CN116701918A - 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 - Google Patents
一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN116701918A CN116701918A CN202310962638.2A CN202310962638A CN116701918A CN 116701918 A CN116701918 A CN 116701918A CN 202310962638 A CN202310962638 A CN 202310962638A CN 116701918 A CN116701918 A CN 116701918A
- Authority
- CN
- China
- Prior art keywords
- bilstm
- lightgbm
- rolling bearing
- feature extraction
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005096 rolling process Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000003066 decision tree Methods 0.000 claims abstract description 30
- 230000007797 corrosion Effects 0.000 claims description 16
- 238000005260 corrosion Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004901 spalling Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 230000008034 disappearance Effects 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004299 exfoliation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010983 kinetics study Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于滚动轴承故障诊断技术领域，特别涉及一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法。所述方法包括：采集滚动轴承不同故障类型的振动信号数据；将振动信号数据分为训练样本和测试样本，并分别进行离散化处理；输入离散后的振动信号构建直方图决策树，生成LightGBM模型；通过LightGBM模型对训练样本和测试样本进行特征提取，生成训练集和测试集；将训练集输入BiLSTM模型做5折正交训练并调参；将测试集输入BiLSTM模型，预测诊断故障。本发明基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，可以对滚动轴承的全频段振动信号使用LightGBM快速有效地提取特征，然后使用构建的堆叠BiLSTM模型解决梯度消失问题和特征信息的前后依赖关系，构成由LightGBM特征提取到BiLSTM故障识别的新模型。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域，特别涉及一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法。
背景技术
随着电机和自动化设备的广泛应用，有关这方面的机械故障诊断技术也被广泛应用。滚动轴承作为旋转机电设备中的一个重要机械部件，如果产生故障，有可能导致整个机电设备的运行都受到不利影响。滚动轴承故障主要表现为滚动表面或滚动体受交变力作用，长时间旋转引起表面材料疲劳而出现点蚀剥落或裂纹等部件表面损伤类故障[1-2]，准确地诊断滚动轴承的故障，对保障设备的运行生产和设备的维修决策具有重大意义。
通常，滚动轴承的特征提取方法有，利用小波变换进行滤波和包络检波，以便提取故障信号的特征频率[3-4]。该方法对故障的特征频率和信噪比的去除有较多要求和局限性。还有可利用小波特性进行故障信号的奇异点检测[5-7，12]。该方法容易由奇异点信号引起误判。而滚动轴承的预测诊断方法有，小波系数的峰值和RMS值输入到循环神经网络(recurrent neural network，RNN)模型中[8]，将频域、时频域特征和自编码器压缩时域特征联合输入到深度神经网络[9]，构建特征矩阵来训练CNN故障诊断模型[10]，使用玻尔兹曼机进行特征提取后利用自组织映射网络[11]。这些研究方法有的提前进行了振动信号特征的提取，有的使用了数学模型或深度学习模型，而轴承的运行实际特征频率会在小范围内有一定的跳跃，但上述方法均未能有效的提取振动信号的全频段特征，也未能考虑滚动轴承振动信号的复杂性和性能逐渐退化的特性。
