CN107478418A

CN107478418A - 一种旋转机械故障特征自动提取方法

Info

Publication number: CN107478418A
Application number: CN201710514497.2A
Authority: CN
Inventors: 李舜酩; 王金瑞; 辛玉; 安增辉; 王平
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2017-06-29
Filing date: 2017-06-29
Publication date: 2017-12-15

Abstract

本发明公开了一种旋转机械故障特征自动提取方法，本发明方法如下：第一步，采用已收集的故障信号作为训练样本来训练稀疏滤波模型，并获得权值矩阵，通过权值矩阵来提取旋转机械振动信号的高维故障特征；第二步，采用t‑SNE算法对获得的高维特征进行降维处理实现故障特征的可视化，由此可根据提取的特征对未知的故障信号实现故障诊断。本发明通过无监督学习方法对故障信号进行智能诊断，较现有方法更加准确、合理。

Description

一种旋转机械故障特征自动提取方法

技术领域

本发明涉及旋转机械振动信号的故障振动技术，尤其是一种旋转机械故障特征自动提取技术。

背景技术

振动信号是机械故障特征的载体，对机械设备的振动信号进行分析，提取故障特征，然后根据故障特征判断机械设备的故障是机械故障诊断的常用方法。机械设备通常工作在多振源的工作环境中，背景噪声强烈，所以现场测得的机械振动信号通常是强背景噪声下的多分量非平稳信号，在这种情况下，从复杂的机械振动信号中提取故障特征，从而分离故障模式相近的机械振动信号就变得非常困难。因此，为了提高机械故障诊断的精度和效果，有必要探索新的信号处理方法在机械故障诊断中的应用。

随着机器学习的研究，神经网络开始吸引越来越多学者的关注。它可以通过隐藏层自动的从信号中学习到高维特征，但是它仍然需要大量的标签数据。作为一种可以替代手动设计特征表示的选择，非监督特征学习在提取好的特征表示上已经成功的应用在许多的图像、录音和音频等工作中。然而许多当前的非监督特征学习算法非常难以实现，因为它们需要各种参数的调节。一旦这些参数没有设置好则学习到的特征很有可能导致一个很差的诊断准确率。这些算法包括稀疏玻尔兹曼机、稀疏自动编码器、稀疏编码、独立成分分析等等。这些算法的可调参数例如稀疏玻尔兹曼机就有多达六种参数需要调节，独立成分分析只需要调节一个参数，但是它对于大的输入或者特征设置上尺度表现很差。Ngiam等提出了一种非监督特征学习框架称作稀疏滤波，它只专注于优化学习特征的稀疏性而忽视学习数据的分布情况，同时它对输入维数的尺度表现很完美且只有一个特征参数需要调节，因此稀疏滤波很容易调节又很容易实现通过几行MATLAB代码。同时作者采用稀疏滤波进行了图像识别和语音分类，都产生了非常完美的效果。

由于稀疏滤波的简便性及其完美性能，科研人员提出稀疏滤波来解决旋转机械的故障诊断问题。然而由于稀疏滤波学习到的特征是高维特征做不到可视化表达，因此很有必要选择一种合适的降维工具来将高维特征映射成低维表示。

发明内容

针对上述技术中的不足，本发明的目的在于提供一种基于智能故障诊断来自动提取振动信号故障特征的方法，通过稀疏滤波的非监督学习方式实现故障特征的自动提取，并通过t-SNE算法实现高维特征的可视化。

本发明提出的一种旋转机械故障特征自动提取方法包括以下步骤：

(1)收集样本：采用原始振动信号作为训练样本，采用重叠取样法从训练样本中采集Z段信号，这些分段组成训练集其中是第j个分段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数。

(2)白化：数据集写作矩阵形式然后进行白化预处理。白化的目的是使分段直接减少相关性同时加速训练收敛速度。白化使用协方差矩阵的特征值分解：

cov(ST)＝EUET (1)

式中cov(S^T)是协方差矩阵，E是特征向量的正交矩阵，U是特征值的对角矩阵。

然后白化训练集S_w可以计算如下：

S_w＝EU^-1/2E^TS (2)

(3)训练稀疏滤波：稀疏滤波模型通过被S_w训练，之后获得的权值矩阵W用于计算训练样本的局部特征。

(4)计算局部特征：训练样本xⁱ被依次划分成K个分段，其中K是整数且等于N/N_in。K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征

(5)获得学***均法来组合局部特征获得：

(6)降低学习特征的维数：由于获得的特征fⁱ仍然是高维数据，采用t-SNE算法来降低它的维数，然后映射的特征可以在散点图上表示出来。

本发明的有益效果是，通过稀疏滤波的非监督学习方式实现故障特征的自动提取，并通过t-SNE算法实现高维特征的可视化。

与以往的方法相比，本发明提出了基于稀疏滤波和t-SNE算法相结合的方法能够有效的提取故障特征并实现可视化操作。所以，该方法可以应用到旋转机械振动***故障诊断中，用以分析引起机械故障的类型，进行***的状态检测和故障诊断等。

附图说明

图1是本发明一种旋转机械故障特征自动提取的流程图；

图2是稀疏滤波***模型图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

结合附图对本发明的实施做出进一步说明。图1是本发明的方法流程图，如图1所示，该算法包括以下三个步骤。

步骤1：对原始振动信号进行预处理，具体过程如下：

cov(ST)＝EUET (1)

式中cov(S^T)是协方差矩阵，E是特征向量的正交矩阵，U是特征值的对角矩阵。然后白化训练集S_w可以计算如下：

S_w＝EU^-1/2E^TS (2)

步骤2：对步骤1所述的白化训练集S_w进行稀疏滤波处理，具体过程如下：

输入为采集的信号，输出为学习到的特征。采集到的信号被分成许多相同的样本以此来组成一个训练集其中是一个样本M是样本个数。样本通过使用权值矩阵W∈R^N×L映射到特征向量上，如图2所示。对稀疏滤波来说，非线性特征是通过采用一个激活函数来计算获得，在我们的试验中，激活函数采用软阈值函数：

式中表示第i列的第j个特征值，ε＝10^-8。

特征值组成一个特征矩阵，我们先归一化每个特征为相等的激活值。具体做法是将每一个特征除以其在所有样本的二范数：

然后每一列再通过二范数进行归一化，这样他们就会落在二范数的单位球体上面了。具体做法是：

这时我们就可以对这些归一化过的特征进行优化了。我们使用L1范数惩罚来约束稀疏性。对于一个有M个样本的数据集，稀疏滤波的目标函数表示为：

步骤3：对步骤2所述的稀疏滤波模型通过被S_w训练，之后获得的权值矩阵W用于计算训练样本的局部特征。

(1)计算局部特征：训练样本xⁱ被依次划分成K个分段，其中K是整数且等于N/N_in。K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征

(2)获得学***均法来组合局部特征获得：

步骤4：对步骤3所述的学习到的特征fⁱ仍然是高维数据，采用t-SNE算法来降低它的维数，然后映射的特征可以在散点图上可视化表示出来。

t-SNE是一个非线性降维技术且尤其适用于高维数据在散点图中进行可视化操作。该方法通过定义联合概率分布p_ij来进行估计两特征f_i和f_j之间的两两相似性，具体做法是通过对称两个条件概率如下：

在上面的方程中，高斯核函数σ_i需如此设置：条件概率的混乱度等于预定义的混乱度。结果是高斯核函数σ_i的最优值在数据空间变得很小并伴随着一个高的数据密度，因此对每一个输入对象来说σ_i的最优值可以通过使用一个简单的二进制搜索进行确定。在低维空间特征y_i和y_j(即f_i和f_j的映射特征)之间的相似性通过使用一个归一化的重尾核函数来估计。具体的来说，特征y_i和y_j之间的联合分布p_ij通过归一化学生t分布伴随一个单自由度来计算：

归一化的学生t分布的重尾允许不相似特征在映射空间里被模拟成更远的分布，y_i的位置通过最小化联合分布q_ij和p_ij之间的KL散度来决定：

式中P和Q是p_ij和q_ij的矩阵形式。通过最小化上式，f_i和y_i之间变得越来越相似，因此y_i可以表示f_i的特征。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种旋转机械故障特征自动提取方法，其特征是，该方法首先对原始振动信号进行预处理，然后，对处理过的振动信号进行稀疏滤波处理，在对稀疏滤波模型通过被白化训练之后获得的权值矩阵用于计算训练样本的局部特征；最后采用t-SNE算法来降低维数，使映射的特征可以在散点图上可视化表示出来。

2.根据权利要求1所述的一种旋转机械故障特征自动提取方法，其特征是，所述的对原始振动信号进行预处理具体为：

步骤1.1收集样本：采用原始振动信号作为训练样本，采用重叠取样法从训练样本中采集Z段信号，将所述信号分段组成训练集其中是第j个分段包含N_in个数据点，N_in用于表示稀疏滤波的输入维数，N_out表示输出维数；

步骤1.2白化：将数据集写作矩阵形式然后进行白化预处理；所述白化处理过程使用协方差矩阵的特征值分解：

cov(S^T)＝EUE^T (1)

式中cov(S^T)是协方差矩阵，E是特征向量的正交矩阵，U是特征值的对角矩阵；然后白化训练集S_w计算如下：

S_w＝EU^-1/2E^TS (2)

3.根据权利要求2所述的一种旋转机械故障特征自动提取方法，其特征是，所述的稀疏滤波处理过程具体为：

步骤2.1训练稀疏滤波：稀疏滤波模型通过被白化训练集S_w训练，之后获得的权值矩阵W用于计算训练样本的局部特征；

步骤2.2计算局部特征：训练样本xⁱ被依次划分成K个分段，其中K是整数且等于N/N_in，K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征

步骤2.3获得学***均法来组合局部特征获得：

<mrow> <msup> <mi>f</mi> <mi>i</mi> </msup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msubsup> <mi>f</mi> <mi>k</mi> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

4.根据权利要求1所述的一种旋转机械故障特征自动提取方法，其特征是，所述采用t-SNE算法来降低维数具体为：

定义联合概率分布p_ij来进行估计两特征f_i和f_j之间的两两相似性，对称两个条件概率如下：

<mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>|</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <mi>j</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&Sigma;</mi> <mrow> <mi>k</mi> <mo>&NotEqual;</mo> <mi>l</mi> </mrow> </msub> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <mi>l</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

高斯核函数σ_i设置为条件概率的混乱度等于预定义的混乱度；

在低维空间设置特征y_i和y_j作为f_i和f_j的映射特征，特征y_i和y_j之间的联合分布p_ij通过归一化学生t分布伴随一个单自由度来计算：

<mrow> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <msub> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>&NotEqual;</mo> <mi>l</mi> </mrow> </msub> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>l</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>P</mi> <mo>|</mo> <mo>|</mo> <mi>Q</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mi>i</mi> </munder> <munder> <mo>&Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>

式中P和Q是p_ij和q_ij的矩阵形式，通过最小化上式，f_i和y_i之间变得越来越相似，因此y_i可以表示f_i的特征。