CN116429426A - 一种多域特征融合的轴承故障诊断方法、装置及介质 - Google Patents
一种多域特征融合的轴承故障诊断方法、装置及介质 Download PDFInfo
- Publication number
- CN116429426A CN116429426A CN202310270873.3A CN202310270873A CN116429426A CN 116429426 A CN116429426 A CN 116429426A CN 202310270873 A CN202310270873 A CN 202310270873A CN 116429426 A CN116429426 A CN 116429426A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- frequency domain
- time
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000003111 delayed effect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 25
- 210000002569 neuron Anatomy 0.000 description 13
- 238000011176 pooling Methods 0.000 description 13
- 238000013145 classification model Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种多域特征融合轴承故障诊断方法、装置及介质,其中方法包括:获取轴承的振动信号;根据所述振动信号提取时域特征、频域特征和时频域特征;采用主成分分析方法对所述时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征;将所述融合特征预设的卷积神经网络中,进行轴承状态分类识别。本发明采用主成分分析方法将时域特征、频域特征和时频域特征三种特征进行融合,在通过卷积神经网络进行分类识别,能够极大地提供故障诊断准确率。本发明可广泛应用于轴承故障诊断技术领域。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及一种多域特征融合轴承故障诊断方法、装置及介质。
背景技术
随着科学技术的发展,机械结构日益复杂化且耦合程度增加,一旦某个零件发生故障将有可能导致整个系统瘫痪甚至导致重大事故的发生。旋转机械轴承作为机械设备中最为常见且故障发生率最高的零件之一,其故障诊断一直是重要的研究课题与方向。
轴承的故障诊断本质是模式识别问题,主要分为信号采集、特征提取与选择、分类识别。在信号采集方面,振动分析方法是当前分析轴承问题最多且最为有效的方法之一,当滚动轴承发生故障时,零件工作面与故障区域会发生碰撞,轴承的振动信号将会发生变化。研究发现提取轴承的振动信号用于分析轴承故障可取得较好的诊断效果。在特征提取方面,通过时域、频域和时频域等振动特征可以分析轴承的运行状态并进行诊断与定位。通过提取轴承时域特征与支持向量机结合实现了对轴承的寿命预测。而对传统时域无量纲特征改进后新无量纲特征也能取得了较好的诊断效果。通过经验模态分解(Empirical ModeDecomposition,EMD)方法提取轴承时频特征,可以消除信号噪声对轴承实现了更加精确的诊断。但是通过单域特征进行分类具有一定的局限性,通过对多域特征选择与融合可以将各特征优势互补、减少干扰数据并且增加分类模型的鲁棒性与诊断准确度。总的来说,现有的技术方案存在以下问题:(1)在轴承的故障诊断研究中,基本只提取了单域特征,但单域特征往往很难对运行在复杂环境下的旋转机械轴承非线性故障进行区分。(2)现有的特征提取过程中,各特征之间存在冗余,大数量的特征会使分类模型变得复杂,增加模型分类时间。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种多域特征融合轴承故障诊断方法、装置及介质。
本发明所采用的技术方案是:
一种多域特征融合轴承故障诊断方法,包括以下步骤:
获取轴承的振动信号;
根据所述振动信号提取时域特征、频域特征和时频域特征;
采用主成分分析方法对所述时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征;
将所述融合特征预设的卷积神经网络中,进行轴承状态分类识别;
其中,所述时频域特征通过以下方式提取获得:
