CN112945556A - 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 - Google Patents

Abstract

本发明提供一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法，包括采集机械设备健康状态及故障状态下的振动信号数据，作为原始数据集；对振动信号进行三阶小波包分解，提取出每段信号的低频分量与高频分量，构建训练样本集和测试样本集；计算各不同状态下各故障的类间距离与类内距离，将二者之比进行降序排列；训练用于故障诊断分类的分类器，在进行测试时，诊断出排序靠前的几种故障，将其剔除出测试样本集，再诊断排序靠前的几种故障，直到诊断完毕。本发明通过小波包分解方法对振动信号进行降噪，按照类间与类内距离的比值依次诊断出测试集中的故障，显著提升了故障诊断的准确率，适用于基于数据驱动的各类机械设备的故障诊断中。

Description

一种基于小波包分解和优选剔除分类策略的轴承故障诊断 方法

技术领域

本发明涉及故障诊断技术领域，具体而言，尤其涉及一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法。

背景技术

滚动轴承是旋转机械设备的一个重要组成部分，具有十分广泛的应用。研究表明，有30％的旋转机械设备故障是由轴承的损伤引起的。因此，为避免重大的安全事故，保护设备的安全，对轴承及时、定期地进行故障诊断具有重要实际意义。目前，已有多种方法用于轴承故障诊断，故障诊断的过程主要可分成两个步骤：故障特征的提取和故障状态的识别。

在特征提取方面，采用的方法主要有：使用经验模态分解法(Empirical ModeDecomposition,EMD)得到轴承振动信号的内禀模态函数(Intrinsic Mode Function,IMF)组成重构信号；使用自适应白噪声完整集合经验模态分解(Complete Ensemble EmpiricalMode Decomposition with Adaptive Noise,CEEMDAN)的方法对振动信号进行特征提取；使用离散小波变换将振动信号转化为时频特征矩阵输入到诊断模型中。这类信号分析法在进行特征提取时，均有着不错的表现，但这些方法需要从变换后得到的信号中进行选择。对不同的故障信号，选用不同的方法才能得到最佳的特征，这就需要使用者具有大量的信号处理经验及先验知识。除了使用上述信号分析的方法来提取故障特征，近年来，随着深度学习的兴起，越来越多的研究者用深层的神经网络来提取特征参数。这种方法虽然也有着不错的效果，但其网络深度、各层激活函数等各项参数均是通过以往经验随意选择，没有理论依据，得到的故障特征也不具有解释性。

在故障状态识别方面，采用的方法主要有：采用支持向量机(support vectormachine，SVM)、BP神经网络、Softmax函数、集成学习、深度学习等多种方法对不同故障进行分类。其中SVM、BP神经网络属于传统故障状态识别方法，这类方法比较依赖特征提取的质量，若原始数据含噪声，则该类方法就达不到一个较高的故障识别准确率。而且SVM、BP等都属于浅层的学习网络，挖掘不到数据内在的特征规律，且无法适用于高维度的数据，容易发生维数灾难问题。而采用深度学习等方法进行状态识别时，网络参数又难以确定且训练时间较长。

发明内容

根据上述提出的技术问题，而提供一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法。本发明主要通过小波包分解来提取振动信号的特征，结合优选剔除分类策略来进行轴承的故障诊断。

本发明采用的技术手段如下：

一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法，包括如下步骤：

S1、采集机械设备健康状态及故障状态下的振动信号数据，作为原始数据集；

S2、对原始数据集的振动信号进行三阶小波包分解，提取出每段信号的低频分量与高频分量，构建训练样本集和测试样本集；

S3、基于训练样本集中的样本，计算同一类别信号样本间的类内距离，形成类内距离矩阵Sw，计算不同故障间的类间距离，形成类间距离矩阵Sb；计算各故障自身的类内距离矩阵Sw的迹与不同故障间类间距离矩阵Sb的迹，求取tr(Sb)/tr(Sw)，并按照大小顺序排序；

S4、训练用于故障诊断分类的分类器，在进行测试时，诊断出排序靠前的几种故障，将其剔除出测试样本集，再诊断排序靠前的几种故障，直到诊断完毕。

进一步地，所述步骤S1具体为：

采集健康状态及故障状态下的振动信号，以固定点数为一个样本，形成原始数据集。

进一步地，所述步骤S2具体包括：

S21、设

和Ψ(t)分别为尺度函数和小波函数，小波包函数表达式为：

其中，h为低通滤波器系数，g为高通滤波器系数，k为滤波器系数的第k个值，l为经小波包分解的第l个节点信号；选用Daubechies小波对振动信号进行三阶小波包分解；

S22、将经过小波包分解得到的第三阶4个低频分量与4个高频分量进行叠加，完成对振动信号特征提取；

S23、将步骤S22提取到的低频分量与高频分量组成一个列为8的特征矩阵C_ij，对每一行进行归一化处理：

其中，C_ij表示矩阵中第i行、第j列的元素，C_i'_j为变换后的特征矩阵中的元素；将其分为训练集与测试集，并作为特征向量输入到进行特征识别的分类器中。

进一步地，所述步骤S3具体包括：

S31、在训练样本集中，使用T分布随机近邻嵌入将特征向量降到二维；

S32、计算降维后的训练样本集中同类样本间的类内距离矩阵Sw，设训练样本集中的其中一类为G_p，包含n_p个样本，则类内距离D²为：

式中，

为同一类别中的样本，d为不同样本间的欧氏距离，计算每类样本的类内距离，作为矩阵Sw的对角线元素，形成类内距离矩阵；

S33、计算降维后的训练样本集中不同类别之间的类间距离矩阵Sb，设训练样本集中的其中一类为G_p，包含n_p个样本，另一类G_q，包含n_q个样本，两类中任意两个样本之间距离的平均值为两类之间的距离D_pq：

式中，x_i、x_j为G_p、G_q中的样本，d_ij为二者之间的欧氏距离，计算不同样本间的类间距离，作为矩阵Sb的对角线元素，形成类间距离矩阵；

S34、计算类内距离矩阵Sw的迹tr(Sb)以及计算类间距离矩阵Sb的迹tr(Sw)，并求取tr(Sb)/tr(Sw)，按照大小顺序进行排序。

进一步地，所述步骤S4具体包括：

S41、训练多种不同的分类器，在测试样本集中，采用SVM分类器进行前几轮的分类任务，采用XGBoost分类器进行后几轮特征较为相似且SVM分类器不能准确分类的任务；先将tr(Sb)/tr(Sw)排序靠前的故障从测试样本集中判断出来，每轮分类任务结束后，将确定为故障的样本剔除出测试样本集；

S42、若已知故障都诊断完后，测试样本集中还有剩余样本，则将其归类为未知故障。

较现有技术相比，本发明具有以下优点：

1、本发明提供的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其使用基于小波包分解的方式进行特征提取，将很长的振动时序信号提取为只有8维的特征向量，具有良好的特征提取能力。

2、本发明提供的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其优选剔除分类策略可以在准确识别故障类型的基础上进一步地提高诊断模型的准确率，且可以发现未知故障，使得故障诊断效果显著提高。

基于上述理由本发明可在故障诊断等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的基于小波包分解振动信号的示意图。

图3为本发明实施例提供的对健康状态下的振动信号进行三阶小波包分解后的示意图。

图4为本发明实施例提供的优选剔除分类过程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法，包括如下步骤：

S1、采集机械设备健康状态及故障状态下的振动信号数据，作为原始数据集；

具体实施时，作为本发明优选的实施方式，所述步骤S1具体为：

采集健康状态及故障状态下的振动信号，以固定点数为一个样本，形成原始数据集。在本实施例中，采用美国凯斯西储大学电子工程实验室的轴承实验数据。测试轴承的型号是SKF公司的6205-2RSJEM深沟球轴承，实验中轴承的损伤是由电火花加工单点损伤形成的。多种故障种类是通过构造不同的损伤直径形成的。轴承ORF的损伤点可设置在不同的位置上，分别在外圈时钟3点钟、6点钟和12点钟方向上。对于振动信号的采集，是通过在电动机风扇端(FE)和驱动端(DE)放置的加速度传感器测量得到的。信号由16通道数据记录仪采集，采样频率可为12kHz或48Khz。本实施例选取的数据为3马力下，采样频率为12kHz，转速为1730rmp的FE及DE端数据。数据集包括正常状态和9种故障状态，故障状态分别是损伤直径为0.007、0.014、0.021英寸下的BAF、IRF和ORF数据。外圈故障选择了损伤点在6点钟方向。本发明使用的训练样本集如表1所示。在测试样本集中加入训练样本集中没有的3种未知故障。

