一种基于故障特征融合的轴承健康监测方法

1.本发明涉及轴承故障诊断技术领域，尤其是一种基于故障特征融合的轴承健康监测方法。


背景技术：

2.对机械设备的监测系统，选择合适的特征来描述设备运行状态是关键环节，好的特征可敏感地反映设备由正常向故障发展的趋势。建立能够科学描述机械装备运行状态的特征选择模式，用这种模式去挖掘设备运行中的有用信息，对推动健康监测技术向科学方向发展具有重要作用。常见的健康监测系统采用特定的时域、频域、时频域指标对设备的运行状态进行描述，这些特定指标的选取往往来自于专业技术人员以及专家经验。其存在的缺点有：只对特定设备及其故障有良好的诊断效果，不具有普遍适用性。在复杂的工业测试现场，如故障信息复杂多变，往往夹杂着背景噪声和多传感器测量噪声，也可能包含内外激励以及多个故障的耦合，特定的故障特征与故障类别之间存在着不完全对应的问题。
3.现有技术中，对信号特征进行筛选即信号特征选择，为解决特征冗余以及故障特征与故障类别不匹配的问题提供了思路。但是常规的信号特征选择的单一评价指标下有效特征受评价指标影响大，特征选择效果不稳定。另外，常规的信号特征选择无法对多传感器下的信息进行筛选与融合。因此，需要利用特征融合将不同传感器的多源信号进行归纳与整合。
4.现有技术中，对多传感器进行特征融合时存在的主要问题有：一是未考虑特征与故障之间、传感器与故障之间的敏感性。二是不同位置的传感器，采集到的故障信息具有差异性，若所有传感器的特征都以相同权值进行融合，会导致具有高敏感性传感器中的特征被弱化，从而降低了故障样本子集的可分性。
5.因此研究如何降低轴承运行信号特征冗余，对有效解决不同故障数据集的类别划分问题具有非常重要的意义。


