CN111382792B - 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 - Google Patents
一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111382792B CN111382792B CN202010155523.9A CN202010155523A CN111382792B CN 111382792 B CN111382792 B CN 111382792B CN 202010155523 A CN202010155523 A CN 202010155523A CN 111382792 B CN111382792 B CN 111382792B
- Authority
- CN
- China
- Prior art keywords
- sparse
- dictionary
- double
- rolling bearing
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 113
- 238000003745 diagnosis Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 31
- 230000036541 health Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 8
- 230000000052 comparative effect Effects 0.000 description 23
- 230000000694 effects Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,步骤S1,采用双稀疏字典学习算法对滚动轴承振动信号进行训练,获得双稀疏字典;步骤S2,获取不同故障类型的建模滚动轴承振动信号在双稀疏字典下的分解系数并作为特征向量;步骤S3,将步骤S2中获得的特征向量输入至深度信念网络进行训练学习,获得滚动轴承振动信号故障诊断模型;步骤S4,将包含故障信息的待测滚动轴承振动信号输入至故障诊断模型进行故障识别,完成故障诊断。采用本发明滚动轴承振动信号故障诊断方法,不仅可以获得更高的诊断精度与准确率稳定性,并且还可以大幅度减少深度信念网络的训练与测试时间,提高对故障的诊断效率。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域,具体涉及一种基于双稀疏字典稀疏表示结合深度信念网络的滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械中使用最广泛的一类关键零部件,其运行状态对整台机器的综合性能表现有直接影响,一旦发生故障后,停机维护甚至是重大事故将不可避免。机械振动信号最能够反映滚动轴承状态信息,因而对滚动轴承工作状态下的振动信号进行故障诊断是减少停机时间与维护成本并保证生产安全的行之有效的方法。
然而,由于机械振动信号本身不可避免地包含了一些噪声信息,具有非平稳性和非线性,利用研究者主观选取特征的方法不但费时费力,而且所提取的特征参数有时不能很好的代表信号本身的特点,区分度较差;且对于机械故障诊断而言,一个周期内的故障信息占整个振动信号的比例相对很少,在故障诊断分类识别时,这些时域信号中不能够代表故障信息的部分其实是“无用”的,如果能够减少或者去除这些对于故障分类没有帮助的成分,获得更简洁的故障信息,将使得故障诊断更为高效。
稀疏表示是近年来信号处理领域的一个热点,该理论指出,通过构建合理的字典模型,就可以利用少量字典原子的线性组合来近似的表示信号。其中,字典构造的大多数研究主要分为两种:分析字典和学习字典。分析字典是一种高度结构化的数学模型,具有求解快速的特点,但同时表现出对信号适应性较差的缺点,此类字典包括小波字典、DCT字典、曲线波字典等;学习字典是采用机器学习算法从一组样本信号本身训练获得的过完备字典,因此具有很好的自适应性,但由于非结构化,求解困难,此类字典包括PCA,MOD及K-SVD。
因此,由于采用分析字典或学习字典的常规稀疏表示进行滚动轴承故障诊断过程中机械振动信号处理时存在的上述问题而导致字典学习效率低,进而影响整个滚动轴承故障诊断的精度和准确率。
发明内容
为了提高对滚动轴承故障的诊断精度和准确率,本发明提出了一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法。该滚动轴承故障诊断方法,具体包括以下步骤:
步骤S1,采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练,获得双稀疏字典;
步骤S2,获取建模滚动轴承机械振动信号在双稀疏字典下的分解系数并作为特征向量;
步骤S3,将步骤S2中获得的特征向量输入至深度信念网络进行训练学习,获得滚动轴承故障诊断模型;
步骤S4,将待测滚动轴承机械振动信号输入至滚动轴承故障诊断模型进行故障识别,完成故障诊断。
