一种多特征提取与融合的智能故障诊断方法与流程

本发明属于故障诊断技术领域，特别涉及一种多特征提取与融合的智能故障诊断方法。

背景技术：

随着技术的进步，现代机械正朝着高速、高精和智能的方向发展，但其必须满足可靠性和可用性的要求；而作为机械设备的重要组成部分，关键零部件对保证设备的平稳运行至关重要，其一旦发生故障，就会导致设备可靠性降低，重则还会引起设备意外停机，产生巨大的生产成本和产能损失；因此，基于关键零部件的运行数据，发展一种能够有效识别健康状态的故障诊断方法是必要的。

在故障诊断领域，对零部件健康状态进行识别主要分为基于信号处理的传统识别方法和基于机器学习的智能识别方法；传统识别方法利用各种信号处理技术，如快速傅里叶变换，小波及小波包分解，经验模式分解等，对采集到的信号进行预处理，通过人为观察处理后的结果，提取有用信息进行零部件健康状态的识别；传统识别方法在进行故障诊断时需要大量的信号处理知识以及丰富的故障诊断经验，受人的主观影响较大；而智能故障诊断在很大程度上改善了传统识别方法的这一缺陷。

经过数十年的发展，智能故障诊断共经历了两个阶段，分别是传统智能故障诊断和基于深度学习的智能故障诊断；传统智能故障诊断通过提取多种领域的标量特征，例如时域、频域、时频域，然后选择部分敏感特征或者全部特征输入至浅层模型中，例如支持向量机、人工神经网络或者多种方法的混合等，通过这些方法实现设备健康状态识别；然而，传统智能诊断方法存在以下两个缺点：1)孤立了特征提取与故障识别的关系，提升了智能故障诊断的难度；2)在面对较为复杂的故障识别任务时，例如故障类别多、数据量大等，人为提取有效特征会消耗大量的时间，并且特征泛化能力较低，缩小了智能诊断的应用范围；由于强大的数据挖掘与自适应特征提取能力，深度学习表现出了克服传统智能诊断内在缺陷的潜力，极大地推动了智能故障诊断的发展与应用；研究者们通过堆叠多层基础的神经网络，例如受限玻尔兹曼机、自编码器或者它们的变体，构建一种深度学习模型，使其能够从时域数据、频域数据、时频域数据中自适应学习有效的标量特征；最终模型的分类器利用这些特征对轴承的健康状态进行识别。

然而基于深度学习的智能诊断方法仍有以下两个关键点急需解决：1)训练深度学习模型通常需要大量的训练本，但在实际中故障样本很少，不能满足这一要求；2)训练深度学习模型需要大量的时间，这会导致模型缺乏快速更新的能力；两个问题有时是相互矛盾的；因此，同时解决这两个问题需要特殊设计的智能诊断模型。

技术实现要素：

为了克服上述现有技术的缺点，本发明的目的在于提供一种多特征提取与融合的智能故障诊断方法，以准确可靠地完成设备智能故障诊断。

为了达到上述目的，本发明的技术方案是这样实现的：

一种多特征提取与融合的智能故障诊断方法，包括以下步骤：

(1)利用数据采集系统和传感器采集机械设备运行过程中的数据，所述的数据包括振动数据，声音数据；

(2)以确定的长度截取不经任何处理的原始信号，并将其分为训练样本和测试样本，做各段信号的频谱并归一化；

(3)基于自编码器构建多特征提取器，然后利用提取到的多个特征基于动态路由算法构建多特征融合器；

(4)利用softmax分类器对融合后的特征进行轴承健康状态识别；

(5)利用训练样本训练模型，提取区分各轴承健康状态有效的特征以及自适应地学习特征融合方法；

(6)将测试样本输入至模型中，进行多特征提取与融合，实现设备故障的智能诊断。

步骤(3)中所述的基于自编码器构建的多特征提取器是通过n个权重矩阵w从输入中有效地提取向量特征，之后再利用n个权重矩阵u从向量特征中重构输入，这样就形成了具有输入层、特征层和重构层三层结构的多特征提取器。

