CN109002847A - 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于指标的深度信念网络轴向柱塞泵多故障诊断方法。首先预定义各类已知故障类型的故障模式，并采集各个故障类型的原始振动信号；其次对原始振动信号做时域统计量分析、频域统计量分析、以及时频域的能量分析，得到时域指标、频域指标和时频域指标，形成每一个故障模式的指标数据集；然后，构建出所有已知故障模式的指标数据集，作为训练样本，输入至深度信念网络中实现模式特征的自动学习；最后将未知故障模式的指标数据集作为测试样本，输入到训练好的深度信念网络模型，实现对需要监测的未知故障类型的模式识别。本发明方能够有效地解决轴向柱塞泵的多故障识别问题，为轴向柱塞泵的故障诊断提供了一种新的解决方法。

Description

一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法

技术领域

本发明属于机械设备故障诊断领域，具体是指一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法。

背景技术

液压传动***在现代工业中占有重要地位，是一种现代设备不可或缺的重要的动力装置，其结构形式复杂、多样。近几十年来，液压***状态监测也受到越来越多的关注。轴向柱塞泵是常用的液压泵，据统计，液压传动***的机械设备发生的故障中，液压泵故障最为常见，它的缺陷将导致设备停机，造成重大的经济损失甚至伤亡。因此，准确、有效地检测出液压泵的故障已成为保证液压***安全可靠运行的一项紧迫任务。

然而，轴向柱塞泵的工作环境复杂，其故障信息极易被各种强背景噪声所掩盖。另外，研究表明轴向柱塞泵中许多不同故障的特征频率是相同的，在这种情况下，不管采用多么先进信号处理技术，特征匹配都无法成功。此外，轴向柱塞泵作为机电液***中的关键部件，大多数故障的故障机理不明确，要想通过信号处理手段将提取的故障特征与理论的故障特征进行匹配几乎不可能。

深度信念网络(Deep Belief Networks,DBNs)，本质上是一种人工神经网络模型，它将信号用概率分布表达，通过逐级构建两层神经网络模型，形成堆叠的限制性玻尔兹曼机(Restricted Boltzmann Machine,RBM)，最后由BP(Back Propogation)网络微调，微调整个层级结构，从而实现特征自学习和模式识别。然而，由于原始信号本身数据维度大，增加了深度信念网络特征自学习的难度。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法，通过该方法极大地提高了深度信念网络的特征学习能力，并成功用于解决轴向柱塞泵的多故障诊断。

为实现上述目的，本发明的技术方案是包括：

S1:预定义各类轴向柱塞泵已知故障类型的故障模式，并采集各个故障类型的原始振动信号；

S2:对原始振动信号做时域统计量分析、频域统计量分析、以及时频域能量分析，建立对应每一个故障模式的指标数据集；

S3:利用时域指标、频域指标和时频域指标构建所有已知故障类型的故障模式的训练样本，输入至深度信念网络中实现模式特征的自动学习，获得已知故障模式的诊断模型；

S4:对需要监测的故障信号建立时域、频域和时频域的指标数据集，构造测试样本，输入已知诊断模型，最终确定出故障类型。

进一步设置是所述的步骤S2具体包括：

(1)计算九个时域指标，得到时域指标数据集如下：

T＝[I₁ I₂ I₃ I₄ I₅ I₆ I₇ I₈ I₉] (1)

其中，I₁为标准差指标，I₂为峰值指标，I₃为偏斜度指标，I₄为峭度指标，I₅为均方根值指标，I₆为峰值指标，I₇为裕度指标，I₈为波形指标，I₉为脉冲指标；

频域中的指标数据集为：

F＝[I₁₀ I₁₁ I₁₂ I₁₃] (2)

其中，I₁₀为频率均值指标，I₁₁为频率中心指标，I₁₂为频率均方根指标，I₁₃为频率标准差指标；

(2)使用频带小波包变换计算I₁₄–I₂₁来获得能量指标数据集：

W＝[I₁₄ I₁₅ I₁₆ I₁₇ I₁₈ I₁₉ I₂₀ I₂₁] (3)

小波包变换基函数为：Daubieches小波，小波消失矩为20的DB20小波；I₁₄–I₂₁为对应不同频带小波包变换的分解层数的小波包能量指标；

(3)利用集合经验模态分解计算I₂₂–I₂₇来获得6个模态函数的能量指标数据集，

E＝[I₂₂ I₂₃ I₂₄ I₂₅ I₂₆ I₂₇] (4)