优选的,在所述步骤S1中,首先采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练获得双稀疏子字典,接着对获得的双稀疏子字典进行双稀疏子字典原子的筛选优化,剔除低贡献率的原子,获得最终的双稀疏字典。
进一步优选的,在所述步骤S1中,采用稀疏分解算法对双稀疏子字典进行优化,首先建模滚动轴承机械振动信号与对应双稀疏子字典原子最大内积绝对值作为双稀疏子字典原子筛选标准进行原子筛选,接着将筛选出来备选的原子按顺序依次排列组合形成最终的双稀疏字典。
优选的,在所述步骤S1中,获得双稀疏字典的具体过程为:
步骤S11,基于学习字典算法对建模滚动轴承机械振动信号进行训练,获得基字典;
步骤S12,使用稀疏分解算法求解建模滚动轴承机械振动信号在基字典下的稀疏系数矩阵作为稀疏字典;
步骤S13,根据基字典和稀疏字典,通过双稀疏字典学习算法求解获得双稀疏字典。
进一步优选的,在所述步骤S11中,学习字典算法选用K-SVD算法。
优选的,稀疏分解算法选用OMP算法。
优选的,所述建模滚动轴承机械振动信号由一种或多种不同健康状态的滚动轴承机械振动信号组成;其中,当建模滚动轴承机械振动信号由多种不同健康状态的滚动机械振动信号组成时,
在所述步骤S1中,针对不同健康状态的滚动轴承机械振动信号进行训练,分别获得对应的双稀疏字典;
在所述步骤S2中,分别获取不同健康状态的滚动轴承机械振动信号在双稀疏字典下的分解系数并分别作为特征向量;
在所述步骤S3中,将针对不同健康状态的滚动轴承机械振动信号获得的特征向量输入至深度信念网络进行训练学习,获得可以识别不同健康状态的滚动轴承故障诊断模型。
进一步优选的,所述建模滚动轴承机械振动信号可以为正常情况下信号数据(N)、内圈故障信号数据(IF)、外圈故障信号数据(OF)或滚动故障信号数据(RF)中的任意一种或多种。
采用本发明基于双稀疏字典稀疏表示的滚动轴承故障诊断方法进行滚动轴承故障诊断处理时,具有以下有益技术效果:
1、在本发明中,通过采用双稀疏字典学习算法,从而利用双稀疏字典学习算法将学习字典和固定字典的相结合,继承了这两种字典学习算法的各自优势,获得了更高效的稀疏表示能力。同时,将原始振动信号在双稀疏字典下的稀疏表示特征向量作为深度神经网络学习目标数据,从而减少深度信念网络模型的输入数据维度,降低神经网络复杂度,大大节省网络整体训练的时间。
2、相较于传统智能故障诊断时,在特征提取过程中依赖先验知识及专家诊断经验以及在处理大数据时特征提取的低效率、高耗时等问题,本发明提出基于双稀疏字典稀疏表示结合深度信念网络的滚动轴承故障诊断方法,并且通过对双稀疏字典原子的进一步精简,剔除了冗余字典中使用频率低的次要原子,从而使得稀疏特征维度最大程度的压缩;然后使用简化的稀疏表示特征信号结合深度信念网络进行故障的高效识别和诊断,不仅获得了更高的诊断精度与准确率稳定性,并且还大幅度减少了深度信念网络的训练与测试时间,提高了故障诊断效率。
附图说明
图1为本发明基于双稀疏字典稀疏表示的滚动轴承故障诊断方法的流程示意图;
图2为本发明中采用双稀疏字典学习方法获得双稀疏字典的流程示意图;
图3为实施例1、对比例1、对比例2和对比例3分别在15次实验中所获得诊断准确率的对比图;
图4为滚动轴承机械振动原始信号与稀疏表示信号的可分离性对比图;
图5为实施例1与对比例4分别在15次实验中所获得诊断准确率以及训练与诊断时间的对比图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详细介绍。
结合图1所示,本发明所提出基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,包括以下步骤:
步骤S1,采用双稀疏字典学习算法对建模滚动轴承机械振动信号进行训练,获得双稀疏字典。其中,建模滚动轴承机械振动信号为故障类型确定的振动信号,可以通过加速度传感器采集获取不同故障状态下的滚动轴承振动信号。
结合图2所示,在本发明中,采用双稀疏字典学习算法获得双稀疏字典的具体过程为:
步骤S11,基于学习字典算法对建模滚动轴承机械振动信号进行训练,获得基字典。
步骤S12,使用稀疏分解算法求解建模滚动轴承机械振动信号在基字典下的稀疏系数矩阵作为稀疏字典。
步骤S13,根据基字典和稀疏字典,通过双稀疏字典学习算法求解获得双稀疏字典。
其中,在通过学习字典算法获得基字典的过程中,由于K-SVD字典对振动信号学习性能表现优异且在字典学习领域使用广泛,因此,优选K-SVD算法对建模滚动轴承机械振动信号进行训练获得基字典。
步骤S2,获取建模滚动轴承机械振动信号在双稀疏字典下的分解系数并作为特征向量。其中,在本发明中,选用正交匹配追踪(OMP)算法作为稀疏分解算法求解建模滚动轴承机械振动信号在双稀疏字典下的分解系数并作为特征向量。同样,根据不同情况下,也可以选用其他稀疏分解算法,例如匹配追踪算法(MP算法)。
步骤S3,将步骤S2中获得的特征向量输入至深度信念网络进行训练学习,获得滚动轴承故障诊断模型。
