一种智能旋转机械故障深度网络特征辨识方法与流程

本发明涉及机械系统故障辨识领域，特别是指一种智能旋转机械故障深度网络特征辨识方法。

背景技术：

随着高速铁路技术的不断进步和智能高铁计划的提出，高铁运营安全越来越受到人们的关注。高速铁路组成复杂，而旋转机械在其中占据了重要地位，例如转向架电机，牵引制动装置都包含了大量旋转机械。不过旋转机械在长期使用过程中，极其容易出现不同程度的损耗而产生各种故障，如果发现不及时导致机械故障积累，轻则出现晚点事故导致经济损失，重则产生安全隐患造成安全事故。

现在旋转机械的诊断方法以采集振动信号为主，对其进行分析诊断。但是振动信号在故障早期异常变化极其微小，常规诊断方法往往效果不佳。现有的诊断算法中同时针对诊断部位和诊断类型进行检测，导致训练样本维度高，而且对原始数据的前处理较为简单，效果一般，故而导致最终模型检测精度不高。

因此，为了进一步提高高速铁路的稳定运营和安全运行，需要更好更及时的检测出旋转机械的故障部位和故障类型，提高故障诊断的准确性和可靠性，一种智能可靠的机械故障诊断方法急需被提出。

技术实现要素：

本发明提供一种智能旋转机械故障深度网络特征辨识方法，通过对振动信号进行特征提取，基于深度网络对特征进行辨识诊断旋转机械是否发生故障、故障位置以及故障类型，提高故障诊断的准确性和可靠性。

为实现上述技术目的，本发明采用如下技术方案：

一种智能旋转机械故障深度网络特征辨识方法，包括以下步骤：

步骤1，获取旋转机械的原始振动信号；

步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；

步骤3，计算重构振动序列的均方根值rmse、标准差sde、偏度指标skewness和峰值m；

步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量c1(t),c2(t),…cn(t)，并计算得到各个固有模态分量ci(t)的排列熵值hi；

步骤5，构建训练样本，训练诊断模型；

将旋转机械的原始振动信号对应的均方根值rmse、标准差sde、偏度指标skewness、峰值m和机械故障位置，作为旋转机械的第一训练样本；

将旋转机械的原始振动信号对应的各个固有模态分量ci(t)的排列熵值hi和机械故障类型，作为旋转机械的第二训练样本；

以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；

以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；

步骤6，实时采集待检测旋转机械的原始振动信号，按步骤2-3获取待检测旋转机械的原始振动信号所对应的均方根值rmse、标准差sde、偏度指标skewness和峰值m，并输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置；

当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；

步骤7，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量ci(t)的排列熵值hi，并输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。

进一步地，所述利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列的具体过程为：

步骤a1，嵌入操作；

将原始振动信号x＝(x1，x2，x3…，xn)变换为z＝[z1，z2，z3…，zk]，其中，zi＝(xi，xi+1，xi+2,…，xi+l-1)，k＝n-l+1，l表示嵌入维数，且l∈[2,n]；最终映射的结果为轨迹矩阵z：

步骤a2，将轨迹矩阵z进行奇异值分解；

设矩阵h＝zz^t，且λ1,λ2,…λl(λ1,≥≥…≥λl≥0)为矩阵h的特征值，其中z^t是轨迹矩阵z的转置矩阵，通过奇异值分解的方法，将轨迹矩阵z进行如下变换从而得到zf；

zf＝z1+z2+…+zd，

其中为轨迹矩阵z的奇异值，ui和vi分别表示轨迹矩阵z的左右特征向量，其中d＝l*＝min{l,k}；

步骤a3，将分解后的矩阵zf进行分组；

将区间{1,2,…,d}分割为非连接的子集i1,i2,…im，则轨迹矩阵z可表示为：

步骤a4，将分组后的轨迹矩阵z重构为长度为n的重构振动序列xc；

轨迹矩阵z是l×k的矩阵，l*＝min(l,k)，k*＝max(l,k)，n＝l+k-1，当l＜k时，否则重构振动序列为xc＝(xc1,xc2,…,xcn)，且xcn为：

