CN112487890B - 一种基于并行稀疏滤波的轴承声信号故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于并行稀疏滤波的轴承声信号故障诊断方法，A、建立用于故障诊断结果的分类样本：选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；将训练样本集输入并行稀疏滤波模型中训练出权值矩阵；将所有提取的最终特征及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；B、对检测工件进行状况类型诊断：将检测样本通过softmax回归模型与全部分类样本进行一一对照拟合，对比出最相似的分类样本，相应的状况标签即为检测样本的状况类型。

Description

一种基于并行稀疏滤波的轴承声信号故障诊断方法

技术领域

本发明涉及旋转机械振动信号的故障诊断技术，特别是一种基于并行稀疏滤波的轴承声信号故障诊断方法。

背景技术

旋转机械在现代工业生产中起着重要的作用。轴承作为主要的旋转部件，在连续工作状态下容易发生故障，对设备造成损坏，造成经济损失或人员伤亡。为了保证机械的稳定运行，避免故障的发生，智能故障诊断引起了广泛的关注。

在这些方法中，振动信号可以清晰地描述故障特征，因此经常被许多学者分析。基于振动信号的技术称为接触式故障诊断技术。振动信号的分析需要正确安装加速度传感器，这就要求传感器的位置不能发生过大改变，否则就不能准确地诊断出故障。声信号是一种非接触信号，广泛应用于振动信号难以测量的场合。声信号的采集相对简单，不需要预先粘贴传感器。因此，在不影响设备的正常工作的同时，也容易实现故障的早期预测和在线监测。然而传声器测得的声信号通常含有大量的环境噪声。也就是说，表示机器运行状态的有用信号被环境噪声污染了。因此，有效的特征提取是基于声学信号进行故障诊断的关键。

稀疏表示是特征提取过程中的一个重要原则，为了准确地识别不同类型的故障，所期望的特征分布必须表现出种群稀疏性和存在稀疏性。稀疏滤波是一种以优化特征的稀疏分布为目标的有效的无监督学习方法，在接触式的故障诊断中得到了广泛应用。然而通过声学信号很难达到较高的精度。此外，稀疏滤波需要先对特征矩阵的每一行进行归一化，然后再对每一列进行列归一化。这可能会导致一些固有特性的泄漏，也就是说一些特征应该保留在列规范化中，但是通过行规范化被规范化为零。

综上所述，轴承声信号是一种噪声成分更复杂的信号。因此，如何通过更加先进的信号处理技术对声信号的噪声进行有效抑制，提取稀疏特征，是当前故障诊断领域中的热点和难点问题。因此开展非接触式的轴承声信号的智能故障诊断技术是一项急迫发展，也是十分具有挑战的技术。

发明内容

本发明的目的是针对现有的技术存在上述问题，提出了一种通过两种不同的归一化方向相结合，以保留更多的输入信息，优化特征提取的基于并行稀疏滤波的轴承声信号故障诊断方法。

本发明的目的可通过下列技术方案来实现：一种基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，包括以下内容：

A、建立用于故障诊断结果的分类样本：

1)、选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；

2)、采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；

3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W；

a、训练样本集矩阵的第一个方向化为：先行至列，再列至行，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

b、训练样本集矩阵的第二个方向化为：先列至行，再行至列，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

c、利用L₁惩罚对归一化特征进行稀疏性优化，即

其中，N表示样本维度；

d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值：

其中，λ≥0控制两项之间的权重；

4)、使用权值矩阵W来映射训练样本数据集

并采用软阈值函数作为网络的激活函数，得到样本的局部特征，即

其中，ε＝1×10^-8；

5)、样本的最终特征fⁱ通过使用全局平均池化来组合局部特征获得，即

6)、将所有提取的最终特征fⁱ及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；

B、对检测工件进行状况类型诊断：

1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号；

2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理，组成检测样本集；

3)、按照步骤A中3)至5)，采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习，并对学习到的特征进行取平均值；

