一种基于连续深度置信网络的滚动轴承故障预测方法技术

本发明专利技术提出一种基于连续深度置信网络的滚动轴承故障预测方法，该方法首先提取滚动轴承振动信号的时域特征量，然后利用局部线性嵌入方法融合所提取的时域特征信息，从而定义一个新的综合监测指标用于更好地定量地评估轴承的性能退化；逐层训练连续受限玻尔兹曼机进而构造连续深度置信网络预测模型；采用遗传算法来优化连续深度置信网络的结构，进一步提升预测精度。该预测方法结果可靠，实时性好，简单易行，适用于滚动轴承故障预测。

【技术实现步骤摘要】

本专利技术属机械设备健康监测领域，具体为一种基于连续深度置信网络的滚动轴承故障预测方法。
技术介绍
滚动轴承是旋转机械中应用最为广泛的机械零件，也是最易损坏的元件之一。滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，滚动轴承也会出现疲劳剥落和磨损而不能正常工作。因此滚动轴承故障预测非常重要，它不仅能够保证设备安全运行、预防重大事故、提高经济效益，还可以为制定合理有效的检修计划提供可靠的依据，是预测与健康管理领域的一个重要研究方向。目前，滚动轴承故障预测的常用方法主要有三类：基于模型的预测方法、基于知识的预测方法、基于数据驱动的预测方法。然而，由于实际机械设备所处环境复杂，载荷形态多样，设备服役的动力学规律很难获得，因而建立准确的数学模型来描述机械重大装备部件和整机的故障演化规律存在较大的困难，因此基于模型的预测方法的实际应用范围和效果十分受限。知识库的不完备导致基于知识的预测方法自适应学习能力明显不足，因此其更适合于定性推理而非定量计算。基于数据驱动的预测方法以采集的数据为基础，不需要或只需要少量的对象系统的先验知识，通过各种数据分析方法挖掘其中隐含信息进行评估，是目前应用比较广泛的预测方法。其典型代表是：神经网络和支持向量机。神经网络和支持向量机等虽然已在故障预测领域得到了一定的应用，但是这些方法仍存在一些明显不足之处。神经网络容易陷入局部极小值，且其收敛速度过慢；支持向量机更适用于小样本的学习而不适合大规模样本的学习，且其核函数及参数的选择缺乏相应的理论。更重要的在于，这些传统模型本质上都是浅层机器学习模型，通常包含不超过一层的非线性特征变换，当给定有限数量的样本和计算单元时，浅层结构模型难以有效地表示复杂非线性函数。而轴承故障的演化规律是一个变化异常复杂的非线性、非平稳时间序列，故用神经网络等传统的浅层预测方法难以在信息贫乏和不确定性条件下对如此复杂的时间序列做出准确有效的预测。特别是当处理有噪声数据时，浅层预测模型容易把噪声数据记录下来而发生过拟合。这些都揭示了浅层网络的局限性，也激发了人们探寻深度网络在非线性非平稳振动信号表达中的应用前景。深度学习理论是在传统人工神经网络的基础上提出的，它的实质是通过构建具有多隐层的机器学习模型和逐层特征变换，来学习众多复杂数据中更有用特征，发现其内在演变的规律和模式，从而最终提升预测的准确性。深度置信网络是一个主流的深度学习模型，它通过学习一种深层非线性网络结构，以发现输入数据的分布式特征表示，除此之外，它还具备了从少数样本集中学习本质特征的强大能力，这些优良性能是传统的浅层模型远远无法比拟的。连续深度置信网络模型是对传统深度置信网络的改进和提升，它能更好地建模滚动轴承振动数据，优化连续深度置信网络模型的结构能进一步提升预测精度，有效完成滚动轴承的故障预测。
技术实现思路
为解决现有技术存在的问题，本专利技术提出一种基于连续深度置信网络的滚动轴承故障预测方法：首先提取滚动轴承振动信号的时域特征量，然后利用局部线性嵌入方法融合所提取的时域特征信息，得到一个新的综合监测指标用于更好地定量地评估轴承的性能退化；将滚动轴承正常工作阶段的综合监测指标值作为训练样本，逐层训练连续受限玻尔兹曼机进而构造连续深度置信网络预测模型，采用遗传算法来优化连续深度置信网络的结构，进一步提升预测精度。该方法预测精度高，简单可靠，适用于滚动轴承故障预测。本专利技术的技术方案为：所述一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：包括以下步骤：步骤1：提取滚动轴承振动信号的多个时域统计特征量，并采用提取的时域统计特征量构造一个多维非线性特征向量；利用局部线性嵌入方法对多维非线性特征向量进行融合，得到映射矩阵，取映射矩阵特征值中，按从小到大排序的第2个特征值对应的特征向量作为综合监测指标；步骤2：采集滚动轴承正常工作阶段的综合监测指标值作为训练样本，逐层训练连续受限玻尔兹曼机，进而构造连续深度置信网络模型；步骤3：采用连续深度置信网络模型预测滚动轴承未来的工作状态。进一步的优选方案，所述一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：步骤1的具体过程为：步骤1.1：采集滚动轴承振动加速度信号，提取振动加速度信号的6个时域统计特征量，分别为均方根值、峰峰值、峭度、脉冲指标、裕度指标和波形指标，组成一个6维特征向量；每个6维特征向量为一个样本点；步骤1.2：计算每一个样本点xi的近邻点，xi∈RD，D＝6，i＝1,2,…，N，N为样本点个数：将相对于样本点xi欧式距离最近的K个样本点定义为样本点xi的K个近邻点；步骤1.3：根据每个样本点的近邻点计算出局部重建权值矩阵W，使样本点的重建误差最小：定义成本函数ε(W)为： m i n ϵ ( W ) = Σ i = 1 N | x i - Σ j = 1 K w i j x j | 2 ]]>式中wij，为第j个近邻点xj到第i个样本点xi之间的权重，且满足步骤1.4：根据得到的局部重建权值矩阵W，计算6维特征向量的低维表示Y，得到将所有6维原始空间上的观测样本点映射到内部全局坐标的低维向量yi，yi∈Rd，d为本征维度；映射条件满足如下关系： min 本文档来自技高网...

【技术保护点】
一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：包括以下步骤：步骤1：提取滚动轴承振动信号的多个时域统计特征量，并采用提取的时域统计特征量构造一个多维非线性特征向量；利用局部线性嵌入方法对多维非线性特征向量进行融合，得到映射矩阵，取映射矩阵特征值中，按从小到大排序的第2个特征值对应的特征向量作为综合监测指标；步骤2：采集滚动轴承正常工作阶段的综合监测指标值作为训练样本，逐层训练连续受限玻尔兹曼机，进而构造连续深度置信网络模型；步骤3：采用连续深度置信网络模型预测滚动轴承未来的工作状态。

【技术特征摘要】
1.一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：包括以下步骤：步骤1：提取滚动轴承振动信号的多个时域统计特征量，并采用提取的时域统计特征量构造一个多维非线性特征向量；利用局部线性嵌入方法对多维非线性特征向量进行融合，得到映射矩阵，取映射矩阵特征值中，按从小到大排序的第2个特征值对应的特征向量作为综合监测指标；步骤2：采集滚动轴承正常工作阶段的综合监测指标值作为训练样本，逐层训练连续受限玻尔兹曼机，进而构造连续深度置信网络模型；步骤3：采用连续深度置信网络模型预测滚动轴承未来的工作状态。2.根据权利要求1所述一种基于连续深度置信网络的滚动轴承故障预测方法，其特征在于：步骤1的具体过程为：步骤1.1：采集滚动轴承振动加速度信号，提取振动加速度信号的6个时域统计特征量，分别为均方根值、峰峰值、峭度、脉冲指标、裕度指标和波形指标，组成一个6维特征向量；每个6维特征向量为一个样本点；步骤1.2：计算每一个样本点xi的近邻点，xi∈RD，D＝6，i＝1,2,…,N，N为样本点个数：将相对于样本点xi欧式距离最近的K个样本点定义为样本点xi的K个近邻点；步骤1.3：根据每个样本点的近邻点计算出局部重建权值矩阵W，使样本点的重建误差最小：定义成本函数ε(W)为： m i n ϵ ( W ) = Σ i = 1 N | x i - Σ j = 1 K w i j x j | 2 ]]>式中wij，为第j个近邻点xj到第i个样本点xi之间的权重，且满足步骤1.4：根据得到的局部重建权值矩阵W，计算6维特征向量的低维表示Y，得到将所有6维原始空间上的观测样本点映射到内部全局坐标的低维向量yi，yi∈Rd，d为本征维度；映射条件满足如下关系： min ϵ ( Y ) = Σ i = 1 N | y i - Σ j = 1 K w i j y j | 2 = t r ( Y T M Y ) ]]>且满足条件 Σ i = 1 N y i = 0 1 N Σ i =...

【专利技术属性】
技术研发人员：姜洪开，邵海东，张雪莉，王福安，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61