一种基于增量学习的轴承故障诊断方法

摘要

本发明公开了一种基于增量学习的轴承故障诊断方法，通过对轴承单一故障模式下振动信号的采集、特征提取，然后用提取的特征训练一个SVDD模型，得到相应的一系列模型参数值αk_n，n＝1,2,…,N；通过每个训练样本到超球体中心的距离dk_n，得到累积概率分布Fk(d)；对于轴承测试样本y，计算其到每类故障模式分类超球体中心的距离dk_y，并代入累积概率分布Fk(d)中，计算出概率Pk，然后找到的最大值，其对应的故障模式则是测试样本所属的故障模式。本发明在有新的故障知识出现时，只需对新故障模式进行训练，这样可以保留之前学习的结果并且从不断出现的新数据中学习，可以提高效率和节省计算资源。

权利要求

1.一种基于增量学习的轴承故障诊断方法，其特征在于，包括以下步骤：(1)、轴承振动信号采集

使用振动数据采集仪采集轴承单一故障模式下的振动信号，得到轴承在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；

(2)、振动信号特征提取

首先对故障数据dk进行分割，得到N个数据段，然后提取每个数据段的特征，并将每个数据段的特征信息作为一个训练样本sk_n，n＝1,2,…,N，最后，将所有的训练样本进行归一化处理，所有归一化后的训练样本构成的集合为Sk；

(3)、利用样本集合Sk训练支持向量数据描述即SVDD模型，训练SVDD模型等效于求解公式(1)，求解结束后得到一系列模型参数值αk_n，n＝1,2,…,N，即其数目等于训练样本个数N并且一一对应；

其中，κ为给定的核函数，xk_i、xk_j分别为第i、j个训练样本，C是给定的惩罚参数；

(4)、SVDD模型为一个超球体，根据公式(2)计算每个训练样本xk_n到第k类超球体中心的距离dk_n：(5)、根据距离dk_n，n＝1,2,…,N，利用核密度估计方法估计距离的概率密度，并进一步转换得到距离的累积概率分布Fk(d)，其中，d表示距离；

(6)、当轴承出现新的故障模式时，重复步骤(1)～(5)，得到一个新的累积概率分布，这样故障模式有K个，即有K个累积概率分布Fk(d)，k＝1,2,…,K；

(7)、轴承的故障诊断过程包含以下步骤：

7.1)、按照步骤(1)和步骤(2)的方法，获取轴承测试样本y；

7.2)、按照步骤(4)的方法，根据公式(3)计算测试样本y距第k类故障模式分类超球体中心的距离dk_y：

7.3)、将距离dk_y作为距离代入第k个累积概率分布Fk(d)中，按照公式(4)计算测试样本属于第k类故障模式的概率Pk：Pk＝1-Fk(dk_y)，k＝1,2,…,K     (4)

7.4)、在K个概率Pk，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于，振动数据采集仪采用三个加速度传感器对振动信号进行采集，三个加速度分别垂向安装在驱动端、风扇端和支撑台；

步骤(2)具体为：

步骤2.1)、将每个加速度传感器同时采集的振动数据进行分割，分割长度为t个数据点，t＝100，得到N个数据段；

步骤2.2)、计算每个数据段的均值、方差、均方根和峭度值四个状态特征变量，然后拼接成在一起构成一个特征单元；

步骤2.3)、将三个加速度传感器采集振动数据相同数据段的特征单元再进行拼接作为数据段的特征信息，然后再将其作为一个训练样本sk_n，n＝1,2,…,N；这样得到每个训练样本都包含3个均值、3个方差、3个均方根和3个峭度值共12个特征值{ck_m_n，m＝1,2,…,12}；