发明内容
针对上述问题，本发明提供一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，所述方法包括：
采集滚动轴承不同故障类型的振动信号数据；
将振动信号数据分为训练样本和测试样本，并分别进行离散化处理；
输入离散后的振动信号构建直方图决策树，生成LightGBM模型；
通过LightGBM模型对训练样本和测试样本进行特征提取，生成训练集和测试集；
将训练集输入BiLSTM模型做5折正交训练并调参；
将测试集输入BiLSTM模型，预测诊断故障。
优选地，所述故障类型包括：外圈磨损、外圈腐蚀、外圈疲劳剥落、外圈断裂、内圈磨损、内圈腐蚀、内圈疲劳剥落、内圈断裂、滚珠磨损和滚珠腐蚀。
优选地，所述将振动信号数据分为训练样本和测试样本之后，还包括：
对不同的故障类型进行排序，故障类型对应的序号作为对应的训练样本的标签。
优选地，所述输入离散后的振动信号构建直方图决策树，包括：
选定直方图的宽度，宽度为振动信号数据离散生成的整数的个数；
将离散后的振动信号数据作为直方图的索引来对统计量进行累计，并通过对离散后的振动信号数据进行装箱处理，形成bin，构建直方图决策树。
优选地，所述构建直方图决策树，包括以下步骤：
迭代优化直方图决策树，获取最佳分裂特征；
建立根节点，依据最佳分裂特征切分离散后的振动信号数据，直至直方图决策树的叶子深度数限制停止分裂；
更新离散后的振动信号数据分裂出的最佳值；
更新直方图决策树的梯度值，直至所有直方图决策树优化建立完成。
优选地，所述迭代优化直方图决策树包括：
遍历所有训练样本和测试样本，分别以当前bin作为分割点，左边的bin累加至当前bin梯度和与样本数，然后与父节点上的总梯度与总样本相减，从而得出右边所有bin的梯度和与样本数，在遍历过程中求得最大增益，以最大增益对应的bin特征值和特征作为最佳分裂特征。
优选地，所述最佳分裂特征计算公式为：
；
其中，为样本梯度之和，/>为样本数量，/>、/>均为序号位置，/>是直方图内样本的总行数，/>属于1至/>中的的任一整数。
优选地，所述将测试集输入BiLSTM模型，预测诊断故障，包括：
BiLSTM模型对测试集进行预测，获取预测故障数值；
在故障类型字典中查找与预测故障数值对应的故障类型，输出诊断结果。
优选地，所述故障类型字典包括故障类型和每种故障类型对应的序号。
优选地，所述BiLSTM模型由BiLSTM层、Dropout层、BiLSTM层、Dropout层、全连接层、激活层和输出层组成。
本发明具有以下有益效果：
本发明基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，可以对滚动轴承的全频段振动信号使用LightGBM快速有效地提取特征，然后使用构建的堆叠BiLSTM模型解决梯度消失问题和特征信息的前后依赖关系，构成由LightGBM特征提取到BiLSTM故障识别的新模型。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明实施例中基于LightGBM提取特征和BiLSTM的滚动轴承故障诊断方法图；
图2示出本发明实施例中训练阶段和预测阶段的示意图；
图3示出本发明实施例中由LSTM构成的BiLSTM结构示意图；
图4示出本发明实施例中构建直方图树示意图；
图5示出本发明实施例中LightGBM提取特征示意图；
图6示出本发明实施例中基于LightGBM提取特征的LiSTM深度学习模型的示意图；
图7示出本发明实施例中基于LightGBM提取特征和BiLSTM的滚动轴承故障诊断系统图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或子模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或子模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
如图1所示，本发明提出一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，所述方法包括以下步骤：
S1、采集滚动轴承不同故障类型的振动信号数据；
