CN115855502A - 一种基于属性编码的零样本旋转机械故障诊断方法 - Google Patents

Abstract

一种基于属性编码的零样本旋转机械故障诊断方法，包括以下步骤：步骤一：确定故障情境的属性描述；步骤二：建立故障情境的属性编码；步骤三：获取旋转机械的多源数据；步骤四：形成旋转机械的多域特征集；步骤五：构建属性编码的特征子集；步骤六：分类器训练；步骤七：零样本故障诊断，实现对未知类别样本的故障诊断。

Description

一种基于属性编码的零样本旋转机械故障诊断方法

技术领域

本发明涉及一种旋转机械故障诊断方法，更具体地涉及利用属性编码的方法解决传统基于数据驱动的旋转机械故障诊断方法的零样本问题。

背景技术

旋转机械在工业制造生产中占有重要地位，对其运行状态的监控，并准确高效的对其进行实时故障诊断对保证其稳定运行具有重要意义。

随着机器学习和深度学习的发展，旋转机械的故障诊断逐步趋于一种基于数据驱动的方式，其主要包含运行数据采集、机械状态特征提取、降维和分类器故障判别等步骤。基于数据驱动的故障诊断方法，需要大量均衡的全面的数据去训练模型，从而提高模型的诊断准确率，且仅能对参与训练的相同类别的数据进行诊断判别。但在实际工况中，旋转机械往往是长时间正常运行的，故障的发生是一种小概率事件，这造成了所采集到的数据存在样本不均衡的问题，故障样本的类别和数量均不能满足模型训练的要求，甚至存在某一故障类别的样本数量为零的问题，即旋转机械故障诊断的零样本问题。因此，本领域存在着对于未知故障产生时，即零样本问题发生时，能够有效识别出旋转机械状态，并对其故障进行准确判别的方法的需求。

发明内容

为了解决本领域的上述问题，根据本发明的实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法。

根据本发明的实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法，包括以下步骤：

步骤一：确定故障情境的属性描述，归纳旋转机械的所有潜在的故障，并对该故障进行拆解分析，判定故障模式、找出故障原因、界定故障情境，总结整理以上故障的相关信息从而构建故障的属性体系，该属性体系包括不同故障的特有属性和共有属性，进而确定故障情境的属性描述，为后续属性编码提供了支持；

步骤二：建立故障情境的属性编码，针对旋转机械的不同故障进行属性编码，所述不同故障包括已知类别故障和未知类别故障，并采用独热编码对所有类别故障进行编码，从而得到不同故障的0-1码；

步骤三：获取旋转机械的多源数据，通过在旋转机械的不同位置设置传感器，采集旋转机械的振动信号；

步骤四：形成旋转机械的多域特征集，通过域的转换来提取所采集的旋转机械的振动信号的时域特征、频域特征、能量特征和熵特征，从而形成多域特征集；

步骤五：构建属性编码的特征子集，通过基于支持向量机的递归特征消除算法，针对每一维度的0-1码分别进行一次特征选择，选出可区分性强的特征，剔除了无用特征和冗余特征，减小了计算量，降低计算量，最终形成多个特征子集，且每一维度的0-1码均有一个对应的特征子集；

步骤六：分类器训练，分别将每一维度的0-1码所对应的特征子集作为分类器的输入，并将每一维度的0-1码取代样本标签作为分类器的输出进行分类器训练，训练多个分类器，且每一维度的0-1码均对应一个训练好的分类器；

步骤七：零样本故障诊断，针对于未知类别故障的样本数据，按照步骤四针对已知类别故障0-1码各维度特征子集的组成形成未知类别故障样本0-1码各维度的特征子集，并将此特征子集作为已训练好的分类器的输入，最终得到一串由0-1组成的二进制码输出，并将此输出依次与步骤一当中的各类别的0-1码进行基于欧氏距离的判别，最终实现对未知类别样本的故障诊断。

在一个可选的实施方式中，所述的基于属性编码的零样本旋转机械故障诊断方法，在所述步骤一中：所述故障模式包括故障位置、故障程度；所述故障原因为指造成故障的直接关键性因素；所述故障情境包括故障位置、故障程度、故障影响、故障工况，即故障模式与故障原因的总和；所述特有属性为不同故障类别互相有区别的相关属性，共有属性是指所有故障类别均具有的相关属性。