步骤2.4)、将N个训练样本的12个特征值ck_m_n，m＝1,2,…,12；按照公式(5)归一到[0,

1]区间，所有归一化后的训练样本构成的集合为Sk；

其中， 是样本第m个特征归一化后的值，ck_m_max和ck_m_min分别表示N个训练样本第m个特征中的最大值和最小值。

3.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述核函数κ为高斯径向基函数：其中，γ＝1/12；

所述惩罚参数C取值0.5。

说明书

一种基于增量学习的轴承故障诊断方法

技术领域

[0001] 本发明属于轴承故障诊断技术领域，更为具体地讲，涉及一种基于增量学习的轴承故障诊断方法。

背景技术

[0002] 轴承是旋转机械中应用最广泛的一种部件，而且作为旋转机械关键部件之一，其工作状态的好坏会影响整个设备的运行状态。轴承一旦发生故障，必将导致旋转机械结构失效，从而带来经济损失，严重还会引发安全事故。因此，对轴承进行故障诊断具有重要的工程意义。

[0003] 轴承故障诊断通常被看作模式识别问题，并且随着计算机软硬件技术的发展，故障诊断越来越趋向于以人工智能技术为核心的智能诊断。而人工智能技术主要采用基于数据驱动型的机器学习方法，譬如神经网络、支持向量机和k-近邻法等。传统的机器学习采用批量学习方法，即在进行学习之前，必须将所有的数据准备好。而且当一组新数据进来后，往往需要舍弃之前的学习成果，根据新增加的数据和过去所有数据一起重新学习。显然，如果在新数据增加后，放弃以前的学习成果，重新学习全部数据，势必会消耗大量的时间和计算资源，也不适合在线故障监测。

发明内容

[0004] 本发明的目的在于克服现有技术的不足，从增量学习角度出发，提出一种基于增量学习的轴承故障诊断方法，保留之前学习的结果并且从不断出现的新数据中学习，以提高效率和节省计算资源。

[0005] 为实现上述发明目的，本发明基于增量学习的轴承故障诊断方法，其特征在于，包括以下步骤：

[0006] (1)、轴承振动信号采集

[0007] 使用振动数据采集仪采集轴承单一故障模式下的振动信号，得到轴承在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；

[0008] (2)、振动信号分割以及特征提取

[0009] 首先对故障数据dk进行分割，得到N个数据段，然后提取每个数据段的特征，并将每个数据段的特征信息作为一个训练样本sk_n，n＝1,2,…,N，最后，将所有的训练样本进行归一化处理，所有归一化后的训练样本构成的集合为Sk；

[0010] (3)、利用样本集合Sk训练支持向量数据描述(Support  Vector Data Description，简称SVDD)模型，训练SVDD模型等效于求解公式(1)，求解结束后可以得到一系列模型参数值αk_n，n＝1,2,…,N，即其数目等于训练样本个数N并且一一对应；

[0011]

[0012] 其中，κ为给定的核函数，xk_i、xk_j分别为第i、j个训练样本，C是给定的惩罚参数；

[0013] (4)、SVDD模型为一个超球体，根据公式(2)计算每个训练样本xk_n到第k类超球体中心的距离dk_n：

[0014]

[0015] (5)、根据距离dk_n，n＝1,2,…,N，利用核密度估计方法估计距离的概率密度，并进一步转换得到距离的累积概率分布Fk(d)，其中，d表示距离；

[0016] (6)、当轴承出现新的故障模式时，重复步骤(1)～(5)，得到一个新的累积概率分布，这样故障模式有K个，即有K个累积概率分布Fk(d)，k＝1,2,…,K；

[0017] (7)、轴承的故障诊断过程包含以下步骤：

[0018] 7.1)、按照步骤(1)和步骤(2)的方法，获取轴承测试样本y；

[0019] 7.2)、按照步骤(4)的方法，根据公式(3)计算测试样本y距第k类故障模式分类超球体中心的距离dk_y：

[0020]

[0021] 7.3)、将距离dk_y作为距离代入第k个累积概率分布Fk(d)中，按照公式(4)计算测试样本属于第k类故障模式的概率Pk：

[0022] Pk＝1-Fk(dk_y)，k＝1,2,L,K   (4)