所述故障类型包括：外圈磨损、外圈腐蚀、外圈疲劳剥落、外圈断裂、内圈磨损、内圈腐蚀、内圈疲劳剥落、内圈断裂、滚珠磨损和滚珠腐蚀。
所述故障类型字典包括故障类型和每种故障类型对应的序号。
故障类型按故障名称的0至9的序号构成轴承故障类型字典statusdict={'0':'外圈磨损'，'1':'外圈腐蚀'，'2':'外圈疲劳剥落'，'3':'外圈断裂'，'4':'内圈磨损'，'5':'内圈腐蚀'，'6':'内圈疲劳剥落'，'7':'内圈断裂'，'8':'滚珠磨损'，'9':'滚珠腐蚀'}；
S2、将振动信号数据分为训练样本和测试样本，并分别进行离散化处理；
将振动信号数据分为训练样本和测试样本之后，还包括：
对不同的故障类型进行排序，故障类型对应的序号作为对应的训练样本的标签。
S3、输入离散后的振动信号构建直方图决策树，生成LightGBM模型；
本发明使用的LightGBM可以较好寻找最佳分裂特征，机器学习中算法常用的有回归和分类[13]，典型的集成决策树算法有GBDT算法[14][15]，其既可做回归又可做分类。LightGBM 算法对GBDT算法做了许多改进优化[16]。lightGBM通过数值离散构建分箱形成直方图树寻找最优切分点，可以很好提高训练速度获取重要特征并节省内存，同时降低时间复杂度。
如图5所示，输入离散后的振动信号构建直方图决策树，包括：选定直方图的宽度，宽度为振动信号数据离散生成的整数的个数；将离散后的振动信号数据作为直方图的索引来对统计量进行累计，并通过对离散后的振动信号数据进行装箱处理，形成bin，构建直方图决策树。
所述构建直方图决策树，包括以下步骤：迭代优化直方图决策树，获取最佳分裂特征；建立根节点，依据最佳分裂特征切分离散后的振动信号数据，直至直方图决策树的叶子深度数限制停止分裂；更新离散后的振动信号数据分裂出的最佳值；更新直方图决策树的梯度值，直至所有直方图决策树优化建立完成。
如图4所示，所述迭代优化直方图决策树包括：遍历所有训练样本和测试样本，分别以当前bin作为分割点，左边的bin累加至当前bin梯度和与样本数，然后与父节点上的总梯度与总样本相减，从而得出右边所有bin的梯度和与样本数，在遍历过程中求得最大增益，以最大增益对应的bin特征值和特征作为最佳分裂特征。
所述最佳分裂特征计算公式为：
；
其中，为样本梯度之和，/>为样本数量，/>、/>均为序号位置，/>是直方图内样本的总行数，/>属于1至/>中的的任一整数。
S4、通过LightGBM模型对训练样本和测试样本进行特征提取，生成训练集和测试集；
S5、将训练集输入BiLSTM模型做5折正交训练并调参；
如图6所示，所述BiLSTM模型为依次设置BiLSTM层、Dropout层、BiLSTM层、Dropout层、全连接层、激活层和输出层的深度结构的神经网络。BiLSTM网络由LSTM拼接串联而成，具体结构示意图如图3所示。
BiLSTM网络中LSTM长短记忆单元的构建过程为：
LSTM网络在隐藏层引入了一组记忆单元，主要通过门控制器对不同时刻记忆进行权重控制，共计有三个门控制器：输入门i、遗忘门f和输出门o；
输入门决定让新的信息加入到cell状态中来，遗忘门决定从cell状态中丢弃信息，候选态根据上一次的输出和本次输入计算被输入门限制是否进入长期记忆的内容，输出门决定从cell状态中输出信息，记忆单元结合遗忘门和输入门来更新记忆单元；
LSTM长短记忆单元通过门控制器控制特征信息的流动，从而更好获取特征信息中长期依赖的信息，减少循环神经网络的梯度消失，有效地处理序列数据：其更新计算步骤：
计算输入门，it=σ(Wixt+Uiht-1+bi)；
计算遗忘门，ft=σ(Wfxt+Ufht-1+bf)；
计算候选态，Ct’=Tanh(Wcxt+Ucht-1)；
计算输出门，ot=σ(Woxt+Uoht-1+bo)；
计算记忆单元，Ct=ft Ct-1+it/>Ct’；
计算单元记忆输出，ht=ot Tanh(Ct)；
其中，Wf、Wi、Wc、Wo分别为t时刻由输入层Xt到隐藏层ht的转移权重矩阵，Uf、Ui、Uc、Uo分别是由时刻t-1到时刻t隐藏层的状态转移权重矩阵，Bi、Bf、Bo分别为输入门、遗忘门、输出门的偏置，σ为sigmoid函数。
S6、将测试集输入BiLSTM模型，预测诊断故障。
所述将测试集输入BiLSTM模型诊断滚动轴承故障，包括：BiLSTM模型对测试集进行预测，获取预测故障数值；在故障类型字典中查找与预测故障数值对应的故障类型，输出诊断结果。预测故障数值即为故障类型的标签，依据故障类型的标签在字典里找到对应的故障类型。
具体地，本发明的诊断方法包括两个阶段：训练阶段和预测阶段。
(一)训练阶段：(如图2左边的虚线框所示)
步骤1：将带标签的数据预处理后离散化通过LightGBM提取特征后构建二维输入数据。
