滚动轴承故障的高斯过程多特征智能诊断方法与流程

本发明属于滚动轴承故障诊断领域，具体涉及一种滚动轴承故障的高斯过程多特征智能诊断方法。

背景技术：

随着现代工业和科学技术的发展，旋转机械正朝着大型化、高速化、连续化、集中化、自动化方向发展。生产设备系统之间的联系也越来越紧密。旋转机械长期处于高速运行状态(一般为每分钟3000转以上甚至高达10000转)，由于各种随机因素的影响，难免会出现一些机械故障，而旋转机械的任何一个小小的故障，都可能引起连锁反应。因此，旋转机械故障发生频率较高并且故障发生后往往造成巨大经济损失甚至灾难性后果。例如国内某电厂机组主轴断裂，损失达亿元以上。国外类似的事故自1970年以来仅正式报道的就多达50余起。旋转机械故障诊断技术的研究和应用能及早发现故障隐患，故障发生后也能及时准确判别故障发生的原因、部位、严重程度及其发展趋势，这对于避免巨额的经济损失和灾难性事故的发生有着重要意义。

大型复杂机械设备故障往往具有复杂性、不确定性、多故障并发性等，运用单一的智能故障诊断技术，存在精度不高、泛化能力弱等问题，难以获得满意的诊断效果。

随着旋转设备状态监测和故障诊断技术理论的发展和应用实践，利用振动信号监测分析来判断滚动轴承的运行情况成为可能。一般来说，滚动轴承由内圈、外圈、保持架和滚动体四部件组成。当任何一个部件出现缺陷时，轴承座振动速度频谱都会表现出不同的传感器信号特征。

目前轴承故障诊断主要分为两种：一种是单一特征提取，然后利用神经网络、支持向量机等方法进行训练，通过分类实现诊断；另一种是多特征提取，然后利用神经网络、支持向量机等方法进行训练并达到故障诊断的目的。然而，神经网络、支持向量机等技术需要大量数据，而现实生活中轴承故障率较低，因此故障数据也相对较少。

技术实现要素：

根据本发明，提供了一种滚动轴承故障智能诊断方法，所述方法包括：针对滚动轴承的不同的运行状态，分别提取数据特征，并计算每个运行状态的每个数据特征的类内标准差和类间标准差，随后计算所述类内标准差与所述类间标准差的比值，用数值1减去所述比值所得的结果作为数据特征的敏感度；针对滚动轴承的不同的运行状态，选择预定数量的数据特征作为敏感特征以构成敏感特征集；使用所述敏感度构造判断矩阵，计算所述敏感特征的权值，并对敏感特征集中的敏感特征进行加权；根据加权的敏感特征集来建立高斯过程组合分类模型，以判断滚动轴承故障。

根据本发明的一个实施例，提取数据特征的步骤包括：对滚动轴承的原始振动数据进行小波包分解，以获得8个分频带；对所述原始振动数据进行经验模态分解(empiricalmodedecomposition，emd)，以获得8个本征模式分量；从所述原始振动数据、所述分频带信号和所述本征模式分量分别提取数据特征。

根据本发明的一个实施例，所述数据特征包括无量纲特征和有量纲特征，所述无量纲特征包括偏斜度、峭度、峰值、波形、脉冲以及裕度，所述有量纲特征包括有效值、均值、标准差、方根幅值以及最大值。

根据本发明的一个实施例，选择预定数量的数据特征作为敏感特征以构成敏感特征集的步骤包括：选择8个敏感度最高的数据特征作为所述敏感特征以构成敏感特征集。

根据本发明的一个实施例，使用所述敏感度构造判断矩阵包括：用所述敏感特征的敏感度两两做比值作为判断矩阵的元素，从而构造判断矩阵。

根据本发明的一个实施例，所述权值是所述判断矩阵的最大的特征值所对应的特征向量的元素。

根据本发明的一个实施例，所述滚动轴承的运行状态包括所述轴承的正常状态、内圈故障状态、外圈故障状态以及滚动体故障状态，并且所述高斯过程组合分类模型包括第一高斯过程二分类器、第二高斯过程二分类器和第三高斯过程二分类器。

根据本发明的一个实施例，所述第一高斯过程二分类器用于判断所述轴承处于正常状态还是故障状态。

根据本发明的一个实施例，所述第二高斯过程二分类器用于当所述第一高斯过程二分类器的判断结果为所述轴承的故障状态时判断所述轴承处于内圈故障状态还是非内圈故障状态。

根据本发明的一个实施例，所述第三高斯过程二分类器用于当所述第二高斯过程二分类器的判断结果为所述轴承的非内圈故障状态时判断所述轴承处于外圈故障状态还是滚动体故障状态。