通过EMD方法对振动信号x(t)进行EMD分解,分解成多个IMF分量:
通过希尔伯特变换计算每个IMF分量的瞬时频率,获取每个IMF分量得平均频率作为时频域特征。
进一步地,所述时域特征包括5种无量纲特征:波形特征、峰值特征、脉冲特征、峭度特征和裕度特征;
所述时域特征通过以下方式提取获得:
对振动信号z(t)做快速傅里叶变换得到信号z(k);
对无故障频域信号s(k)取共轭得到信号s(k)*,将信号z(k)与信号s(k)*相乘得到信号h(k);
对信号h(k)做快速傅里叶逆变换得到信号z(k)与信号s(k)*的相关函数n(t);
根据相关函数n(t)计算延迟时间τ;
根据延迟时间τ,计算振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数c;
根据相关系数c获取混合振动信号y(t)=z(t)-cs(t-τ),根据混合振动信号y(t)和无故障信号s(t)计算5种无量纲特征。
进一步地,所述振动信号z(t)的表达式为:
z(t)=y(t)+cs(t-τ)
其中y(t)为混合振动信号,包括故障信号与噪声信号;s(t)为无故障信号,τ为延迟时间,c为振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数;
所述无故障频域信号s(k)通过以下方式获得:
在机械设备的运行初期,通过振动传感器采集设备的振动信号,定义为无故障信号s(t),对无故障信号s(t)归一化处理并经过快速傅里叶变换得到无故障频域信号s(k)。
进一步地,所述频域特征包括:均值频率、重心频率、均方根频率、标准差频率;
通过以下方式获取频域特征:
对振动信号的幅值谱进行分析提取频域特征,幅值谱定义为:
均值频率的表达式为:
重心频率的表达式为:
均方根频率的表达式为:
标准差频率的表达式为:
其中,K表示频域上的x坐标,每个k值为一种赫兹,N表示每个周期采样点数。
进一步地,所述通过EMD方法对振动信号x(t)进行EMD分解,分解成多个IMF分量,包括:
A1、确定振动信号x(t)的局部极值点,判断极值点是否大于或等于2个,若是,继续执行步骤A2;反之,判定振动信号x(t)无法进行分解,并结束EMD分解步骤;
A2、通过信号序列的极大极小值数据,以及插值法求得上下包络线,获取两条包络线的均值为m1;
A3、计算振动信号x(t)与均值m1的差值h1,并判断差值h1是否符合IMF分量的判定条件,若差值h1不满足判定条件,根据差值h1更新振动信号x(t),并返回执行步骤A1;若满足判定条件,则将差值h1作为第一个IMF分量;其中判定条件为:①在整个数据长度范围内,极值点和过零点的个数必须相同或者相差一个;②在任意数据点,数据点上下包络线的平均值为0;
A4、获取振动信号x(t)与差值h1的差值,并返回执行步骤A2-A3求取新的IMF分量,直到新的函数极值点少于2个则分解结束,最终所有的IMF分量记为ci(t),(i=1,2,…,k)。
进一步地,所述通过希尔伯特变换计算每个IMF分量的瞬时频率,获取每个IMF分量得平均频率作为时频域特征,包括:
由于每个IMF分量是对称且局部均值为0,满足瞬时频率计算对信号数据的约束条件,采用Hilbert变换求解每个IMF分量在时间域上的瞬时频率;
对每个IMF分量ci(t)做Hilbert变换,得:
P为柯西主值,ci(t)与Hi(t)组成一个解析信号Zi(t):
则瞬时频率为:
均值频率为:
获取IMF分量的平均频率作为时频域特征;
其中,K表示IMF分量的数据长度。
进一步地,所述采用主成分分析方法对所述时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征,包括:
提取的时域特征、频域特征和时频域特征对应的向量矩阵分别表示为:
X1=[a1,a2,a3,…,an]
X2=[b1,b2,b3,…,bn]
X3=[c1,c2,c3,…,cn]
将向量矩阵X1,X2,X3以并联相加的方式融合成融合特征X:
X=X1+X2+X3=[a1+b1+c1,a2+b2+c2,…,an+bn+cn]=[x1,x1,x1,…,xn]。
进一步地,所述获得融合特征这一步骤,还包括对融合特征进行降维的步骤:
对融合特征X进行平均化处理;
根据平均化处理后的数据计算协方差矩阵A:
计算协方差矩阵A的特征值与特征向量;
依据方差贡献率将特征值从大到小排序,选择其中占比95%以上的m个特征值,将对应的特征向量作为行向量组成新的特征向量矩阵P;
将数据转换到m个特征向量构建的新空间Y=PX。
本发明所采用的另一技术方案是:
