基于CNN和Adaboost的轴承故障分类方法技术

本发明专利技术公开了一种基于CNN和Adaboost的轴承故障分类方法，先采集轴承信号，再对轴承信号预处理，提取出时域信号和时频域信号；然后分别基于时域信号和时频域信号构建时域弱分类模和时频域弱分类模，再将时域弱分类模和时频域弱分类模进行集成，并用集成后的分类模型预测出待检测无人机轴承信号的隶属概率值，从而实现无人机轴承故障分类。

Bearing Fault Classification Method Based on CNN and Addaboost

【技术实现步骤摘要】
基于CNN和Adaboost的轴承故障分类方法
本专利技术属于无人机系统的故障诊断
，更为具体地讲，涉及一种基基于CNN和Adaboost集成学习的无人机轴承故障分类方法。
技术介绍
无人机技术日新月异，各式各样的无人机在军事领域发挥着巨大的作用。而航空发动机的轴承故障是引起无人机故障的主要因素，能够直接影响发动机的可靠性和健康状况。因此，无人机的轴承故障诊断是一个重要的研究课题。无人机轴承的故障形式多样，如何高精度的识别轴承故障类型对无人机系统的稳定性和可靠性有重要意义。除此之外，无人机飞行的空间姿态常导致的轴承受力环境多样，因此对诊断系统的泛化能力有较高要求。研究高精度和强泛化能力的故障诊断系统对无人机维护具有着重要意义。故障诊断系统常需要对初始轴承故障信号预处理，信号的预处理是后续故障数据分析的基础，因此合适的故障信号预处理的研究具有重要意义。而目前存在的信息预处理方法如下：经验分解EMD、LMD、小波分析、变分模态分析等。其中EMD和LMD是递归筛选模式，这种递归筛选的方法对去噪的鲁棒性能一般，且不易于信号的收敛控制。小波分析去噪参数过多，去噪性能易受参数影响；变分模态分解VMD是一种信号分解并加权融合重构的方法，对于非稳性和信噪比低的信号去噪效果较为明显，因此本专利技术最终选择VMD作为信号预处理算法。对于轴承的故障诊断模型，传统方法大多使用时域特征或者时频域特征，结合传统的机器学习算法，如支持向量机，贝叶斯分类算法，但是这些方法仅适用于小规模数据集，模型的学习能力有限且对样本敏感，容易过拟合。而无人机的机械设备监测数据通常是大规模海量数据，因此研究者逐步引入深度学习来进行故障诊断，如ANN、RNN和CNN。轴承振动信号通常表现出一定的结构性、周期性，大规模性，而ANN，RNN模型不具备尺度不变性，存在无法权重共享导致轴承故障识别精度不高的问题，相较之下，CNN则具有尺度不变性、较强的特征学习能力以及超强的海量数据处理能力，是轴承故障诊断较为理想的模型。目前能表征故障的特征形式有很多，如幅度，相位，频率，时域信号，时频信号等等，由于时域特征包含信号中大量故障信息，时频特征则能通过时间频率关系较好的区分不同故障类型，因此主要使用时域特征和时频特征进行故障时别。研究者通常将一维的振动时域信号输入CNN模型进行故障诊断，这种输入形式由于没有考虑信号故障内部的关联性而导致模型训练效率和故障诊断精度较低。针对此问题，本专利技术提出基于某个排列基数对信号进行结构化转换，形成网格输入形式，但是存在的问题是模型的精度易受基数影响。本文考虑不同故障类型在振动信号中表现出不同周期性，以故障周期作为上述排列基数对信号进行时间序列转换，得到时间序列矩阵更能表征各类故障的内部信息，同时也能提高CNN模型的训练速度。另一方面，时频特征的使用上，传统方法采用离线傅里叶变换提取时频特征，存在时间、频率定位不准的问题，本文选择连续小波变换的方法，通过可调节的时频窗口得到时频图像，使得时间、频率定位准确，能够较好的区分不同类型的轴承故障。考虑到目前的CNN故障诊断模型大多使用单一的时域特征或者时频特征，而时域特征和时频特征存在优势互补的现象，时域特征的优势在于，计算复杂度小，有利于算法的实时性，缺点是鲁棒性较差，时频特征可以表征信号不同时刻位置的变化频率信息，十分适用于非平稳信号的分析，鲁棒性较好，但是计算复杂度较大，因此如何有效的实现优势互补具有重要意义。近年来，在特征融合和模型优化的处理上，Boosting集成学习的应用是一大研究热点，它基于特征样本串行训练，具有构造灵活，不易过拟合，精度提升高的优势。Boosting族算法中最有代表性的是Adaboost，目前，在无人机的故障诊断方面，将深度学习和Adaboost集成学习结合的诊断方法尚无公开的相关文献资料，因此，这种高精度和强泛化能力的故障诊断算法的研究具有重要意义。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于CNN和Adaboost的轴承故障分类方法，将时域信号和时频域信号分别作为CNN的训练数据，再基于Adaboost调整分类模型参数和输入权重，进而集成分类模型，实现无人机轴承故障分类。为实现上述专利技术目的，本专利技术一种基于CNN和Adaboost的轴承故障分类方法，其特征在于，包括以下步骤：(1)、获取信号数据集获取无人机内所有轴承信号，构成信号数据集F＝{f(i)|i∈[1,m]}，f(i)表示第i个轴承产生的信号，m为无人机内轴承总个数；其中，f(i)为第i个轴承产生的正常信号或内环故障信号或滚珠故障信号或外环故障信号；(2)、信号预处理(2.1)、采用变分模态分解将f(i)分成n个分解信号其中，分解后的第k个分解信号为：其中，σ为常数，α为二次惩罚因子，ω(i)为f(i)的中心频率，为第k个分解信号的中心频率；中心频率的计算公式为：(2.2)、将n个分解信号进行滤波处理后再叠加，形成信号U(i)，(2.3)、基于小波变换分解信号U(i)，形成时频域信号F(i)，；(2.4)、以周期为断点，将一维时域信号U(i)重构为二维时域数据，得到时域信号S(i)；(2.5)、利用自助采样法分别对时频域信号F(i)和时域信号S(i)进行采样，分别得到λ组时频域特征数据集和时域特征数据集；(3)、利用λ组时域特征数据集构建时域弱分类模(3.1)、利用时域信号S(i)搭建CNN网络模型；(3.2)、初始化网络权重值为将第一组时域特征数据训练CNN网络模型，得到第一个时域弱分类模型，记为(3.3)、计算的分类错误率(3.4)、根据分类错误率得到第一个时域弱分类模型的系数(3.5)、根据弱分类模型系数更新时域特征数据集的权重分布；若第一组时域特征数据被正确分类，则该组数据的权重更新为：若第一组时域特征数据未被正确分类，则该组数据的权重保持不变；(3.6)、基于步骤(3.5)得到的权重值，再返回步骤(3.2)，利用第二组时域特征数据训练CNN网络模型，得到第二个时域弱分类模型然后依次类推，得到λ组弱分类模型以及对应的弱分类模型系数，其中，时域弱分类模型记为：时域弱分类模型系数记为：(4)、利用λ组时频域特征数据构建时频域弱分类模(4.1)、利用时频域信号F(i)搭建CNN网络模型；(4.2)、初始化网络权重值为将第一组时域特征数据训练CNN网络模型，得到第一个时域弱分类模型，记为(4.3)、计算的分类错误率(4.4)、根据分类错误率得到第一个时域弱分类模型的系数(4.5)、根据弱分类模型系数更新时域特征数据集的权重分布；若第一组时域特征数据被正确分类，则该组数据的权重更新为：若第一组时域特征数据未被正确分类，则该组数据的权重保持不变；(4.6)、基于步骤(4.5)得到的权重值，再返回步骤(4.2)，利用第二组时域特征数据训练CNN网络模型，得到第二个时域弱分类模型然后依次类推，得到λ组弱分类模型以及对应的弱分类模型系数，其中，时域弱分类模型记为：时域弱分类模型系数记为：(5)、弱分类模型集成基于Adaboost技术，利用弱分类模型系数将2λ个弱分类模型进行融合，形成一个集成分类模型Adaboost+CNN；(6)、利用集成分类模型对无人机轴承故障分类将待检测的无本文档来自技高网...

