一种用于旋转机械故障特征的敏感特征选择方法

本发明涉及故障特征的敏感特征选择，具体涉及用于旋转机械故障特征的敏感特征选择方法。

背景技术：

1、机械设备具有很强的关联性，其中的一个零件出现故障往往会牵动整个设备的正常运行，甚至会导致灾难性的后果。由于机械设备在使用过程中由于环境因素和设备本身寿命的限制，必然会老化发生故障。为延长机械设备的使用寿命，提高设备产值产能，故障诊断技术应运而生。原始信号中包含大量与设备健康状态无关的信息，会淹没设备状态信息，导致故障识别的精确度不高。特征提取和特征选择是故障诊断领域的重要环节，好的特征提取和选择方法能有效从冗余的振动信号中提取出较为客观反映正常及故障状态的数据特征，去伪存真。经过提取和选择的敏感特征不仅能更加有效的表征设备健康状态，而且降低了数据的维度。使用敏感特征进行故障识别不仅可以提高精确度，还能提升故障识别模型的学习速度。特征选择的主要目的是通过特征选择算法从原始特征集中选择出评估标准最佳的特征子集，它不仅可以压缩学习算法搜索的空间、减少特征集合数量的大小，还能提高数据分类的精确度和效率，提升对模型学习的速度。因此如何快速有效地选择出有效特征，去除无关和冗余特征是特征选择的重要研究课题。

2、目前，特征选择算法通常分为四个步骤：第一步是通过特定的搜索策略搜索特征子集，为后续评价提供相应的子集；第二步是采取评价函数对所选特征子集的有效性进行评估；第三步是设定算法终止条件，常用的有设置阈值和评价次数；第四步是对验证集进行实验，验证所选特征子集的有效性。目前，在特征选择方面学者们做了大量研究工作。如以信息为度量准则的mrmr特征选择算法；以一致性为度量准则的focus算法；以距离为度量准则的补偿距离评估算法。mrmr方法可以通过不同特征子集与类别的互信息来选择出最优的子集，但当特征维度较大时，特征的互信息难以很好地估计导致评估不准确。focus算法则用不一致率来度量，试图找到与全集有同样区分类别能力的最小子集，能单调快速去除冗余和无关特征，但它对噪声数据十分敏感。补偿距离评估算法是通过特征的类内与类间距离评估特征的好坏，算法原理简单，通用性强、复杂性低，选取的特征子集冗余度较低。但该算法属于无监督的特征选择，所选特征子集在分类精度上通常略低。

3、不同类型的数据包含着不同的特征，在基于深度学习的故障诊断中，常常使用深度学习模型提取特征，并结合多类特征得到融合特征，让诊断模型学习到更多的知识以此提高诊断精度。自编码器是一种典型的深度学习模型，它隐含层的节点数目少于输入节点，能够通过自编码器中非线性的连接获得灵活的数据特征压缩表示。在处理自编码器特征时，由于特征集中零值的存在，导致一些传统的特征选择算法无法正常运行。因此为了获得更高效的特征集，合适的特征选择方法尤为重要。

技术实现思路

1、有鉴于此，本发明提供了一种用于旋转机械故障特征的敏感特征选择方法，能够针对自编码器所提特征自动选择出有效性较高的特征子集，提高后续故障诊断的精度。

2、为达到上述目的，本发明的技术方案具体如下：

3、一种用于旋转机械故障特征的敏感特征选择方法，包括如下步骤：

4、s1、利用振动加速度传感器采集旋转机械故障振动加速度信号；

5、s2、对采集的振动加速度信号做快速傅里叶变换得到频域信号；

6、s3、搭建自编码器模型，将得到的频域信号作为输入，训练自编码器；

7、s4、自编码器训练完成后，提取编码器输出作为信号的特征向量，记为f1；

8、s5、记录编码器特征向量f1中的全零特征位置编码l1，并去除全零特征得到特征子集f2；其中，找出并记录特征集中全零特征的位置编码，并将其清空；

9、s6、利用补偿距离评估方法对特征子集f2做特征评估，去除评估指标小于设定值的特征，并记录特征位置编码l2，得到最终特征去除的位置编码l3＝l1+l2；

10、s7、通过已训练完成的自编码器对待分析信号的频域信号进行特征提取，去除位置编码为l3的特征后，完成特征选择。

11、其中，所述s6中，利用改进的补偿距离评估方法对特征子集f2做特征评估，记录去除评估指标小于设定值的特征位置编码l2，得到最终特征去除的位置编码l3＝l1+l2，具体为：

