CN115221973A - 一种基于增强加权异质集成学习的航空轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于增强加权异质集成学习的航空轴承故障诊断方法，首先，提取航空轴承振动数据特征，形成多维故障特征样本集，并将样本集划分为训练集和测试集后分别进行归一化处理；然后，构建增强加权异质集成学习模型，所述模型的结构从上到下包括：基分类器模型、增强加权模型、元分类器模型；并对模型进行参数设置及优化；最后，将测试样本输入到基于增强加权异质集成学习模型的航空轴承故障诊断模型中，输出航空轴承故障诊断结果。本发明能捕获航空轴承振动数据与故障模式之间的隐含关系，实现准确的故障隔离，有效提高故障诊断模型的整体性能及泛化能力，以帮助航空发动机视情维修和健康管理，进而提高航空运输的安全性。

Description

一种基于增强加权异质集成学习的航空轴承故障诊断方法

技术领域

本发明涉及一种基于增强加权异质集成学习的航空轴承故障诊断方法，属于航空轴承故障诊断技术领域。

技术背景

航空轴承是航空发动机转动系统的核心部件，其性能状态直接影响到航空发动机的性能。而航空轴承工作在高速、高温以及高负荷的变工况下，极易发生故障，因此，航空轴承进行故障诊断对于航空发动机视情维修和健康管理具有重要的工程实用价值。

目前，基于解析模型、专家系统等算法的传统故障诊断方法仍存在较多不足。首先，航空轴承工作环境多变，难以建立精确的数学模型；同时，航空轴承故障信号容易存在多重耦合，难以实现准确的故障隔离。机器学习方法可通过各类算法挖掘大量数据内部的潜在联系，十分适合复杂结构的建模分析，然而单一机器学习模型的特征空间存在较大局限，难以保证较高的故障诊断精确度。集成学习是机器学习的一种推广，通过组合多个机器学习模型共同决策，进一步提升模型整体性能与泛化能力，展现了更为强大的优越性。但现有基于集成学习的故障诊断方法，采用简单的投票法或平均法对模型输出结果进行集成，没有考虑不同诊断模型对每种故障模式的性能差异问题，无法充分发挥各个诊断模型的优势。本发明在异质集成学习架构下，结合增强加权策略，提出了一种基于增强加权异质集成学习的航空轴承故障诊断方法，能够有效提高故障诊断模型的整体性能和泛化能力。

发明内容

本发明的目的在于提供一种基于增强加权异质集成学习的航空轴承故障诊断方法，充分利用不同类型的故障诊断模型提供的互补信息，捕获航空轴承振动数据与故障模式之间的隐含关系以及高维度映射关系，构建航空轴承故障诊断模型，融合多种诊断模型的优势，实现快速、有效地对航空轴承的故障模式进行诊断检测，以帮助航空发动机视情维修和健康管理，进而提高航空运输的安全性。

实现本发明目的的技术解决方案为：

一种基于增强加权异质集成学习的航空轴承故障诊断方法，包括以下步骤：

步骤1：根据采集的航空轴承的不同状态的振动数据构造初始数据样本集，再从初始数据样本集中提取各振动数据的多维度特征，形成多维故障特征样本集；

步骤2：对多维故障特征样本集进行数据预处理，划分训练样本集和测试样本集，并进行归一化处理；

步骤3：构建增强加权异质集成学习模型；所述增强加权异质集成学习模型的结构从上到下为基分类器模型、增强加权模型、元分类器模型，由基分类器模型获得不同故障模式的最佳故障诊断率，由增强加权模型获得的基分类器层的加权决策输出结果训练集，并作为元分类器模型的输入训练集，由元分类器模型获得增强加权异质集成学习模型的最佳模型参数；