一种多域特征融合轴承故障诊断装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明采用主成分分析方法将时域特征、频域特征和时频域特征三种特征进行融合,在通过卷积神经网络进行分类识别,能够极大地提供故障诊断准确率。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中卷积神经网络分类过程的示意图;
图2是本发明实施例中诊断流程示意图;
图3是本发明实施例中时域特征提取的流程图;
图4是本发明实施例中卷积神经网络诊断分类流程图;
图5是本发明实施例中化大机组实验平台的示意图;
图6是本发明实施例中原始数据分布示意图;
图7是本发明实施例中时域特征数据分布示意图;
图8是本发明实施例中频域特征数据分布示意图;
图9是本发明实施例中IMF分量及其hilbert变换图;
图10是本发明实施例中时频域特征数据分布示意图;
图11是本发明实施例中卷积神经网络诊断结果示意图;
图12是本发明实施例中一种多域特征融合轴承故障诊断方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
针对单域特征不能很好描述故障状态的局限性,本实施例通过提取轴承时域、频域和时频域三域振动特征进行融合,将各域特征优势互补来增强模型的鲁棒性与分类准确性。而针对多域特征融合后的冗余性,使用主成分分析方法(Principal ComponentAnalysis,PCA)对融合特征进行降维,来降低模型的复杂性。最后结合卷积神经网络模型在轴承分类上的良好诊断性能实现对轴承故障的精确快速诊断。
如图12所示,本实施例提供一种多域特征融合轴承故障诊断方法,包括以下步骤:
S1、获取轴承的振动信号;
S2、根据振动信号提取时域特征、频域特征和时频域特征;
S3、采用主成分分析方法对时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征;
S4、将融合特征预设的卷积神经网络中,进行轴承状态分类识别。
以下结合附图对本实施例方法进行详细解释说明。
1轴承故障诊断相关知识
1.1特征提取
1.1.1时域特征提取
当轴承部件发生故障时,其时域信号往往会随之变化,时域特征提取是对原始信号幅值域的数学统计方法,此方法直观简单且便于计算。本实施例在传统无量纲特征的基础上,提取时域全新无量纲特征指标。首先通过信号分离的思想将故障信号分离为故障信号、无故障信号与噪声信号,然后进一步构造出全新的无量纲特征指标。
观测到的振动信号的数学模型z(t)可以定义为:
z(t)=y(t)+cs(t-τ) (1)
其中y(t)为故障信号与噪声信号的叠加,s(t)为无故障信号,τ为延迟时间,c为振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数,全新的无量纲特征指标γys定义为:
其中五个主要的新无量纲特征如表1所示。
表1 五个新无量纲特征
1.1.2频域特征提取
当轴承发生故障时,往往会引起信号频域信息发生变化。而通过傅里叶变换的方法将时域信号变化到频域,再通过统计频域信息能抓住这个变化趋势。主要频域分析方法有功率谱分析、倒频谱分析与包络谱分析等。本实施例对信号的幅值谱进行分析提取频域特征,幅值谱定义为:
频域特征指标主要有以下4个:
(1)均值频率:
(2)重心频率
(3)均方根频率
(4)标准差频率
其中,X(k)表示信号x(n)的幅值谱第k条谱线的幅值,fk表示功率谱第k条谱线的频率值。
1.1.3时频域特征提取
频域分析方法虽然对平稳信号的分析效果较好,但由于其是整个时间域上的积分,不能体现局部时间内信号的频域特性。而EMD方法能够克服频域分析的缺点,将非平稳、非线性的时间信号分解成一系列频率从高到低的线性稳态内蕴模态函数(Intrinsic ModeFunction,IMF),且每个IMF分量的频率成分是随信号的变化而变化的。本实施例通过EMD方法提取能量比最高的主要分量,然后通过希尔伯特变换求出每个IMF分量的瞬时频率,取每个IMF分量的平均频率作为轴承时频特征。
1.2PCA特征融合
本实施例提出一种PCA的特征融合方法用于融合三域特征并实现降维处理,PCA是一种基于多元统计技术的特征选择方法,通过统计特征的多维正交线性变换将特征数据集从原始空间降维到主成分空间,对原始空间中具有一定相关性的特征进行重新组合,形成一组彼此互不相关的全新特征指标。
首先通过相加的方式将三域特征映射到共享子空间中,融合后特征向量矩阵表示为Xn=[xn1,xn2,xn3,…,xnl]T,n表示样本总数,l表示融合特征个数。根据PCA方法利用方差贡献率取前m个主成分对特征向量矩阵实现降维,降维后Xn=[xn1,xn2,xn3,…,xnm]T,处理后样本特征维数降低,能有效降低数据分析难度和诊断模型的复杂度。
