CN117232840A - 一种基于机器学习算法的轴承故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种基于机器学习算法的轴承故障诊断方法及系统，涉及轴承故障诊断技术领域，该方法包括：获取设备轴承在当前运行工况下的温度影响因素数据和轴承温度数据，该因素包括环境温度、设备轴承已运行时间和设备载重量；将预处理后的温度影响因素数据和轴承温度数据输入至基于LSTM‑XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；根据轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。本发明准确预测轴承温度，并根据预测值与实测值之间差值的变化，判断轴承是否会发生故障，实现对轴承故障的准确诊断及提前预警。

Description

一种基于机器学习算法的轴承故障诊断方法及系统

技术领域

本发明属于轴承故障诊断技术领域，尤其涉及一种基于机器学习算法的轴承故障诊断方法及系统。

背景技术

轴承是大型机械加工设备的重要构件，在大型机械加工设备中发挥重要作用，其不仅支撑机械旋体，而且能够降低运行过程中自身的摩擦系数，确保回转精度，因此，轴承一旦发生故障，轻则导致轴承严重磨损，缩短加工设备使用寿命，重则导致加工设备无法正常运行，影响加工设备功能的正常发挥，对加工企业造成一定的经济损失。因此，研究大型机械加工设备轴承故障诊断，对提高故障排除效率、减小故障损失具有重要的现实意义。

现有的轴承故障诊断方法主要包括基于振动信号和基于轴承温度的轴承故障诊断方式。其中，基于振动信号的轴承故障诊断方法中，考虑到振动信号包含了轴承在运行过程中的机械振动信息，可以反映轴承的健康状态和故障特征，因此通过对振动信号进行分析和处理，提取特征参数，并利用模式识别和机器学习算法进行故障诊断。然而，振动信号的特征提取和诊断算法仍然面临着信号复杂性、噪声干扰、特征提取的准确性等挑战，难以满足实时、准确和可靠的故障诊断需求。基于轴承温度的轴承故障诊断方法中，考虑到轴承温度在一定程度上反应出了轴承运行状态，短时间内轴承产生不正常的升温，则意味着轴承存在故障缺陷的可能，因此，通过红外线探测技术对轴承温度变化进行有效监测，以此判断轴承是否处在异常升温状态，根据判断结果进行故障诊断。然而，这一方法极度以依赖红外线探测技术，红外线探测的准确性影响最终轴承故障诊断的准确性，而红外线探测存在一定的温度误报情况，而且在进行故障判断时，所依据的超温标准是根据以往加工设备运行时监测的轴承温度而设定的，并不能提供准确的参考标准，这也影响了故障诊断的准确性。

发明内容

为解决上述现有技术的不足，本发明提供了一种基于机器学习算法的轴承故障诊断方法及系统，通过相关性计算确定温度影响因素，并构建基于LSTM(Long Short-TermMemory, 长短期记忆网络)-XGBoost(eXtreme Gradient Boosting, 极端梯度增强)的温度预测模型，以此对轴承温度进行准确预测，根据轴承的预测温度与实测温度之间差值的变化，判断轴承是否会发生故障，进而实现对轴承故障的准确诊断及提前预警，提高故障排除效率，减小故障损失。

第一方面，本发明提供了一种基于机器学习算法的轴承故障诊断方法。

一种基于机器学习算法的轴承故障诊断方法，包括：

获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

对获取的轴承温度数据和温度影响因素数据进行预处理；

将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

第二方面，本发明提供了一种基于机器学习算法的轴承故障诊断系统。

一种基于机器学习算法的轴承故障诊断系统，包括：

数据获取模块，用于获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

数据预处理模块，用于对获取的轴承温度数据和温度影响因素数据进行预处理；

轴承温度预测模块，用于将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

故障诊断模块，用于根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

以上一个或多个技术方案存在以下有益效果：

1、本发明提供了一种基于机器学习算法的轴承故障诊断方法及系统，通过相关性计算确定温度影响因素，获取设备在当前运行工况下温度影响因素所对应的数据，以及获取设定时间段的轴承温度测定点的温度检测数据，利用所获取的数据训练预搭建的基于LSTM-XGBoost的温度预测模型，以此对轴承温度进行准确预测，为故障判断提供准确的参考标准，根据轴承的预测温度与实测温度之间差值的变化，判断轴承是否会发生故障，进而实现对轴承故障的准确诊断及提前预警，提高故障排除效率，减小故障损失。