[0023] 7.4)、在K个概率Pk，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式(类别)。

[0024] 本发明的目的是这样实现的。

[0025] 本发明基于增量学习的轴承故障诊断方法，通过对轴承单一故障模式下振动信号的采集、特征提取，然后用提取的特征训练一个SVDD模型，得到相应的一系列模型参数值αk_n，n＝1,2,…,N，即其数目等于训练样本个数N；通过每个训练样本到超球体中心的距离dk_n，得到累积概率分布Fk(d)；对于轴承测试样本y，计算其到每类故障模式分类超球体中心的距离dk_y，并代入累积概率分布Fk(d)中，计算出概率Pk，在K个概率Pk，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式。本发明在有新的故障出现时，只需要对新故障模式的累积概率分布Fk(d)进行训练即可，这样可以保留之前学习的结果并且从不断出现的新数据中学习，类似人类渐进获取知识的过程，可以提高效率和节省计算资源。

附图说明

[0026] 图1是本发明基于增量学习的轴承故障诊断方法一种具体实施方式流程图；

[0027] 图2是训练样本获取过程示意图；

[0028] 图3是轴承诊断模型构建时间；

[0029] 图4是轴承诊断准确率。

具体实施方式

[0030] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

[0031] 图1是本发明基于增量学习的轴承故障诊断方法一种具体实施方式流程图。

[0032] 在本实施例中，如图1所示，本发明基于增量学习的轴承故障诊断方法基于增量学习的轴承故障诊断方法包括以下步骤：

[0033] 步骤S1：轴承振动信号采集

[0034] 对于每一类故障模式，使用振动数据采集仪采集轴承单一故障模式下的振动信号，得到轴承在每一类故障模式下的故障数据dk，其中，k表示故障模式编号。

[0035] 步骤S2：振动信号特征提取

[0036] 首先对故障数据dk进行分割，得到N个数据段，然后提取每个数据段的特征，并将每个数据段的特征信息作为一个训练样本sk_n，n＝1,2,…,N，最后，将所有的训练样本进行归一化处理，所有归一化后的训练样本构成的集合为Sk。

[0037] 在本实施例中，振动数据采集仪采用三个加速度传感器对振动信号进行采集，三个加速度传感器分别垂向安装在驱动端、风扇端和支撑台。在本实施例中，步骤S2具体包括：

[0038] 步骤S21：将每个加速度传感器同时采集的振动数据(故障数据)进行分割，分割长度为t个数据点，在本实施例中，t＝100，得到得到N个数据段；

[0039] 步骤S22：计算每个数据段的均值、方差、均方根和峭度值四个状态特征变量，然后拼接成在一起构成一个特征单元；

[0040] 步骤S23：将三个加速度传感器采集振动数据相同数据段的特征单元再进行拼接作为数据段的特征信息，然后再将其作为一个训练样本sk_n，n＝1,2,…,N。这样得到每个训练样本都包含3个均值、3个方差、3个均方根和3个峭度值共12个特征值{ck_m_n，m＝1,2,…,12}；

[0041] 步骤S24：将N个训练样本的12个特征值ck_m_n，按照公式(5)归一到[0,1]区间，所有归一化后的训练样本构成的集合为Sk。

[0042]

[0043] 其中， 是样本第m个特征归一化后的值，ck_m_max和ck_m_min分别表示N个训练样本第m个特征中的最大值和最小值。

[0044] 步骤S3：利用样本集合Sk训练支持向量数据描述(Support Vector  Data Description，简称SVDD)模型，训练SVDD模型等效于求解公式(1)，求解结束后可以得到一系列模型参数值αk_n，n＝1,2,…,N，即其数目等于训练样本个数N并且一一对应；

[0045]

[0046] 其中，κ为给定的核函数，xk_i、xk_j分别为第i、j个训练样本，C是给定的惩罚参数。

[0047] 在本实施例中，所述核函数κ为高斯径向基函数：

[0048]