1.3卷积神经网络
作为一个近年来越来越受到研究者欢迎的崭新领域,神经网络在目标检测、自然语言处理和机器视觉等方面都取得了很好的应用效果。而CNN则是其中一种较为经典且得到广泛应用的结构之一,卷积神经网络通过局部连接、权值共享和最大池化等策略能有效降低了神经网络的模型复杂度,使模型具有更好的鲁棒性和容错能力。卷积神经网络的模型结构主要有输入层、特征提取层、全连接层以及输出层。其分类过程如图1所示。
1.3.1特征提取层
特征提取层又分为卷积层和池化层,卷积层与池化层一般会有多个,一般通过一个卷积层连接一个池化层的方式设置模型。
(1)卷积层
卷积层是卷积神经网络的核心,主要作用是对输入层的数据进行特征提取。卷积层有多个特征面,每一个特征面含有多个神经元,每个神经元与输入特征面局部连接,通过卷积核的计算将局部加权结果传递给激活函数即可获得每个神经元的输出值。由于同个输入特征面与输出特征面卷积核是相同的,则实现了权值共享,能大大减小模型复杂度。假设输入特征面神经元为xi,j,卷积核为wi,j,i和j表示第i行第j列,偏置为b,则输出特征面对应神经元y可表示为:
卷积是一种线性、平移不变的运算,而真正的特征数据往往是非线性的,故需引入激活函数来实现非线性构造。常见的激活函数有tanh函数、sigmod函数和relu函数等。假设激活函数为f(y),则每个神经元通过激活函数的输出h可以表示为:
h=f(y) (9)
(2)池化层
池化层主要用于对卷积层特征进行压缩来减小模型复杂度。最常使用的池化方式有平均池化和最大池化。池化层也需定义一个类似卷积核一样的滑动窗口来提取重要特征,但窗口本身并没有任何权值参数。池化层的输出特征面每个神经元与卷积层的输出特征面进行局部连接,使用池化窗口计算进行输出。
1.3.2全连接层与输出层
全连接层将经过特征提取层提取的特征扁平化处理展开成特征向量,全连接层可以有多个,每个全连接层的神经元与前一层所有神经元全连接,通过激活函数进行输出。假设x为上层全连接层特征面,w为权值参数,b为偏置,下层全连接层的单个神经元输出y可以表示为:
y=w·x+b (10)
最后的全连接层输出值传递给输出层,输出层使用分类函数进行分类。一般使用softmax函数进行分类,它能将全连接层网络输出的最后一层神经元的每一个数值映射到0~1的一个实数空间,并且使得所有神经元的数值加起来为1,假设yi表示输出层第i个神经元的值,n为类别的个数,则:
2故障诊断流程
本实施例基于主成分分析的多域特征融合轴承故障诊断方法诊断过程主要分为3部分:特征提取部分、特征融合与选择部分、卷积神经网络诊断分类部分,诊断流程如图2所示。
2.1特征提取部分
通过传感器采集机组的振动信号,分别提取的时域、频域与时频域特征数据。
2.1.1时域特征提取
提取五个新无量纲波形、峰值、脉冲、峭度、裕度特征,如图3所示,具体提取流程包括:
(1)在机械设备的运行初期,通过振动传感器采集设备的振动信号,定义为无故障信号s(t),对s(t)归一化并经过快速傅里叶变换得到无故障频域信号s(k)。
(2)采集机械设备实时振动时域信号z(t),对z(t)做快速傅里叶变换得到z(k)。
(3)对无故障频域信号s(k)取共轭得到s(k)*,将z(k)与s(k)*相乘得到h(k),对h(k)做快速傅里叶逆变换得到z(k)与s(k)*的相关函数n(t)。n(t)模|n(t)|的最大值所对应的时间点为实时振动信号z(t)与无故障信号s(t)的延迟时间τ,τ=argmax|n(t)|。
(4)计算实时振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数c,c=E[z(t)s(t-τ)]。
(5)则混合振动信号y(t)=z(t)-cs(t-τ)。
(6)根据表1求得5个新无量纲特征。
2.1.2频域特征提取
首先通过公式3求得振动信号的幅值谱X(k),然后通过公式(4)-(7)分别提取信号的均值频率、重心频率、均方根频率、标准差频率四个频域特征。
2.1.3时频域特征提取
通过EMD方法提取信号中能量占比最高的主要分量,然后通过希尔伯特变换求出每个IMF分量的瞬时频率,取每个IMF分量得平均频率作为时频特征,具体步骤如下:
步骤1:对信号x(t)进行EMD分解,分解成多个IMF分量:
(1)确定信号x(t)的局部极值点,判断极值点是否大于2个,是则继续,否则结束判断x(t)无法进行分解。
(2)通过信号序列的极大极小值数据,通过插值法求得上下包络线,取两条包络线的均值为m1。
