一种缺失数据的最优轴承故障因果结构生成方法

本发明涉及轴承故障诊断，具体是一种缺失数据的最优轴承故障因果结构生成方法。

背景技术：

1、轴承作为一种关键部件，在现代机械设备中应用广泛，其健康状况关乎整个设备的工作安全。然而，由于实际工况中设备所处环境复杂多变，轴承发生故障多种多样，而是多种故障同时存在，导致复合故障特征难以准确提取，故障诊断的有效性变得十分困难。

2、为了解决上述技术问题，专利cn116701871a提供了一种基于因果特征加权网络的滚动轴承复合故障特征选择方法，构建因果特征加权网络模型，引入加权网络中心性指标节点强度对复合故障特征进行定量描述，通过深度神经网络模型的复合故障诊断完成特征选择，并利用沙普利累加性解释模型解释所选特征对诊断准确率的贡献度，以此提高轴承故障识别的准确性。

3、尽管上述现有技术对滚动轴承复合故障特征选择适用性高，可提高滚动轴承复合故障识别的准确率。但是在实际的数据收集中，上述现有技术忽略了一点，即数据在采集的过程中，由于复杂多变的工况，一些数据无法采集，进而出现数据缺失的情况，导致数据库中存在数据不完整的故障样本。在故障样本量多时，可以舍弃存在数据缺失的故障样本，进而提高因果关系推导的精度。但是当故障样本量较少时，舍弃存在数据缺失的故障样本所带来的误差远大于使用这些存在数据缺失的故障样本带来的误差，进而容易导致在舍弃存在数据缺失的故障样本的情况下，因果关系推导精度大大降低。因此，在故障样本量较少时，更偏向于使用这些存在数据缺失的故障样本。尽管这种使用存在数据缺失故障样本的方式能够减缓推导精度的下降，但是相对于故障样本量较多时的推导精度，这种方式仍然存在较大的缺陷，难以满足实际应用的要求。

技术实现思路

1、为了避免和克服现有技术中存在的技术问题，本发明提供了一种缺失数据的最优轴承故障因果结构生成方法。本发明能够有效的消除故障样本中数据缺失带来的负面影响，提高因果关系推导的精度。

2、为实现上述目的，本发明提供如下技术方案：

3、一种缺失数据的最优轴承故障因果结构生成方法，包括以下步骤：

4、s1、获取轴承的故障样本，确定故障样本中数据缺失的情况，建立故障样本中各故障变量之间的因果关系，并形成全连接图；

5、s2、对全连接图中存在的因果关系进行修正，去除其中存在的错误的因果关系，以将全连接图转化为因果无向图；

6、s3、确定因果无向图中各因果关系的因果指向，以获得表征真实因果关系的因果有向无环图。

7、作为本发明再进一步的方案：步骤s1的具体步骤如下：

8、s11、轴承的故障变量包括工况变量和故障类型；通过将已经确定故障类型的故障轴承在各种工况变量下进行分组实验，获取与故障类型对应的工况变量的工况数据；具体获取过程如下：

9、首先选取故障类型已经确定的故障轴承，接着人工设定该故障轴承的各个工况变量的初始工况数据，然后开始对故障轴承进行转动实验，并通过对应的仪器检测在转动实验中故障轴承的实时工况数据；

10、检测实时工况数据的过程具体如下：

11、在同一组设定工况数据下，转动实验运行设定时间后开始采集实时工况数据，并且按照等时差的方式依序进行采集；在采集设定数量的实时工况数据后，停止转动实验，并将采集的实时工况数据连同对应的故障类型作为一组故障样本进行存储；

12、s12、对各组实时工况数据逐一打上表征数据是否缺失的缺失指标，并将打标后的实时工况数据存放在初始数据库中；缺失指标取值为1时，表示该实时工况数据存在；缺失指标取值为0时，表示该实时工况数据缺失；

13、s13、假设初始数据库中的各个故障类型和各个工况变量之间存在因果关系，并根据该因果关系构建全连接图；在全连接图中各个故障类型和各个工况变量均构成节点，对应的因果关系构成节点之间的连线。

14、作为本发明再进一步的方案：步骤s2的具体步骤如下：

15、s21、将初始数据库中的工况变量和故障类型均定义为因果变量；构建衡量因果结构，并将初始数据库中的各组故障样本输入到衡量因果结构中，计算出各组故障样本中任意两个因果变量之间的因果关系衡量值；

16、s22、从各组故障样本的因果关系衡量值中，选取相同两因果变量之间的因果关系衡量值的最大值作为标量值；标量值表示如下：

17、；

18、其中，表示因果变量 v x和因果变量 v y之间的标量值；表示第1组故障样本中因果变量 v x和因果变量 v y之间的因果关系衡量值；表示第2组故障样本中因果变量 v x和因果变量 v y之间的因果关系衡量值；表示第 n组故障样本中因果变量 v x和因果变量 v y之间的因果关系衡量值，即一共采集了 n组故障样本； max(▪)表示取最大值操作；

19、s23、构建分类器，通过分类器检测因果变量之间因果关系的准确性，具体检测过程如下：选定一个因果变量，并计算该因果变量与剩余因果变量之间的标量值，从这些标量值中随机选取一个作为参考值，比较参考值与剩余标量值之间的大小，若剩余标量值均小于参考值，则记为1，反之则为0；对比较结果进行求和，并将求和结果与因果变量总数减1进行相除，若商为1，则参考值对应的两个因果变量之间的因果关系准确，反之，则参考值对应的两个因果变量之间的因果关系需要进一步确认是否准确；

