CN113435314A - 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 - Google Patents

一种滚动轴承声信号早期故障敏感特征筛选方法和系统 Download PDF

Info

Publication number
CN113435314A
CN113435314A CN202110709176.4A CN202110709176A CN113435314A CN 113435314 A CN113435314 A CN 113435314A CN 202110709176 A CN202110709176 A CN 202110709176A CN 113435314 A CN113435314 A CN 113435314A
Authority
CN
China
Prior art keywords
bearing
index
data set
sensitivity
calculating
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
Application number
CN202110709176.4A
Other languages
English (en)
Other versions
CN113435314B (zh
Inventor
陈珅
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110709176.4A priority Critical patent/CN113435314B/zh
Publication of CN113435314A publication Critical patent/CN113435314A/zh
Application granted granted Critical
Publication of CN113435314B publication Critical patent/CN113435314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种滚动轴承声信号早期故障敏感特征筛选方法和系统，包括过程：采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；根据VMD算法，对数据集内各轴承样本信号分别分解，得到对应的IMF分量，并根据IMF分量计算混合域特征指标，构建声学信号的特征指标数据集；对特征指标数据集进行降维，获得降维后特征指标数据集；对降维后特征指标数据集中的数据计算混合域特征指标对应的敏感性评估因子；将根据敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。本发明能够有效剔除滚动轴承复杂故障混合域特征集中的信息冗余和不相关故障信息之间的干扰，提高故障诊断效率和诊断精度。

