基于并行特征学习和多分类器的滚动轴承故障诊断方法与流程

本发明属于旋转机械智能故障诊断
技术领域：
，涉及一种滚动轴承故障诊断方法，具体涉及一种基于并行特征学习和集成多分类器的滚动轴承故障智能诊断方法，可用于滚动轴承等旋转机械的故障自动诊断。
背景技术：
：旋转机械在工业设备中起着重要作用。滚动轴承是电机、风力发电机组和齿轮箱等旋转机械中最重要的部件之一，它由滚动体、外圈、内圈和保持架组成。滚动轴承通常在复杂的工况下工作，如不同的工作条件、振动、温度、载荷等，这些因素往往会导致滚动轴承性能的下降甚至故障失效。滚动轴承的性能状态直接影响着设备的运行安全，因此，自动、准确地诊断滚动轴承的故障状态非常重要。滚动轴承故障诊断主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对滚动轴承不同工况的数据进行识别，从而达到故障诊断的目的。通常，评价一种滚动轴承故障诊断方法好坏的指标有诊断精度、诊断效率、鲁棒性、客观性等。滚动轴承故障诊断方法可分分为传统故障诊断方法和智能故障诊断方法。智能诊断方法通常包含三个步骤：1)数据采集，2)特征提取和选择，3)故障分类诊断。根据特征提取和选择过程使用的方法不同，智能诊断方法可分为基于浅层特征学习的智能故障诊断方法和基于深层特征学习的智能故障诊断方法。传统故障诊断方法多利用物理模型基于信号处理技术建立故障诊断模型，如经验模态分解和小波分解。然而，在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点，对于故障类型、故障严重程度及故障方向的准确诊断需要依赖先进的信号处理技术，此外，复杂工况下的轴承性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征，通常从这些特征中选择与诊断目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作，所以传统的故障诊断方法依赖于专家经验进行特征选择，缺少客观性，难以对实际工程中复杂工况下的轴承故障状态进行自动、准确地识别。滚动轴承智能故障诊断方法是基于数据驱动，运用传感器和计算机技术发展起来的一类方法，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、卷积神经网络、深度置信网络等。其中，支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖，实现了滚动轴承性能状态特征的自适应学习，提高了故障诊断结果的客观性，但是，这种故障诊断方法是一种基于浅层特征学习的智能故障诊断方法，很难从原始数据中提取出深层特征。因此，这种方法的特征学习能力弱，故障分类诊断精度低。为了提高模型的特征学习能力，学者们提出了以堆栈式自编码器、卷积神经网络、深度置信网络等为代表的基于深层特征学习的智能故障诊断方法。其中，由于网络结构的复杂性，卷积神经网络和深度置信网络的训练过程非常复杂，堆栈式自动编码器由于其结构简单和无监督的特征提取能力，广泛地应用于模式识别、故障诊断等领域的特征提取过程中。此外，在利用智能诊断模型进行故障分类诊断时，softmax分类器通常被用作智能诊断模型的最后一层以获得模型的输出，实现对堆栈式自动编码器提取到的特征到标签的映射。例如，邵海东等人于2018年在mechanicalsystemsandsignalprocessing的102卷上发表的“anovelmethodforintelligentfaultdiagnosisofrollingbearingsusingensembledeepauto-encoders”的文章中，提出了一种集成深度自编码器模型的滚动轴承智能故障诊断方法，该方法首先采集滚动轴承的振动数据，并划分训练集和测试集，其次，基于不同的激活函数建立集成深度自编码器模型并利用训练集数据对模型进行预训练，在此基础上利用故障标签对网络进行微调，最后，利用一个softmax分类器输出测试样本的预测标签，实现根据现场实时采集的滚动轴承振动时域信号对滚动轴承的故障状态进行诊断，为旋转机械设备的安全运行和维保提供参考。然而，该方法虽然在特征提取和选择阶段通过集成深度自编码器模型能够提取到深层特征，但未对提取到的深层特征进行有效评价，不能筛选出与诊断目标相关性强、更具代表性的深层特征，影响了模型的分类诊断精度；另外，该方法在故障分类诊断阶段仅利用一个softmax分类器进行诊断，鲁棒性差，在随机干扰下导致模型的诊断准确度低。