此时,通过深度信念网络对具有特定故障类型滚动轴承机械振动信号的特征向量进行深度学习训练,从而建立故障诊断模型,达到对该故障类型所对应滚动轴承机械振动信号的更佳分类识别效果。
步骤S4,将待测滚动轴承机械振动信号输入至滚动轴承故障诊断模型进行故障识别,完成故障诊断。
在步骤S3中进行深度信念网络训练学习过程发现,由于步骤S1中获得的双稀疏字典存在字典原子的冗余的,有大量的字典原子在稀疏分解时并没有被使用或使用频率很低,而这些原子的存在会使得建模滚动轴承机械振动信号在后续的稀疏分解时获得的稀疏表示特征维度增加,不利于后续深度信念网络的训练和测试,因此需要对字典原子进行筛选,剔除低贡献率的原子。
优选的,在获得双稀疏字典的过程中,首先,采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练获得双稀疏子字典;接着,对获得的双稀疏子字典进行双稀疏子字典原子的筛选优化,剔除低贡献率的原子,获得最终的双稀疏字典,从而达到按后续步骤S2处理时对所获得特征向量有降维效果,进一步缩短深度信念网络训练学习时间,提高效率。
进一步,采用稀疏分解算法对双稀疏子字典进行优化的具体操作为:首先,由待分解建模滚动轴承机械振动信号与对应双稀疏子字典原子最大内积绝对值作为双稀疏子字典原子筛选标准进行原子筛选,接着,将筛选出来备选的原子按顺序依次排列组合形成最终的双稀疏字典。
此时,通过将待分解建模滚动轴承机械振动信号与对应双稀疏子字典原子最大内积绝对值作为双稀疏子字典原子筛选标准,就可以将被使用频率最高的前几个作为双稀疏子字典的备选原子,进而按顺序对备选原子进行依次排列组合就可以获得优化后的双稀疏字典。这样,就可以实现对直接通过双稀疏字典学习算法所获得双稀疏字典的字典原子冗余优化处理,降低后续通过稀疏分解算法所获得特征向量的维度,从而提高深度信念网络对特征向量的训练学习速度,减少训练时间,提高诊断效率。
此外,在本发明所提出基于双稀疏字典稀疏表示的滚动轴承故障诊断方法中,建模滚动轴承机械振动信号可以是一种健康状态的滚动轴承机械振动信号,也可以是由多种不同健康状态的滚动轴承机械振动信号组成。
当建模滚动轴承机械振动信号由多种不同健康状态的滚动机械振动信号组成时,在步骤S1中,就要针对不同健康状态的滚动轴承机械振动信号进行分别训练,从而分别获得对应的双稀疏字典;在步骤S2中,就分别获取不同健康状态的滚动轴承机械振动信号在双稀疏字典下的分解系数并分别作为特征向量;在步骤S3中,就将不同健康状态的滚动轴承机械振动信号获得的特征向量输入至深度信念网络进行训练学习,从而获得可以识别不同健康状态的滚动轴承故障诊断模型。
其中,建模滚动轴承机械振动信号可以为正常情况下信号数据(N)、内圈故障信号数据(IF)、外圈故障信号数据(OF)或滚动故障信号数据(RF)中的任意一种或多种。
深度信念网络(DBN)是一种通过堆叠多个受限玻尔兹曼机(restrictedBoltzmann machine,RBM)而构建起来的多隐层概率生成型人工神经网络,其核心组成元件RBM是基于能量的概率分布模型的算法。此时,由双稀疏综合字典获得的不同类别的稀疏表示特征向量其稀疏点的分布能量集中,而与受限玻尔兹曼机特征学习的特点相契合,因此在使用稀疏表示特征向量结合深度信念网络进行故障诊断可以获得很好的分类识别效果,实现对不同故障的有效识别诊断。
接下来,通过实验对比的方式对采用本发明所提出基于双稀疏字典稀疏表示的滚动轴承故障诊断方法进行滚动轴承故障诊断的效果进行比对说明。
其中,选用美国凯斯西储大学轴承测试中心数据库的轴承故障数据进行实验,该实验均基于处理器为Intel(R)Core(TM)i5-4590 [email protected]、内存为8.00GB、操作***为Windows1064位的PC机平台进行,使用软件为MATLAB R2017b。所用数据类型共4类,分别为正常情况下信号数据(N)、内圈故障(IF)、外圈故障(OF)和滚动故障(RF)数据,测点均位于驱动端,施加载荷为3马力,基准转速为1730r/min,采样频率为12kHz,故障程度为0.18mm。为保证实验数据有效性,每一个样本信号长度设置为1024,即包含两个完整的振动周期内的采样信号。其中,所用数据包括训练集数据和测试集数据,训练集用于滚动轴承故障诊断模型的建立,测试集数据用于对滚动轴承故障诊断模型进行校验,具体数据情况如表1所示。
表1
在传统的机械故障智能诊断方法中,最常使用的是基于时频域统计特征结合SVM的故障分类以及基于单层和深层反向传播神经网络(Back Propagation Neural Network,BPNN)的分类方法。因此,基于相同维度原始振动信号的前提下,实施例采用本发明提出的诊断方法,对比例1为采用故障信号14个时域统计特征参数结合SVM的诊断方法,对比例2为深层BPNM诊断方法,对比例3为单层BPNM诊断方法。
