CN103868690A - 基于多种特征提取和选择的滚动轴承状态自动预警方法 - Google Patents

Abstract

本发明公开了一种基于多种特征提取和选择的滚动轴承状态自动预警方法。该方法提取滚动轴承振动信号的多种时域、频域及时频域特征，利用基于最大相关最小冗余的无监督特征选择方法智能选择对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集，克服了在无先验知识的情况下人为选取敏感特征的盲目性，根据报警阈值自动设立方法制定报警策略，实现滚动轴承早期损伤预警。

Description

基于多种特征提取和选择的滚动轴承状态自动预警方法

技术领域

本发明涉及机械故障诊断领域，尤其涉及一种滚动轴承状态自动预警方法。

背景技术

基于振动信号的滚动轴承状态评估技术一般直接选取振动信号的单个特征作为状态评估指标。然而，随着进一步研究发现：单个特征通常只在某个阶段对某种缺陷有效，同一特征在不同的故障模式下表现不同，不同特征在同样工况下表现也不同，而有效的状态评估指标应该能够充分利用多种信息，不但能够捕捉轴承在不同运行阶段的内在性能变化，同时在实际应用中易于获取。为了改善单一指标性能，近年来一些学者研究了基于特征融合技术的指标构建方法，例如，Hai Qiu等人2003年在文献《Robust performancedegradation assessment methods for enhanced rolling element bearingprognostics》中提出了一种基于自组织神经网络的状态评估指标构建方法，利用振动信号以及相应包络信号的均方根值、峭度值、波形指标训练得到的最小量化误差（MQE）作为轴承的状态评估指标。但是，该方法仅人为指定少数几个特征进行融合，无法从众多的原始特征中智能构造出能稳定体现轴承衰退模式的特征子集，同时没有制定相应的自动报警策略。

发明内容

为克服上述缺点，本发明提供了一种基于多种特征提取和选择的滚动轴承状态自动预警方法。

本发明是通过以下技术方案来实现的：

一种基于多种特征提取和选择的滚动轴承状态自动预警方法，包括如下步骤：

1）对被监测滚动轴承的振动信号进行多种特征提取，构成特征集合，较佳地，所述振动信号为轴承座处的径向振动信号。

2）利用基于最大相关最小冗余的无监督特征选择方法从特征集合中智能选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集。

3）利用自组织神经网络对特征子集进行融合，构建状态评估指标。本发明之所以选择自组织神经网络，是因为实际应用中，轴承的故障类型和失效数据无法提前获得，自组织神经网络作为一种无监督竞争式的学习算法，不需要提前给定任何目标输出,也不必知道输入矢量的类型关系，只需通过输入数据的某种内在规律就进行特征映射，更适合工程实践的应用。具体步骤为：利用正常状态振动信号将优选出的特征子集作为输入向量，训练自组织神经网络，得到正常状态的神经元权值向量，然后将获取的振动信号的特征子集和映射层的所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义欧氏距离最小的神经元为最佳匹配单元（BMU），把这一最小距离作为一种状态评估指标，该最小距离本质是输入数据偏离正常状态的距离，将其定义为最小量化误差MQE：

MQE=||D-m_BMU||

式中MQE——MQE值；

D——振动信号特征子集；

m_BMU——BMU的权值向量。

MQE值越大，表示轴承状态偏离正常状态的程度越大，损伤程度越大，因此通过追踪MQE值，可以定量描述轴承状态。

在振动信号采集、特征提取和特征融合过程中不可避免地产生数据扰动，MQE曲线容易产生很多毛刺，因此，利用小波包分解技术精细的时频局部化特性提取MQE曲线的低频趋势信号作为最终的状态评估指标。

故，应用自组织神经网络对特征子集进行融合，能对不同特征优化组合，与单个特征或者少数几个人为主观选取的特征相比，能够更真实、准确、全面地反映轴承在不同运行阶段的内在性能变化。