技术实现要素：本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于并行特征学习和集成多分类器的滚动轴承智能故障诊断方法，旨在提高滚动轴承的故障诊断精度。本发明的技术思路是，首先采集滚动轴承振动加速度时域信号，获取训练样本集和测试样本集；其次，基于不同的激活函数建立多个堆栈式自编码器模型，以训练样本集作为堆栈式自编码器模型的输入，对每个堆栈式自编码器模型进行训练，并行提取训练样本集的多个特征；然后，基于softmax模型对并行提取的每个特征进行特征评价，根据相应的阈值和每个特征的性能评价指标值将筛选出的特征作为特征子集，再根据特征子集建立基于softmax模型的多个分类器，以特征子集为输入，获取每个分类器的分类精度，根据分类器精度阈值，重新选择多个分类器构造集成多分类器模型，通过多数投票法获得集成多分类器模型的输出标签，从而建立滚动轴承故障诊断模型；最后将测试样本集输入滚动轴承故障诊断模型中，得到测试样本的预测标签，将预测标签映射回滚动轴承的故障类型，实现对滚动轴承的故障诊断。为了实现上述目的，本发明采用的技术方案包括如下步骤：(1)获取训练样本集和测试样本集：(1a)将从数据库中选取的滚动轴承的i个振动时域信号数据作为训练样本，每个训练样本包含一种表示故障类别的标签，标签的类别总数为q，所有训练样本构成训练样本集x1，其中，i≥2000，且i＞＞q，xi表示第i个训练样本，y(i)表示xi的标签；(1b)将通过数据采集系统实时采集的待诊断滚动轴承的j个振动时域信号数据作为测试样本，所有测试样本构成测试样本集x2，j≥i/2,xj表示第j个测试样本；(2)构建n个堆栈式自编码器模型：基于不同激活函数差异性地构建n个各包含k个自编码器的堆栈式自编码器模型，第n个堆栈式自编码器模型中第k个自编码器记为的隐藏层为该n个堆栈式自编码器模型的最后一个隐藏层的节点数均为h，输出层的节点数均为o，其中，n＝1,2,…,n，k＝1,2,…,k，n≥2，k≥2；(3)对n个堆栈式自编码器模型进行并行训练：(3a)令n＝1，k＝1；(3b)将训练样本集x1作为第n个堆栈式自编码器模型中第k个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3c)将训练后的自编码器的隐含层作为第n个堆栈式自编码器模型中第k+1个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3d)判断k＝k是否成立，若是，得到训练后的第n个堆栈式自编码器模型，否则，令k＝k+1，并执行步骤(3c)～(3d)；(3e)判断n＝n是否成立，若是，得到n个并行训练后的堆栈式自编码器模型，否则，令n＝n+1，并执行步骤(3b)～(3d)；(4)获取多个性能状态特征：将第n个并行训练后的堆栈式自编码器模型中的h个节点输出值作为从训练样本集中提取到的第n组性能状态特征，所有堆栈式自编码器提取到的性能状态特征共为m个，其中，m＝n×h，第m个性能状态特征为fm，m＝1,2,…,m；(5)对每个性能状态特征fm进行特征评价：通过最小化误差函数对softmax分类模型进行训练，得到训练后的softmax分类模型，并将每个性能状态特征fm输入到训练后的softmax分类模型，得到m个性能评价指标值i1,i2,…,im,…,im；(6)建立基于softmax分类器的集成多分类器模型：(6a)设置q个阈值t1,t2,…,tq,…,tq，并将m个性能评价指标值逐一与第q个阈值tq进行比较，筛选出性能评价指标值大于tq的性能状态特征组成特征子集sq，得到q个特征子集s1,s2,…,sq,…,sq，q＝1,2,…,q；(6b)将第q个特征子集sq输入到softmax分类器cq中，得到cq的预测标签向量rq，并计算cq的分类诊断精度acq，得到q个softmax分类器的分类诊断精度ac1,ac2,…,acq,…,acq；(6c)设置阈值tc，将q个分类诊断精度ac1,ac2,…,acq,…,acq分别与tc比较，筛选出分类诊断精度大于tc的λ个分类器c1,c2,…,cκ,…,cλ，λ≥5，构成基于softmax分类器的集成多分类器模型c；(7)获取滚动轴承故障诊断结果：(7a)将x2中的xj输入到c中的每一个cκ，κ＝1,2,…,λ，得到λ个分类器c1,c2,…,cκ,…,cλ对xj的预测标签其中，(7b)通过投票法查找预测标签中出现次数最多的预测标签，并将其作为基于softmax分类器的集成多分类器模型c对测试样本xj的预测标签l(j)：其中，mode(·)表示模式查找函数，表示利用筛选出的第κ个分类器对测试样本xj预测的标签，λ表示筛选出的分类器的数目；步骤7c)将预测标签l(j)与训练样本集包含的故障类别进行映射，得到滚动轴承在不同时刻的故障状态。