其中,在实施例1中,首先根据不同类别的滚动轴承机械振动信号训练获得相应的双稀疏字典,评估该双稀疏字典各类参数对诊断精度的影响确定最优的参数设置;接着以原始的滚动轴承机械振动信号与字典原子的最大内积进一步优选多余的原子组成最终的双稀疏字典;之后采用OMP算法对各类别滚动轴承机械振动信号在双稀疏字典下稀疏分解获得稀疏表示特征向量;然后构建深度信念网络模型,逐步训练获得模型的相关参数,获得可以识别不同健康状态的滚动轴承故障诊断模型;最后使用测试集信号进行分类识别。
在采用双稀疏字典对振动信号进行稀疏分解时,通过单因素分析法对影响分类效果的参数:基字典原子个数,稀疏字典原子个数,基字典训练迭代次数,稀疏字典原子稀疏度,振动信号的稀疏度,双稀疏字典模型训练时的迭代次数,以及获得综合字典时待选的子字典原子数,稀疏表示特征系数稀疏度进行合理选择确定,即通过固定其余参数,只考虑单一参数变化对诊断精度的影响,对每个参数值在改变时取15次实验的分类精度平均值与标准差分析每类参数对诊断精度的影响,确定双稀疏字典各参数值,以保证获得性能更为理想的过完备字典,有利于故障分类。
深度信念网络在用于样本分类时需要注意以下几个参数:RBM数目、隐层神经元数目、学***均值及其相应的标准差进行分析,最终确定相关参数,获得滚动轴承故障诊断模型。
对实施例1、对比例1、对比例2和对比例3分别进行15次实验,获取如图3所示的平均诊断准确率结果图以及表2对应的标准差。
表2
根据图3所示可知,采用实施例1的方法获得的结果都具有较高的诊断准确率,且诊断结果曲线近似一条直线,说明该方法具有很好的准确率稳定性。基于对比例1的方法诊断结果相对较高,但其诊断准确率与准确率稳定性相较于实施例1的较差,但与其余对比例2和对比例3相比,又有明显优势。采用对比例3的方法诊断准确率相对较低、且波动明显;对比例2的方法诊断准确度相较对比例3的方法诊断准确率高一些,但波动程度更大。
根据表2数据可知,实施例1的方法平均诊断准确率最高,其平均诊断准确率可达到98.12%,采用对比例3的方法最低,平均诊断准确率仅49.91%。从诊断稳定性方面来看,实施例1的方法稳定性最高,其标准差为0.33%,对比例2的方法稳定性最差,诊断准确率标准差高达6.99%。
基于不同健康状况类别的滚动轴承振动信号具有各自的特征,实施例1的方法利用滚动轴承振动信号只与由自身信号训练获得的双稀疏字典原子有最高的匹配度的特点,进一步通过剔除过完备字典中稀疏分解时贡献率低的冗余原子,从而使得字典模型变得更加精简,可以将长度为1024的原始滚动轴承振动信号在该字典下的稀疏表示特征系数维度只有80,且由于信号是被稀疏表示了的稀疏特征,稀疏特征点仅仅只有10个,如此少量的数据便能表现出该信号有别于其他信号的明显特征信息,与此同时,实施例1的方法结合拥有强大信息挖掘能力的深度信念网络,通过对稀疏表示特征向量的学***均诊断诊断准确率略低;对比例2的方法由于采用的是反向传播算法对网络进行训练,使得整个网络在稳定性、泛化性等方面表现较差,因而诊断准确率及其稳定性不高;而对比例3的方法因其浅层结构限制,对高维度原始信号的特征学习能力有限,导致其诊断精度偏低。
综合上述实验结果和分析,实施例1的方法相较于传统的智能故障诊断方法有较大优势,能够使用深度信念网络对滚动轴承机械振动信号在双稀疏字典下进行稀疏分解获得的稀疏表示特征直接实现健康状况的精准诊断。
进一步,引入直接采用原始信号时使用深度信念网络进行故障诊断的对比例4,进行与实施例1的方法诊断效果比对。
首先,与对比例4中直接采用原始信号时使用深度信念网络进行故障诊断的方法相比,实施例1的方法结合了双稀疏字典学习算法,将原始振动信号在双稀疏字典下的稀疏表示特征向量作为深度信念网络学习的目标数据。通过分别在各类健康状态的样本信号中随机取一个样本并求得其在双稀疏字典下的稀疏表示特征向量做特征可分类性对比,获得如图4所示的原始信号与稀疏表示信号的可分离性对比图。
根据图4所示可知,经过双稀疏字典稀疏分解获得的稀疏表示特征向量相较于原始信号有很多优点。首先,相较于原始的振动信号,稀疏表示后得特征向量在维度上大大降低,从原始信号1024的长度变为80,信号维度压缩了十几倍;其次,信号的数据量变化,原始信号在每一个采样点均有数值,但在稀疏表示特征向量中仅仅只在十个稀疏点处有稀疏值,其余位置全为零,这大大减轻了后续神经网络训练与测试时的计算量,提高了网络训练和诊断效率;最后,可以从图上直观地观察到,相较于原始信号杂乱无章的形式,每一类故障信号稀疏分解后的稀疏特征向量有更为独特而明显的特征,其稀疏点分布都与其他类别信号明显不同,在稀疏分解时每一类信号只被由同类别信号训练获得的字典的绝大多数原子分解,例如,正常信号稀疏点大多数分布在0~20之间,内圈故障信号稀疏点绝大多数分布在20~40之间,依次类推,其余信号也有同样的分布特点。因此,双稀疏字典模型下稀疏分解信号的这些特点对深度信念网络的训练和识别效率的提升方面大有裨益。
其次,采用实施例1方法与对比例4方法进行故障诊断获得图5所示的结果比对图,获得表3所示的15次实验平均诊断结果与对应的标准差以及训练与识别时间数据。
表3