步骤4：诊断航空轴承故障，将归一化处理后的测试样本输入到基于增强加权集成学习模型的航空轴承故障诊断模型中，得到航空轴承故障诊断结果。

进一步地，步骤1所述的采集的航空轴承的不同状态的振动数据，包括了健康状态、外圈故障状态、内圈故障状态、滚动体故障状态，每个状态对应一组连续采集的轴承振动信号，每一组信号样本对应一种轴承状态标签。

进一步地，步骤1所述的多维故障特征样本集包括振动信号的时域特征、频域特征以及时频域特征作为特征列使用。

进一步地，步骤2所述的数据预处理实现过程如下：

以8：2的比例将数据集划分为训练样本集和测试样本集；

使用零均值归一化方法分别对训练集和测试集进行归一化处理：

其中，x'代表归一化处理后的数据；x为输入样本数据；μ为样本均值；σ为样本标准差。

进一步地，步骤3所述的增强加权异质集成学习模型的构建实现过程如下：

首先，构建基分类器模型，设置并优化基分类器模型的参数；

其次，构建增强加权模型，为基分类器对应每个故障模式的权值进行设置；

最后，构建元分类器模型，设置并优化元分类器模型的参数。

进一步地，步骤3所述的基分类器模型的构建实现过程如下：

选择K近邻模型、支持向量机、决策树模型、随机森林模型以及深度自编码模型作为集成模型的基分类器；

设置基分类器模型的参数，包括：K近邻模型的K值、距离度量方法及分类决策规则；支持向量机的核函数及比重值；决策树模型的特征选择标准；随机森林模型的特征子集的大小及训练终止条件；深度自编码模型的输入神经元个数，隐含层层数，各隐含层神经元个数，迭代停止准则，学习率；

通过设定各个参数的取值范围，使用贝叶斯优化库进行参数优化，以确定基分类器获得最佳故障诊断率。

进一步地，步骤3所述的增强加权模型的构建实现过程如下：

采用F1值度量评估每个基分类器对不同故障模式的性能差异；设定特定故障模式的阈值ft_j以进行选择性集成，获取基分类器对应故障模式的权值w_ij；将特定故障模式的权值分配给每个基分类器的输出值，即判定样本属于每类故障模式的概率值与权值进行乘积，从而获得的基分类器层的加权决策输出结果训练集，将其作为元分类器模型的输入训练集；其中：

其中，F1值表征基分类器的诊断性能；P表示准确率；R表示召回率；TP表示真阳性实例的数量；FP表示假阳性实例的数量；FN表示假阴性实例的数量；

基分类器对应故障模式的权值生成机制的公式表示：

其中，F_ij表示第i个基分类器对故障模式j的F1值；ft_j表示故障模式j的F1值阈值，根据诊断需求设定；k是基分类器的数量；c是故障模式的数量；w_ij表示故障模式j对基分类器i的权值。

元分类器的输入训练集的公式表示：

P_n＝w_ijp_n,i＝1,2,...,k；j＝1,2,...,c；n＝1,2,...,N (8)

其中，D表示元分类器的输入训练样本集；y_n表示每个样本所属真实类别标签；N表示总样本量；P_n表示元分类器的第n个输入训练样本；w_ij故障模式j对应基分类器i的权值；p_n表示第n个样本得到的k个基分类器判定样本属于每类故障模式的概率值。

进一步地，步骤3所述的元分类器模型的构建实现过程如下：

选择逻辑回归模型作为元分类器模型；

逻辑回归的参数设置包括惩罚项以及正则化强度的倒数；

输入基分类器层的加权决策输出结果训练集，采用5折交叉验证的方法，训练元分类器模型获得最佳模型参数。

进一步地，步骤4所述的诊断航空轴承故障的实现过程如下：

将归一化后的测试样本输入到基于增强加权异质集成学习模型的航空轴承故障诊断模型中，采用10折交叉验证的方法遍历所有测试集样本，取10次测试结果的平均值，从而得到更为准确的故障诊断结果。

