CN113361372A - 基于多通道数据深度挖掘的主减速器多故障智能诊断方法 - Google Patents

基于多通道数据深度挖掘的主减速器多故障智能诊断方法 Download PDF

Info

Publication number
CN113361372A
CN113361372A CN202110612950.XA CN202110612950A CN113361372A CN 113361372 A CN113361372 A CN 113361372A CN 202110612950 A CN202110612950 A CN 202110612950A CN 113361372 A CN113361372 A CN 113361372A
Authority
CN
China
Prior art keywords
deep
fault
vibration signal
channel
intelligent
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
Application number
CN202110612950.XA
Other languages
English (en)
Inventor
叶青
刘长华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN202110612950.XA priority Critical patent/CN113361372A/zh
Publication of CN113361372A publication Critical patent/CN113361372A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G06F18/214—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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开基于多通道数据深度挖掘的主减速器多故障智能诊断方法，包括：通过多通道传感器获取主减速器的振动信号，并融合小波收缩降噪方法和结构化稀疏方法对所述振动信号进行降噪处理；基于降噪处理后的所述振动信号，采用深度信念网络进行多通道深层特征提取，并对多通道深层特征进行融合；基于深层特征融合结果，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断。本发明能够同时识别单故障与多故障模式，实现主减速器状态监测与智能故障诊断的量化分析。

