CN110487547A - 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 - Google Patents

Abstract

本发明涉及机械转动设备故障诊断技术领域，具体公开了一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，包括以下步骤：1.采集已知工况下滚动轴承的故障数据样本集A，2.将A进行EMD分解降噪以及时频变换，3.将时频变换得到的一维时域信号和频域信号变换成二位振动图，4.提取振动图中的故障特征形成故障特征集T1，并将待测数据重复上述步骤形成T2，5.采用迁移学习对T1和T2进行学习得到新特征集T3，并对T3进行分类训练得到分类模型，6.采用上述分类模型对待测样本B进行故障诊断。本发明实现了故障敏感特征的自动提取，实现了不同工况下的滚动轴承故障的有效诊断，且具有较高的诊断准确率。

Description

基于振动图和迁移学习的变工况下滚动轴承故障诊断方法

技术领域

本发明涉及机械转动设备故障诊断技术领域，具体涉及一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法。

技术背景

滚动轴承是旋转机械设备的关键部件，主要作用是承受旋转体自重及工作载荷的同时保证旋转体的回转精度，其运行状态直接决定着整个机组的性能。但受恶劣复杂多变工况影响，滚动轴承故障频发，给企业正常生产运营带来了很大影响。因此，为保证设备的正常运行，对滚动轴承进行故障诊断具有重要意义。

近年来，国内外学者以机器学习为手段针对稳定工况下的滚动轴承故障诊断方面做了大量研究，并形成了一套完整的诊断流程，目前这些基于传统机器学习的轴承故障诊断方法流程可以分解为以下4个步骤：1、测试获取各种故障状态下数据形成训练数据集，2、基于人工经验直接从原始测试数据中提取故障特征，3、选择合适的分类模型利用所提取的故障特征进行模型训练，4、将所训练好的模型用于新测试数据的诊断分析。但传统的方法主要解决的是稳定工况下的轴承诊断问题，而实际生产中，设备运行工况复杂多变，导致了故障特征空间分布不一致，故障敏感特征获取难、诊断模型普适性差。因此，如何解决变工况下故障敏感特征提取及故障准确诊断成为一个亟待解决的问题。

近年来发展的迁移学习方法对相似但不同的样本分类问题提供一条新的解决思路，并已在图像处理、文本分类领域取得成功。但变工况下轴承原始振动信号分布规律多变，故障敏感特征提取困难使得现有的适用于图像处理领域的迁移学习算法难以在故障诊断领域有效应用。

发明内容

为了解决上述问题，本发明提供一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法。

与传统的方法不同，所提出的方法通过将一维的振动波形转为二维的振动图，再利用卷积神经网络直接从振动图中挖掘故障敏感特征，通过迁移学习算法将训练集所得特征迁移应用至未知工况下的待测样本上，从而实现了变工况下滚动轴承的故障诊断。

为实现上述目的，本发明所涉及的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，包括如下步骤：

步骤一、采集滚动轴承在已知工况下各类故障的振动信号形成数据样本集A；

步骤二、采用EMD算法对数据样本集A中的数据进行分解并将分解处理后的数据进行降噪处理，将降噪后的信号进行时频变换，形成一维的时域信号和一维的频域信号；

步骤三、将步骤二中所获得的一维的时域信号和一维的频域信号变换成二维的时域振动图和二维的频域振动图；

步骤四、采用卷积神经网络分别挖掘提取上述步骤3中时域振动图和频域振动图中的故障特征，形成故障特征集T1；

步骤五、对待测数据样本B按照上述步骤二至步骤四进行处理，形成待测样本的特征集T2；

步骤六、分析步骤四中特征集T1与步骤五中特征集T2间的分布，采用迁移学习算法对特征集T1和特征集T2进行学习，使其满足特征空间的同分布，从而形成新的特征集T3；

步骤七、采用支持向量机SVM对步骤六中形成的特征集T3进行训练，得到分类模型；

步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。

进一步的，所述步骤二中的噪声处理包括剔除趋势项以及剔除明显噪声干扰项。

进一步的，所述步骤二中采用EMD算法对数据样本集A中的振动信号x(t)分解的计算公式为：

式中，IMF_k(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，r_m(t)表示分解的最后余量。

进一步的，所述步骤二中的剔除明显干扰信号的过程根据EMD分解结果来选择滤波器的尺寸。

进一步的，所述步骤二中时频变换的计算公式为：

式中，x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数。

进一步的，所述步骤三中一维的时域信号和一维的频域信号的变换过程包括分别对时域信号和频域信号分别进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的二维时域振动图和二维的频域振动图。