技术实现要素：

6.针对现有技术的不足，本发明提供了一种基于故障特征融合的轴承健康监测方法，目的是降低轴承运行信号特征冗余，提高故障诊断结果的准确性。
7.本发明采用的技术方案如下：
8.一种基于故障特征融合的轴承健康监测方法，包括：
9.s1、通过n个加速度传感器采集轴承运行过程中的振动信号；
10.s2、提取振动信号的时域、频域、时频域特征，获得共n个原始特征集；
11.s3、将n个原始特征集分别输入n个多测度分层模型，所述多测度分层模型采用pearson相关系数、信息增益以及互信息作为评价准则，依次进行特征筛选，获得最佳特征子集与对应的敏感度权重矩阵w
ij
；
12.s4、通过神经网络训练每个加速度传感器对应的最佳特征子集，获得信息量指标
pi′
，利用所述信息量指标重构获得优化的敏感度权重矩阵w
ij
，w
ij
＝w
ij
×
pi′
；
13.s5、利用wkpca算法将各多测度分层模型得到的所述最佳特征子集进行加权融合：以所述优化的敏感度权重矩阵w
ij
为依据进行加权，并通过qga算法搜索wkpca算法的最优核宽度参数；
14.s6、将s5加权融合后的最佳特征子集输入所述神经网络进行模型训练；
15.s7、提取待检测的轴承故障特征数据并输入到训练好的神经网络模型中，根据输出结果判断轴承的故障状态。
16.进一步技术方案为：
17.步骤s3中，利用所述多测度分层模型进行特征筛选，具体包括：
18.s31、采用pearson相关系数进行特征选择，满足松弛停止条件进入s32；
19.s32、采用信息增益进行特征选择，满足松弛停止条件进入s33；
20.s33、判断各个特征子集维度是否一致，一致则进入s4，不一致则以最少维度的特征子集为标准，提高或降低松弛停止条件，重复s31至s32对其余特征子集进行选择，直至满足停止条件；
21.s34、采用互信息验证筛选出特征的合理性，并输出最佳特征子集及其归一化后的敏感度权重矩阵w
ij
；
22.其中，第j维特征的互信息和信息增益为：
[0023][0024]
式中，h(xj)为样本集中第j列特征样本信息熵，h(y)为类别标签向量的信息熵，h(y|xj)为条件熵。
[0025]
所述pearson相关系数包括第j维特征对其余特征的平均pearson相关系数与类别标签向量y的pearson相关系数以及综合pearson相关系数
[0026]
其中，
[0027]
[0028][0029]
式中，m为样本类别数，n为每种类别的样本个数；x为输入样本，y为样本对应标签。
[0030]
步骤s5中，对最佳特征子集进行加权融合算法过程包括：
[0031]
s51、初始化qga算法的种群，由随机产生种群的初始染色体；
[0032]
s52、评估wkpca算法中各核函数宽度参数对应的适应度函数值，将适应度函数值的最优解作为种群下一步进化的目标值；
[0033]
s53、判断算法是否满足终止条件，若满足，终止计算，转至s56；否则，转至s54；
[0034]
s54、计算wkpca算法中所有核宽度参数的确定解，并且评估各确定解对应的目标函数值；
[0035]
s55、利用量子旋转门对个体进行调整，得到新的种群，记录最优个体和对应的目标函数值，返回s53；
[0036]
s56、将满足终止条件的最优核宽度参数、以及所述优化的敏感度权重矩阵以及最佳特征子集作为输入量，通过wkpca算法对最佳特征子集进行融合。
[0037]
wkpca算法的核函数矩阵k：
[0038][0039]
式中，pi为φ(xi)对k的权重，φ表示非线性映射函数，φ(xi)
t
为φ(xi)的转置，n为
[0040]
将pi归一化后得测试样本x
new
在高维特征向量上的投影为：
[0041][0042]
式中，αi为相关系数，φ(x
new
)表示测试样本的高维映射，映射后的样本。
[0043]
所述神经网络为极限学习机分类器。
[0044]
本发明的有益效果如下：
[0045]
通过将轴承振动信号的筛选与融合，降低了特征的冗余性，提高了轴承故障诊断的精度和稳定性。
[0046]
通过神经网络对轴承故障状态进行检测，无需专业人员和专业知识即可实现轴承的健康监测。
[0047]
实现在设备运行过程中的在线状态监测，从根本上减少了轴承故障发生的概率。
附图说明
[0048]
图1为本发明方法的流程框图。
[0049]
图2为本发明实施例多测度分层模型进行特征筛选的流程示意图。
[0050]
图3为本发明实施例采集的轴承故障与正常的部分频域图像。
[0051]
图4为本发明实施例的多测度分层模型特征筛选图。
[0052]
图5为本发明实施例的融合特征三维可视化图。
[0053]
图6为本发明实施例的检测结果示意图。
具体实施方式
[0054]
以下结合附图说明本发明的具体实施方式。
[0055]
可参考图1中，本技术的一种基于故障特征融合的轴承健康监测方法，包括：
[0056]
s1、通过n个加速度传感器采集轴承运行过程中的振动信号；
[0057]
s2、提取每个加速度传感器采集到的振动信号的时域、频域、时频域特征，获得共n个原始特征集；
[0058]
s3、将n个原始特征集分别输入n个多测度分层模型，所述多测度分层模型采用pearson相关系数、信息增益以及互信息作为评价准则，依次进行特征筛选，获得最佳特征子集与对应的敏感度权重矩阵w
ij
；
[0059]
本实施例的n取值5，即共采集5个加速度传感器的振动信号。
[0060]
如图3所示，为存在轴承故障与正常的部分频域图像。
[0061]
其中，利用多测度分层模型进行特征筛选，如图2所示，具体包括：
[0062]
s31、采用pearson相关系数进行特征选择，满足松弛停止条件进入s32；
[0063]