步骤2：使用Adam梯度下降算法计算五折交叉验证迭代训练深度学习模型。
(二)预测阶段：(如图2右边的虚线框所示)
步骤1：将没带标签的数据预处理后离散化通过LightGBM提取特征后构建二维预测数据。
步骤2：使用训练阶段训练好的LiLSTM深度学习模型进行预测。
下面具体阐述两个阶段的实现过程。
(一)训练阶段：
步骤1-1：将原始数据预处理并转化为标准二维数据。
具体为：采集机电设备实测轴承振动信号数据，分别对滚动轴承的内环、外环和滚动体的不同故障振动信号共计采集10组。每组400个故障样例，分别以13000次／秒和6500次／秒的不同采样率分别进行振动信号采集，每类故障不同采样率数据分别采集200个样例，各组数据汇总构成训练集。数据采集并预处理后，将振动信号数据离散化，然后输入本文的LightGBM模型，做五折交叉验证训练提取特征。主要调参设置为最大迭代次数n_estimators为1000，树的最大深度max_depth为3，模型学习率learning_rate为0.1，指定叶子数num_leaves为31，分类的类别数num_class为10。然后模型做fit五折交叉验证训练，模型做fit的住要参数评分函数eval_metric为multi_logloss，验证训练集eval_set为[(valid_features，valid_labels)，(train_features，train_labels)]，其中valid_features，valid_labels，train_features，train_labels分别表示为验证集，验证集类别标签，训练集，训练集类别标签。对每一折训练，用训练好的模型预测测试集并除以5，作为测试集特征，用训练好的模型预测验证集，直接作为训练集的特征，然后将每一折得到的特征按相应的索引号顺序累加分别构成相应的测试集和训练集特征。这里是基于不同类别数据集，学习提取不同类别的特征，生成的训练集实际特征结果样例如表1所示：测试集没有标签，测试集实际特征结果样例如表2所示：最后分别将特征归一化构成初始的训练集和测试集的标准二维数据。
表1
表2
步骤1-2：根据滚动轴承的外圈故障（磨损、腐蚀、疲劳剥落和断裂），内圈故障（磨损、腐蚀、疲劳剥落和断裂）和滚珠故障（磨损和腐蚀）。共10类故障。这10种轴承故障类型按故障名称的0至9的序号构成轴承故障类型字典statusdict={‘0’：‘外圈磨损’，‘1’：‘外圈腐蚀’，‘2’：‘外圈疲劳剥落’，‘3’：‘外圈断裂’，‘4’：‘内圈磨损’，‘5’：‘内圈腐蚀’，‘6’：‘内圈疲劳剥落’，‘7’：‘内圈断裂’，‘8’：‘滚珠磨损’，‘9’：‘滚珠腐蚀’}，轴承故障名称对应序号作为训练集标签。
步骤1-3：将预处理初始化好的训练集二维数据通过设置input_shape=(8000，128)降维输入，划分为5份分别做交叉验证训练。
步骤1-4：通过Bidirectional、LSTM和input_shape构建双向LSTM，提取特征获取数据矩阵大小为(None，8000，128)的三维矩阵，然后通过Dropout抽样，抽样率为0.8。
步骤1-5：将步骤1-4中的抽样后的矩阵再次通过Bidirectional和LSTM构建双向LSTM，提取特征获并降低矩阵大小为(None，64)的二维矩阵，然后通过Dropout抽样，抽样率为0.7。
步骤1-6：将步骤1-5中的矩阵送入全连层，来提取特征并降低矩阵大小为(None，10)。
步骤1-7：设置optimizer优化函数为'adam'，metrics评价函数设为'accuracy'，训练批次数量batch_size设为256，迭代次数nb_epoch设为1200。
步骤1-8：使用Adam梯度下降算法进行多分类计算训练深度学习模型和调参数。
步骤1-9：训练深度学习模型达到最大迭代次数1200，则中断深度学习模型训练。基于LightGBM提取特征的LiSTM深度学习模型的示意图如图6所示。
(二)预测阶段：
步骤2-1：按步骤1-1方法对各类故障样例采集共计360个没有标签的样例作为测试集。然后按步骤1-1的数据转化方式把预测数据处理成标准二维数据。
步骤2-2：将步骤2-1预处理好的预测数据送入训练好的LiLSTM深度学习模型预测，得到轴承故障预测数字类别结果。然后使用步骤1-2生成的电机状态故障类型字典将数字类别转化为电机状态故障名称。LiLSTM深度学习模型预测的真实值和预测值的混淆矩阵见下表3，滚动轴承故障诊断的实验结果见表4。
表3
表4
由表3和表4的预测结果可以看出，本发明的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断发明方法，除了外环故障的预测精确率为99.31%，其余的内环故障和滚珠故障的预测精确率达到了100%，超过了一些普通特征提取分析和频谱分析的精确率，取得了较好的预测效果分析。
