CN112229633A - 一种基于多元特征融合的风机轴承故障诊断方法 - Google Patents

Abstract

针对单一方法难以准确判断轴承故障的问题，本发明公开了一种基于多元特征融合的风机轴承故障诊断方法。该方法包括以下步骤：1)收集正常和故障态的轴承数据，并进行预处理；2)计算轴承信号的时域指标，计算与不同故障的马氏距离，作为特征一；3)将轴承信号作为音频处理，利用希尔伯特—黄变换提取特征向量，作为LSSVM的输入数据，计算概率输出，作为特征二；4)利用短时傅里叶变换技术提取轴承信号的频域特征，训练卷积神经网络学习不同故障信号的特征，得到分类结果作为特征三；5)采用DS证据理论融合三个特征，得出故障诊断结果。本发明能克服单一方法的检测局限性，实现多元特征互补，提高诊断的准确性。

Description

一种基于多元特征融合的风机轴承故障诊断方法

技术领域

本发明涉及故障诊断领域，主要针对风机轴承的故障诊断，提出一种基于多元特征融合的风机轴承故障诊断方法。

背景技术

在能源短缺和环境危机的双重背景下，清洁可再生能源的发展越来越受到重视。随着风电技术的不断发展和成熟，风力发电进入了高速发展时期，然而风电机组的运行维护问题也日益突出，特别是由于故障和检修导致运维成本居高不下，维护费用甚至占用了总投入的10-25％之多。齿轮箱是风力发电机中的重要传动部件，而轴承故障是造成风机齿轮箱失效的主要因素。2009-2015年之间对750台风力发电机齿轮箱损坏记录的统计数据显示，约76％的故障发生在轴承部件上，而齿轮和其他部件的故障率分别为17.1％和6.9％。因此，有效的风机轴承故障诊断技术可以在早期及时检测到故障，对于降低维护成本、减少停机时间和经济损失，提高系统运行的可靠性，甚至预防灾难性事故都具有重大意义。

振动信号是分析轴承状态的最广泛和成熟的信号，其分析处理方法也得到了大量研究，作为提取故障特征的必要手段，信号处理方法的优劣直接关系到从原始信号中提取出的特征是否能够充分反映故障信息，进而影响故障诊断的准确性，因此振动信号的特征提取是故障诊断的关键步骤。常用的方法主要分为时域分析、频域分析和时频域分析。

时域分析通过设立多个统计指标，如均值、均方根值、峰值、峭度指标等来描述信号的不同特征信息。虽然简单且直观，但由于反映的故障信息有限，存在较大的局限性，特别是对于噪声干扰和复杂故障信号的处理存在诸多困难。频域分析就是通过时频变换将时域振动信号转换到频域进行分析，傅里叶变换是最常用的时频转换算法。通过分析各类频谱来判断信号的当前特征，但是该方法通常用于平稳信号，而由于非线性、噪声干扰等因素的影响，实际信号往往是非平稳的，所以该方法也存在局限性。时域分析和频域分析都只能提取单一域信息，而时频分析则兼顾了时域和频域的特征信息，且时频域特征对于分析非平稳信号非常有用。除此之外还有基于统计学习的方法，如支持向量机、人工神经网络、决策树等，不需要建立机理模型，而直接采用现场数据进行特征提取和学习，从而实现模式分类。然而该方法也存在依赖专家经验知识的局限性。

综上所述，针对轴承振动信号的分析处理，专家学者提出了许多方法和理论，但是都存在一定的局限性，并不能做到完全准确。针对这一问题，本发明提出一种基于多元特征融合的故障诊断方法，即将从不同角度得到的分析结论通过证据理论加以融合判断，从而有效克服单一方法的局限性。该方法分别利用时域指标学习振动信号的基本特征，作为证据一；再将振动信号作为音频形式利用希尔伯特黄变换学习谱特征，通过支持向量机进行特征学习和分类，用概率输出作为证据二；最后将短时傅里叶变换和卷积神经网络相结合，利用深度学习强大的学习处理能力，深入挖掘信号的内在特征，作为证据三。三种证据分别从时域、时频域、人工智能的角度对振动信号加以分析，有效克服了单一方法的局限性，提高了学习的全面性和准确性。

发明内容

针对单一方法难以准确判断轴承故障的问题，提出了一种基于多元特征融合的风机轴承故障诊断方法。利用证据理论融合时域指标、时频域特征、深度学习特征三类特征信息，实现多元特征互补，提高诊断的准确性。