Description

一种滚动轴承声信号早期故障敏感特征筛选方法和系统
技术领域
本发明涉及轴承故障检测技术领域，具体涉及一种滚动轴承声信号早期故障敏感特征筛选方法和系统。
背景技术
随着机电设备朝着大型化、精密化方向发展，智能化的程度也日益提高，对设备的运行可靠性提出了更高的要求。作为旋转机械中的核心回转支撑部件，其表面的轻微缺陷就可能引发整个系统的运行故障，并造成巨大的人员伤亡和财产损失。机械设备中30％以上的故障是由于滚动轴承故障所致，传统的滚动轴承监测方法，需要工作人员定期从设备上将滚动轴承拆卸下来进行安全检查，耗费大量人力物力，影响工业生产进程，因此开展轴承状态检测和故障诊断对保障设备安全运行具有重要意义。
由于声学信号对于大多数旋转机械故障敏感，而且基于声学信号分析方法具有测量系统简单、诊断速度快、精度较高、故障定位直观、便于在线检测等一系列优点，已成为机械故障诊断领域行之有效的测量方法。声学信号的处理与状态特征提取是状态评估和故障诊断的关键技术，它直接关系到诊断的准确性和故障早期预报的可靠性。轴承各元件出现内圈故障、外圈故障、滚动体故障等不同故障时，其信号幅值有不同程度的增加，波形也有所改变。有学者研究基于时域参数、熵等特征指标的故障诊断方法，将以上混合域特征指标构建的数据集作为训练分类器的原始数据集，试图全面反映故障信息，然而较多特征量的选取会造成模型计算难度增加、特征之间冗余严重的问题，导致故障识别的准确性降低并延长诊断时间；同时由于机械系统本身很复杂，系统各零部件产生的声信号相互影响、调制和叠加，因此采集的声信号往往表现为非线性非平稳特征，仅有部分特征指标能够反映其故障类型。针对上述问题，本发明提出一种滚动轴承声信号早期故障敏感特征筛选方法和系统。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种滚动轴承声信号早期故障敏感特征筛选方法和系统，用于解决混合域特征选择困难和滚动轴承故障多分类时准确率低、耗时长等问题。
为实现上述目的及其他相关目的，本发明提供一种滚动轴承声信号早期故障敏感特征筛选方法，该方法包括以下过程：
采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；
根据VMD算法，对轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的 IMF分量，并根据IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；
对所述特征指标数据集进行降维处理，获得降维后特征指标数据集；
对所述降维后特征指标数据集中的数据计算所述混合域特征指标对应的敏感性评估因子；
将根据所述敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
于本发明的一实施例中，所述构建声学信号特征指标数据集包括以下步骤：
分别对所述轴承样本信号数据集内的各轴承样本信号使用所述VMD算法分解后，得到 i个所述IMF分量，计算第i个IMF分量的谱相关系数；
若所述第i个所述IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数的计算公式如下：K＝i-1，其中，K表示最小分解层数，i表示IMF分量的个数；
根据所述最小分解层数，计算各所述IMF分量的所述混合域指标，根据所述混合域指标构建所述声学信号的特征指标数据集。
于本发明的一实施例中，获得所述降维后特征指标数据集的步骤如下：
计算所述特征指标数据集中任两点的相似条件概率分布；
根据所述相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；
计算低维空间中的任两个数据点的联合概率分布；
根据所述低维空间中的任两个数据点的联合概率分布和所述高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；
使用梯度下降法优化所述代价函数的梯度；
根据优化后的所述代价函数，获得所述降维后特征指标数据集。
于本发明的一实施例中，所述敏感指标的筛选步骤如下：
计算所述降维后特征指标数据集中，每类轴承样本数据的中心坐标；
根据所述每类轴承样本数据的中心坐标，计算每类轴承样本数据类内距离的平均值；
根据所述每类轴承样本数据类内距离的平均值，计算轴承样本数据在M类故障类型下，类内距离平均值；
根据所述每类轴承样本数据的中心坐标，计算轴承样本数据在M类故障类型下，类间距离的平均值；
根据所述轴承样本数据在M类故障类型下，类内距离平均值和所述轴承样本数据在M 类故障类型下，类间距离的平均值，计算敏感性评估因子；
跟据所述敏感性评估因子和预设的评估因子阈值，跟据所述敏感性评估因子和预设的评估因子阈值，筛选得到所述敏感指标，将其归类为I类指标，否则，为II类指标。
于本发明的一实施例中，所述混合域特征指标包括时域指标和熵指标。
于本发明的一实施例中，所述时域指标包括：峭度、偏度、均方根、平均值、形状系数、峰值、波峰因子、脉冲系数、裕度因子和方差，所述熵指标包括：排列熵、样本熵和模糊熵。
于本发明的一实施例中，所述轴承的故障类型包括正常、滚子故障、内圈故障、外圈故障。
于本发明的一实施例中，还提供一种检测轴承故障的系统，所述系统包括：
轴承样本信号数据集构建单元，用于采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；
特征指标数据集构建单元，用于根据VMD算法，对轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；
特征指标数据集降维单元，用于对所述特征指标数据集进行降维处理，获得降维后特征指标数据集；
敏感性评估因子计算单元，用于用于根据降维后的数据计算故障指标对应的敏感性评估因子；
轴承故障检测单元，用于将根据所述敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
于本发明的一实施例中，所述特征指标数据集构建单元包括：
IMF分量的谱相关系数计算模块，用于分别对所述轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，得到i个所述IMF分量，计算第i个IMF分量的谱相关系数；
最小分解层数计算模块，用于判断若所述第i个所述IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数的计算公式如下：K＝i-1，其中，K表示最小分解层数，i表示IMF分量的个数；
特征指标数据集构建模块，用于根据所述最小分解层数，计算各所述IMF分量的所述混合域指标，根据所述混合域指标构建所述声学信号的特征指标数据集。
于本发明的一实施例中，所述特征指标数据集降维单元包括：
高维空间相似条件概率分布计算模块，用于计算所述特征指标数据集中任两点的相似条件概率分布；
高维空间联合概率分布计算模块，用于根据所述相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；
低维空间联合概率分布计算模块，用于计算低维空间中的任两个数据点的联合概率分布；
代价函数计算模块，用于根据所述低维空间中的任两个数据点的联合概率分布和所述高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；
代价函数优化模块，用于使用梯度下降法优化所述代价函数的梯度；
降维后特征指标数据集生成模块，用于根据优化后的所述代价函数，获得所述降维后特征指标数据集。