附图说明

图1是根据本发明的实施例的轴承故障智能诊断方法的流程图。

图2是根据本发明的示例性实施例的高斯过程组合分类模型的框图。

具体实施方式

根据需要，在此公开本发明的详细实施例；然而，将理解的是，所公开的实施例仅是本发明的示例，其中，本发明可以以各种替代形式来实现。附图无需按比例绘制；一些特征可被夸大或最小化以示出特定组件的细节。因此，在此公开的具体结构和功能细节不应被解释为具有限制性，而仅作为用于教导本领域技术人员以多种形式利用本发明的代表性基础。

滚动轴承作为机械设备中重要的旋转零件，也是机械设备的重要故障源之一，统计表明在使用滚动轴承的旋转机械中，大约有70％的故障是由滚动轴承引起的，在齿轮箱的各种故障中，轴承故障仅次于齿轮故障而占到19％，电动机故障中有80％表现为电动机轴承故障。因此，对滚动轴承常见故障诊断十分重要。

本发明公开了一种利用数据特征的类内标准差和类间标准差筛选敏感特征，标准差反映了数据的离散程度，对于某一特征，类内标准差越小，类间标准差越大，说明其区分故障分类的能力越好，故利用类内标准差与类间标准差的比值作为筛选敏感特征的敏感度的最优特征，并利用筛选出的特征的敏感度构造层次分析法的判断矩阵。传统的层次分析法使用数值1至9这九个分位来主观地判断各指标的重要性，等级是固定的，重要性的差距就是固定的。而实际中各指标间的重要性差距是不同的，利用新的判断矩阵所求得的权值能更加客观、准确地反映各指标之间的重要关系、重要程度，得到的权重也更加准确，更加符合各指标应有的权重占比，进而利用拉普拉斯近似求解的高斯过程组合分类模型(laplacegaussianprocessclassifier，lgpc)建立故障诊断模型的方法，使用高斯过程组合分类模型所需的训练样本相比于神经网络、支持向量机等分类模型所需的训练样本数量更少。通常，高斯过程组合分类模型仅需要2万至3万个数据样本即可完成对分类模型的训练，相比于神经网络等分类模型所需的数十万个样本，高斯过程组合分类模型的数据样本更易于获得，并且高斯过程组合分类模型可自行优化参数，可减少人为干预引入的误差。根据本发明的具体方法将在以下详细说明。

图1是根据本发明的实施例的轴承故障智能诊断方法的流程图。

在步骤101中，数据采集系统采集轴承的原始振动数据。数据采集系统可由传感器、滤波器、a/d转换器、数据处理器等部分构成。在滚动轴承的运转中，数据采集系统可采集轴承的振动数据，并对该振动数据进行预处理，所述预处理包括滤除噪声信号、a/d转换、筛选有效信号等。通常，滚动轴承由内圈、外圈、保持架和滚动体四部分组成，任何部分出现故障时，轴承的振动数据都会表现出不同的特征。

在步骤102中，对轴承的原始振动数据进行小波包三层分解。小波包分解能够为信号提供更加精细的分析方法，小波包将频带进行多层次划分，并能够根据被分析信号的特征，自适应地选择相应的频带，使频带与频谱匹配，从而提高分辨率。在示例中，利用小波包将步骤101采集的原始振动数据分解为三层，并得到8个分频带信号。

在步骤103中，对轴承的原始振动数据进行经验模态分解(empiricalmodedecomposition，emd)。emd分解方法在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性、非平稳信号序列，具有很高的信噪比。在示例中，利用emd方法将步骤101采集的原始振动数据进行分解，并提取前8个本征模式分量。

在步骤104中，对原始振动数据、8个分频带信号和8个本征模式分量分别提取6个无量纲特征和5个有量纲特征。其中，6个无量纲特征包括偏斜度、峭度、峰值、波形、脉冲以及裕度；5个有量纲特征包括有效值、均值、标准差、方根幅值以及最大值。在该步骤中，分别提取了原始振动数据的偏斜度、峭度、峰值、波形、脉冲、裕度、有效值、均值、标准差、方根幅值以及最大值；分频带信号1至分频带信号8的偏斜度、峭度、峰值、波形、脉冲、裕度、有效值、均值、标准差、方根幅值以及最大值；本征模式分量1至本征模式分量8的偏斜度、峭度、峰值、波形、脉冲、裕度、有效值、均值、标准差、方根幅值以及最大值。即原始振动数据、每个分频带信号和每个本征模式分量均被提取包括偏斜度、峭度、峰值、波形、脉冲、裕度、有效值、均值、标准差、方根幅值以及最大值的11个特征，因此，共提取了187个特征，其中包括102个无量纲特征和85个有量纲特征。