如图7所示，本发明还提出一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断系统，所述系统包括采集模块10、离散模块20、构建模块30、提取模块40、训练调参模块50和诊断模块60；
所述采集模块10用于采集滚动轴承不同故障类型的振动信号数据；
所述离散模块20用于将振动信号数据分为训练样本和测试样本，并分别进行离散化处理；
所述构建模块30用于输入离散后的振动信号构建直方图决策树，生成LightGBM模型；
所述提取模块40用于通过LightGBM模型对训练样本和测试样本进行特征提取，生成训练集和测试集；
所述训练调参模块50用于将训练集输入BiLSTM模型做5折正交训练并调参；
所述诊断模块60用于将测试集输入BiLSTM模型，预测诊断故障。
本领域的普通技术人员应当理解：尽管参考前述实施例对本发明进行的详细说明，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精神和范围。
本发明引用的参考文献如下：
[1] 韩相奎，周春生，等. SBR 法过程动力学研究[J]. 环境科学学报，1996， 16(4)：394-396
[2] 李世玲，李治，李合生. 基于小波包能量特征的滚动轴承故障监测方法[J].系统仿真学报，2003，15(1)：6.
[3] 曾庆虎，邱静，刘冠军，等．基于小波相关滤波一包络分析的早期故障特征提取方法[J]．仪器仪表学报，2008，29(4)：729—733．
[4] 黄勇翔．基于谐波小波的轴承故障诊断方法的研究[J]．电力机车与城轨车辆，2006，29(6)：8一14．
[5] 程发斌，汤宝平．基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用[J]．振动与冲击，2008，27(2)：9l一94．
[6] 徐晶，张秋杰，单净，等．基于Lipschitz指数熵的轴承故障检测方法[J]．科技导报，2009，27(15)：101—103．
[7] WANG X H，ISTEPANIAN R S H，SONG Y H．Application of wavelet modulusmaxima in microarray spots recognition [J]．IEEE Trans on Nanobioscience，2003，2(4)：190-192．
[8] AMAZMALHI，RUQIANGYAN，etal.Prognosisof defectpropagation based onrecurrent neural networks[J].IEEE Transactions on Instrumentation andMeasurement，2011，60(03):703-711.
[9] REN L，SUN Y Q，CUI J，et al.Bearingremainingusefullifepredictionbased on deep autoencoder and deep neural networks[J].Journal ofManufacturing Systems，2018，48:71-77.
[10] LU C，WANG Z Y，ZHOU B.Intelligent faultdiagnosis ofrollingbearingusinghierarchical convolutional network based health stateclassification[J].Advanced Engineering Informatics，2017，32:139-151.
[11] LIAO L X，JIN W J，PAVEL R.Enhanced restricted boltzmann machinewith prognosability regularization for prognostics and health assessment[J].IEEE Transactions on Industrial Electronics，2016，63(11):7076-7083.
[12］陈长征，杨璐. 基于小波分析技术的通风机振动故障诊断研究［J］. 风机技术，1999.（6）：34-36
[13］WITTEN I H，FRANK E.Data Mining：Practical Machine Learning Toolsand Techniques（Third Edition）［M］.机械工业出版社，2005.