Description

基于多通道数据深度挖掘的主减速器多故障智能诊断方法
技术领域
本发明涉及主减速器故障诊断技术领域，特别是涉及一种基于多通道数据深度挖掘的主减速器多故障智能诊断方法。
背景技术
作为汽车后桥传动系统的核心部件，主减速器的状态及性能对于汽车的安全性、舒适性和可靠性有着重要的影响。基于此，对汽车主减速器进行在线状态监测与故障模式识别对于保障车辆安全、确保可靠运行、避免灾难性事故有着重要的意义。
目前，国内外很多科研机构开展了基于振动信号的机械故障诊断方法研究，在可靠传感数据的获取、振动信号预处理与特征提取和故障模式的智能识别等多个方面取得了大量的研究成果。武汉理工大学的周祖徳、谭跃刚等近10年来应用光纤传感技术在重大机械装备监测与诊断方面展开研究；西安交通大学的屈梁生、何正嘉等将全息谱、小波变换等技术应用于故障诊断的研究之中；上海交通大学的王金福、李富才等将频域分析方法应用于机械故障诊断中的振动信号处理；杨叔子院士等长期致力于故障信号处理与故障诊断新技术的研究；西安交通大学的雷亚国、贾峰等提出了一种基于深度学习理论的机械装备大数据健康监测方法；美国威斯康星大学麦迪逊分校的Yin Jiateng等将深度学习方法应用于高速铁路车辆的车载设备故障诊断领域。
汽车后桥主减速器故障诊断作为机械故障诊断的一个研究分支，早期主要通过有丰富经验的工程师或维修人员利用耳听的方式，根据主减速器内部的齿轮副啮合所产生的声音信号对其运行状态进行判断，这种技术主观性较强，容易受周围嘈杂环境中的噪声影响从而给出错误的诊断结果。从国内外研究学者的研究内容来看，现有研究主要围绕着汽车后桥主减速器振动信号的分析展开，但是针对主减速器的多故障诊断技术的研究尚不丰富，且存在一些亟待解决的关键问题：
1)振动信号的处理手段较单一
现有的技术大多采用时域分析、频域分析、时频域分析对振动信号进行降噪预处理和浅层特征提取。强噪声干扰下的主减速器振动信号，调制边频带成分复杂，通常包含谐波和瞬时冲击等多种信号成分。因此，如何提高振动信号信噪比，并且在降噪的过程中保留有效的高频特征成分，是保证智能诊断模型具有较高精确度的基础。
2)对多通道传感数据的利用率较低
现有的技术大多采用固定位置的单传感器采集主减速器的振动信号，受传感器放置位置和方向的限制，传感数据对于主减速器运行状态的代表性和表征性有限，从而降低了诊断模型的准确性。因此，面对大量的多通道传感数据，如何深度挖掘智能制造领域的大数据，是一个值得深入研究的问题。
3)对多故障模式识别的研究较单薄
由于主减速器内部装配复杂，多种故障模式通常会同时发生或前后级联发生，故障模式之间具有较强的耦合性，从而增加了故障识别的难度。现有研究多诊断单一故障的识别展开，如何提出一种主减速器多故障的智能诊断方法具有重要的意义。
发明内容
本发明的目的是提供一种基于多通道数据深度挖掘的主减速器多故障智能诊断方法，以解决现有技术中的问题，能够同时识别单故障与多故障模式，实现主减速器状态监测与智能故障诊断的量化分析。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于多通道数据深度挖掘的主减速器多故障智能诊断方法，包括如下步骤：
通过多通道传感器获取主减速器的振动信号，并融合小波收缩降噪方法和结构化稀疏方法对所述振动信号进行降噪处理；
基于降噪处理后的所述振动信号，采用深度信念网络进行多通道深层特征提取，并对多通道深层特征进行融合；
基于深层特征融合结果，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断。
优选地，对所述振动信号进行降噪处理的方法包括：
对所述振动信号进行小波变换，根据同一时间区间的不同尺度小波系数之间的相关性构建基于重叠组Lasso的稀疏树结构；
基于所述稀疏树结构，获取小波域中振动信号在每个时间点上的信息量，基于所述信息量检测所述振动信号的特征点；
基于检测到的特征点对所述稀疏树结构的正则化权值进行自适应优化，基于正则化权值优化后的所述稀疏树结构对所述振动信号进行降噪处理。
优选地，获取小波域中振动信号在每个时间点上的信息量的方法包括：对不同尺度小波系数的幅值进行平均化处理，基于所述平均化处理结果对每个时间点上的信息量大小进行度量。
优选地，采用基于Moreau-Yosida混合范数正则化逼近算法对所述稀疏树结构的正则化权值进行自适应优化。
优选地，采用深度信念网络进行深层特征提取和融合的方法包括：
通过时域分析、频域分析和时频分析，对预处理后的多通道传感数据进行多模态原始特征表示；
基于多个深度信念网络MDBNS构建自适应学习模型，通过所述自适应学习模型对所述多模态原始特征进行深层挖掘，得到多通道传感数据的深层特征；
采用多特征级别的信息融合方法对多通道传感数据的深层特征进行特征融合。