步骤(3)中所述的基于动态路由算法构建的多特征融合器，首先通过仿射变换将多特征提取器提取到的多个向量特征转换成低级状态特征，低级状态特征通过动态路由算法合成高级状态特征，这些高级状态向量的长度可表示设备处于某一健康状态的可能性。

步骤(3)中所述的多特征提取器的计算过程如下：

给定一个无标签的训练样本编码器使用映射函数h计算得到向量特征：

fl＝h(x)＝ψact(wx)

其中，ψact是非线性激活函数relu；fl由n个向量特征组成，其可表示为：w由n个权重矩阵组成，其可表示为：被用来计算向量特征fli；

多特征提取器的解码器使用映射函数g从向量特征中重构输入

其中，

步骤(5)中所述的训练过程具体是：通过优化目标函数c，让模型自适应地学习网络参数{w，u，v}，目标函数由两部分组成，第一部分c1用于约束多特征提取器，使多特征提取器能够更好地提取特征；第二部分c2用于约束整个模型，使模型能够更好地对设备状态进行识别；

c2＝tk(max(0，m⁺-||vk||))²+(1-tk)(max(0，||vk||-m^-))²

c＝c1+λc2

其中，当预测的状态与实际状态一致时，tk＝1，否则，tk＝0；

重复执行步骤(5)，直至循环次数达到设定值。

本发明的优点为：

本发明采用的多特征提取器，能够摆脱以往自编码器只能够提取标量特征的缺陷，实现了多向量特征的提取，提取到的向量特征能够利用方向和长度同时记录对故障诊断有效信息；这样，就能够充分的挖掘隐含在输入中的信息，提升方法特征提取的能力；利用这一优势，显著地降低了智能诊断模型对样本数量的依赖，同时减少了智能诊断模型的层数，进而减少训练时间。

附图说明

图1是本发明的主要流程图。

图2是本发明的多特征提取器。

图3是本发明的多特征融合器。

图4是本发明样本数量依赖性实验的实验结果及训练时间统计。

图5是本发明对轴承健康状态分类结果的可视化。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，一种多特征提取与融合的智能故障诊断方法，包括以下步骤：

(1)利用数据采集系统和各种传感器采集机械设备运行过程中的数据，例如振动数据和声音数据；

(2)以确定的长度截取不经任何处理的原始信号，并将其分为训练样本和测试样本；做各段信号的频谱并归一化；样本集(训练、测试)表示为xⁿ是第n个频谱，dⁿ是第n个频谱对应的故障类型，n是样本的总数；

(3)基于自编码器构建多特征提取器，然后利用提取到的多个特征基于动态路由算法构建多特征融合器；具体是：基于自编码器构建一个三层学习模型，输入层与特征层组成编码器，特征层与重构层组成解码器；与其他基于自编码器构建的模型不同，此处构建的模型包含多个权重矩阵w，因此可以提取到多个向量特征；相应的，重构过程也包含了多个权重矩阵u；多特征提取器的结构如图2所示；提取到多个向量特征fl后，将其作为多特征融合器的输入，如图3所示；向量特征经放射矩阵v变换后，即可生成低级状态特征uj|i，低级状态特征表示了向量特征i对设备状态j的诊断结果；为了综合每个特征对设备状态的诊断，利用权重系数cij对各类低级状态特征进行融合，得到高级状态特征sj，此时，高级状态特征sj的长度代表了设备处于状态j的可能性，为了将可能性转换成概率，利用squash函数对其进行非线性变换，得到vj；为了提高模型的有效性，采用动态路由算法实时更新权重系数cij，使得到的结果更具鲁棒性；多特征提取器、多特征融合器、动态路由算法的计算过程如下：

(3.1)多特征提取器的计算过程如下：

给定一个无标签的训练样本编码器使用映射函数h计算得到向量特征；

fl＝h(x)＝ψact(wx)