(3)求信号x(t)与m1的差值h1,并判断h1是否符合IMF分量的判定条件。判定条件为:①在整个数据长度范围内,极值点和过零点的个数必须相同或者相差一个。②在任意数据点,其上下包络线的平均值为0。若h1不满足判定条件,则将h1作为原始数据,重复(1)、(2)继续判定。若满足判定条件则将h1作为第一个IMF分量。
(4)取x(t)与h1的差值作为新的数据重复(2)、(3)求新的IMF分量,直到新的函数极值点少于2个则分解结束,最终所有的IMF分量记为ci(t),(i=1,2,…,k)。
步骤2:对主IMF分量运用希尔伯特变换求时频谱图:
由于每个IMF分量是对称且局部均值为0,满足瞬时频率计算对信号数据的约束条件,可以使用Hilbert变换求解每个IMF分量在时间域上的瞬时频率。
对每个IMF分量ci(t)做Hilbert变换,得
P为柯西主值,ci(t)与Hi(t)组成一个解析信号Zi(t):
则瞬时频率为:
均值频率为:
取m个主IMF分量的均值频率作为时频特征。
2.2特征融合与选择部分
对特征提取部分的三域特征进行融合与选择,假设样本总数为n,则提取的时域、频域、时频域特征向量矩阵可以表示为:X1=[a1,a2,a3,…,an],X2=[b1,b2,b3,…,bn],X3=[c1,c2,c3,…,cn]将X1,X2,X3以并联相加的方式融合成新的特征X,X=X1+X2+X3=[a1+b1+c1,a2+b2+c2,…,an+bn+cn]=[x1,x1,x1,…,xn]。使用PCA主成分分析方法对融合特征X降维到m维,具体步骤如下:
(1)将数据X平均化,即所有样本特征减去其均值。
(3)计算矩阵A的特征值与特征向量。
(4)依据方差贡献率将特征值从大到小排序,选择其中占比95%以上的m个特征值,将对应的特征向量作为行向量组成新的特征向量矩阵P。
(5)将数据转换到m个特征向量构建的新空间Y=PX。
2.3卷积神经网络诊断分类部分
将通过特征融合与选择后的轴承特征数据使用卷积神经网络分类模型进行诊断分类,如图4所示,具体步骤如下:
(1)将n个m维特征数据样本分为训练集与测试集。
(2)搭建合适的卷积神经网络模型:
1)选择合适的卷积层、池化层数量与连接方式。
2)初始化卷积神经网络参数,如卷积核、迭代次数、激活函数、损失函数与优化函数等。
(3)以批量方式将训练集输出到卷积神经网络输入端,通过前向传播从输出端获得样本诊断类别并计算损失函数。
(4)使用误差反向传播算法与优化函数对神经网络模型权值参数进行更新。
(5)重复(3)(4)直到满足准确度或者达到迭代次数则完成模型训练。
(6)将测试集数据输入到训练好的模型中测试模型诊断效果。
3轴承故障诊断实验分析
为验证基于主成分分析的多域特征融合轴承故障诊断方法的有效性,将其应用在石化大机组实验平台的轴承部件上进行验证。
3.1实验平台与数据采集
石化大机组实验平台由广东省石化装备故障诊断重点实验室提供,平台主要由离心鼓风机、振动加速度传感器、固定架、不同状态滚动轴承故障件、数据采集器等组成,如图5所示。轴承状态有外圈故障、内圈故障、滚珠缺失和正常状态4种状态,可通过数据采集器采集设备振动信号。采样频率为1000Hz,转速为1000r/min,每种状态分别采集数据点500000个,原始数据分布情况如图6所示。
3.2特征提取
实验分别提取时域、频域和时频域的特征数据用于诊断分类。
3.2.1时域特征提取
提取5个新无量纲特征:新无量纲波形、峰值、脉冲、峭度、裕度特征。每1000个数据提取5个时域特征指标,每种时域特征指标数量为500个,对不同时域特征数据做归一化处理,不同时域特征在不同轴承状态的数据分布如图7所示。其中图7(a)为波形特征示意图,图7(b)为峰值特征示意图,图7(c)为裕度特征示意图,图7(d)为脉冲特征示意图,图7(e)为峭度特征示意图。
3.2.3频域特征提取
通过频域特征提取方法提取均方根频率、中心频率、均值频率和标准差频率四种频域特征,每1000个数据提取4个频域特征,每个频域特征指标数量为500个,对不同频域特征数据做归一化处理,不同频域特征在不同轴承状态的数据分布如图8所示。其中图8(a)为均方根频率示意图,图8(b)为中心频率示意图,图8(c)为均值频率示意图,图8(d)为标准差频率示意图。
3.2.4时频域特征提取
对四种轴承状态数据运用经验模态分解方法提取时频特征。以轴承正常状态中1000个数据为例,可分解成的7个IMF分量和残余分量,各IMF分量与Hilbert变换谱如图9所示。其中图9(a)为各IMF分量幅值图,图9(b)为hilbert变换频率图。