优选地，所述自适应学习模型包括若干个深度信念网络，所述深度信念网络的数量与所述传感器的数量相同，每个所述深度信念网络用于对相应的传感器信号的多模态原始特征进行深层挖掘。
优选地，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断的方法包括：
基于稀疏贝叶斯极限学习机构建若干个概率分类模型；
基于若干个所述概率分类模型，构建基于配对策略的分类模型PSBELM；
通过所述深层特征融合结果对所述基于配对策略的分类模型进行训练，训练好的所述基于配对策略的分类模型用于对所述主减速器的各个故障模式进行诊断；
基于各个故障模式的诊断结果，采用最优决策阈值对所述主减速器进行多故障识别。
优选地，构建基于配对策略的分类模型PSBELM的方法为：基于任意两种单故障模式之间的相关性，通过配对策略构建基于配对策略的分类模型PSBELM。
本发明公开了以下技术效果：
1)本发明结合机械原理、小波理论、稀疏化理论等交叉学科知识，充分考虑各种干扰因素对主减速器运行状态的影响，研究强噪声背景下振动信号的降噪方法，实现非线性、非平稳性振动信号的自适应稀疏化信噪分离，在降低噪声成分的同时避免信号特征的过度平滑，为智能诊断提供可靠的数据来源。
2)本发明结合在线监测系统所采集数据的特点以及深度学习在特征提取上的优势，研究基于深度学习理论的多通道数据无监督深度特征学习方法，有效解决多通道传感数据的异质性和高维度问题。为了表征信号与主减速器状态之间复杂的映射关系，利用深度神经网络结构自适应地挖掘出多通道传感数据中蕴藏的典型特征信息，进一步提高智能故障诊断系统的精确度、识别效率以及泛化性。
3)考虑到汽车主减速器内部多种单故障的非线性、耦合性叠加特性，针对汽车主减速器多故障的智能识别问题，本发明结合概率统计理论、机器学习理论、智能方法理论等学科知识，充分考虑多种单故障模式之间的相关性，研究基于概率分类的多故障智能诊断方法，同时识别单故障与多故障模式，实现主减速器状态监测与智能故障诊断的量化分析。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中基于多通道数据深度挖掘的主减速器多故障智能诊断方法流程图；
图2为本发明实施例中对振动信号进行降噪处理的流程图；
图3为本发明实施例中采用深度信念网络进行深层特征提取和融合的流程图；
图4为本发明实施例中自适应学习模型结构示意图；
图5为本发明实施例中基于概率分类的多故障量化识别模型结构示意图；
图6为本发明实施例中基于重叠组Lasso方法的稀疏树结构示意图；
图7为本发明实施例中PSBELM结构示意图。
具体实施方式
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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种基于多通道数据深度挖掘的主减速器多故障智能诊断方法，包括如下步骤：
S1、通过多通道传感器获取主减速器的振动信号，并融合小波收缩降噪方法和结构化稀疏方法对所述振动信号进行降噪处理；具体如图2所示，包括：
S1.1、对所述振动信号进行小波变换，根据同一时间区间的不同尺度小波系数之间的相关性构建基于重叠组Lasso的稀疏树结构，将基于重叠组Lasso稀疏树结构的小波收缩函数表示为一个基于结构化稀疏的凸优化问题。
其中，每一个稀疏树结构都生根于小波分解中最粗糙尺度的小波系数。基于重叠组Lasso方法的稀疏树结构小波估计效果如图6所示，图6中，用虚线标记的矩形表示在优化过程中置为0的树，白色正方形表示置为0的树所对应的小波系数，则该树结构小波估计的支集为虚线矩形所表示的置0的树的并集的补集，即白色圆圈的集合。
则基于重叠组Lasso稀疏树结构的小波收缩函数表示为一个基于结构化稀疏的凸优化问题，如公式(1)所示：
Figure BDA0003096709520000081
其中，
Figure BDA0003096709520000082
表示优化问题中用于提高解的性能的混合范式正则化项，
Figure BDA0003096709520000083
表示优化问题的解，即保留的小波系数，y表示原始信号，λ表示正则化参数，r表示范式类型，r∈{2，∞}，θ为小波系数，i表示小波系数θ的索引，I表示小波系数θ的索引集，组集
Figure BDA0003096709520000084
为以索引集I中所有索引为根节点的树的集合，θg(i)表示树g(i)所对应的系数子集，wg(i)表示树g(i)所对应的正则化权值，A表示小波分解的逆变换；小波收缩函数是对小波系数进行收缩，去除噪声成分对应的小波系数，保留特征成分对应的小波系数，从而实现降噪的目标函数。
S1.2、基于所述稀疏树结构，获取小波域中振动信号在每个时间点上的信息量，基于所述信息量检测所述振动信号的特征点；
