2、3、4，实现模型的不断升级，以增强模型的泛化能力和分类的精确度。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (6)

1.基于路图特征的缆车滚动轴承故障诊断方法，具体步骤如下，其特征在于,

步骤1：搭建缆车滚动轴承故障诊断系统平台，该平台可以通过加速度传感器采集缆车滚动轴承的振动信号y(i)，并将检测到的振动信号划分为训练样本和测试样本；

步骤2：对振动信号y(i)构建相应的路图模型，并得到缆车滚动轴承振动图信号G(y,N)、邻接矩阵W_N×N、拉普拉斯矩阵L_N×N；

步骤3：通过构建的路图模型，提取缆车滚动轴承图信号的路图特征，包括：路图的时域特征、路图的频域特征，并对提取的路图特征使用ReliefF算法筛选重要性最大的路图特征；

步骤4：用训练样本训练随机森林模型，并将测试样本输入到训练完成的随机森林模型中，最终随机森林模型输出缆车滚动轴承的故障诊断结果；

步骤5：使用数据库对分类结果进行相关的数据存储，对于错分的情况，数据库将数据发送至上位机，并对现有模型进行优化升级，从而不断提高模型的分类精确度。

2.根据权利要求1基于路图特征的缆车滚动轴承故障诊断方法，其特征在于：步骤2中路图模型建立如下：

首先按照一定采样频率分别多次采集缆车滚动轴承不同状态下的振动信号y(i)，其中i＝1,2,…,N，缆车滚动轴承状态分为：外圈故障、内圈故障、滚动体故障、正常状态；

假设振动信号的采样点v_i上的测量值为y_i，将振动信号转化为路图信号G(y,N)＝[y₁,y₂,y₃,…,y_N]^T，N是信号的采样点总数，同时也是路图的顶点数总数，则路径图所对应的邻接矩阵W_N×N可表示为：

w₁₂表示顶点v₁和v₂之间权值，对于任意两个顶点间的权值w_ij可以用下式表示：

其中θ是热核宽度常数，取值0.75；再利用邻接矩阵来构造图G(y,N)的拉普拉斯矩阵L_N×N：

L_N×N＝D_N×N-W_N×N (3)

式中，D_N×N是路图信号的度矩阵，仅在对角线上存在元素，其余元素为0：

拉普拉斯矩阵全面考虑了图结构的完整性，更加详尽的表达了图结构。

3.根据权利要求1基于路图特征的缆车滚动轴承故障诊断方法，其特征在于：步骤3中提取路图特征如下：

首先对拉普拉斯矩阵L_N×N进行正交分解：

LQ_i＝λ_iQ_i (7)

式中λ_i是拉普拉斯矩阵特征值，Q_i是其对应的特征向量，同时特征值满足0＝λ₁≤λ₂≤…≤λ_N；

再对路图信号进行图傅里叶变换，对于一个有N个顶点的路图信号G，其图傅里叶变换可表示为：

式中，

表示G的图傅里叶变换，Q_i表示缆车滚动轴承路图信号的傅里叶变换基；

其中时域特征有：图拉普拉斯能量F₁

式中λ_i是图拉普拉斯矩阵特征值，M是图结构中边的条数，N是图信号的顶点数；

拟图拉普拉斯能量F₂：

拉普拉斯矩阵特征值均值F₃：

拉普拉斯矩阵特征值标准差F₄：

拉普拉斯Estrada指标F₅：

其中频域特征有：频域均值F₆

频域重心F₇:

频域标准差F₈：

频域均方根F₉：

4.根据权利要求1基于路图特征的缆车滚动轴承故障诊断方法，其特征在于：步骤3中使用Relief算法对路图特征筛选如下：

将缆车滚动轴承样本的路图特征组成样本集D，再随机从样本集D中取出样本特征R，然后将整体的样本集D分为两类；一类是与R同类的样本特征；另一类是与R不同类的样本特征，然后再从这两类样本特征中找出k个R的近邻特征，并根据权重公式给这些样本特征赋予特征重要性权重，重要性权重公式如下式：

其中，M_j(C)代表的是C类样本特征集的第j个最近邻样本特征；p(C)表示第C类样本特征的概率；Class(R)表示样本R所属的类别；diff(A,R₁,R₂)表示样本R₁和样本R₂在特征A上的差，其计算公式为：

使用ReliefF算法对提取的9个特征进行筛选，得到路图特征的重要性权重如图3所示，筛选出与目标类相关性较大的5个特征。

5.根据权利要求1基于路图特征的缆车滚动轴承故障诊断方法，其特征在于：步骤4中随机森林分类如下：

首先使用训练样本提取的路图特征训练随机森林模型，对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将随机森林决策树的个数设置为100；

一般一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应决策树的分类结果，其他的结点对应于属性测试；每个结点包含样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集，从根结点到每个叶结点的路径对应了一个判定测试序列；

当使用随机森林模型对样本进行分类时，将测试样本的路图特征输入到随机森林模型中，随机森林模型通过多颗决策数的分类结果投票得到最接近的样本类别。

6.根据权利要求1基于路图特征的缆车滚动轴承故障诊断方法，其特征在于：步骤5中数据库方案如下：

本发明的数据库使用MYSQL，利用Python集成的相关函数进行实现，该数据库主要用于保存每个缆车滚动轴承被测样本的振动信号、振动信号的路图特征和滚动轴承的分类结果；同时将错分的缆车振动信号合并到原来的训练集中，并重复步骤2、3、4，实现模型的不断升级，以增强模型的泛化能力和分类的精确度。

Images