其中I₂₂–I₂₇为对应不同数据序列的EEMD能量指标；

(4)将T，W，F，E组合为输入向量：

I＝[T F W E] (5)

依据式(5)，得到时域指标、频域指标和时频域指标，形成每一个故障模式的指标数据集。

进一步设置是所述的步骤S3中：所述的深度信念网络包括三个堆叠的限制性玻尔兹曼机和一个输出层，每一个限制性玻尔兹曼机都是含有两层神经元的人工神经网络，第一层称为可见层，第二层称为隐藏层，每一层限制性玻尔兹曼机的各个神经元之间是相互独立的，而层间的神经元之间则相互连接。

进一步设置是所述的步骤S3中：

模式特征的自动学习的过程分为两个阶段：第一阶段是使用无监督的方式逐层训练每一个限制性玻尔兹曼机；第二阶段是以监督的方式使用反向传播算法对整个网络进行微调。

本发明的优点是发明的优点是：本发明方法一方面利用时域、频域和时频域统计分析，建立每一个故障模式的指标数据集，将分析信号压缩为27个数据点，并能保留信号中的关键信息；另一方面，利用深度信念网络的复杂函数表征能力，自动学习各类模式的特征，并成功识别出各个故障类型。具体见本申请实施例。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1本发明的流程图；

图2基于指标的深度信念网络轴向柱塞泵多故障诊断示意图；

图3本发明深度信念网络结构图；

图4限制性玻尔兹曼机的结构图；

图5本发明实施例案例一的轴向柱塞泵故障信号波形图；

图6本发明实施例案例一的轴向柱塞泵故障多分类混淆矩阵图；

图7本发明实施例案例二的轴向柱塞泵故障信号波形图；

图8本发明实施例案例二的轴向柱塞泵故障多分类混淆矩阵。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1-2所示的本发明实施例中，包括：

S1:预定义各类轴向柱塞泵已知故障类型的故障模式，并采集各个故障类型的原始振动信号；

S2:对原始振动信号做时域统计量分析、频域统计量分析、以及时频域能量分析，建立对应每一个故障模式的指标数据集；

S3:利用时域指标、频域指标和时频域指标构建所有已知故障类型的故障模式的训练样本，输入至深度信念网络中实现模式特征的自动学习，获得已知故障模式的诊断模型；

S4:对需要监测的故障信号建立时域、频域和时频域的指标数据集，构造测试样本，输入已知诊断模型，最终确定出故障类型。

本方法的技术方案包括以下步骤：

1、对各类已知的故障类型进行故障模式预定义。

对各类已知的故障类型进行故障模式预定义：建立涵盖各种故障类型的一个完备事件组(需要监测的未知故障类型属于该完备事件组)并定义故障模式。为此，需要收集各类故障类型的原始振动信号。

2、对原始信号建立时域、频域和时频域的指标数据集。

当故障发生时，振动信号不同于正常工作泵的信号。这些变化通常反映在时域、频域和时频域上。通常来讲，振动信号的振幅和能量携带着丰富的原始信号信息。为了检测轴向柱塞泵的故障，对原始振动信号做时域统计量分析、频域统计量分析、以及时频域的能量分析。从原始数据中提取的指标见表1。

表1时域、频域以及时频域的指标及计算公式

注释：x(n)是一个数据序列，N是数据点的个数；和σ分别表示数据序列的均值和标准差；s(k)是一个谱，K是谱线的个数。f(k)是第k个谱线的频率值；j是使用频带小波包变换(WPT)第i个分解系数序列(i＝0,1,…,2j-1,j是WPT分解层数)；IMF_i(n)是第i个集合经验模式分解后的数据序列；NI是利用EEMD分解层数。

(1)计算九个时域指标，得到时域指标数据集如下：

T＝[I₁ I₂ I₃ I₄ I₅ I₆ I₇ I₈ I₉] (1)

同样，频域中的指标数据集为：

F＝[I₁₀ I₁₁ I₁₂ I₁₃] (2)

(2)使用WPT(基函数为：Daubieches小波，小波消失矩为20的DB20小波，选择分解层数j＝3，子信号个数2^j＝8个)计算I₁₄-I₂₁来获得能量指标数据集：

W＝[I₁₄ I₁₅ I₁₆ I₁₇ I₁₈ I₁₉ I₂₀ I₂₁] (3)

