CN116026588A - 一种基于集成学习的轴承故障诊断与预警方法 - Google Patents

Abstract

本发明涉及轴承故障诊断技术领域，具体公开了一种基于集成学习的轴承故障诊断与预警方法，包括：1)、采集轴承振动信号，以形成原始音频样本；2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。该发明提供的基于集成学习的轴承故障诊断与预警方法，采用了将频谱特征与传统机器学习、深度学习、故障检测领域流行的基础模型进行集成学习的方法，提高了检测的准确率和稳定性。

Description

一种基于集成学习的轴承故障诊断与预警方法

技术领域

本发明涉及轴承故障诊断技术领域，具体涉及一种基于集成学习的轴承故障诊断与预警方法。

背景技术

工业设备的健康运行在工业生产过程中具有重要意义。如果机械设备出现故障，可能导致停产，不仅影响企业的经济效益，还可能危害人的生命安全，造成灾难性后果。大型(如汽轮机、压缩机和风机)是石油、化工、冶金和机械制造企业的关键生产设备，此类设备对安全性和可靠性的要求很高。为了保证机械设备的可靠安全运行，必须对机械设备的状态进行实时监测和诊断。

随着人工智能的快速发展，传统的机器学习方法如决策树(DT)、神经网络(NN)、支持向量机(SVM)等广泛应用于工业故障诊断，同时以卷积神经网络(CNN)、深度神经网络和深度信念网络为代表的深度学习方法在工业故障诊断中得到了广泛的应用。这些方法虽然取得了很好的效果，但仍然存在一些缺陷。传统方法的性能在很大程度上局限于监测数据的特征提取。传统的机器学习模型只利用时域或频域特征进行训练，这可能会降低模型的性能。训练深度模型通常需要大量的监测数据，这与采集到的少量监测数据严重冲突，从而降低了泛化性能。因此，单一的传统机器学习模型或深度模型往往不能很好地识别此类复杂的工业故障。也就是说，来自单一模型的诊断结果往往是不可靠和不稳定的。

发明内容

本发明的目的是提供一种基于集成学习的轴承故障诊断与预警方法，通过提取故障梅尔频谱特征，设计一种集成方法，基础模型依据故障频谱特征进行诊断，依据综合评价法TOPSIS融合了单一的模型诊断结构，建立集成故障诊断模型，最终提高了模型的稳定性和可靠性，对于解决轴承振动数据的轴承设备故障检测具有较好的效果。