如上所述，本发明提供一种滚动轴承声信号早期故障敏感特征筛选方法和系统，针对噪声背景下的滚动轴承声学故障信号，提出用于早期故障特征敏感性筛选方法，不仅降低了训练数据集的维度和模型计算量，而且具有较高的分类准确率。
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显示为本发明一实施例中滚动轴承声信号早期故障敏感特征筛选的流程示意图；。
图2显示为本发明一实施例中不同故障类型下轴承声学信号的时域波形；
图3显示为本发明一实施例中步骤S2的流程示意图；
图4显示为本发明一实施例中内圈故障下轴承各IMF分量的曲线图；
图5显示为本发明一实施例中步骤S3的流程示意图；
图6显示为本发明一实施例中步骤S4的流程示意图；
图7显示为本发明一实施例中利用t-SNE算法对数据降维后的示意图；
图8显示为本发明一实施例中偏度降维后可视化结果；
图9显示为本发明一实施例中均方根降维后可视化结果；
图10显示为本发明一实施例中波峰因子降维后可视化结果；
图11显示为本发明一实施例中模糊熵降维后可视化结果；
图12显示为本发明一实施例中2kn-2000rpm特征指标评估因子曲线图；
图13显示为本发明一实施例中3kn-2000rpm特征指标评估因子曲线图；
图14显示为本发明一实施例中2kn-2000rpm时Ⅰ类敏感指标的轴承分类混淆矩阵；
图15显示为本发明一实施例中2kn-2000rpm时II类非敏感指标的轴承分类混淆矩阵；
图16显示为本发明一实施例中2kn-3000rpm时Ⅰ类敏感指标的轴承分类混淆矩阵；
图17显示为本发明一实施例中2kn-3000rpm时II类非敏感指标的轴承分类混淆矩阵；
图18显示为本发明一实施例中滚动轴承声信号早期故障敏感特征筛选系统的原理结构示意图；
图19显示为本发明一实施例中特征指标数据集构建单元的方框示意图；
图20显示为本发明一实施例中特征指标数据集降维单元的方框示意图；
图21显示为本发明一实施例中敏感性评估因子计算单元的方框示意图。
附图标记
100 噪点特征示意图
1 滚动轴承声信号早期故障敏感特征筛选系统
11 轴承样本信号数据集构建单元
12 特征指标数据集构建单元
121 IMF分量的谱相关系数计算模块
122 最小分解层数计算模块
123 特征指标数据集构建模块
13 特征指标数据集降维单元
131 高维空间相似条件概率分布计算模块
132 高维空间联合概率分布计算模块
133 低维空间联合概率分布计算模块
134 代价函数计算模块
135 代价函数优化模块
136 降维后特征指标数据集生成模块
14 敏感性评估因子计算单元
141 中心坐标计算模块
142 每类轴承样本数据类内距离的平均值计算模块
143 M种故障类型类内距离平均值计算模块
144 类间距离的平均值计算模块
145 敏感性评估因子计算模块
146 敏感指标类型判断模块
15 轴承故障检测单元
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形态、数量及比例可为一种随意的改变，且其组件布局形态也可能更为复杂。
如图1所示，图1为本发明一实施例中滚动轴承声信号早期故障敏感特征筛选的流程示意图。本发明提供一种滚动轴承声信号早期故障敏感特征筛选方法。首先通过声音传感器获取轴承在不同故障类型下的时域波形，根据VMD算法分解轴承样本信号，获取不同的IMF分量，根据时域特征指标和熵特征指标，使用t-SNE算法对高维的特征指标数据集进行降维处理，得到降维后各特征指标的敏感性评估因子，并通过特征敏感性筛选出某工况下设备的故障敏感指标，导入PSO-SVM分类模型中进行故障识别。
如图1所示，在本发明一实施例中，提供一种滚动轴承声信号早期故障敏感特征筛选方法，包括以下过程：
S1、使用声音传感器采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；
S2、根据VMD算法，对轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；
S3、使用t-SNE算法，对特征指标数据集进行降维处理，获得降维后特征指标数据集；
S4、对降维后特征指标数据集中的数据计算混合域特征指标对应的敏感性评估因子；
S5、将根据敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
步骤S1中，在本发明一实施例中，轴承的不同故障类型包括正常状态、内圈故障、外圈故障以及滚子故障四种不同状态。分别采用轴承型号为NU1010EM和N1010EM的单列圆柱滚子轴承进行检测，各轴承的相关参数如下表1所示。
表1滚动轴承具体参数表
Figure BDA0003132725080000071
如图2所示，图2为本发明一实施例中不同故障类型下轴承声学信号的时域波形，可以观察到不同故障类型的声学时域波形具有一定的差别。本发明中，轴承的故障尺寸均为 9×0.2mm。对于上述两种不同的轴承型号，每种型号均选取2000r/min和3000r/min两种转速，并使用声音传感器以20.48kHz的采样频率，在径向负载2KN时，分别采集不同故障类型下轴承声学信号的时域波形，这些不同工况的时域波形构成了轴承样本信号数据集。
如图1和图3所示，图3为本发明一实施例中步骤S2的流程示意图。本发明中，对于轴承样本信号数据集中的每个轴承样本信号，也即不同工况下的时域波形，首先使用VMD(Variational Mode Decomposition，变分模态分解)算法将各轴承样本信号分解为i个IMF(Intrinsic Mode Function，本征模函数)分量(i初始值为1，表示首次分解时，将轴承样本信号分解为1个IMF分量)，并计算i个IMF分量的谱相关系数ρi。然后将ρi与预设谱相关系数阈值ρmin进行比较，若ρi小于预设的谱相关系数阈值ρmin，则最小分解层数K＝i-1；否则，增加IMF分量的个数，使i＝i+1，返回至上述谱相关系数计算的步骤，计算分解层数增加后的谱相关系数ρi，并继续与预设谱相关系数阈值ρmin进行比较，直至可确定最小分解层数K。具体过程如下：
S21、对轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，均得到i个IMF分量，计算第i个IMF分量的谱相关系数。
VMD算法是一种时频分析方法，其能够将多分量信号一次性分解成多个单分量的调幅调频信号，并避免了迭代过程中遇到的端点效应和虚假分量问题。该方法能有效处理非线性、非平稳信号。而滚动轴承的故障信号正是非线性、非平稳的振动信号，为了可以有效提取轴承信号的特征频率，在本发明一实施例中，采用VMD算法对其进行分解。根据VMD算法，对每个轴承样本信号，通过VMD分解后可得到K个不同的IMF分量，其中K的数量由人为设定，且K的选取对信号是否完全分解至关重要。为确定VMD的最小分解层数 K(也即IMF分量的最优分解个数)，从而增强VMD的分解效果。根据公式(1)计算第i 个IMF分量的谱相关系数ρi：
Figure BDA0003132725080000081
其中，N表示采样点数，|Ui(j)|表示第i个IMF分量的模在第j个采样点的值，|V(j)|表示轴承样本信号通过傅里叶变换后的模在第j个采样点的值。
S22、若第i个IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数K＝i-1。
由于采用VMD算法分解信号时，IMF分量过多或过少都达不到最佳的分解效果，为了寻找IMF分量的最优分解个数，从而使信号的各成分被清晰的分解到各个不同的频带上。在本发明一实施例中，可预设谱相关系数阈值ρmin，作为示例，ρmin可为0.1。若上述第i 个IMF分量的谱相关系数ρi小于预设的谱相关系数阈值ρmin，则可按公式(2)确定最小分解层数K：