[14］FRIEDMAN J H. Greedy Function Approximation：A Gradient BoostingMachine［J］.Annals of Statistics，2001，29（5）：1189-1232.
[15］SON J，JUNG I，PARK K，et al. Tracking-by-Segmentation with On-lineGradient Boosting Decision Tree［C］// IEEE International Conference onComputer Vision. IEEE，2016.
[16］WANG D，ZHANG Y，ZHAO Y. LightGBM：An Effective miRNA ClassificationMethod in Breast Cancer Patients［C］// the 2017 International Conference.2017.
Claims (10)
1.一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，所述方法包括：
采集滚动轴承不同故障类型的振动信号数据；
将振动信号数据分为训练样本和测试样本，并分别进行离散化处理；
输入离散后的振动信号构建直方图决策树，生成LightGBM模型；
通过LightGBM模型对训练样本和测试样本进行特征提取，生成训练集和测试集；
将训练集输入BiLSTM模型做5折正交训练并调参；
将测试集输入BiLSTM模型，预测诊断故障。
2.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述故障类型包括：外圈磨损、外圈腐蚀、外圈疲劳剥落、外圈断裂、内圈磨损、内圈腐蚀、内圈疲劳剥落、内圈断裂、滚珠磨损和滚珠腐蚀。
3.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述将振动信号数据分为训练样本和测试样本之后，还包括：
对不同的故障类型进行排序，故障类型对应的序号作为对应的训练样本的标签。
4.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述输入离散后的振动信号构建直方图决策树，包括：
选定直方图的宽度，宽度为振动信号数据离散生成的整数的个数；
将离散后的振动信号数据作为直方图的索引来对统计量进行累计，并通过对离散后的振动信号数据进行装箱处理，形成bin，构建直方图决策树。
5.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述构建直方图决策树，包括以下步骤：
迭代优化直方图决策树，获取最佳分裂特征；
建立根节点，依据最佳分裂特征切分离散后的振动信号数据，直至直方图决策树的叶子深度数限制停止分裂；
更新离散后的振动信号数据分裂出的最佳值；
更新直方图决策树的梯度值，直至所有直方图决策树优化建立完成。
6.根据权利要求5所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述迭代优化直方图决策树包括：
遍历所有训练样本和测试样本，分别以当前bin作为分割点，左边的bin累加至当前bin梯度和与样本数，然后与父节点上的总梯度与总样本相减，从而得出右边所有bin的梯度和与样本数，在遍历过程中求得最大增益，以最大增益对应的bin特征值和特征作为最佳分裂特征。
7.根据权利要求6所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述最佳分裂特征计算公式为：
；
其中，为样本梯度之和，/>为样本数量，/>、/>均为序号位置，/>是直方图内样本的总行数，/>属于1至/>中的的任一整数。
8.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述将测试集输入BiLSTM模型，预测诊断故障，包括：
BiLSTM模型对测试集进行预测，获取预测故障数值；
在故障类型字典中查找与预测故障数值对应的故障类型，输出诊断结果。
9.根据权利要求8所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述故障类型字典包括故障类型和每种故障类型对应的序号。
10.根据权利要求1所述的基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法，其特征在于，
所述BiLSTM模型由BiLSTM层、Dropout层、BiLSTM层、Dropout层、全连接层、激活层和输出层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962638.2A CN116701918B (zh) | 2023-08-02 | 2023-08-02 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962638.2A CN116701918B (zh) | 2023-08-02 | 2023-08-02 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701918A true CN116701918A (zh) | 2023-09-05 |
| CN116701918B CN116701918B (zh) | 2023-10-20 |
Family
ID=87841777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962638.2A Active CN116701918B (zh) | 2023-08-02 | 2023-08-02 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701918B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782658A (zh) * | 2019-08-16 | 2020-02-11 | 华南理工大学 | 一种基于LightGBM算法的交通量预测方法 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN113344254A (zh) * | 2021-05-20 | 2021-09-03 | 山西省交通新技术发展有限公司 | 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法 |
| CN114372492A (zh) * | 2021-12-31 | 2022-04-19 | 华南理工大学 | 一种可解释性滚动轴承故障诊断方法 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN114676716A (zh) * | 2020-12-09 | 2022-06-28 | 电科云(北京)科技有限公司 | 刀具剩余寿命预测方法、装置和介质 |
| CN115114848A (zh) * | 2022-06-13 | 2022-09-27 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
| US20220318548A1 (en) * | 2021-03-31 | 2022-10-06 | Boe Technology Group Co., Ltd. | Method, apparatus, computing device and computer-readable storage medium for identifying signal |