进一步的，所述时域信号和频域信号的转换步骤如下：

步骤1)、将降噪后的一维时域信号转化到频域；

步骤2)、将一维的时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；

步骤3)、按照转化公式将每一个点转化到对应振动图中的每一个像素点，转换过程中每一个信号点的幅值对应二维振动图中的灰度值，转换过程的表达公式为：

P[i,j]＝A[(i-1)*M+j]

式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，A[.]表示一维信号归一化处理后对应的幅值，P[i,j]表示二维振动图中在(i,j)位置处对应的灰度的大小。

进一步的，所述步骤4中，采用卷积神经网络对时域和频域振动图中故障特征进行提取，所述卷积神经网络包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，卷积运算公式如下所示：

式中，K_i ^l(j’)表示第l层的第i个卷积核的第j’个权值，表示第l层中第j个被卷积的局部区域，W表示卷积核的宽度；

池化过程采用最大值池化法，取感知域内的最大值为输出值，数学描述如下式所示：

式中，a^l(i,t)表示第l层第i帧第t个神经元的激活值；W表示池化区域的宽度；p^l(i,j)表示第l层池化中神经元对应的权值；

全连接层是将最后一层池化层的输出按照顺序依次连接，形成一个一维向量。

进一步的，所述故障特征的提取过程包括，选择合适的卷积核从时域振动提和频域振动图中通过卷积操作提取特征图，再将所提取的特征图利用池化层进行降维，然后重复上述卷积-池化的过程，直到所输出的特征能够达到满意的分类效果为止，然后将最后一层的特征图进行首尾相连。

进一步的，所述步骤6中采用迁移学习TrAdaboost算法对步骤4中进行特征间的学习及特征重要度的修正，得到分类诊断模型。

有益效果：第一是克服了传统诊断方法需要依赖专家经验才能提取有效故障特征的不足，通过将一维波形信号转变为二维振动图，再利用卷积神经网络实现故障敏感特征的自动提取，降低了故障敏感特征的提取难度，所提取的特征更能反应数据的真实性。第二方面是解决了因工况复杂多变而产生数据分布不一致，导致传统机器学习进行故障诊断分析时精度低的问题，实现了不同工况下的滚动轴承故障的有效诊断，且具有较高的诊断准确率。

附图说明

图1为本发明的方法的工作流程图；

图2为本发明具体实施例中轴承在不同状态下原始时域波形图；

图3为本发明具体实施例中内圈故障模式下EMD分解后的效果图；

图4为本发明具体实施例中内圈故障模式下降噪后振动信号时域图；

图5为本发明具体实施例中内圈故障模式下降噪后振动信号频域图；

图6为本发明具体实施例中时域信号所对应的振动图；

图7为本发明具体实施例中频域信号所对应的振动图；

图8卷积神经网络结构图；

图9为本发明方法提出的振动图构建过程示意图。

具体实施方式

本发明的具体实施例选择美国凯斯西储大学公开的轴承故障实验数据进行本发明的实例测试，该实验选择SKF6205轴承进行测试，轴承内滚珠数量为9个，分别在正常、外圈故障、内圈故障和滚动体故障4种状态下运行，每种故障类型有四种载荷，详细故障设置见表1所示。使用加速度传感器进行信号采集，采样频率为12kHz，数据样本详细记录了电机从0至3马力变化过程的所有数据。

表1不同故障类型数据说明

分别进行了3组不同类型的实验，第一组选择的是同一类同尺寸故障不同工况下的诊断分析；第二组实验是选用同一类不同尺寸故障在同工况下进行诊断分析；第三类是进行同类不同尺寸的故障在不同工况下进行的诊断分析，三组实验详细设置如表2所示。

