CN111595584A - 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 - Google Patents

Abstract

本发明公开了一种基于1‑DCNN联合特征提取的轴承故障在线检测方法，步骤如下：将振动信号进行离散化处理得到特征参数，通过归一化以及稀疏处理，使得每个特征对应健康状态和每个故障的贡献能力相对一致，让每个特征进入1‑DCNN进行学习以及分类，得到每个特征对于健康状态以及每个故障的敏感度，之后根据设定的阈值来选择对应于健康状态和每个故障敏感的特征组，随后将选择的特征与原始信号通过映射函数进行重构，并且定义特征间的相关性度量，最终来达到故障诊断的能力。本发明根据轴承的故障已知且种类少的固有特点，由每个故障和健康状态来选择特征，与现有技术相比在特征选择方面更具合理性，且模型具有更高的鲁棒性，联合特征处理能进一步提高准确。

Description

一种基于1-DCNN联合特征提取的轴承故障在线检测方法

技术领域

本发明涉及一种基于1-DCNN联合特征提取的轴承故障在线检测方法，属于工业物联网中故障检测技术领域。

背景技术

轴承往往工作在高温、高速和重载等恶劣环境中，并且其振动信号中富含丰富的反映运行状态的信息，传统的轴承故障诊断，根据人工的经验选取特征值来进行故障诊断，或者不考虑信号的特点，选取一样的特征值。对于不同类型不同环境的轴承，一直使用知识驱动来进行故障诊断，是缺少鲁棒性的，也是不合理的。其次大部分的故障诊断的方案是数据驱动的，但是都是大部分不考虑时延的情况下追求准确度，而对于工业价值驱动的情况，在故障期间用来诊断的时间过长，造成了重大损失或者灾难性的损失，即使再高的诊断准确度，这类方法也是不合理的。本发明针对工业物联网中轴承的运行的环境，轴承故障的特点，提出了基于1-DCNN联合特征提取的轴承故障在线检测方法，目的在于提高准确度，对不同数据集的鲁棒性，并能在离线处理之后做到在线的监测。

发明内容

为解决现有技术中的不足，本发明提供一种基于1-DCNN联合特征提取的轴承故障在线检测方法，根据轴承的故障已知且种类少的固有特点，由每个故障和健康状态来选择特征，进一步提高诊断的准确度。

本发明中主要采用的技术方案为：

一种基于1-DCNN联合特征提取的轴承故障在线检测方法，包括如下步骤：

步骤1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵并且将特征矩阵进行预处理，对特征矩阵分别进行两种归一化处理，其中，第一种为单特征归一化处理，即将每个样本中的每个特征分别进行归一化处理后得到第一种数据集，第二种为所有特征全局归一化处理，从而得到第二种数据集；

步骤2：将原始信号未作处理的特征矩阵和第一种数据集中的特征矩阵按特征种类分别代入1-DCNN中进行分布式学习，即将每个特征假设成能判别故障的特征来进行学习，原始信号未作处理的特征矩阵学习的结果称为cnn_h模型，用于在线监测判断是否为健康状态，第一种数据集中的特征矩阵学习的结果称为cnn_j模型，仅为每个故障选取好的特征种类；

步骤3：两个模型均以判断准确度作为度量，得到每个特征对于健康状态和每种故障的敏感度，随后根据设置的准确度的阈值，cnn_h模型选择能够判别健康状态的特征组成特征组，cnn_j模型为每种故障分别选择一个特征组，即放弃分类时准确度低于敏感度阈值的特征；

步骤4：在cnn_j模型中，对于每个故障状态都有选择出来的一个特征组，将每个特征组分别通过映射函数与第二种数据集一起进行重构，将重构后的特征组与原始信号在自动编码器中进行耦合并在损失函数里加入选择出来的特征组与第二种数据集的相关性度量项，得到最终模型，且采用softmax进行分类。