12、利用改进补偿因子的补偿距离评估方法对特征子集f2做特征评估，将特征的评估指标从大到小排序，取训练特征集前90％的特征作为特征子集，去除后10％的特征，同时记录被去除特征的位置编码l2，得到最终特征选择所去除特征的总位置编码l3＝l1+l2。

13、其中，所述s2具体为：

14、将采集到振动加速度信号按相同时长分段，再对信号做快速傅里叶变换，得到一系列故障频域信号。

15、其中，所述s3具体为：

16、设置自编码器网络结构和训练参数，将得到的一系列故障频域信号作为自编码器的输入，在训练自编码时通过损失函数可视化训练过程，待损失函数达到预期值时结束训练。

17、其中，所述s4具体为：

18、在自编码器训练完成后，将频域信号再一次输入自编码器中，不运行解码器部分，直接从编码器部分得到输出作为特征向量。

19、其中，所述s1中，振动加速度传感器通过磁吸安装到旋转机械的外壳上，采集到多种不同故障的振动加速度信号。

20、有益效果：

21、1、本发明针对自编码器所提取的旋转机械故障特征进行敏感特征选择，具体为：使用振动加速度传感器采集到旋转机械不同故障的信号，再对信号做快速傅里叶变换，得到一系列故障频域信号作为训练集；利用训练集数据训练自编码器特征提取模型，同时提取出训练集的特征集，通过改进补偿距离评估方法选出理想的特征子集，并记录所筛选特征子集的具体位置编码信息；将待检测的故障信号做快速傅里叶变换，利用已训练完成的自编码器模型提取出特征集，最后相同的筛选原则选择出特征子集，完成特征选择。本发明针对自编码器所提特征，能够自动选择出有效性较高的特征子集，去除绝大部分的冗余特征和无关特征，可以提高后续故障诊断的精度，完成了对自编码器所提特征的选择工作，能够有效地去除特征集中冗余和无关特征，选择敏感特征子集，进而提高故障诊断的准确率。

22、2、本发明通过改进后的补偿距离评估算法，对自编码器提取出的抽象故障特征进行有效性评估，快速去除绝大部分的冗余和无关特征，选择出较优特征作为特征子集，进而提高后续故障诊断的准确率。

23、3、本发明中，对采集的振动加速度信号做快速傅里叶变换得到频域信号，具体为：将采集到振动加速度信号按相同时长分段，再对信号做快速傅里叶变换，得到一系列故障频域信号，保证采集的全面性。

24、4、本发明对采集的待分析的振动加速度信号做快速傅里叶变换得到频域信号，通过已训练完成的自编码器进行特征提取，去除位置编码为l3的特征后，得到故障敏感特征，完成特征选择，效率高并且准确率高。

技术特征：

1.一种用于旋转机械故障特征的敏感特征选择方法，其特征在于，包括如下步骤：

2.如权利要求1所述的方法，其特征在于，所述s6中，利用改进的补偿距离评估方法对特征子集f2做特征评估，记录去除评估指标小于设定值的特征位置编码l2，得到最终特征去除的位置编码l3＝l1+l2，具体为：

3.如权利要求1所述的方法，其特征在于，所述s2具体为：

4.如权利要求1所述的方法，其特征在于，所述s3具体为：

5.如权利要求1所述的方法，其特征在于，所述s4具体为：

6.如权利要求1-5任意一项所述的方法，其特征在于，所述s1中，振动加速度传感器通过磁吸安装到旋转机械的外壳上，采集到多种不同故障的振动加速度信号。

技术总结
本发明提供了一种用于旋转机械故障特征的敏感特征选择方法，能够针对自编码器所提特征自动选择出有效性较高的特征子集，提高后续故障诊断的精度。利用振动加速度传感器采集旋转机械故障振动加速度信号，对采集的振动加速度信号做快速傅里叶变换得到频域信号，将得到的训练集频域信号作为输入，训练自编码器特征提取模型，并提取出训练集特征；对训练集特征进行选择，去除无关特征，利用已训练完成的自编码器模型提取测试集特征，并按相同的特征选择原则去除无关特征，可以提高后续故障诊断的精度，完成了对自编码器所提特征的选择工作，能够有效地去除特征集中冗余和无关特征，选择敏感特征子集，进而提高故障诊断的准确率。

技术研发人员：冯坤,向明胜,李迎丽
受保护的技术使用者：北京化工大学
技术研发日：
技术公布日：2024/1/15