2、本发明中，利用皮尔逊相关系数计算，筛选出与轴承温度测定点的温度数据具有高相关性的温度影响因素，获取设备在当前运行工况下温度影响因素所对应的数据，利用所获取的数据训练温度预测模型，在保证模型预测准确度的同时，减少不必要的特征数据来降低模型训练的复杂性，提高模型训练效率。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例所述基于机器学习算法的轴承故障诊断方法的整体流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，仅是为了描述具体实施方式，旨在对本发明提供进一步的说明，并非意图限制根据本发明的示例性实施方式。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

本实施例提供了一种基于机器学习算法的轴承故障诊断方法，如图1所示，包括以下步骤：

步骤S1、获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

步骤S2、对获取的温度数据和温度影响因素数据进行预处理；

步骤S3、将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

步骤S4、根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

通过下述内容对本实施例所提出的基于机器学习算法的轴承故障诊断方法进行更详细的介绍。

步骤S1中，获取设备轴承在当前运行工况下的温度影响因素数据，该温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；同时，获取设备轴承在当前运行工况下设定时间段中每一时刻的轴承温度数据。

在本实施例中，考虑到直接测量轴承温度比较困难，而轴承叶轮侧温度、轴承齿轮箱侧温度与轴承的关系较为密切，因此，将轴承叶轮侧温度、轴承齿轮箱侧温度作为轴承温度测定点，利用红外监测装置如红外温度传感器，实时获取该轴承温度测定点的温度数据。同时，采集设备轴承在当前运行工况下的环境温度、设备轴承已运行时间、设备载重量数据，这些数据与轴承温度最相关。

步骤S2中，考虑到在数据获取的过程中，由于设备运行工况频繁发生改变，导致采集的数据出现类似脉冲信号变化的阶跃现象，该采集数据受到噪声的影响，存在突变的点；其次，网络传输故障或谐波的干扰原因，导致存在部分数据缺失或重复记录的现象；而且，运行环境不稳定且多变，造成局部数据变化趋势不稳定，会丢失一些有用的数据信息，这会给轴承的故障分析带来较大难度，且结果存在一定的偏差。由于上述原因，导致所获取的原始数据质量不高，直接利用上述数据进行分析，将影响最终的诊断准确性，为此，对获取的数据进行数据预处理，包括对获取的轴承温度数据序列进行平滑处理、缺失值处理和归一化处理等，对温度影响因素数据进行归一化处理等。

首先，对轴承温度数据进行平滑处理。本实施例对采集到的轴承温度数据采用Smooth函数(即光滑函数)进行平滑滤波，以此对数据进行去噪。具体的，采用移动平均滤波器处理温度数据，选取恰当的滤波器窗宽m，记原始的轴承温度数据序列为B(i)，i表示时刻，经平滑处理后得到数据序列记为B'(i)，公式为：

当m=1时，B'(i)=B(i)；

当m为偶数时，B'(i)=(B(i-m/2)+... +B(i-1)+B(i)+B(i+1)+B(i+m/2))/m；

当m为奇数且m≠1时，B'(i)=(B(i-(m-1)/2)+... +B(i-1)+B(i)+B(i+1)+B(i+(m-1)/2))/m。

其次，由于运行工况和环境的复杂多变，通过传感器采集到的轴承信息变化频繁且快速，针对数据波动剧烈的情况，存在缺失数据的情况，为了保证数据的完整性，对所采集的轴承温度数据进行缺失值处理。在本实施例中，将缺失值前后数据的平均值作为补充值，以此填补该缺失值。