进一步地，所述均方根值rmse、标准差sde、偏度指标skewness和峰值m的计算公式为：

m＝max|xcn(i)|；

其中，xcn(i)表示重构振动序列中的第i个元素，表示重构振动序列中元素的均值。

进一步地，所述将重构振动序列进行集合经验模态分解的具体过程为：

步骤b1，求得重构信号序列xc＝(xc1,xc2,…,xcn)中的极大值和极小值，采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t)；

步骤b2，计算上下包络线的平均值m(t)，提取h(t)＝x(t)-m(t)，判断h(t)是否满足固有模态分量条件，如果满足，则设h(t)为第一个固有模态分量；否则将h(t)作为新的重构振动序列xc；

步骤b3，重复步骤b1和b2，直到经过n次筛选后的差值hn(t)满足固有模态分解条件，则将该差值hn(t)设为第一个固有模态分量，记作c1(t)＝hn(t)；

步骤b4，将重构信号序列xc转化为剩余序列r1(t)＝xc-c1(t)；

步骤b5，将剩余序列r1(t)重复步骤b1-b4，得到其余的固有模态分量，直到余量rn(t)为单调函数时终止循环，得到一组固有模态分量c1(t),c2(t),…cn(t)。

进一步地，所述各个固有模态分量ci(t)的排列熵值hi的具体过程为：

步骤c1，对固有模态分量c1(t)进行相空间重构，得到矩阵

其中j＝1,2,…,w，d为嵌入维数，τ为延迟时间，w为重构分量的个数；

步骤c2，将矩阵y中每一行{x(j),x(j+τ),…,x(j+(d-1)τ}按照升序重新排列，将每一行重新表示为{x(j1),x(j2+τ),…,x(jd+(d-1)τ}，从而每一行得到一组符号序列：

s(l)＝{j1,j2,…,jd}；

式中l＝1,2,…,w；

步骤c3，计算每一组符号序列出现的概率，得到p1,p2,…pw，那么固有模态分量c1(t)的排列熵值为：

步骤c4，对剩余的固有模态分量重复步骤c1-c3，计算出所有固有模态分量的排列熵值，按照顺序排列为h1,h2,…hn。

进一步地，当旋转机械故障类型诊断模型输出的故障类型为无故障，则重复步骤7；当重复步骤7达到预设次数时，输出的故障类型仍为无故障，则结束故障检测。

进一步地，所述故障位置包括无故障、外圈故障、内圈故障、滚动体故障和保持架故障。

进一步地，所述故障类型包括无故障、疲劳剥落、磨损、腐蚀和胶合。

进一步地，所述训练样本集包括低速运行、中速运行和高速运行三种工况下的旋转机械。

进一步地，所述旋转机械为滚动轴承。

有益效果

1、对监测对象即旋转机械所执行的故障位置检测和故障类型检测分开使用两个支持向量机进行，简化单个支持向量机的训练样本的特征数量，有利于提高对支持向量机的训练率，进而提高对旋转机械故障检测的准确率；

2、利用奇异谱分析方法将原始振动信号分解重构为重构振动序列，起到主特征提取和降噪的作用，提高后续对旋转机械故障检测的准确率；

3、利用集合经验模态分解将主成分，即重构振动序列，分解为一组固有模态分量，计算每个固有模态分量的排列熵值，从而通过位置诊断模型根据该组排列熵值来区分不同的故障类型，该排列熵值便于计算、易于区分、标签空间广，并且可以提取并放大重构振动序列中的微小变化，可以有效区分多种故障类型；

4、提取的特征，包括均方根值rmse、标准差sde、偏度指标skewness、峰值m，固有模态分量的排列熵，属于时频特征，对于旋转机械的非平稳非线性信号的描述性更好，即对更能体现旋转机械的非平稳非线性信号所具有的特征，从而更进一步提高对旋转机械故障检测的准确率。