其中，ψact是非线性激活函数relu；fl由n个向量特征组成，其可表示为：w由n个权重矩阵组成，其可表示为：被用来计算向量特征fli；

多特征提取器的解码器使用映射函数g从向量特征中重构输入

其中，

(3.2)多特征融合器的计算过程如下：

得到向量特征fl后，利用仿射矩阵v对其进行仿射变换，得到低级状态特征uj|i；

uj|i＝vijf1i

之后，再利用权重系数cij，对得到的低级状态特征进行加权求和，使这些低级状态特征融合得到高级状态特征sj；

sj＝∑icijuj|i

此时，向量sj的长度表示设备处于状态j的可能性，为了将可能性转化为概率表示，利用非线性压缩函数squash对sj进行变换，得到方向不变而长度压缩至(0,1)的vj；

(3.3)动态路由算法的计算过程如下：

第一次特征融合得到的vj所使用的权重系数cij其大小均相等，但这不是最佳的融合方式，因此采用相似性来对权重系数进行更新；

bij＝0(初始化，只执行一次)

bij＝bij+uj|i·vj

cij＝softmax(bij)

得到更新后的权重系数cij后，重复执行步骤3.2)和步骤3.3)，直到重复次数到达设定的重复次数，得到最终的状态特征vj；

(4)利用softmax分类器对融合后的特征进行设备健康状态识别；

由于状态特征vj的长度代表了设备处于状态j的可能性，因此对每一个状态特征求其模长，组成全局特征；

fg＝[||v1||，||v2||，...，||vq||]^t

之后再利用softmax分类器和全局特征进行设备状态识别；

(5)利用训练样本训练模型，提取区分各种健康状态有效的特征以及自适应地学习特征融合方法；具体是，通过优化目标函数c，让模型自适应地学习网络参数{w，u，v}，目标函数由两部分组成，第一部分c1用于约束多特征提取器，使多特征提取器能够更好地提取特征；第二部分c2用于约束整个模型，使模型能够更好地对设备状态进行识别；

c2＝tk(max(0，m⁺-||vk||))²+(1-tk)(max(0，||vk||-m^-))²

c＝c1+λc2

其中，m⁺＝0.9，m^-＝0.1，当预测的状态与实际状态一致时，tk＝1，否则，tk＝0；

重复执行步骤(5)，直至循环次数达到设定值；

(6)将测试样本输入至模型中，进行多特征提取与融合，实现设备故障的智能诊断。

下面结合轴承故障智能诊断，对本发明作进一步描述；

轴承共有10中健康状态，分别为：正常，内圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)，滚动体故障(故障程度分别为：0.1778、0.3556、0.5334mm)，外圈故障(故障程度分别为：0.1778、0.3556、0.5334mm)；测试时，每种健康状态都分别在4种不同负载(0、1、2、3hp)下采集数据；振动传感器安装于被测轴承的附近，采样频率为12khz。

使用本发明的方法，对采集到的数据进行分割，分割后的信号长度为1024；之后，对每段信号进行快速傅里叶变换并归一化；最终，每种健康状态的样本个数为800个。

针对该数据集，设定提取的向量特征的个数为5，维度为250；设定融合后的状态特征维度为50；设定动态路由循环次数为2；设定正则化系数为1。

采用八种不同比例的训练样本对模型进行训练，每种比例的实验重复10次以排除随机误差的影响，平均训练准确率、平均测试准确率、相应的标准差以及训练时间如图4所示；可以看到，本发明能够准确地对轴承的健康状态进行诊断，即使训练样本比例为1％，测试准确率仍可以达到99％以上，并且，训练模型所消耗的时间也较少，当训练样本比例为25％时，模型训练仅需8s即可完成；上述结果表明，本发明与其他神经网络相比在不损失诊断准确率的前提下，仅需少量的样本以及极短的训练时间即可完成训练，是一种有效的设备健康状态识别方法。

图5是使用本发明方法对轴承10种健康状态分类结果的可视化，可以看出，该方法能够有效并自适应地提取到每种健康状态的特征，进而达到良好的分类效果。

通过以上实施例以及实验结果可以发现，本发明可以有效地对设备健康状态进行特征提取，并融合这些特征，实现准确可靠的智能诊断。