CN102589884A - 一种基于GentleBoost的飞机发电机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于GentleBoost的飞机发电机轴承故障诊断方法，建立飞机发电机轴承故障试验平台，采集轴承在四种不同工作状态下的振动加速度信号作为训练样本，构成一个样本集合，将该样本集合中的每个样本提取该样本256个时域采样点的10种统计特征，设计一个二元弱分类器，并采用GentleBoost分类方法增强该弱分类器，针对滚动轴承四种工作状态，形成6对两两组合的二元分类器，根据多数表决原则组成一个多元分类器。本发明提高了故障特征的覆盖面，避免了特征重叠区域的多分类泛化误差问题，可以提高难分样本的分类准确度，获得较高的飞机发电机滚动轴承的故障识别率。

Description

一种基于GentleBoost的飞机发电机轴承故障诊断方法

技术领域

本发明涉及一种飞机发电机轴承故障诊断方法。

背景技术

滚动轴承是飞机发电机的重要组成部件，由于工作面上长期接触应力反复作用，导致轴承的内圈、外圈、滚动体和保持架极易出现疲劳、点蚀、剥落、擦伤等故障，导致轴承断裂，造成事故。因此，滚动轴承的故障诊断，特别是滚动轴承的早期故障检测与诊断是非常重要的。所谓早期故障是指故障刚刚萌生，还未对机械的性能和工作状态造成危害之前，对滚动轴承损伤进行识别，判断其损伤状态及损伤类型，对保障飞机发电机正常运转有十分重要的意义。

申请号为200610017613.1的专利“滚动轴承故障自动诊断***”利用对轴承振动的测试分析和峭度分析，并通过虚拟仪器设计及数字信号处理技术，由软件自动对峭度值进行计算，再进行倒频谱的谱图分析、比较，既可精确测试轴承振动加速度量，又可精确测试轴承振动速度量，并能对轴承的振动进行时域分析、频域分析、时频域联合分析等多参数定量、定性分析，还可进行轴承异音、故障测试分析，以达到对轴承振动进行精密分析，然后与该轴承的故障特征频率或者它的分频、倍频的特征值相比较，自动判断出该轴承故障出现的部位。

申请号为201010539005.3的专利“旋转机械滚动轴承的无线振动监测***”以旋转机械的滚动轴承为监测对象，以加速度传感器检测轴承振动信号，信号经过滤波、放大、A/D转换后变为数字信号，以无线传输方式发送给上位机，上位机通过数据分析获得特征参数，由三个检测点的特征参数一起组成三维振动信号特征向量，由神经网络分析是否存在故障，由模式识别判断故障的具体类型，最后对故障信息进行处理，提供数据存储、显示，故障报警等功能。该发明涉及的无线振动监测***适用于冶金、电力、石油、化工、汽车和造船等旋转机械应用场合，具有结构简单、性能可靠、使用寿命长、实时性强等特点。申请号为91226314.8的专利“轴承诊断器”根据声音传递原理，通过接受不同的声音诊断出轴承是否缺少润滑或磨损、滚动件破损等情况。

但上述轴承故障诊断及分类方法中有几点不足：

(1)“滚动轴承故障自动诊断***”对信号的峭度进行计算，通过倒频谱的谱图分析，提取滚动轴承损伤的固有特征频率，但是特征提取仅仅是故障诊断的前提。一般情况下，仅仅是相关轴承诊断的专业人员会从故障特征中分析轴承中哪个部位发生了损伤，而对于一般的工作人员则无法做到。

(2)“旋转机械滚动轴承的无线振动监测***”运用神经网络对轴承数据进行分析。神经网络是近几年发展起来的一种智能方法，发展至今，其方法主要包括：反向传播神经网络(BP神经网络)、径向基神经网络(RBF神经网络)、Hopfield神经网络、Elman神经网络等。但是神经网络的特点决定了它在学习过程中常常会出现训练时间过长，相关参数较难选择的缺点，因此工程上不易实现。

