CN113588266B - 一种故障语义空间内嵌的滚动轴承复合故障诊断方法 - Google Patents

Abstract

一种故障语义空间内嵌的滚动轴承复合故障诊断方法，首先获取滚动轴承在各健康状态下的振动信号样本，利用特征提取降维模块自动获取振动信号样本的特征并降维；然后使用高斯‑伯努利受限玻尔兹曼机计算样本的能量函数值，并对样本是否属于复合故障进行区分；最后分别通过多元分类器和线性监督自动编码机，完成对单一故障样本与复合故障进行健康状态识别；本发明考虑到了复合故障与单一故障之间的联系，能够有效克服带标签复合故障样本难以获取对诊断的不利影响，可以直接使用单一健康状态样本完成对模型的训练，实现了对滚动轴承单一故障诊断以及复合故障的诊断。

Description

一种故障语义空间内嵌的滚动轴承复合故障诊断方法

技术领域

本发明属于滚动轴承故障诊断技术领域，具体涉及一种故障语义空间内嵌的滚动轴承复合故障诊断方法。

背景技术

滚动轴承是众多机械设备的核心零部件之一，一旦有故障发生，将极大地影响设备运行，造成经济损失，严重情况下甚至危及人身安全，故其健康运行显得至关重要。

复合故障具有特征复杂的特性，是故障智能诊断的难点之一。然而，在工程实际中，机械设备运行过程中复合故障监测样本远少于单一故障监测数据样本，甚至还会出现设备前期运行过程中并未出现过的复合故障类型。在上述因素的作用之下，带标签的复合故障样本难以获取，形成带标签的复合故障样本缺失的数据集。现有的复合故障智能诊断方法存在显著的局限性：①直接将复合故障定义为新的一类健康状态，忽视复合故障与单一故障之间的联系；②要求训练集样本中有足够数量的带标签复合故障样本。因此，受带标签复合故障样本缺失数据集的影响，现有的轴承复合故障智能诊断方法将复合故障样本识别为单一故障或正常状态，引起故障漏诊或误诊，导致模型整体精度不高。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出一种故障语义空间内嵌的滚动轴承复合故障诊断方法，在监测数据中带标签复合故障样本难以获取条件下提高诊断模型精度。

为了达到上述目的，本发明采取的技术方案为：

一种故障语义空间内嵌的滚动轴承复合故障诊断方法，包括以下步骤：

步骤1：获取滚动轴承各单一健康状态下的振动信号样本，构成训练样本集

一共包括R种健康状态，其中x_m为训练样本集中第m个振动信号样本，由N个振动数据点组成，y_m∈{1,2,3,...R}表示第m个样本的健康状态，M为振动信号样本总数；

步骤2：构建特征提取降维模块，对输入振动信号样本x_m进行特征提取与降维，得到特征样本f_m；

步骤3：构建高斯-伯努利受限玻尔兹曼机，具有K个可见单元和S_R个隐层单元；优化高斯-伯努利受限玻尔兹曼机中参数θ_GBRBM，使其能量函数最小，具有对特征样本隶属于单一故障还是复合故障预判的功能；

步骤4：构建多元Softmax分类器，用于对预判为单一故障的样本进行分类；使用单一健康状态的特征样本训练多元Softmax分类器，使其具有对特征样本分类的功能；

步骤5：构建二元Softmax分类器，并使用单一健康状态的特征样本训练，获得R类特征样本分为第一类的权重矩阵集合{Q_1,1,Q_2,1,...,Q_R,1}，Q_R,1为第R类特征样本分为第一类的权重矩阵；再基于T-SR算法，共享由二元Softmax分类器得到的权重矩阵集合，获得第r种单一健康状态样本的故障语义空间原型表征C_r＝[c_r1,c_r2,...,c_rR],(r＝1,2,...,R)，c_rR为第r种单一健康状态样本的标签在故障语义空间中的第R维度语义；进而获得复合故障的故障语义空间原型表征集合{C₁₂,C₂₃,...,C_12…R}，其中C_12…R计算公式为：

C_12…R＝[mean(c₁₁,c₂₁,...,c_R1),mean(c₁₂,c₂₂,...,c_R2),...,mean(c_1R,c_2R,...,c_RR)]

式中：mean(·)为均值计算函数；

步骤6：构建线性监督自动编码机，建立特征样本与其对应标签在故障语义空间中表征之间的映射关系；基于Bartels-Stewart算法优化以下目标函数：

式中：f_m,s为第m个特征样本f_m经过线性监督自动编码机的输出，W_L为线性监督自动编码机编码权重矩阵，μ为正则系数，C∈{C₁,C₂,...,C_R}为第m个特征样本f_m对应标签在故障语义空间中表征；

步骤7：将滚动轴承振动信号测试样本x_T,i输入至训练好的局连受限玻尔兹曼机中，依次通过特征提取降维模块得到各测试样本的特征f_T,i，再将f_T,i输入至训练好的高斯-伯努利受限玻尔兹曼机，计算能量函数E_T,i，通过比较E_T,i与训练时高斯-伯努利受限玻尔兹曼机能量函数最大值E_max的大小，预判样本是隶属于单一故障还是复合故障，并进一步进行故障识别。

所述的步骤2具体过程如下：

2.1)构建局连受限玻尔兹曼机，具有N个可见单元和S_L个隐层单元；优化局连受限玻尔兹曼机中参数θ_LCRBM，使其具有从振动信号样本中提取特征的能力；

2.2)基于t分布随机邻域嵌入算法对振动信号样本x_m经过局连受限玻尔兹曼机的输出g_m降维，得到特征样本f_m，其中

为第m个振动信号样本的特征样本，K为提取特征的个数。

所述的步骤7的预判具体分为以下两种情况：

7.1)若E_T,i＜E_max测试样本预判为单一故障或正常，将各测试样本的特征f_T,i输入训练好的多元Softmax分类器中，将预测标签对应的单一健康状态作为诊断结果；

7.2)若E_T,i＞E_max测试样本预判为复合故障，计算第i个特征样本f_T,i经过线性监督自动编码机的编码输出f_s,T,i与各复合故障的故障语义空间原型表征C_cp之间的相似度λ，计算公式如下：

λ＝||f_s,T,i-C_cp||₂

式中：C_cp为复合故障的故障语义空间原型表征，C_cp∈{C₁₂,C₂₃,...,C_12…R}，取相似度最高的复合故障的故障语义空间原型表征对应的标签作为诊断结果。

本发明的有益效果为：

本发明提出了一种故障语义空间内嵌的滚动轴承复合故障诊断方法，构建了特征提取降维模块，并通过高斯-伯努利受限玻尔兹曼机对故障样本进行预判，还利用线性监督自动编码机建立了特征样本与其对应标签在故障语义空间中表征之间的映射关系，实现了复合故障的零样本诊断，克服了带标签复合故障数据难以获取条件下模型容易误诊或漏诊的问题，最终提高了模型在上述条件下的诊断精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

参照图1，一种故障语义空间内嵌的滚动轴承复合故障诊断方法，包括以下步骤：

步骤1：获取滚动轴承各单一健康状态下的振动信号样本，构成训练样本集

一共包括R种健康状态，其中

为训练样本集中第m个振动信号样本，由N个振动数据点组成，y_m∈{1,2,3,...R}表示第m个样本的健康状态，M为振动信号样本总数；

步骤2：构建特征提取降维模块，对输入振动信号样本x_m进行特征提取与降维，得到特征样本f_m，具体过程如下：

2.1)构建局连受限玻尔兹曼机，具有N个可见单元和S_L个隐层单元；再基于CD算法，优化局连受限玻尔兹曼机中参数θ_LCRBM，目标函数如下：

式中：

为第m个振动信号样本中的第n个数据点，

为第m个振动样本x_m经过局连受限玻尔兹曼机输出中的第s个数据点，σ_L,n为第n个可见单元的高斯噪声标准差，θ_LCRBM为局连受限玻尔兹曼机中的参数，ω_ns,α_L,n,β_L,s分别为可见单元与隐层单元间的连接权重、第n个可见单元的偏置、第s个隐层单元的偏置；

2.2)基于t分布随机邻域嵌入算法对振动信号样本x_m经过局连受限玻尔兹曼机的输出g_m降维，得到特征样本f_m，其中

为第m个振动信号样本的特征样本，K为提取特征的个数；

步骤3：构建高斯-伯努利受限玻尔兹曼机，具有K个可见单元和S_R个隐层单元；再基于CD算法，优化高斯-伯努利受限玻尔兹曼机中参数θ_GBRBM，使其能量函数最小，具有对特征样本隶属于单一故障还是复合故障预判的功能；

最小化如下损失函数：

式中：m＝1,2,...,M，E(·)为高斯-伯努利受限玻尔兹曼机能量函数，

为第m个特征样本中的第k个数据点，

为第m个特征样本f_m经过高斯-伯努利受限玻尔兹曼机输出中的第s个数据点，σ_R,k为第k个可见单元的高斯噪声标准差，θ_GBRBM为高斯-伯努利受限玻尔兹曼机中的参数，

