CN112819029A - 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 - Google Patents
一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 Download PDFInfo
- Publication number
- CN112819029A CN112819029A CN202011619133.9A CN202011619133A CN112819029A CN 112819029 A CN112819029 A CN 112819029A CN 202011619133 A CN202011619133 A CN 202011619133A CN 112819029 A CN112819029 A CN 112819029A
- Authority
- CN
- China
- Prior art keywords
- data
- machine learning
- gearbox
- diagnosing
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电机齿轮箱预测性维护技术领域，且公开了一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，解决了目前市场上的齿轮箱故障检测过程中采用经典谱分析方法、基于深度学习方法和机器学习方法存在的问题；本发明基于多尺度排列熵诊断齿轮箱故障的机器学习方法的好处是基于Adaboost分类模型提高了诊断精度，无需大量标定故障数据，并且解决了排列熵多尺度参数难选的问题，最后通过多数投票法融合多个数据可以进一步提升准确率，方法简单实用，具有较强的创新性和新颖性。
Description
技术领域
本发明涉及齿轮箱预测性维护技术领域，更具体地说是用于精确诊断齿轮箱故障的一种分类方法，尤其涉及一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法。
背景技术
大型机组齿轮箱，比如风电齿轮箱是旋转机械系统，长时间运行容易发生齿轮断齿、点蚀、磨损等故障，其故障诊断主要包括经典谱分析方法，故障模式识别等。风电齿轮箱输入是时变的，导致他们的振动信号不平稳，并且伴有强大的背景噪音导致这些振动信号容易被噪音淹没。多数齿轮箱结构较为复杂，容易同时发生多处故障，这些故障信号可能互相耦合，导致故障诊断变得进一步困难。
经典谱分析方法，不管是时域分析法还是频域分析法，都难有较强的实用性，并且这类方法需要有驱动轴齿轮，和被驱动轴齿轮齿数以及转速，所以也较难普及；基于深度学习方法因受限于故障数据量也很难训练出精准模型；目前业界更倾向于使用机器学习方法，比如基于支持向量机SVM和特征提取的方法有较好的效果及适用性；为此，我们提出一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法。
发明内容
为了克服现有技术不足，本发明目的在于提供一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，它的优势是基于Adaboost分类模型提高了诊断精度，无需大量标定故障数据，并且解决了排列熵多尺度参数难选的问题，最后通过多数投票法融合多个数据可以进一步提升准确率。
为实现上述目的，本发明提供如下技术方案：一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，包括如下步骤：
S1、准备齿轮箱训练数据，标定0位正常齿轮，1为磨损故障齿轮；
S2、选择多尺度排列熵的参数，对数据训练数据进行特征提取，用PCA进行特征维度压缩；
S3、用Adaboost进行分类模型训练，确定下分类模型参数；
S4、用测试集进行Adaboost模型验证；
S5、实际使用中采集多段数据，单个数据进行Adaboost模型预测，用多数投票法进行模型结果融合；
S6、输出最终诊断结果并记录。
优选的，使用的振动传感器的采样率一般高于12000赫兹，齿轮的早期故障频率一般在30K到40K赫兹之间，如果用于齿轮箱早期故障诊断，需要准备振动数据的采样率一般要高于100K赫兹。
优选的，多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数。
优选的，模型验证使用OPENEI的齿轮箱数据进行训练和验证。
优选的，齿轮箱的振动数据采集可以是分成n段1秒的数据，然后对单个1秒数据做以上的故障分类判断，并且用多数投票法进行融合。
本发明的技术效果和优点：
本发明简化了多尺度排列熵的关键尺度参数的选择，通过PCA对特征维度进行了压缩，不仅精简了维度而且让分类器更易于学习，接着结合Adaboost多分类器和多数投票法融合让齿轮箱故障分类变得更加精准，实用性更强，鉴于Adaboost模型的大小，有效的实现了非常适用于边缘端的嵌入式运用，能让硬件赋能齿轮箱边缘异常检测，免除大量数据传回服务器。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的模型验证结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，包括下列数量的数据：正常齿轮箱振动数据30-50份，齿轮箱齿轮磨损的振动数据100-200份。
进一步的，包括如下步骤：
S1、准备齿轮箱训练数据，标定0位正常齿轮，1为磨损故障齿轮；训练至Adaboost收敛后输出一个二分类模型，权重系数通过训练确定后之后，输入一个长度为N振动数据，输出为它的分类结果和置信度。
S2、选择多尺度排列熵的参数，对数据训练数据进行特征提取，用PCA进行特征维度压缩；
S3、用Adaboost进行分类模型训练，确定下分类模型参数；
S4、用测试集进行Adaboost模型验证；
S5、实际使用中采集多段数据，单个数据进行Adaboost模型预测，用多少投票法进行模型结果融合；
S6、输出最终诊断结果并记录。
进一步的，使用的振动传感器的采样率一般高于12000赫兹，齿轮的早期故障频率一般在30K到40K赫兹之间，如果用于齿轮箱早期故障诊断，需要准备振动数据的采样率一般要高于100K赫兹。