| CN115392333A (zh) * | 2022-02-24 | 2022-11-25 | 河北工业大学 | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 |
| CN115828466A (zh) * | 2022-12-15 | 2023-03-21 | 河北工业大学 | 一种基于宽核卷积的风机主轴部件故障预测方法 |
| CN116469574A (zh) * | 2023-04-14 | 2023-07-21 | 华南师范大学 | 一种基于woa-bilstm的传染病预测方法 |
-
2023
- 2023-08-02 CN CN202310962638.2A patent/CN116701918B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782658A (zh) * | 2019-08-16 | 2020-02-11 | 华南理工大学 | 一种基于LightGBM算法的交通量预测方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN114676716A (zh) * | 2020-12-09 | 2022-06-28 | 电科云(北京)科技有限公司 | 刀具剩余寿命预测方法、装置和介质 |
| CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
| US20220318548A1 (en) * | 2021-03-31 | 2022-10-06 | Boe Technology Group Co., Ltd. | Method, apparatus, computing device and computer-readable storage medium for identifying signal |
| CN113344254A (zh) * | 2021-05-20 | 2021-09-03 | 山西省交通新技术发展有限公司 | 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN114372492A (zh) * | 2021-12-31 | 2022-04-19 | 华南理工大学 | 一种可解释性滚动轴承故障诊断方法 |
| CN115392333A (zh) * | 2022-02-24 | 2022-11-25 | 河北工业大学 | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 |
| CN115114848A (zh) * | 2022-06-13 | 2022-09-27 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
| CN115828466A (zh) * | 2022-12-15 | 2023-03-21 | 河北工业大学 | 一种基于宽核卷积的风机主轴部件故障预测方法 |
| CN116469574A (zh) * | 2023-04-14 | 2023-07-21 | 华南师范大学 | 一种基于woa-bilstm的传染病预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YANWEI XU 等: "Intelligent Diagnosis of Rolling Bearing Fault Based on Improved Convolutional Neural Network and LightGBM", 《SHOCK AND VIBRATION》, pages 1 - 9 * |
| 王华勇 等: "基于LightGBM 改进的GBDT 短期负荷预测研究", 《自动化仪表》, vol. 39, no. 9, pages 76 - 82 * |
| 马良才: "基于深度学习的电解槽设定电压决策研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 1, pages 023 - 259 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701918B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | Gated dual attention unit neural networks for remaining useful life prediction of rolling bearings | |
| CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
| Zhang et al. | Instance-based ensemble deep transfer learning network: A new intelligent degradation recognition method and its application on ball screw | |
| CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
| CN108646725B (zh) | 基于动态加权的双模型故障诊断方法 | |
| Liu et al. | Multidimensional feature fusion and ensemble learning-based fault diagnosis for the braking system of heavy-haul train | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
| CN112651426A (zh) | 一种风电机组滚动轴承故障诊断方法 | |
| Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN110879802A (zh) | 一种日志模式提取及匹配方法 | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| CN116701918B (zh) | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| Li et al. | Fault diagnosis of ZD6 turnout system based on wavelet transform and GAPSO-FCM | |
| Shuangli et al. | Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis | |
| CN116306302A (zh) | 一种风力发电机关键部件多工况剩余寿命预测方法 | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN115204234A (zh) | 一种风力发电机故障诊断方法 | |
| Xu et al. | Residual life prediction of metro traction motor bearing based on convolutional neural network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |