CN105046322A - 一种丝杠故障诊断方法 - Google Patents

Abstract

本发明公开了一种丝杠故障诊断方法，属于机械故障诊断技术领域，特别涉及滚珠丝杠故障诊断。它能有效地解决现有丝杠智能故障诊断***人工提取特征困难和应用浅层网络非线性表达能力有限的问题。采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量；确定故障诊断模型的输入端数量确定故障诊断模型的输出端数量，准备训练样本集、预训练、微调训练、准备故障诊断模型测试样本集、测试故障诊断模型的故障诊断性能，依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。

Description

一种丝杠故障诊断方法

技术领域

本发明属于机械故障诊断技术领域，特别涉及滚珠丝杠故障诊断。

背景技术

随着科学技术的进步和工业需求的发展，滚珠丝杠一方面不断向复杂、高速、高效、轻型、微型或大型的方向发展，另一方面却又面临更加苛刻的工作和运行环境。在满足设备要求的同时，丝杠发生故障的潜在可能性和方式也在相应增加，并且丝杠一旦发生故障，就可能破坏整台设备甚至影响整个生产过程，造成巨大的经济损失，还可能导致灾难性的人员伤亡和形成严重的社会影响。因此，对滚珠丝杠实行在线监控，进行设备故障机理研究，建立有效、准确的故障诊断***显得十分重要。

目前丝杠故障诊断与状态监测方法较少，《西南交通大学学报》2010,45(5):.公开了基于人工智能的丝杠寿命预测技术，采用B样条模糊神经网络建立丝杠寿命预测模型。《机械科学与技术》2013,5:003.公开了提取小波包分解后的各阶功率谱作为特征参数，利用BP神经网络建立丝杠性能退化评估模型。这些方法主要针对丝杠的性能退化预测，且其应用的方法不具有特征学习能力。

近年来兴起的特征学习可以很好的解决特征提取的问题。特征学习是一类可以将原始输入数据转换为能够有效进行监督学习的特征表示的机器学习问题，这是一种数据驱动的特征提取方法，学习过程不需要人类的先验知识的参与，因此此类特征学习的方法具有自适应强、鲁棒性强等特点。将特征学习的方法应用于机械设备故障诊断***，可以把现场产生的大量原始数据转化为有价值的特征表示，为识别***提供有价值的特征值。

发明内容

本发明的目的是提供一种丝杠故障诊断方法，它能有效地解决现有丝杠智能故障诊断***人工提取特征困难和应用浅层网络非线性表达能力有限的问题。

本发明的目的是通过以下技术方案来实现的：设计一种可以实现具有特征学习能力的，具有多层网络结构的滚珠丝杠故障诊断方法，其步骤如下：

一、建立具有特征学习能力的网络结构

1、确定诊断模型的结构

本发明采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量。

2：确定故障诊断模型的输入端数量

设故障诊断模型有m个输入端节点，m个节点输入信号构成了一个输入端向量x，表示如下：

x＝(x₁,x₂,…,x_m)

式中，x_i为模型的第i个输入端节点，i＝1,2,…,m。

3、确定故障诊断模型的输出端数量

故障诊断输出端的数量由丝杠故障类型数量所确定，设丝杠有n种不同类型的故障，模型的输出端向量y为：

y＝(y₁,y₂,…,y_n)

式中，y_j为丝杠故障诊断模型的第j个输出信号，j＝1,2,…,n。

二、训练故障诊断模型

1、准备训练样本集

对每一种丝杠故障类型，采用不低于100组的数据构成各自训练样本集。

2、预训练

用原始信号作为第一层网络输入信号I₁＝x，第一层网络的中间层作为第二层网络的输入层I₂＝m₁,I₂指第二层网络的输入层，m₁指第一层网络的中间层。每层网络先分别训练，在训练每一层参数的时候，固定其它各层参数保持不变，再依次叠加成为多层网络。每层网络训练分为编码过程和解码过程，每层网络编码步骤为：

a¹＝x

z²＝W⁽¹⁾a¹+b⁽¹⁾

a²＝f(z²)

式中，a¹为第一层网络输入的值即为输入信号值，W⁽¹⁾是第一层的权重值，b⁽¹⁾是第一层的偏置值，z²是第二层的输入值，a²是第二层的激活值，f(·)是激活函数。解码步骤为编码步骤的反过程：

z³＝W^(1，1)′a²+b^(1，1)′

a³＝f(z³)

式中，W^(1,1)′，b^(1,1)′为W^(1,1)，b^(1,1)的逆向量；z³为第三层的输入值，a³为第三层(输出层)的激活值。

3、微调训练

预训练网络结构顶层加入输出层I_o，在上述预训练过程完成之后，通过反向传播算法同时调整所有层的参数以改善结果，定义为微调训练；微调训练为有监督学习过程，输入样本集合T＝(X_t,Y_t)，其中X_t为样本输入信号，Y_t为输入信号对应的标签数据即故障类型,确定微调训练的误差值ε，当模型满足下式时，即误差范围小于或等于误差值时，训练停止。

三、测试故障诊断模型

1、准备故障诊断模型测试样本集

用不同于训练样本集的包含所有故障类型的数据段构成测试样本集，根据测试样本集的排列顺序，对应一张丝杠状态输出表，这里称为故障诊断模型的理想输出表；表中的每一行对应测试样本集中相应行所表示的故障状态输出，也就是故障诊断模型的理想输出。

2、测试故障诊断模型的故障诊断性能

依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。

本发明与现有技术相比具有以下有益效果：

1、本方法具有特征学习能力

本发明提出了一种基于特征学习的深度学习神经学习网络的丝杠故障诊断模型。模型采用了深度学习网络，具有特征学习能力。深度学习网络通过组合低层特征形成更加抽象的高层表示属性类别或者特征，以发现数据的分布式特征表示。这种结构保证了丝杠振动信号本质特征的学习和提取，为保证判别不同丝杠的故障类型提供条件。

2、本方法多层网络结构的具有很好的收敛性

本发明故障诊断的模型训练采用了无监督预训练每层网络这种训练方法，为多层网络结构的有效收敛提供了条件。本发明采用了具有特征学习能力的深度学习网络，深度学习神经网络的训练的核心思路为：无监督学习用于每一层网络的预训练；每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督算法微调所有层。无监督分别预训练每层网络，使得每层网络的参数具有一个初始值，在这个初始值基础上再通过有监督的微调训练，可以求得整个网络的最优解，达到收敛。

3、本方法具有更好的故障识别能力。

本发明采用模型能够提取丝杠振动数据的本质特征，且深度学习网络的非线性表达能力强，使其判别能力更强。这样提高了故障诊断模型的故障识别能力。

附图说明：

图1是本发明的流程图；

图2是本发明特征学习网络示意图；

具体实施方式：

下面结合图示对本发明进行进一步地描述。一种基于特征学习的丝杠故障诊断模型，包括如下步骤：

一、建立具有特征学习能力的网络结构

1、确定诊断模型的结构

采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，网络的隐含层选用二层。

2：确定故障诊断模型的输入端数量

故障诊断模型有m个输入端节点，m个节点输入信号构成了一个输入端向量x，表示如下：

x＝(x₁,x₂,…,x_m)

式中，x_i为模型的第i个输入端节点，i＝1,2,…,m；

本例中，输入端节点数m为12。分别为时域特征值：均方根值x₁，峰值因子x₂，脉冲因子x₃，波形因子x₄，裕度因子x₅，峰-峰值x₆，连续小波变换能量特征值x₇，连续小波变换能量特征值x₈，连续小波变换能量特征值x₉，连续小波变换能量特征值x₁₀，连续小波变换能量特征值x₁₁，连续小波变换能量特征值x₁₂。

3、确定故障诊断模型的输出端数量

故障诊断输出端的数量由丝杠故障类型数量所确定，设丝杠有n中不同类型的故障，模型的输出端向量y为：

y＝(y₁,y₂,…,y_n)

式中，y_j为丝杠故障诊断模型的第j个输出信号，j＝1,2,…,n。

本例中，故障类型数n＝4。分别为：正常状态y₁，早期退化状态y₂，性能退化状态y₃和故障状态y₄。

二、训练故障诊断模型

1、准备训练样本集

对丝杠在正常状态，早期退化状态，性能退化状态和故障状态下各采集250组样本数据构成各自训练样本集；

2、预训练

用原始信号作为第一层网络输入信号I₁＝x。第一层网络的中间层作为第二层网络的输入层I₂＝m₁,式中，I₂指第二层网络的输入层，m₁指第一层网络的中间层。每层网络先分别训练，在训练每一层参数的时候，固定其它各层参数保持不变。再依次叠加成为多层网络。每层网络训练如图2所示，分为编码过程和解码过程。每层网络编码步骤为：

a¹＝x

z²＝W⁽¹⁾a¹+b⁽¹⁾

a²＝f(z²)

式中，a¹为第一层(输入层)的值即为输入信号值，W⁽¹⁾是第1层的权重值，b⁽¹⁾是第1层的偏置值，z²是第二层(隐含层)的输入值，a²是第二层(隐含层)的激活值，f(·)是激活函数。解码步骤为编码步骤的反过程：

z³＝W^(1,1)′a²+b^(1,1)′

a³＝f(z³)

式中，W^(1,1）′，b^(1,1)′为W^(1,1)，b^(1,1)的逆向量。z³为第三层(输出层)的输入值，a³为第三层(输出层)的激活值。

本例中，第一层网络的中间层神经元个数为10，第二层网络的神经元个数为8，激活函数为S形函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