K＝i-1 (2)
其中，K表示最小分解层数，也即IMF分量的最优分解个数，i表示IMF分量的个数。
在本发明一实施例中，步骤S22还可以进一步包括，若第i个IMF分量的谱相关系数ρi大于或等于预设的谱相关系数阈值ρmin，令i＝i+1，即IMF分量的分解个数加一。返回至步骤 S21继续将该轴承样本信号分解为更新后的i个IMF分量，计算更新后第i个IMF分量的谱相关系数，并判断其与预设的谱相关系数阈值ρmin的关系，直到找到满足要求的K值。在本发明一实施例中，采样点数N为2048，最小分解层数K为8。
如图2和图4所示，图4为本发明一实施例中内圈故障下轴承各IMF分量的曲线图。可以看出，分解次数越多，分量中含有的成分越多。需要说明的是，本发明仅示意性画出内圈故障下8个IMF分量的曲线图，本领域技术人员应知道，通过上述步骤可得到不同工况下轴承的IMF分量曲线图。
S23、根据最小分解层数，计算各IMF分量的混合域指标，根据混合域指标构建声学信号的特征指标数据集。
根据上述获得的最小分解层数K，可确定每个轴承样本信号经过VMD算法后，分解得到K个IMF分量，分别计算各IMF分量的混合域指标。在本发明一实施例中，混合域指标包括时域指标和熵指标，其中，时域指标可包括峭度、偏度、均方根、平均值、形状系数、峰值、波峰因子、脉冲系数、裕度因子、方差这10个指标，熵指标可包括排列熵、样本熵和模糊熵三个指标，共计13个特征指标作为评估对象。作为示例，对于任一时域指标如峭度，通过声音传感器，分别获取轴承在正常状态、内圈故障、外圈故障和滚子故障这4类不同的故障类型下，相应的声学信号的时域波形作为数据样本。例如在每种故障类型下，可选取50段数据样本。每个数据样本经VMD分解为8个IMF分量，计算各IMF分量的峭度值，最终得到(4×50)×8的特征矩阵。依次计算上述13个特征指标中，不同故障类型下轴承的特征矩阵，共52个特征矩阵，每个特征矩阵均可构成一个特征指标数据集。
在本发明一实施例中，在4种不同故障类型下，依次对采集到的2000r/min和3000r/min 数据进行处理，构建两种不同工况下的特征指标数据集，每种故障类型采用30个样本作为训练集，20个样本作为测试集。
请参阅图5，图5为本发明一实施例中步骤S3的流程示意图，本发明使用t-SNE (t-distributed Stohastic Neighbor Embedding，t分布随机邻近嵌入)算法对高维的特征指标数据集进行降维，进而便于可视化观察数据。t-SNE是一种非线性、非参数的典型流行学习方法，它对于高维数据的聚类效果一般优于主成分分析(Principal ComponentAnalysis，PCA) 方法。其基本思想是将原始高维空间的数据点映射到低维空间，同时保持相互之间的概率分布不变，将高低维之间的距离度量转变为概率度量，使两个维度空间中概率分布之间的 KL散度(Kullback-Leibler divergences)最小化，得到低维空间的样本分布。具体过程如下：
S31、计算特征指标数据集中任两点的相似条件概率分布。
对于上述获得的每个特征指标数据集，可定义为X＝{x1,x2,…,xd}，其中，d为IMF分量的数量，因此d等于8。由于该特征指标数据集为高维空间。在t-SNE算法中，为了实现将高维观测空间中两个数据点之间的距离信息转换到低维空间时，保持其邻域关系不变的这一特征，通过将数据点之间的高维欧几里得距离转换为表示相似性的条件概率进行表示，根据公式(3)、(4)计算高维空间中任两点xi和xj之间的相似条件概率分布：
Figure RE-GDA0003171806820000101
Figure RE-GDA0003171806820000102
其中：pj|i表示xj是xi邻域的概率，pi|j表示xi是xj邻域的概率，σi是以xi为中心的高斯方差，σj是以xj为中心的高斯方差。||xi-xj||2表示xi到xj的距离，||xj-xi||2表示xj到xi的距离，||xj-xk||2表示xj到xk的距离。
S32、根据相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布。
根据上述获得的xj是xi邻域的概率pj|i和xi是xj邻域的概率pi|j，通过公式(5)计算特征指标数据集的高维空间中2个数据点xi和xj的联合概率密度：
Figure BDA0003132725080000103
其中，pij表示xi和xj的联合概率密度，d为特征指标数据集中IMF分量的数量。
S33、在低维空间中使用自由度为1的t分布得到与高维空间对应的数据点后，计算低维空间中的任两个数据点的联合概率分布。
由高维空间降至低维空间的过程中，为了克服低维空间数据点之间存在的“拥挤问题”，在低维空间中使用自由度为1的t分布代替高斯分布，进行多次迭代降维。得到对应的数据点序列Y(t)＝{y1,y2,…yn}(t＝1,2,…)，其中，Y(t)表示第t次迭代得到的解，n为低维空间中数据点的数量。根据公式(6)计算降维到低维空间中的数据点yi和yj的联合概率分布qij：
Figure BDA0003132725080000104
其中，yi表示高维空间xi对应的低维空间的数据点，yj表示高维空间xj对应的低维空间的数据点，yk表示高维空间xk对应的低维空间的数据点。
S34、根据低维空间中的任两个数据点的联合概率分布和高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数。
根据步骤S32和S33中获得的高维空间及低维空间联合概率分布，将高维空间中各联合概率分布pij的集合记为Pi，低维空间中各联合概率分布qij的集合记为Qi，由于t-SNE算法的核心思想是使低维空间中的数据尽可能维持高维空间中的相似关系，因此数据点在高维空间与低维空间中的联合概率分布应尽量相同。可利用KL散度(Kullback-Leiblerdivergences) 度量降维前后数据点之间分布相似性，根据公式(7)得到代价函数C：
Figure BDA0003132725080000111
其中，Pi表示高维空间中数据点的联合概率密度pij的集合，Qi表示低维空间中的数据点的联合概率分布qij的集合，KL(Pi||Qi)表示高维空间中的数据点集合Pi和低维空间中的数据点的集合Qi的KL散度。
S35、使用梯度下降法优化代价函数的梯度。
为保证降维前后得到的概率分布相似性最大化，最大程度地匹配qij和pij，根据公式(8) 采用梯度下降法最优化代价函数的梯度：
Figure BDA0003132725080000112
其中，
Figure BDA0003132725080000113
表示低维空间数据点yi相对于损失函数C的梯度变化。
S36、根据优化后代价函数的梯度，获得降维后特征指标数据集。
使用梯度下降法优化代价函数时，在初始化中，为了加速优化过程和避免陷入局部最优解，梯度中需要使用一个相对较大的动量加速优化的过程，在梯度搜素迭代过程中，将当前的梯度加到上一迭代梯度指数衰减中，对低维空间中的数据点不断迭代更新，根据公式(9)计算更新后的低维数据点序列：
Figure BDA0003132725080000114
其中，η表示学习率，
Figure BDA0003132725080000115
表示第t次迭代的动量项，用于改善最优化过程中存在的震荡现象，加速最优化进程。返回至步骤S33，再次计算更新后的低维数据点序列的联合概率分布，循环重复计算迭代后低维数据点序列，直至满足迭代次数要求。在本发明中，设定迭代次数为1000次，当迭代1000次后，代价函数达到最优。
经历以上步骤完成了t-SNE算法的构建，在实验数据输入网络进行训练之前，可利用 t-SNE算法对输入数据集进行降维，设定好降至的维数，把原先的高维数据通过该算法简化至低维。
