CN113935375A

CN113935375A - 一种基于umap降维算法的高速电主轴故障识别方法

Info

Publication number: CN113935375A
Application number: CN202111191262.7A
Authority: CN
Inventors: 殷雄; 戴野; 王刚; 李兆龙; 刘广东
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2021-10-13
Filing date: 2021-10-13
Publication date: 2022-01-14
Also published as: CN114970643A

Abstract

本发明提供了一种UMAP降维算法，将其运用于高速电主轴故障的识别的方法，首先获取高速电主轴振动信号，同时遍历数据库中的高速电主轴振动数据，利用时域分析和频域分析来构造高速电主轴振动信号的初始特征集，利用均匀流形逼近与投影(uniform manifold approximation and projection，UMAP)算法进行降维，得到具有鉴别性和简捷性的故障特征，实现诊断模型数据质量的提升，最后将数据利用遗传算法(genetic algorithm,GA)优化支持向量机(support vector machine,SVM)的参数来进行智能故障识别，从而实现高速电主轴故障识别。

Description

一种基于UMAP降维算法的高速电主轴故障识别方法

技术领域

本专利涉及高速电主轴故障识别领域，尤其涉及一种基于振动信号特征降维的高速电主轴故障识别。

背景技术

高速电主轴长时间的高速、高负荷运转，不可避免的会产生磨损或疲劳，如果不能及时的诊断，可能造成高端精密机床加工的产品不合格，甚至使得整个系统无法正常工作。因此及早发现故障，对于避免灾难性事故，确保机械安全运行具有重要意义。

故障识别技术主要可分为三大类：基于解析模型的方法，基于信号处理的方法和基于知识的智能故障诊断方法。伴随着计算机技术的飞速发展，智能故障识别技术的效率和识别正确率也不断的被提高，本专利提出的方法主要是降低数据的维度，从而使故障类型更易被区分。

发明内容

现有的智能故障识别技术，因其数据计算量大，为了提高数据的可鉴别性和简洁性，因此，本发明提出一种数据降维方法运用于高速电主轴故障识别，通过 UMAP降维算法实现对高速电主轴振动信号的降维处理，使数据更容易被区分。该方法可以使用在任何振动信号的降维处理场景，包括如下步骤：

步骤1：读取数据库中不同故障的振动信号的数据集生产训练集和验证集，获取待检测高速电主轴的振动信号生成测试集，将训练集和测试集生成初始数据集；

步骤2：利用时域分析和频域分析来处理初始数据集，得到初始特征集；

步骤3：将初始特征集进行归一化处理，通过UMAP降维算法对得到数据聚类；

步骤4：通过人工智能识别算法，识别聚类后的数据，从而实现高速电主轴的故障识别。

进一步的叙述步骤2，使用时域分析得到的时域特征包括：峰峰值、均方根、标准差、波形指数、峰值指数、脉冲指数、峭度指数、裕度因子等；使用频域分析得到的频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差等。将时域分析得到的特征值集与频域分析的特征值集组合起来，生成初始特征值集。

为简化初始特征值集，先将特征值集归一化，初始特征集归一化计算公式：

其中x^*为归一化后的值，x为特征值。

进一步叙述步骤3，UMAP降维算法具体步骤如下：

用找最近邻的算法，得到每个x_i的k最邻近集合{x_i1,x_i2，…，x_ik},利用k最邻近集合可以确定x_i的ρ_i和σ_i，ρ_i和σ_i的计算公式：

ρ_i＝min{d(x_i,x_ij)|1≤j≤k,d(x_i,x_ij)＞0}

设N个高维数据{x₁,x₂，…，x_N}，在高维空间中，相似度是基于平滑最近邻距离的局部模糊单纯集隶属关系v_i|j的计算公式:

v_i|j＝exp[(-d(x_i,x_j)-ρ_j)/σ_j]