图9中X1为轴承正常状态原始数据,c1-c7为运用EMD方法分解的7个IMF分量,r为残余分量,h(ci)为第i个IMF分量的瞬时频率。如图9所示,X1的能量基本集中在前4个IMF分量之中,故提取前4个IMF分量的瞬时频率的均值作为时频域特征指标ki(i=1,2,3,4)。
ki=mean(h(ci)) i=1,2,3,4 (16)
对各轴承状态原始数据每1000个数据提取四个时频域特征指标并进行归一化处理,时频域特征数据分布如图10所示。其中图10(a)为IMF1时频域特征示意图,10(b)为IMF2时频域特征示意图,10(c)为IMF3时频域特征示意图,10(d)为IMF4时频域特征示意图。
3.3特征融合与选择
实验通过特征提取部分提取了时域、频域与时频域特征共13种特征,分别是5种时域特征x、4种频域特征y和4种时频域特征k,将三域特征融合成13维特征h,h=x+y+k。
运用主成分分析方法对融合的13维特征数据h进行降维处理,提取主成分特征。降维后的各主成分的方差值占总方差值的比例即方差贡献率如表2所示。
表2各主成分方差贡献率
从表2中可以计算出前7个主成分主方差贡献率达到了98.4%,故选取前7个主成分作为降维后特征数据。
3.4卷积神经网络诊断分类与分析
3.4.1卷积神经网络诊断分类
本实施例实验中卷积神经网络模型基本结构为:(1)两个卷积层,卷积层层数分别为5层和10层,卷积核大小都为3×3,使用的激活函数为relu函数,padding=1;(2)3个全连接层,长度分别为70,20和4,使用的激活函数为sigmoid函数。网络中损失函数为交叉熵函数,优化函数为一阶SGD优化函数,定义学习率为0.1,迭代次数为100次,批量大小为32。
将7维融合特征分为训练集与测试集,测试集在卷积神经网络中的分类准确率为83%,迭代次数与诊断准确率结果如图11所示。
3.4.2卷积神经网络与不同算法比较
在本次的实验过程中,选取朴素贝叶斯分类方法、支持向量机分类方法、K-近邻分类方法、随机森林分类方法这几种具有代表性的机器学习分类模型与卷积神经网络分类模型进行比较,各模型对融合数据的诊断准确率如如表3所示。
表3不同分类算法诊断准确率
通过表3可以看出,卷积神经网络分类模型相比于其他分类模型有着更好的诊断效果,更适用于旋转机械轴承的故障诊断。
3.4.3融合数据诊断分类
将单独的时域、频域、时频域特征数据和经过本实施例特征融合选择后的特征数据输入到卷积神经网络模型中进行分类,诊断分类的结果如表4所示。
表4不同特征诊断效果
通过表4可以看出,通过本实施例基于PCA多域特征融合的特征数据,相比于单独的时域、频域与时频域特征指标取得了更好的诊断准确率,并且相比未降维的特征数据诊断时间更短,证明了本实施例方法在轴承故障诊断中的有效性。
综上所述,本实施例提出一种基于主成分分析的多域特征融合轴承故障诊断方法,并将其应用于石化大机组实验平台轴承故障诊断。诊断过程中提取了时域、频域和时频域三域特征,消除了单一特征在故障表达方面的不足,三域融合特征相比于单域特征诊断准确率更高,达到了83%。而主成分分析方法可以对三域融合特征进行降维,在保持原特征信息的前提下降低了模型的复杂性,减少了分类时间。而卷积神经网络分类模型也能很好地对融合特征数据实现精确诊断,相比于其他分类模型诊断准确率更高。
本实施例还提供一种多域特征融合轴承故障诊断装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现图12所示方法。
本实施例的一种多域特征融合轴承故障诊断装置,可执行本发明方法实施例所提供的一种多域特征融合轴承故障诊断方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种多域特征融合轴承故障诊断方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种多域特征融合轴承故障诊断方法,其特征在于,包括以下步骤:
获取轴承的振动信号;
根据所述振动信号提取时域特征、频域特征和时频域特征;
采用主成分分析方法对所述时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征;
将所述融合特征预设的卷积神经网络中,进行轴承状态分类识别;
其中,所述时频域特征通过以下方式提取获得:
通过EMD方法对振动信号进行EMD分解,分解成多个IMF分量:
通过希尔伯特变换计算每个IMF分量的瞬时频率,获取每个IMF分量得平均频率作为时频域特征。
2.根据权利要求1所述的一种多域特征融合轴承故障诊断方法,其特征在于,所述时域特征包括5种无量纲特征:波形特征、峰值特征、脉冲特征、峭度特征和裕度特征;
所述时域特征通过以下方式提取获得:
对振动信号z(t)做快速傅里叶变换得到信号z(k);
对无故障频域信号s(k)取共轭得到信号s(k)*,将信号z(k)与信号s(k)*相乘得到信号h(k);
对信号h(k)做快速傅里叶逆变换得到信号z(k)与信号s(k)*的相关函数n(t);
根据相关函数n(t)计算延迟时间τ;
根据延迟时间τ,计算振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数c;
根据相关系数c获取混合振动信号y(t)=z(t)-cs(t-τ),根据混合振动信号y(t)和无故障信号s(t)计算5种无量纲特征。
3.根据权利要求2所述的一种多域特征融合轴承故障诊断方法,其特征在于,所述振动信号z(t)的表达式为:
z(t)=y(t)+cs(t-τ)
其中y(t)为混合振动信号,包括故障信号与噪声信号;s(t)为无故障信号,τ为延迟时间,c为振动信号z(t)与延迟后的无故障信号s(t-τ)的相关系数;
所述无故障频域信号s(k)通过以下方式获得:
在机械设备的运行初期,通过振动传感器采集设备的振动信号,定义为无故障信号s(t),对无故障信号s(t)归一化处理并经过快速傅里叶变换得到无故障频域信号s(k)。
5.根据权利要求1所述的一种多域特征融合轴承故障诊断方法,其特征在于,所述通过EMD方法对振动信号x(t)进行EMD分解,分解成多个IMF分量,包括:
A1、确定振动信号x(t)的局部极值点,判断极值点是否大于或等于2个,若是,继续执行步骤A2;反之,判定振动信号x(t)无法进行分解,并结束EMD分解步骤;
A2、通过信号序列的极大极小值数据,以及插值法求得上下包络线,获取两条包络线的均值为m1;
A3、计算振动信号x(t)与均值m1的差值h1,并判断差值h1是否符合IMF分量的判定条件,若差值h1不满足判定条件,根据差值h1更新振动信号x(t),并返回执行步骤A1;若满足判定条件,则将差值h1作为第一个IMF分量;其中判定条件为:①在整个数据长度范围内,极值点和过零点的个数必须相同或者相差一个;②在任意数据点,数据点上下包络线的平均值为0;
A4、获取振动信号x(t)与差值h1的差值,并返回执行步骤A2-A3求取新的IMF分量,直到新的函数极值点少于2个则分解结束,最终所有的IMF分量记为ci(t),(i=1,2,…,k)。
7.根据权利要求1所述的一种多域特征融合轴承故障诊断方法,其特征在于,所述采用主成分分析方法对所述时域特征、频域特征和时频域特征三种域特征进行融合,获得融合特征,包括:
提取的时域特征、频域特征和时频域特征对应的向量矩阵分别表示为:
X1=[a1,a2,a3,…,an]
X2=[b1,b2,b3,…,bn]
X3=[c1,c2,c3,…,cn]
将向量矩阵X1,X2,X3以并联相加的方式融合成融合特征X:
X=X1+X2+X3=[a1+b1+c1,a2+b2+c2,…,an+bn+cn]=[x1,x1,x1,…,xn]。
8.根据权利要求7所述的一种多域特征融合轴承故障诊断方法,其特征在于,所述获得融合特征这一步骤,还包括对融合特征进行降维的步骤:
对融合特征X进行平均化处理;
根据平均化处理后的数据计算协方差矩阵A:
计算协方差矩阵A的特征值与特征向量;
依据方差贡献率将特征值从大到小排序,选择其中占比95%以上的m个特征值,将对应的特征向量作为行向量组成新的特征向量矩阵P;
将数据转换到m个特征向量构建的新空间Y=PX。
9.一种多域特征融合轴承故障诊断装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-8任一项所述方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310270873.3A CN116429426A (zh) | 2023-03-17 | 2023-03-17 | 一种多域特征融合的轴承故障诊断方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310270873.3A CN116429426A (zh) | 2023-03-17 | 2023-03-17 | 一种多域特征融合的轴承故障诊断方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116429426A true CN116429426A (zh) | 2023-07-14 |
Family