表1实验训练样本集

由表1可见，每种故障的振动信号选取了102400个数据点，正常状态下选取了204800个数据点组成完整的样本集。本实施例中选择每2048个振动信号为一组样本，则数据集的维度为(1000，2048)。选择其70％作为训练样本，其余作为测试样本。

S2、对原始数据集的振动信号进行三阶小波包分解，提取出每段信号的低频分量与高频分量，构建训练样本集和测试样本集；

具体实施时，作为本发明优选的实施方式，所述步骤S2具体包括：

S21、设

和Ψ(t)分别为尺度函数和小波函数，小波包函数表达式为：

其中，h为低通滤波器系数，g为高通滤波器系数，k为滤波器系数的第k个值，l为经小波包分解的第l个节点信号；选用Daubechies小波对振动信号进行三阶小波包分解；

S22、将经过小波包分解得到的第三阶4个低频分量与4个高频分量进行叠加，完成对振动信号特征提取；如图2所示，A为每次分解出的低频分量，D为每次分解出的高频分量。在本实施例中，将小波包分解得到的第三阶4个低频分量与4个高频分量进行叠加，具体方式为：

式中，A_n为各低频分量叠加后的列表，D_n为个高频分量叠加后的列表。k为经3阶小波包分解后单项振动信号样本提取出的特征个数。将A_n与D_n合并成矩阵C_n，形成一个列为8的特征矩阵。

S23、将步骤S22提取到的低频分量与高频分量组成一个列为8的特征矩阵C_ij，对每一行进行归一化处理：

其中，C_ij表示矩阵中第i行、第j列的元素，C_i'_j为变换后的特征矩阵中的元素；将其分为训练集与测试集，并作为特征向量输入到进行特征识别的分类器中。

S3、基于训练样本集中的样本，计算同一类别信号样本间的类内距离，形成类内距离矩阵Sw，计算不同故障间的类间距离，形成类间距离矩阵Sb；计算各故障自身的类内距离矩阵Sw的迹与不同故障间类间距离矩阵Sb的迹，求取tr(Sb)/tr(Sw)，并按照大小顺序排序；

具体实施时，作为本发明优选的实施方式，所述步骤S3具体包括：

S31、在训练样本集中，使用T分布随机近邻嵌入(T-Distribution StochasticNeighbour Embedding，t-SNE)将特征向量降到二维；

S32、计算降维后的训练样本集中同类样本间的类内距离矩阵Sw，设训练样本集中的其中一类为G_p，包含n_p个样本，则类内距离D²为：

式中，

为同一类别中的样本，d()为不同样本间的欧氏距离，计算每类样本的类内距离，作为矩阵Sw的对角线元素，形成类内距离矩阵；

S33、计算降维后的训练样本集中不同类别之间的类间距离矩阵Sb，设训练样本集中的其中一类为G_p，包含n_p个样本，另一类G_q，包含n_q个样本，两类中任意两个样本之间距离的平均值为两类之间的距离D_pq：

式中，x_i、x_j为G_p、G_q中的样本，d_ij为二者之间的欧氏距离，计算不同样本间的类间距离，作为矩阵Sb的对角线元素，形成类间距离矩阵；

S34、计算类内距离矩阵Sw的迹tr(Sb)以及计算类间距离矩阵Sb的迹tr(Sw)，并求取tr(Sb)/tr(Sw)，按照大小顺序进行排序。若单个故障进行诊断，会耗费大量时间，所以本实施例将相近的故障组合起来诊断。最终的排序结果为，健康状态>ORF>IRF>BAF。所以诊断顺序即为先判断出健康的轴承，然后依次判断出ORF、IRF、BAF，最后剩余的则为未知故障。

S4、训练用于故障诊断分类的分类器，在进行测试时，诊断出排序靠前的几种故障，将其剔除出测试样本集，再诊断排序靠前的几种故障，直到诊断完毕。

具体实施时，作为本发明优选的实施方式，所述步骤S4具体包括：

S41、训练多种不同的分类器，在测试样本集中，采用SVM分类器进行前两轮的分类任务，采用XGBoost分类器进行后几轮特征较为相似且SVM分类器不能准确分类的后两轮分类任务；在测试样本集中，根据图4的示意图，先将tr(Sb)/tr(Sw)排序靠前的故障从测试样本集中判断出来，每轮分类任务结束后，将确定为故障的样本剔除出测试样本集；