(3)“轴承诊断器”利用声信号进行检测，这种检测手段在现今应用比较广泛，但是其缺点在于：声音信号极易受到外界噪声的影响，这种噪声与原始信号叠加，不容易确定信号的特征模态，因此，也就不易对故障进行准确的识别。

目前很多的文献都是利用一些传统的方法进行故障诊断，这其中就包括传统的机器学习方法，包括Bayesian方法，KNN(K Nearest Neighbor Classifier)方法，SVM方法等，但是他们都有其各自的缺点。首先Bayesian法需要先验分布，如果先验分布未知，该方法无法实现；其次，在KNN法中，最关键的一个参数是就是分类函数的阶数，阶数选的小，分类的误差就偏大，如果阶数偏大，不仅会增加计算的复杂度，而且还会产生过拟合现象。SVM是一些诊断***使用的一种核方法，该方法的优点是能够处理小样本数据，但是缺点是处理数据速度慢，核函数的选择也比较复杂，缺少理论依据。

发明内容

本发明的目的在于克服上述已有问题的不足，提出一种新的故障诊断方法：首先在飞机发电机测试平台上采集滚动轴承的正常与故障的信号，运用统计方法提取采集信号的特征，然后通过GentleBoost方法对样本进行二元分类，最后利用多个二元分类器的组合实现一种多元分类器，可以进行多种故障的识别和分类。在本发明中，飞机发电机的滚动轴承运行状态分为正常状态、内圈损伤、滚动体损伤和外圈损伤，因此，本发明针对该四种状态进行故障识别和分类。

实现本发明所采用的技术方案包括以下步骤：

(1)信号采集步骤：建立飞机发电机轴承故障试验平台，该试验平台的硬件主要包括：一台ZHS-3A型多功能转子试验台、YDI-12型加速度传感器、美国NI公司的数据采集卡及PXI-1042Q工业控制计算机。试验中采用的轴承为调心球轴承，安装于ZHS-3A型多功能转子试验台。我们用YDI-12型加速度传感器采集轴承在四种不同工作状态下的振动加速度信号，四种工作状态分别为轴承的正常状态、内圈损伤、外圈损伤以及滚动体损伤。在本发明中，为了训练GentleBoost分类方法，分别针对四种状态的信号进行采样，以作为训练样本。信号采样在时域下进行，采样频率为10KHz。每种状态下针对振动加速度信号连续采集8192个点，并将采样点等分为32个样本，每个样本包括256个采样点。四种工作状态下共采集4*32＝128个样本，这些样本构成了一个样本集合，该样本集合可以按照1∶1比例随机抽取四类样本构成一个训练集合和一个测试集，其中训练样本为4类，64个样本，每类具有16个样本；测试样本为4类，64个样本，每类具有16个样本。

(2)特征提取步骤：针对步骤(1)建立的样本集合，将该样本集合中的每个样本提取该样本256个时域采样点的10种统计特征，本发明中采用的统计特征包括：最大值、最小值、中位数、值域、均值、方差、标准差、峭度、偏斜度和最大梯度。该10种统计特征构成一个特征向量，样本集合里的每一个样本都具有一个特征向量。

(3)弱分类器建立步骤：在本发明中，采用二元分类器两两组合的方式构成多元分类器。首先设计一个二元弱分类器，通过GentleBoost方法增强该二元弱分类器从而最终实现分类准确率的提高。根据提取的样本的特征向量，通过二元弱分类器进行分类，实现二元分类器的两个类标的输出。本发明采用分类树来实现一个二元弱分类器。该树具有一个根节点和两个叶节点，所有的训练样本从根节点开始，划分到两个叶节点上，每个叶节点代表一类。

(4)弱分类器增强步骤：本发明采用的GentleBoost分类方法可以增强步骤(3)实现的弱分类器。增强方式为迭代式选择每一步弱分类器，通过赋予错分和难分样本更大的权重来增强下一步弱分类器的分类性能，然后通过每一步弱分类器的线性组合构成一个二元强分类器，形成最终的二元分类器。

(5)多元分类器实现步骤：由步骤(4)构成的二元分类器，针对滚动轴承四种工作状态，形成6对两两组合的二元分类器，根据“多数表决”原则组成一个多元分类器。该分类器可以实现包括正常状态、内圈损伤、外圈损伤以及滚动体损伤四种工作状态的分类，从而达到故障识别和诊断的目的。

本发明的有益效果是：

本发明实现了一种飞机发电机滚动轴承故障诊断方法，该方法通过提取信号特征，采用GentleBoost分类方法实现滚动轴承的故障识别与分类。首先，本发明提取了多种特征，提高了故障特征的覆盖面；其次，本发明采用了二元分类器两两组合方式间接构成多元分类器，可以避免一些直接多元分类器中存在的特征重叠区域的多分类泛化误差问题；第三，本发明采用GentleBoost分类方法，该方法通过两种方式大大提升分类精度：1)通过增强弱分类器分类效果，由多个弱分类器共同构成一个强分类器，增加了分类性能的鲁棒性；2)针对特征不明显的难分样本赋予较大权重，重点训练弱分类器处理难分样本的能力，可以提高难分样本的分类准确度。本发明通过64组测试样本，测试了本发明的分类精度。最终测试实验证明，本发明可以获得较高的飞机发电机滚动轴承的故障识别率。

下面结合附图和实施例对本发明进一步说明。

附图说明

图1是本发明的具体实施方法流程图。

图2是飞机发电机轴承的四种工作状态的加速度信号时域图。

图2(1)是正常状态下轴承的加速度信号；

图2(2)是内圈损伤状态下轴承的加速度信号；

图2(3)是外圈损伤状态下轴承的加速度信号；

图2(4)是滚动体损伤状态下轴承的加速度信号。

图3是飞机发电机轴承的四种工作状态下各25个样本的10种特征图。

图3(1)是飞机发电机轴承的四种工作状态下各25个样本的最大值特征；

图3(2)是飞机发电机轴承的四种工作状态下各25个样本的最小值特征；

图3(3)是飞机发电机轴承的四种工作状态下各25个样本的中位数特征；

图3(4)是飞机发电机轴承的四种工作状态下各25个样本的值域特征；

图3(5)是飞机发电机轴承的四种工作状态下各25个样本的均值特征；

图3(6)是飞机发电机轴承的四种工作状态下各25个样本的方差特征；

图3(7)是飞机发电机轴承的四种工作状态下各25个样本的标准差特征；

图3(8)是飞机发电机轴承的四种工作状态下各25个样本的峭度特征；

图3(9)是飞机发电机轴承的四种工作状态下各25个样本的偏斜度特征；

图3(10)是飞机发电机轴承的四种工作状态下各25个样本的最大梯度特征。

图4是弱分类器采用的分类树的形式。

图5是本发明测试与运行方法流程图。

具体实施方式

如图1所示，本发明由信号采集、特征提取、弱分类器建立、弱分类器增强、多元分类器实现五个步骤组成。首先通过故障试验平台采集时域信号，然后运用统计方法提取信号的特征，通过GentleBoost方法建立弱分类器，并增强弱分类器，实现一个二分类的强分类器，最后利用多个二元分类器的两两组合实现一种多元分类器，可以进行多种故障信号的识别和分类。在本发明中，飞机发电机的滚动轴承运行状态分为正常状态、内圈损伤、滚动体损伤和外圈损伤，因此，本发明针对该四种状态进行故障识别和分类。

结合附图，具体实施步骤以下做详细说明。

一、信号采集步骤。

本发明首先建立飞机发电机轴承故障试验平台，该试验平台的硬件主要包括：一台ZHS-3A型多功能转子试验台、YDI-12型加速度传感器、美国NI公司的数据采集卡PXI4472及PXI-1042Q工业控制计算机。发电机试验设定转速为900转/分，试验中采用的轴承为调心球轴承，安装于ZHS-3A型多功能转子试验台。

