基于并行特征学习和多分类器的滚动轴承故障诊断方法技术

本发明专利技术提出了一种基于多分类器集成和并行特征学习的滚动轴承智能故障诊断方法，旨在提高模型的分类精度，实现步骤为：获取训练样本集和测试样本集；建立多个堆栈自编码器模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的多个特征；基于softmax模型对提取的特征进行特征评价，根据相应的阈值和评价指标值筛选特征构成特征子集；根据特征子集建立基于softmax模型的多个分类器，以特征子集为输入获取每个分类器的分类精度，根据阈值重新选择多个分类器构造集成多分类器模型，通过多数投票法获得集成多分类器模型预测标签，将预测标签与滚动轴承故障类型进行映射，实现滚动轴承的智能故障诊断。

Fault Diagnosis Method of Rolling Bearing Based on Parallel Feature Learning and Multiple Classifiers

【技术实现步骤摘要】
基于并行特征学习和多分类器的滚动轴承故障诊断方法
本专利技术属于旋转机械智能故障诊断
，涉及一种滚动轴承故障诊断方法，具体涉及一种基于并行特征学习和集成多分类器的滚动轴承故障智能诊断方法，可用于滚动轴承等旋转机械的故障自动诊断。
技术介绍
旋转机械在工业设备中起着重要作用。滚动轴承是电机、风力发电机组和齿轮箱等旋转机械中最重要的部件之一，它由滚动体、外圈、内圈和保持架组成。滚动轴承通常在复杂的工况下工作，如不同的工作条件、振动、温度、载荷等，这些因素往往会导致滚动轴承性能的下降甚至故障失效。滚动轴承的性能状态直接影响着设备的运行安全，因此，自动、准确地诊断滚动轴承的故障状态非常重要。滚动轴承故障诊断主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对滚动轴承不同工况的数据进行识别，从而达到故障诊断的目的。通常，评价一种滚动轴承故障诊断方法好坏的指标有诊断精度、诊断效率、鲁棒性、客观性等。滚动轴承故障诊断方法可分分为传统故障诊断方法和智能故障诊断方法。智能诊断方法通常包含三个步骤：1)数据采集，2)特征提取和选择，3)故障分类诊断。根据特征提取和选择过程使用的方法不同，智能诊断方法可分为基于浅层特征学习的智能故障诊断方法和基于深层特征学习的智能故障诊断方法。传统故障诊断方法多利用物理模型基于信号处理技术建立故障诊断模型，如经验模态分解和小波分解。然而，在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点，对于故障类型、故障严重程度及故障方向的准确诊断需要依赖先进的信号处理技术，此外，复杂工况下的轴承性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征，通常从这些特征中选择与诊断目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作，所以传统的故障诊断方法依赖于专家经验进行特征选择，缺少客观性，难以对实际工程中复杂工况下的轴承故障状态进行自动、准确地识别。滚动轴承智能故障诊断方法是基于数据驱动，运用传感器和计算机技术发展起来的一类方法，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、卷积神经网络、深度置信网络等。其中，支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖，实现了滚动轴承性能状态特征的自适应学习，提高了故障诊断结果的客观性，但是，这种故障诊断方法是一种基于浅层特征学习的智能故障诊断方法，很难从原始数据中提取出深层特征。因此，这种方法的特征学习能力弱，故障分类诊断精度低。为了提高模型的特征学习能力，学者们提出了以堆栈式自编码器、卷积神经网络、深度置信网络等为代表的基于深层特征学习的智能故障诊断方法。其中，由于网络结构的复杂性，卷积神经网络和深度置信网络的训练过程非常复杂，堆栈式自动编码器由于其结构简单和无监督的特征提取能力，广泛地应用于模式识别、故障诊断等领域的特征提取过程中。此外，在利用智能诊断模型进行故障分类诊断时，softmax分类器通常被用作智能诊断模型的最后一层以获得模型的输出，实现对堆栈式自动编码器提取到的特征到标签的映射。例如，邵海东等人于2018年在MechanicalSystemsandSignalProcessing的102卷上发表的“Anovelmethodforintelligentfaultdiagnosisofrollingbearingsusingensembledeepauto-encoders”的文章中，提出了一种集成深度自编码器模型的滚动轴承智能故障诊断方法，该方法首先采集滚动轴承的振动数据，并划分训练集和测试集，其次，基于不同的激活函数建立集成深度自编码器模型并利用训练集数据对模型进行预训练，在此基础上利用故障标签对网络进行微调，最后，利用一个softmax分类器输出测试样本的预测标签，实现根据现场实时采集的滚动轴承振动时域信号对滚动轴承的故障状态进行诊断，为旋转机械设备的安全运行和维保提供参考。然而，该方法虽然在特征提取和选择阶段通过集成深度自编码器模型能够提取到深层特征，但未对提取到的深层特征进行有效评价，不能筛选出与诊断目标相关性强、更具代表性的深层特征，影响了模型的分类诊断精度；另外，该方法在故障分类诊断阶段仅利用一个softmax分类器进行诊断，鲁棒性差，在随机干扰下导致模型的诊断准确度低。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提供了一种基于并行特征学习和集成多分类器的滚动轴承智能故障诊断方法，旨在提高滚动轴承的故障诊断精度。本专利技术的技术思路是，首先采集滚动轴承振动加速度时域信号，获取训练样本集和测试样本集；其次，基于不同的激活函数建立多个堆栈式自编码器模型，以训练样本集作为堆栈式自编码器模型的输入，对每个堆栈式自编码器模型进行训练，并行提取训练样本集的多个特征；然后，基于Softmax模型对并行提取的每个特征进行特征评价，根据相应的阈值和每个特征的性能评价指标值将筛选出的特征作为特征子集，再根据特征子集建立基于Softmax模型的多个分类器，以特征子集为输入，获取每个分类器的分类精度，根据分类器精度阈值，重新选择多个分类器构造集成多分类器模型，通过多数投票法获得集成多分类器模型的输出标签，从而建立滚动轴承故障诊断模型；最后将测试样本集输入滚动轴承故障诊断模型中，得到测试样本的预测标签，将预测标签映射回滚动轴承的故障类型，实现对滚动轴承的故障诊断。为了实现上述目的，本专利技术采用的技术方案包括如下步骤：(1)获取训练样本集和测试样本集：(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本包含一种表示故障类别的标签，标签的类别总数为Q，所有训练样本构成训练样本集X1，其中，I≥2000，且I＞＞Q，xi表示第i个训练样本，y(i)表示xi的标签；(1b)将通过数据采集系统实时采集的待诊断滚动轴承的J个振动时域信号数据作为测试样本，所有测试样本构成测试样本集X2，J≥I/2,xj表示第j个测试样本；(2)构建N个堆栈式自编码器模型：基于不同激活函数差异性地构建N个各包含K个自编码器的堆栈式自编码器模型，第n个堆栈式自编码器模型中第k个自编码器记为的隐藏层为该N个堆栈式自编码器模型的最后一个隐藏层的节点数均为h，输出层的节点数均为o，其中，n＝1,2,…,N，k＝1,2,…,K，N≥2，K≥2；(3)对N个堆栈式自编码器模型进行并行训练：(3a)令n＝1，k＝1；(3b)将训练样本集X1作为第n个堆栈式自编码器模型中第k个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3c)将训练后的自编码器的隐含层作为第n个堆栈式自编码器模型中第k+1个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3d)判断k＝K是否成立，若是，得到训练后的第n个堆栈式自编码器模型，否则，令k＝k+1，并执行步骤(3c)～(3d)；(3e)判断n＝N是否成立，若是，得到N个并行训练后的堆栈式自编码器模型，否则，令n＝n+1，并执行步骤(3b)～(3d)；(4)获取多个性能状态特征：将第n个并行训练后的堆栈式自编码器模型中的h个节点输出值作为从训练样本集中提取到的第n组性能状态特征，所有堆栈式自编码器提取到的性能本文档来自技高网...

