一种数据和知识协同驱动的齿轮故障诊断方法

本发明属于故障诊断，具体涉及一种数据和知识协同驱动的齿轮故障诊断方法。

背景技术：

1、随着工业化进程的不断推进，旋转机械设备在生产过程中发挥着至关重要的作用。齿轮作为旋转机械设备的重要基础零部件，保证其运行的可靠性和安全性应有更高的要求。然而，在实际运行过程中，由于复杂的工作环境和长时间的运行，导致齿轮容易出现各种故障。一旦发生故障停机，不仅会造成工业生产停滞造成经济损失，甚至可能会引起严重的安全问题，带来不可挽回的人员伤亡。因此，实施有效的齿轮故障诊断方法是保证旋转机械安全稳定运行的关键，具有良好的经济和社会效益。因此，本发明的研究成果具有广阔的应用前景。

2、齿轮大部分时间在正常工况下运行。随着运行条件、操作要求等变化，会导致齿轮运行工况发生变化。而运行工况的变化容易导致未知故障的出现。由于实际生产过程中，机械设备耦合性强，无法停机获取未知故障的训练样本。而对于缺少训练样本的未知故障，如何设计故障诊断方法，实现未知故障的有效诊断仍然是一个亟待解决的难题。随着数据采集和传输技术的发展，数据驱动故障诊断方法已在齿轮故障诊断中取得了不错的效果，然而面对未知故障进行诊断时，效果不尽如人意。近年来随着零样本学习技术的发展，其可以通过属性知识学习，实现从已知类别到未知类的判别，其为缺少训练样本的未知故障诊断问题提供了新的解决思路。因此，利用数据充分的已知故障类别样本和相关辅助知识，建立已知故障和未知故障的桥梁，从而实现未知故障的诊断是一种切实有效的方法。

技术实现思路

1、为了解决上述问题，本发明提出了一种数据和知识协同驱动的齿轮故障诊断方法，首先通过属性描述矩阵建立已知故障标签和未知故障标签间的桥梁，实现未知标签故障-属性知识的描述；其次，利用已知故障标签样本，构建数据和知识协同驱动的齿轮故障诊断模型，完成故障标签的预测；最后，基于属性学习器分类模型，利用欧式距离完成未知故障的诊断。

2、本发明的技术方案如下：

3、一种数据和知识协同驱动的齿轮故障诊断方法，包括如下步骤：

4、步骤1、建立齿轮已知故障标签和未知故障标签间的属性知识描述矩阵；

5、步骤2、构建数据和知识协同驱动的齿轮故障诊断模型；

6、步骤3、设计基于属性学习器分类模型的齿轮故障诊断策略。

7、进一步地，所述步骤1的具体过程为：

8、步骤1.1、分析齿轮运行特点，获取不同电机工作频率和负载工作电压下的齿轮相关运行数据及故障标签，其中齿轮相关运行数据包括扭力信号、定轴齿轮箱两端的振动信号和、施加在定轴齿轮箱上的压力信号；

9、同时，根据齿轮故障类别是否已知将齿轮相关运行数据划分为运行数据训练集样本和运行数据测试集样本，将故障标签划分为故障训练集标签和故障测试集标签，故障训练集标签中故障类别已知，而故障测试集标签中故障类别未知；

10、步骤1.2、根据电机工作频率和负载工作电压的不同，将齿轮故障划分为16类故障；

11、步骤1.3、利用12种属性知识信息对16种齿轮故障进行描述，通过独热编码方式建立故障-属性知识描述矩阵；的每一行代表一种故障类别，每一列代表一种属性，故障-属性知识描述矩阵中只包含数字1和数字0，数字1表示当前行的故障类别具有当前列的属性，数字0表示当前行的故障类别没有当前列的属性；

12、故障-属性知识描述矩阵中包含已知故障标签和未知故障标签的属性信息，，表示已知故障标签的属性知识描述矩阵，表示未知故障标签的属性知识描述矩阵；其中，表示训练故障类别数；表示测试故障类别数；表示故障类别总数，；表示属性数；为转置符号。

13、进一步地，所述步骤1.2中，16类故障包括电机工作频率为6hz、负载工作电压为3v的齿轮缺齿故障，电机工作频率为6hz、负载工作电压为8v的齿轮缺齿故障，电机工作频率为10hz、负载工作电压为5v的齿轮缺齿故障，电机工作频率为10hz、负载工作电压为8v的齿轮缺齿故障，电机工作频率为10hz、负载工作电压为5v的齿轮断齿故障，电机工作频率为14hz、负载工作电压为8v的齿轮断齿故障，电机工作频率为6hz、负载工作电压为3v的齿轮断齿故障，电机工作频率为14hz、负载工作电压为3v的齿轮断齿故障，电机工作频率为6hz、负载工作电压为5v的齿轮齿裂故障，电机工作频率为10hz、负载工作电压为8v的齿轮齿裂故障，电机工作频率为14hz、负载工作电压为3v的齿轮齿裂故障，电机工作频率为6hz、负载工作电压为3v的齿轮齿裂故障，电机工作频率为14hz、负载工作电压为3v的齿轮齿面磨损故障，电机工作频率为6hz、负载工作电压为5v的齿轮齿面磨损故障，电机工作频率为10hz、负载工作电压为8v的齿轮齿面磨损故障，电机工作频率为10hz、负载工作电压为5v的齿轮齿面磨损故障；

