CN113177484A - 基于lof自编码的机械故障智能诊断方法 - Google Patents
基于lof自编码的机械故障智能诊断方法 Download PDFInfo
- Publication number
- CN113177484A CN113177484A CN202110479568.6A CN202110479568A CN113177484A CN 113177484 A CN113177484 A CN 113177484A CN 202110479568 A CN202110479568 A CN 202110479568A CN 113177484 A CN113177484 A CN 113177484A
- Authority
- CN
- China
- Prior art keywords
- local
- vibration signal
- network
- lof
- self
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于LOF自编码的机械故障智能诊断方法,包括以下步骤:步骤S1,获取机械不同健康状态下的振动信号样本;步骤S2,从振动信号样本中截取获得局部信号片段集;步骤S3,利用局部信号片段集对稀疏自编码网络进行训练,获得稀疏自编码网络的权重矩阵;步骤S4,基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征;步骤S5,基于振动信号局部特征计算LOF异常因子;步骤S6,矫正局部特征并融合为全局特征;步骤S7,训练神经网络中的Softmax分类网络;从而完成整个诊断神经网络的训练;步骤S8,基于以上训练完成后的诊断神经网络进行机械故障诊断。本发明能够获得更加准确的诊断结果。
Description
技术领域
本发明属于械监测及故障诊断领域,尤其是一种基于LOF自编码的机械故障智能诊断方法。
背景技术
工业装备中含有大量的旋转机械零部件如轴承、齿轮等,它们在旋转机械中起到支撑、传送力矩作用,对于设备的安全、可靠运行十分重要。然而这些旋转零部件也故障频发,一旦故障,轻则设备无法正常运行,停工停产,重则机组破坏,造成重大人员伤亡。可见旋转机械故障的及时、准确诊断对于防止重大事故、设备生产经济效益的提高具有十分重要的意义。基于振动传感器获取振动信号,对信号进行诊断分析,判断设备是否存在故障是旋转机械故障诊断的重要手段,为维护设备安全运行发挥了重要作用。
近年来,深度学习诊断模型建立,自动地识别出故障类别,受到学术和工程领域广泛关注。如自动编码机模型,能够自适应地从获取的振动数据中提取故障特征,无需依靠专家经验专门设计特征,并取得了较好地诊断效果。然而,实际工程中,运行环境复杂,周围存在大量噪声干扰,传感器故障频发,导致获取监测数据中难免含有缺失、噪点、漂移等低质量监测数据。深度学习算法具有“垃圾进,垃圾出”的缺点,基于质量低的数据样本进行训练,将获得错误诊断模型,从而降低了诊断准确率。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种基于LOF自编码的机械故障智能诊断方法,能够根据监测数据质量高低自适应调整神经网络中的样本权重,从而获得更加准确的诊断结果。本发明采用的技术方案是:
本发明的实施例提出一种基于LOF自编码的机械故障智能诊断方法,包括以下步骤:
步骤S1,获取机械不同健康状态下的振动信号样本;
步骤S2,从振动信号样本中截取获得局部信号片段集;
步骤S3,利用局部信号片段集对稀疏自编码网络进行训练,获得稀疏自编码网络的权重矩阵;
步骤S4,基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征;
步骤S5,基于振动信号局部特征计算LOF异常因子;
步骤S6,矫正局部特征并融合为全局特征;
步骤S7,训练神经网络中的Softmax分类网络;从而完成整个诊断神经网络的训练;
步骤S8,基于以上训练完成后的诊断神经网络进行机械故障诊断。
本发明的优点在于:本发明即便在监测数据质量较低的情况下,依然能够获得更为准确的机械故障诊断神经网络模型,从而提高诊断结果的精确性。
附图说明
图1为本发明实施例中的方法流程图。
图2为本发明实施例中训练集正确率比对图。
图3为本发明实施例中验证集正确率比对图。
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,以下结合附图及实施例,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用以解释本发明,并不用于限定本发明。
本发明的实施例提出一种基于LOF自编码的机械故障智能诊断方法,包括以下步骤:
步骤S1,获取机械不同健康状态下的振动信号样本;
步骤S2,从振动信号样本中截取获得局部信号片段集;
举例而言,若某个振动信号有1000个采样点,若等分成20个局部信号片段,则每个局部信号片段有50个采样点,以重叠滑窗方式截取时,每个局部信号片段有超过50个采样点;
举例而言,若有30个振动信号样本,每个振动信号样本以重叠滑窗方式截取20个局部信号片段,则Ns为600;
步骤S3,利用局部信号片段集对稀疏自编码网络进行训练,获得稀疏自编码网络的权重矩阵;
步骤S4,基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征;
将振动信号xm分为不重叠的局部信号片段,表示如下:
其中,σr为稀疏自编码网络的特征层激活函数;
步骤S5,基于振动信号局部特征计算LOF异常因子(即局部异常因子);
其中,o′为点o的邻域内的特征点,k_distance(o′)表示点o′的第k距离,k_distance(o)表示点o的第k距离,d(o,o′)表示点o与o′的欧氏距离,k值取为5;Nk(o)是点o的邻域,即点o的第k距离以内的所有点,包括第k距离上的点;
点o的LOF异常因子计算表达式如下:
其中,lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度;
步骤S6,矫正局部特征并融合为全局特征;
步骤S7,训练神经网络中的Softmax分类网络;从而完成整个诊断神经网络的训练;
将获得的全局特征hm与健康状态类型结合,形成Softmax分类网络的训练集假设训练集的健康状态有C种,则ym∈{1,2,…,C};对每个输入的全局特征hm,Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(ym=c|hm),其中c=1,2,…,C;
Softmax分类网络输出表示为:
其中,Ws为Softmax分类网络的权重矩阵,Wc为权重矩阵Ws的第c行向量;
Softmax分类网络的目标函数为:
其中,1{·}为指示函数,当输入为真时,指示函数的值为1;当输入为假时,指示函数的值为0;通过最小化目标函数J(Ws),得到优化的Ws;最终完成整个诊断神经网络的训练;
步骤S8,基于以上训练完成后的诊断神经网络进行机械故障诊断;自动识别健康状态,实现机械设备故障的类别诊断。
具体验证实施例如下:
验证案例采用美国凯斯西储大学轴承故障数据,选用的是12kHz的驱动端故障数据,故障类型分别为滚动体故障且故障直径为0.1778mm、内圈故障且故障直径为0.1778mm、外圈故障且故障直径为0.1778mm、滚动体故障且故障直径为0.3556mm、内圈故障且故障直径为0.3556mm、外圈故障且故障直径为0.3556mm、滚动体故障且故障直径为0.5334mm、内圈故障且故障直径为0.5334mm、外圈故障且故障直径为0.5334mm、健康,即一共有10中健康状态类型(1健康,3种滚动体故障、3种外圈故障、3种内圈故障);总数据集的63%选为训练集,其余37%作为验证集;