本发明与现有技术相比，其显著优点：1、通过分层组合不同类型故障诊断方法的异质集成模型，迭代学习各故障诊断方法的诊断偏差，并融合各类方法的故障诊断特性，避免了单一或同质故障诊断方法的局限性问题，有效提升故障诊断模型的整体性能与泛化能力。2、通过增强加权策略，考虑不同诊断方法对每种故障模式的性能差异，为每个故障模式的每个诊断方法分配权重，赋予性能更强的诊断方法更高的决策权，充分发挥各个诊断模型的优势，更加契合多故障模式的诊断问题，实现准确的故障隔离。3、可以实现航空轴承的实时监控，快速、准确地生成故障诊断结果，帮助航空发动机视情维修和健康管理，进而提高航空运输的安全性。

附图说明

图1为基于增强加权异质集成学习的航空轴承故障诊断方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

本发明提出一种基于增强加权异质集成学习的航空轴承故障诊断方法，如图1所示，首先根据采集的航空轴承的不同状态的振动数据构造初始数据样本集，提取振动数据特征，形成多维故障特征集，在此基础上，将数据样本集进行数据预处理，获取训练集和测试集，并作归一化处理。然后，构建增强加权异质集成学习模型，学习航空轴承的振动数据与故障模式之间的隐含关系，融合各类方法的故障诊断特性。最后，获取多种分类器共同决策而得的航空轴承故障诊断结果。具体步骤如下：

步骤1：根据采集的航空轴承的不同状态的振动数据构造初始数据样本集，再从初始数据样本集中提取各振动数据的多维度特征，形成多维故障特征样本集。

采集的航空轴承的不同状态的振动数据，包括了健康状态、外圈故障状态、内圈故障状态、滚动体故障状态。每个状态对应一组连续采集的轴承振动信号，每一组信号样本对应一种轴承状态标签。

提取各振动信号的时域特征、频域特征以及时频域特征等特征作为特征列使用，如振动信号的均值、方差、峰峰值、峭度因子、波形因子、频率均值、频率均方根、小波尺度熵、小波能量熵及小波奇异熵等特征，从而形成多维度的故障特征样本集。

步骤2：对多维故障特征样本集进行数据预处理，划分训练样本集和测试样本集，并进行归一化处理；

对多维故障特征样本集进行划分，以8：2的比例划分为训练样本集和测试样本集，所述训练样本集和测试集内数据均为有标签的数据样本。

对训练集和测试集数据进行数据归一化处理，使用零均值归一化方法分别对训练集和测试集进行归一化处理，从而生成无量纲的数据集，归一化处理公式如下所示：

其中，x'代表归一化处理后的数据；x为输入样本数据；μ为样本均值；σ为样本标准差。

步骤3：构建增强加权异质集成学习模型；所述增强加权异质集成学习模型的结构从上到下为基分类器模型、增强加权模型、元分类器模型，由基分类器模型获得不同故障模式的最佳故障诊断率，由增强加权模型获得的基分类器层的加权决策输出结果训练集，并作为元分类器模型的输入训练集，由元分类器模型获得增强加权异质集成学习模型的最佳模型参数。

构建增强加权异质集成学习模型首先需要构建基分类器模型，设置并优化基分类器模型的参数。其次，构建加权模型，为基分类器对应每个故障模式的权值进行设置。最后，构建元分类器模型，设置并优化元分类器模型的参数，具体包括如下过程：

构建基分类器模型：选择5种已知分类性能较高的典型故障诊断模型，作为集成学习模型的基分类器。本发明选择K近邻模型、支持向量机、决策树模型、随机森林模型以及深度自编码模型作为集成学习模型的基分类器。基分类器模型需要设置的模型参数包括：K近邻模型的K值、距离度量方法及分类决策规则；支持向量机的核函数及比重值；决策树模型的特征选择标准；随机森林模型的特征子集的大小及训练终止条件；深度自编码模型的输入神经元个数，隐含层层数，各隐含层神经元个数，迭代停止准则，学习率。通过设定各个参数的取值范围，使用贝叶斯优化库进行参数优化，以确定基分类器模型获得不同故障模式的最佳故障诊断率。