请参阅图6，图6为发明一实施例中步骤S4的流程示意图，上述对数据进行可视化处理可以直观展现高维数据的结构特点和分布规律。但在故障诊断方面，虽然t-SNE作为有效的无监督聚类机器学习算法，可以直观反映数据集的结构，认识数据的特征，但一般不采用将t-SNE降维后的数据输入机器学习分类模型中进行故障诊断。在滚动轴承故障诊断研究领域，选择特征时对信号的哪些指标进行特征提取和选择一直是故障诊断领域面临的问题。本发明中通过聚类方法可以快速有效提取特征，降低特征空间冗余，通过评估因子选择有效的敏感特征，从而在13种混合域指标中快速提取到适于轴承故障诊断的特征指标。具体过程如下：
S41、计算降维后特征指标数据集中，每类轴承样本数据的中心坐标。
请参阅图7，图7为本发明一实施例中利用t-SNE算法对数据降维后的示意图。经过t-SNE算法降维后，轴承的特征指标数据由原来的8维降至2维，其中每类轴承样本数据都由二维空间中的x坐标和y坐标构成。作为示例，在本发明一实施例中，根据峭度指标计算M类不同故障类型下轴承的样本数据集时，每类故障类型下中含有A个轴承样本数据，每个轴承样本数据的维数都是K维，其构成的数据集为(M×A)×K。经过t-SNE降维后，数据集降至2维(M×A)×2。本发明中，M为4，表示正常状态、内圈故障、外圈故障和滚子故障四种状态，A为50，表示每类故障类型下选取50个样本数据，K为8，表示每类数据的维度，即每种故障类型中IMF分量的个数。根据公式(10)、(11)计算每类轴承样本数据的中心坐标：
Figure BDA0003132725080000121
Figure BDA0003132725080000122
其中，
Figure BDA0003132725080000123
表示第m类故障类型下，第i个轴承样本数据的横坐标，
Figure BDA0003132725080000124
表示第m类故障类型下，第i个轴承样本数据的纵坐标。
Figure BDA0003132725080000125
表示第m类故障类型下，横坐标的中心坐标数据，
Figure BDA0003132725080000126
表示第m类故障类型下，纵坐标的中心坐标数据。
S42、根据每类轴承样本数据的中心坐标，计算每类轴承样本数据类内距离的平均值。
由于类内距离表示同一类特征向量之间的距离，类内距离越小，表示同一类特征向量之间的距离越紧密，有利于进行特征提取。为了提取13种不同混合域指标中，有效的评价指标，首先根据公式(12)依次计算在第m类故障类型下，轴承样本数据类内距离的平均值Lm：
Figure BDA0003132725080000127
S43、根据每类轴承样本数据的类内距离平均值，计算轴承样本数据在M类故障类型下，类内距离平均值。
由于本发明采用了13种混合域指标进行轴承故障诊断，同时轴承具有4种不同故障类型，为了选择具有明显区分度的指标，根据公式(13)计算当轴承处于M个故障类型下时，每个混合域指标对应的轴承样本数据类内距离的平均值L：
Figure BDA0003132725080000131
类内距离平均值L越小，表明该指标对轴承故障越敏感。
S44、根据每类轴承样本数据的中心坐标，计算轴承样本数据在M类故障类型下，类间距离的平均值。
类间距离表示不同类型的样本之间的距离，类间距离越大表明不同类型样本之间的区别度越大。为了进一步评判上述13种混合域指标中各指标的区分度，根据公式(14)计算 M个类的类间距离平均值D：
Figure BDA0003132725080000132
其中，
Figure BDA0003132725080000133
表示表示第j类故障类型下，横坐标的中心坐标数据，
Figure BDA0003132725080000134
表示第j类故障类型下，纵坐标的中心坐标数据。
S45、根据轴承样本数据在M类故障类型下，类内距离平均值和轴承样本数据在M类故障类型下，类间距离的平均值，计算敏感性评估因子。
为了选择敏感特征指标，以便对轴承故障信号进行准确评估，应选取类间距离越大越好，类内距离越小越好的指标，根据公式(15)计算敏感性评估因子λ：
Figure BDA0003132725080000135
在本发明一实施例中，当类内距离的平均值L越小，同时类间距离的平均值D越大时，此时λ越小，表明使用该指标评估轴承故障时，表征轴承故障的数据点在同一故障类型内的分布相对集中，而处于不同故障类型下数据点之间分布相对独立、交叉性低。因此，该指标特征具有高敏感性和高区分度，适用于故障诊断与分类。当然，由于经过t-SNE算法降维后的数据可能会存在一些“噪点”，例如噪点特征示意图100中，类别2的数据点中，掺杂有类别4的数据点，可通过增加样本量的方式，提高该特征评估模型的稳定性，则“噪点”对模型整体的影响可以忽略。
若λ较大，表明数据点在同一故障类型内的分布较分散，处于不同故障类型下数据点之间分布联系较紧密。由于不同故障类型下数据点相互混合，则该指标不易对不同故障类型的轴承故障进行区分，在故障诊断中表现较差，可以考虑剔除。所以，面对滚动轴承故障诊断大量的混合域指标，λ可为选择敏感性指标提供有力依据。
作为示例，请参阅图8至图11，图8为本发明一实施例中偏度降维后可视化结果，图9为本发明一实施例中均方根降维后可视化结果，图10为本发明一实施例中波峰因子降维后可视化结果，图11为本发明一实施例中模糊熵降维后可视化结果。在本发明一实施例中，根据图8至图11所示内容可知，轴承处于4种不同故障类型下，均方根指标和模糊熵指标的类内距离较为集中，类间距离较大，映射到二维空间可以清晰的区分不同故障类型。而偏度指标和波峰指标经过t-SNE降维后，不同故障类型下的数据混合在一起，无法精确区分不同的故障类型，验证了使用t-SNE距离系数度量方法的有效性。
S46、跟据敏感性评估因子和预设的评估因子阈值，筛选得到敏感指标，将其归类为I 类指标，否则，为II类指标。
请参阅图12至图13，图12为本发明一实施例中2kn-2000rpm特征指标评估因子曲线图，图13为本发明一实施例中3kn-2000rpm特征指标评估因子曲线图。在本发明一实施例中，本发明预设评估因子阈值为0.1，即小于0.1的评估因子归为“I”类敏感指标，而大于0.1的评估因子归为“II”类非敏感指标。采用本发明提出的方法，所选13个混合域指标在折线图上趋势相似，除峭度指标外特征评估因子变化规律相同。在本发明一实施例中，虽然峭度的敏感性评估因子小于预设的评估因子阈值，但考虑到峭度指标易受噪声干扰，稳定性较差，将其划为“II”类指标。因此，两种工况下，均方根、平均值、形状系数、峰值、排列熵和样本熵的评估因子λ均小于预设的评估因子阈值，将其划分为“I”类指标，其余为“II”类指标。因此，I类指标即为敏感指标，II类指标即为非敏感指标。
S5、将根据敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
请参阅图14至图17，图14为本发明一实施例中2kn-2000rpm时Ⅰ类敏感指标的轴承分类混淆矩阵，图15为本发明一实施例中2kn-2000rpm时II非类敏感指标的轴承分类混淆矩阵，图16为本发明一实施例中2kn-3000rpm时Ⅰ类敏感指标的轴承分类混淆矩阵，图17 为本发明一实施例中2kn-3000rpm时II类非敏感指标的轴承分类混淆矩阵。为了验证本发明提出的特征敏感性评估方法的有效性和适用性，利用在4类不同故障类型下筛选得到的敏感指标，诊断识别在同一工况下的9类不同的故障，具体故障参数见表2。将两类不同的敏感指标构成的数据集输入预先训练好的PSO-SVM(Particle Swarm Optimization-SupportVector Machine，粒子群优化算法的支持向量机)分类器模型进行故障类型识别，诊断结果用多分类混淆矩阵表达，实现了对不同轴承故障类型的检测。其中混淆矩阵的列代表数据的真实类别，行代表诊断模型得到的数据预测类别。例如，当工况为2kn-2000rpm时，计算轴承的Ⅰ类敏感指标，例如对于外圈多点故障，使用本发明提出的方法，模型预测为外圈多点故障的概率为95％，预测为滚子多点故障的概率为5％。