本发明中，选取的监测对象为调心球轴承，轴承参数如表1所示。

轴承部件	参数	数值	单位
				外圈半径	R0	15.00	mm
内圈半径	Ri	5.00	mm
				节径	D	19.89	mm
滚珠直径	d	4.75	mm
				滚珠数	Nb	9
接触角	a	11	°

表1飞机发电机轴承故障试验平台的轴承参数

本发明采用YDI-12型加速度传感器采集轴承在四种不同工作状态下的振动加速度信号，4种工作状态分别为轴承的正常状态、内圈损伤状态、外圈损伤状态以及滚动体损伤状态。信号采样在时域下进行，采样频率为10KHz。四种状态下采集的四组信号如图2所示。图中(1)为正常状态下轴承的加速度信号，(2)为内圈损伤状态下轴承的加速度信号，(3)为外圈损伤状态下轴承的加速度信号，(4)为滚动体损伤状态下轴承的加速度信号。

在本发明中，为了训练GentleBoost分类器，分别针对四种状态的信号进行采样，以作为训练样本。每种状态下针对振动加速度信号连续采集8192个点，并将采样点等分为32个样本，每个样本包括256个采样点。四种工作状态下共采集4*32＝128个样本，这些样本构成了一个样本集合，该样本集合可以按照1∶1比例随机抽取四类样本构成一个训练集合和一个测试集，其中训练样本为4类，64个样本，每类具有16个样本；测试样本为4类，64个样本，每类具有16个样本。

二、特征提取步骤。

针对步骤(一)建立的样本集合，将该样本集合中的每个样本提取该样本256个时域采样点的10种统计特征，本发明中采用的统计特征包括：最大值特征，最小值特征，中位数特征，值域特征，均值特征，方差特征，标准差特征，峭度特征，偏斜度特征，最大梯度特征。该10种统计特征构成一个特征向量，样本集合里的每一个样本都具有一个特征向量。

最大值特征表达了信号的峰值。表达式如下，其中，x_i为采样点，N为采样个数。

x_max＝max{x_i}，i∈[1，N]

最小值特征表达了信号的最低能量。表达式如下，其中，x_i为采样点，N为采样个数。

x_min＝min{x_i}，i∈[1，N]

中位数特征表达了信号的中间值。表达式如下，其中，odd表示奇数，even表示偶数，N为采样个数。

$x_{\mathrm{med}}=\left\{\begin{array}{cc}{x}_{(N+1)/2}& N\∈\mathrm{odd}\\ (x_{N/2}+x_{(N/2+1)})/2& N\∈\mathrm{even}\end{array}\right.$

值域特征表达了信号的峰值与谷值的范围。表达式如下，其中，x_max和x_min分别为信号的最大值特征与最小值特征。

range＝x_max-x_min

均值特征表达了信号的平均程度。表达式如下，其中，x_i为采样点，N为采样个数。

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

方差特征表达了信号偏离均值的平方程度。表达式如下，其中x_i为采样点，N为采样个数，μ为均值特征。

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2$

标准差特征表达了信号偏离均值的标准程度。表达式如下，其中x_i为采样点，N为采样个数，μ为均值特征。

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2}$

峭度特征表达了信号离异倾向的程度。表达式如下，其中x_i为采样点，N为采样个数，μ为均值特征。

$\mathrm{kur}=\frac{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{(x_i-\mathrm{\μ})}^4}{{\left(\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{(x_i-\mathrm{\μ})}^2\right)}^2}-3$

偏斜度特征表达了信号非对称的程度。表达式如下，其中x_i为采样点，N为采样个数，μ为均值特征。

$\mathrm{skew}=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^3}{{\left(\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\mathrm{\μ})}^2\right)}^{3/2}}$