为了实现上述目的，本发明提供如下技术方案：一种轴承故障诊断与预警方法，包括：

1)、采集轴承振动信号，以形成原始音频样本；

2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；

3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；

4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。

作为优选的，所述步骤2中将对原始音频样本的处理包括以下两个步骤：

S001、进行加窗操作：

0＜n＜N-1.；

其中：N为帧长，α为窗口参数，α初始值预设为0.47；

S002、获取变量信号：

S′(n)＝S(n)*W(n)；0＜n＜N-1；

其中：W(n)为窗函数，S(n)为初始的音频信号。

作为优选的，基于获取的所述变量信号进行处理，进行短时傅立叶变换操作，得到每帧Xn(k)的频谱，并进行频谱平方运算，获取能量频谱，具体公式如下：

其中：k为常数；“N”是变换点的数量。

作为优选的，基于梅尔滤波器组对所述频谱进行滤波，处理公式如下：

其中，f(m)是中心频率，其中m＝1，2，…，m和m是几个梅尔滤波器；k是常数。

作为优选的，所述梅尔频谱图的生成通过以下处理方式进行：

S003、从MEL滤波器中提取的输出被馈入到能谱中得到梅尔谱，具体公式如下：

其中，|X_n(k)|²是光谱能量；

S004、基于数梅尔尺度特征对手术梅尔谱进行对数运算，并最终生成n*q的梅尔频谱图。

一种集成学习故障检测模型构建与训练方法，包括上述方案中所述的轴承故障诊断与预警方法，还包括以下步骤：

A、从频谱提取模块采集到的帧列表按照6∶2∶2的比例分为训练集、验证集与测试集，而验证集用于产生每个基本模型的可变权重；

B、利用Bootstrap重采样技术，对训练集进行重采样，生成n个训练集，通过对不同训练集的学习，构建了n个不同的基础模型；

C、在验证集上对每个基模型的性能进行测试，得到n个样本上的测试错误率表，将n个基模型的测试错误率结合构造误差矩阵；

D、对于每个基模型，使用误差矩阵确定可变权重w，构造权重列表，对不同的基模型进行集成，以获取结合频谱特征。

作为优选的，所述基础模型在不同的训练集上进行训练，每个基本模型为测试集输出一个预测的故障标签集，对比真实故障标签集可以用KW方差评估基础模型之间的多样性，公式如下：

其中，z_j(j＝1，2，…，N)表示N个样本中的第j个样本，l(z_j))表示能够正确识别样本z_j的基础模型的数量，L表示基础模型的总数，KW用于评估基模型的多样性。

作为优选的，所述步骤A中利用测试集测试分别测试基础模型的性能，得到所有基础模型的测试错误率{e_1j，e_2j，...，e_mj}，构建误差矩阵e，使用误差矩阵计算出每个基础模型的权重矩阵W，具体公式如下：

其中，w_ij表述e_ij样本上基础模型的权重，构建多个基础模型的权重矩阵，若所述基础模型能够更高概率的识别某一类故障样本，则对该类的预测结果赋予较大的权重。

作为优选的，所述步骤A中的所述基础模型基于已知的权重来进行综合评价TOPSIS，包括以下几个步骤：

a、组合多个决策矩阵：

b、归一化决策矩阵：

c、构造加权决策矩阵：

y_ij＝w_j·z_ij；

d、确定理想解和负理想解，并分别计算正理想解和负理想解的分离测度

f、计算备选方案AI的相对贴近度Qi

g、按照Qi值的降序对备选方案集进行排序，并最终将多个基础模型的权重和Qi值相结合，构造集成模型，具体公式如下：

作为优选的，所述基础模型中已知的权重，指机器学习深度学习方法SVM支持向量机、MLP多层感知机以及经典的轴承故障检测模型WDCNN中的权重数据。

在上述技术方案中，本发明提供的一种基于集成学习的轴承故障诊断与预警方法，具备以下有益效果：检测工业设备运行过程中存在的故障情况，对实时音频数据进行频谱分析，及时发现设备故障等问题，保障设备健康安全运行。

且方案中结合频谱特征，利用集成学习的思想，提出融合诊断方法，改进了复杂场景下单个故障诊断方法的局限性，提高了检测的准确率和稳定性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的频谱特征提取模流程图；

图2为本发明实施例提供的集成学习的轴承故障检测整体架构图；

图3为本发明实施例提供的轴承波形图；

图4为本发明实施例提供的球故障下的轴承波形图；

图5为本发明实施例提供的内圈故障下的轴承波形图；

图6为本发明实施例提供的外圈故障下的轴承波形图。

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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1、图3、图4、图5以及图6所示，一种轴承故障诊断与预警方法，包括：