构建增强加权模型：如公式(2)，采用F1值度量评估每个基分类器对不同故障模式的性能差异。如公式(5)设定特定故障模式的阈值以进行选择性集成。如公式(6)，获取基分类器对应故障模式的权值，权值表征着基分类器对各个故障模式的诊断性能，可提高具有高诊断率的基分类器的决策权。如公式(7)，将特定故障模式的权值分配给每个基分类器的输出值，即判定样本属于每类故障模式的概率值与权值进行乘积，从而获得的基分类器层的加权决策输出结果训练集，将其作为元分类器模型的输入训练集。

构建元分类器模型：选择1种分类器作为元分类器模型，本发明选择逻辑回归模型。逻辑回归的参数设置包括惩罚项以及正则化强度的倒数。输入由公式(7)获得的基分类器层的加权决策输出结果训练集，采用5折交叉验证的方法，训练元分类器模型获得最佳模型参数。

相关计算公式如下：

基分类器性能评估机制的公式表示：

其中，F1值表征基分类器的诊断性能；P表示准确率；R表示召回率；TP表示真阳性实例的数量；FP表示假阳性实例的数量；FN表示假阴性实例的数量；

基分类器对应故障模式的权值生成机制的公式表示：

其中，F_ij表示第i个基分类器对故障模式j的F1值；ft_j表示故障模式j的F值阈值，根据诊断需求设定；k是基分类器的数量；c是故障模式的数量；w_ij表示故障模式j对基分类器i的权值。

元分类器的输入训练集的公式表示：

P_n＝w_ijp_n,i＝1,2,...,k；j＝1,2,...,c；n＝1,2,...,N (8)

其中，D表示元分类器的输入训练样本集；y_n表示每个样本所属真实类别标签；N表示总样本量；P_n表示元分类器的第n个输入训练样本；w_ij故障模式j对应基分类器i的权值；p_n表示第n个样本得到的k个基分类器判定样本属于每类故障模式的概率值。

步骤4：诊断航空轴承故障，将归一化后的测试样本输入到基于增强加权集成学习模型的航空轴承故障诊断模型中，采用10折交叉验证的方法遍历所有测试集样本，取10次测试结果的平均值，从而得到更为准确的故障诊断结果。

以航空轴承数据集为例，采用了4000组航空轴承振动数据，其中，3200组数据用来训练模型，800组数据用来实验对比。采用公知的诊断准确度来评价诊断模型的性能，取值在0到1之间，诊断准确度越趋近于1，模型诊断性能越好。表1是本发明方法和单一故障诊断方法(支持向量机)以及同质集成学习故障诊断方法(随机森林)的实验结果对比。

表1不同方法的实验结果

可以看出，本发明方法的诊断准确度最高，说明本发明故障诊断性能最好，更加符合实际情况。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：包括以下步骤：

步骤1：根据采集的航空轴承的不同状态的振动数据构造初始数据样本集，再从初始数据样本集中提取各振动数据的多维度特征，形成多维故障特征样本集；

步骤2：对多维故障特征样本集进行数据预处理，划分训练样本集和测试样本集，并进行归一化处理；

步骤3：构建增强加权异质集成学习模型；所述增强加权异质集成学习模型的结构从上到下为基分类器模型、增强加权模型、元分类器模型，由基分类器模型获得不同故障模式的最佳故障诊断率，由增强加权模型获得的基分类器层的加权决策输出结果训练集，并作为元分类器模型的输入训练集，由元分类器模型获得增强加权异质集成学习模型的最佳模型参数；