(3)计算I₂₂-I₂₇来获得6个模态函数的能量指标数据集，

E＝[I₂₂ I₂₃ I₂₄ I₂₅ I₂₆ I₂₇] (4)

(4)将T，W，F，E组合为输入向量：

I＝[T F W E] (5)

依据式(5)，得到时域指标、频域指标和时频域指标，形成每一个故障模式的指标数据集，大幅度地压缩原始信号的数据量，将原始信号压缩为27个数据点，并能保留信号中的关键信息。

3、建立已知故障模式的深度信念网络智能诊断模型。

深度信念网络是一种具有多个隐藏层的神经网络。因为具有多个隐藏层，所以深度信念网络可以学习复杂的功能，通过连续的学习过程完成数据转换以及抽象化。深度信念网络的主要结构包括一个层叠的限制性玻尔兹曼机组合。每两层神经网络构成一个限制性玻尔兹曼机。在这里，深度信念网络是由三个堆叠的限制性玻尔兹曼机和一个输出层构成。

如图3所示，一个深度信念网络学习过程分为两个阶段：第一阶段是使用无监督的方式逐层训练每一个限制性玻尔兹曼机；第二阶段是以监督的方式使用反向传播算法对整个网络进行微调。原始数据输入到输入层去训练第一个限制性玻尔兹曼机。通过之前限制性玻尔兹曼机里学习的特征，持续的训练其余的限制性玻尔兹曼机。正向训练过程直到所有的限制性玻尔兹曼机学习完成结束。反向调整过程的目的是优化各层的参数来提高整个深度信念网络的性能。限制性玻尔兹曼机作为限制性玻尔兹曼机中的一个特殊概率模型，是深度信念网络的重要组成单元。

如图4所示，每一个限制性玻尔兹曼机都是含有两层神经元的人工神经网络，第一层称为可见层(Visible layer)，第二层称为隐藏层(Hidden layer)。每一层限制性玻尔兹曼机的各个神经元之间是相互独立的，而层间的神经元之间则相互连接。每个限制性玻尔兹曼机的可见层输入向量v＝[v₁ v₂ v₃ … v_i … v_n-2 v_n-1 v_n](其元素为随机二进制量，n为该层神经元数目)与学习到的特征向量(其元素为随机二进制量，m为该层神经元数目)彼此相连。可见层输入向量v和隐藏层的矢量h之间通过对称的权重矩阵W_n×m互相连接。可见层和隐藏层神经元的联合组态(v,h)的能量函数如下：

式(6)中，v_i是可见层输入向量v中的第i个元素，b_i是该可见层的偏置；h_j为隐藏层h的第j个元素，c_j为该隐藏层的偏置。w_ij是权重矩阵W_n×m中的元素，用于加权连接v_i和h_j。可见层和隐藏层神经元的联合概率分布P(v,h|θ)被定义为：

式(7)中，Z(θ)＝∑_v,hexp(-E(v,h|θ))为配分函数；θ＝{b_i,w_ij,c_j}是限制性玻尔兹曼机概率模型的参数。由于同一层的神经元相互独立，所以隐藏层神经元的条件概率为：

同样的，可见神经元的概率为：

在前向训练过程中，以贪婪的方式训练限制性玻尔兹曼机。为了训练每一个单独的限制性玻尔兹曼机，Hinton等人提出了一种快速学习算法“对比散度”(ContrastiveDivergence,CD)。首先，用原始数据构造可见矢量V作为训练数据；然后用公式(8)计算隐藏层神经元的条件概率；其次根据计算概率，对隐藏层神经元进行一步吉布斯采样。可见层神经元状态用公式(9)更新，即重建可见层神经元状态(重构数据)。最后，采用随机梯度下降方法更新限制性玻尔兹曼机的参数θ：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon) (10)

Δb_i＝ε(<v_i>_data-<v_i>_recon) (11)

Δc_j＝ε(<h_j>_data-〈h_j>_recon) (12)

式中，ε∈(0,1)是学习速率，<·>_data表示训练数据的期望值，〈·〉_recon表示重建数据的期望值。

通过对每一个限制性玻尔兹曼机进行预训练之后，使用BP算法对整个深度模型进行优化微调。在这个阶段，整个网络的权值和偏置随着误差反向传播不断地进行调整。

最终，依据构建出所有已知故障模式的指标数据集，如式(5)所示，作为训练样本，按以上步骤，输入至深度信念网络中实现模式特征的自动学习，获得训练好的深度信念网络模型。