1)、采集轴承振动信号，以形成原始音频样本；

2)、基于傅里叶变换将原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；

3)、基于获取的梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；

4)、将步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。

具体的，上述实施例汇中步骤2中将对原始音频样本的处理包括以下两个步骤：

S001、进行加窗操作：

0＜n＜N-1.；

其中：N为帧长，α为窗口参数，α初始值预设为0.47；

S002、获取变量信号：

S′(n)＝S(n)*W(n)；0＜n＜N-1；

其中：W(n)为窗函数，S(n)为初始的音频信号。

再者，基于获取的变量信号进行处理，进行短时傅立叶变换操作，得到每帧Xn(k)的频谱，并进行频谱平方运算，获取能量频谱，具体公式如下：

其中：k为常数；“N”是变换点的数量。

进一步的，上述方案中基于梅尔滤波器组对频谱进行滤波，处理公式如下：

其中，f(m)是中心频率，其中m＝1,2,…，m和m是几个梅尔滤波器；k是常数。

更为进一步的，上述方案中，梅尔频谱图的生成通过以下处理方式进行：

S003、从MEL滤波器中提取的输出被馈入到能谱中得到梅尔谱，具体公式如下：

其中，|X_n(k)|²是光谱能量；

S004、基于数梅尔尺度特征对手术梅尔谱进行对数运算，并最终生成n*q的梅尔频谱图。

上述实施例中，检测工业设备运行过程中存在的故障情况，对实时音频数据进行频谱分析，及时发现设备故障等问题，保障设备健康安全运行。

实施例2

如图2所示，一种集成学习故障检测模型构建与训练方法，包括上述实施例1的轴承故障诊断与预警方法，还包括以下步骤：

A、从频谱提取模块采集到的帧列表按照6：2：2的比例分为训练集、验证集与测试集，而验证集用于产生每个基本模型的可变权重；

B、利用Bootstrap重采样技术，对训练集进行重采样，生成n个训练集，通过对不同训练集的学习，构建了n个不同的基础模型；

C、在验证集上对每个基模型的性能进行测试，得到n个样本上的测试错误率表，将n个基模型的测试错误率结合构造误差矩阵；

D、对于每个基模型，使用误差矩阵确定可变权重w，构造权重列表，对不同的基模型进行集成，以获取结合频谱特征。

具体的，上述实施例中基础模型在不同的训练集上进行训练，每个基本模型为测试集输出一个预测的故障标签集，对比真实故障标签集可以用KW方差评估基础模型之间的多样性，公式如下：

其中，z_j(j＝1，2，…，N)表示N个样本中的第j个样本，i(z_j))表示能够正确识别样本z_j的基础模型的数量，L表示基础模型的总数，KW用于评估基模型的多样性。

进一步的，步骤A中利用测试集测试分别测试基础模型的性能，得到所有基础模型的测试错误率{e_1j，e_2j，...，e_mj}，构建误差矩阵e，使用误差矩阵计算出每个基础模型的权重矩阵W，具体公式如下：

其中，w_ij表述e_ij样本上基础模型的权重，构建多个基础模型的权重矩阵，若基础模型能够更高概率的识别某一类故障样本，则对该类的预测结果赋予较大的权重。

更为进一步的，基础模型基于已知的权重来进行综合评价TOPSIS，包括以下几个步骤：

a、组合多个决策矩阵：

b、归一化决策矩阵：

c、构造加权决策矩阵：

y_ij＝w_j·z_ij；

d、确定理想解和负理想解，并分别计算正理想解和负理想解的分离测度

f、计算备选方案AI的相对贴近度Qi

g、按照Qi值的降序对备选方案集进行排序，并最终将多个基础模型的权重和Qi值相结合，构造集成模型，具体公式如下：

再者，基础模型中已知的权重，指机器学习深度学习方法SVM支持向量机、MLP多层感知机以及经典的轴承故障检测模型WDCNN中的权重数据。

上述技术方案中，基于实施例1中获取的频谱特征，利用集成学习的思想，提出融合诊断方法，改进了复杂场景下单个故障诊断方法的局限性，提高了检测的准确率和稳定性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；

其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。

在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种轴承故障诊断与预警方法，其特征在于，包括：

1)、采集轴承振动信号，以形成原始音频样本；

2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；

3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；

4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。

2.根据权利要求1所述的一种轴承故障诊断与预警方法，其特征在于，所述步骤2中将对原始音频样本的处理包括以下两个步骤：

S001、进行加窗操作：

其中：N为帧长，α为窗口参数，α初始值预设为0.47；

S002、获取变量信号：

S'(n)＝S(n)*W(n)；0＜n＜N-1；

其中：W(n)为窗函数，S(n)为初始的音频信号。

3.根据权利要求2所述的一种轴承故障诊断与预警方法，其特征在于，基于获取的所述变量信号进行处理，进行短时傅立叶变换操作，得到每帧Xn(k)的频谱，并进行频谱平方运算，获取能量频谱，具体公式如下：