步骤5.将轴承的振动信号进行实时采样，收集判断健康状态所需的特征，进入cnn_h模型进行判断是否是健康状态，如果不是，则将该段信号重新采样收集判断每个故障所需的特征进入步骤4得到的最终模型中采用softmax进行分类。

优选地，所述步骤1的具体步骤如下：

步骤1-1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵；

步骤1-2：对特征矩阵分别进行两种归一化处理；

步骤1-3：第一种为单特征归一化处理，将特征矩阵中每个特征分别进行最大最小值归一化；

步骤1-4：第二种为所有样本和所有特征进行全局归一化处理，首先将每一个数据点除以其在所有样本的二范数，具体方式如公式(1)所示：

表示以周期为行，以样本数为列的特征矩阵中第i行，第j列的数据点，||f_j||₂表示第j列的二范数，公式(1)表示每一列的每一个数据点除以该列的二范数；

再归一化每个样本的特征，如公式(2)所示：

||f⁽ⁱ⁾||₂表示每一行的二范数，公式(2)表示，每一行的每个数据点除以该行的二范数。

优选地，所述步骤2中，所述1-DCNN包括CNN层和MLP层，具备特征提取和分类能力，通过前向传播、反向传播和梯度下降法进行训练。

优选地，所述步骤3中，将每个特征关于健康状态以及每个故障状态的判断准确度作为评判标准，通过设置准确度的阈值来选取特征，判断健康状态时选取3个特征组成特征组，每个故障的特征选择选取5个组成特征组。

优选地，所述步骤4中，第二种数据集中的特征与选取的每个故障的特征组分别进行重构耦合，并加入相关性度量作为损失函数的一项，所述相关性度量如公式(3)中所示：

S(x_c,x_f；θ_c,θ_f)＝||g_c(x_c,θ_c)-g_f(x_f,θ_f)||² (3)；

其中，g_c和g_f函数分别表示步骤3中选择的特征组和步骤1中的第二种数据集，θ_c和θ_f分别表示每个故障的特征组和第二数据集在重构时自动编码器模型中权重与偏置的集合，并为相关性度量S设置权重为γ，结合两个数据集的损耗定义新的损失函数如公式(4)所示：

L(x_c,x_f；θ_c,θ_f)＝αL_c(x_c；θ_c)+βL_f(x_f；θ_f)+γS(x_c,x_f；θ_c,θ_f) (4)；

其中，L_c和L_f函数分别为每个故障的特征组和第二数据集耦合时计算重构误差的函数，定义为训练样本与重构值差值的平方，α，β是分别为L_c和L_f函数的权重。

有益效果：本发明提供一种基于1-DCNN联合特征提取的轴承故障在线检测方法，能够在离线阶段选择出敏感性高的特征，针对故障耦合出高准确度的联合特征，在线阶段能够在良好的时延内检测出故障，与现有技术相比在特征选择方面更具合理性，且模型具有更高的鲁棒性，联合特征处理能进一步提高诊断准确度，在线部分时延较低对于工业故障检测有一定的监测作用。

附图说明

图1为本发明的方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

实施例1：

结合工业物联网中的数据分析为例，在轴机械臂等设备上安装传感器，收集轴承的振动信号，在本地计算机上建立好模型，实时接收传感器的数据进行检测和诊断。

本实施例中的一种基于1-DCNN联合特征提取的轴承故障在线检测方法，流程图如图1所示，该方法包括下述步骤：

从安装在设备上的传感器中接收到振动信号，不同于传统方法严格依赖用于对任何振动信号进行分类的手工制作的特征，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵，可以写成矩阵形式存在

表示第j个样本的第i段，将原始信号的数据集分别做两种处理以方便后续的学习分类和最后的耦合出联合特征，第一种为单特征归一化处理，将特征矩阵中每个特征分别进行最大最小值归一化，得到第一种数据集，第二种为所有样本和所有特征进行全局归一化处理，首先将每一个数据点除以其在所有样本的二范数，具体的方式如公式(1)所示：