4）利用报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。

通用的阈值设置方式是参照一定的规则，比如ISO10816，然后依照用户的经验来最终设定阈值。但是，ISO10816只是按照设备的大小和安装方式来设定此设备振动可以接受的程度，并只规定了均方根值为唯一的监测指标而没有对其他指标的阈值设置提供指导。2006年，GINART等人在文献《AutomatedFeature Selection for Embeddable Prognostic and Health Monitoring(PHM)Architectures》中，根据设备的最大时间常数和一般***阈值的统计特性提出了一种较为通用的报警阈值自动设立方法。该方法的基本步骤为：首先，利用正常状态数据，计算状态评估指标的幅值波动大小与时间跨度之比，即一阶***的单位阶跃响应增长斜率|m|，同时计算状态评估指标的均值μ和标准差σ，将报警阈值初步设定为μ；然后查找报警系数表得到相应的报警系数，用报警系数乘以初步设定的报警阈值，得到最终的报警阈值。基于本发明之前已基于优选出的特征子集获得准确的状态评估指标，故为进一步提高本发明的效果，可利用GINART等人提出的报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。

较佳地，所述步骤1）中的多种特征提取是从不同角度提取被监测滚动轴承的振动信号特征；因为振动信号的特征种类很多，本发明也研究了对哪些特征进行提取可保证特征提取的全面性和高效性，最终得出，上述提取的多种特征可至少包括振动信号的时域指标、振动信号的包络信号的时域指标和频域指标、振动信号的第二代小波包频带信号的频域指标和能量指标。因为上面所述振动信号的时域指标中的振动信号实质就是指原始采集得到的振动信号，而所述的振动信号的包络信号和振动信号的第二代小波包频带信号都是在原始采集得到的振动信号的基础上处理得出来的，故，为了方便书写和便于区分，后续振动信号的时域指标简称为原始信号的时域指标，振动信号的包络信号的时域指标和频域指标简称为包络信号的时域指标和频域指标，振动信号的第二代小波包频带信号的频域指标和能量指标简称为第二代小波包频带信号的频域指标和能量指标。该多种特征提取保证了评估轴承状态所需特征信息的全面性，突破了现有的在无先验知识的情况下人为选取敏感特征的做法，使得信息不被遗漏，为最后结果的精确性提供了必不可少的前提条件。

进一步，为了保证优选的特征子集对轴承疲劳衰退过程最为敏感，同时保证状态评估的时效性，所述步骤2）中的基于最大相关最小冗余的无监督特征选择方法可依据以下步骤进行：

首先，删除与轴承衰退过程不相关的特征；

然后，按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类；类别个数由聚类算法自动确定，一般不少于两类。

最后，基于特征得分评估特征局部保存能力，保留剩余每一类特征中局部保存能力最优的1～3个特征，以此组成对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集。

本发明为对上述提取得到的多种特征层层递进地进行合理的除杂、筛选和保留，研究了各种处理方法对结果的影响，经过多次实验和尝试，最终得到了如下的处理过程：

基于统计学的方差（Variance）方法删除与轴承衰退过程不相关的特征。其具体步骤为：计算初始特征集合中每个特征的Variance分数，把Variance分数大于设定阈值的特征定义为不相关特征，进行删除。Variance方法的基本原理是同类样本的类内距离越小，不同类样本的类间距离越大，则该特征可分性越强，具体可参见Bishop CM1995年撰写的书籍《Neural Networks forPattern Recognition》。适应于状态评估的特征样本应该可以表征轴承的渐变衰退过程，正常状态的特征样本幅值一般较小且波动不大，样本量也较多，因而特征的Variance分数较小。第r个特征的Variance分数计算公式如下：

$V_r=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_{\mathrm{ri}}-{\mathrm{\μ}}_r)}^2$

