轴承故障检测及定位方法及检测定位模型实现系统和方法技术方案

本发明专利技术提供了一种轴承故障检测及定位方法及检测定位模型实现系统和方法。对滚动轴承的无标签分类数据进行数据预处理后，输入到训练好的特征学习及检测模型，解决滚动轴承在多个故障模式下的快速检测及定位问题，通过最小化损失函数对每一种分类结果出现的概率投票进行统计；如果某故障特征得票数最多，即确定该故障为当前估计的故障模式并定位故障部位。整个特征学习过程不需要任何人工的特征提取过程，特征学习算法以原始数据作为输入，而且学习过程采用无监督的特征学习过程，通过深度的数据扩充和投影，所提取的轴承故障特征可以实现高效的自表达，解决了有标签数据获取困难的问题，并且具有很高的检测及定位精度特点。

【技术实现步骤摘要】
轴承故障检测及定位方法及检测定位模型实现系统和方法
本专利技术涉及一种适用于轴承故障检测及定位方法及检测定位模型实现系统和方法，特别是涉及一种适用于滚动轴承检测定位的故障检测及定位方法及检测定位模型实现系统和方法。
技术介绍
近年来，随着机械设备朝向大型化、复杂化、连续化、自动化及集中化发展的趋势，设备的结构和组成越来越复杂，各子系统之间的联系也越来越密切，这些设备运行的共同点是无法完全依靠传统方法建立准确的物理模型进行监控，而且在运行中由于非线性因素（如阻尼、刚度、摩擦力间隙、外载荷等）的影响，又时刻产生大量反映过程运行状态和运行机理的非平稳数据，即使正常运行的系统，由于系统噪声和环境噪声等的干扰也会使运行数据表现出很强的非线性特性，通常是多频率成分叠加（如当滚动轴承发生故障时，振动信号除了原有的转速所对应的频率外还会产生相应的倍频以及分频，而不同的故障强度产生的倍频和分频等故障信息也各有不同），甚至出现连续谱分布。因而，非线性机械设备故障诊断相当困难，关键机械设备一旦发生故障，会造成非常严重的经济损失和人员伤亡，因机械设备故障而产生的灾难性事故在国内外多次发生。各种机械设备中大部分是旋转机械，而滚动轴承是各种旋转机械中应用最普遍、最易损坏的配套件和基础件，被称为机械的关节。据统计。旋转机械的故障有30％是由轴承引起的。故有效对机械设备滚动轴承故障进行检测，不仅有助于提高机械系统的安全运转率，减少重大事故危害，还能获得潜在的社会和经济效益。滚动轴承运行状态信号是其最直观的反映，工况信号可以使用多种方法获取数据，主要有红外测温方法、振动监测方法、声发射方法、油液分析方法和无损检测方法等。普遍采用的是振动监测方法，因为振动监测的理论和测量方法简单且比较成熟，便于自动化和在线诊断，振动测量可以迅速地表现轴承的运行状态和机理，是一种无损检测技术。相关统计表明，从振动信号中可以检测出轴承90%的故障。因此，在滚动轴承状态监测和故障诊断研究中，利用振动工况信号对其工作状态信号进行监测和诊断是目前最常用的方法。滚动轴承故障诊断就是要通过对能够反映轴承工作状态的信号的采集，分析与处理，来识别轴承的状态。轴承故障诊断的一般过程主要包括：信号采集（包括振动、温度、噪声、油液及图像信号）、信息处理（特征提取与特征选择）和状态识别与决策（故障诊断、异常检测与决策干预等）。滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术，滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。通过从反映滚动轴承状态的信号中提取故障特征(征兆)来辨识轴承运行状态，这些参量能够反映系统故障的特征变化，故称其为故障特征量。而同一故障可以在几个特征量上得到反映，不同的故障可能有相同的特征相互影响，相互渗透是故障诊断的难点，对滚动轴承工况信号故障特征提取和识别关系到故障诊断的可靠性和准确性，是轴承故障诊断研究中的关键问题。根据处理信号特征的不同，滚动轴承故障特征提取方法分为平稳信号分析方法（时域和频域法）和非平稳信号分析方法（时间-频率技术及自适应时频分析）。但是这些滚动轴承特征提取方法的一个共同特点都是人工选择设计特征，然后结合相应的故障分类技术诊断故障。因为轴承工况数据是一种多尺度多层次的综合信息，人工设计特征没有统一的认识，这种方法费时费力，需要启发式专业知识，很大程度上靠经验和运气，使得数量有限的故障征兆对于轴承历次工况的解释能力相当微弱。因此，仅从低层次的手动提取及选择复杂故障特征出发进行诊断难以满足智能诊断的需求。所以，借鉴人脑在分层次提取对象特征，并且每一层对信号进行单独处理的特点，对反映轴承运行状态的信号进行深度学习，通过自动组合低层特征形成更加抽象的高层表示属性或特征的新思想，以发现数据的分布式特征表示，可更加有效的监测滚动轴承性能。此外，由于滚动轴承工况有标签数据难于获取，因此，充分利用深度学习可自动学习滚动轴承工况信号深层次特征的特点，结合不同深度学习神经网络模型的优点，设计无监督学习的具有多个隐层的深度神经网络混合模型，挖掘轴承工况数据中隐含的高层次信息特征对可能发生的故障构建检测器做出判断，并对故障进行定位，故障检测效果必将优于单纯用某一种深度学习模型搭建的深层神经网络，是一种先进并有效的技术。
技术实现思路
本专利技术要解决的一个技术问题是提供一种克服现有轴承故障诊断中人工设计特征及特征表达的不足，有标签数据获取困难等问题的自动提取轴承工况数据特征进行故障检测及定位的系统及方法。本专利技术要解决的另一个技术问题是提供一种能够适用于轴承故障检测及定位的深度神经网络学习及检测模型。一种适用于轴承故障检测及定位的检测模型实现系统，其特征在于：包括，数据预处理模块，对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；检测模块，接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器（denoisingautoencoder,DA）实现，第3层和第4层采用受限玻尔兹曼机（restrictedboltzmannmachines，RBM）实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；所述检测模块包括，数据扩充模块，包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第二个隐层节点数进行压缩；所述N大于等于2小于等于5；数据投影模块，包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。以污染处理后的数据作为深度神经网络检测模型的输入，通过层叠神经网络（deepbeliefnetwork,DBN）恢复出受污染前的样本数据，实现对原始数据的自表达，从而提高模型的抽象能力，得到对原始数据更一般的表达，提高故障诊断的抗噪能力。由于RBM的预训练过程与维度无关，并且由第二步中数据的可恢复性可以保证投影结果的相对稳定，可以利用这一模型对数据进行有效的投影和表达。这样，根据每一层的类型对网络进行无监督逐层的预训练后，网络可获得性能较好的初始权重，也就是得到了表达能力较强的特征。数据扩充和投影后得到的权向量，即为故障特征量，这样就预训练得到了特征学习模型。所述去噪自编码器为栈式去噪自编码器(stackeddenoisingautoencoder,SDA)。SDA方法同一个矩阵对输入数据进行编码和解码，通过最小化原始输入和解码数据的误差来逐层学习这个矩阵（输入数据的某种表示），且将第一个隐层（第1层）的输出作为第二个隐层（第2层）的输入，实现原始数据可恢复性的作用。所述N等于3，此时的重构误差及可分性最好。还包括训练微调模块，对滚动轴承有标签非平稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共5种分类结本文档来自技高网...