表2滚动轴承故障参数
Figure BDA0003132725080000151
上面方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。
如图18所示，其描述了滚动轴承声信号早期故障敏感特征筛选系统1的原理结构示意图。包括：轴承样本信号数据集构建单元11、特征指标数据集构建单元12、特征指标数据集降维单元13、敏感性评估因子计算单元14和轴承故障检测单元15。其中，轴承样本信号数据集构建单元11，用于使用声音传感器采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；特征指标数据集构建单元12，用于根据VMD算法，对轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；特征指标数据集降维单元13，用于使用t-SNE算法，对特征指标数据集进行降维处理，获得降维后特征指标数据集；敏感性评估因子计算单元14，用于对降维后特征指标数据集中的数据计算混合域特征指标对应的敏感性评估因子；轴承故障检测单元15，用于将根据敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。具体过程如下：
首先，轴承样本信号数据集构建单元11通过声音传感器以20.48kHz的采样频率，在径向负载2KN时，分别采集不同故障类型下轴承声学信号的时域波形，这些不同工况的时域波形构成了轴承样本信号数据集。特征指标数据集构建单元12对于轴承样本信号数据集中的每个轴承样本信号，使用VMD算法将各轴承样本信号分解为i个IMF分量，并计算i 个IMF分量的谱相关系数ρi。然后将ρi与预设谱相关系数阈值ρmin进行比较，若ρi小于预设的谱相关系数阈值ρmin，则最小分解层数K＝i-1。特征指标数据集降维单元13使用t-SNE 算法对高维的特征指标数据集进行降维，进而便于可视化观察数据。敏感性评估因子计算单元14通过聚类方法和评估因子选择降维后特征指标数据集中有效的敏感特征，从而在13 种混合域指标中快速提取到适于轴承故障诊断的敏感性评估因子。将根据敏感性评估因子筛选得到的敏感指标输入至PSO-SVM分类器模型后，轴承故障检测单元15即可检测轴承故障类型。
如图19所示，其描述了特征指标数据集构建单元12的方框示意图。包括：IMF分量的谱相关系数计算模块121、最小分解层数计算模块122和特征指标数据集构建模块123。其中，IMF分量的谱相关系数计算模块121用于分别对轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，均得到i个IMF分量，计算第i个IMF分量的谱相关系数；最小分解层数计算模块122用于判断若第i个IMF分量的谱相关系数小于预设的谱相关系数阈值时，最小分解层数的计算公式K＝i-1，其中，K表示最小分解层数，i表示IMF分量的个数；特征指标数据集构建模块123用于根据最小分解层数，计算各IMF分量的混合域指标，根据混合域指标构建声学信号的特征指标数据集。
如图20所示，其描述了特征指标数据集降维单元13的方框示意图。包括：高维空间相似条件概率分布计算模块131、高维空间联合概率分布计算模块132、低维空间联合概率分布计算模块133、代价函数计算模块134、代价函数优化模块135和降维后特征指标数据集生成模块136。其中，高维空间相似条件概率分布计算模块131用于计算特征指标数据集中任两点的相似条件概率分布；高维空间联合概率分布计算模块132用于根据相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；低维空间联合概率分布计算模块133用于在低维空间中使用自由度为1的t分布得到与高维空间对应的数据点后，计算低维空间中的任两个数据点的联合概率分布；代价函数计算模块134用于根据低维空间中的任两个数据点的联合概率分布和高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；代价函数优化模块135用于使用梯度下降法优化代价函数的梯度；降维后特征指标数据集生成模块136用于根据优化后代价函数的梯度，获得降维后特征指标数据集。
如图21所示，其描述了敏感性评估因子计算单元14的方框示意图。包括：中心坐标计算模块141、每类轴承样本数据类内距离的平均值计算模块142、M种故障类型类内距离平均值计算模块143、类间距离的平均值计算模块144、敏感性评估因子计算模块145和敏感指标筛选模块146。其中，中心坐标计算模块141用于计算降维后特征指标数据集中，每类轴承样本数据的中心坐标：
Figure BDA0003132725080000171
(m＝(1,2,...M))，
Figure BDA0003132725080000172
(m＝(1,2,...M))，其中，M表示轴承M类故障类型，A表示每类故障类型下中含有A个轴承样本数据，
Figure BDA0003132725080000173
表示第m类故障类型下，横坐标的中心坐标数据，
Figure BDA0003132725080000174
表示第m类故障类型下，纵坐标的中心坐标数据；每类轴承样本数据类内距离的平均值计算模块142，用于根据每类轴承样本数据的中心坐标，计算每类轴承样本数据类内距离的平均值：
Figure BDA0003132725080000175
其中， Lm表示第m个故障类型下，轴承样本数据类内距离的平均值；M种故障类型类内距离平均值计算模块143用于根据每类轴承样本数据的类内距离平均值，计算轴承样本数据在M类故障类型下，类内距离平均值L：
Figure BDA0003132725080000176
类间距离的平均值计算模块144用于根据每类轴承样本数据的中心坐标，计算轴承样本数据在M类故障类型下，类间距离的平均值D：
Figure BDA0003132725080000177
敏感性评估因子计算模块145用于根据轴承样本数据在M类故障类型下，类内距离平均值和轴承样本数据在M类故障类型下，类间距离的平均值，计算敏感性评估因子λ：
Figure BDA0003132725080000178
敏感指标筛选模块146用于跟据敏感性评估因子和预设的评估因子阈值，筛选得到敏感指标，将其归类为I类指标，否则，为II类指标。
需要说明的是，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。
此外，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
综上所述，本发明提供的一种滚动轴承声信号早期故障敏感特征筛选方法和系统，有效剔除滚动轴承复杂故障混合域特征集中的信息冗余和不相关故障信息之间的干扰，提高了故障诊断效率和诊断精度。通过利用t-SNE降维算法直观展现高维数据的结构和分布规律的特点，对于工况2kn-2000rpm和2kn-3000rpm两种工况进行t-SNE特征指标敏感性评估，所选特征指标计算得到的评估因子在两种工况下趋势相似，特征评估因子变化规律相同，验证了本发明所提的特征筛选方法具有工况适用性。根据评估因子可以快速有效筛选敏感特征，降低混合域特征集的冗余和不相关信息的干扰。同时针对噪声背景下的滚动轴承声学故障信号，所提出的用于早期故障特征敏感性筛选方法，不仅降低了训练数据集的维度和模型计算量，而且具有较高的分类准确率。通过将敏感指标划分为“I”类指标，其余指标划分为“II”类指标，分别将I、II类指标输入PSO-SVM分类器中进行故障识别，结果表明I类指标相对于II类指标能够有效提高模型的识别精度，验证了本发明所提方法的有效性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述方法包括以下过程：