附图说明

图1为本发明智能旋转机械故障深度网络特征辨识方法的整体流程图。

具体实施方式

本发明实施例提供的智能旋转机械故障深度网络特征辨识方法，通过在列车滚动轴承待检测旋转机械部位设置振动传感器，收集滚动轴承工作时的原始振动序列，然后通过奇异谱分析方法将原始振动序列进行分解重构，并提取重构振动序列的均方根值、标准差、偏度指标和峰值，利用支持向量机训练得到的旋转机械故障位置诊断模型来判断故障位置，然后将重构振动序列进行集合经验模态分解，计算分解后的一组固有模态分量各自的排列熵值，将排列熵值的排列组合作为检测特征，利用支持向量机训练得到的旋转机械故障类型诊断模型来判断故障类型。

在本实施例中旋转机械以滚动轴承为例，如图1所示，本发明方法包括如下步骤：

步骤1，获取训练样本集。

在实验环境下，通过布置在轴承检测处的振动传感器，分别采集滚动轴承的原始振动信号xi，其中1≤i≤n，n为每t个时间间隔的采样周期内采集的样本数目，这样t时间内采集的原始信号序列汇总为原始振动序列x＝(x1，x2，x3…，xn)。

在滚动轴承正常运行于低速、中速和高速三种工况，每次对滚动轴承的内圈、外圈、滚动体和保持架四个部位均正常运作时的原始振动序列各采集100组，由于速度越快发生故障的概率和危害越大，因此在本实施例采集滚动轴承的原始振动信号训练模型时，低速运行取1次数据、中速运行取2次数据，高速运行取3次数据，从而提高训练得到的故障位置诊断模型和故障类型诊断模型对故障诊断的准确性。四个部位分别发生故障时(即某个部位故障、另外三个部位正常)的原始振动序列各采集100组，如此对故障位置诊断模型和故障类型诊断模型的训练效果更好。

步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列，具体步骤为：

步骤a1，嵌入操作；

将原始振动信号x＝(x1，x2，x3…，xn)变换为z＝[z1，z2，z3…，zk]，其中，zi＝(xi，xi+1，xi+2,…，xi+l-1)，k＝n-l+1，l表示嵌入维数，且l∈[2,n]；最终映射的结果为轨迹矩阵z：

步骤a2，将轨迹矩阵z进行奇异值分解；

设矩阵h＝zz^t，且λ1,λ2,…λl(λ1,≥≥…≥λl≥0)为矩阵h的特征值，其中z^t是轨迹矩阵z的转置矩阵，通过奇异值分解的方法，将轨迹矩阵z进行如下变换从而得到zf；

zf＝z1+z2+…+zd，

其中为轨迹矩阵z的奇异值，ui和vi分别表示轨迹矩阵z的左右特征向量，其中d＝l^*＝min{l,k}；

步骤a3，将分解后的矩阵zf进行分组；

将区间{1,2,…,d}分割为非连接的子集i1,i2,…im，则轨迹矩阵z可表示为：

步骤a4，将分组后的轨迹矩阵z重构为长度为n的重构振动序列xc；

轨迹矩阵z是l×k的矩阵，l^*＝min(l,k)，k^*＝max(l,k)，n＝l+k-1，当l＜k时，否则重构振动序列为xc＝(xc1,xc2,…,xcn)，且xcn为：

利用奇异谱分析方法将原始振动信号分解重构为重构振动序列，起到主特征提取和降噪的作用，提高后续对旋转机械故障检测的准确率。

步骤3，计算重构振动序列xc的均方根值rmse、标准差sde、偏度指标skewness和峰值m，其计算公式为：

m＝max|xcn(i)|；

其中，xcn(i)表示重构振动序列中的第i个元素，表示重构振动序列中元素的均值。

这些提取到的重构振动序列xc的均方根值rmse、标准差sde、偏度指标skewness和峰值m属于时频特征，对于旋转机械的非平稳非线性信号的描述性更好，即对更能体现旋转机械的非平稳非线性信号所具有的特征，从而更进一步提高对旋转机械故障检测的准确率。

步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量c1(t),c2(t),…cn(t)，并计算得到各个固有模态分量ci(t)的排列熵值hi。

其中，对将重构振动序列xc进行集合经验模态分解的具体过程为：

步骤b1，求得重构信号序列xc＝(xc1,xc2,…,xcn)中的极大值和极小值，采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t)；

步骤b2，计算上下包络线的平均值m(t)，提取h(t)＝x(t)-m(t)，判断h(t)是否满足固有模态分量条件，如果满足，则设h(t)为第一个固有模态分量；否则将h(t)作为新的重构振动序列xc；

