CN113255458A - 基于多视图关联特征学习的轴承故障诊断方法 - Google Patents
基于多视图关联特征学习的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113255458A CN113255458A CN202110473166.5A CN202110473166A CN113255458A CN 113255458 A CN113255458 A CN 113255458A CN 202110473166 A CN202110473166 A CN 202110473166A CN 113255458 A CN113255458 A CN 113255458A
- Authority
- CN
- China
- Prior art keywords
- vibration
- current
- signal
- feature
- classifier
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 239000002131 composite material Substances 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G01M13/04—Bearings
- G01M13/045—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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于多视图关联特征学习的轴承故障诊断方法，将振动信号和电流信号视为不同的视图，基于多视图学习设计齿轮箱轴承振动信号与发电机电流特征的关联特征学习方法，应用于风电齿轮箱轴承的多故障诊断。该方法首先从振动和电流信号中提取小波包分频带时域统计特征得到初始的振动特征空间和电流特征空间，然后将振动与电流特征样本成对输入典型相关学习网络进行关联性特征学习，使电流与振动信号特征映射之间的相关性最大，实现振动和电流特征的增强性提取。本发明能够以无监督的方式学习振动与电流信号中的关联属性并获得共有故障特征信息，充分利用多传感信号的综合诊断优势，与单一信号特征方法相比，提高故障诊断的精度和可靠性。
Description
技术领域
本发明属于故障诊断领域，具体涉及一种基于多视图关联特征学习的轴承故障诊断方法。
背景技术
齿轮箱作为风电机组传动系统的关键部件，内部结构复杂且运行环境恶劣，长期处于复杂多变的交变载荷下，极易发生故障。据统计，76.2％的齿轮箱故障是由轴承引起的，其中高速轴和中间轴轴承占比最大。因此，为避免因轴承故障失效导致的巨额维修成本和停机损失，及时、准确的诊断齿轮箱轴承故障变得尤其重要。
目前，风电齿轮箱轴承的故障诊断主要依赖于各类传感器信号，如振动信号、声发射信号、电流信号、监视控制和数据采集系统信号。其中，振动信号应用最为成熟，然而受到振动传感器位置的影响，振动信号易受到环境噪声和其他振动源的干扰导致故障特征提取较难。最近研究表明，当齿轮箱轴承出现局部故障时会产生异常振动，引起发电机气隙扭矩波动，进而引起定子磁通变化，最终会引起包括定子电流在内的一系列电参数的变化。因此，电流信号近年来已成为诊断轴承机械故障的一种新型诊断方式。然而，从发电机端获取的电流信号基频分量干扰较大、信噪比低、所包含的故障信息微弱，也给故障特征提取及诊断带来了巨大的困难。而且，当前的轴承故障诊断主要集中在振动、电流等单一传感器信号，每一类信号具有各自诊断的局限性，难以全面准确地表征轴承的状态信息，导致故障诊断的可靠性较低。而风电机组系统具有典型的机电耦合特性，振动与电流信号之间也存在的较强的关联性。因此，通过对振动和电流两类不同传感器信号进行特征提取与关联特征学习，充分利用多传感信号的互补诊断优势，能够提高复合故障诊断结果的可靠性和准确性。
发明内容
针对上述背景技术中提到当前风电齿轮箱轴承诊断中单一传感器信号的局限性和诊断能力不足问题，本发明的目的在于提供一种基于多视图关联特征学习的轴承故障诊断方法，从多视图学习的角度，通过无监督学习的方法实现振动特征与电流特征的相关性学习，从而提取增强性故障特征，提高轴承故障诊断的准确性和可靠性。
为了达到上述目的，本发明采用的技术方案为提供一种基于多视图关联特征学习的轴承故障诊断方法，其包括如下步骤：
S1：振动与电流信号采集；
同步采集轴承不同状态下的振动信号与电流信号，并将样本划分成训练集和验证集；
S2：振动与电流信号特征提取；
利用小波包变换WPT分别对步骤S1中所述训练集和验证集的振动信号和电流信号作样本分解，得到不同频带的振动子带信号和电流子带信号，并对每一个振动子带信号和电流子带信号进行时域统计特征提取，得到振动信号特征向量和电流信号特征向量；
S3:振动与电流多视图关联特征学习过程；
将所述提取到的振动信号特征向量与电流信号特征向量成对输入典型相关分析的CCA网络进行关联特征学习，通过特征映射变换，得到振动信号与电流信号的关联特征映射，并计算得到振动增强特征向量和电流增强特征向量；所述步骤S3中的振动与电流信号多视图关联特征学习过程将所提取的振动信号与电流信号作为两个不同的视图成对输入到CCA网络中，进行振动与电流两组不同视图特征的映射变换与融合，具体包括以下子步骤：