【技术保护点】
1.一种基于并行特征学习和集成多分类器的滚动轴承智能故障诊断方法，其特征在于包括如下步骤：(1)获取训练样本集和测试样本集：(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本包含一种表示故障类别的标签，标签的类别总数为Q，所有训练样本构成训练样本集X1，

【技术特征摘要】
1.一种基于并行特征学习和集成多分类器的滚动轴承智能故障诊断方法，其特征在于包括如下步骤：(1)获取训练样本集和测试样本集：(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本包含一种表示故障类别的标签，标签的类别总数为Q，所有训练样本构成训练样本集X1，其中，I≥2000，且I＞＞Q，xi表示第i个训练样本，y(i)表示xi的标签；(1b)将通过数据采集系统实时采集的待诊断滚动轴承的J个振动时域信号数据作为测试样本，所有测试样本构成测试样本集X2，J≥I/2,xj表示第j个测试样本；(2)构建N个堆栈式自编码器模型：基于不同激活函数差异性地构建N个各包含K个自编码器的堆栈式自编码器模型，第n个堆栈式自编码器模型中第k个自编码器记为的隐藏层为该N个堆栈式自编码器模型的最后一个隐藏层的节点数均为h，输出层的节点数均为o，其中，n＝1,2,…,N，k＝1,2,…,K，N≥2，K≥2；(3)对N个堆栈式自编码器模型进行并行训练：(3a)令n＝1，k＝1；(3b)将训练样本集X1作为第n个堆栈式自编码器模型中第k个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3c)将训练后的自编码器的隐含层作为第n个堆栈式自编码器模型中第k+1个自编码器的输入，对进行训练，得到训练后的隐含层为的自编码器(3d)判断k＝K是否成立，若是，得到训练后的第n个堆栈式自编码器模型，否则，令k＝k+1，并执行步骤(3c)～(3d)；(3e)判断n＝N是否成立，若是，得到N个并行训练后的堆栈式自编码器模型，否则，令n＝n+1，并执行步骤(3b)～(3d)；(4)获取多个性能状态特征：将第n个并行训练后的堆栈式自编码器模型中的h个节点输出值作为从训练样本集中提取到的第n组性能状态特征，所有堆栈式自编码器提取到的性能状态特征共为M个，其中，M＝N×h，第m个性能状态特征为Fm，m＝1,2,…,M；(5)对每个性能状态特征Fm进行特征评价：通过最小化误差函数对softmax分类模型进行训练，得到训练后的softmax分类模型，并将每个性能状态特征Fm输入到训练后的softmax分类模型，得到M个性能评价指标值I1,I2,…,Im,…,IM；(6)建立基于softmax分类器的集成多分类器模型：(6a)设置Q个阈值T1,T2,…,Tq,…,TQ，并将M个性能评价指标值逐一与第q个阈值Tq进行比较，筛选出性能评价指标值大于...

【专利技术属性】
技术研发人员：王奇斌，赵博，程广凯，孔宪光，马洪波，常建涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61