在一个可选的实施方式中，在所述步骤二中：所述属性编码是对旋转机械的各属性进行编码，其中具有该属性即在该属性所对应的编码维度设置成1，不具有该属性即在该属性所对应的编码维度设置成0；独热编码是利用0和1表示旋转机械的属性参数，使用N维二进制码来对旋转机械的N个属性进行编码。

在一个可选的实施方式中，在所述步骤四中：所述时域特征为通过时间t来观察振动信号在时域的变化，包括有量纲和无量纲；有量纲的时域特征可包括最大值、平均值、均方根值、绝对平均幅值、方根幅值、峰-峰值和标准差；无量纲的时域特征可包括峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。

在一个可选的实施方式中，在所述步骤四中：所述频域特征包括针对振动信号进行快速傅里叶变换，并计算频域特征，所述频域特征可包括重心频率CF、平均频率MF、均方根频率RMSF、频率标准差RVF。

在一个可选的实施方式中，在所述步骤四中所述能量特征是边际谱能量，其获得步骤如下：

首先，对振动信号进行经验模态分解，得到振动信号从高频到低频的本征模函数IMF，之后，对每一个IMF进行希尔伯特变换，从而得到希尔伯特谱，其中，H_i(ω,t)为每个IMF分量的希尔伯特谱，ω代表频率，t表示频率所对应的时刻

接着，对每一个IMF分量的希尔伯特谱H_i(ω,t)在时域上进行积分，即可得到每一个IMF分量的边际谱

随后，将边际谱的幅值进行平方，即可得到边际谱能量

/>

最后，由下式求出归一化概率，其中，p(i)表示归一化概率，并由香农熵的公式求出边际谱能量熵，其中，n代表IMF的数量

在一个可选的实施方式中，在所述步骤四中所述的熵特征是一种用于描述振动信号分布不确定性和复杂程度的特征，包括功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵和小波能量熵，其获得方式如下：

根据熵的不同计算方式可以分为香农熵和指数熵，其中H₁为香农熵，H₂为指数熵

式中，N表示概率总数，p_i表示概率；

其中，功率谱是用来描述振动信号的功率随频率变化的函数，

首先，对振动信号序列{x_t,t＝1,2,…,N}进行快速傅里叶变换FFT求出X(ω)，并计算振动信号的功率谱密度

其中t为采样点，ω是为对应频率，N为采样点个数

之后，对功率谱密度进行归一化处理，求出概率密度函数p(ω_i)

然后，将此概率密度函数p(ω_i)带入以上的香农熵和指数熵公式，分别求出功率谱香农熵和功率谱指数熵；

奇异谱熵通过对振动信号进行奇异值分解等计算，可以得到振动信号的在时域的局部特征，

首先，对振动信号序列{x_t,t＝1,2,…,N}进行加窗处理，加窗处理是指以长度M对振动信号序列x_t进行截断，截断之后信号长度为M，即窗的大小为M，时延参数为1，其中x_t表示振动信号序列，t表示采样点，M为窗的大小，N为振动信号序列x_t包含的采样点数，得到振动信号的轨迹矩阵B，该轨迹矩阵将振动信号分割成(N-M+1)×M维

随后，对轨迹矩阵B进行SVD奇异值分解

B＝U×S×V'

式中，U和V’表示奇异值分解的正交阵，S为对角阵，δ_i表示奇异值，矩阵U是(N-M+1)×(N-M+1)的正交阵，矩阵V’是M×M的正交阵，矩阵S由奇异值δ_i构成(N-M+1)×M的对角阵，且在矩阵S中，奇异值是按照从大到小依次排列在矩阵S的主对角线上的，即δ₁≥δ₂≥…≥δ_M，

然后，将奇异值带入下式求出归一化概率

并将该概率依次代入上文的香农熵和指数熵的公式，求出奇异谱香农熵和奇异谱指数熵；

小波能量熵中的小波包是基于时频域的一种特征，

首先，对振动信号{x_t,t＝1,2,…,N}进行n层小波包分解，在第n层即可得到2ⁿ个节点，同时得到第n层每个节点的小波包系数W_i，其中i＝1,2,…,2ⁿ，