S31：对于给定的振动与电流两组特征样本Fv与Fc，ωv和ωc分别振动与电流信号的特征映射矩阵，计算特征映射矩阵ωv和ωc使得振动与电流两个视图特征具有最大线性相关性，其优化的目标函数表示如下：
式中，Σvv、Σcc分别表示振动和电流的自协方差矩阵，Σvc为振动与电流的互协方差矩阵，协方差矩阵的每个元素是特征样本各个向量元素之间的协方差,ωv为振动特征映射矩阵，ωc为电流特征映射矩阵；
通过优化上述目标函数，获得使振动与电流特征线性相关性最大化的公共子空间，得到
与
其中，an表示第n个特征向量的系数，其中，an表示振动信号第n个特征向量的系数，bn表示电流信号第n个特征向量的系数，n1与n2分别为振动与电流特征样本长度；
S32：根据步骤S31计算得到的特征映射向量，按照特征值的绝对值从大到小排列，选取前M个特征值对应的特征映射向量完成到公共特征空间的映射，计算得到振动增强特征向量
Fv∈Rn×m和电流增强特征向量
其中，Fv∈Rn ×m表示Fv是大小为n×m的实数矩阵；
S4:故障分类器离线训练；
将所述得到的振动或电流增强特征向量加上状态标签，通过监督学习的方式来训练支持向量分类器，确定支持向量分类器的最优分类参数；
S5：在线诊断测试过程；
采集未知状态下的轴承在线测试振动或电流信号，将其输入到所述的振动与电流的关联特征映射，获得振动或电流增强特征向量，并输入到训练好的对应的振动或电流故障分类器中输出在线测试振动或电流信号的分类结果。
可优选的是，所述的样本划分是将从轴承处采集的振动信号与发电机输出端电流信号划分成样本长度为NX的m个小样本
其中第一部分作为训练集，第二部分作为验证集。
可优选的是，步骤S2包括如下具体步骤：
S21：利用小波包变换方法分别将训练集和验证集中的振动与电流信号进行L层分解，所述L>1，得到若干子频带信号，其中第i层第j个电流子带信号表示为Wc(i,j)与振动子带信号表示为Wv(i,j)，经过小波包分解后振动和电流信号分别得到n个子带信号，
S22：对所述的每一个振动子带信号Wv(i,j)和电流子带信号Wc(i,j)进行时域统计特征提取，所提取的特征个数为p，并将所有振动子带信号和电流子带信号计算得到的时域统计特征级联起来组成一个更新后的振动特征向量Fv∈Rn×p和一个更新后的电流信号特征向量Fc∈Rn×p。
进一步，所述的时域统计特征包括均方根有效值、峭度、波峰因数、形状因子、绝对平均振幅、脉冲指标和偏态系数。
可优选的是，所述步骤S4包括如下具体步骤：
S41：定义轴承故障诊断的分类任务为一个C类多分类问题，所述C为状态种类，支持向量机为故障诊断分类器；支持向量机分类器的核函数为高斯径向基核函数，其表达式为
其中，xi，xj为两个不同的样本点，σ为核函数的宽度参数；
S42：将步骤S3获取的电流增强特征与状态分类标签作为电流分类器的输入，采用有监督方式训练分类器，利用验证集来确定分类器的最佳参数，对故障进行分类识别训练；
S43：将步骤S3获取的振动增强特征与状态分类标签作为振动分类器的输入，采用有监督方式训练分类器，利用验证集来确定分类器的最佳参数，对故障进行分类识别训练。
可优选的是，所述步骤S5中的在线故障诊断是不需要同时采集电流与振动信号，直接将未知状态下的振动信号或电流信号作为输入，经过CCA特征映射变换；计算出待测振动或电流信号的增强关联特征，进一步输入到训练好的振动或电流SVM故障诊断分类器中，输出最终的诊断结果。
与现有技术相比，本发明具有如下有益效果：
本发明提出的基于多视图关联特征学习的轴承故障诊断方法采用电流信号与振动信号同时作为轴承故障诊断的依据，利用多视图学习方法在特征空间学习齿轮箱振动信号与电流信号之间的关联性特征，能够捕获电流信号与振动信号共有的故障信息，实现了振动与电流信号故障信息的增强提取。而且所提出的多视图关联特征学习过程采用的是无监督学习方式，无需状态标签信息，可以大大节约故障标记的成本。相对于单一的振动与电流信号监测，本发明提出的方法能够大大提高轴承故障故障诊断的精度与可靠性，也为多传感器融合故障诊断提供了一种新的方法思路。
附图说明
图1为本发明基于多视图关联特征学习的轴承故障诊断方法的流程图；
图2为本发明的一个实施方式的小波包分解示意图；
图3为本发明中CCA多视图关联特征学习示意图；
图4a为故障诊断分类离线振动-训练与振动-测试的示意图；
图4b为故障诊断分类离线电流-训练与电流-测试的示意图；
图5为采用线性级联组合特征进行故障诊断的混淆矩阵结果示意图；
图6a为采用单一振动特征进行故障诊断的混淆矩阵结果示意图；
图6b为采用振动关联增强特征进行故障诊断的混淆矩阵结果示意图；
图7a为采用单一电流特征进行故障诊断的混淆矩阵结果图；
图7b为采用电流关联增强特征进行故障诊断的混淆矩阵结果图。
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，下面结合附图和具体实施方式对本发明作进一步的详细说明。
本发明实施例采用的是风电齿轮箱故障模拟试验台，该试验台由变频器、电动机、齿轮箱、发电机和负载箱组成。实验台的工作原理如下：电动机启动后，通过变频器来调节和控制三相异步电动机的转速，再通过与电动机直连的减速器将动力传递给两级平行齿轮箱，以此来模拟风力驱动过程，经过齿轮箱的增速过程之后，转矩传递给永磁同步发电机发电，来模拟风电机组的发电过程，最终连接到三相可调负载箱，模拟风场的网侧负载，发电过程中产生的电能由负载箱散热消耗。至此便实现了“电能->机械->电能”的能量转换，可以近似模拟风电机组的发电过程。通过该试验台可以模拟齿轮箱高速轴轴承8种状态，包括正常状态N、内圈故障I、外圈故障O、滚动体故障B、内外圈复合故障IO、内圈滚动体复合故障IB、外圈滚动体复合故障OB和内圈外圈滚动体复合故障IOB。
本发明实施例采用的基于多视图关联特征学习的轴承故障诊断方法的诊断流程如图1所示，包括以下步骤：
S1：振动与电流信号采集。利用振动加速度传感器和电流钳分别从风电齿轮箱高速轴承端和发电机输出端同步采集轴承8中不同状态下的振动与电流信号，信号的采样频率为10kHz。将采集到的振动和电流信号进行样本划分，具体如下：
将振动信号与电流信号划分成样本长度为NX的m个小样本
其中第一部分即样本80％作为训练集，第二部分即剩余20％作为验证集。
S2：振动与电流信号特征提取。利用小波包变换(WPT)分别对步骤S1中训练集和验证集中的振动信号和电流信号样本分解，得到不同频带的振动子带信号和电流子带信号，并对每一个振动和电流子带信号进行时域统计特征提取，得到振动信号特征向量和电流信号特征向量。具体步骤如下：
S21：如图2所示，利用小波包变换方法分别对振动与电流信号进行3层分解，得到若干子频带信号，其中第i层第j个电流与振动信号的子带信号分别表示为Wc(i,j)与Wv(i,j)，经过分解后振动和电流信号分别得到n个子带信号，
S22：对的每一个振动子带信号Wv(i,j)和电流子带信号Wc(i,j)进行时域统计特征提取，选取常用的9个特征具体包括波峰系数、形状系数、绝对平均振幅、振幅、平方根峰度、方差值、间隙因数、脉冲指标和偏态系数，并将所有振动子带信号和电流子带信号计算得到的时域统计特征级联起来组成一个新的振动特征向量Fv∈Rn×p和一个新的电流信号特征向量Fc∈Rn×p，其中n＝15，p＝9。
S3：振动与电流多视图关联特征学习。将提取到的振动与电流特征向量成对输入典型相关分析CCA网络进行关联特征学习，通过特征映射变换，得到振动与电流信号的关联特征映射，并计算得到振动增强特征向量和电流增强特征向量。具体方法如下：
S31：对于给定的振动与电流两组特征样本Fv与Fc，如图3所示，计算特征映射矩阵ωv和ωc使得振动与电流两个视图特征具有最大线性相关性，其优化的目标函数表示如下：
式中，Σvv、Σcc分别表示振动和电流的自协方差矩阵，Σvc为振动与电流的互协方差矩阵。
通过优化上述目标函数，可以学习到使振动与电流特征线性相关性最大化的公共子空间。
S32：根据步骤S31计算得到的特征映射向量，按照特征值的绝对值从大到小排列，选取前M个特征值对应的特征映射向量完成到公共特征空间的映射，计算得到振动增强特征向量
和电流增强特征向量
S4：故障分类器离线训练。
将得到的振动或电流增强特征向量加上状态标签，通过监督学习的方式来训练支持向量分类器，确定支持向量分类器的最优分类参数。具体步骤如下：
S41：定义轴承故障诊断的分类任务为一个C类多分类问题，C为状态种类，支持向量机(SVM)为故障诊断分类器；支持向量机分类器的核函数为高斯径向基核函数，其表达式为
其中，xi，xj为两个不同的样本点，σ为核函数的宽度参数。
S42：如图4a所示，将步骤S3获取的电流增强特征Hc与状态分类标签TC作为电流分类器SVMc的输入，采用有监督方式训练各SVM分类器，利用振动或电流样本验证集确定SVM中的核参数σ和惩罚因子，在[0.0001、0.01、0.1、1、10、100、1000、10000]数值范围内进行k折交叉验证来确定分类器的最佳参数，对故障进行分类识别训练。
S43：如图4b所示，将步骤S3获取的振动增强特征
与状态分类标签TC作为振动分类器SVMv的输入，采用有监督方式训练分类器，利用样本验证集确定SVM中的核参数σ和惩罚因子，在[0.0001、0.01、0.1、1、10、100、1000、10000]数值范围内进行k折交叉验证来确定分类器的最佳参数，对故障进行分类识别训练。
S5：在线故障诊断。采集未知状态下的轴承在线测试电流信号
将其输入到的振动与电流的关联特征映射中，获得电流增强特征向量
并输入到训练好的对应的电流故障分类器SVMc中输出在线测试电流信号的分类结果。
采集未知状态下的轴承在线测试振动信号
将其输入到的振动与电流的关联特征映射中，获得振动增强特征向量
并输入到训练好的对应的振动故障分类器SVMv中输出在线测试振动信号的分类结果。
在线应用测试时不同需要同时采集电流与振动信号，只需要在训练完成的SVM分类器中输入待测电流信号或者振动信号,经过关联特征映射H＝ωTF对C类故障进行诊断，便可从分类器输出中得到分类结果。
表1使用不同诊断方法故障识别率结果比较