14、所述步骤1.3中，12种属性知识信息包括4种故障类别属性、2种故障原因属性和6种运行工况属性；4种故障类别属性分别为缺齿、断齿、齿裂和齿面磨损；2种故障原因属性分别为机械故障和齿轮故障；6种运行工况属性包括3种电机工作频率的运行工况和3种负载工作电压的运行工况，3种电机工作频率分别为6hz、10hz、14hz，3种负载工作电压分别为3v、5v、8v。

15、进一步地，所述步骤2的具体过程为：

16、步骤2.1、进行属性特征提取；具体为：首先利用已知故障标签的属性知识描述矩阵对故障训练集标签进行描述，得到训练集样本故障-属性知识矩阵，表示故障-属性知识矩阵的第维信息；表示训练集故障样本数；维度对应矩阵的列数，同时对应属性数；然后，利用独立主成分分析方法进行训练集样本故障-属性相关特征提取，公式为：

17、                               (1)；

18、其中，表示提取到的故障-属性特征；表示特征提取变换矩阵；

19、在线测试时，将得到的特征提取变换矩阵迁移到运行数据测试集样本，得到测试样本故障-属性特征，即；

20、步骤2.2、建立基于卡方检验的特征选择模型，模型输入为已提取到的故障-属性特征和训练集样本故障-属性知识矩阵，根据卡方统计量值最高的前个关键故障-属性特征进行选择，公式为：

21、                                (2)；

22、其中，表示前个关键故障-属性特征；表示特征选择变换矩阵；

23、在线测试时，将得到的特征选择变换矩阵迁移到运行数据测试集样本，得到测试样本关键故障-属性特征，即；

24、步骤2.3、建立基于极端梯度提升算法的属性学习器分类模型，具体为：

25、                               (3)；

26、其中，表示第个已知类故障样本属性标签的模型预测值；表示决策树索引，表示决策树的总棵数；表示前个关键故障-属性特征中第个已知类故障样本的特征；表示第棵决策树所对应的目标函数，每棵决策树对应于独立的树结构和叶子节点权重，表示为，表示每个叶子节点的权重，表示第棵决策树的结构；

27、步骤2.4、对属性学习器分类模型进行优化训练，训练完成的属性学习器分类模型即为构建完成的数据和知识协同驱动的齿轮故障诊断模型。

28、进一步地，所述步骤2.4的具体过程为：

29、利用前向分步算法对模型进行优化，模型优化目标函数为：

30、                  (4)；

31、其中，为第棵决策树的目标优化函数；为可微的凸函数，用于表征第个已知类故障样本属性标签在第棵决策树的模型预测值和第个已知类故障样本属性标签在第棵决策树的模型实际值间的差异；表示第个已知类故障样本属性标签在第棵决策树的模型预测值；表示已知故障样本的总个数；为正则化项；的前向分步计算过程为：

32、                           (5)；

33、的计算过程为：

34、                         (6)；

35、其中，和均为惩罚参数；表示第棵决策树的叶子节点个数；

36、对模型优化目标函数进行二阶泰勒展开，如下：

37、      (7)；

38、其中，和分别为公式（4）模型优化目标函数的一阶导数和二阶导数；

39、将带入公式(7)后，借助于梯度下降算法获得权重的最优解：

40、                            (8)；

41、将和权重最优解代入公式(7)，得到目标函数最优值，从而获得棵决策树和满足精度要求的属性学习器分类模型，此时属性学习器分类模型训练完成。

42、进一步地，所述步骤3的具体过程为：

43、步骤3.1、对于已获得的测试样本关键故障-属性特征，使用训练完成的属性学习器分类模型对故障测试集标签进行属性预测，获得故障测试集标签的故障-属性预测知识矩阵，其中，为故障-属性预测知识矩阵的第维信息，表示测试故障样本数；

44、步骤3.2、将得到的故障-属性预测知识矩阵与故障-属性知识描述矩阵利用欧式距离进行故障类别判断，具体为：

45、                         (9)；

46、其中，表示标签未知的新样本的故障类别；表示故障-属性知识描述矩阵中的第个已知类故障样本；计算故障-属性知识描述矩阵中不同故障类别与标签未知的新样本所对应的故障-属性预测知识矩阵间的二范数，将二范数最小值所对应的故障类别标记给标签未知的新样本，从而完成标签未知的新样本的故障诊断。

47、本发明所带来的有益技术效果：本发明利用可获得的运行数据和相关属性描述知识，建立起已知故障标签和未知故障标签的联系，从而借助于属性描述知识完成对未知故障标签属性知识的描述，为实现未知故障的诊断提供基础。本发明采用数据和知识协同驱动的方法构建故障诊断模型，利用属性知识信息完成对缺少训练样本的未知故障标签属性信息的预测，进而通过欧氏距离推断出故障类型。该方法能够有效解决多工况条件下未知故障的准确诊断，以保证工业过程的安全运行。