表示以周期为行，以样本数为列的特征矩阵中第i行，第j列的数据点，||f_j||₂表示第j列的二范数，公式(1)表示每一列的每一个数据点除以该列的二范数。

再归一化每个样本的特征，如公式(2)所示：

||f⁽ⁱ⁾||₂是每一行的二范数，上述公式表示，每一行的每个数据点除以该行的二范数。

步骤2，原始信号未作处理的特征矩阵和进行第一种处理的特征矩阵按特征种类分别代入1-DCNN中进行分布式学习，即将每个特征假设成能判别故障的特征来进行学习，前者学习的结果称为cnn_h模型用于在线监测判断是否为健康状态，后者学习的结果称为cnn_j模型，仅为每个故障选取好的特征种类，实例中使用前向传播FP和反向传播BP进行学习，一维的FP的定义如公式(5)所示：

其中，

是输入，

是l层的k个神经元的偏置，

是l-1层的第i个神经元的输出，

是从第l-1层的第i个神经元到第l层的第k个神经元的内核，输出

可以从输入

写入如公式(6)所示：

式(6)中，

是神经元的输出，而↓ss代表因子ss的下采样操作。其中，所述1-DCNN由CNN层和MLP层组成，具备特征提取和分类能力，其中，CNN层由常规CNN中的卷积层和池化层的组合而得，1-DCNN的形成的主体中有分类操作，本实例使用Softmax模块，最后会得到的是每个并行训练的特征对于健康状态和每个故障的敏感度。

步骤3，根据准确度的阈值选择出针对健康状态和每个故障的特征组，由于轴承的故障只限于外轴损坏，内轴损坏，滚珠损坏三种，所以根据这三种故障以及健康状态分别选择特征，组成特征组来进行后续的操作，这完全由于轴承的故障特点：种类较少，方式已知的情况所决定。选择的规则是人为设置的准确度的阈值，因为判断的准确度可以作为特征对于状态的敏感性度量。人为设置准确度的阈值来选取特征，判断健康状态时出于时延和硬件能力考虑选取3个特征，每个故障的特征选择出于准确度考虑选取5个，该步骤旨在选取出较好的特征。

步骤4，由于所有特征一直是经历单独学习，单独操作，使得特征之间缺少关联性，在cnn_j模型中，对于每个故障状态都有选择出来的一个特征组，所以将步骤1-1中处理的第二种数据集与步骤1-3得到每个故障的特征组分别重构耦合，并加入相关性度量作为损失函数的一项，如公式(3)中所示：

S(x_c,x_f；θ_c,θ_f)＝||g_c(x_c,θ_c)-g_f(x_f,θ_f)||² (3)

g_c和g_f函数表示步骤1-3中选择的特征组和步骤1-1原始信号第二种处理后的数据集，θ_c和θ_f分别表示每个故障的特征组和第二数据集在重构时自动编码器模型中权重与偏置的集合，并为相关性度量S设置权重为γ，结合两个数据集的损耗定义新的损失函数如公式(4)所示如下：

L(x_c,x_f；θ_c,θ_f)＝αL_c(x_c；θ_c)+βL_f(x_f；θ_f)+γS(x_c,x_f；θ_c,θ_f) (4)

考虑特征间的相关性使得判断故障或者健康状态时准确度提高。L_c和L_f两个数据集耦合时计算重构误差的函数，定义为训练样本与重构值差值的平方，α，β是它们的权重。

步骤5，对实时的振动信号进行采样，收集判断健康状态所需的特征，进入cnn_h模型进行判断是否是健康状态，如果不是，则将该段信号重新采样收集判断每个故障所需的特征，进入最终模型中采用softmax进行分类。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，包括如下步骤：

步骤1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵并且将特征矩阵进行预处理，对特征矩阵分别进行两种归一化处理，其中，第一种为单特征归一化处理，即将每个样本中的每个特征分别进行归一化处理后得到第一种数据集，第二种为所有特征全局归一化处理，从而得到第二种数据集；