对于所述方法进行了实验验证，表1给出了本发明方法与单一电流与单一振动的故障识别率比较结果。结果表明，采用振动增强特征的故障平均识别率为95.88％，优于仅采用单一振动特征的91.74％；电流增强特征的故障平均识别率为81.69％，优于单一电流特征的73.48％。该结果说明不论对于振动信号还是电流信号，基于多视图关联特征学习得到的振动增强特征和电流增强特征的故障平均识别率显著优于单一振动特征和单一电流特征的识别率。
图5为采用线性级联组合特征进行故障诊断的混淆矩阵结果示意图，其故障平均识别率反而低于单一振动特征的识别率，说明简单的线性融合不能使得电流和振动特征增强。
图6a为采用单一振动特征进行故障诊断时混淆矩阵结果示意图，图6b为采用振动关联增强特征进行故障诊断时的混淆矩阵结果示意图，图7a为采用单一电流特征进行故障诊断的混淆矩阵结果图，图7b为采用电流关联增强特征进行故障诊断的混淆矩阵结果图，即图6a、图6b、图7a和图7b为融合增强策略后两个特征与原特征诊断结果的混淆矩阵比较。
进一步发现，采用未关联增强的振动特征时，滚动体与外圈复合故障的状态识别效果较差。采用多视图关联特征学习方法进行增强后，提高了复合故障识别的正确率。与未经过关联增强的电流特征相比，采用关联增强的电流特征后，各种故障的诊断结果准确率有了很大的提升。
因此，本发明方法通过对振动与电流信号的关联性特征学习，实现了故障信息的增强提取，提高了故障诊断的准确性和可靠性。该方法也为解决多传感器融合故障诊断提供了一种新的方法思路，也在一定程度在能够解决实际在线故障诊断中传感器信号缺失的问题，保证了故障诊断的可靠性。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于多视图关联特征学习的轴承故障诊断方法，其特征在于，其包括如下步骤：
S1：振动与电流信号采集；
同步采集轴承不同状态下的振动信号与电流信号，并将样本划分成训练集和验证集；
S2：振动与电流信号特征提取；
利用小波包变换WPT分别对步骤S1中所述训练集和验证集的振动信号和电流信号作样本分解，得到不同频带的振动子带信号和电流子带信号，并对每一个振动子带信号和电流子带信号进行时域统计特征提取，得到振动信号特征向量和电流信号特征向量；
S3：振动与电流多视图关联特征学习过程；
将所述提取到的振动信号特征向量与电流信号特征向量成对输入典型相关分析的CCA网络进行关联特征学习，通过特征映射变换，得到振动信号与电流信号的关联特征映射，并计算得到振动增强特征向量和电流增强特征向量；所述步骤S3中的振动与电流信号多视图关联特征学习过程将所提取的振动信号与电流信号作为两个不同的视图成对输入到CCA网络中，进行振动与电流两组不同视图特征的映射变换与融合，具体包括以下子步骤：
S31：对于给定的振动与电流两组特征样本Fv与Fc，ωv和ωc分别振动与电流信号的特征映射矩阵，计算特征映射矩阵ωv和ωc使得振动与电流两个视图特征具有最大线性相关性，其优化的目标函数表示如下：
式中，Σvv、Σcc分别表示振动和电流的自协方差矩阵，Σvc为振动与电流的互协方差矩阵，协方差矩阵的每个元素是特征样本各个向量元素之间的协方差,ωv为振动特征映射矩阵，ωc为电流特征映射矩阵；
通过优化上述目标函数，获得使振动与电流特征线性相关性最大化的公共子空间，得到
与
其中，an表示振动信号第n个特征向量的系数，bn表示电流信号第n个特征向量的系数，n1与n2分别为振动与电流特征样本长度；
S32：根据步骤S31计算得到的特征映射向量，按照特征值的绝对值从大到小排列，选取前M个特征值对应的特征映射向量完成到公共特征空间的映射，计算得到振动增强特征向量
和电流增强特征向量
其中，Fv∈Rn×m表示Fv是大小为n×m的实数矩阵，
是ωv的转置矩阵；
S4：故障分类器离线训练；
将所述得到的振动或电流增强特征向量加上状态标签，通过监督学习的方式来训练支持向量分类器，确定支持向量分类器的最优分类参数；
S5：在线诊断测试过程；
采集未知状态下的轴承在线测试振动或电流信号，将其输入到所述的振动与电流的关联特征映射，获得振动或电流增强特征向量，并输入到训练好的对应的振动或电流故障分类器中输出在线测试振动或电流信号的分类结果。
2.根据权利要求1所述的基于多视图关联特征学习的轴承故障诊断方法，其特征在于，所述的样本划分是将从轴承处采集的振动信号与发电机输出端电流信号划分成样本长度为NX的m个小样本
其中第一部分作为训练集，第二部分作为验证集。
3.根据权利要求1所述的基于多视图关联特征学习的轴承故障诊断方法，其特征在于，步骤S2包括如下具体步骤：
S21：利用小波包变换方法分别将训练集和验证集中的振动与电流信号进行L层分解，所述L>1，得到若干子频带信号，其中第i层第j个电流子带信号表示为Wc(i,j)与振动子带信号表示为Wv(i,j)，经过小波包分解后振动和电流信号分别得到n个子带信号，
S22：对所述的每一个振动子带信号Wv(i,j)和电流子带信号Wc(i,j)进行时域统计特征提取，所提取的特征个数为p，并将所有振动子带信号和电流子带信号计算得到的时域统计特征级联起来组成一个更新后的振动特征向量Fv∈Rn×p和一个更新后的电流信号特征向量Fc∈Rn×p。
4.根据权利要求3所述的基于多视图关联特征学习的轴承故障诊断方法，其特征在于，所述的时域统计特征包括均方根有效值、峭度、波峰因数、形状因子、绝对平均振幅、脉冲指标和偏态系数。
5.根据权利要求1所述的基于多视图关联特征学习的轴承故障诊断方法，其特征在于，所述步骤S4包括如下具体步骤：
S41：定义轴承故障诊断的分类任务为一个C类多分类问题，所述C为状态种类，支持向量机为故障诊断分类器；支持向量机分类器的核函数为高斯径向基核函数，其表达式为
其中，x i，xj为两个不同的样本点，σ为核函数的宽度参数；
S42：将步骤S3获取的电流增强特征与状态分类标签作为电流分类器的输入，采用有监督方式训练分类器，利用验证集来确定分类器的最佳参数，对故障进行分类识别训练；
S43：将步骤S3获取的振动增强特征与状态分类标签作为振动分类器的输入，采用有监督方式训练分类器，利用验证集来确定分类器的最佳参数，对故障进行分类识别训练。
6.根据权利要求1所述的基于多视图关联特征学习的轴承故障诊断方法，其特征在于，所述步骤S5中的在线故障诊断是不需要同时采集电流与振动信号，直接将未知状态下的振动信号或电流信号作为输入，经过CCA特征映射变换；计算出待测振动或电流信号的增强关联特征，进一步输入到训练好的振动或电流SVM故障诊断分类器中，输出最终的诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473166.5A CN113255458A (zh) | 2021-04-29 | 2021-04-29 | 基于多视图关联特征学习的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110473166.5A CN113255458A (zh) | 2021-04-29 | 2021-04-29 | 基于多视图关联特征学习的轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113255458A true CN113255458A (zh) | 2021-08-13 |
Family
ID=77223493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110473166.5A Pending CN113255458A (zh) | 2021-04-29 | 2021-04-29 | 基于多视图关联特征学习的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255458A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN114563130A (zh) * | 2022-02-28 | 2022-05-31 | 中云开源数据技术（上海）有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
| CN115205941A (zh) * | 2022-07-13 | 2022-10-18 | 山西大学 | 基于广义多视图图嵌入的亲属关系验证方法 |
| CN118130084A (zh) * | 2024-05-08 | 2024-06-04 | 泸州豪能传动技术有限公司 | 一种差速器总成故障预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 |
| CN112345213A (zh) * | 2020-09-18 | 2021-02-09 | 华能河南中原燃气发电有限公司 | 一种低压直流断路器机械故障诊断方法 |
-
2021
- 2021-04-29 CN CN202110473166.5A patent/CN113255458A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| CN111795819A (zh) * | 2020-06-12 | 2020-10-20 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 |
| CN112345213A (zh) * | 2020-09-18 | 2021-02-09 | 华能河南中原燃气发电有限公司 | 一种低压直流断路器机械故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王锦: "基于电流及振动信号的电机滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 黎原: "基于冗余第二代小波包变换和邻域粗糙集以及支持向量机的机械故障诊断", 《百度文库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN113639993B (zh) * | 2021-08-17 | 2022-06-07 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN114563130A (zh) * | 2022-02-28 | 2022-05-31 | 中云开源数据技术（上海）有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