α_R,k,β_R,s分别为可见单元与隐层单元间的连接权重、第k个可见单元的偏置、第s个隐层单元的偏置；

步骤4：构建多元Softmax分类器，用于对预判为单一故障的样本进行分类；使用单一健康状态的特征样本训练多元Softmax分类器，使其具有对特征样本分类的功能；

基于Adam优化算法，优化其中参数，即最小化如下目标函数：

式中：P为批量输入样本数，I{·}为指示函数，V_r和b_r分别为第r种健康状态权重矩阵和偏置项；

步骤5：构建二元Softmax分类器，并使用单一健康状态的特征样本训练，获得R类特征样本分为第一类的权重矩阵集合{Q_1,1,Q_2,1,...,Q_R,1}，Q_R,1为第R类特征样本分为第一类的权重矩阵；

本实施例基于Adam优化算法，优化权重矩阵和偏置项，目标函数如下：

式中：Q_r,j和p_r,j分别为第r种单一健康状态的特征样本与其余特征样本分类的权重矩阵和偏置项，

为第r种单一健康状态的特征样本与标签集合，M_r为第r种单一健康状态的样本数，且

以此类推，得到R类特征样本分为第一类的权重矩阵集合{Q_1,1,Q_2,1,...,Q_R,1}，Q_R,1为第R类特征样本分为第一类的权重矩阵；

再基于T-SR算法，共享由二元Softmax分类器得到的权重矩阵集合，获得第r种单一健康状态样本的故障语义空间原型表征C_r＝[c_r1,c_r2,...,c_rR],(r＝1,2,...,R)，计算公式如下：

式中：c_rr为第r种单一健康状态样本的标签在故障语义空间中的第r维度语义，T为算法参数；进而获得复合故障的故障语义空间原型表征集合{C₁₂,C₂₃,...,C_12...R}，其中C_12…R计算公式为：

C_12…R＝[mean(c₁₁,c₂₁,…,c_R1),mean(c₁₂,c₂₂,...,c_R2),...,mean(c_1R,c_2R,...,c_RR)]

式中：mean(·)为均值计算函数；

步骤6：构建线性监督自动编码机，建立特征样本与其对应标签在故障语义空间中表征之间的映射关系；基于Bartels-Stewart算法优化以下目标函数：

式中：f_m,s为第m个特征样本f_m经过线性监督自动编码机的输出，W_L为线性监督自动编码机编码权重矩阵，μ为正则系数，C∈{C₁,C₂,...,C_R}为第m个特征样本f_m对应标签在故障语义空间中表征；

步骤7：将滚动轴承振动信号测试样本x_T,i输入至训练好的局连受限玻尔兹曼机中，依次通过特征提取降维模块得到各测试样本的特征f_T,i，再将f_T,i输入至训练好的高斯-伯努利受限玻尔兹曼机，计算能量函数E_T,i，通过比较E_T,i与训练时高斯-伯努利受限玻尔兹曼机能量函数最大值E_max的大小，预判样本隶属于单一故障还是复合故障，并进一步进行故障识别；分为以下两种情况：

7.1)若E_T,i＜E_max测试样本预判为单一故障或正常，将各测试样本的特征f_T,i输入训练好的多元Softmax分类器中，将预测标签对应的单一健康状态作为诊断结果；

7.2)若E_T,i＞E_max测试样本预判为复合故障，计算第i个特征样本f_T,i经过线性监督自动编码机的编码输出f_s,T,i与各复合故障的故障语义空间原型表征C_cp之间的相似度λ，计算公式如下：

λ＝||f_s,T,i-C_cp||₂

式中：C_cp为复合故障的故障语义空间原型表征，C_cp∈{C₁₂,C₂₃,...,C_12...R}，取相似度最高的复合故障的故障语义空间原型表征对应的标签作为诊断结果。

实施例：以机车中的轮对轴承为案例，基于机车轮对轴承故障实验数据，对本发明方法的有效性进行验证。

获取机车轮对轴承故障实验数据样本组成数据集如表1所示，包含8种健康状态：正常状态、滚动体故障、内圈故障、外圈故障、滚动体内圈复合故障、滚动体外圈复合故障、内外圈复合故障、滚动体内外圈复合故障。振动信号样本在电机转速为600r/min的工况下获取，在测试过程中，振动信号样本的采样频率为12800Hz。测试结束后，每种健康状态的样本数为320个，每个样本中包含1000个数据点。为模拟正常状态及每种单一故障样本中随机选取200个作为训练样本，剩下的作为测试样本，而复合故障样本全部作为测试样本。

表1振动信号样本集

基于表1所示数据集分别构建诊断任务验证本发明的可行性，分别选用单一故障诊断精度、复合故障诊断精度和总体诊断精度量化本发明在诊断任务上的效果。结果如表2所示，本发明在数据集上取得了99.75％的单一故障诊断精度，同时获得了最高的复合故障诊断精度和总体诊断精度，说明本发明诊断准确性高，验证了本发明在解决带标签复合故障数据难以获取诊断问题中的可行性。