表2实验设置

将每类故障数据分为250组，前100组用于模型训练，后150组用于模型测试。然后按照如下步骤对上述数据进行处理，

步骤一、以表1中的数据(即美国凯斯西储大学公开的轴承故障实验数据)作为数据样本集；上述轴承在4种不同工况下的原始时域波形图如图2所示；

步骤二、采用EMD算法对数据样本集中的数据进行分解并将分解处理后的数据进行降噪处理，降噪处理包括剔除趋势项以及剔除明显噪声干扰项，以内圈故障为例EMD分解的效果图如图3所示，EMD算法对数据样本集中的振动信号x(t)分解的计算公式为：

式中，IMF_k(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，r_m(t)表示分解的最后余量；剔除明显干扰信号的过程根据EMD分解结果来选择滤波器的尺寸；可选的滤波器的类型包括高通滤波器、带通滤波器及低通滤波器。

高通滤波器可以表示为：

带通滤波器可以表示为：

低通滤波器可以表示为：

式中：p、q、b、l为滤波器的截断参数，这些值一般由信号的特点来决定。

将降噪后的信号进行时频变换，形成一维的时域信号和一维的频域信号，降噪后振动信号时域图以及频域图如图4和图5所示；

步骤三、将步骤二中所获得的一维的时域信号和一维的频域信号变换成二维的时域振动图和二维的频域振动图，所述步骤三中一维的时域信号和一维的频域信号的变换过程包括分别对时域信号和频域信号分别进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的二维时域振动图和二维的频域振动图。所述时域信号和频域信号的转换步骤如下：

步骤1)、将降噪后的一维时域信号转化到频域；

步骤2)、将一维的时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；

步骤3)、按照转化公式将每一个点转化到对应振动图中的每一个像素点，转换过程中每一个信号点的幅值对应二维振动图中的灰度值，转换过程的表达公式为：

P[i,j]＝A[(i-1)*M+j]

式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，A[.]表示一维信号归一化处理后对应的幅值，P[i,j]表示二维振动图中在(i,j)位置处对应的灰度的大小。

步骤四、采用卷积神经网络分别挖掘提取上述步骤三中时域振动图和频域振动图中的故障特征，形成故障特征集T1；所述卷积神经网络包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，卷积运算公式如下所示：

式中，K_i ^l(j’)表示第l层的第i个卷积核的第j’个权值，表示第l层中第j个被卷积的局部区域，W表示卷积核的宽度；

池化过程采用最大值池化法，取感知域内的最大值为输出值，数学描述如下式所示：

式中，a^l(i,t)表示第l层第i帧第t个神经元的激活值；W表示池化区域的宽度；p^l(i,j)表示第l层池化中神经元对应的权值；

全连接层是将最后一层池化层的输出按照顺序依次连接，形成一个一维向量。所述故障特征的提取过程包括，选择合适的卷积核从时域振动提和频域振动图中通过卷积操作提取特征图，再将所提取的特征图利用池化层进行降维，然后重复上述卷积-池化的过程，直到所输出的特征能够达到满意的分类效果为止，然后将最后一层的特征图进行首尾相连。卷积神经网络结构图如图8所示；

步骤五、对待测数据样本按照上述步骤二至步骤四进行处理，形成待测样本的特征集T2；

步骤六、分析步骤四中特征集T1与步骤五中特征集T2间的分布，采用迁移学习算法对特征集T1和特征集T2进行学习，使其满足特征空间的同分布，从而形成新的特征集T3；所述步骤六中采用迁移学习TrAdaboost算法对步骤4中进行特征间的学习及特征重要度的修正，得到分类诊断模型，上述修正的具体过程如下：

输入两个训练数据集T1和T2，合并的训练数据集T＝T1∪T2)，一个待测未标注的数据集S，一个基本分类算法Learner，和迭代次数N。

1.初始权重向量其中，

2.设置

For t＝1,...,N

3.设置p^t满足

4.调用Learner，根据合并后的训练数据T以及T上的权重分布p^t和未标注数据，得到一个在S的分类器h_t:X→Y

5.计算h_t在T_b上的错误率：

6.设置β_t＝∈_t/(1-∈_t)，设置新的权重向量如下：

输出最终分类器

步骤七、采用支持向量机SVM对步骤六中形成的特征集T3进行训练，得到分类模型；

步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。

同时采用传统的BP神经网络及SVM方法进行对比分析，分析结果如表3所示，由表3中诊断结果的对比显而易见，所提出的诊断方法在变工况下诊断准确率达到了明显优于传统的诊断模型，可以达到97.44％以上，具有良好的诊断效果。