一种基于多元特征融合的风机轴承故障诊断方法，其特征包括以下步骤：

A、收集正常和故障态的轴承数据，并进行预处理；

B、计算轴承信号的时域指标，并与正常值所在的裕度范围进行比较，作为特征一；

C、将轴承信号作为音频处理，利用希尔伯特—黄变换提取特征向量，作为LSSVM的输入数据，计算概率输出，作为特征二；

D、利用短时傅里叶变换技术提取轴承信号的频域特征，训练卷积神经网络学习不同故障信号的特征，得到分类结果作为特征三；

E、采用DS证据理论融合三个特征，得出故障诊断结果。

作为优选，步骤A中，预处理的方法如下：

采集到的数据集X＝{x_i},i＝1,2,3,…,N，N是样本总数。对其进行标准化：

X_max和X_min分别表示数据的最大值和最小值。

作为优选，步骤B中，特征一的求取如下：

B1、时域指标选择：

均方根值：

滚动轴承的磨损程度越大，均方根值越大。

峰值：x_peak＝sup_1≤i≤N|x_k|

峰值可以对具有瞬变冲击振动特点的故障进行检测。

峰值因子：

峰值因子反映了信号波形的尖峰度，故障越大，波峰指标越大。

峭度：

峭度指标对轴承的早期故障更加敏感。

B2、马氏距离计算：

是样本的均值，S是样本的协方差矩阵。

B3、计算特征一：

首先计算正常状态和典型故障状态下的标准指标集Q＝[x_RMS,x_peak,CF,Ku]，然后计算待测数据的指标集，分别计算待测指标集与标准指标集之间的马氏距离M＝{M_di}，i表示不同的标准状态，计算特征如下：

特征值越大，说明对应的第i类故障的可能性越大。

作为优选，步骤C中，特征二的求取如下：

C1、希尔伯特——黄变换：

(1)先提取振动信号x(t)的所有局部极大值点和极小值点，然后使用三次样条插值函数拟合信号的上、下包络线

(2)计算上下包络线的平均值，记为m(t)，h₁＝x(t)-m(t)

(3)当h₁不满足IMF条件时，将h₁作为原始数据重复步骤(1)(2)，直至满足，此时记为：

c₁＝h₁

c₁即为信号满足IMF条件的第一个内禀模态分量。

(4)计算残差项r₁

r₁＝x(t)-c₁

(5)将得到的残差项作为原始数据重复步骤(1)～(4)，当得到的第k 个残差项成为一个单调函数无法继续提取时，循环结束，此时：

(6)对分解的IMF分量进行希尔伯特变换后得到：

记

则得到解析信号：

则瞬时幅值函数：

瞬时相位函数：

瞬时频率：

(7)计算希尔伯特谱：

计算边际谱：

C2、LSSVM概率输出

假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为：

p(y|x)＝[p(y)p(x|y)]/p(x)

其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率， p(y＝±1)＝N_±/(N₊+N_-)，N₊和N_-分别表示类A₁与A₂对应的样本数量。依据贝叶斯定理，通过贝叶斯3级推断，得到LS-SVM中，类别对应的后验概率为：

概率输出即为特征二。

作为优选，步骤D中，特征三的求取如下：

D1、短时傅里叶技术提取特征方法如下：

h(t)称为短时傅里叶变换的窗函数。

D2、卷积神经网络构建

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成。输入层以短时傅里叶变换提取的特征数据作为学习样本。卷积层设置卷积核大小为3×3，移动步长为1，填充方式为不填充，激活函数使用Relu函数。池化层设置核大小为2×2，移动步长为1，填充方式为不填充。输出层采用Softmax分类器，以轴承的正常和故障状态作为对应的分类输出。

作为优选，步骤E中，融合方法如下：

给定识别框架Ω，设函数m:2^Ω→[0,1]，满足：1)m(Φ)＝0；2)

其中m(·)称为基本概率分配函数。

令m₁,m₂,…,m_n是同一识别框架Ω上的基本可信度分配，则

其中，

附图说明

下面结合附图，对本发明实施例作进一步详述。

图1是本实施例的诊断方法流程；

图2是本实施例中四种状态的信号采集图；

图3是本实施例中卷积神经网络的结构图。

本实施例以美国凯斯西储大学的轴承实验平台数据作为实验对象，该轴承的相关参数如表1所示。实验过程中在同一负荷下，分别设置了正常、内圈故障、外圈故障和滚动体故障四种状态。

