CN107677472A - 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 - Google Patents

Abstract

本发明公开了一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，传感器采集轴承运行噪声信号；噪声信号按时间序列分割，组成样本集；对样本提取时频域特征，得到时频域一维特征行向量；采用平均影响值算法实现特征变量一次筛选，获取敏感特征集，并对平均影响值相似特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。本发明利用基于网络的特征平均影响值和特征熵在特征选择和特征分类中的互补性，克服轴承噪声诊断中特征选择与神经网络分类算法相互孤立的不足，使时频域特征指标更好地反映轴承运行状态和分类网络特性。

Description

面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法

技术领域

本发明涉及一种轴承噪声诊断算法，具体涉及一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法。

背景技术

滚动轴承是旋转机械中的重要组件，也是旋转机械中比较常见且易损坏的部件，它在旋转机械中起关键作用，其工作状态正常与否直接影响整台机组的性能，噪声作为一种机械波，通过振动向周围媒介辐射能量，蕴含有丰富的机器状态信息。与振动诊断技术相比，它具有非接触测量、传感器安装灵活、不影响设备正常工作和在线监测等一系列优点，尤其适用于振动信号不易测量的场合。

轴承噪声诊断是通过对轴承由于变形、剥落或裂纹等原因产生的弹性波监测来实现对轴承工况的诊断。对故障信号进行时、频域多维特征提取可完整描述不同故障模式，但高维特征向量存在的冗余信息会造成维数灾难，并增大后续计算时间。通过特征提取算法选择出主要的特征因子是模式识别研究领域的关键问题。然而传统的降维方法如主成分分析法，线性判别式分析法都局限于处理线性特征，滚动轴承振动信号特征集往往存在复杂的非线性关系，因此传统单一降维方法面临挑战。

目前滚动轴承故障诊断算法一般采用基于数据驱动的机器学习算法，如神经网络、模糊识别、贝叶斯分类等，都存在训练时间长或者分类精度低的缺点。

发明内容

针对上述现有技术存在的问题，本发明提供一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，实现两种降维算法互补，使时频域特征指标更好地反映滚动轴承运行状态，且训练时间短、诊断精度高。

为了实现上述目的，本发明采用的技术方案是：一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，包括以下步骤：

a. 传感器采集滚动轴承的运行噪声信号；

b. 噪声信号按时间序列分割，组成样本集；

c. 对样本提取时频域特征，得到时频域一维特征行向量；

d. 采用平均影响值算法（Mean Impact Value, MIV）实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；

e. 利用PSO（Particle Swarm Optimization,粒子群优化算法）或GA（GeneticAlgorithm,遗传算法）优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

进一步的，所述的步骤c中提取每个样本的时频域特征包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征指标，得到时频域一维特征行向量。

进一步的，所述的步骤b中噪声信号按时间序列分割获得样本集，每个样本集记为，，其中，，n为轴承旋转一周的采样点数。

进一步的，所述的步骤d中对时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维。为实现可视化，选取最大的3个特征为最终特征集

与现有技术相比，本发明提出了一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，通过采集不同运行状态滚动轴承噪声信号，按时间序列划分得到多组样本集，提取时频域特征，构成时频域数据特征集；通过平均影响值与特征熵算法选择敏感特征指标，去除时频域特征集的冗余特征，并采用PSO或GA优化的支持向量机训练故障诊断模型，故障诊断精度和训练速度都得到明显提高且方法简便易于操作；克服轴承噪声诊断中特征选择与神经网络分类算法相互孤立的不足，实现两种降维算法互补，使时频域特征指标更好地反映滚动轴承运行状态，且训练时间短、诊断精度高。

附图说明

图1为本发明故障诊断方法流程图；

图2为本发明实施例中轴承正常状态的运行噪声信号图；

图3为本发明实施例中轴承内圈故障状态的运行噪声信号图；

图4为本发明实施例中轴承外圈故障状态的运行噪声信号图；

图5为本发明实施例中轴承滚动体故障状态的运行噪声信号图；

图6为本发明实施例中轴承组合故障状态的运行噪声信号图；

图7为本发明实施例中实验特征平均影响值指标图；

图8为本发明实施例中实验特征测试集的降维聚类实际分布图；

图9为本发明实施例中实验使用PSO优化测试集的预测聚类图；

图10为本发明实施例中实验使用GA优化测试集的预测聚类图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明包括以下步骤：

a. 传感器采集滚动轴承的运行噪声信号，通过传感器测得滚动轴承的噪声信号记为，，为信号长度；

b. 噪声信号按时间序列分割，组成样本集，每个样本集记为，，其中，，n为轴承旋转一周的采样点数；

c. 对样本提取时频域特征，得到时频域一维特征行向量；

噪声作为一种机械波，通过振动向周围媒介辐射能量，蕴含有丰富的机器状态信息。与振动诊断技术相比，它具有非接触测量、传感器安装灵活、不影响设备正常工作和在线监测等一系列优点，尤其适用于振动信号不易测量的场合。因此，本发明采用时频域分析法，提取每个样本的时频域特征，包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征。

提取的部分时频域特征计算公式如下：

d.对提取的时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集。

具体计算方法如下：

(1)在网络训练终止后，将训练样本P中每一特征变量在其原值的基础上分别加、减 10％构成新的两个训练样本P1和P2，并将P1和P2分别作为仿真样本利用已建成的网络进 行仿真，得到两个新的仿真结果A1和A2；