表3所提方法与传统方法诊断准确率对比

由表3中诊断结果的对比显而易见，所提出的诊断方法在变工况下诊断准确率达到了明显优于传统的诊断模型，可以达到97.44％以上，具有良好的诊断效果。

Claims (10)

1.一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于包括如下步骤：

步骤一、采集滚动轴承在已知工况下各类故障的振动信号形成数据样本集A；

步骤二、采用EMD算法对数据样本集A中的数据进行分解并将分解处理后的数据进行降噪处理，将降噪后的信号进行时频变换，形成一维的时域信号和一维的频域信号；

步骤三、将步骤二中所获得的一维的时域信号和一维的频域信号变换成二维的时域振动图和二维的频域振动图；

步骤四、采用卷积神经网络分别挖掘提取上述步骤3中时域振动图和频域振动图中的故障特征，形成故障特征集T1；

步骤五、对待测数据样本B按照上述步骤2至步骤4进行处理，形成待测样本的特征集T2；

步骤六、分析步骤四中特征集T1与步骤五中特征集T2间的分布，采用迁移学习算法对特征集T1和特征集T2进行学习，使其满足特征空间的同分布，从而形成新的特征集T3；

步骤七、采用支持向量机SVM对步骤六中形成的特征集T3进行训练，得到分类模型；

步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。

2.根据权利要求1所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤二中的噪声处理包括剔除趋势项以及剔除明显噪声干扰项。

3.根据权利要求2所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤二中采用EMD算法对数据样本集A中的振动信号x(t)分解的计算公式为：

式中，IMF_k(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，r_m(t)表示分解的最后余量。

4.根据权利要求3所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤二中的剔除明显干扰信号的过程根据EMD分解结果来选择滤波器的尺寸。

5.根据权利要求1所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤二中时频变换的计算公式为：

式中，x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数。

6.根据权利要求1所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤三中一维的时域信号和一维的频域信号的变换过程包括分别对时域信号和频域信号分别进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的二维时域振动图和二维的频域振动图。

7.根据权利要求6所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于，所述时域信号和频域信号的转换步骤如下：

步骤1)、将降噪后的一维时域信号转化到频域；

步骤2)、将一维的时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；

步骤3)、按照转化公式将每一个点转化到对应振动图中的每一个像素点，转换过程中每一个信号点的幅值对应二维振动图中的灰度值，转换过程的表达公式为：

P[i,j]＝A[(i-1)*M+j]

式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，A[.]表示一维信号归一化处理后对应的幅值，P[i,j]表示二维振动图中在(i,j)位置处对应的灰度的大小。

8.根据权利要求1所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤4中，采用卷积神经网络对时域和频域振动图中故障特征进行提取，所述卷积神经网络包括卷积层、池化层和全连接层，并利用所述样本数据库中的训练样本进行训练，卷积运算公式如下所示：

式中，表示第l层的第i个卷积核的第j’个权值，表示第l层中第j个被卷积的局部区域，W表示卷积核的宽度；

池化过程采用最大值池化法，取感知域内的最大值为输出值，数学描述如下式所示：

式中，a^l(i,t)表示第l层第i帧第t个神经元的激活值；W表示池化区域的宽度；p^l(i,j)表示第l层池化中神经元对应的权值；

全连接层是将最后一层池化层的输出按照顺序依次连接，形成一个一维向量。

9.根据权利要求8所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述故障特征的提取过程包括，选择合适的卷积核从时域振动提和频域振动图中通过卷积操作提取特征图，再将所提取的特征图利用池化层进行降维，然后重复上述卷积-池化的过程，直到所输出的特征能够达到满意的分类效果为止，然后将最后一层的特征图进行首尾相连。

10.根据权利要求1所述的一种基于振动图和迁移学习的变工况下滚动轴承故障诊断方法，其特征在于：所述步骤6中采用迁移学习TrAdaboost算法对步骤4中进行特征间的学习及特征重要度的修正，得到分类诊断模型。