其中：k为常数；“N”是变换点的数量。

4.根据权利要求3所述的一种轴承故障诊断与预警方法，其特征在于，基于梅尔滤波器组对所述频谱进行滤波，处理公式如下：

其中，f(m)是中心频率，其中m＝1,2,…，m和m是几个梅尔滤波器；k是常数。

5.根据权利要求1所述的一种轴承故障诊断与预警方法，其特征在于，所述梅尔频谱图的生成通过以下处理方式进行：

S003、从MEL滤波器中提取的输出被馈入到能谱中得到梅尔谱，具体公式如下：

其中，|X_n(k)|²是光谱能量；

S004、基于数梅尔尺度特征对手术梅尔谱进行对数运算，并最终生成n*q的梅尔频谱图。

6.一种集成学习故障检测模型构建与训练方法，其特征在于，包括上述权利要求1-5任一项所述的轴承故障诊断与预警方法，还包括以下步骤：

A、从频谱提取模块采集到的帧列表按照6：2：2的比例分为训练集、验证集与测试集，而验证集用于产生每个基本模型的可变权重；

B、利用Bootstrap重采样技术，对训练集进行重采样，生成n个训练集，通过对不同训练集的学习，构建了n个不同的基础模型；

C、在验证集上对每个基模型的性能进行测试，得到n个样本上的测试错误率表，将n个基模型的测试错误率结合构造误差矩阵；

D、对于每个基模型，使用误差矩阵确定可变权重w，构造权重列表，对不同的基模型进行集成，以获取结合频谱特征。

7.根据权利要求6所述的一种集成学习故障检测模型构建与训练方法，其特征在于，所述基础模型在不同的训练集上进行训练，每个基本模型为测试集输出一个预测的故障标签集，对比真实故障标签集可以用KW方差评估基础模型之间的多样性，公式如下：

其中，z_j(_j＝1,2,…,N)表示N个样本中的第j个样本，l(z_j))表示能够正确识别样本z_j的基础模型的数量，L表示基础模型的总数，KW用于评估基模型的多样性。

8.根据权利要求6所述的一种集成学习故障检测模型构建与训练方法，其特征在于，所述步骤A中利用测试集测试分别测试基础模型的性能，得到所有基础模型的测试错误率{e_1j，e_2j，...，e_mj}，构建误差矩阵e，使用误差矩阵计算出每个基础模型的权重矩阵W，具体公式如下：

其中，wi_j表述ei_j样本上基础模型的权重，构建多个基础模型的权重矩阵，若所述基础模型能够更高概率的识别某一类故障样本，则对该类的预测结果赋予较大的权重。

9.根据权利要求6所述的一种集成学习故障检测模型构建与训练方法，其特征在于，所述步骤A中的所述基础模型基于已知的权重来进行综合评价TOPSIS，包括以下几个步骤：

a、组合多个决策矩阵：

b、归一化决策矩阵：

c、构造加权决策矩阵：

y_ij＝w_j·z_ij；

d、确定理想解和负理想解，并分别计算正理想解和负理想解的分离测度

f、计算备选方案AI的相对贴近度Qi

g、按照Qi值的降序对备选方案集进行排序，并最终将多个基础模型的权重和Qi值相结合，构造集成模型，具体公式如下：

10.根据权利要求9所述的一种集成学习故障检测模型构建与训练方法，其特征在于，所述基础模型中已知的权重，指机器学习深度学习方法SVM支持向量机、MLP多层感知机以及经典的轴承故障检测模型WDCNN中的权重数据。

Images