步骤2：将原始信号未作处理的特征矩阵和第一种数据集中的特征矩阵按特征种类分别代入1-DCNN中进行分布式学习，即将每个特征假设成能判别故障的特征来进行学习，原始信号未作处理的特征矩阵学习的结果称为cnn_h模型，用于在线监测判断是否为健康状态，第一种数据集中的特征矩阵学习的结果称为cnn_j模型，仅为每个故障选取好的特征种类；

步骤3：两个模型均以判断准确度作为度量，得到每个特征对于健康状态和每种故障的敏感度，随后根据设置的准确度的阈值，cnn_h模型选择能够判别健康状态的特征组成特征组，cnn_j模型为每种故障分别选择一个特征组，即放弃分类时准确度低于敏感度阈值的特征；

步骤4：在cnn_j模型中，对于每个故障状态都有选择出来的一个特征组，将每个特征组分别通过映射函数与第二种数据集一起进行重构，将重构后的特征组与原始信号在自动编码器中进行耦合并在损失函数里加入选择出来的特征组与第二种数据集的相关性度量项，得到最终模型，且采用softmax进行分类。

步骤5.将轴承的振动信号进行实时采样，收集判断健康状态所需的特征，进入cnn_h模型进行判断是否是健康状态，如果不是，则将该段信号重新采样收集判断每个故障所需的特征进入步骤4得到的最终模型中采用softmax进行分类。

2.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤1的具体步骤如下：

步骤1-1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵；

步骤1-2：对特征矩阵分别进行两种归一化处理；

步骤1-3：第一种为单特征归一化处理，将特征矩阵中每个特征分别进行最大最小值归一化；

步骤1-4：第二种为所有样本和所有特征进行全局归一化处理，首先将每一个数据点除以其在所有样本的二范数，具体方式如公式(1)所示：

f_j ⁽ⁱ⁾表示以周期为行，以样本数为列的特征矩阵中第i行，第j列的数据点，||f_j||₂表示第j列的二范数，公式(1)表示每一列的每一个数据点除以该列的二范数；

再归一化每个样本的特征，如公式(2)所示：

||f⁽ⁱ⁾||₂表示每一行的二范数，公式(2)表示，每一行的每个数据点除以该行的二范数。

3.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤2中，所述1-DCNN包括CNN层和MLP层，具备特征提取和分类能力，通过前向传播、反向传播和梯度下降法进行训练。

4.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤3中，将每个特征关于健康状态以及每个故障状态的判断准确度作为评判标准，通过设置准确度的阈值来选取特征，判断健康状态时选取3个特征组成特征组，每个故障的特征选择选取5个组成特征组。

5.根据权利要求1所述的基于1-DCNN联合特征提取的轴承故障在线检测方法，其特征在于，所述步骤4中，第二种数据集中的特征与选取的每个故障的特征组分别进行重构耦合，并加入相关性度量作为损失函数的一项，所述相关性度量如公式(3)中所示：

S(x_c,x_f；θ_c,θ_f)＝||g_c(x_c,θ_c)-g_f(x_f,θ_f)||² (3)；

其中，g_c和g_f函数分别表示步骤3中选择的特征组和步骤1中的第二种数据集，θ_c和θ_f分别表示每个故障的特征组和第二数据集在重构时自动编码器模型中权重与偏置的集合，并为相关性度量S设置权重为γ，结合两个数据集的损耗定义新的损失函数如公式(4)所示：

L(x_c,x_f；θ_c,θ_f)＝αL_c(x_c；θ_c)+βL_f(x_f；θ_f)+γS(x_c,x_f；θ_c,θ_f) (4)；

其中，L_c和L_f函数分别为每个故障的特征组和第二数据集耦合时计算重构误差的函数，定义为训练样本与重构值差值的平方，α，β是分别为L_c和L_f函数的权重。

Images