在步骤105中，对步骤104中提取的所有特征进行评估、筛选和加权。轴承的运行状态类通常分为正常状态、内圈故障状态、外圈故障状态、滚动体故障状态4种。

在步骤105中，首先针对所有数据特征计算类内标准差。在计算类内标准差时，针对同一数据特征，对每种轴承的运行状态分别获取预定数量的特征样本，然后分别对每种轴承运行状态所得的特征样本求标准差，所得四个标准差再求均值，即求得类内标准差，例如，计算原始振动数据中的偏斜度特征在四个状态下的标准差均值，或者计算分频带信号1中的有效值在四个状态下的标准差均值。在示例中，选取50个数据样本来计算标准差。例如，选取50个原始振动数据中的偏斜度特征在正常状态下的数据样本来计算原始振动数据中的偏斜度特征在正常状态下的标准差，同样，分别选取50个原始振动数据中的偏斜度特征在内圈故障状态下、外圈故障状态下、滚动体状态下的数据样本来分别计算原始振动数据中的偏斜度特征在内圈故障状态下、外圈故障状态下、滚动体状态下的标准差，将四个状态的标准差求均值，该均值即为原始振动数据中的偏斜度特征的类内标准差。随后，针对所有数据特征计算所述运行状态类的类间标准差，根据本发明的一个实施例，对所述求得对应特征的类间标准差包括：对于同一特征，对四种轴承的运行状态分别求得预订数量的特征样本，再分别对四种轴承运行状态的特征样本求均值，然后对得到的四个特征样本均值求得标准差，即类间标准差。例如，计算原始振动数据中的偏斜度特征在正常状态、内圈故障状态、外圈故障状态、滚动体故障状态下的样本数据特征均值的标准差。在示例中，在计算类间标准差时，通常选取50个同类数据样本来计算特征的均值。例如，选取50个正常状态的原始振动数据样本分别求取偏斜度特征，然后对求得的50个特征值求均值，同样，分别选取内圈故障状态、外圈故障状态、滚动体状态的50个原始振动数据样本，分别求取偏斜度特征，然后分别对求得的50个特征值求均值，最后对求得的四个状态对应的四个均值求标准差，该标准差即类间标准差。

在计算出所有特征的类内标准差和类间标准差之后，计算类内标准差和类间标准差的比值，即：

其中，std(intra_class)是类内标准差，std(inter_class)是类间标准差。在示例中，针对所有特征计算类内标准差和类间标准差的比值ξ，用1-ξ作为对应特征的敏感度，ξ越小，敏感度越高，反之，ξ越大，敏感度越低。例如，计算原始振动数据中的偏斜度特征的类内标准差与原始振动数据中的偏斜度特征的类间标准差的比值ξ，或者计算分频带信号1中的有效值的类内标准差与分频带信号1中的有效值的类间标准差的比值ξ。按照该计算方式，可计算出所有特征的类内标准差与所有特征的类间标准差之间的比值，即数据特征的敏感度。

在计算出上述所有比值ξ之后，选取比值ξ最小，即敏感度最高的8个特征作为敏感特征。例如，原始振动数据中的峭度、分频带信号1中的偏斜度、分频带信号3中的峰值、分频带信号8中的裕度、本征模式分量1中的波形、本征模式分量2中的均值、本征模式分量5中的标准差、本征模式分量6中的方根幅值具有最小的类内标准差与类间标准差的比值ξ，因此，该8个特征可作为敏感特征集。

在筛选出敏感特征并计算出它们的类内标准差与类间标准差的比值ξ之后，可利用类内标准差和类间标准差之间的比值ξ作为分位，代替现有技术的用来构造层次分析法判断矩阵的9分位，来建立新的判断矩阵，其中，矩阵的元素采用敏感度1-ξ彼此两两相除(包括自身与自身相除)所得的结果。使用敏感度1-ξ作为分位可更准确地反映敏感特征之间的重要关系和重要程度。例如，针对8个敏感特征的类内标准差和类间标准差之间的比值分别为ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7以及ξ8。则使用以上8个比值建立的判断矩阵为：

在建立判断矩阵a之后，计算判断矩阵a的特征值与特征向量，并将最大的特征值对应的特征向量的元素作为权值，对所述8个敏感特征进行加权，以得到加权的敏感特征。

在步骤106中，根据步骤105中得到的敏感特征、判断矩阵和权值建立高斯过程组合分类模型，即使用加权的敏感特征来建立高斯过程组合分类模型。在实施例中，使用三个高斯过程分类器来建立高斯过程组合分类模型。在示例中，所述高斯过程分类器是高斯过程二分类器。高斯过程组合分类模型将在图2中详细描述。

图2是根据示例性实施例的高斯过程组合分类模型的框图。如图2所示，使用敏感特征和对应权值等数据来训练高斯过程分类器，并建立高斯过程组合分类模型。

如图2所示，lgpc1判断轴承处于正常状态还是故障状态。当lgpc1判断轴承处于故障状态时，lgpc2判断轴承处于内圈故障状态还是非内圈故障状态。当lgpc2判断轴承处于非内圈故障状态时，lgpc3判断轴承处于外圈故障状态还是滚动体故障状态。

再次参照图1，在步骤107中，轴承故障智能诊断方法可利用图2中的高斯过程组合分类模型对轴承的运行状态进行分类。在示例中，数据采集系统采集的轴承的原始振动数据以作为待诊信号，在步骤109中提取待诊信号的加权敏感特征集。其中，步骤109可包括：对所述待诊信号进行小波包分解以获得8个分频带信号，对所述待诊信号进行emd分解以获得8个本征模式分量，以及分别对所述待诊信号、8个分频带信号和8个本征模式分量提取6个无量纲特征和5个有量纲特征；获取与在步骤105中得到的敏感特征集相同的数据特征集作为待诊信号的敏感特征集，利用在步骤105中计算出的权值对待诊信号的敏感特征集进行加权以获得待诊信号的加权敏感特征集。

在步骤107中，高斯过程组合分类模型接收步骤109中的待诊信号的加权敏感特征集，并基于待诊信号的加权敏感特征集对轴承的运行状态进行分类。如图2所示，例如，lgpc1可根据待诊信号的加权敏感特征确定轴承运行状态处于正常状态的概率(即，确定轴承运行状态处于正常状态还是故障状态)，当轴承运行状态处于正常状态的概率大于0.5时，可判断轴承的运行状态处于正常状态。当lgpc1判断轴承运行状态处于正常状态的概率小于或等于0.5时，可判断轴承的运行状态处于故障状态。当lgpc1判断轴承的运行状态处于故障状态时，lgpc2可根据待诊信号的加权敏感特征确定轴承运行状态处于内圈故障状态的概率(即，确定轴承运行状态处于内圈故障状态还是非内圈故障状态)，当轴承运行状态处于内圈故障状态的概率大于0.5时，可判断轴承的运行状态处于内圈故障状态。当lgpc2判断轴承运行状态处于内圈故障状态的概率小于或等于0.5时，可判断轴承的运行状态处于非内圈故障状态。当lgpc2判断轴承运行状态处于非内圈故障状态时，lgpc3可根据待诊信号的加权敏感特征确定轴承运行状态处于外圈故障状态还是滚动体故障状态，当lgpc3判断轴承运行状态处于外圈故障状态的概率大于0.5时，可判断轴承的运行状态处于外圈故障状态。当lgpc3判断轴承的运行状态处于外圈故障状态的概率小于或等于0.5时，可判断轴承的运行状态处于滚动体故障状态。

在步骤108中，所述轴承故障智能诊断方法输出诊断结果。所述方法根据在步骤107中确定的轴承状态分类来输出诊断结果，随后，所述方法结束。

采用根据本发明的轴承故障智能诊断方法，利用敏感度来代替传统层次分析法中判断矩阵中的固定的9分位，可更加客观和准确地反映各个敏感特征之间的重要关系和重要程度，因此得到的权值准确度更高，此外，高斯过程组合分类模型的数据样本更易于获得，并且高斯过程组合分类模型可自行优化参数，可减少人为干预引入的误差。

虽然以上描述了示例性实施例，但是这些实施例并不意在描述本发明的所有可能形式。更确切地说，说明书中使用的词语是描述性词语而非限制性词语，并且应理解的是，可在不脱离本发明的精神和范围的情况下做出各种改变。此外，可将各种实现的实施例的特征进行组合以形成本发明的进一步的实施例。