在本实施例中，选用标准差sde作为筛选停止标准，当h(t)的标准差sde为0.2～0.3时，则认为该h(t)符合条件；

步骤b3，重复步骤b1和b2，直到经过n次筛选后的差值hn(t)满足固有模态分解条件，则将该差值hn(t)设为第一个固有模态分量，记作c1(t)＝hn(t)；

步骤b4，得到c1(t)后，将重构信号序列xc转化为剩余序列r1(t)＝xc-c1(t)；

步骤b5，将剩余序列r1(t)重复步骤b1-b4，得到其余的固有模态分量，直到余量rn(t)为单调函数时终止循环，得到一组固有模态分量c1(t),c2(t),…cn(t)。

另外，计算各个固有模态分量ci(t)的排列熵值hi的具体过程为：

步骤c1，对固有模态分量c1(t)进行相空间重构，得到矩阵

其中j＝1,2,…,w，d为嵌入维数，τ为延迟时间，w为重构分量的个数；

步骤c2，将矩阵y中每一行{x(j),x(j+τ),…,x(j+(d-1)τ}按照升序重新排列，那么每一行都可以重新表示为{x(j1),x(j2+τ),…,x(jd+(d-1)τ}，从而每一行都可以得到一组符号序列：

s(l)＝{j1,j2,…,jd}；

式中l＝1,2,…,w；

步骤c3，计算每一组符号序列出现的概率，得到p1,p2,…pw，那么固有模态分量c1(t)的排列熵值为：

步骤c4，对剩余的固有模态分量重复步骤c1-c3，计算出所有固有模态分量的排列熵值，按照顺序排列为h1,h2,…hn。

利用集合经验模态分解将主成分，即重构振动序列，分解为一组固有模态分量，计算每个固有模态分量的排列熵值，从而通过位置诊断模型根据该组排列熵值来区分不同的故障类型，该排列熵值便于计算、易于区分；而且，利用集合经验模态分解可得到大量模态分量，从而有大量对应的排列熵值，将所有的排列熵值排列组合可得到大量的排列熵，这样繁多的排列组合便构成了宽广的标签空间，并且可以提取并放大重构振动序列中的微小变化，可以有效区分多种故障类型；

步骤5，构建训练样本，训练诊断模型；

将旋转机械的原始振动信号对应的均方根值rmse、标准差sde、偏度指标skewness、峰值m和机械故障位置，作为旋转机械的第一训练样本；

将旋转机械的原始振动信号对应的各个固有模态分量ci(t)的排列熵值hi和机械故障类型，作为旋转机械的第二训练样本。

以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型。其中，故障位置包括无故障、外圈故障、内圈故障、滚动体故障和保持架故障，在第一支持向量机模型中分别表示为0、1、2、3、4。

以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型。其中，故障类型包括无故障、疲劳剥落、磨损、腐蚀和胶合，在第二支持向量机模型中分别表示为0、1、2、3、4。

步骤6，在线检测。

利用布置在待检测滚动轴承处的振动传感器，实时采集待检测滚动轴承的原始振动信号，与训练旋转机械故障位置诊断模型时获取第一训练样本的均方根值rmse、标准差sde、偏度指标skewness和峰值m的方法相同，获取待检测滚动轴承的原始振动信号的均方根值rmse、标准差sde、偏度指标skewness峰值m，并将该四个值输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置。

当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；

步骤7，与训练旋转机械故障类型诊断模型时获取第二训练样本的的方法相同，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量ci(t)的排列熵值hi，并将排列熵值组成的序列h1,h2,…hn输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。

当旋转机械故障类型诊断模型输出的故障类型为无故障，则重复步骤7；当重复步骤7达到预设次数3时，输出的故障类型仍为无故障，则结束故障检测。

当旋转机械故障位置诊断模型输出故障位置、旋转机械故障类型诊断模型输出故障类型，将故障位置和故障类型发送给人机交互终端或者诊断结果响应设备，以进一步采取故障排除措施。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变形或修改。因此，本发明的范围应该被理解和认定为覆盖了所有这些其他变形或修改。