本发明与现有技术相比，具有如下优点：本发明在特征提取和选择阶段，采用多个堆栈式自编码模型并行地提取训练样本的多个性能状态特征，并通过特征评价和阈值的设定筛选出目标相关性强、更具代表性的特征作为特征子集，且在故障分类诊断阶段，将筛选出的特征子集输入到多个softmax分类器中，根据softmax分类器的诊断精度和分类器阈值重新选择诊断精度较高的多个分类器，避免了现有技术采用单个分类器进行故障分类诊断鲁棒性差的缺陷，与现有技术相比，有效地提高了在随机干扰下故障诊断的准确性。附图说明图1为本发明的实现流程图；图2为本发明滚动轴承12种不同故障类型的振动时域信号波形示意图；图3为本发明筛选的特征子集示意图；图4为本发明实施的滚动轴承智能故障诊断结果示意图。具体实施方式下面结合附图和具体实施例，对本发明作进一步的详细描述：参照图1，本发明包括如下步骤：步骤1)获取训练样本集和测试样本集通过数据采集系统采集滚动轴承共计12种故障类型、3600个振动时域信号作为数据集，并将其中2400个数据作为训练集，其余1200个数据作为测试集，具体如下：本实施例使用的振动时域信号均来自轴承加速寿命试验台pronostia采集的轴承振动时域信号。该平台由三部分组成：驱动模块，负载模块和数采模块。该试验装置的主要功能是提供不同故障类型的信号，实验装置的主要部件包括一台驱动电机、一个扭矩传感器和一台测功机，驱动电机功率1.2kw，最大转速为6000r/min。轴承型号为6205-2rsjemskf，加速度传感器(dytran3035b)安装在驱动端附近，采样频率为12khz。工况条件为：转速1800rpm，载荷4000n。试验轴承主要包括正常状态、球缺陷(bd)、外圈缺陷(or)和内圈缺陷(ir)四种故障类型。使用电火花加工将单点故障引入试验轴承，故障直径包括0.007、0.014、0.021和0.028英寸，共四种尺寸类型，获得了包括不同的故障类型、不同故障直径尺寸和不同故障方位的共计12种故障类型的滚动轴承振动时域信号，其波形如图2所示。对于每种故障类型，从原始振动信号中生成300个样本，数据点为400个。为了避免样本之间的连续性，提高模型的鲁棒性，对每种故障类型随机选取200个样本用于训练，其余100个样本用于测试，故本例中训练集和测试集分别包含2400个样本和1200个样本。参照图2，本发明实施例滚动轴承12种不同故障类型的振动时域信号波形，其中图2(a)表示滚动轴承的故障类型为正常，图2(b)表示滚动体故障，故障直径为0.007英寸，图2(c)表示滚动体故障，故障直径为0.014英寸，图2(d)表示滚动体故障，故障直径为0.021英寸，图2(e)表示内圈故障，故障直径为0.007英寸，图2(f)表示内圈故障，故障直径为0.014英寸，图2(g)表示内圈故障，故障直径为0.028英寸，图2(h)表示外圈故障，故障直径为0.007英寸，故障方位为垂直3点钟方向，图2(i)表示外圈故障，故障直径为0.007英寸，故障方位为水平6点钟方向，图2(j)表示外圈故障，故障直径为0.014英寸，故障方位为水平6点钟方向，图2(k)表示外圈故障，故障直径为0.021英寸，故障方位为垂直3点钟方向，图2(l)表示外圈故障，故障直径为0.021英寸，故障方位为水平6点钟方向。步骤2)构建n个堆栈式自编码器模型：基于不同激活函数差异性地构建5个各包含4个自编码器的堆栈式自编码器模型，第n个堆栈式自编码器模型中第k个自编码器记为的隐藏层为该5个堆栈式自编码器模型的最后一个隐藏层的节点数均为80，输出层的节点数均为12，其中，n＝1,2,…,5，k＝1,2,…,4，每个堆栈式自编码器的网络结构如表1所示：表1堆栈式自编码器编号k网络结构14400-200-100-80-1224400-200-100-80-1234400-200-100-80-1244400-200-100-80-1254400-200-100-80-12步骤3)对5个堆栈式自编码器模型进行并行训练：步骤3a)令n＝1，k＝1；步骤3b)将训练样本集x1作为第n个堆栈式自编码器模型中第k个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器步骤3c