4、未知故障类型的模式识别，实现轴向柱塞泵多故障诊断。

对未知故障模式的轴向柱塞泵的振动信号，建立时域、频域和时频域的指标数据集，作为测试样本，输入到训练好的深度信念网络模型，开展对需要监测的未知故障类型的模式识别，最终确定出故障类型，实现轴向柱塞泵多故障诊断。

案例一：

取某液压传动实验台轴向柱塞泵故障信号，柱塞泵型号为：A4VSO180DR，公称压力为35Mpa，公称排量为180ml/r，工作轴转频为1500rpm时的理论流量为270L/min。本案例中取用了6种轴向柱塞泵故障数据，故障类型分别为：(1)正常工作状态，预定义为故障模式1；(2)装配螺栓松动，预定义为故障模式2；(3)泵体和配流盘的支承面间研痕，预定义为故障模式3；(4)轴承外圈损伤故障，预定义为故障模式4；(5)轴承内圈损伤故障，预定义为故障模式5；(6)轴肩磨损故障，预定义为故障模式6。采样频率48k Hz。

原始信号波形如图5所示：(a)故障模式1；(b)故障模式2；(c)故障模式3；(d)故障模式4；(e)故障模式5；(f)故障模式6。由图可知，每一类故障信号除了振幅方面有一些差异，很难观察到故障特征。因此，有必要利用本发明中提出的计算指标数据集I，对信号进一步降维，从而学习每一类故障模式的特征。

为了能进一步提取故障特征信息，对表征为矩阵形式的原始信号提取指标，降低原始数据维度。在采样点中选择360000点数作为预处理的原始数据，每段截取400个数据点,。每种故障模式训练集选取240000(600×400)个数据点，测试集选取120000(300×400)个数据点，即每种故障模式分别有400个训练样本和100个测试样本。按照表1所给的时域、频域和时频域的指标提取，将数据压缩为27个数据点，则原始数据被表示成500×27的矩阵形式。将指标输入至深度信念网络网络自动学习每一类故障模式的特征，获得轴向柱塞泵多故障分类结果。

图6所示为案例一中轴向柱塞泵多故障的分类混淆矩阵。混淆矩阵给出了所有故障模式的分类结果。纵轴表示所有的实际故障类型，横轴表示利用基于指标的深度信念网络分类后得到的故障模式结果。混淆矩阵中对角线上的元素表示每一类故障模式的分类准确率，对角线元素外的其余元素则表示某一故障模式被判为另一种模式的概率。图6(a)、(b)分别给出了案例一中训练样本和测试样本的分类准确率，其中训练样本中的故障平均分类准确率为100％，测试样本为97.17％。如图6(a)所示，每一类故障模式的分类准确率均为100％，故障的平均分类准确率也为100％。如图6(b)所示，故障模式1的分类准确率为94％，故障模式1被误判为故障模式2和故障模式5的概率为4％和2％；故障模式2的分类准确率为94％，故障模式2被误判为故障模式5的概率为6％；故障模式3的分类准确率为99％，故障模式3被误判为故障模式4的概率为1％；故障模式4的分类准确率为99％，故障模式4被误判为故障模式5的概率为1％；故障模式5的分类准确率为100％；故障模式6的分类准确率为97％，故障模式6被误判为故障模式2的概率为3％；故障的平均分类准确率为97.17％。

案例二：

取某液压传动实验台轴向柱塞泵故障信号，柱塞泵型号为：A4VSG250LR，公称压力为35Mpa，公称排量为250ml/r，工作轴转频为1500rpm时的理论流量为375L/min。实验用轴向柱塞泵分别带有六种故障类型，分别为：(1)正常工作状态，预定义为故障模式1；(2)柱塞磨损故障，预定义为故障模式2；(3)缸体静压支撑孔堵塞，预定义为故障模式3；(4)轴肩磨损故障，预定义为故障模式4；(5)滑靴副松动故障，预定义为故障模式5；(6)轴承外圈磨损故障，预定义为故障模式6。采样频率48kHz。

原始信号波形如图7所示：(a)故障模式1；(b)故障模式2；(c)故障模式3；(d)故障模式4；(e)故障模式5；(f)故障模式6。由图可知，每一类故障信号除了振幅方面有一些差异，很难观察到故障特征。因此，有必要利用本发明中提出的计算指标数据集I，对信号进一步降维，从而学习每一类故障模式的特征。