随后，对系数进行平方得到小波包能量

然后，对小波包能量归一化，从而求出归一化概率，并由该归一化概率求出小波包能量熵

在一个可选的实施方式中，在所述步骤五中的基于支持向量机的递归特征消除算法为基于SVM间隔最大化原理的特征选择方法，步骤如下：

将支持向量机的权重系数作为评价标准，每一次迭代剔除得分最低的特征，直至特征集变为空集或者得到特定数目的特征数，停止迭代，评分标准如下式，表示特征i的得分，c表示得分，

表示SVM的权重系数

在一个可选的实施方式中，在步骤七中的欧式距离是m维空间中两个点x(x₁,x₂,..,x_m)和y(y₁,y₂,…,y_m)之间的实际距离，计算公式如下

其中，dist(X,Y)表示m维空间中两个点之间的实际距离。

本发明的实施方式所提供的一种基于属性编码的零样本滚动轴承故障诊断方法至少包括以下的优点。本发明的实施方式提出的一种基于属性编码的零样本旋转机械故障诊断方法，可以在仅用已知类别样本数据训练分类器的情况下实现对未知类别样本进行故障诊断的目的。通过属性编码对旋转机械的所有状态进行编码，并提出了独热编码的方式，，增加了属性描述的维度。采用基于支持向量机的递归特征消除算法自适应的从多域特征集中选择出针对每一维度0-1码的特征子集，实现了针对于每一维度0-1码的特征降维，剔除了无用特征和冗余特征，减小了计算量。采用0-1码替换标签作为分类器的输出，利用分类器去训练每一维度0-1码，最终实现用已知类别样本数据训练好的分类器输出未知类别的0-1码。以及采用欧氏距离作为判据，实现了对未知类别样本进行故障诊断。本发明的实施方式所提供的方法是一种指导性的零样本旋转机械故障诊断方法，具有运算简单，实时性强等特点。本发明的实施方式所提供的方法在实际应用中具有一定的开放性和实用性，在齿轮箱、轴承等旋转机械的故障诊断方面均适用。

附图说明

结合附图及下面的详细描述，可更容易理解本发明的前述特征。

图1示出了根据本发明的一个实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的流程图。

图2示出了根据本发明的一个实施方式提供基于属性编码的零样本滚动轴承故障诊断方法中的多域特征提取的流程图。

图3示出了应用根据本发明的一个实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的一个示例性实施例中的特征选择框图。

图中序号、符号、代号说明如下

T： 原始振动信号的时域特征

F： 原始振动信号的频域特征

H： 原始振动信号的熵特征

E： 原始振动信号的能量特征

SVM： 支持向量机

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

以下结合附图，对应用根据本发明的实施方式所提供的基于属性编码的零样本旋转机械故障诊断方法的示意性实施例进行详细描述，但本发明不受具体实施例的限制。

属性编码是一种基于独热编码的编码方式，通过对旋转机械的所属故障的每一个属性进行描述，从而使其的每一种故障状态都有一种独立的0-1码。其中，属性描述是指针对于旋转机械的每种故障进行拆解分析，选出具有代表性的公共特性进行分类与描述，通过属性描述可以对旋转机械的每一种故障状态进行最直观的总结。而零样本故障诊断方法是指训练集和测试集的样本类别的交集为空集，通过运用训练集对0-1码每一维度分别进行分类器训练，并最终通过距离判别的方式可以针对测试集进行诊断，从而实现零样本的旋转机械故障诊断。

