基于LOF自编码的机械故障智能诊断方法

本发明属于械监测及故障诊断领域，尤其是一种基于lof自编码的机械故障智能诊断方法。

背景技术：

工业装备中含有大量的旋转机械零部件如轴承、齿轮等，它们在旋转机械中起到支撑、传送力矩作用，对于设备的安全、可靠运行十分重要。然而这些旋转零部件也故障频发，一旦故障，轻则设备无法正常运行，停工停产，重则机组破坏，造成重大人员伤亡。可见旋转机械故障的及时、准确诊断对于防止重大事故、设备生产经济效益的提高具有十分重要的意义。基于振动传感器获取振动信号，对信号进行诊断分析，判断设备是否存在故障是旋转机械故障诊断的重要手段，为维护设备安全运行发挥了重要作用。

近年来，深度学习诊断模型建立，自动地识别出故障类别，受到学术和工程领域广泛关注。如自动编码机模型，能够自适应地从获取的振动数据中提取故障特征，无需依靠专家经验专门设计特征，并取得了较好地诊断效果。然而，实际工程中，运行环境复杂，周围存在大量噪声干扰，传感器故障频发，导致获取监测数据中难免含有缺失、噪点、漂移等低质量监测数据。深度学习算法具有“垃圾进，垃圾出”的缺点，基于质量低的数据样本进行训练，将获得错误诊断模型，从而降低了诊断准确率。

技术实现要素：

本发明的目的在于克服现有技术中存在的不足，提供一种基于lof自编码的机械故障智能诊断方法，能够根据监测数据质量高低自适应调整神经网络中的样本权重，从而获得更加准确的诊断结果。本发明采用的技术方案是：

本发明的实施例提出一种基于lof自编码的机械故障智能诊断方法，包括以下步骤：

步骤s1，获取机械不同健康状态下的振动信号样本；

步骤s2，从振动信号样本中截取获得局部信号片段集；

步骤s3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；

步骤s4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；

步骤s5，基于振动信号局部特征计算lof异常因子；

步骤s6，矫正局部特征并融合为全局特征；

步骤s7，训练神经网络中的softmax分类网络；从而完成整个诊断神经网络的训练；

步骤s8，基于以上训练完成后的诊断神经网络进行机械故障诊断。

本发明的优点在于：本发明即便在监测数据质量较低的情况下，依然能够获得更为准确的机械故障诊断神经网络模型，从而提高诊断结果的精确性。

附图说明

图1为本发明实施例中的方法流程图。

图2为本发明实施例中训练集正确率比对图。

图3为本发明实施例中验证集正确率比对图。

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用以解释本发明，并不用于限定本发明。

本发明的实施例提出一种基于lof自编码的机械故障智能诊断方法，包括以下步骤：

步骤s1，获取机械不同健康状态下的振动信号样本；

将获取的原始振动信号样本组成机械健康状态样本集其中x^m为第m个原始振动信号样本，y^m为第m个原始振动信号样本的健康状态类型，m为振动信号样本数量；

步骤s2，从振动信号样本中截取获得局部信号片段集；

以重叠滑窗方式随机从振动信号样本中截取ns个局部信号片段，组成局部信号片段集s^j表示第j个局部信号片段，每个局部信号片段有个nin采样点；

举例而言，若某个振动信号有1000个采样点，若等分成20个局部信号片段，则每个局部信号片段有50个采样点，以重叠滑窗方式截取时，每个局部信号片段有超过50个采样点；

举例而言，若有30个振动信号样本，每个振动信号样本以重叠滑窗方式截取20个局部信号片段，则ns为600；

步骤s3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；

稀疏自编码网络的权重矩阵记为其中，nin为稀疏自编码网络的输入维数，nout为稀疏自编码网络的特征维数；

步骤s4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；

将振动信号x^m分为不重叠的局部信号片段，表示如下：

其中，j为振动信号分为局部信号片段的个数，为第m个振动信号样本的第j个局部信号片段；

振动信号x^m中每一个局部信号片段输入到稀疏自编码网络中提取的特征为

其中，σr为稀疏自编码网络的特征层激活函数；

振动信号x^m对应的局部特征集为

步骤s5，基于振动信号局部特征计算lof异常因子(即局部异常因子)；

对局部特征集进行lof异常因子的计算，包括：设定k值大小，搜索计算局部特征集内任意一点的k近邻域；

计算局部特征集内所有特征点的局部可达密度，其中任意点

其中，o′为点o的邻域内的特征点，k_distance(o′)表示点o′的第k距离，k_distance(o)表示点o的第k距离，d(o,o′)表示点o与o′的欧氏距离，k值取为5；nk(o)是点o的邻域，即点o的第k距离以内的所有点，包括第k距离上的点；

点o的lof异常因子计算表达式如下：

其中，lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度；

步骤s6，矫正局部特征并融合为全局特征；

对每个振动信号样本x^m求出第j个局部信号片段的lof异常因子将作为特征平均的权重因子,矫正局部特征并融合为全局特征h^m；如下式所示：

步骤s7，训练神经网络中的softmax分类网络；从而完成整个诊断神经网络的训练；

将获得的全局特征h^m与健康状态类型结合，形成softmax分类网络的训练集假设训练集的健康状态有c种，则y^m∈{1,2,…,c}；对每个输入的全局特征h^m，softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(y^m＝c|h^m)，其中c＝1，2，…，c；

softmax分类网络输出表示为：

其中，ws为softmax分类网络的权重矩阵，wc为权重矩阵ws的第c行向量；

softmax分类网络的目标函数为：

其中，1{·}为指示函数，当输入为真时，指示函数的值为1；当输入为假时，指示函数的值为0；通过最小化目标函数j(ws)，得到优化的ws；最终完成整个诊断神经网络的训练；

步骤s8，基于以上训练完成后的诊断神经网络进行机械故障诊断；自动识别健康状态，实现机械设备故障的类别诊断。

具体验证实施例如下：

验证案例采用美国凯斯西储大学轴承故障数据，选用的是12khz的驱动端故障数据，故障类型分别为滚动体故障且故障直径为0.1778mm、内圈故障且故障直径为0.1778mm、外圈故障且故障直径为0.1778mm、滚动体故障且故障直径为0.3556mm、内圈故障且故障直径为0.3556mm、外圈故障且故障直径为0.3556mm、滚动体故障且故障直径为0.5334mm、内圈故障且故障直径为0.5334mm、外圈故障且故障直径为0.5334mm、健康，即一共有10中健康状态类型(1健康，3种滚动体故障、3种外圈故障、3种内圈故障)；总数据集的63％选为训练集，其余37％作为验证集；

训练比对如图2所示，其中lof处理前表示未使用本申请的方法，直接采用自编码结合softmax网络模型方式，训练准确率为96.98％，采用了本申请的方法训练准确率达到97.43％。

利用训练后的诊断神经网络进行故障诊断；lof处理前模型验证集准确率为84.56％，而lof处理后神经网络模型的验证集准确率为86.4％，可以看出验证集准确率获得了提升，从而说明了本申请方法的有效性。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。