【技术保护点】
1.一种基于CNN‑Stacking的无人机轴承故障诊断方法，其特征在于，包括以下步骤：(1)、获取信号数据集(1.1)、获取无人机内所有轴承的信号，构成不平衡数据集F＝{f

【技术特征摘要】
1.一种基于CNN-Stacking的无人机轴承故障诊断方法，其特征在于，包括以下步骤：(1)、获取信号数据集(1.1)、获取无人机内所有轴承的信号，构成不平衡数据集F＝{f(i)|i∈[1,m]}，f(i)表示第i个轴承产生的信号，m为无人机内轴承总个数；其中，f(i)为第i个轴承产生的正常信号或内环故障信号或滚珠故障信号或外环故障信号；(1.2)、采用大数据采样方式对不平衡数据集进行采样，设采样次数为λ次，从而生成λ组平衡数据集；(2)、信号预处理(2.1)、采用变分模态分解将f(i)分成n个分解信号其中，分解后的第k个分解信号为：其中，x∈[1,n]，σ为常数，α为二次惩罚因子，ω(i)为f(i)的中心频率，为第k个分解信号的中心频率；中心频率的计算公式为：(2.2)、将n个分解信号进行滤波处理后再叠加，形成信号U(i)，(2.3)、基于小波变换分解信号U(i)，形成时频域信号F(i)；(2.4)、以周期为断点，将一维时域信号U(i)重构为二维时域数据，得到时域信号S(i)；(3)、利用λ组平衡数据构建时域弱分类模(3.1)、利用时域信号S(i)搭建CNN网络模型；(3.2)、分别用每一组平衡数据训练CNN网络模型，得到对应对应的时域弱分类模型，记为(4)、利用λ组平衡数据构建时频域弱分类模(4.1)、利用时频域信号F(i)搭建CNN网络模型；(4.2)、分别用每一组平衡数据训练CNN网络模型，得到对应的时域弱分类模型，记为(5)、CNN-Stacking网络模型的集成基于Stacking技术，在2λ个弱分类模型中，以一组时域数据和一组时频域数据为一组进行级联融合，形成CNN-Stacking网络模型。(6)、无人机轴承故障诊断将待检测的无人机轴承信号分别输入至级联后的时域弱分类模型和时频域弱分类模型，每个弱分类模型输出代表正常轴承、内环故障、外环故障和滚珠故障的一组带有正确标签的四维向量；再将2λ组带有正确标签的四维向量输入至softmax函数，通过softmax函数对2λ组四维向量进行非线性融合输出，最终得到一组代表正常轴承、内环故障、外环故障和滚珠故障的四维向量概率值，然后取四维向...

【专利技术属性】
技术研发人员：殷春，程玉华，彭威，陈凯，黄雪刚，马浩鹏，周静，杨晓，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51