CN106017876A - 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 - Google Patents

Abstract

基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，首先获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型；然后对稀疏滤波网络进行训练，利用训练后的稀疏滤波网络从振动信号中自动提取故障特征；最后基于提取的故障特征，训练Softmax分类器，利用训练后的分类器对轴承故障进行智能诊断，本发明高效、可靠地实现了机车轮对轴承故障特征的自动提取以及健康状态的智能诊断。

Description

基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法

技术领域

本发明属于轮对轴承的故障诊断技术领域，具体涉及基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法。

背景知识

在机械领域，机车设备向着自动化、高精度、高效率的方向发展，其轮对轴承的健康状态直接影响机车运行安全，一旦出现故障，后果不堪设想，因而需要故障诊断技术保证设备的正常运行。为全面诊断轴承故障，通常利用传感器网络监测并获取轴承的健康状态数据，由于监测轴承数量多，采集数据时间长，获取的是大数据。因此，需要研究大数据背景下机车轮对轴承故障诊断方法。

智能故障诊断依靠人工神经网络等智能算法自动、高效地识别轮对轴承健康状态，不再依赖诊断专家手动诊断故障，因此具有实现大数据背景下机车轮对轴承故障诊断的潜力。智能故障诊断通常包括以下三个步骤：数据获取，特征提取及选择，故障分类。在数据获取中，振动信号因其对早期故障敏感且容易获取等优点而被广泛应用。特征提取依靠信号处理技术提取能够反映机械健康状态的特征，而特征选择则基于主分量分析(PCA)、距离评估技术等数据降维方法从提取的特征中选择敏感特征，最后利用选择的特征训练k最近邻(kNN)、神经网络及支持向量机等智能模型进行故障分类，最终完成对轮对轴承故障的智能诊断。

通过以上步骤，可以看到：虽然智能故障诊断方法可以依靠神经网络等智能算法自动识别故障，但在其特征提取阶段，仍需要诊断专家针对机车轴承的特点，通过分析理解轴承信号特性，依赖信号处理技术和诊断专业知识，设计可以全面反映机车轮对轴承健康状态的特征提取算法，这将耗费大量时间和劳力。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，实现振动信号中故障特征的自动提取，高效、智能地完成大数据背景下轮对轴承的故障诊断。

为了达到上述目的，本发明采取的技术方案为：

基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，包括以下步骤：

1)获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器，稀疏滤波网络用于提取故障特征；Softmax分类器以提取的故障特征为输入，用于实现故障诊断；

2)对稀疏滤波网络进行训练，首先确定网络输入和输出维数，根据输入维数N_in，从振动信号xⁱ中随机可重叠地选取N_s个数据段，组成样本片段训练集，然后对样本片段训练集进行白化处理；训练完成后，再将振动信号xⁱ无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征，作为样本的局部特征，再将局部特征等权加和，作为该振动信号的样本特征,过程如下：

2.1)首先确定网络输入维数N_in和输出维数N_out，从振动信号中随机可重叠地取N_s个数据段，组成样本片段训练集其中，是第j个样本片段，且包含N_in个数据点；将样本片段训练集写成矩阵形式为对S进行白化处理，得到白化后的训练矩阵S_white；

2.2)利用上述得到的训练矩阵S_white训练稀疏滤波网络，具体如下：训练矩阵S_white由白化样本片段集组成，任意选取初始权值矩阵W，白化样本片段与权值矩阵W内积得到局部特征即

${\hat{f}}^j=W^T{S}_{white}^j$

将各局部特征按列组合成局部特征矩阵

首先，利用-正则化方法对局部特征矩阵的行向量进行正则化，即

${\tilde{f}}_l={\hat{f}}_l/\left|\right|{\hat{f}}_l|{|}_2$

其中，l表示矩阵的第l行；

然后，通过-正则化方法对的列向量进行正则化，即

$f^i={\tilde{f}}^i/\left|\right|{\tilde{f}}^i|{|}_2$

其中，i表示矩阵的第i列；

最后，通过最小化代价函数训练稀疏滤波网络；

2.3)将振动信号分割成J段不可重叠样本片段，且J＝N/N_in，其中，N_in是稀疏滤波网络输入维数，即振动信号xⁱ被分割为一个样本片段集 为第j个样本片段，将每个输入训练完成的稀疏滤波网络，得到样本局部特征然后将各局部特征赋权值为1/J并加和，得到xⁱ的样本特征fⁱ，即

$f^i={\left(\frac{1}{J}\underset{j=1}{\overset{J}{\Σ}}{f}_j^i\right)}^T;$

3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征，输入Softmax分类器，通过最大化该故障特征对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号xⁱ对应的健康状态，完成轮对轴承的智能故障诊断。

本发明的有益效果为：

本发明直接利用等权局部特征稀疏滤波网络从轴承原始信号中自动提取故障特征，并基于该故障特征对轮对轴承故障进行智能识别，完全摆脱了传统智能诊断方法中对诊断专家及经验知识的依赖，高效、智能地实现了轮对轴承的故障诊断，是一种可用于大数据背景下的机车轮对轴承故障诊断方法。

附图说明

图1为本发明的流程图。

图2为稀疏滤波网络示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

参照图1，基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，包括以下步骤：

1)获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型，故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器，稀疏滤波网络用于提取故障特征；Softmax分类器以提取的故障特征为输入，用于实现故障诊断，具体是：将每个振动信号作为一个训练样本，组成样本集其中，表示第i个振动信号，每个振动信号包含N个数据点，yⁱ表示第i个振动信号所对应的健康状态，M为振动信号个数；

2)对步骤1)中的稀疏滤波网络进行训练，首先确定网络输入和输出维数，根据输入维数N_in，从振动信号xⁱ中随机可重叠地选取N_s个数据段，组成样本片段训练集，然后对样本片段训练集进行白化处理；训练完成后，再将振动信号xⁱ无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征，作为样本的局部特征，再将局部特征等权加和，作为该振动信号的样本特征，具体是：

2.1)参照图2，首先确定网络输入维数N_in和输出维数N_out，从振动信号中随机可重叠地取N_s个数据段，组成样本片段训练集其中，是第j个样本片段，且包含N_in个数据点；将样本片段训练集写成矩阵形式为为减弱样本片段之间的相关性并加速稀疏滤波网络训练时的收敛速度，对S进行白化处理，得到白化后的训练矩阵S_white；

2.2)利用上述得到的训练矩阵S_white训练稀疏滤波网络，具体如下：训练矩阵S_white由白化样本片段集组成，任意选取初始权值矩阵W，白化样本片段与权值矩阵W内积得到局部特征即

${\hat{f}}^j=W^T{S}_{white}^j$

将各局部特征按列组合成局部特征矩阵

首先，利用-正则化方法对局部特征矩阵的行向量进行正则化，即

${\tilde{f}}_l={\hat{f}}_l/\left|\right|{\hat{f}}_l|{|}_2$

其中，l表示矩阵的第l行；

然后，通过-正则化方法对的列向量进行正则化，即

$f^i={\tilde{f}}^i/\left|\right|{\tilde{f}}^i|{|}_2$

其中，i表示矩阵的第i列；

最后，通过最小化代价函数训练稀疏滤波网络；

2.3)将振动信号分割成J段不可重叠样本片段，且J＝N/N_in，其中，N_in是稀疏滤波网络输入维数，即振动信号xⁱ被分割为一个样本片段集 为第j个样本片段，将每个输入训练完成的稀疏滤波网络，得到样本局部特征然后将各局部特征赋权值为1/J并加和，得到xⁱ的样本特征fⁱ，即

$f^i={\left(\frac{1}{J}\underset{j=1}{\overset{J}{\Σ}}{f}_j^i\right)}^T;$

3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征，输入Softmax分类器，通过最大化该故障特征对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号xⁱ对应的健康状态，完成轮对轴承的智能故障诊断，具体是：步骤2)提取得到样本特征fⁱ，M个样本特征组成样本特征集分别对应健康状态集为健康状态用K个标签表示，即yⁱ＝k∈{1,2,…,K}，Softmax分类器针对每一个输入的样本特征fⁱ，通过假设函数输出一个K维向量来表示健康状态取K个不同值的概率，此向量各元素的和为1，则假设函数h_θ(fⁱ)具有以下形式：

$h_{\mathrm{\θ}}\left(f^i\right)=\left[\begin{array}{c}p(y^i=1|f^i;\mathrm{\θ})\\ p(y^i=2|f^i;\mathrm{\θ})\\ \·\\ \·\\ \·\\ p(y^i=K|f^i;\mathrm{\θ})\end{array}\right]=\frac{1}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{e}^{{\mathrm{\θ}}_k^T{f}^i}}\left[\begin{array}{c}{e}^{{\mathrm{\θ}}_1^T{f}^i}\\ e^{{\mathrm{\θ}}_2^T{f}^i}\\ \·\\ \·\\ \·\\ e^{{\mathrm{\θ}}_K^T{f}^i}\end{array}\right]$

其中，θ＝[θ₁,θ₂,…,θ_K]^T是Softmax分类器的参数，为归一化因子，模型的训练通过最小化以下代价函数J(θ)达到：

$J\left(\mathrm{\θ}\right)=-\frac{1}{M}\[\underset{i=1}{\overset{M}{\Σ}}\underset{k=1}{\overset{K}{\Σ}}1\{y^i=k\}log\frac{e^{{\mathrm{\θ}}_k^T{f}^i}}{\underset{l=1}{\overset{K}{\Σ}}{e}^{{\mathrm{\θ}}_l^T{f}^i}}\]+\frac{\mathrm{\λ}}{2}\underset{k=1}{\overset{K}{\Σ}}\underset{l=1}{\overset{N}{\Σ}}{\mathrm{\θ}}_{kl}^2$

其中，1{·}代表示性函数，λ是权重衰减因子，权重衰减因子使得代价函数变成严格的凸函数，从而理论上保证模型参数调整可得到唯一解，根据模型输出的概率分布向量，取概率最大的标签为振动信号xⁱ所对应的健康状态，从而实现对机车轮对轴承故障的智能诊断。

实施例：通过对电力机车轮对滚动轴承故障进行智能诊断，对本发明作进一步描述。

采用的机车滚动轴承数据集共包含7个子集，分别对应7种健康状态，每个子集又包含273个样本，每个样本包含1200个数据点；所有的7644个样本中取10％的样本用于模型训练，剩下的样本用于模型精度的测试；轴承的7种健康状态包括正常状态，3种单一故障，2种复合故障，其中外圈故障包括2种故障程度，具体列表如下：

表1

使用本发明方法诊断机车轮对滚动轴承数据集，针对该数据集，选择稀疏滤波网络输入维数N_in为100，输出维数N_out为50，稀疏滤波网络训练样本片段数N_s为40000，Softmax分类器的权重衰减因子λ为1E-5，使用本发明方法，可以达到99.34％的训练精度和99％的测试精度。为验证本发明方法的有效性，将本方法的诊断结果与传统智能诊断方法的结果进行比较。在传统智能诊断方法中，首先人为设计算法提取和选择轴承故障特征，这些特征包括：均值、方差、最大值、标准差、峭度、波形指标、峰值指标、裕度指标、脉冲指标、偏斜度指标10个常用特征、以及8个小波能量比特征；然后以这些特征为输入，利用Softmax分类器实现轴承故障的智能诊断。两种方法比较结果如下表所示：

表2

从表中的对比结果可以看出，传统智能诊断方法的训练精度为98.17％，测试精度为94.81％，低于本发明方法的诊断精度。此外，本发明方法从原始振动信号中自动提取故障特征，摆脱了对诊断专家及经验知识的依赖。

通过以上机车轮对滚动轴承故障诊断具体处理过程分析以及与传统智能诊断方法的实验结果对比可以发现，本发明的方法可以从振动信号中自动提取轮对轴承故障特征，并基于这些特征，结合Softmax分类器对轴承故障进行高效可靠的智能诊断，具有实现大数据背景下机车轮对轴承故障智能诊断的潜力。

Claims (1)

1.基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法，其特征在于，包括以下步骤：

1)获取轮对轴承在不同健康状态下的振动信号，建立基于等权局部特征稀疏滤波网络的故障诊断模型，故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器，稀疏滤波网络用于提取故障特征；Softmax分类器以提取的故障特征为输入，用于实现故障诊断；

2)对稀疏滤波网络进行训练，首先确定网络输入和输出维数，根据输入维数N_in，从振动信号xⁱ中随机可重叠地选取N_s个数据段，组成样本片段训练集；然后对样本片段训练集进行白化处理，训练完成后，再将振动信号xⁱ无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征，作为样本的局部特征，再将局部特征等权加和，作为该振动信号的样本特征，过程如下：

2.1)首先确定网络输入维数N_in和输出维数N_out，从振动信号中随机可重叠地取N_s个数据段，组成样本片段训练集其中，是第j个样本片段，且包含N_in个数据点；将样本片段训练集写成矩阵形式为对S进行白化处理，得到白化后的训练矩阵S_white；

2.2)利用上述得到的训练矩阵S_white训练稀疏滤波网络，具体如下：训练矩阵S_white由白化样本片段集组成，任意选取初始权值矩阵W，白化样本片段与权值矩阵W内积得到局部特征即

${\hat{f}}^j=W^T{S}_{white}^j$

将各局部特征按列组合成局部特征矩阵

首先，利用-正则化方法对局部特征矩阵的行向量进行正则化，即

${\tilde{f}}_l={\hat{f}}_l/\left|\right|{\hat{f}}_l|{|}_2$

其中，l表示矩阵的第l行；

然后，通过-正则化方法对的列向量进行正则化，即

$f^i={\tilde{f}}^i/\left|\right|{\tilde{f}}^i|{|}_2$

其中，i表示矩阵的第i列；

最后，通过最小化代价函数训练稀疏滤波网络；

2.3)将振动信号分割成J段不可重叠样本片段，且J＝N/N_in，其中，N_in是稀疏滤波网络输入维数，即振动信号xⁱ被分割为一个样本片段集 为第j个样本片段，将每个输入训练完成的稀疏滤波网络，得到样本局部特征然后将各局部特征赋权值为1/J并加和，得到xⁱ的样本特征fⁱ，即

$f^i={\left(\frac{1}{J}\underset{j=1}{\overset{J}{\Σ}}{f}_j^i\right)}^T;$

3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征，输入Softmax分类器，通过最大化该故障特征对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号xⁱ对应的健康状态，完成轮对轴承的智能故障诊断。