因此，通过在旋转机械不同方位设置不同的传感器，提取旋转机械的在不同状态下的振动信号，将这些信号作为已知故障类别样本的数据来源。通过域的转换，提取旋转机械已知类别振动信号的时域、频域、时频域、熵和能量等特征，形成一种多域特征集。在此基础上，采用属性编码的方式，利用已知故障类别的特征集对已知类别每一维度的0-1码进行模型训练，从而利用训练好的多个分类器对未知类别的样本数据进行属性判断最终实现旋转机械的故障诊断具有重要意义。基于此，本发明的实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法。根据本发明的实施方式所提供的基于属性编码的零样本旋转机械故障诊断方法通过对旋转机械每一类故障进行属性描述，并利用属性编码对每一类故障进行编码，并将编码形成的0-1码的每一维度取代样本标签作为每个分类器的最终输出。当未知故障类别的样本数据作为已训练好的多维度分类器的输入时，可以得到未知类别样本数据的0-1码，为后续旋转机械的故障诊断作为诊断依据。

图1示出了根据本发明的一个实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的流程图。图2示出了根据本发明的一个实施方式提供基于属性编码的零样本滚动轴承故障诊断方法中的多域特征提取的流程图。

参考图1-2，根据本发明的一个实施方式提供了一种基于属性编码的零样本旋转机械故障诊断方法，该方法包括以下步骤：

步骤一：确定故障情境的属性描述，归纳旋转机械的所有潜在的故障，并对该故障进行拆解分析，判定故障模式、找出故障原因、界定故障情境，总结整理以上故障的相关信息从而构建故障的属性体系，该属性体系包括不同故障的特有属性和共有属性，进而确定故障情境的属性描述，为后续属性编码提供了支持；

步骤二：建立故障情境的属性编码，针对旋转机械的不同故障进行属性编码，该不同故障包括已知类别故障和未知类别故障，并采用独热编码对所有类别故障进行编码，从而得到不同故障的0-1码；

步骤三：获取旋转机械的多源数据，通过在旋转机械的不同位置设置传感器，采集旋转机械的振动信号；

步骤四：形成旋转机械的多域特征集，通过域的转换提取所采集的旋转机械的振动信号的时域特征、频域特征、能量特征和熵特征，从而形成一个多域特征集；

步骤五：构建属性编码的特征子集，通过基于支持向量机的递归特征消除算法，针对每一维度的0-1码分别进行一次特征选择，选出可区分性强的特征，剔除了无用特征和冗余特征，最终形成多个特征子集，且每一维度的0-1码均有一个对应的特征子集；

步骤六：分类器训练，分别将0-1码每一维度所对应的特征子集作为分类器的输入，并将0-1码的每一维度取代样本标签作为分类器的输出进行分类器训练，最终将训练多个分类器，且0-1码的每一维度均对应一个训练好的分类器；

步骤七：零样本故障诊断，针对于未知类别故障的样本数据，按照步骤四针对已知类别故障的各维度0-1码特征子集的组成形成未知类别故障样本的各维度0-1码的特征子集，并将此特征子集作为已训练好的分类器的输入，最终得到一串由0-1组成的二进制码输出，并将此输出依次与步骤一当中的各类别的0-1码进行基于欧氏距离的判别，最终实现对未知类别样本的故障诊断。

可选地，在步骤一中所述的故障模式，主要是指故障的外在宏观表现形式，如故障位置、故障程度等；所述故障原因主要是指造成故障的直接关键性因素，如超载等；所述故障情境主要指一定时间内各种因素的相对的或结合的境况，包括故障位置、故障程度、故障影响、故障工况等，即故障模式与故障原因的总和；所述特有属性是指不同故障类别互相有区别的相关属性，而共有属性是指所有故障类别均具有的相关属性，通过属性描述可以对一种故障有最直观的认识。

可选地，在步骤二中所述的属性编码，主要是指对旋转机械的各属性进行编码，如具有该属性即在该属性所对应的编码维度设置成1，不具有该属性即在该属性所对应的编码维度设置成0；独热编码(One-Hot encoding)是指利用0和1表示旋转机械的一些属性参数，使用N维二进制码来对旋转机械的N个属性进行编码，例如旋转机械故障发生的位置：[内圈，外圈，滚动体]，故障发生在内圈的独热编码为[1,0,0]，故障发生在外圈的独热编码为[0,1,0]，故障发生在滚动体的独热编码为[0,0,1]，采用独热编码可以将旋转机械的属性编码所得的编码数据进行稀疏化处理。所述已知类别故障指在模型训练前已采集到数据的故障类别，所述未知类别故障指在模型训练前未采集到数据的故障类别。

可选地，在步骤四中所述的时域特征，主要是指通过时间t来观察振动信号在时域的变化，包括有量纲和无量纲两种。有量纲的时域特征主要包含最大值、平均值、均方根值、绝对平均幅值、方根幅值、峰-峰值和标准差等。无量纲的时域特征主要包含峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子等。具体计算公式如表1所示。

表1时域特征

其中，x_i表示每个采样点的幅值大小，N_s表示采样点个数。

可选地，在步骤四中所述的频域特征，包括针对振动信号进行快速傅里叶变换，并计算一些频域特征。所述频域特征可包括重心频率CF、平均频率MF、均方根频率RMSF、频率标准差RVF。具体的计算公式如表2所示。

表2频域特征

式中，f_j表示采样点频率，N_f表示采样点个数，S(f)表示采样点的功率谱。

可选地，在步骤四中所述的能量特征，主要是指边际谱能量。首先，对振动信号进行经验模态分解，得到振动信号从高频到低频的本征模函数IMF。之后，对每一个IMF进行希尔伯特变换，从而得到希尔伯特谱。其中，H_i(ω,t)为每个IMF分量的希尔伯特谱，ω代表频率，t表示频率所对应的时刻

随后，对每一个IMF分量的希尔伯特谱H_i(ω,t)在时域上进行积分，即可得到每一个IMF分量的边际谱，其中T表示信号的采样时间

随后，将边际谱的幅值进行平方，即可得到边际谱能量

最后，由下式求出归一化概率，其中，p(i)表示归一化概率。并由香农熵的公式求出边际谱能量熵，其中，n代表IMF的数量

其中，一个振动信号的能量主要集中在前几个IMF中，所以只需要求出振动信号前几个IMF分量的边际谱能量熵，即可描述整个振动信号的特征。

可选地，在步骤四中所述的熵特征，主要是指一种用于描述振动信号分布不确定性和复杂程度的特征。可包括功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵和小波能量熵。

其中，根据熵的不同计算方式可以分为香农熵和指数熵，其中H₁为香农熵，H₂为指数熵

/>

式中，N表示概率总数，p_i表示概率。

其中，功率谱是指一种用来描述振动信号的功率随频率变化的函数。首先，对振动信号序列{x_t,t＝1,2,…,N}进行快速傅里叶变换FFT得到X(ω)，并计算振动信号的功率谱密度

其中t为采样点，ω是为对应频率，N为采样点个数

之后，对功率谱密度进行归一化处理，求出概率密度函数p(ω_i)

最后，将此概率密度函数带入上文的公式，分别求出功率谱香农熵和功率谱指数熵。

其中，奇异谱熵通过对振动信号进行奇异值分解等计算，可以得到振动信号的在时域的局部特征。首先，对振动信号序列{x_t,t＝1,2,…,N}进行加窗处理，加窗处理是指以长度M对振动信号序列x_t进行截断，截断之后信号长度为M，即窗的大小为M，时延参数为1，其中x_t表示振动信号序列，t表示采样点，M为窗的大小，N为振动信号序列x_t包含的采样点数。从而得到振动信号的轨迹矩阵B，该轨迹矩阵将振动信号分割成(N-M+1)×M维

随后，对轨迹矩阵B进行SVD奇异值分解

B＝U×S×V'

式中，U和V’表示奇异值分解的正交阵，S为对角阵，δ_i表示奇异值，矩阵U是(N-M+1)×(N-M+1)的正交阵，矩阵V’是M×M的正交阵，矩阵S由奇异值δ_i构成(N-M+1)×M的对角阵，且在矩阵S中，奇异值是按照从大到小依次排列在矩阵S的主对角线上的，即δ₁≥δ₂≥…≥δ_M；

最后，将奇异值带入下式求出归一化概率

并将该概率依次代入上文的香农熵和指数熵的公式，求出奇异谱香农熵和奇异谱指数熵。

其中，小波能量熵中的小波包是基于时频域的一种特征。首先，对振动信号{x_t,t＝1,2,…,N}进行n层小波包分解，在第n层即可得到2ⁿ个节点。同时，可以得到第n层每个节点的小波包系数W_i，其中i＝1,2,…,2ⁿ。随后，对系数进行平方得到小波包能量

/>

最后，对小波包能量归一化，从而求出归一化概率，并由该归一化概率求出小波包能量熵

可选地，在步骤五中基于支持向量机的递归特征消除算法为一种基于SVM间隔最大化原理的特征选择方法，将支持向量机的权重系数作为评价标准，每一次迭代剔除得分最低的特征，直至特征集变为空集或者得到特定数目的特征数，停止迭代。评分标准如下式，表示为特征i的得分，c表示得分，

表示SVM的权重系数

可选地，在步骤七中的欧式距离，是指m维空间中两个点x(x₁,x₂,..,x_m)和y(y₁,y₂,…,y_m)之间的实际距离，具体计算公式如下

其中，dist(X,Y)表示m维空间中两个点之间的实际距离。

图3示出了应用根据本发明的实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的一个示例性实施例中的特征选择框图。以下参考图3对应用根据本发明的实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的一个示例性实施例进行详细说明。

在应用根据本发明的实施方式的一个示例性实例中，将滚动轴承这种旋转机械的核心部件作为示例，并采用某人为注入故障的滚动轴承的运行数据作为试验数据进行分析，相关参数如表3所示。加速度振动传感器采样频率为12kHz，轴承转速1797r/min。故障直径包括0.007英寸、0.014英寸和0.021英寸。故障类型包括内圈故障、滚动体故障和外圈故障。

表3测试轴承参数

图1示出了根据本发明的一个实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法的流程图。以下参考图1，对根据本发明的一个实施方式提供的一种基于属性编码的零样本旋转机械故障诊断方法进行说明。根据本发明的一个实施方式提供的基于属性编码的零样本滚动轴承故障诊断方法可包括以下步骤。

步骤一：属性描述：归纳滚动轴承的所有潜在故障，并对故障进行拆解分析，判定故障模式、界定故障情境、找出故障原因，总结整理以上故障的相关信息从而构建故障的属性体系，包括故障工况、故障位置和故障程度；

步骤二：属性编码：针对滚动轴承的不同类别的故障进行属性编码，包括已知类别故障和未知类别故障，并采用独热编码对所有类别进行编码，得到0-1码，具体编码如表4所示，每类0-1码包含9个维度；

表4滚动轴承各类别数据0-1码

步骤三：获取数据：通过在旋转机械的不同位置设置传感器，采集旋转机械的振动信号，采样频率为12khz。将每类样本数据的每2048个采样点作为一个样本数据，并将第4类和第7类样本作为未知类别样本，即这两类样本不参与分类器的分类，作为最终的测试集；

步骤四：形成特征：如图2所示，通过域的转换提取各已知类别样本的时域、频域、能量和熵特征，从而形成一个包含4类27种特征的多域特征集，具体特征集如表5所示；

表5已知类别多域特征集

步骤五：特征选择：通过基于支持向量机的递归特征消除算法，将特征子集数目的阈值设置为15。针对每一维度的0-1码进行一次特征选择，即进行9次特征选择算法，最终将形成9个特征子集，0-1码各维度的特征得分排名如表6所示，根据SVM-RFE算法的判别标准，每一维度的每一轮特征选择会剔除掉得分最低的特征，并将剩下的特征进行新一轮的迭代筛除，直至特征集中剩下15个特征，即每一维度的0-1码均有一个对应的特征子集，且每个特征子集含有15个特征。在表6中，数字1代表第一轮筛选得分最低而被剔除的特征，数字12代表第十二轮即最后一轮筛选被剔除的特征，数字13代表最终各维度特征子集所包含的特征。

表6 0-1码各维度特征得分排名

步骤六：分类器训练：选择支持向量机作为分类器，分别将0-1码每一维度所对应的特征子集作为每个支持向量机的输入，如图三所示。并将0-1码的每一维度取代样本标签作为支持向量机的输出进行分类器训练，最终将训练好9个支持向量机，且0-1码的每一维度均对应一个训练好的支持向量机；

步骤七：故障诊断：针对于未知类别的样本数据，按照步骤三和步骤四形成未知类别样本的特征子集，并将此特征子集作为已训练好的分类器的输入，最终得到一串由0-1组成的二进制码输出，并将此输出依次与步骤一当中的各类别的0-1码进行基于欧氏距离的判别，诊断结果如表7所示。表7中也包含另两组实验的结果，随机选择两类样本作为未知故障类别，即未知故障类别为第1类和第6类与未知故障类别为第7类和第8类，故障诊断准确率如表7中所示。

表7故障诊断结果

根据上述方法，现场工作人员可以针对未知类别故障进行诊断，准确获得轴承的故障部位。根据方法给出的诊断结果可选择合适的措施对轴承进行及时的维护或更换，以确保整台设备可以在安全稳定的条件下运行。

本发明提出的一种基于属性编码的零样本旋转机械故障诊断方法，方法整体的计算量小，实时性较强，并能对未参与训练的未知类别样本数据进行故障诊断。该模型不仅适用于案例中滚动轴承的故障诊断，对齿轮箱等旋转机械设备或相关零部件同样适用。本发明具有良好的拓展能力，为本技术领域的其他技术人员提供一定的借鉴作用。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于包括以下步骤：

步骤一：确定故障情境的属性描述，归纳旋转机械的所有潜在的故障，并对该故障进行拆解分析，判定故障模式、找出故障原因、界定故障情境，总结整理以上故障的相关信息从而构建故障的属性体系，该属性体系包括不同故障的特有属性和共有属性，进而确定故障情境的属性描述，为后续属性编码提供了支持；

步骤二：建立故障情境的属性编码，针对旋转机械的不同故障进行属性编码，所述不同故障包括已知类别故障和未知类别故障，并采用独热编码对所有类别故障进行编码，从而得到不同故障的0-1码；

步骤三：获取旋转机械的多源数据，通过在旋转机械的不同位置设置传感器，采集旋转机械的振动信号；

步骤四：形成旋转机械的多域特征集，通过域的转换来提取所采集的旋转机械的振动信号的时域特征、频域特征、能量特征和熵特征，从而形成多域特征集；

步骤五：构建属性编码的特征子集，通过基于支持向量机的递归特征消除算法，针对每一维度的0-1码分别进行一次特征选择，选出可区分性强的特征，剔除了无用特征和冗余特征，最终形成多个特征子集，且每一维度的0-1码均有一个对应的特征子集；

步骤六：分类器训练，分别将每一维度的0-1码所对应的特征子集作为分类器的输入，并将每一维度的0-1码取代样本标签作为分类器的输出进行分类器训练，训练多个分类器，且每一维度的0-1码均对应一个训练好的分类器；

步骤七：零样本故障诊断，针对于未知类别故障的样本数据，按照步骤四针对已知类别故障的各维度0-1码的特征子集的组成形成未知类别故障样本的各维度0-1码的特征子集，并将此特征子集作为已训练好的分类器的输入，最终得到一串由0-1组成的二进制码输出，并将此输出依次与步骤一当中的各类别的0-1码进行基于欧氏距离的判别，最终实现对未知类别样本的故障诊断。

2.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤一中：

所述故障模式包括故障位置、故障程度；

所述故障原因为指造成故障的直接关键性因素；

所述故障情境包括故障位置、故障程度、故障影响、故障工况，即故障模式与故障原因的总和；

所述特有属性为不同故障类别互相有区别的相关属性，共有属性是指所有故障类别均具有的相关属性。

3.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤二中：

所述属性编码是对旋转机械的各属性进行编码，其中具有该属性即在该属性所对应的编码维度设置成1，不具有该属性即在该属性所对应的编码维度设置成0；

独热编码是利用0和1表示旋转机械的属性参数，使用N维二进制码来对旋转机械的N个属性进行编码。

4.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤四中：

所述时域特征为通过时间t来观察振动信号在时域的变化，包括有量纲和无量纲；

有量纲的时域特征包括最大值、平均值、均方根值、绝对平均幅值、方根幅值、峰-峰值和标准差；

无量纲的时域特征包括峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。

5.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤四中：

所述频域特征包括针对振动信号进行快速傅里叶变换，并计算频域特征，所述频域特征包括重心频率CF、平均频率MF、均方根频率RMSF、频率标准差RVF。

6.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤四中所述能量特征是边际谱能量，其获得步骤如下：

首先，对振动信号进行经验模态分解，得到振动信号从高频到低频的本征模函数IMF，之后，对每一个IMF进行希尔伯特变换，从而得到希尔伯特谱，其中，H_i(ω,t)为每个IMF分量的希尔伯特谱，ω代表频率，t表示频率所对应的时刻