表2不同方法诊断效果对比

对比方法1与本发明在数据集上的诊断效果，其中方法1仅使用局连受限玻尔兹曼机提取特征，并将提取的特征直接输入Softmax分类器以获得故障识别结果，这种方法在数据集上的单一故障诊断精度为100％，但复合故障诊断精度和总体诊断精度分别为0％和29.85％，明显低于本发明，本发明有效地克服了带标签复合故障数据难以获取对诊断的影响，提高了诊断精度。

Claims (2)

1.一种故障语义空间内嵌的滚动轴承复合故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取滚动轴承各单一健康状态下的振动信号样本，构成训练样本集

一共包括R种健康状态，其中x_m为训练样本集中第m个振动信号样本，由N个振动数据点组成，y_m∈{1,2,3,...R}表示第m个样本的健康状态，M为振动信号样本总数；

步骤2：构建特征提取降维模块，对输入振动信号样本x_m进行特征提取与降维，得到特征样本f_m；

步骤3：构建高斯-伯努利受限玻尔兹曼机，具有K个可见单元和S_R个隐层单元；优化高斯-伯努利受限玻尔兹曼机中参数θ_GBRBM，使其能量函数最小，具有对特征样本隶属于单一故障还是复合故障预判的功能；

步骤4：构建多元Softmax分类器，用于对预判为单一故障的样本进行分类；使用单一健康状态的特征样本训练多元Softmax分类器，使其具有对特征样本分类的功能；

步骤5：构建二元Softmax分类器，并使用单一健康状态的特征样本训练，获得R类特征样本分为第一类的权重矩阵集合{Q_1,1,Q_2,1,...,Q_R,1}，Q_R,1为第R类特征样本分为第一类的权重矩阵；再基于T-SR算法，共享由二元Softmax分类器得到的权重矩阵集合，获得第r种单一健康状态样本的故障语义空间原型表征C_r＝[c_r1,c_r2,...,c_rR],(r＝1,2,...,R)，c_rR为第r种单一健康状态样本的标签在故障语义空间中的第R维度语义；进而获得复合故障的故障语义空间原型表征集合{C₁₂,C₂₃,...,C_12…R}，其中C_12…R计算公式为：

C_12…R＝[mean(c₁₁,c₂₁,...,c_R1),mean(c₁₂,c₂₂,...,c_R2),...,mean(c_1R,c_2R,...,c_RR)]

式中：mean(·)为均值计算函数；

步骤6：构建线性监督自动编码机，建立特征样本与其对应标签在故障语义空间中表征之间的映射关系；基于Bartels-Stewart算法优化以下目标函数：

式中：f_m,s为第m个特征样本f_m经过线性监督自动编码机的输出，W_L为线性监督自动编码机编码权重矩阵，μ为正则系数，C∈{C₁,C₂,...,C_R}为第m个特征样本f_m对应标签在故障语义空间中表征；

步骤7：将滚动轴承振动信号测试样本x_T,i输入至训练好的局连受限玻尔兹曼机中，依次通过特征提取降维模块得到各测试样本的特征f_T,i，再将f_T,i输入至训练好的高斯-伯努利受限玻尔兹曼机，计算能量函数E_T,i，通过比较E_T,i与训练时高斯-伯努利受限玻尔兹曼机能量函数最大值E_max的大小，预判样本是隶属于单一故障还是复合故障，并进一步进行故障识别；

所述的步骤2具体过程如下：

2.1)构建局连受限玻尔兹曼机，具有N个可见单元和S_L个隐层单元；优化局连受限玻尔兹曼机中参数θ_LCRBM，使其具有从振动信号样本中提取特征的能力；

2.2)基于t分布随机邻域嵌入算法对振动信号样本x_m经过局连受限玻尔兹曼机的输出g_m降维，得到特征样本f_m，其中

为第m个振动信号样本的特征样本，K为提取特征的个数。

2.根据权利要求1所述的一种故障语义空间内嵌的滚动轴承复合故障诊断方法，其特征在于，所述的步骤7的预判具体分为以下两种情况：

7.1)若E_T,i＜E_max测试样本预判为单一故障或正常，将各测试样本的特征f_T,i输入训练好的多元Softmax分类器中，将预测标签对应的单一健康状态作为诊断结果；

7.2)若E_T,i＞E_max测试样本预判为复合故障，计算第i个特征样本f_T,i经过线性监督自动编码机的编码输出f_s,T,i与各复合故障的故障语义空间原型表征C_cp之间的相似度λ，计算公式如下：

λ＝||f_s,T,i-C_cp||₂

式中：C_cp为复合故障的故障语义空间原型表征，C_cp∈{C₁₂,C₂₃,...,C_12…R}，取相似度最高的复合故障的故障语义空间原型表征对应的标签作为诊断结果。

Images