进一步的，多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数；
(1)数据点N，这个是每次计算一个特征向量使用的数据点个数，这个参数选择可以是根据振动数据的采样率，如果采样率是12000赫兹，那可以使用比如1秒时间窗口，那N就等于12000；
(2)嵌入维度m，也就是计算某个时间点排列熵的维度，由于要计算出m所有的排列组合，所以计算量和维度之间的关系是指数级的，一般选择范围是4到8，维度高于8对于准确率没有太多的提升；
(3)时间延迟t，就是使用数据点之间的间隔，这个变量对于齿轮箱诊断结果不敏感，可以选择为1，就是使用的是连续数据，中间没有间隔；
(4)多尺度s，这个变量是对原始数据做了s次降采样，然后每次降采样后计算一个排列熵的特征，这个变量在表现多尺度排列熵的特征中起到了关键作用，目前也没有很好的选择规则，本发明中使用了PCA对s维的特征向量进行主成分提取，这样的好处是可以剔除多余维度，对特征进行压缩并且主成分特征向量是相互正交的，这样的特征让机器学习分类器更加容易训练，本发明中使用了s＝32，然后主成分分析之后使用了前面8个主成分变量。
进一步的，模型验证使用OPENEI的齿轮箱数据进行训练和验证，它包含了风机齿轮箱30赫兹转速情况下负载从0到90％的故障数据和正常数据，本发明使用了一半数据进行训练和一半数据进行模型验证，验证结果参见图1。
进一步的，齿轮箱的振动数据采集可以是分成n段1秒的数据，然后对单个1秒数据做以上的故障分类判断；假设单次故障分类的成功率是p，然后n段中至少一半预测正确的准确率是1-binocdf(n/2,n,p)，binocdf是二项式累积分布函数，在OPENEI的试验数据中齿轮箱诊断为正常的准确率为p＝0.82，当n＝10，至少一半预测正确的准确率是97.87％，所以通过采集多段数据进行预测结果融合到达一个很高的准确率,概况的讲基于一个比较高的p和一个比较大的n，通过多数投票法准确率会明显提升。
综上所述：本发明提供的一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，首先准备齿轮箱振动数据，再准备齿轮箱训练数据，标定0位正常齿轮，1为磨损故障齿轮，接着选择多尺度排列熵的参数，对数据训练数据进行特征提取，用PCA进行特征维度压缩，再用Adaboost进行分类模型训练，确定下分类模型参数，随后用测试集进行Adaboost模型验证，再在实际使用中采集多段数据，单个数据进行Adaboost模型预测，用多少投票法进行模型结果融合，随后输出最终诊断结果并记录，综上简化了多尺度排列熵的关键尺度参数的选择，通过PCA对特征维度进行了压缩，不仅精简了维度而且让分类器更易于学习，接着结合Adaboost多分类器和多数投票法融合让齿轮箱故障分类变得更加精准，实用性更强，鉴于Adaboost模型的大小，有效的实现了非常适用于边缘端的嵌入式运用，能让硬件赋能齿轮箱边缘异常检测，免除大量数据传回服务器。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，其特征在于：包括如下步骤：
S1、准备齿轮箱训练数据，标定0位正常齿轮，1为磨损故障齿轮；
S2、选择多尺度排列熵的参数，对数据训练数据进行特征提取，用PCA进行特征维度压缩；
S3、用Adaboost进行分类模型训练，确定下分类模型参数；
S4、用测试集进行Adaboost模型验证；
S5、实际使用中采集多段数据，单个数据进行Adaboost模型预测，用多数投票法进行模型结果融合；
S6、输出最终诊断结果并记录。
2.根据权利要求1所述的一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，其特征在于：使用的振动传感器的采样率一般高于12000赫兹，齿轮的早期故障频率一般在30K到40K赫兹之间，如果用于齿轮箱早期故障诊断，需要准备振动数据的采样率一般要高于100K赫兹。
3.根据权利要求1所述的一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，其特征在于：多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数。
4.根据权利要求1所述的一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，其特征在于：模型验证使用OPENEI的齿轮箱数据进行训练和验证。
5.根据权利要求1所述的一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法，其特征在于：齿轮箱的振动数据采集可以是分成n段1秒的数据，然后对单个1秒数据做以上的故障分类判断，并且用多数投票法进行融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011619133.9A CN112819029A (zh) | 2020-12-31 | 2020-12-31 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011619133.9A CN112819029A (zh) | 2020-12-31 | 2020-12-31 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819029A true CN112819029A (zh) | 2021-05-18 |
Family
ID=75855857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011619133.9A Pending CN112819029A (zh) | 2020-12-31 | 2020-12-31 | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819029A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187266A (zh) * | 2021-12-13 | 2022-03-15 | 江苏鑫丰源机电有限公司 | 基于人工智能的齿面胶合程度评估方法 |
| CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
| CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
| CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
| CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷系统故障诊断方法 |
-
2020
- 2020-12-31 CN CN202011619133.9A patent/CN112819029A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
| CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
| CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
| CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷系统故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHENGHAN ZHOU 等: "A Novel Bearing Multi-Fault Diagnosis Approach Based on Weighted Permutation Entropy and an Improved SVM Ensemble Classifier", 《SENSORS》 * |
| 李胜 等: "基于多类AdaBoost的故障诊断算法", 《电子测量技术》 * |
| 郑近德 等: "多尺度排列熵及其在滚动轴承故障诊断中的应用", 《中国机械工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187266A (zh) * | 2021-12-13 | 2022-03-15 | 江苏鑫丰源机电有限公司 | 基于人工智能的齿面胶合程度评估方法 |
| CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
| CN114742786B (zh) * | 2022-03-31 | 2023-08-29 | 山东西岳智能科技有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
| CN112819029A (zh) | 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法 | |
| US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
| CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| US11853047B2 (en) | Sensor-agnostic mechanical machine fault identification | |
| CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
| CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
| CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| WO2022207223A1 (en) | Method and system for optimizing a digital twin simulation model using machine learning | |
| CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| Osornio-Rios et al. | Data fusion system for electric motors condition monitoring: an innovative solution | |
| JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| KR102306244B1 (ko) | 디바이스의 결함 검출 모델 생성 방법 및 장치 | |
| US20230297854A1 (en) | Learning apparatus, learning method, and failure prediction system | |
| CN110546657B (zh) | 用于评估组件的生命周期的方法和设备 | |
| Yao et al. | Intelligent Framework for Bearing Fault Diagnosis in High-Noise Environments: A Location-Focused Soft Threshold Denoising Approach | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| KR102601338B1 (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
| CN113537288B (zh) | 基于样本信号的修改对目标模型进行训练的方法及系统 | |
| CN103984851A (zh) | 利用改进灰色模型对变速箱进行剩余寿命预测的方法 | |
| Abdenebi et al. | Gearbox Fault Diagnosis Using the Short-Time Cepstral Features | |
| EP3953580A1 (en) | A method for computer-implemented monitoring of a component of a wind turbine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |