旋转设备滚动轴承故障噪声诊断算法制造技术

本发明专利技术公开了一种旋转设备滚动轴承故障噪声诊断算法，首先拾音器采集滚动轴承的运行噪声信号，信号通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判；其次根据故障预判结果，异常信号(有故障发生)通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而正常信号(无故障发生)直接接入特征提取模块；特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；最后将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现高准确率的故障类型诊断。本发明专利技术能够有效地检测轴承故障，并保持较高的故障识别准确率，对轴承故障的检测和分类具有较好的有效性和鲁棒性。

Fault and Noise Diagnosis Algorithms for Rolling Bearings of Rotating Equipment

【技术实现步骤摘要】
旋转设备滚动轴承故障噪声诊断算法
本专利技术涉及一种轴承故障分类的方法，具体涉及一种旋转设备滚动轴承故障噪声诊断算法。
技术介绍
轴承是旋转机械运行中常易出现故障的主要部件之一。由于机械运行中轴承出现的磨损、转向、老化等，会对整个系统运行造成严重的后果，不仅会给企业造成巨大的经济损失，还会危及员工的生命安全甚至会对周围的生态环境造成危害。因此，轴承的健康状况直接关系到机械的安全与系统的有效运行，一些轴承故障导致的后果可能是灾难性的，需要在早期能够及时检测和诊断出这些故障。机械设备在运行时会产生噪声，相比于振动信号，噪声信号当中同样包含着由丰富的信号组成的能够反映设备健康状态的信息，噪声信号还可以通过非接触式的方式获取，不会给设备造成任何损伤，而且在高温、高湿度、高腐蚀等特殊环境也可以实施，安全方面也有保障。因此，噪声诊断特别适用于非接触测量场合。大部分轴承故障检测方法都是基于传感器采集信号分析，采集的原始信号包括健康状态和故障状态时的信号。由于故障状态信号总是叠加在健康状态信号之上，因此剥离设备健康状态信号后的异常信息的特征在理论上应比单纯依据异常信息的特征在分类精度上更优。与单个分类器相比，集成分类器中的不同分类器可以提供用于故障分类的补充信息，使分类结果更加准确。对于多故障识别的问题，集成分类器结合多个分类器输出，最后确定故障样本的类别。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供一种基于神经网络滤波和集成学习分类的旋转设备滚动轴承故障噪声诊断算法，该方法能够有效地检测轴承故障，提高滚动轴承故障识别准确率。为了实现上述目的，本专利技术采用的技术方案是：一种旋转设备滚动轴承故障噪声诊断算法，包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；S2：根据故障预判结果，异常信号(有故障发生)通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而正常信号(无故障发生)直接接入特征提取模块；S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；S4：将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现故障类型的判别诊断。进一步的，所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型，并利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型，根据待测样本落入的边界区域，判定其为正常样本或异常样本。进一步的，所述的步骤S2中将预分类后的异常信号输入到线性神经网络滤波器中，输出与输入之间的关系表达式为：通过神经网络训练，采用LMS算法调整网络的权值和阈值，通过前n-1时刻的输入信号值计算得到第n时刻预测信号，并与第n时刻实际输入信号相减，由此得到第n时刻净异常输入信号。以此类推，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，获得所需的净异常信号用于后续特征提取。进一步的，所述的步骤S3中特征提取模块在提取信号的美尔倒谱系数(MFCC)后，需进一步利用梯度提升决策树(GBDT)对MFCC系数进行特征重构，获得MFCC系数的高维特征，并将获得的高维特征与原有的MFCC系数组合在一起，构成一个复合特征向量，再利用主成分分析(PCA)对其进行降维。进一步的，所述的步骤S4中采用两级支持向量机(SVM)集成分类器进行训练与测试。初级学习器由初始数据集训练获得，并将初级学习器的输出当作样例输入特征生成一个新的训练集用于次级学习器训练。选用SVM分类器为初级学习器，次级学习器采用基于学习的AdaBoost多分类集成学习算法，采用加权多数投票法对每次循环生成的个体SVM分类器进行集成，得到新的强分类器，并将训练好的分类模型用于滚动轴承故障分类，以获得分类精度的显著提升。技术效果：本专利技术提出的一种旋转设备滚动轴承故障噪声诊断算法，拾音器采集滚动轴承的运行噪声信号，信号通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判；根据故障预判结果，异常信号(有故障发生)通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而正常信号(无故障发生)直接接入特征提取模块；特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；最后将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现高准确率的故障类型诊断。本专利技术能够有效地检测轴承故障，故障诊断精度有了显著提升。以文中实施例为例，诊断精度可由96.75％提升到99.15％。附图说明图1为本专利技术故障分类方法流程图；图2为本专利技术实施例中某轴承正常状态MFCC特征图；图3为本专利技术实施例中某次实验神经网络滤波后波形图；图4为本专利技术实施例中某次实验PCA降维后样本分布图；图5为本专利技术实施例中某次实验特征测试集分类结果预测图。具体实施方式下面结合附图对本专利技术作进一步说明。下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示，本专利技术包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号。考虑设备实际运行中，故障信号难以获得，为了实施本专利技术所提出的方法，需基于高斯混合模型建立轴承正常、异常预分类模型，利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型，根据待测样本落入的边界区域，判定其为正常样本或异常样本。具体计算方法如下：(1)根据先验知识，基于高斯概率模型，利用Gibbs采样生成故障样本。(2)计算样本库中M个类别的MFCC特征，并据此利用期望最大化(EM)算法求出高斯混合概率模型其中，M是混合模型的阶数，x是特征向量，pi(x)是单高斯模型。(3)对于待测样本X，计算其属于高斯混合模型中各单高斯模型的概率，并将其判为概率最大所对应的单高斯模型的类别。S2：根据故障预判结果，异常信号(有故障发生)通过神经网络滤波器，滤除轴承信号中正常成分，输出各种净异常信号分量；神经网络滤波具体步骤如下：(1)采集到的正常噪声信号输入到线性神经网络滤波器中。采用LMS算法，参照输出向量与期望输出向量的差别，通过神经网络训练，调整网络的权值跟阈值，使得训练误差的平方和最小或者小于一定值，从而求解出一组最优权重、偏置参数；(2)神经元都具有多个输入x1,x2,...,xn、单个输出y，w1,w2,...,wn为每个输入的权值，b为输入的阈值。输出与输入之间的关系表达为：(3)将实验测试噪声信号输入到训练好的神经网络中，通过前n-1时刻采样噪声信号(x1,...,xn-1)计算得到第n时刻预测信号并与第n时刻实本文档来自技高网...

【技术保护点】
1.一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；S2：根据故障预判结果，有故障发生时，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而无故障发生时，正常信号直接接入特征提取模块；S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；S4：把特征信号输入改进后的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现故障类型的判别诊断。

【技术特征摘要】
1.一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；S2：根据故障预判结果，有故障发生时，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而无故障发生时，正常信号直接接入特征提取模块；S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；S4：把特征信号输入改进后的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现故障类型的判别诊断。2.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型，并利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型，根据待测样本落入的边界区域，判定其为正常样本或异常样本。3.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S2中将预分类后的异常信号输入到线性神经网络滤波器中，输出与输入之间的关...

【专利技术属性】
技术研发人员：王刚，蒋晗晗，赵小虎，赵志凯，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32