为了自适应调整重叠组Lasso的稀疏树结构的正则化权值，对不同尺度小波系数的幅值进行平均化处理，以此来度量信号在每个时间点上的信息量大小，获得信号的信息量之后，便可以以此作为标准检测信号中的特征点位置。对于机械振动信号来说，使用连续小波变换时，碰撞和冲击等特征具有强烈的持续性，使用离散小波变换仍然如此。双树复小波变换的减小频率混叠特性有助于检测信号的谐波特征，同时其平移不变性有利于检测信号的周期性脉冲。此外，由于双树复小波变换的小波系数幅值变化不明显，而且不存在混叠失真。基于上述分析，本实施例设计了一种基于双树复小波变换的信号特征检测算法，通过该检测算法检测振动信号的特征点。
S1.3、基于检测到的特征点对所述稀疏树结构的正则化权值进行自适应优化，基于正则化权值优化后的所述稀疏树结构对所述振动信号进行降噪处理。
为了解决基于重叠组Lasso稀疏树结构的正则化优化问题，采用基于Moreau-Yosida混合范数正则化逼近算法对公式(1)的凸优化问题进行求解。在Moreau-Yosida正则化框架下，对于一个给定的v∈Rp，其中Rp表示小波域，则正则化优化问题可以转换为：
Figure BDA0003096709520000091
其中，φλ(v)为Moreau-Yosida正则化框架下优化问题的目标函数，λ表示正则化参数，λ＞0，v表示该最小化问题的解。定义上式的最小化为πλ(v)，作为公式(1)的最优解，
Figure BDA0003096709520000092
满足下式：
Figure BDA0003096709520000101
其中，πλ(v)表示公式2目标函数的最小化函数，
Figure BDA0003096709520000102
表示优化的小波系数，y表示原始信号，
Figure BDA0003096709520000104
和A分别表示双树复小波变换及其逆变换。
通过上述基于自适应稀疏树结构的正则化优化过程，获得最优的正则化参数边界及优化的小波系数
Figure BDA0003096709520000103
同时，修改覆盖特征点的小波系数所对应的正则化项权值，从而保留与特征点相关的小波系数，避免了降噪过程中的过度平滑现象。
S2、基于降噪处理后的所述振动信号，采用深度信念网络进行多通道深层特征提取，并对多通道深层特征进行融合；具体如图3所示，首先，使用时域、频域和时间-频率域等多个统计参数生成多种模式的原始特征表示。然后，构建由多个深度信念网络组成的无监督特征表示模型，从多通道的多模态原始特征中获取具有更深层、更抽象的特征表示形式。具体包括：
S2.1、通过时域分析、频域分析和时频分析，对预处理后的多通道传感数据进行多模态原始特征表示；
为了消除多通道传感数据的异构性，采用8个统计参数(峭度、峰值因子、方差、标准差、均方根值、偏度、脉冲因子、均值)对振动信号进行时域和频域分析，并利用小波包变换分解振动信号，实现时频分析。令J表示小波包变换的最大分解层数，计算小波系数，将第J层小波系数的2J个能量值作为时频域的状态参数。因此，多模态原始特征包含了8个时域参数、8个频域参数以及2J个时频域参数，分别表示为：z1＝s(x)，z2＝s(f(x))，z3＝[E(J，1)，E(J，1)，...，E(J，1)]，其中x表示原始时域信号，则多通道数据的多模态原始特征可以表示为：Z＝[Z1，..，Zi，...，ZM]，
Figure BDA0003096709520000111
表示第i个传感器信号的多模态原始特征，i∈[1，M]，M表示传感器的个数。
S2.2、基于多个深度信念网络(MDBNS，Multiple Deep Belief Networks)构建自适应学习模型，通过所述自适应学习模型对所述多模态原始特征进行深层挖掘，得到多通道传感数据的深层特征；
为了对多通道数据的多模态原始特征进行深层挖掘，构建基于多个深度信念网络的自适应学习模型MDBNS，表示为：MDBNS＝[DBN1，DBN2，…，DBNM]，M表示传感器的个数，每一个深度信念网络DBNi用于对第i个传感器信号的多模态原始特征进行深层挖掘。
所述自适应学习模型如图4所示，基于自适应学习模型MDBNS，每个通道的多模态原始特征Zi可以转换为深层的特征表示yi。
S2.3、对多通道传感数据的深层特征进行特征融合。
为了对多通道传感数据的深层特征进行有效的融合，采用特征级别的融合算法对深层特征进行整合。则M个传感器采集所采集的多通道传感数据的融合特征表示为：(y1，y2，…，yi，…yM)，yi为第i通道传感数据的深层特征。
S3、基于深层特征融合结果，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断。具体包括：
S3.1、基于稀疏贝叶斯极限学习机构建若干个概率分类模型。
稀疏贝叶斯极限学习机(SBELM)是一种利用贝叶斯推理学习输出权值的机器学习算法。基于稀疏贝叶斯极限学习机的稀疏性、执行速度快、精确度高以及泛化性强的优势，将其应用于多故障的识别，提出一种概率分类算法，预测待诊断故障样本的概率分布。