训练比对如图2所示,其中LOF处理前表示未使用本申请的方法,直接采用自编码结合softmax网络模型方式,训练准确率为96.98%,采用了本申请的方法训练准确率达到97.43%。
利用训练后的诊断神经网络进行故障诊断;LOF处理前模型验证集准确率为84.56%,而LOF处理后神经网络模型的验证集准确率为86.4%,可以看出验证集准确率获得了提升,从而说明了本申请方法的有效性。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于LOF自编码的机械故障智能诊断方法,其特征在于,包括以下步骤:
步骤S1,获取机械不同健康状态下的振动信号样本;
步骤S2,从振动信号样本中截取获得局部信号片段集;
步骤S3,利用局部信号片段集对稀疏自编码网络进行训练,获得稀疏自编码网络的权重矩阵;
步骤S4,基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征;
步骤S5,基于振动信号局部特征计算LOF异常因子;
步骤S6,矫正局部特征并融合为全局特征;
步骤S7,训练神经网络中的Softmax分类网络;从而完成整个诊断神经网络的训练;
步骤S8,基于以上训练完成后的诊断神经网络进行机械故障诊断。
5.如权利要求4所述的基于LOF自编码的机械故障智能诊断方法,其特征在于,
其中,o′为点o的邻域内的特征点,k_distance(o′)表示点o′的第k距离,k_distance(o)表示点o的第k距离,d(o,o′)表示点o与o′的欧氏距离,k值取为5;Nk(o)是点o的邻域,即点o的第k距离以内的所有点,包括第k距离上的点;
点o的LOF异常因子计算表达式如下:
其中,lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度。
7.如权利要求6所述的基于LOF自编码的机械故障智能诊断方法,其特征在于,步骤S7具体包括:
将获得的全局特征hm与健康状态类型结合,形成Softmax分类网络的训练集假设训练集的健康状态有C种,则ym∈{1,2,…,C};对每个输入的全局特征hm,Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(ym=c|hm),其中c=1,2,…,C;
Softmax分类网络输出表示为:
其中,Ws为Softmax分类网络的权重矩阵,Wc为权重矩阵Ws的第c行向量;
Softmax分类网络的目标函数为:
其中,1{·}为指示函数,当输入为真时,指示函数的值为1;当输入为假时,指示函数的值为0;通过最小化目标函数J(Ws),得到优化的Ws;最终完成诊断神经网络的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479568.6A CN113177484B (zh) | 2021-04-30 | 2021-04-30 | 基于lof自编码的机械故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110479568.6A CN113177484B (zh) | 2021-04-30 | 2021-04-30 | 基于lof自编码的机械故障智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177484A true CN113177484A (zh) | 2021-07-27 |
CN113177484B CN113177484B (zh) | 2023-02-28 |
Family
ID=76925584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110479568.6A Active CN113177484B (zh) | 2021-04-30 | 2021-04-30 | 基于lof自编码的机械故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177484B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611109A (zh) * | 2024-01-24 | 2024-02-27 | 福建亿安智能技术股份有限公司 | 一种违规物品投放信息监测管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
CN109190598A (zh) * | 2018-09-29 | 2019-01-11 | 西安交通大学 | 一种基于ses-lof的旋转机械监测数据噪点检测方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
-
2021
- 2021-04-30 CN CN202110479568.6A patent/CN113177484B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
CN109190598A (zh) * | 2018-09-29 | 2019-01-11 | 西安交通大学 | 一种基于ses-lof的旋转机械监测数据噪点检测方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
Non-Patent Citations (2)
Title |
---|
LIANGWEI ZHANG ET.AL: "Adaptive kernel density-based anomaly detection for nonlinear systems", 《KNOWLEDGE-BASED SYSTEMS》 * |
汤芳等: "稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用", 《机械科学与技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611109A (zh) * | 2024-01-24 | 2024-02-27 | 福建亿安智能技术股份有限公司 | 一种违规物品投放信息监测管理方法及系统 |
CN117611109B (zh) * | 2024-01-24 | 2024-04-26 | 福建亿安智能技术股份有限公司 | 一种违规物品投放信息监测管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113177484B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN108257365B (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN113627317A (zh) | 一种基于单样本学习的电机轴承故障诊断方法 | |
CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
CN113705407A (zh) | 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
CN113654651B (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |