CN113935375A - 一种基于umap降维算法的高速电主轴故障识别方法 - Google Patents
一种基于umap降维算法的高速电主轴故障识别方法 Download PDFInfo
- Publication number
- CN113935375A CN113935375A CN202111191262.7A CN202111191262A CN113935375A CN 113935375 A CN113935375 A CN 113935375A CN 202111191262 A CN202111191262 A CN 202111191262A CN 113935375 A CN113935375 A CN 113935375A
- Authority
- CN
- China
- Prior art keywords
- umap
- dimension reduction
- data
- algorithm
- fault identification
- 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
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
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
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。
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xi的k最邻近集合{xi1,xi2,…,xik},利用k最邻近集合可以确定xi的ρi和σi,ρi和σi的计算公式:
ρi=min{d(xi,xij)|1≤j≤k,d(xi,xij)>0}
设N个高维数据{x1,x2,…,xN},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vi|j的计算公式:
vi|j=exp[(-d(xi,xj)-ρj)/σj]
式中:d(xi,xj)表示xi和xj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:
vij=vj|i+vi|j-vj|ivi|j
设N个低维空间相似点为{y1,y2,…,yN},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:
CUMAP值越小说明低维度数据拟合的高维度数据正确性越高,若CUMAP=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,…,yN}。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,…,xN}。构成的高速电主轴故障识别数据库为{xi1,xi2,…,xik},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xi的k最邻近集合{xi1,xi2,…,xik},利用k最邻近集合可以确定xi的ρi和σi,ρi和σi表示成下式:
ρi=min{d(xi,xij)|1≤j≤k,d(xi,xij)>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 (3)
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,然后通过UMAP降维算法对得到的数据聚类并降维;
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。
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191262.7A CN113935375A (zh) | 2021-10-13 | 2021-10-13 | 一种基于umap降维算法的高速电主轴故障识别方法 |
CN202210862028.0A CN114970643A (zh) | 2021-10-13 | 2022-07-20 | 一种基于umap降维算法的高速电主轴故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191262.7A CN113935375A (zh) | 2021-10-13 | 2021-10-13 | 一种基于umap降维算法的高速电主轴故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935375A true CN113935375A (zh) | 2022-01-14 |
Family
ID=79279098
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191262.7A Pending CN113935375A (zh) | 2021-10-13 | 2021-10-13 | 一种基于umap降维算法的高速电主轴故障识别方法 |
CN202210862028.0A Pending CN114970643A (zh) | 2021-10-13 | 2022-07-20 | 一种基于umap降维算法的高速电主轴故障识别方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210862028.0A Pending CN114970643A (zh) | 2021-10-13 | 2022-07-20 | 一种基于umap降维算法的高速电主轴故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113935375A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204319A (zh) * | 2022-09-15 | 2022-10-18 | 广东电网有限责任公司中山供电局 | 一种低压配电网拓扑参数识别方法及系统 |
CN115331752A (zh) * | 2022-07-22 | 2022-11-11 | 中国地质大学(北京) | 一种能够自适应预测石英形成环境的方法 |
CN116992954A (zh) * | 2023-09-26 | 2023-11-03 | 南京航空航天大学 | 一种基于umap数据降维的相似度度量迁移学习方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN109829402B (zh) * | 2019-01-21 | 2022-08-30 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110866502B (zh) * | 2019-11-19 | 2023-02-14 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN113478477B (zh) * | 2021-06-08 | 2023-04-07 | 上海交通大学 | 基于多传感器与数据传输的机器人状态监控方法及系统 |
-
2021
- 2021-10-13 CN CN202111191262.7A patent/CN113935375A/zh active Pending
-
2022
- 2022-07-20 CN CN202210862028.0A patent/CN114970643A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331752A (zh) * | 2022-07-22 | 2022-11-11 | 中国地质大学(北京) | 一种能够自适应预测石英形成环境的方法 |
CN115331752B (zh) * | 2022-07-22 | 2024-03-05 | 中国地质大学(北京) | 一种能够自适应预测石英形成环境的方法 |
CN115204319A (zh) * | 2022-09-15 | 2022-10-18 | 广东电网有限责任公司中山供电局 | 一种低压配电网拓扑参数识别方法及系统 |
CN116992954A (zh) * | 2023-09-26 | 2023-11-03 | 南京航空航天大学 | 一种基于umap数据降维的相似度度量迁移学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114970643A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN113935375A (zh) | 一种基于umap降维算法的高速电主轴故障识别方法 | |
Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
Baarsch et al. | Investigation of internal validity measures for K-means clustering | |
US7889914B2 (en) | Automated learning of model classifications | |
Harvey et al. | Automated feature design for numeric sequence classification by genetic programming | |
Guo et al. | Online remaining useful life prediction of milling cutters based on multisource data and feature learning | |
CN109582003A (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 | |
CN111367777B (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
Guo et al. | Fault diagnosis for power system transmission line based on PCA and SVMs | |
CN115221930A (zh) | 一种滚动轴承的故障诊断方法 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
Colliri et al. | A network-based high level data classification technique | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
CN108985462B (zh) | 基于互信息和分形维数的无监督特征选择方法 | |
Radovanović et al. | Application of agglomerative hierarchical clustering for clustering of time series data | |
Song et al. | Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map | |
Nohuddin et al. | Monitoring students performance using self organizing map trend clustering | |
Gyimah et al. | Using decision tree classification algorithm to predict learner typologies for project-based learning | |
Feng et al. | Temporal local correntropy representation for fault diagnosis of machines | |
Nithiyananthan et al. | Enhanced R package-based cluster analysis fault identification models for three phase power system network | |
Sánchez et al. | Applicability of cluster validation indexes for large data sets | |
CN115855502A (zh) | 一种基于属性编码的零样本旋转机械故障诊断方法 | |
Lu et al. | A GA-SVM hybrid classifier for multiclass fault identification of drivetrain gearboxes |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220114 |