4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合，对比出与检测样本最相似的分类样本，与该分类样本相应的状况标签即为检测样本的状况类型。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，设定yⁱ∈{1,2,...,k}为含有k个类型的标签集，p(yⁱ＝j|x)为每一个样本的条件概率；设定函数用于计算归于每一个分类样本j的概率，输出h_θ(xⁱ)为一个k维向量：

其中θ₁,θ₂,…θ_k为模型的参数，

用于对分布进行标准化，以保证p(yⁱ＝j|x)的和为1；1{·}表示指示函数，即1{true}＝1，1{false}＝0；隐层回归模型的代价函数为：

其中m为训练样本个数，λ为权重惩罚项，用于对较大值的参数进行惩罚，并通过全局优化达到更高的精度。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，采用L-BFGS算法对目标函数进行优化，梯度函数为：

其中

为全1的矩阵，x表示输入数据。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，轴承的不同健康状态包括正常、滚珠故障、内圈故障、外圈故障，其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度：0.2mm、0.4mm、0.6mm。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，轴承由转速为1500r/min的电机驱动旋转。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，对轴承的数据采样频率为25.6kHz，每种状况包含100个样本，每个样本包含1200个数据点。

在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中，通过卷积取段法从训练样本中采集Z段信号，这些分段组成训练集

其中

是第j个取段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数。

8、如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，选择100作为并行稀疏滤波的输入和输出维数，设置卷积尺寸为100、卷积步长为10，对每个样本采集100段。

与现有技术相比，本基于并行稀疏滤波的轴承声信号故障诊断方法具有以下优点：

本发明直接采用并行稀疏滤波网络从轴承的声信号中自动提取故障的稀疏特征，并基于该故障特征对轴承的健康状况进行智能诊断，消除了声信号的噪声成分对特征提取的影响，学习到更加稀疏的特征向量，更有利于进行故障识别和分类，精准智能地实现了声信号下轴承的故障诊断，拥有处理声信号下轴承故障诊断问题的优越性能。

附图说明

图1是本发明的方法流程图。

图2是本发明中并行稀疏滤波的算法结构图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图1和图2所示，本基于并行稀疏滤波的轴承声信号故障诊断方法，包括以下内容：

A、建立用于故障诊断结果的分类样本：

1)、选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，不同健康状态包括正常、滚珠故障、内圈故障、外圈故障，其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度：0.2mm、0.4mm、0.6mm。通过非接触式的声传感器采集不同状况轴承在电机转速1500r/min下的声信号；其数据的采样频率为25.6kHz，每种状况包含100个样本，每个样本包含1200个数据点。

2)、采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；通过卷积取段法从训练样本中采集Z段信号，这些分段组成训练集

其中

是第j个取段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数。具体选择100作为并行稀疏滤波的输入和输出维数，设置卷积尺寸为100、卷积步长为10，对每个样本采集100段。

3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W；

a、训练样本集矩阵的第一个方向化为：先行至列，再列至行，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

b、训练样本集矩阵的第二个方向化为：先列至行，再行至列，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

c、利用L₁惩罚对归一化特征进行稀疏性优化，即

其中N表示样本维度；

d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值：

其中，λ≥0控制两项之间的权重；

4)、使用权值矩阵W来映射训练样本数据集

并采用软阈值函数作为网络的激活函数，得到样本的局部特征，即

其中，ε＝1×10^-8；

5)、样本的最终特征fⁱ通过使用全局平均池化来组合局部特征获得，即

6)、将所有提取的最终特征fⁱ及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；

B、对检测工件进行状况类型诊断：

1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号；

2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理，组成检测样本集；

3)、按照步骤A中3)至5)，采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习，并对学习到的特征进行取平均值；

4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合，对比出与检测样本最相似的分类样本，与该分类样本相应的状况标签即为检测样本的状况类型。该状况类型包括正常、滚珠故障、内圈故障、外圈故障，其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度：0.2mm、0.4mm、0.6mm。