式中：d(x_i,x_j)表示x_i和x_j之间的距离。

使用UMAP将具有局部变化的度量的点粘合在一起之后，可能发生两个节点之间的权重不相等，因此需要对高维数据进行对称化，表示成：

v_ij＝v_j|i+v_i|j-v_j|iv_i|j

设N个低维空间相似点为{y₁,y₂,…,y_N}，低维数据的相似点可以表示成:

式中：a和b是用户定义的正值，在UMAP实现中使用这个过程的默认值得到结果是a＝1.929和b＝0.7915。

低维空间中的模拟数据点对应高维空间点模拟正确性用交叉熵作为代价函数，交叉熵表示成:

C_UMAP值越小说明低维度数据拟合的高维度数据正确性越高，若C_UMAP＝0说明二者概率分布相同，为了式模拟的正确性越大，获取代价函数的最小值，利用梯度下降法优化代价函数，通过得出降维后的结果{y₁,y₂,…,y_N}。为了提高降维效果，可以对原始数据进行多次迭代运算，提高低维空间模拟数据的正确性。

进一步叙述步骤4，利用UMAP得到降维后的数据，利用智能识别算法(BP 神经网络、RBF、GRNN、PNN神经网络、竞争神经网络、支持向量机等)来对降维后的数据进行训练和高速电主轴故障识别。从而实现高速电主轴故障识别。

本发明提出的这种对高速电主轴振动数据的降维处理，可以充分保留不同故障类型的差异性特征，同时也保留相同故障类型的相似性特征，从而实现在提高数据的简洁性的同时提高数据的可鉴别性。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述的和其他方面的优点将变得更加清楚。

图1为本发明所用到的部分振动数据集。

图2为本发明故障识别流程图。

图3为UMAP算法降维后的特征效果图。

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说明。

图2为本发明的流程图，包括如下步骤：

1、构建高速电主轴故障识别特征数据库

对图1中类似的振动数据振动信号波形，提取每一个振动信号波形的时域特征和频域特征，其中包括峰峰值、均方根、标准差、波形指数、峰值指数、脉冲指数、峭度指数、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差等组成初始特征集{x₁,x₂，…，x_N}。构成的高速电主轴故障识别数据库为{x_i1,x_i2，…，x_ik}，其中i为振动信号波形数，k为高速电主轴的特征数。

2、高速电主轴智能故障识别技术

2.1、对高速电主轴振动信号多维振动特征进行聚类划分

用找最近邻的算法，得到每个x_i的k最邻近集合{x_i1,x_i2，…，x_ik},利用k最邻近集合可以确定x_i的ρ_i和σ_i，ρ_i和σ_i表示成下式：

ρ_i＝min{d(x_i,x_ij)|1≤j≤k,d(x_i,x_ij)＞0}

2.2、故障识别可视化

选取UMAP降维算法将高维特征量进行聚类并聚类的结果进行可视化，进行二维可视化研究UMAP是通过领域图上随机游走的概率分布来找到数据内在隶属关系。通过可视化的展现，可以清晰直观的展现所故障识别的划分效果如图 3。

2.3、故障智能识别方法

将降维后的数据中的训练集输入到GA-SVM神经网络进行智能学习，获取训练集模型，从而得到神经网络分类器，然后输入验证样本集或测试样本集，实现高速电主轴的故障识别。

该方案可以快速清晰的识别各种故障状态，实现对高速电主轴快速和准确的故障识别。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种基于UMAP降维的高速电主轴故障识别方法，其特征在于，包括如下步骤：

步骤1：读取数据库中不同故障的振动信号的数据集生产训练集，获取待检测高速电主轴的振动信号生成测试集，将训练集和测试集生成初始数据集；

步骤3：将初始特征集进行归一化处理，然后通过UMAP降维算法对得到的数据聚类并降维；

2.根据权利要求1所述的方法，其特征在于步骤3，包括以下步骤：

选取UMAP降维将聚类算法将高维特征量进行聚类结果进行降维，进行二维可视化研究UMAP是通过概率分布来找到数据内在隶属关系。

3.根据权利要求1所述的方法，其特征将UMAP降维算法结合GA-SVM识别技术，运用于高速电主轴的故障识别。