3、微调训练

预训练网络结构顶层加入输出层I_o。在上述预训练过程完成之后，通过反向传播算法同事调整所有层的参数以改善结果，定义为微调训练。微调训练为有监督学习过程，输入样本集合T＝(X_t,Y_t)，其中X_t为样本输入信号，Y_t为输入信号对应的标签数据即故障类型,确定微调训练的误差值ε，当模型满足下式时，即误差范围小于或等于误差值时，训练停止。

$\mathrm{\θ}=||Y_t-{\hat{Y}}_t||\≤\mathrm{\ϵ}$

式中，为模型的输出值。

本例中，微调训练的样本集合数量为1000组，即为250组正常状态样本，250组早期退化状态样本，250组性能退化状态样本和250组故障状态样本。

三、测试故障诊断模型

1、准备故障诊断模型测试样本集

用不同于训练样本集的包含所有故障类型的数据段构成测试样本集，根据测试样本集的排列顺序，对应一张丝杠状态输出表，这里称为故障诊断模型的理想输出表；表中的每一行对应测试样本集中相应行所表示的故障状态输出，也就是故障诊断模型的理想输出；

本例中，取测试样本数共400组，即为100组正常状态样本，100组早期退化状态样本，100组性能退化状态样本和100组故障状态样本。

2、测试故障诊断模型的故障诊断性能

依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。

本例中，测试样本集合的测试准确率为92.5％，满足实际工程需要。

Claims (1)

1.一种丝杠故障诊断方法，其步骤如下：

一、建立具有特征学习能力的网络结构

（1）、确定诊断模型的结构

本发明采用稀释自编码深度神经网络结构，网络的识别模型选用Softmax回归分类器，确定网络结构隐含层数量；

（2）：确定故障诊断模型的输入端数量

设故障诊断模型有m个输入端节点，m个节点输入信号构成了一个输入端向量x，表示如下：

x＝(x₁,x₂,…,x_m)

式中，x_i为模型的第i个输入端节点，i＝1,2,…,m；

（3）、确定故障诊断模型的输出端数量

故障诊断输出端的数量由丝杠故障类型数量所确定，设丝杠有n种不同类型的故障，模型的输出端向量y为：

y＝(y₁,y₂,…,y_n)

式中，y_j为丝杠故障诊断模型的第j个输出信号，j＝1,2,…,n；

二、训练故障诊断模型

（1）、准备训练样本集

对每一种丝杠故障类型，采用不低于100组的数据构成各自训练样本集；

（2）、预训练

用原始信号作为第一层网络输入信号I₁＝x，第一层网络的中间层作为第二层网络的输入层I₂＝m₁,I₂指第二层网络的输入层，m₁指第一层网络的中间层；每层网络先分别训练，在训练每一层参数的时候，固定其它各层参数保持不变，再依次叠加成为多层网络；每层网络训练分为编码过程和解码过程，每层网络编码步骤为：

a¹＝x

z²＝W⁽¹⁾a¹+b⁽¹⁾

a²＝f(z²)

式中，a¹为第一层网络输入的值即为输入信号值，W⁽¹⁾是第一层的权重值，b⁽¹⁾是第一层的偏置值，z²是第二层的输入值，a²是第二层的激活值，f(·)是激活函数，解码步骤为编码步骤的反过程：

z³＝W^(1,1)′a²+b^(1,1)′a³＝f(z³)

式中，W^(1,1)′，b^(1,1)′为W^(1,1)，b^(1,1)的逆向量；z³为第三层的输入值，a³为第三层(输出层)的激活值；

（3）、微调训练

预训练网络结构顶层加入输出层I_o，在上述预训练过程完成之后，通过反向传播算法同时调整所有层的参数以改善结果，定义为微调训练；微调训练为有监督学习过程，输入样本集合T＝(X_t,Y_t)，其中X_t为样本输入信号，Y_t为输入信号对应的标签数据即故障类型,确定微调训练的误差值ε，当模型满足下式时，即误差范围小于或等于误差值时，训练停止；

测试故障诊断模型

（1）、准备故障诊断模型测试样本集

用不同于训练样本集的包含所有故障类型的数据段构成测试样本集，根据测试样本集的排列顺序，对应一张丝杠状态输出表，这里称为故障诊断模型的理想输出表；表中的每一行对应测试样本集中相应行所表示的故障状态输出，也就是故障诊断模型的理想输出；

（2）、测试故障诊断模型的故障诊断性能

依次连续输入测试样本集中的数据段，记录模型的输出量，得到模型的实际输出表，将模型的理想输出表与设计输出表进行对比，即得故障诊断模型的故障性能测试与评价结果。