最大梯度特征表达了信号的最大梯度下降程度。表达式如下，其中f(x₁，x₂，...，x_n)为信号(x₁，x₂，...，x_n)服从的分布函数。

$\max \left\{\frac{\∂f(x_1,x_2,K{x}_n)}{\∂x_i}\right\},i\∈[1,N]$

如图3所示，本发明给出了发电机轴承四种工作状态下的各25个样本的10个特征提取值。

三、弱分类器建立步骤。

在本发明中，采用二元分类器两两组合的方式构成多元分类器。同时，采用GentleBoost方法设计二元分类器，通过增强多个二元弱分类器h(x)实现最终分类准确率的提高。根据提取的样本的特征向量，输入到二元弱分类器h(x)进行分类。已知第i个样本的特征向量为x_i，定义二元弱分类器的对应输出为

${\hat{y}}_i=h\left(x_i\right),$ ${\hat{y}}_i\∈\{+1,-1\}$

本发明采用分类树来实现一个二元弱分类器h(x)。如图4所示，该树具有一个根节点和两个叶节点，所有的训练样本从根节点开始输入，划分到两个叶节点上，每个叶节点代表一类。对于多维的样本特征向量x，需要确定采用哪一维特征x^f进行划分和相应划分的阈值θ。本发明确定维数f和阈值θ原则是，通过遍历所有维数f∈[1，10]，和x^f相应的阈值θ，使得所有样本的总分类误差最小。在确定了样本特征向量x的第f维特征值x^f和相应的阈值θ后，本发明进一步引入两个叶节点的系数a和b，具体该树的数学形式为：

h(x)＝aδ(x^f＞θ)+bδ(x^f≤θ)

其中，a∈R，b∈R。δ为指示布尔函数，参数为真时函数值为1，否则为函数值为0。输入所有的样本，通过优化分类树的两个系数a和b，使得下式最小化：

$(a,b)=\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{(y_i-{\hat{y}}_i)}^2$

其中，y_i为样本的已知类标，

为分类树预测的样本类标，ω_i表示样本上的加权系数，该系数在弱分类器增强步骤时进行确定。通过最小化上式，得到系数a和b为：

$a=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i{y}_i\mathrm{\δ}(x_i^f>\mathrm{\θ})}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i\mathrm{\δ}(x_i^f>\mathrm{\θ})}$

$b=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i{y}_i\mathrm{\δ}(x_i^f\≤\mathrm{\θ})}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i\mathrm{\δ}(x_i^f\≤\mathrm{\θ})}$

在确定了该分类树的四个参数：特征维数f、阈值θ、系数a和b后，该分类树就形成了一个二元弱分类器h(x)。

四、弱分类器增强步骤。

本发明采用的GentleBoost方法可以增强步骤(三)实现的二元弱分类器h(x)。增强方式为迭代式选择每一步的弱分类器，通过逐步加权分错样本输入到下一步的弱分类器，使得弱分类器对待错分样本或难分样本的能力逐步增强。最终通过每一步弱分类器的线性组合构成一个二元强分类器，作为最终的二元分类器。假设第m步所对应的弱分类器为h_m(x)，总的迭代次数为M。二元强分类器为H(x)形式如下：

$H\left(x\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m\left(x\right)$

判定方式为：如果H(x)＞0则样本属于+1类，否则样本属于-1类。因此当样本分类正确时，yH(x)＞0，分类错误时，yH(x)≤0。本发明希望优化强分类器使得下式最小：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}-y_{i}H\left(x_i\right)$

上式等同于指数函数形式最小，即

$\exp \{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}-y_{i}H\left(x_i\right)\}$

如果强分类器函数形式写为迭代式求解方式，形式变为：

H_m(x)＝H_m-1(x)+h_m(x)