由图5和表3可以看出,实施例1方法的诊断准确率高于对比例4方法的诊断准确率,且故障诊断准确率相对稳定,在确保诊断准确率的同时大大减少了网络训练时间;而采用对比例4方法时,由于原始数据维度过高使得其诊断结果耗时更长且具有较大波动。由此可见,在实施例1的方法中,借助所提出的双稀疏字典模型对原始信号的稀疏分解,获得的稀疏表示特征简化了不同类别信号之间的特征复杂度,从而大大提升了诊断准确率并减少了网络训练与测试用时。
Claims (4)
1.一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤S1,采用双稀疏字典学习方法对建模滚动轴承振动信号进行训练,获得双稀疏字典;
步骤S2,获取建模滚动轴承机械振动信号在双稀疏字典下的分解系数并作为特征向量;
步骤S3,将步骤S2中获得的特征向量输入至深度信念网络进行训练学习,获得滚动轴承故障诊断模型;
步骤S4,将待测滚动轴承机械振动信号输入至滚动轴承故障诊断模型进行故障识别,完成故障诊断;
在所述步骤S1中,首先采用双稀疏字典学习方法对建模滚动轴承机械振动信号进行训练获得双稀疏子字典,接着对获得的双稀疏子字典进行双稀疏子字典原子的筛选优化,剔除低贡献率的原子,获得最终的双稀疏字典;
在所述步骤S1中,采用稀疏分解算法对双稀疏子字典进行优化,首先由建模滚动轴承机械振动信号与对应双稀疏子字典原子的最大内积绝对值作为双稀疏子字典原子筛选标准进行原子筛选,接着将筛选出来备选的原子按顺序依次排列组合形成最终的双稀疏字典;
在所述步骤S1中,获得双稀疏字典的具体过程为:步骤S11,基于学习字典算法对建模滚动轴承机械振动信号进行训练,获得基字典;步骤S12,使用稀疏分解算法求解建模滚动轴承机械振动信号在基字典下的稀疏系数矩阵作为稀疏字典;步骤S13,根据基字典和稀疏字典,通过双稀疏字典学习算法求解获得双稀疏字典;
所述建模滚动轴承机械振动信号由一种或多种不同健康状态的滚动轴承机械振动信号组成;其中,当建模滚动轴承机械振动信号由多种不同健康状态的滚动机械振动信号组成时,在所述步骤S1中,针对不同健康状态的滚动轴承机械振动信号进行训练,分别获得对应的双稀疏字典;在所述步骤S2中,分别获取不同健康状态的滚动轴承机械振动信号在双稀疏字典下的分解系数并分别作为特征向量;在所述步骤S3中,将针对不同健康状态的滚动轴承机械振动信号获得的特征向量输入至深度信念网络进行训练学习,获得识别不同健康状态的滚动轴承故障诊断模型。
2.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,其特征在于,在所述步骤S11中,学习字典算法选用K-SVD算法。
3.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,其特征在于,稀疏分解算法选用OMP算法。
4.根据权利要求1所述基于双稀疏字典稀疏表示的滚动轴承故障诊断方法,其特征在于,所述建模滚动轴承机械振动信号为正常情况下信号数据N、内圈故障信号数据IF、外圈故障信号数据OF或滚动故障信号数据RF中的任意一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155523.9A CN111382792B (zh) | 2020-03-09 | 2020-03-09 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155523.9A CN111382792B (zh) | 2020-03-09 | 2020-03-09 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382792A CN111382792A (zh) | 2020-07-07 |
CN111382792B true CN111382792B (zh) | 2022-06-14 |
Family
ID=71219956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010155523.9A Expired - Fee Related CN111382792B (zh) | 2020-03-09 | 2020-03-09 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524150B (zh) * | 2022-09-13 | 2024-04-05 | 西安交通大学 | 基于稀疏时域同步平均的旋转机械故障检测方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
CN108507789A (zh) * | 2018-05-31 | 2018-09-07 | 燕山大学 | 基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法 |
CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗***和方法 |