S3.2、基于若干个所述概率分类模型，构建基于配对策略的分类模型(PSBELM)。
由于传统的稀疏贝叶斯极限学习机只能用于实现二分类，为了解决本发明的多标签、多类别分类问题，研究任意两种单故障模式之间的相关性，结合一对一的两两配对策略，构建基于配对策略的分类模型(PSBELM)。对于一个具有m维类别标签的分类问题，该分类模型可以表示为：[PSBELM1，…，PSBELMm]。PSBELM结构如图7所示，由图7可知，PSBELM分类模型能够获得一个概率向量：p＝[p1，...，pm]，其中元素pi表示第i种类别的出现概率。分类模型中的每一个分类器PSBELMi又进一步表示为m-1个用于二分类的子分类器SBELMij的组合：
PSBELMi＝[SBELMi1，...，SBELMij，...，SBELMim]，i，j＝1，...，m，i≠j (4)
由于子分类器SBELMij和SBELMji是互补的，即pji＝1-pij，因此，基于配对策略(Paired-SBELM)的分类模型一共包含m(m-1)/2个子分类器，其中每个子分类器SBELMij由所有属于第i类和第j类的样本训练获得，用于判断某一样本属于第i类或第j类故障的概率。基于Paired-SBELM的分类模型充分考虑到了任意两种单故障之间的相关性，因此，在进行多故障模式识别时，能够获得更加精确的类别概率估计。
S3.3、通过所述深层特征融合结果对所述基于配对策略的分类模型进行训练，训练好的所述基于配对策略的分类模型用于对所述主减速器的各个故障模式进行诊断；具体为：通过决策层对若干个所述概率分类模型的输出结果进行融合，得到各个故障模式发生概率的全局分类结果。
决策层融合具有一定的容错性，即当一个或几个局部决策存在一定偏差时，通过适当的融合和互补，仍然能获得准确的全局决策结果。使用决策层融合将多个子分类器SBELMij的输出pij进行融合，其中，i，j＝1，…，m，i≠j，以获得能反映出各个故障模式发生概率的全局分类结果pi，也就是分类器PSBELMi的输出概率。由各个子分类器输出的局部分类结果pij所构成的矩阵表示为：
Figure BDA0003096709520000131
其中，m表示类别数目，pij表示由子分类器SBELMij的子分类结果，即某一未知类别的样本x属于第i类故障的概率。由式(5)可知，该矩阵的第i行表示样本x出现第i类故障的概率，即分类器PSBELMi的输出概率，以获得表示各个故障模式发生概率的全局分类结果pi，即分类模型PSBELMi的输出概率。
使用决策层融合策略将每个子分类器SBELMij的概率输出进行组合时，为了平衡样本集在各个故障类别上的分布不均匀现象，同时，考虑到样本集中各种故障模式的训练样本数量与该故障模式的发生几率成正比，本实施例将训练二类子分类器的样本数目作为该子分类器概率输出的权值，并且将多个子分类器的输出进行融合，由此可以得到概率pi为：
Figure BDA0003096709520000141
其中，nij表示属于第i类和第j类的样本数目。由于在配对策略中充分考虑了类别之间的配对相关性，概率pi的精确度得到了提高。因此，基于Paired-SBELM的分类模型能够在多故障诊断中获得更高的分类精确度。
S3.4、基于各个故障模式的诊断结果，采用最优决策阈值对所述主减速器进行多故障识别。
对于多故障诊断，由于同时出现的多种单故障模式的数量是未知的，因此，需要生成一个最优决策阈值用于多故障的决策判断。考虑到诊断结果的部分匹配对于多故障诊断也是具有指导性意义的，使用F1-measure方法评价该多故障智能诊断模型的分类精度，并使用一个独立的验证样本集，融合智能优化算法在区间(0，1)内生成最优决策阈值，基于概率分类的多故障量化识别模型如图5所示。
由于F1-measure指标的值越大，表示分类模型的性能越好。将决策阈值优化算法的目标函数设定如下：
min(1-Fme) (7)
其中，Fme表示F1-measure指标的值，采用粒子群优化算法生成最优决策阈值。
基于最优决策阈值ε*的阈值函数f()能将基于Paired-SBELM分类模型的输出概率向量p＝[p1，...，pm]转换为结果向量F＝[f1，...，fi，...，fm]，其中的阈值函数f()表示如下：
Figure BDA0003096709520000151
多故障模式就是结果向量F中对应元素fi为1的故障模式，假设分类模型的输出概率向量p＝[0.02，0.13，0.81，0.02，0.73，0.28，0.19]，通过优化算法生成的最优决策阈值为0.65，利用公式(8)，得到结果向量F＝[0，0，1，0，1，0，0]，该结果向量表示多故障模式为C3和C5。
以上所述的实施例仅是对本发明的优选方式进行描述，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 (8)