参考图1的诊断流程，具体步骤与实施细节如下：

A、收集正常和故障态的轴承数据，并进行预处理；

B、计算轴承信号的时域指标，并与正常值所在的裕度范围进行比较，作为特征一；

C、将轴承信号作为音频处理，利用希尔伯特—黄变换提取特征向量，作为LSSVM的输入数据，计算概率输出，作为特征二；

D、利用短时傅里叶变换技术提取轴承信号的频域特征，训练卷积神经网络学习不同故障信号的特征，得到分类结果作为特征三；

E、采用DS证据理论融合三个特征，得出故障诊断结果。

表1实验轴承的主要参数

步骤A中，针对四种状态分别采集到的数据集X＝{x_i},i＝1,2,3,…,N，N是样本总数。采集信号如图2所示。对其进行标准化：

X_max和X_min分别表示数据的最大值和最小值。

步骤B中，特征一的求取如下：

B1、时域指标选择：

均方根值：

滚动轴承的磨损程度越大，均方根值越大。

峰值：x_peak＝sup_1≤i≤N|x_k|

峰值可以对具有瞬变冲击振动特点的故障进行检测。

峰值因子：

峰值因子反映了信号波形的尖峰度，故障越大，波峰指标越大。

峭度：

峭度指标对轴承的早期故障更加敏感。

B2、马氏距离计算：

是样本的均值，S是样本的协方差矩阵。

B3、计算特征一：

首先计算正常状态和典型故障状态下的标准指标集Q＝[x_RMS,x_peak,CF,Ku]，然后计算待测数据的指标集，分别计算待测指标集与标准指标集之间的马氏距离M＝{M_di}，i表示不同的标准状态，计算特征如下：

特征值越大，说明对应的第i类故障的可能性越大。

步骤C中，特征二的求取如下：

C1、希尔伯特——黄变换：

(1)先提取振动信号x(t)的所有局部极大值点和极小值点，然后使用三次样条插值函数拟合信号的上、下包络线

(2)计算上下包络线的平均值，记为m(t)，h₁＝x(t)-m(t)

(3)当h₁不满足IMF条件时，将h₁作为原始数据重复步骤(1)(2)，直至满足，此时记为：

c₁＝h₁

c₁即为信号满足IMF条件的第一个内禀模态分量。

(4)计算残差项r₁

r₁＝x(t)-c₁

(5)将得到的残差项作为原始数据重复步骤(1)～(4)，当得到的第k 个残差项成为一个单调函数无法继续提取时，循环结束，此时：

(6)对分解的IMF分量进行希尔伯特变换后得到：

记

则得到解析信号：

则瞬时幅值函数：

瞬时相位函数：

瞬时频率：

(7)计算希尔伯特谱：

计算边际谱：

C2、LSSVM概率输出

假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为：

p(y|x)＝[p(y)p(x|y)]/p(x)

其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率，p(y＝±1)＝N_±/(N₊+N_-)，N₊和N_-分别表示类A₁与A₂对应的样本数量。依据贝叶斯定理，通过贝叶斯3级推断，得到LS-SVM中，类别对应的后验概率为：

概率输出即为特征二。

步骤D中，特征三的求取如下：

D1、短时傅里叶技术提取特征方法如下：

h(t)称为短时傅里叶变换的窗函数。

D2、卷积神经网络构建

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成。输入层以短时傅里叶变换提取的特征数据作为学习样本。卷积层设置卷积核大小为 3×3，移动步长为1，填充方式为不填充，激活函数使用Relu函数。池化层设置核大小为2×2，移动步长为1，填充方式为不填充。输出层采用Softmax分类器，以轴承的正常和故障状态作为对应的分类输出。

步骤E中，融合方法如下：

给定识别框架Ω，设函数m:2^Ω→[0,1]，满足：1)m(Φ)＝0；2)

其中m(·)称为基本概率分配函数。

令m₁,m₂,…,m_n是同一识别框架Ω上的基本可信度分配，则

其中，

以上所述，仅为本发明较佳的具体实施方式，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，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于多元特征融合的风机轴承故障诊断方法，其特征包括以下步骤：