最后，由于各类数据的大小和量纲都具有较大差异，为了保证后续温度预测模型的准确性，在对原始数据进行上述数据处理方式的基础上，再进行数据的归一化处理。本实施例选用标准化的方法将数据处理至[0, 1]之间。以轴承温度数据为例，经过缺失值处理后的轴承温度数据序列记为B''(i)，记归一化处理后的数据为B'''(i)，归一化处理的公式为：B'''(i)=；其中，/>表示数据序列/>中的最小值，/>表示数据序列中的最大值。

同样的，对获取的环境温度、设备轴承已运行时间、设备载重量数据进行归一化处理。

在本实施例中，所筛选出的温度影响因素是设备运行工况下影响轴承温度的最主要的影响因素，通过影响因素筛选，可以在保证最终训练模型精确性的同时，减少不必要的特征数据，降低模型训练的复杂性。进一步的，该温度影响因素数据的筛选过程包括：

首先，采集设备轴承在正常运行工况下的多种影响因素数据及轴承温度数据；其中，影响因素包括环境温度、设备轴承已运行时间、设备载重量、设备轴承初始温度、除风管压力、制动管压力、空气制动力等；

其次，对采集的数据进行数据归一化处理，得到归一化处理后的数据；

然后，基于皮尔逊相关性，计算多种影响因素数据与轴承温度测定点的温度数据之间的相关系数；

最后，基于相关系数对多种影响因素进行筛选，筛选得到温度影响因素。

通过上述方法对采集的数据进行数据预处理，基于上述预处理后的数据，通过分别计算多种影响因素中每一影响因素数据与轴承温度数据之间的皮尔逊相关系数，根据该相关系数对多种影响因素进行筛选，筛选得到温度影响因素。通过筛分出有效数据作为输入数据，删除其他数据，以此构建特征数据集，该特征数据集简捷有效、高灵敏度的特点是简化模型结构、提升模型精度、训练高效机器学习模型的关键，也是故障诊断的重要参考。

具体的，皮尔逊相关系数法中，使用两个数据对两种不同因素进行关联强弱的分析，即协方差与标准差之商。皮尔逊相关系数计算结果的值会处于[-1, 1]范围内，当相关系数趋向于范围两端，则说明两个变量之间的关联逐渐密切。当所有的数据点均落在一条直线上时，系数为1，此时因变量和自变量会呈现正相关的关系。

根据计算得到的皮尔逊相关系数，选择相关系数趋近于-1和1的影响因素作为温度影响因素。在本实施例中，筛选出的温度影响因素包括环境温度、设备轴承已运行时间和设备载重量。

步骤S3中，将预处理后的温度数据和温度影响因素数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值。

本实施例所采用的机器学习算法为LSTM和XGBoost算法，其中，LSTM是RNN(Recurrent Neural Network, 循环神经网络)的改进模式，采用LSTM层替换传统的隐藏层，通过输入门、输出门、遗忘门三种“门”结构实现信息的有效筛选和长期记忆。XGBoost算法是以集成思想为基础、以梯度提升算法为框架的具有可拓展性的树提升算法，其并非简单的将多个CART树(classification and regression tree, 分类与回归树)相加，而是利用加法模型和不断递进的算法实现学习的优化路径。XGBoost算法是通过不断的加入新的弱评估器来拟合前一个弱评估器训练所产生的误差，使得真实值与预测值的残差不断减小，在模型迭代结束后，将每个评估器上的预测结果进行加权组合，即可得到预测结果。XGBoost相较于GBDT(Gradient Boosting Decision Tree, 梯度提升决策树)的改进之处在于：将树模型的结构作为惩罚项加到迭代的目标函数中，控制复杂度；利用损失函数关于待求函数的二阶导数；实现分类点寻找近似算法。