ID=87080706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310270873.3A Pending CN116429426A (zh) | 2023-03-17 | 2023-03-17 | 一种多域特征融合的轴承故障诊断方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116429426A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686226A (zh) * | 2024-02-04 | 2024-03-12 | 南京凯奥思数据技术有限公司 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
-
2023
- 2023-03-17 CN CN202310270873.3A patent/CN116429426A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686226A (zh) * | 2024-02-04 | 2024-03-12 | 南京凯奥思数据技术有限公司 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
CN117686226B (zh) * | 2024-02-04 | 2024-04-16 | 南京凯奥思数据技术有限公司 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
Van et al. | Bearing defect classification based on individual wavelet local fisher discriminant analysis with particle swarm optimization | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111272429A (zh) | 一种轴承故障诊断方法 | |
Bai et al. | Research on feature selection for rotating machinery based on Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN112200244A (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN111751133A (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN114964778A (zh) | 一种基于小波时频图与深度学习的轴承故障诊断方法 | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
CN115901249B (zh) | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 | |
CN116429426A (zh) | 一种多域特征融合的轴承故障诊断方法、装置及介质 | |
Liu et al. | A rotor fault diagnosis method based on BP-Adaboost weighted by non-fuzzy solution coefficients | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Zhang et al. | Watermelon ripeness detection via extreme learning machine with kernel principal component analysis based on acoustic signals | |
Cheng et al. | Control chart pattern recognition using wavelet analysis and neural networks | |
Li et al. | Rolling Bearing Fault Diagnosis Under Data Imbalance and Variable Speed Based on Adaptive Clustering Weighted Oversampling | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 |
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 |