为了能进一步提取故障特征信息，对表征为矩阵形式的原始信号提取指标，降低原始数据维度。在采样点中选择200000点数作为预处理的原始数据，每段截取400个数据点。每种故障模式训练集选取160000(400×400)个数据点，测试集选取40000(100×400)个数据点，即每种故障模式分别有400个训练样本和100个测试样本。按照表1所给的时域、频域和时频域的指标提取，将数据压缩为27个数据点，则原始数据被表示成500×27的矩阵形式。将指标输入至深度信念网络网络自动学习每一类故障模式的特征，获得轴向柱塞泵多故障分类结果。

图8所示为案例二中轴向柱塞泵多故障的分类混淆矩阵。图8(a)、(b)分别给出了案例二中训练样本和测试样本的分类准确率，其中训练样本中的故障平均分类准确率为100％，测试样本为97.5％。如图8(a)所示，每一类故障模式的分类准确率均为100％，故障的平均分类准确率也为100％。如图8(b)所示，故障模式1的分类准确率为90％，故障模式1被误判为故障模式2的概率为10％；故障模式2的分类准确率为100％；故障模式3的分类准确率为95％，故障模式3被误判为故障模式4的概率为5％；故障模式4的分类准确率为100％；故障模式5的分类准确率为100％；故障模式6的分类准确率为100％；故障的平均分类准确率为97.5％。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法，其特征在于包括：

S1:预定义各类轴向柱塞泵已知故障类型的故障模式，并采集各个故障类型的原始振动信号；

S2:对原始振动信号做时域统计量分析、频域统计量分析、以及时频域能量分析，建立对应每一个故障模式的指标数据集；

S3:利用时域指标、频域指标和时频域指标构建所有已知故障类型的故障模式的训练样本，输入至深度信念网络中实现模式特征的自动学习，获得已知故障模式的诊断模型；

S4:对需要监测的故障信号建立时域、频域和时频域的指标数据集，构造测试样本，输入已知诊断模型，最终确定出故障类型。

2.根据权利要求1所述的一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法，其特征在于所述的步骤S2具体包括：

(1)计算九个时域指标，得到时域指标数据集如下：

T＝[I₁ I₂ I₃ I₄ I₅ I₆ I₇ I₈ I₉] (1)

其中，I₁为标准差指标，I₂为峰值指标，I₃为偏斜度指标，I₄为峭度指标，I₅为均方根值指标，I₆为峰值指标，I₇为裕度指标，I₈为波形指标，I₉为脉冲指标；

频域中的指标数据集为：

F＝[I₁₀ I₁₁ I₁₂ I₁₃] (2)

其中，I₁₀为频率均值指标，I₁₁为频率中心指标，I₁₂为频率均方根指标，I₁₃为频率标准差指标；

(2)使用频带小波包变换计算I₁₄–I₂₁来获得能量指标数据集：

W＝[I₁₄ I₁₅ I₁₆ I₁₇ I₁₈ I₁₉ I₂₀ I₂₁] (3)

小波包变换基函数为：Daubieches小波，小波消失矩为20的DB20小波；I₁₄–I₂₁为对应不同频带小波包变换的分解层数的小波包能量指标；

(3)利用集合经验模态分解计算I₂₂–I₂₇来获得6个模态函数的能量指标数据集，

E＝[I₂₂ I₂₃ I₂₄ I₂₅ I₂₆ I₂₇] (4)

其中I₂₂–I₂₇为对应不同数据序列的EEMD能量指标；

(4)将T，W，F，E组合为输入向量：

I＝[T F W E] (5)

依据式(5)，得到时域指标、频域指标和时频域指标，形成每一个故障模式的指标数据集。

3.根据权利要求2所述的一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法，其特征在于所述的步骤S3中：所述的深度信念网络包括三个堆叠的限制性玻尔兹曼机和一个输出层，每一个限制性玻尔兹曼机都是含有两层神经元的人工神经网络，第一层称为可见层，第二层称为隐藏层，每一层限制性玻尔兹曼机的各个神经元之间是相互独立的，而层间的神经元之间则相互连接。

4.根据权利要求3所述的一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法，其特征在于所述的步骤S3中：

模式特征的自动学习的过程分为两个阶段：第一阶段是使用无监督的方式逐层训练每一个限制性玻尔兹曼机；第二阶段是以监督的方式使用反向传播算法对整个网络进行微调。