在本实施例中，构建并训练基于LSTM-XGBoost的温度预测模型，具体包括：

构建基于LSTM-XGBoost的温度预测模型，即分别构建LSTM网络模型和XGBoost网络模型；

获取设备轴承在正常运行工况下的温度影响因素数据，以及设定时间段内每一时刻的轴承温度数据，对获取的数据进行预处理，将预处理后的数据作为训练数据集；

利用训练数据集训练基于LSTM-XGBoost的温度预测模型，包括：将训练数据集中的轴承温度数据序列输入至LSTM网络模型中，学习轴承温度数据序列中隐含的时间特征，训练LSTM网络模型，直至损失函数达到最小值，得到训练完成的LSTM网络模型；将训练数据集中的温度影响因素数据及对应的轴承温度数据输入至XGBoost网络模型中，学习数据之间的回归关系，训练XGBoost网络模型，优化模型参数，直至目标函数达到最小值，得到训练完成的XGBoost网络模型。

其中，构建XGBoost网络模型，该模型的预测函数为：；其中，/>为输入的第i个样本(包括温度影响因素数据及对应的轴承温度数据)；K为决策树的数目；/>为第i个样本在第k棵树上的预测值；/>为第i个样本经过t次迭代之后的预测值(即下一时刻的轴承温度预测值)；F表示决策树函数集合；/>表示第k棵决策树函数；/>为第i个样本经过t-1次迭代之后的预测值；/>为第i个样本在第t棵树的模型预测结果。

XGBoost的目标函数由损失函数和正则化两部分组成，该目标函数为：；/>；其中，/>为第i个样本经过t-1次迭代之后的预测值；/>为第t棵树的模型预测结果；/>为经过了t次迭代后的目标函数；/>为损失函数；/>为第t次迭代模型惩罚项，可以减小模型的过拟合；/>为叶节点的权重；T为叶子节点的数量；/>、/>为可调整的惩罚项参数。

通过对上述目标函数进行二阶泰勒展开，使用一阶和二阶导数，在训练数据集上可以实现更快的收敛，能够有效提高训练速度，并且将正则化加到损失函数上，能够有效降低模型的复杂度和过拟合风险。

在训练XGBoost网络模型的过程中，需要对模型进行优化。在完成模型初始化参数训练时，优化参数主要包括树的深度、树的棵数、叶子节点权重、学习率等参数，采用机器学习常用方法如网格搜索法进行参数调优，获取参数的局部最优解。

最后，基于训练完成的基于LSTM-XGBoost的温度预测模型的基础上，LSTM网络模型和XGBoost网络模型分别输出第一轴承温度预测值和第二轴承温度预测值，分别为两个网络模型设置权重，通过计算加权和得到最终的轴承温度预测值。其中，权重为预设值，其根据训练完成的两个模型输出的预测值(该预测值取多次测试输出的预测值的平均值)与实际值计算确定。

本实施例中，分别搭建两种不同类型的网络模型用来预测轴承温度，相较于仅利用LSTM进行轴承温度预测的方法，本实施例考虑到仅依据单一的且遵循时间规律的轴承温度预测可能存在预测结果较单一、预测结果受之前温度数据影响较大的问题，最终导致预测结果不准确，因此，通过采用LSTM-XGBoost相结合的方式，融合两种模型预测结果，使得最终预测结果更准确，进而保证后续故障检测的准确性。

步骤S3中，根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。以轴承齿轮箱侧温度为例，在轴承发生故障前，其对应的轴承齿轮箱侧温度会处于非正常状态下温度，即模型预测温度值与实测温度值会出现偏差，若两条温度曲线偏离持续增加且该持续时间超过设定值，则判断该轴承即将发生故障。

本实施例中，通过对轴承温度的准确预测，根据预测温度与实测温度之间差值的变化，判断轴承是否会发生故障，以此实现对轴承故障的准确诊断，通过提前预警轴承故障，以提高故障排除效率，减小故障损失。

实施例二

本实施例提供了一种基于机器学习算法的轴承故障诊断系统，包括：

数据获取模块，用于获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

数据预处理模块，用于对获取的轴承温度数据和温度影响因素数据进行预处理；

轴承温度预测模块，用于将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

故障诊断模块，用于根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例，虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于机器学习算法的轴承故障诊断方法，其特征是，包括：

获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

对获取的轴承温度数据和温度影响因素数据进行预处理；

将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

2.如权利要求1所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，所述温度影响因素数据的筛选过程包括：

采集设备轴承在正常运行工况下的多种影响因素数据及轴承温度数据；其中，影响因素包括环境温度、设备轴承已运行时间、设备载重量、设备轴承初始温度、除风管压力、制动管压力、空气制动力；

对采集的数据进行数据归一化处理，得到归一化处理后的数据；

基于皮尔逊相关性，计算多种影响因素数据与轴承温度测定点的温度数据之间的相关系数；

基于相关系数对多种影响因素进行筛选，筛选得到温度影响因素。

3.如权利要求1所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，所述预处理包括平滑处理、缺失值处理和归一化处理。

4.如权利要求1所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，所述轴承温度数据为轴承温度测定点的温度数据，所述轴承测定点的温度包括轴承叶轮侧温度、轴承齿轮箱侧温度。

5.如权利要求1所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，构建并训练基于LSTM-XGBoost的温度预测模型，包括：

构建基于LSTM-XGBoost的温度预测模型，即分别构建LSTM网络模型和XGBoost网络模型；

获取设备轴承在正常运行工况下的温度影响因素数据，以及设定时间段内每一时刻的轴承温度数据，对获取的数据进行预处理，将预处理后的数据作为训练数据集；

利用训练数据集训练基于LSTM-XGBoost的温度预测模型，包括：将训练数据集中的轴承温度数据序列输入至LSTM网络模型中，学习轴承温度数据序列中隐含的时间特征，训练LSTM网络模型，直至损失函数达到最小值，得到训练完成的LSTM网络模型；将训练数据集中的温度影响因素数据及对应的轴承温度数据输入至XGBoost网络模型中，学习数据之间的回归关系，训练XGBoost网络模型，优化模型参数，直至目标函数达到最小值，得到训练完成的XGBoost网络模型。

6.如权利要求5所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，在训练XGBoost网络模型的过程中，采用网格搜索法进行模型参数调优，获取模型参数的局部最优解；所述模型参数包括树的深度、树的棵数、叶子节点权重、学习率。

7.如权利要求1所述的一种基于机器学习算法的轴承故障诊断方法，其特征是，将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，通过LSTM网络模型和XGBoost网络模型，分别输出第一轴承温度预测值和第二轴承温度预测值，计算两个预测值的加权和，得到最终的轴承温度预测值，输出下一时刻的轴承温度预测值。

8.一种基于机器学习算法的轴承故障诊断系统，其特征是，包括：

数据获取模块，用于获取设备轴承在当前运行工况下的温度影响因素数据，以及设定时间段中每一时刻的轴承温度数据；所述温度影响因素包括环境温度、设备轴承已运行时间和设备载重量；

数据预处理模块，用于对获取的轴承温度数据和温度影响因素数据进行预处理；

轴承温度预测模块，用于将预处理后的数据输入至基于LSTM-XGBoost的温度预测模型中，输出下一时刻的轴承温度预测值；

故障诊断模块，用于根据下一时刻轴承温度预测值与温度实测值的偏差值进行故障判断，若偏差值持续增加且增加时间超过设定值，则判断轴承将发生故障，并进行轴承故障提前预警。

9.如权利要求8所述的一种基于机器学习算法的轴承故障诊断系统，其特征是，所述温度影响因素数据的筛选过程包括：

采集设备轴承在正常运行工况下的多种影响因素数据及轴承温度数据；其中，影响因素包括环境温度、设备轴承已运行时间、设备载重量、设备轴承初始温度、除风管压力、制动管压力、空气制动力；

对采集的数据进行数据归一化处理，得到归一化处理后的数据；

基于皮尔逊相关性，计算多种影响因素数据与轴承温度测定点的温度数据之间的相关系数；

基于相关系数对多种影响因素进行筛选，筛选得到温度影响因素。

10.如权利要求8所述的一种基于机器学习算法的轴承故障诊断系统，其特征是，所述轴承温度数据为轴承温度测定点的温度数据，所述轴承测定点的温度数据包括轴承叶轮侧温度、轴承齿轮箱侧温度。