20、分类器表示如下：

21、；

22、其中，表示因果变量 v x和因果变量 v y之间的分类结果，即比较结果；表示因果变量 v x和因果变量 v i之间的标量值； a表示全部因果变量构成的集合； m表示因果变量的总数； v i表示 a中的第 i个因果变量；

23、s24、在所有的因果变量之间的因果关系都已确定之后，删除全连接图中不准确的因果关系，保留准确的因果关系，以将全连接图转化成因果无向图。

24、作为本发明再进一步的方案：步骤s23中两个因果变量之间的因果关系需要进一步确认的步骤如下：计算选定的这个因果变量的相邻因果变量的个数，接着将计算出的个数和选定的这个因果变量的参考值输入到相邻置信度参数计算公式中，计算出对应的置信度分数，若置信度分数大于1，则参考值对应的两个因果变量之间的因果关系准确，反之，则不准确。

25、作为本发明再进一步的方案：步骤s3的具体步骤如下：

26、s31、在确定各因果变量准确的因果关系后，通过因果推断模型推导数据不缺失的各因果变量之间的因果方向；因果推断模型采用现有技术中常见的因果模型；

27、s32、对于数据存在缺失的各因果变量之间，通过信息传递结构推导该各因果变量之间的因果方向；

28、s33、在所有因果变量之间的因果方向均已确认的情况下，为因果无向图中的连线标上表征因果方向的箭头，进而将因果无向图更新为因果有向无环图。

29、作为本发明再进一步的方案：步骤s32的具体步骤如下：

30、s321、计算因果变量之间的交叉因果熵，交叉因果熵的计算公式如下：

31、；

32、其中，表示第 j组故障样本中因果变量 v x和因果变量 v y之间交叉因果熵； y j, i+1表示因果变量 v y在第 j组故障样本中第 i+1个实时工况数据的值； x j, i+1表示因果变量 v y在第 j组故障样本中第 i+1个实时工况数据的值； β表示交叉因果熵参数；

33、s322计算因果变量之间的相对因果熵，相对因果熵的计算公式如下：

34、；

35、其中，表示第 j组故障样本中因果变量 v x和因果变量 v y之间相对因果熵；表示统计概率； dx表示因果变量 v x的实时工况数据的微分； dy表示因果变量 v y的实时工况数据的微分；|·|表示取绝对值；

36、s323、计算因果变量之间的因果鲁棒值，因果鲁棒值的计算公式如下：

37、；

38、其中，表示第 j组故障样本中因果变量 v x和因果变量 v y之间的因果鲁棒值；

39、s324、根据交叉因果熵、相对因果熵和因果鲁棒值的计算公式计算各组故障样本的交叉因果熵、相对因果熵和因果鲁棒值；将计算得到的交叉因果熵、相对因果熵和因果鲁棒值输入到信息传递结构中计算各因果变量之间的信息传递值；信息传递结构具体表示如下：

40、；

41、其中，表示因果变量 v x和因果变量 v y之间的信息传递值，且因果变量 v x和因果变量 v y之间的因果方向为因果变量 v x指向因果变量 v y； n表示故障样本总数；

42、s325、根据信息传递结构计算因果变量 v y指向因果变量 v x时的信息传递值；

43、s326、构建方向分类器，将和输入到方向分类器中，判断因果变量 v x和因果变量 v y之间最终的因果指向；当大于时，最终的因果指向为因果变量 v x指向因果变量 v y；当小于时，最终的因果指向为因果变量 v y指向因果变量 v x；

44、s327、按照步骤s321到步骤s326的具体内容对剩余因果变量之间的因果方向进行判断，进而在所有因果变量之间的因果方向都已确定后，将因果无向图转化成因果有向无环图。

45、作为本发明再进一步的方案：衡量因果结构的具体表达式如下：

46、；

47、其中，表示第 j组故障样本中因果变量 v x和因果变量 v y之间的因果关系衡量值； n j表示第 j组故障样本中采集的实时工况数据的条数； x j, i表示因果变量 v x在第 j组故障样本中第 i个实时工况数据的值；表示 x j, i的实时工况数据的缺失情况； y j, i表示因果变量 v y在第 j组故障样本中第 i个实时工况数据的值； p表示概率符号； e表示对条件概率求均值； λ表示变量参数。

48、作为本发明再进一步的方案：相邻置信度参数计算公式表示如下：

49、；

50、其中，表示因果变量 v x和因果变量 v y之间的置信度分数；表示在全连接图中与因果变量 v x相连接的因果变量的数量。

51、作为本发明再进一步的方案：方向分类器具体表示如下：

52、；

53、其中，表示因果变量 v x和因果变量 v y之间的因果方向结果。

54、与现有技术相比，本发明的有益效果是：

55、本发明通过对缺失数据的工况变量进行标记，并假设各个故障变量之间存在因果关系，进而构建形成了全连接图；接着基于所提出的故障变量之间的因果关系，对全连接图进行修正以获得真实的因果无向图；之后在基于所提公式计算衡量变量之间的因果效应强度，以此为定向标准对因果无向图进行因果定向，最终实现在缺失轴承故障数据条件下，生成可靠性较高故障因果结构，对于提高基于数据驱动的轴承故障诊断模型的诊断精度具有十分重要的意义。