初始形式H₀(x)＝0。

对于每一个样本所属类别的指数判定形式为

exp{-y_i H_m(x_i)}＝exp{-y_i H_m-1(x_i)}exp{-y_ih_m(x_i)}

由于迭代式运算，假设第m-1步已经求出，并用ω_i来表达，表达式为：

ω_i＝exp{-y_i H_m-1(x_i)}

将ω_i代入到步骤(三)弱分类器实现中，求得弱分类器h_m(x)的系数a和b，从而确定每一迭代步骤的弱分类器。其中，迭代次数需要经验设定，对于不同的分类问题需要重复试验而定，找到一个最好的迭代次数M。因此，当所有的弱分类器确定后，通过叠加生成一个强分类器H(x)。

五、多元分类器实现步骤。

在步骤(四)构成二元分类器H(x)后，针对本发明滚动轴承的四种工作状态，每两种状态需要一个二元分类器H(x)，因此本发明共实现6个二元分类器。在样本分类时，每个样本都输入到6个二元分类器进行分类，最终结果由6个二元分类器通过“多数表决”原则进行确定该样本的类别。当该分类器确定后，保持各种参数固定，当新采样的样本输入到本发明的多元分类器中进行测试与运行时，就可以进行分类，如图5所示，最终实现包括正常、内圈损伤、外圈损伤以及滚动体损伤四种工作状态的分类，从而达到飞机发电机轴承故障识别和诊断的目的。

为了验证本发明的有效性，本发明采用4类测试样本测试了本发明的分类精度，测试样本中每类具有16个样本，共64组测试样本。分类精度定义为通过本分类器正确分类的样本占总样本的百分比。分类精度结果如表2所示。

工作状态	训练精度	测试精度
			正常VS内圈损伤	100％	100％
正常VS滚动体损伤	100％	97％
			正常VS外圈损伤	100％	94％
内圈损伤VS滚动体损伤	100％	97％
			内圈损伤VS外圈损伤	100％	94％
外圈损伤VS滚动体损伤	100％	94％

表2故障分类的测试实验结果

最终得出结论，该方法能够有效地识别飞机发电机滚动轴承早期故障类型，以较高精度来识别发电机的运行状态，在飞机发电机例行检查时可以及时提示工作状况，以及在故障情况下进行早期的故障识别。本发明通过状态识别方法保证了飞机发电机运行安全，同时提高了飞机的安全运行能力。以上整体所述是本发明的优选实施方式，本领域技术人员在不脱离本发明原理的前提下，可以做出若干改进，包括增加工作状态的类别数等，本发明的范围由所附权利要求书及其等同限定。

Claims (1)

1.一种基于GentleBoost的飞机发电机轴承故障诊断方法，其特征在于包括下述步骤：

(1)建立飞机发电机轴承故障试验平台，采集轴承在四种不同工作状态下的振动加速度信号，四种工作状态分别为轴承的正常状态、内圈损伤、外圈损伤以及滚动体损伤，以作为训练样本；信号采样在时域下进行，采样频率为10KHz；每种状态下针对振动加速度信号连续采集8192个点，并将采样点等分为32个样本，每个样本包括256个采样点，这些样本构成了一个样本集合，该样本集合按照1∶1比例随机抽取四类样本构成一个训练集合和一个测试集；

(2)针对步骤(1)建立的样本集合，将该样本集合中的每个样本提取该样本256个时域采样点的10种统计特征，统计特征包括：最大值、最小值、中位数、值域、均值、方差、标准差、峭度、偏斜度和最大梯度；该10种统计特征构成一个特征向量，样本集合里的每一个样本都具有一个特征向量。

(3)设计一个二元弱分类器；

(4)采用GentleBoost分类方法增强步骤(3)实现的弱分类器；

(5)由步骤(4)构成的二元分类器，针对滚动轴承四种工作状态，形成6对两两组合的二元分类器，根据多数表决原则组成一个多元分类器；该分类器实现包括正常状态、内圈损伤、外圈损伤以及滚动体损伤四种工作状态的分类，从而达到故障识别和诊断的目的。

Images