采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；
根据VMD算法，对所述轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据所述IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；
对所述特征指标数据集进行降维处理，获得降维后特征指标数据集；
对所述降维后特征指标数据集中的数据计算所述混合域特征指标对应的敏感性评估因子；
将根据所述敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
2.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述混合域特征指标包括时域指标和熵指标。
3.根据权利要求2所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述时域指标包括：峭度、偏度、均方根、平均值、形状系数、峰值、波峰因子、脉冲系数、裕度因子和方差，所述熵指标包括：排列熵、样本熵和模糊熵。
4.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述轴承的故障类型包括正常、滚子故障、内圈故障、外圈故障。
5.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述构建声学信号特征指标数据集包括以下过程：
分别对所述轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，得到i个所述IMF分量，计算第i个IMF分量的谱相关系数；
若所述第i个所述IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数的计算公式如下：K＝i-1，其中，K表示最小分解层数，i表示IMF分量的个数；
根据所述最小分解层数，计算各所述IMF分量的所述混合域指标，根据所述混合域指标构建所述声学信号的特征指标数据集。
6.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，获得所述降维后特征指标数据集的过程如下：
计算所述特征指标数据集中任两点的相似条件概率分布；
根据所述相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；
计算低维空间中的任两个数据点的联合概率分布；
根据所述低维空间中的任两个数据点的联合概率分布和所述高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；
使用梯度下降法优化所述代价函数的梯度；
根据优化后的所述代价函数，获得所述降维后特征指标数据集。
7.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述敏感指标的筛选过程如下：
计算所述降维后特征指标数据集中，每类轴承样本数据的中心坐标；
根据所述每类轴承样本数据的中心坐标，计算每类轴承样本数据类内距离的平均值；
根据所述每类轴承样本数据类内距离的平均值，计算轴承样本数据在M类故障类型下，类内距离平均值；
根据所述每类轴承样本数据的中心坐标，计算轴承样本数据在M类故障类型下，类间距离的平均值
根据所述轴承样本数据在M类故障类型下，类内距离平均值和所述轴承样本数据在M类故障类型下，类间距离的平均值，计算所述敏感性评估因子；
跟据所述敏感性评估因子和预设的评估因子阈值，筛选得到所述敏感指标，将其归类为I类指标，否则，为II类指标。
8.一种滚动轴承声信号早期故障敏感特征筛选系统，其特征在于，所述系统包括：
轴承样本信号数据集构建单元，用于采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；
特征指标数据集构建单元，用于根据VMD算法，对轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据所述IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；
特征指标数据集降维单元，用于对所述特征指标数据集进行降维处理，获得降维后特征指标数据集；
敏感性评估因子计算单元，用于对所述降维后特征指标数据集中的数据计算所述混合域特征指标对应的敏感性评估因子；
轴承故障检测单元，用于将根据所述敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。
9.根据权利要求8所述的滚动轴承声信号早期故障敏感特征筛选系统，其特征在于，所述特征指标数据集构建单元包括：
IMF分量的谱相关系数计算模块，用于分别对所述轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，得到i个所述IMF分量，计算第i个IMF分量的谱相关系数；
最小分解层数计算模块，用于判断若所述第i个所述IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数的计算公式如下：K＝i-1，其中，K表示最小分解层数，i表示IMF分量的个数；
特征指标数据集构建模块，用于根据所述最小分解层数，计算各所述IMF分量的所述混合域指标，根据所述混合域指标构建所述声学信号的特征指标数据集。
10.根据权利要求8所述的滚动轴承声信号早期故障敏感特征筛选系统，其特征在于，所述特征指标数据集降维单元包括：
高维空间相似条件概率分布计算模块，用于计算所述特征指标数据集中任两点的相似条件概率分布；
高维空间联合概率分布计算模块，用于根据所述相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；
低维空间联合概率分布计算模块，用于计算低维空间中的任两个数据点的联合概率分布；
代价函数计算模块，用于根据所述低维空间中的任两个数据点的联合概率分布和所述高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；
代价函数优化模块，用于使用梯度下降法优化所述代价函数的梯度；
降维后特征指标数据集生成模块，用于根据优化后的所述代价函数，获得所述降维后特征指标数据集。
CN202110709176.4A 2021-06-25 2021-06-25 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 Active CN113435314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110709176.4A CN113435314B (zh) 2021-06-25 2021-06-25 一种滚动轴承声信号早期故障敏感特征筛选方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110709176.4A CN113435314B (zh) 2021-06-25 2021-06-25 一种滚动轴承声信号早期故障敏感特征筛选方法和系统