s32、采用信息增益进行特征选择，满足松弛停止条件进入s33；
[0064]
s33、判断各个特征子集维度是否一致，一致则进入s4，不一致则以最少维度的特征子集为标准，提高或降低松弛停止条件，重复s31至s32对其余特征子集进行选择，直至满足停止条件；
[0065]
s34、采用互信息验证筛选出特征的合理性，并输出最佳特征子集及其归一化后的敏感度权重矩阵w
ij
；
[0066]
其中，松弛条件是指当用某一准则进行特征选择后，满足获得一个近似最佳特征子集即可。为了避免选择时丢失一些重要特征，松弛停止条件需要满足评价准则的一致性，这里采用各个评价准则下的得分设置优良特征的筛选标准。而停止条件的设置是为了保证不同传感器最终满足条件的特征子集维度一致。
[0067]
其中，pearson相关系数利用特征之间或特征与类别标签之间的相关性大小衡量单个特征对分类的贡献。根据相关性评价对象的不同。
[0068]
本技术的pearson相关系数包括第j维特征对其余特征的平均pearson相关系数与类别标签向量y的pearson相关系数以及综合pearson相关系数
[0069]
其中，
[0070][0071][0072]
式中，m为样本类别数，n为每种类别的样本个数；x为输入样本，y为样本对应标签。
[0073]
其中，信息增益和互信息是基于信息测度的特征评价模型，是通过计算某一特征为数据集划分带来有用信息的大小来衡量特征对于分类的重要程度。互信息侧重于描述某一特征包含分类标签的信息量大小，而信息增益侧重于表达引入某一特征对数据集的正确划分作的贡献。二者从不同角度互补，有利于更好的筛选高敏感特征。息增益和互信息的值越大，表明该特征敏感程度越高。
[0074]
本技术的互信息和信息增益的表达式为：
[0075][0076]
式中，h(xj)为样本集中第j列特征样本信息熵，h(y)为类别标签向量的信息熵，h(y|xj)为条件熵。
[0077]
本技术采用轮询式搜索采用多个评价准则，有利于跳出单个评价准则的局部收敛，避免传统的单目标搜索容易陷入局部最优解的问题。综合多个评价准则进行特征选择，可以使得筛选出的特征更加准确、稳定。
[0078]
如图4所示，为本实施例的多测度分层模型特征筛选图，图中所示的准侧1、准则2、准则3分别为pearson相关系数准则、信息增益准则、互信息准则。
[0079]
s4、通过神经网络训练每个加速度传感器对应的最佳特征子集，获得信息量指标pi′
，利用所述信息量指标重构，获得优化的敏感度权重矩阵w
ij
，w
ij
＝w
ij
×
pi′
；
[0080]
具体的，本实施例的加速度传感器数量n为5，采用的神经网络为极限学习机(elm)分类器，神经网络的隐含层个数设置为300。
[0081]
对5个加速度传感器的原始特征集进行筛选，并以单个传感器的最佳特征在神经网络中的诊断率作为故障信息量指标，处理结果如表1。
[0082]
表1多个传感器的特征数据表
[0083][0084][0085]
s5、利用wkpca算法将各多测度分层模型得到的所述最佳特征子集进行加权融合：以所述优化的敏感度权重矩阵w
ij
为依据进行加权，并通过qga算法搜索wkpca算法的最优核宽度参数；
[0086]
wkpca的基本思想可以概括为两步，第一步：通过非线性映射函数将输入空间变换到高维空间，使得在低维空间中线性不可分的数据集在高维空间线性可分；第二步：在高维空间进行主元分析(pca)，完成特征的融合以及维数简约。
[0087]
其中，对最佳特征子集进行加权融合算法过程包括：
[0088]
s51、初始化qga算法的种群，由随机产生种群的初始染色体；
[0089]
s52、评估wkpca算法中各核函数宽度参数对应的适应度函数值，将适应度函数值的最优解作为种群下一步进化的目标值；
[0090]
s53、判断算法是否满足终止条件，若满足，终止计算，转至s56；否则，转至s54；
[0091]
s54、计算wkpca算法中所有核宽度参数的确定解，并且评估各确定解对应的目标函数值；
[0092]
s55、利用量子旋转门对个体进行调整，得到新的种群，记录最优个体和对应的目标函数值，返回s53；
[0093]
s56、将满足终止条件的最优核宽度参数、以及所述优化的敏感度权重矩阵以及最佳特征子集作为输入量，通过wkpca算法对最佳特征子集进行融合。
[0094]
具体的，wkpca算法的核函数矩阵k：
[0095][0096]
式中，pi为φ(xi)对k的权重，φ表示非线性映射函数，φ(xi)
t
为φ(xi)的转置，n为样本个数；
[0097]
将pi归一化后得测试样本x
new
在高维特征向量上的投影为：
[0098][0099]
式中，αi为相关系数，φ(x
new
)表示测试样本的高维映射，映射后的样本。
[0100]
具体的，提取各个样本前三个主元作为其融合特征，对不同类别样本进行可视化分类。如图5所示，为融合特征的三维可视化图。
[0101]
s6、将s5加权融合后的最佳特征子集输入所述神经网络进行模型训练；
[0102]
s7、提取待检测的轴承故障特征数据并输入到训练好的神经网络模型中，根据输出结果判断轴承的故障状态。检测结果如图6所示，图中的纵轴的四组坐标代表轴承正常、
轴承内圈磨损、轴承保持架断裂、轴承外圈磨损四种状态。图中圆圈代表的预测输出与星号代表的实际输出重合说明识别正确，其中箭头所指位置处代表有一个样本识别错误，计算可知检测结果的精度可达到97.5％。
[0103]
本技术充分利用了多传感器的信息，相比于传统的特征选择方式，能自适应的筛选出包含更多故障信息的高敏感特征，并有效提高故障样本子集的可分性。通过对轴承振动信号的筛选与融合，降低了特征的冗余性，提高了轴承故障诊断的精度和稳定性。