| CN114563130B (zh) * | 2022-02-28 | 2024-04-30 | 中云开源数据技术（上海）有限公司 | 一种面向旋转机械的类别不平衡故障诊断方法 |
| CN115205941A (zh) * | 2022-07-13 | 2022-10-18 | 山西大学 | 基于广义多视图图嵌入的亲属关系验证方法 |
| CN118130084A (zh) * | 2024-05-08 | 2024-06-04 | 泸州豪能传动技术有限公司 | 一种差速器总成故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Razavi-Far et al. | Information fusion and semi-supervised deep learning scheme for diagnosing gear faults in induction machine systems | |
| Zhang et al. | Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM | |
| Lang et al. | Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review | |
| Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
| CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
| Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
| Zhao et al. | Data augmentation via randomized wavelet expansion and its application in few-shot fault diagnosis of aviation hydraulic pumps | |
| CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
| CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
| CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
| CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
| CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
| Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
| Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
| Shi et al. | A novel rotating machinery fault diagnosis method based on adaptive deep belief network structure and dynamic learning rate under variable working conditions | |
| CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| Shao et al. | Multi-signal Joint HVCB Fault Diagnosis Research Based on Adaptive Framing MFCC Feature Extraction Method | |
| CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
| Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
| Wang et al. | Explainable machine learning for motor fault diagnosis | |
| Wen et al. | Fault diagnosis of rolling bearings of different working conditions based on multi-feature spatial domain adaptation |
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 |
Application publication date: 20210813 |
|
| RJ01 | Rejection of invention patent application after publication |