式中，V_r为Variance分数，f_ri为第r个特征的第i个样本，n为第r个特征的样本数，μ_r为第r个特征的平均值。

基于皮尔森（Pearson）相关系数将特征按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类。其具体步骤为：计算剩余特征间的Pearson相关系数矩阵，根据相关系数矩阵，采用聚类算法，将特征进行分类。Pearson相关系数是由Karl Pearson在19世纪80年代提出的一种变量相互关系度量方法。理想的特征子集特征间是无关联的或者是弱相关的，Pearson相关系数可以有效反映特征间的相关度，其绝对值越大，说明特征间相关度越高，冗余度越大，属于同类特征。两个分别具有n个样本点数的特征f_x=[f_x1,f,...,f_xn]和f_y=[f_y1,f_y2,...,f_yn]之间的Pearson相关系数为：

${\mathrm{\ρ}}_{\mathrm{xy}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(f_{\mathrm{xi}}-\stackrel{\‾}{f_x})(f_{\mathrm{yi}}-\stackrel{\‾}{f_y})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_{\mathrm{xi}}-\stackrel{\‾}{f_x})}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_{\mathrm{yi}}-\stackrel{\‾}{f_y})}^2}}$

式中，ρ_xy为Pearson相关系数，

和

分别为特征x和特征y的平均值，f_xi和f_yi分别为特征x和特征y的第i个样本。进行特征分类的聚类算法：随机选取某一特征作为簇的中心，计算该特征与其他特征之间的Pearson相关系数，相关系数绝对值大于阈值的归于此类；以小于此阈值的特征为新的簇，选取某一特征作为簇的中心，计算此特征与剩余特征之间的相关系数绝对值，大于阈值的归为一类；如此类推就根据Pearson相关系数矩阵将特征进行分类。类别个数由该聚类算法自动确定，一般不少于两类。

基于特征拉普拉斯（Laplacian）得分评估特征局部保存能力，将局部保存能力较差的特征进行删除，最终保留剩余每一类特征中局部保存能力最优的1～3个特征。其具体做法是：计算每一个特征的Laplacian得分，删除得分大于设定阈值的特征，保留剩余每一类特征中得分最低的1～3个特征。Laplacian得分是Xiaofei He等人2005年在文献《Laplacian Score forFeature Selection》中提出的，它基于Laplacian拓展和局部保持投影，根据每个特征在其特征维度上与其最近的邻近点之间的权重关系来计算该特征的得分。特征的Laplacian得分越低，则该特征的局部保存能力越好，对轴承衰退过程越敏感。用L_r表示第r个特征的Laplacian得分，f_ri表示第r个特征的第i个样本，i=1,…,m，Laplacian得分计算过程如下：

a.构造一个具有m节点的近邻图G，第i个节点对应x_i，如果x_i是x_j最近的k个近邻点之一或者x_j是x_i最近的k个近邻点之一，则节点i和j之间进行近邻点连线。

b.如果节点i和j之间有连接，那么赋予该连接一个权重

t为常数，否则赋予权重S_ij=0。图G的权重矩阵S反映了数据空间的局部结构。

c.对于第r个特征，作如下定义:f_r=[f_r1,f_r2,...,f_rm]^T，D=diag(SB)，B=[1,...,1]^T,L=D-S。令

$f_r^{\%}=f_r-\frac{f_r^T\mathrm{DB}}{B^T\mathrm{DB}}B$

d.通过下式计算第r个特征的Laplacian得分：

$L_r=\frac{f_r^{\%T}L{f}_r^{\%}}{f_r^{\%T}D{f}_r^{\%}}$

本发明与现有技术相比，其有益效果是：

本发明通过基于多种特征提取和选择的滚动轴承状态自动预警方法，在特征融合前提取正常状态下的滚动轴承振动信号的多种时域、频域及时频域特征，而后利用基于最大相关最小冗余的无监督特征选择方法智能选择对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集，再将优选出的特征子集作为输入向量，训练自组织神经网络，进而将整个监测时段的振动信号的特征子集进行融合，得出最合理的状态评估指标，最后通过报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警，至此完成了滚动轴承早期损伤的自动、准确预警，该方法克服了在无先验知识的情况下人为选取敏感特征的盲目性，也克服了本领域通常是采用人为经验指定特征进行融合的弊端，大大提高了状态评估指标的稳健性和可靠性，还将得到的状态评估指标与报警阈值自动设立策略完美结合，实现了滚动轴承早期损伤的自动预警，为安全工业生产和设备高效运行提供了极大的保障。

附图说明

为了易于说明，本发明由下述的具体实施例及附图作以详细描述。

图1为本发明的流程图；

图2为本发明实施例的每个特征的Variance分数图；

图3为本发明实施例的各类特征的Laplacian得分图；

图4为本发明实施例的报警阈值自动设立结果。

具体实施方式

如图1所示的流程，本发明以船载卫通天线方位轴传动机构加速疲劳实验中的滚动轴承振动信号为例验证本发明的有效性。船载卫通天线方位轴传动机构主要由电机、行星减速器和齿轮箱构成，齿轮箱内包含4个滚动轴承，分别位于输入轴和输出轴的上下端。实验过程中，电机的转速为1500rpm，利用PCB333B32振动加速度传感器和ECON AVANT一体式数据采集与分析仪采集齿轮箱各轴承座处的径向振动加速度信号，采样频率为20KHz，采样点数为20480，每20分钟记录一次振动数据，实验进行600小时后，齿轮箱输入轴上端轴承内圈出现可观测轻度损伤，实验进行720小时后，该轴承失效。为验证本发明的有效性，针对齿轮箱输入轴上端滚动轴承的全寿命振动信号进行以下分析。

多种特征提取。本方法是无监督方法，即仅需要正常运行数据而不需要故障和失效数据就可以选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集，从而更方便工程应用，因为实际工程应用中安装在特定设备上的轴承故障失效数据难以获得，且轴承损坏有可能带来灾难性后果。进行特征提取和选择的轴承正常运行数据的时间长度一般选为轴承使用寿命保守估计值的1/4～1/3。以提取齿轮箱输入轴上端滚动轴承正常状态0～150小时振动信号的特征为例来进行方法验证，共提取154个特征，包括原始信号的15个时域指标、包络信号的15个时域指标和12个频域指标、第二代小波包8个频带信号的96个频域指标和16个能量指标。时域指标、频域指标、能量指标的表达方式见表1,其中，x_l为信号序列，y_l为信号时域序列经快速傅里叶变换后的频谱,x(i)为第二代小波包频带信号，N为采样点数，P_PMM为故障频率最大幅值和通频信号均值比，A_PMM为故障频率最大幅值和故障频率邻域均值比。

表1振动特征指标表达式

特征选择。a)删除与轴承衰退过程不相关的特征。计算154个特征的Variance分数，设定阈值为所有特征Variance分数平均值的1.5倍，结果如图2所示，图中特征号和特征对应关系为：1—15为原始信号时域指标；16—30为包络信号时域指标，31—42为包络信号频域指标；43—138为第二代小波包8个频带信号的频域指标，每个频带12个指标，频带序号按从小到大排列，139—146为第二代小波包8个频带能量指标，147—154为第二代小波包8个频带能量比重指标，所谓频带能量比重指标，见表1。删除Variance分数大于设定阈值的特征，根据图2，共删除37个特征，分别是包络谱A_PMM、功率谱P_PMM和A_PMM，第二代小波包8个频带信号的包络谱P_PMM和A_PMM、功率谱P_PMM和A_PMM，以及第二代小波包第5频带能量比重和第8频带能量比重。

b)进行特征分类。把剩余的117个特征按照Pearson相关系数进行分类，相关系数绝对值的取值范围为[0,1]，若是将特征间相关度大于0.7的归为一类，可保证同类特征之间高度相关，包含的信息相似，而异类特征之间弱相关或相互独立，信息互补。故我们将特征间相关度大于0.7的归为一类，按照聚类算法，117个特征被分为了6大类，分类结果见表2。这为后面的特征选择提供好处：我们希望类别1～6中的特征在进行特征融合的特征子集中都能囊括到，因为他们是属于不同类别的，信息互补，但是每一类别中又不要保留太多特征，因为类别内特征包含的信息太冗余，这些冗余信息非但不能给状态评估带来任何益处，还会增加特征融合的计算量，影响状态评估成本和实时性。