)将训练后的自编码器的隐含层作为第n个堆栈式自编码器模型中第k+1个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器步骤3d)判断k＝4是否成立，若是，得到训练后的第n个堆栈式自编码器模型，否则，令k＝k+1，并执行步骤(3c)～(3d)；步骤3e)判断n＝5是否成立，若是，得到5个并行训练后的堆栈式自编码器模型，否则，令n＝n+1，并执行步骤(3b)～(3d)；步骤4)获取多个性能状态特征：将第n个并行训练后的堆栈式自编码器模型中的80个节点输出值作为从训练样本集中提取到的第n组性能状态特征，5个堆栈式自编码器提取到的性能状态特征共为400个，第m个性能状态特征为fm，m＝1,2,…,400；步骤5)对每个性能状态特征fm进行特征评价：通过最小化误差函数对softmax分类模型进行训练，得到训练后的softmax分类模型，并将每个性能状态特征fm输入到训练后的softmax分类模型，得到400个性能评价指标值i1,i2,…,im,…,i400；步骤6)建立基于softmax分类器的集成多分类器模型：步骤6a)通过20次迭代实验，统计分析模型分类诊断精度与阈值的关系，设置12个阈值分别为0.6、0.3、0.9、0.9、0.6、0.3、0.8、0.2、0.8、0.9、0.6、0.3，并将400个性能评价指标值逐一与第q个阈值tq进行比较，筛选出性能评价指标值大于tq的性能状态特征组成特征子集sq，得到12个特征子集s1,s2,…,sq,…,s12，q＝1,2,…,12，每个特征子集中特征的数量如图3所示，特征子集s1,s2,…,s12中性能状态特征的数量分别为185、122、20、9、34、69、32、135、27、29、45、68。步骤6b)将第q个特征子集sq输入到softmax分类器cq中，得到cq的预测标签向量rq，并计算cq的分类诊断精度acq，得到12个softmax分类器的分类诊断精度ac1,ac2,…,acq,…,ac12；步骤6c)设置阈值tc，将12个分类诊断精度ac1,ac2,…,acq,…,ac12分别与tc比较，筛选出分类诊断精度大于tc的10个分类器c1,c2,…,cκ,…,c10，构成基于softmax分类器的集成多分类器模型c；步骤7)获取滚动轴承故障诊断结果：步骤7a)将x2中的xj输入到c中的每一个cκ，κ＝1,2,…,10，得到10个分类器c1,c2,…,cκ,…,c10对xj的预测标签其中，步骤7b)通过投票法查找预测标签中出现次数最多的预测标签，并将其作为基于softmax分类器的集成多分类器模型c对测试样本xj的预测标签l(j)：其中，mode(·)表示模式查找函数，表示利用筛选出的第κ个分类器对测试样本xj预测的标签；步骤7c)根据预测标签l(j)获得每个测试样本所属的故障类型，进而获得滚动轴承在不同时刻的故障状态，完成对滚动轴承的智能故障诊断。图4为利用本发明对1200个测试样本数据进行分类的结果，其中，第2类的100个测试样本中，分类正确的个数为92，被分到第3类的个数为1，被分到第4类的个数为6，被分到第10类的个数为1。以下结合具体实验，对本发明的技术效果作详细说明。1.实验条件和内容：在中央处理器为intel(r)core(tm)i5-75003.40ghz、内存16g、windows7操作系统上，运用matlabr2017b软件对滚动轴承智能故障诊断结果进行仿真。2.实验结果分析：本发明应用分类诊断精度acc对模型的分类诊断精度进行评测，acc的表达式为：式中，l(j)为对第j个测试样本预测的标签，y(j)表示第j个测试样本的实际标签。采用两组对比实验验证本发明的性能，具体的对比实验为：第一组，将本发明与基于单一堆栈式自编码器模型的深度学习方法进行比较，对比结果见表2：表2根据表2可以看出，本发明中提出的方法分类诊断精度为95.42％，即其中1145个测试样本分类准确。与基于单一堆栈式自编码器模型的深度学习方法相比，其分类诊断精度有显著提高。第二组，将本发明与基于单一分类器模型的智能故障诊断方法进行比较，对比结果见表3：表3根据表3可以看出，由于对提取的特征进行了特征评价和筛选，因此与基于单一堆栈式自编码器模型相比，基于单一分类器的分类诊断精度整体上得到了提高。但是，最精确的单个分类器的精度仍然比本发明中提出的方法低5％。综上所述，本发明能够筛选出与诊断目标相关性强、更具代表性的特征并克服单个softmax分类器鲁棒性差的不足，提高了滚动轴承智能故障诊断的精度。当前第1页12