(2)计算A1和A2的差值，并作为变动该自变量后对输出产生的影响变化值(ImpactValue，IV)；

(3)将IV按观测例数平均得出该自变量对于应变量的输出平均影响值；

(4)重复以上步骤依次算出各个特征变量的平均影响值；

(5)根据平均影响值绝对值的大小为各自变量排序，得到各自变量对输出影响相对重 要性的位次表，从而判断出输入特征对于结果的影响程度，即实现了敏感特征筛选；

(6)假设同一类内存在m个n维敏感特征向量u_i＝(x_i,1,x_i,2,x_i,3,…,x_i,n)组成m*n维特征矩 阵W＝[u₁,u₂,…,u_m]^T。对特征向量进行归一化处理，则为特征矩阵的均值向量；

为了计算同一类内样本特征的特征熵，计算W中各个向量到均值向量的距离：

其中，k表示特征编号；

根据将δ_k平均N₁等分获得N₁个区间：

以第k个特征为例，统计每个区间内元素的个数p_i(i＝1,…,N₁)。当m→∞时，δ_k中元 素属于各个区间的概率为：

并且满足

通过上述公式可以得出特征向量矩阵的欧氏距离分布概率。依据信息论中熵的定义，可以求熵以表征样本在欧氏空间的不确定性，即特征熵H(P)：

定义类间样本特征的特征熵为最大联合熵，即可分度测度值为：

其中，H_j(P)为第j个类的特征熵，M为总类别数。因此选取特征熵较小的分类特征集，分类器训练时更容易收敛。

e.利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类 型并输出结果；

支持向量机参数选择直接影响模型分类精度，因此采用粒子群PSO或遗传算法GA优化支 持向量机惩罚参数与核函数方差。粒子群算法保留了基于种群的全局搜索策略，同时其采用 的速度—位移模型，操作简单，避免了复杂的遗传操作，它特有的记忆使其可以动态跟踪当 前的搜索情况调整其搜索策略。粒子群算法可描述为：设粒子群在一个n维空间中搜索，由m 个粒子组成种群Z＝{Z₁,Z₂,...,Z_m}，其中每个粒子的位置Z_i＝{z_i1,z_i2,...,z_in}都表示目标问题的 一个解，将每个粒子搜索到的最好解记为p_id，以及整个粒子群经历的最优解记为p_gd，每个 粒子的速度为V_i＝{v_i1,v_i2,...,v_in},则在两个最优的情况下，每个粒子速度更新法则如下：

v_id(t+1)＝wv_id(t)+η₁rand()(p_id-z_id(t))+η₂rand()(p_gd-z_id(t))；

z_id(t+1)＝z_id(t)+v_id(t+1)；

其中，v_id(t+1)表示第i个粒子在t+1次迭代中第d维的速度，w为权重，η₁，η₂为加 速常数，rand()为0-1之间的随机数。

遗传算法是一种模拟生命进化机制的并行随机搜索最优化方法。按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，使适应度值好的个体被保留，适应度差的个体被淘汰，新的群体既继承了上一代的信息，又优于上一代。这样反复循环， 直至满足条件。

实施例：

利用传感器采集轴承的运行噪声信号，假设采集了轴承5种工作状态(正常，内圈故障，外圈故障，滚动体故障，组合故障)1分钟数据；如图2至图6所示为某一轴承正常， 内圈故障，外圈故障，滚动体故障，组合故障5种工作状态监测的噪声信号。

数据处理针对每个方向不同工作状态提取训练集500组，交叉验证集100组，测试集150组，每组数据点为2400个，即提取每组数据19个特征构成特征集。存在m个n维特 征向量u_i＝(x_i,1,x_i,2,x_i,3,…,x_i,n)组成m*n维特征矩阵W＝[u₁,u₂,…,u_m]^T。

其中为5种运行状态的样本数总和，为特征数。

对19维数据集进行降维，计算19个特征平均影响值MIV _k （）；具体实现步骤为：

（1）根据计算得出的数据特征集随机分配训练样本，交叉验证样本和测试样本，通过交叉验证样本计算各个特征的MIV值；

（2）优先选取MIV值较为突出的N个特征，剔除MIV值接近0的特征，将剩余特征计算特征熵并从小到大排列，根据降维后的维数选取前M个特征与MIV值较为突出的N个特征组成新的特征向量。

如图7所示，通过平均影响值选择的特征为超过0.2的9个特征，接下来将影响值相似的敏感特征进行特征熵计算获得最终特征集；如图8所示，显示结果表明该降维算法能够有效的选择敏感特征指标。将敏感特征集用于PSO和GA优化的支持向量机模型训练，分别如图9、10所示，将测试样本敏感特征集用该方法诊断轴承的故障类型，其故障识别精度较单一算法有所提高，并且诊断速度得到了明显提升。

本发明在传统噪声信号时频域特征基础上，融合了网络变量筛选与特征熵的互补特性，作为一种融合的样本特征优化的指标，它具有便于理解、计算方便，可以弥补线性分类的不足的特点，并验证了其优越性，最后通过PSO或GA优化的支持向量机对轴承故障类型实现高精度故障识别，而且提高了故障诊断速度。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。

Claims (4)

1.一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，包括以下步骤：

a. 传感器采集滚动轴承的运行噪声信号；

b. 噪声信号按时间序列分割，组成样本集；

c. 对样本提取时频域特征，得到时频域一维特征行向量；

d. 采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；

e. 利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

2.根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤c中提取每个样本的时频域特征包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征指标，得到时频域一维特征行向量。

3. 根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤b中噪声信号按时间序列分割获得样本集，每个样本集记为，，其中，，n为轴承旋转一周的采样点数。

4.根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤d中对时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，为实现可视化，选取最大的3个特征为最终特征集。