表2特征分类结果

c)基于特征得分评估特征局部保存能力，将删除局部保存能力较差的特征进行删除，最终保留剩余每一类特征中局部保存能力最优的1～3个特征。计算每个特征的Laplacian得分，阈值设定为所有Laplacian得分的均值，保留Laplacian得分小于阈值的特征，删掉其余的特征，结果如图3所示，图中特征号和特征对应关系为：1—48为第一类特征，49—97为第二类特征，98—104为第三类特征，105—114为第四类特征，115、116为第五类特征，117为第六类特征，每类特征按表2中序号从小到大排列。本实施例从6类特征中共选取以下8个特征组成特征子集：第一类特征中的包络谱PPMM、第二代小波包第7频带信号包络谱故障频率能量，第二类特征中的第二代小波包第1频带能量，第三类特征中的最小值和包络信号最大值，第四类特征中的包络信号峰值指标，第五类特征中的第二代小波包第2频带能量比重，第六类特征中的第二代小波包第6频带能量比重。

特征融合。利用正常状态数据把优选的8个特征组成输入向量，归一化后训练自组织神经网络，网络初始参数选择是：拓扑结构为六边形，学习速率为0.9，距离函数为欧氏距离，输出层维数是10×10，训练次数为500次。可以看到，一直到这一步，利用的都是正常状态数据，这是本发明将特征选择设计成无监督的原因，也是选择自组织神经网络进行特征融合的原因：不需要故障和失效数据便可以进行特征选择和融合训练，更方便工程应用。现利用全寿命数据验证前述方法的有效性。把全寿命振动数据的8个特征指标输入到训练后的神经网络，并不断计算相应的MQE值，提取MQE趋势信号作为状态评估指标。

报警阈值自动设立。利用正常状态数据的MQE趋势信号计算出均值μ=0.0767、标准差σ=0.0056、一阶***的单位阶跃响应增长斜率|m|=1.1012e-5，查找报警系数表得到相应的报警系数为3，所以利用GINART等人提出的报警阈值自动设立策略将报警阈值设置为0.2301，结果如图4。可见阈值设立利用的也是正常状态数据，不需要故障数据。

由图4可以看到，根据数据显示，状态评估指标MQE值表征了轴承的衰退轨迹，从开始运行到604小时，MQE值变化缓慢且幅值较小，轴承处于正常状态；604小时，状态评估指标MQE值达到0.2403，超过报警阈值，随后MQE值上升较快，说明轴承开始偏离正常运行状态，出现了初始损伤；640小时，MQE值下降，并出现剧烈波动，说明轴承处于剥落扩展期，随着剥落边界不断由锋利到被磨光滑再到锋利，MQE值不断波动；705小时，MQE值呈指数上升，轴承处于失效期。实验结果与实际观测情况吻合。

故，通过该实施例可以看到，状态评估指标能够捕捉滚动轴承在运行各个阶段的性能变化，本发明可以准确地识别正常状态和初始损伤状态的分界。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (4)

1.一种基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，包括如下步骤：

1）对被监测滚动轴承的振动信号进行多种特征提取，构成特征集合；

2）利用基于最大相关最小冗余的无监督特征选择方法从特征集合中选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集；

3）利用自组织神经网络对特征子集进行融合，构建状态评估指标；

4）利用报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。

2.根据权利要求1所述的基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，所述步骤1）中的对被监测滚动轴承的振动信号进行多种特征提取是从不同角度提取被监测滚动轴承的振动信号特征，所述多种特征至少包括振动信号的时域指标、振动信号的包络信号的时域指标和频域指标、振动信号的第二代小波包频带信号的频域指标和能量指标。

3.根据权利要求1所述的基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，所述步骤2）中的基于最大相关最小冗余的无监督特征选择方法包括以下步骤：

删除与轴承衰退过程不相关的特征；

按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类；

基于特征得分评估特征局部保存能力，保留剩余每一类特征中局部保存能力最优的1～3个特征，以此组成对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集。

4.根据权利要求1所述的基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，所述步骤4）中是利用GINART等人提出的报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。

Images