[0049] 其中，γ＝1/12。

[0050] 在本实施例中，所述惩罚参数C取值0.5。

[0051] 步骤S4：SVDD模型为一个超球体，根据公式(2)计算每个训练样本xk_n到第k类超球体中心的距离dk_n：

[0052]

[0053] 步骤S5：根据距离dk_n，n＝1,2,…,N，利用核密度估计方法估计距离的概率密度，并进一步转换得到距离的累积概率分布Fk(d)，其中，d表示距离；

[0054] 步骤S6：当轴承出现新的故障模式时，重复步骤步骤S1～S6，得到一个新的累积概率分布，这样故障模式有K个，即有K个累积概率分布Fk(d)，k＝1,2,…,K；

[0055] 步骤S7：轴承的故障诊断过程包含以下步骤：

[0056] 步骤S7.1：按照步骤S1和步骤S2的方法，获取轴承测试样本y；

[0057] 步骤S7.2：按照步骤S4的方法，根据公式(3)计算测试样本y距第k类故障模式分类超球体中心的距离dk_y：

[0058]

[0059] 步骤S7.3：将距离dk_y作为距离代入第k个累积概率分布Fk(d)中，按照公式(4)计算测试样本属于第k类故障模式的概率Pk：

[0060] Pk＝1-Fk(dk_y)，k＝1,2,L,K   (4)

[0061] 步骤S7.4：在K个概率Pk，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式(类别)。

[0062] 在本实施例中，以凯斯西储大学的轴承实验数据为例，具体过程如下：

[0063] 该轴承故障诊断试验台由电机、转矩传感器/编码器、测力计和控制电子设备等组成。两个测试轴承(分别为驱动端轴承与风扇端轴承)支撑电机轴，并通过电火花加工技术加工了单点故障。故障严重程度(直径)包括0.007英寸、0.014英寸，0.021英寸，故障类型包含内圈故障、外圈故障和滚动体故障。由于轴承外圈固定，外圈故障还包括故障点所处位置。实验中所用轴承型号为6205-2RS JEM SKF。

[0064] 当电机转速为1797转/分时，由三个加速度传感器(分别垂向安装在驱动端、风扇端和支撑台)采集轴承不同故障类型及故障严重程度下的振动数据用于诊断分析，采样频率为12kHz，每种故障模式采样时间大约10秒。

[0065]

[0066]

[0067] 表1

[0068] 表1是用于诊断分析的测试轴承故障模式列表。

[0069] 针对表1中每一类故障模式，样本数为1200，总共25类，一共的样本数为30000个。

[0070] 本实施例中，将其中每类的960个样本，一共24000个样本作为训练样本，来训练SVDD模型以及构建概率模型。剩余的6000个样本作为测试样本用于诊断过程，以验证本文方法的有效性。同时，实验过程中，为了模拟类别增量过程，从2类样本开始，往后依次增加1类样本，测试时则将这些类的测试集全部测试。比如，刚开始的2类样本得到一个二分类器，测试则将这两类的测试集测试分类器的性能，当第3类样本加进来时，训练则可以得到三分类器，测试则将第3类样本的测试集加上前2类的测试集测试分类器的性能，以此类推。

[0071] 此外，还将本发明与传统的类别增量算法CIL(class incremental leaning来自论文：ZHANG B F,SU J S,XU X.A class-incremental learning method for multi-class support vector machines in text classification[C]//Proceedings of the 5th International Conference on Machine Learning and Cybernetics,Dalian,2006:
2581-2585.)和传统的批量学习方法v-SVC进行比较，实验结果见图3和图4。

[0072] 从轴承故障诊断的实验结果可以看出，本发明在模型构建时间上比其他两种方法低，模型构建效率更高，大概是CIL的10倍，v-SVC的138倍。此外，本发明在准确率方面平均大约比v-SVC低7％，但比同样是类别增量学习方法的CIL高18％。由此可见，本发明应用于轴承故障模式识别，在模型构建效率以及准确率方面也具有一定优点。

[0073] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。