步骤4：诊断航空轴承故障，将归一化处理后的测试样本输入到基于增强加权集成学习模型的航空轴承故障诊断模型中，得到航空轴承故障诊断结果。

2.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤1所述的采集的航空轴承的不同状态的振动数据，包括了健康状态、外圈故障状态、内圈故障状态、滚动体故障状态，每个状态对应一组连续采集的轴承振动信号，每一组信号样本对应一种轴承状态标签。

3.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤1所述的多维故障特征样本集包括振动信号的时域特征、频域特征以及时频域特征作为特征列使用。

4.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤2所述的数据预处理实现过程如下：

以8：2的比例将数据集划分为训练样本集和测试样本集；

使用零均值归一化方法分别对训练集和测试集进行归一化处理：

其中，x'代表归一化处理后的数据；x为输入样本数据；μ为样本均值；σ为样本标准差。

5.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤3所述的增强加权异质集成学习模型的构建实现过程如下：

首先，构建基分类器模型，设置并优化基分类器模型的参数；

其次，构建增强加权模型，为基分类器对应每个故障模式的权值进行设置；

最后，构建元分类器模型，设置并优化元分类器模型的参数。

6.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤3所述的基分类器模型的构建实现过程如下：

选择K近邻模型、支持向量机、决策树模型、随机森林模型以及深度自编码模型作为集成模型的基分类器；

设置基分类器模型的参数，包括：K近邻模型的K值、距离度量方法及分类决策规则；支持向量机的核函数及比重值；决策树模型的特征选择标准；随机森林模型的特征子集的大小及训练终止条件；深度自编码模型的输入神经元个数，隐含层层数，各隐含层神经元个数，迭代停止准则，学习率；

通过设定各个参数的取值范围，使用贝叶斯优化库进行参数优化，以确定基分类器获得最佳故障诊断率。

7.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤3所述的增强加权模型的构建实现过程如下：

采用F1值度量评估每个基分类器对不同故障模式的性能差异；设定特定故障模式的阈值ft_j以进行选择性集成，获取基分类器对应故障模式的权值w_ij；将特定故障模式的权值分配给每个基分类器的输出值，即判定样本属于每类故障模式的概率值与权值进行乘积，从而获得的基分类器层的加权决策输出结果训练集，将其作为元分类器模型的输入训练集；其中：

其中，F1值表征基分类器的诊断性能；P表示准确率；R表示召回率；TP表示真阳性实例的数量；FP表示假阳性实例的数量；FN表示假阴性实例的数量；

基分类器对应故障模式的权值生成机制的公式表示：

其中，F_ij表示第i个基分类器对故障模式j的F1值；ft_j表示故障模式j的F1值阈值，根据诊断需求设定；k是基分类器的数量；c是故障模式的数量。w_ij表示故障模式j对基分类器i的权值。

元分类器的输入训练集的公式表示：

P_n＝w_ijp_n,i＝1,2,...,k；j＝1,2,...,c；n＝1,2,...,N (8)

其中，D表示元分类器的输入训练样本集；y_n表示每个样本所属真实类别标签；N表示总样本量；P_n表示元分类器的第n个输入训练样本；w_ij故障模式j对应基分类器i的权值；p_n表示第n个样本得到的k个基分类器判定样本属于每类故障模式的概率值。

8.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤3所述的元分类器模型的构建实现过程如下：

选择逻辑回归模型作为元分类器模型；

逻辑回归的参数设置包括惩罚项以及正则化强度的倒数；

输入基分类器层的加权决策输出结果训练集，采用5折交叉验证的方法，训练元分类器模型获得最佳模型参数。

9.如权利要求1所述的一种基于增强加权异质集成学习的航空轴承故障诊断方法，其特征在于：步骤4所述的诊断航空轴承故障的实现过程如下：

将归一化后的测试样本输入到基于增强加权异质集成学习模型的航空轴承故障诊断模型中，采用10折交叉验证的方法遍历所有测试集样本，取10次测试结果的平均值，从而得到更为准确的故障诊断结果。

Images