接着，对每一个IMF分量的希尔伯特谱H_i(ω,t)在时域上进行积分，即可得到每一个IMF分量的边际谱

随后，将边际谱的幅值进行平方，即可得到边际谱能量

最后，由下式求出归一化概率，其中，p(i)表示归一化概率，并由香农熵的公式求出边际谱能量熵，其中，n代表IMF的数量

7.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤四中所述的熵特征是一种用于描述振动信号分布不确定性和复杂程度的特征，包括功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵和小波能量熵，其获得方式如下：

根据熵的不同计算方式可以分为香农熵和指数熵，其中H₁为香农熵，H₂为指数熵

式中，N表示概率总数，p_i表示概率；

其中，功率谱是用来描述振动信号的功率随频率变化的函数，

首先，对振动信号序列{x_t,t＝1,2,…,N}进行快速傅里叶变换FFT求出X(ω)，并计算振动信号的功率谱密度

其中t为采样点，ω是为对应频率，N为采样点个数

之后，对功率谱密度进行归一化处理，求出概率密度函数p(ω_i)

然后，将此概率密度函数p(ω_i)带入以上的香农熵和指数熵公式，分别求出功率谱香农熵和功率谱指数熵；

奇异谱熵通过对振动信号进行奇异值分解等计算，可以得到振动信号的在时域的局部特征，

首先，对振动信号序列{x_t,t＝1,2,…,N}进行加窗处理，加窗处理是指以长度M对振动信号序列x_t进行截断，截断之后信号长度为M，即窗的大小为M，时延参数为1，其中x_t表示振动信号序列，t表示采样点，M为窗的大小，N为振动信号序列x_t包含的采样点数，得到振动信号的轨迹矩阵B，该轨迹矩阵将振动信号分割成(N-M+1)×M维

随后，对轨迹矩阵B进行SVD奇异值分解

B＝U×S×V'

式中，U和V’表示奇异值分解的正交阵，S为对角阵，δ_i表示奇异值，矩阵U是(N-M+1)×(N-M+1)的正交阵，矩阵V’是M×M的正交阵，矩阵S由奇异值δ_i构成(N-M+1)×M的对角阵，且在矩阵S中，奇异值是按照从大到小依次排列在矩阵S的主对角线上的，即δ₁≥δ₂≥…≥δ_M，

然后，将奇异值带入下式求出归一化概率

并将该概率依次代入上文的香农熵和指数熵的公式，求出奇异谱香农熵和奇异谱指数熵；

小波能量熵中的小波包是基于时频域的一种特征，

首先，对振动信号{x_t,t＝1,2,…,N}进行n层小波包分解，在第n层即可得到2ⁿ个节点，同时得到第n层每个节点的小波包系数W_i，其中i＝1,2,…,2ⁿ，

随后，对系数进行平方得到小波包能量

然后，对小波包能量归一化，从而求出归一化概率，并由该归一化概率求出小波包能量熵

8.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤五中的基于支持向量机的递归特征消除算法为基于SVM间隔最大化原理的特征选择方法，步骤如下：

将支持向量机的权重系数作为评价标准，每一次迭代剔除得分最低的特征，直至特征集变为空集或者得到特定数目的特征数，停止迭代，评分标准如下式，表示特征i的得分，c表示得分，

表示SVM的权重系数

9.如权利要求1所述的一种基于属性编码的零样本旋转机械故障诊断方法，其特征在于在步骤七中的欧式距离是m维空间中两个点x(x₁,x₂,..,x_m)和y(y₁,y₂,…,y_m)之间的实际距离，计算公式如下

其中，dist(X,Y)表示m维空间中两个点之间的实际距离。

Images