1.基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，包括如下步骤：
通过多通道传感器获取主减速器的振动信号，并融合小波收缩降噪方法和结构化稀疏方法对所述振动信号进行降噪处理；
基于降噪处理后的所述振动信号，采用深度信念网络进行多通道深层特征提取，并对多通道深层特征进行融合；
基于深层特征融合结果，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断。
2.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，对所述振动信号进行降噪处理的方法包括：
对所述振动信号进行小波变换，根据同一时间区间的不同尺度小波系数之间的相关性构建基于重叠组Lasso的稀疏树结构；
基于所述稀疏树结构，获取小波域中振动信号在每个时间点上的信息量，基于所述信息量检测所述振动信号的特征点；
基于检测到的特征点对所述稀疏树结构的正则化权值进行自适应优化，基于正则化权值优化后的所述稀疏树结构对所述振动信号进行降噪处理。
3.根据权利要求2所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，获取小波域中振动信号在每个时间点上的信息量的方法包括：对不同尺度小波系数的幅值进行平均化处理，基于所述平均化处理结果对每个时间点上的信息量大小进行度量。
4.根据权利要求2所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用基于Moreau-Yosida混合范数正则化逼近算法对所述稀疏树结构的正则化权值进行自适应优化。
5.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用深度信念网络进行深层特征提取和融合的方法包括：
通过时域分析、频域分析和时频分析，对预处理后的多通道传感数据进行多模态原始特征表示；
基于多个深度信念网络MDBNS构建自适应学习模型，通过所述自适应学习模型对所述多模态原始特征进行深层挖掘，得到多通道传感数据的深层特征；
采用多特征级别的信息融合方法对多通道传感数据的深层特征进行特征融合。
6.根据权利要求5所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，所述自适应学习模型包括若干个深度信念网络，所述深度信念网络的数量与所述传感器的数量相同，每个所述深度信念网络用于对相应的传感器信号的多模态原始特征进行深层挖掘。
7.根据权利要求1所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，采用稀疏贝叶斯极限学习机对所述主减速器进行在线状态监测及多故障智能诊断的方法包括：
基于稀疏贝叶斯极限学习机构建若干个概率分类模型；
基于若干个所述概率分类模型，构建基于配对策略的分类模型PSBELM；
通过所述深层特征融合结果对所述基于配对策略的分类模型进行训练，训练好的所述基于配对策略的分类模型用于对所述主减速器的各个故障模式进行诊断；
基于各个故障模式的诊断结果，采用最优决策阈值对所述主减速器进行多故障识别。
8.根据权利要求7所述的基于多通道数据深度挖掘的主减速器多故障智能诊断方法，其特征在于，构建基于配对策略的分类模型PSBELM的方法为：基于任意两种单故障模式之间的相关性，通过配对策略构建基于配对策略的分类模型PSBELM。
CN202110612950.XA 2021-06-02 2021-06-02 基于多通道数据深度挖掘的主减速器多故障智能诊断方法 Pending CN113361372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110612950.XA CN113361372A (zh) 2021-06-02 2021-06-02 基于多通道数据深度挖掘的主减速器多故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110612950.XA CN113361372A (zh) 2021-06-02 2021-06-02 基于多通道数据深度挖掘的主减速器多故障智能诊断方法