设定yⁱ∈{1,2,...,k}为含有k个类型的标签集，p(yⁱ＝j|x)为每一个样本的条件概率；设定函数用于计算归于每一个分类样本j的概率，输出h_θ(xⁱ)为一个k维向量：

其中θ₁,θ₂,…θ_k为模型的参数，

用于对分布进行标准化，以保证p(yⁱ＝j|x)的和为1；1{·}表示指示函数，即1{true}＝1，1{false}＝0；隐层回归模型的代价函数为：

其中m为训练样本个数，λ为权重惩罚项，用于对较大值的参数进行惩罚，并通过全局优化达到更高的精度。

采用L-BFGS算法对目标函数进行优化，梯度函数为：

其中

为全1的矩阵，x表示输入数据。

使用本发明方法，可以达到100％的训练准确率和99.03％的测试准确率。为验证本发明方法的有效性，将传统稀疏滤波模型进行对比，比较结果如下表所示：

表1

从表中的对比结果可以看出，传统稀疏滤波方法的训练精度为96.40％，测试精度为92.96％，低于本发明方法的诊断精度。

本发明直接采用并行稀疏滤波网络从轴承的声信号中自动提取故障的稀疏特征，并基于该故障特征对轴承的健康状况进行智能诊断，消除了声信号的噪声成分对特征提取的影响，学习到更加稀疏的特征向量，更有利于进行故障识别和分类，精准智能地实现了声信号下轴承的故障诊断，拥有处理声下轴承故障诊断问题的优越性能。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (8)

1.一种基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，包括以下内容：

A、建立用于故障诊断结果的分类样本：

1)、选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；

2)、采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；

3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W；

a、训练样本集矩阵的第一个方向化为：先行至列，再列至行，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

b、训练样本集矩阵的第二个方向化为：先列至行，再行至列，将其中每个训练样本按L₂范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

c、利用L₁惩罚对归一化特征进行稀疏性优化，即

其中，N表示样本维度；

d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值：

其中，λ≥0控制两项之间的权重；

4)、使用权值矩阵W来映射训练样本数据集

并采用软阈值函数作为网络的激活函数，得到样本的局部特征，即

其中，ε＝1×10^-8；

5)、样本的最终特征fⁱ通过使用全局平均池化来组合局部特征获得，即

6)、将所有提取的最终特征fⁱ及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；

B、对检测工件进行状况类型诊断：

1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号；

2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理，组成检测样本集；

3)、按照步骤A中3)至5)，采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习，并对学习到的特征进行取平均值；

4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合，对比出与检测样本最相似的分类样本，与该分类样本相应的状况标签即为检测样本的状况类型。

2.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，设定yⁱ∈{1,2,...,k}为含有k个类型的标签集，p(yⁱ＝j|x)为每一个样本的条件概率；设定函数用于计算归于每一个分类样本j的概率，输出h_θ(xⁱ)为一个k维向量：

其中，θ₁,θ₂,…θ_k为模型的参数，

用于对分布进行标准化，以保证p(yⁱ＝j|x)的和为1；1{·}表示指示函数，即1{true}＝1，1{false}＝0；隐层回归模型的代价函数为：

其中，m为训练样本个数，λ为权重惩罚项，用于对较大值的参数进行惩罚，并通过全局优化达到更高的精度。

3.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，采用L-BFGS算法对目标函数进行优化，梯度函数为：

其中

为全1的矩阵，x表示输入数据。

4.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，轴承的不同健康状态包括正常、滚珠故障、内圈故障、外圈故障，其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度：0.2mm、0.4mm、0.6mm。

5.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，轴承由转速为1500r/min的电机驱动旋转。

6.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，对轴承的数据采样频率为25.6kHz，每种状况包含100个样本，每个样本包含1200个数据点。

7.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，通过卷积取段法从训练样本中采集Z段信号，这些分段组成训练集

其中

是第j个取段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数。

8.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，选择100作为并行稀疏滤波的输入和输出维数，设置卷积尺寸为100、卷积步长为10，对每个样本采集100段。

Images