Publications (2)

Publication Number Publication Date
CN113435314A true CN113435314A (zh) 2021-09-24
CN113435314B CN113435314B (zh) 2023-02-21

Family

ID=77755333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110709176.4A Active CN113435314B (zh) 2021-06-25 2021-06-25 一种滚动轴承声信号早期故障敏感特征筛选方法和系统

Country Status (1)

Country Link
CN (1) CN113435314B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216681A (zh) * 2021-11-22 2022-03-22 中国国家铁路集团有限公司 动车组滚动轴承健康状态确定方法及装置
CN114414227A (zh) * 2021-12-29 2022-04-29 华电电力科学研究院有限公司 一种设备碰撞感知方法、装置、设备及存储介质
CN114710114A (zh) * 2022-05-23 2022-07-05 北京华清未来能源技术研究院有限公司 光伏逆变器故障预测方法
CN117150376A (zh) * 2023-10-30 2023-12-01 浙江大学高端装备研究院 一种分类敏感度修正方法、装置和设备
CN117565807A (zh) * 2024-01-17 2024-02-20 山西万合矿用机械制造有限公司 一种矿用隔爆履带式运输车

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044620A (zh) * 2019-03-15 2019-07-23 昆明理工大学 一种基于振动信号分析的滚动轴承故障诊断方法
CN110186682A (zh) * 2019-07-08 2019-08-30 石家庄铁道大学 基于分数阶变分模态分解的滚动轴承故障诊断方法
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN111797567A (zh) * 2020-06-09 2020-10-20 合肥工业大学 一种基于深度学习网络的轴承故障分类方法及系统
CN112347854A (zh) * 2020-10-12 2021-02-09 西安电子科技大学 滚动轴承故障诊断方法、系统、存储介质、设备及应用
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044620A (zh) * 2019-03-15 2019-07-23 昆明理工大学 一种基于振动信号分析的滚动轴承故障诊断方法
CN110186682A (zh) * 2019-07-08 2019-08-30 石家庄铁道大学 基于分数阶变分模态分解的滚动轴承故障诊断方法
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN111797567A (zh) * 2020-06-09 2020-10-20 合肥工业大学 一种基于深度学习网络的轴承故障分类方法及系统
CN112347854A (zh) * 2020-10-12 2021-02-09 西安电子科技大学 滚动轴承故障诊断方法、系统、存储介质、设备及应用
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 (3)

* Cited by examiner, † Cited by third party
Title
ZHI XU ET AL.: "Weak Faults Diagnosis for Rolling Bearings Based on Variational Hilbert Huang Transform", 《2020 11TH INTERNATIONAL CONFERENCE ON PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT (PHM-2020 JINAN)》 *
丁承君: "VMD和t-SNE相结合的滚动轴承故障诊断", 《机械科学与技术》 *
郑鹏飞: "基于深度置信网络的船用齿轮箱故障诊断方法研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216681A (zh) * 2021-11-22 2022-03-22 中国国家铁路集团有限公司 动车组滚动轴承健康状态确定方法及装置
CN114414227A (zh) * 2021-12-29 2022-04-29 华电电力科学研究院有限公司 一种设备碰撞感知方法、装置、设备及存储介质
CN114414227B (zh) * 2021-12-29 2023-05-26 华电电力科学研究院有限公司 一种设备碰撞感知方法、装置、设备及存储介质
CN114710114A (zh) * 2022-05-23 2022-07-05 北京华清未来能源技术研究院有限公司 光伏逆变器故障预测方法
CN117150376A (zh) * 2023-10-30 2023-12-01 浙江大学高端装备研究院 一种分类敏感度修正方法、装置和设备
CN117150376B (zh) * 2023-10-30 2024-02-20 浙江大学高端装备研究院 一种轴向柱塞泵故障特征样本的分类方法、装置和设备
CN117565807A (zh) * 2024-01-17 2024-02-20 山西万合矿用机械制造有限公司 一种矿用隔爆履带式运输车
CN117565807B (zh) * 2024-01-17 2024-03-19 山西万合矿用机械制造有限公司 一种矿用隔爆履带式运输车

Also Published As

Publication number Publication date
CN113435314B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
CN113435314B (zh) 一种滚动轴承声信号早期故障敏感特征筛选方法和系统
Ghorbani et al. Comparing different resampling methods in predicting students’ performance using machine learning techniques
Pan et al. Intelligent fault identification for industrial automation system via multi-scale convolutional generative adversarial network with partially labeled samples
Regan et al. Wind turbine blade damage detection using supervised machine learning algorithms
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
Dewa et al. Data mining and intrusion detection systems
Talagala et al. Anomaly detection in high-dimensional data
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
Li et al. A survey on explainable anomaly detection
Pei et al. Windowed nearest neighbour method for mining spatio-temporal clusters in the presence of noise
CN107203467A (zh) 一种分布式环境下监督学习算法的基准测试方法和装置
Hajian et al. New automated power quality recognition system for online/offline monitoring
CN114509266B (zh) 一种基于故障特征融合的轴承健康监测方法
Brandsæter et al. Efficient on-line anomaly detection for ship systems in operation
CN109165529B (zh) 一种暗链篡改检测方法、装置和计算机可读存储介质
CN113364802B (zh) 安全告警威胁性研判方法及装置
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
Zhu et al. Deep fourier kernel for self-attentive point processes
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
Kotanchek et al. Symbolic regression via genetic programming as a discovery engine: Insights on outliers and prototypes
Tong et al. A Novel Cuckoo Search Optimized Deep Auto‐Encoder Network‐Based Fault Diagnosis Method for Rolling Bearing
Barlowe et al. Multivariate visual explanation for high dimensional datasets
Nawaiseh et al. Financial Statement Audit using Support Vector Machines, Artificial Neural Networks and K-Nearest Neighbor: An Empirical Study of UK and Ireland
Ehiro Feature importance‐based interpretation of UMAP‐visualized polymer space

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