S42、若已知故障都诊断完后，测试样本集中还有剩余样本，则将其归类为未知故障。表2是本发明方法与传统方法诊断结果的比较。

表2优选剔除分类策略方法和其他方法的故障诊断结果比较

方法	SVM	RF	DNN	CNN	本发明
						工况1准确率(％)	92.89	95.25	87.52	97.13	99.20
工况2准确率(％)	75.67	85.25	80.52	87.13	98.42

表2中的工况1是测试样本集中不包含未知故障，工况2是测试样本集中包含未知故障；由表2可见，与传统故障诊断方法相比，本发明方法有着最高的故障识别准确率，对于工况1，识别准确率可达99.2％。对于工况2，即存在未知故障时，本发明方法不会将其误判断为已知的故障，可将其他诊断方法不到90％的故障识别准确率大幅提升到98％以上，显著提升了含未知故障时的故障诊断准确率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其特征在于，包括如下步骤：

S1、采集机械设备健康状态及故障状态下的振动信号数据，作为原始数据集；

S2、对原始数据集的振动信号进行三阶小波包分解，提取出每段信号的低频分量与高频分量，构建训练样本集和测试样本集；

S3、基于训练样本集中的样本，计算同一类别信号样本间的类内距离，形成类内距离矩阵Sw，计算不同故障间的类间距离，形成类间距离矩阵Sb；计算各故障自身的类内距离矩阵Sw的迹与不同故障间类间距离矩阵Sb的迹，求取tr(Sb)/tr(Sw)，并按照大小顺序排序；

S4、训练用于故障诊断分类的分类器，在进行测试时，诊断出排序靠前的几种故障，将其剔除出测试样本集，再诊断排序靠前的几种故障，直到诊断完毕。

2.根据权利要求1所述的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其特征在于，所述步骤S1具体为：

采集健康状态及故障状态下的振动信号，以固定点数为一个样本，形成原始数据集。

3.根据权利要求1所述的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其特征在于，所述步骤S2具体包括：

S21、设

和Ψ(t)分别为尺度函数和小波函数，小波包函数表达式为：

其中，h为低通滤波器系数，g为高通滤波器系数，k为滤波器系数的第k个值，l为经小波包分解的第l个节点信号；选用Daubechies小波对振动信号进行三阶小波包分解；

S22、将经过小波包分解得到的第三阶4个低频分量与4个高频分量进行叠加，完成对振动信号特征提取；

S23、将步骤S22提取到的低频分量与高频分量组成一个列为8的特征矩阵C_ij，对每一行进行归一化处理：

其中，C_ij表示矩阵中第i行、第j列的元素，C′_ij为变换后的特征矩阵中的元素；将其分为训练集与测试集，并作为特征向量输入到进行特征识别的分类器中。

4.根据权利要求1所述的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其特征在于，所述步骤S3具体包括：

S31、在训练样本集中，使用T分布随机近邻嵌入将特征向量降到二维；

S32、计算降维后的训练样本集中同类样本间的类内距离矩阵Sw，设训练样本集中的其中一类为G_p，包含n_p个样本，则类内距离D²为：

式中，

为同一类别中的样本，d为不同样本间的欧氏距离，计算每类样本的类内距离，作为矩阵Sw的对角线元素，形成类内距离矩阵；

S33、计算降维后的训练样本集中不同类别之间的类间距离矩阵Sb，设训练样本集中的其中一类为G_p，包含n_p个样本，另一类G_q，包含n_q个样本，两类中任意两个样本之间距离的平均值为两类之间的距离D_pq：

式中，x_i、x_j为G_p、G_q中的样本，d_ij为二者之间的欧氏距离，计算不同样本间的类间距离，作为矩阵Sb的对角线元素，形成类间距离矩阵；

S34、计算类内距离矩阵Sw的迹tr(Sb)以及计算类间距离矩阵Sb的迹tr(Sw)，并求取tr(Sb)/tr(Sw)，按照大小顺序进行排序。

5.根据权利要求1所述的基于小波包分解和优选剔除分类策略的轴承故障诊断方法，其特征在于，所述步骤S4具体包括：

S41、训练多种不同的分类器，在测试样本集中，采用SVM分类器进行前几轮的分类任务，采用XGBoost分类器进行后几轮特征较为相似且SVM分类器不能准确分类的任务；先将tr(Sb)/tr(Sw)排序靠前的故障从测试样本集中判断出来，每轮分类任务结束后，将确定为故障的样本剔除出测试样本集；

S42、若已知故障都诊断完后，测试样本集中还有剩余样本，则将其归类为未知故障。

Images