CN110348491A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 基于学习字典与奇异值分解的滚动轴承故障识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7552385B2 (en) * | 2001-05-04 | 2009-06-23 | International Business Machines Coporation | Efficient storage mechanism for representing term occurrence in unstructured text documents |
-
2020
- 2020-03-09 CN CN202010155523.9A patent/CN111382792B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗***和方法 |
CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
CN108507789A (zh) * | 2018-05-31 | 2018-09-07 | 燕山大学 | 基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法 |
CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
CN110348491A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 基于学习字典与奇异值分解的滚动轴承故障识别方法 |
Non-Patent Citations (2)
Title |
---|
Sparse Deep Stacking Network for Fault Diagnosis of Motor;C. Sun;《IEEE Transactions on Industrial Informatics》;20180326;第14卷(第07期);3261-3270 * |
基于稀疏差异深度信念网络的绝缘子故障识别算法;高强;《电测与仪表》;20160321;第53卷(第01期);19-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN111382792A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Imbalanced fault diagnosis of rotating machinery via multi-domain feature extraction and cost-sensitive learning | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及*** | |
CN107368809B (zh) | 一种基于稀疏表示和字典学习的轴承故障分类方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、***及存储介质 | |
CN112577743B (zh) | 一种基于最大局部边界准则的滚动轴承故障诊断方法 | |
CN111382792B (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
Sun et al. | Fine‐Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning | |
Yin et al. | Isomap and Deep Belief Network-Based Machine Health Combined Assessment Model. | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
Guo et al. | A method of rolling bearing fault diagnose based on double sparse dictionary and deep belief network | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
Hu et al. | Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances | |
CN114139639A (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN110490218B (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN116127398A (zh) | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |
|
CF01 | Termination of patent right due to non-payment of annual fee |