【技术保护点】
一种适用于轴承故障检测及定位的检测模型实现系统，其特征在于：包括，数据预处理模块，对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；检测模块，接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；所述检测模块包括，数据扩充模块，包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第二个隐层节点数进行压缩；所述N大于等于2小于等于5；数据投影模块，包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。

【技术特征摘要】
1.一种适用于轴承故障检测及定位的检测模型实现系统，其特征在于：包括，数据预处理模块，对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；检测模块，接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；所述检测模块包括，数据扩充模块，包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第二个隐层节点数进行压缩；所述N大于等于2小于等于5；数据投影模块，包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。2.根据权利要求1所述的实现系统，其特征在于；所述去噪自编码器为栈式去噪自编码器；所述N等于3。3.根据权利要求1或2所述的实现系统，其特征在于；还包括训练微调模块，对滚动轴承有标签非平稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共5种分类结果出现的投票概率，如果某故障特征得票数最多，则检测出该故障特征参数对应的故障模式发生。4.一种适用于轴承故障检测及定位的检测模型实现方法，其特征在于：具体方法步骤为：一、对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；二、接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；所述步骤二的实现由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定...

【专利技术属性】
技术研发人员：李兆飞，
申请(专利权)人：四川理工学院，
类型：发明
国别省市：四川,51