Publications (1)

Publication Number Publication Date
CN113361372A true CN113361372A (zh) 2021-09-07

Family

ID=77531100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110612950.XA Pending CN113361372A (zh) 2021-06-02 2021-06-02 基于多通道数据深度挖掘的主减速器多故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN113361372A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985475A (zh) * 2021-10-28 2022-01-28 北京石油化工学院 一种基于物联网端边云协同的微地震监测数据传输方法
CN114969994A (zh) * 2021-11-09 2022-08-30 昆明理工大学 基于单测点多向数据融合的rv减速器故障诊断方法及系统
CN116296377A (zh) * 2023-05-10 2023-06-23 北京奔驰汽车有限公司 工业机器人的rv减速器故障预测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107192951A (zh) * 2017-07-31 2017-09-22 湖南科技大学 一种风力发电机三相转子电流微故障诊断方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN108507784A (zh) * 2018-03-23 2018-09-07 辽宁工程技术大学 一种基于多传感器融合的大型减速器性能检测系统
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN108844617A (zh) * 2018-05-03 2018-11-20 武汉理工大学 主减速器强噪声振动信号的自适应稀疏树结构降噪方法
CN109002847A (zh) * 2018-07-04 2018-12-14 温州大学 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法
CN110457861A (zh) * 2019-08-22 2019-11-15 佛山科学技术学院 一种机载涡轴发动机动力系统可视化诊断平台及构建方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111855209A (zh) * 2020-07-29 2020-10-30 潍柴动力股份有限公司 驱动桥主减速器齿轮故障的预测诊断方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107192951A (zh) * 2017-07-31 2017-09-22 湖南科技大学 一种风力发电机三相转子电流微故障诊断方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN108507784A (zh) * 2018-03-23 2018-09-07 辽宁工程技术大学 一种基于多传感器融合的大型减速器性能检测系统
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN108844617A (zh) * 2018-05-03 2018-11-20 武汉理工大学 主减速器强噪声振动信号的自适应稀疏树结构降噪方法
CN109002847A (zh) * 2018-07-04 2018-12-14 温州大学 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法
CN110457861A (zh) * 2019-08-22 2019-11-15 佛山科学技术学院 一种机载涡轴发动机动力系统可视化诊断平台及构建方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN111855209A (zh) * 2020-07-29 2020-10-30 潍柴动力股份有限公司 驱动桥主减速器齿轮故障的预测诊断方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QING YE ET AL: "A Framework for Final Drive Simultaneous Failure Diagnosis Based on Fuzzy Entropy and Sparse Bayesian Extreme Learning Machine", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
QING YE ET AL: "A Multichannel Data Fusion Method Based on Multiple Deep Belief Networks for Intelligent Fault Diagnosis of Main Reducer", 《SYMMETRY》 *
叶青: "汽车主减速器智能故障诊断方法及应用研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
叶青等: "基于改进SBELM的耦合故障诊断方法", 《西南交通大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985475A (zh) * 2021-10-28 2022-01-28 北京石油化工学院 一种基于物联网端边云协同的微地震监测数据传输方法
CN113985475B (zh) * 2021-10-28 2023-09-05 北京石油化工学院 一种基于物联网端边云协同的微地震监测数据传输方法
CN114969994A (zh) * 2021-11-09 2022-08-30 昆明理工大学 基于单测点多向数据融合的rv减速器故障诊断方法及系统
CN116296377A (zh) * 2023-05-10 2023-06-23 北京奔驰汽车有限公司 工业机器人的rv减速器故障预测方法及装置

Similar Documents

Publication Publication Date Title
CN113361372A (zh) 基于多通道数据深度挖掘的主减速器多故障智能诊断方法
Chen et al. Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform
Xue et al. A novel intelligent fault diagnosis method of rolling bearing based on two-stream feature fusion convolutional neural network
Wang et al. A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN
Shao et al. Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery
CN111898634B (zh) 一种基于深度对抗域自适应的智能故障诊断方法
Zou et al. Fault diagnosis on the bearing of traction motor in high-speed trains based on deep learning
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
CN100485342C (zh) 机械故障的集成支持向量机混合智能诊断方法
Liang et al. Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection
CN108445868B (zh) 一种基于现代信号处理技术的汽车智能故障诊断系统及方法
Wang et al. Random convolutional neural network structure: An intelligent health monitoring scheme for diesel engines
CN113188807B (zh) 一种abs结果自动判定算法
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
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
Zhang et al. Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
CN114926825A (zh) 一种基于时空特征融合的车辆驾驶行为检测方法
CN115905976B (zh) 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备
CN116776075A (zh) 风机叶片健康监测系统及其监测方法
Tao et al. Multi-signal fusion diagnosis of gearbox based on minimum Bayesian risk reclassification and adaptive weighting
Cao et al. Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测系统
CN114897138A (zh) 基于注意力机制和深度残差网络的系统故障诊断方法
CN117540337B (zh) 一种多源融合的智能化区域安全精准感知方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210907

RJ01 Rejection of invention patent application after publication