A、收集正常和故障态的轴承数据，并进行预处理；

B、计算轴承信号的时域指标，并与正常值所在的裕度范围进行比较，作为特征一；

C、将轴承信号作为音频处理，利用希尔伯特—黄变换提取特征向量，作为LSSVM的输入数据，计算概率输出，作为特征二；

D、利用短时傅里叶变换技术提取轴承信号的频域特征，训练卷积神经网络学习不同故障信号的特征，得到分类结果作为特征三；

E、采用DS证据理论融合三个特征，得出故障诊断结果。

2.根据权利要求1所述的基于多元特征融合的风机轴承故障诊断方法，其特征在于：

步骤A中，预处理的方法如下：

采集到的数据集X＝{x_i},i＝1,2,3,…,N，N是样本总数。对其进行标准化：

X_max和X_min分别表示数据的最大值和最小值。

3.根据权利要求1所述的基于多元特征融合的风机轴承故障诊断方法，其特征在于：

步骤B中，特征一的求取如下：

B1、时域指标选择：

均方根值：

滚动轴承的磨损程度越大，均方根值越大；

峰值：x_peak＝sup_1≤i≤N|x_k|

峰值可以对具有瞬变冲击振动特点的故障进行检测；

峰值因子：

峰值因子反映了信号波形的尖峰度，故障越大，波峰指标越大；

峭度：

峭度指标对轴承的早期故障更加敏感；

B2、马氏距离计算：

是样本的均值，S是样本的协方差矩阵；

B3、计算特征一：

首先计算正常状态和典型故障状态下的标准指标集Q＝[x_RMS,x_peak,CF,Ku]，然后计算待测数据的指标集，分别计算待测指标集与标准指标集之间的马氏距离M＝{M_di}，i表示不同的标准状态，计算特征如下：

特征值越大，说明对应的第i类故障的可能性越大。

4.根据权利要求1所述的基于多元特征融合的风机轴承故障诊断方法，其特征在于：

步骤C中，特征二的求取如下：

C1、希尔伯特——黄变换：

(1)先提取振动信号x(t)的所有局部极大值点和极小值点，然后使用三次样条插值函数拟合信号的上、下包络线；

(2)计算上下包络线的平均值，记为m(t)，h₁＝x(t)-m(t)；

(3)当h₁不满足IMF条件时，将h₁作为原始数据重复步骤(1)(2)，直至满足，此时记为：

c₁＝h₁

c₁即为信号满足IMF条件的第一个内禀模态分量；

(4)计算残差项r₁：

r₁＝x(t)-c₁

(5)将得到的残差项作为原始数据重复步骤(1)～(4)，当得到的第k个残差项成为一个单调函数无法继续提取时，循环结束，此时：

(6)对分解的IMF分量进行希尔伯特变换后得到：

记

则得到解析信号：

则瞬时幅值函数：

瞬时相位函数：

瞬时频率：

(7)计算希尔伯特谱：

计算边际谱：

C2、LSSVM概率输出

假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为：

p(y|x)＝[p(y)p(x|y)]/p(x)

其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率，p(y＝±1)＝N_±/(N₊+N_-)，N₊和N_-分别表示类A₁与A₂对应的样本数量；依据贝叶斯定理，通过贝叶斯3级推断，得到LS-SVM中，类别对应的后验概率为：

概率输出即为特征二。

5.根据权利要求1所述的基于多元特征融合的风机轴承故障诊断方法，其特征在于：

步骤D中，特征三的求取如下：

D1、短时傅里叶技术提取特征方法如下：

h(t)称为短时傅里叶变换的窗函数；

D2、卷积神经网络构建

卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成；输入层以短时傅里叶变换提取的特征数据作为学习样本；卷积层设置卷积核大小为3×3，移动步长为1，填充方式为不填充，激活函数使用Relu函数。池化层设置核大小为2×2，移动步长为1，填充方式为不填充；输出层采用Softmax分类器，以轴承的正常和故障状态作为对应的分类输出。

6.根据权利要求1所述的基于多元特征融合的风机轴承故障诊断方法，其特征在于：

步骤E中，融合方法如下：

给定识别框架Ω，设函数m:2^Ω→[0,1]，满足：1)m(Φ)＝0；2)

其中m(·)称为基本概率分配函数；

令m₁,m₂,…,m_n是同一识别框架Ω上的基本可信度分配，则

其中，

Images