一种无监督特征学习的滚动轴承故障诊断方法技术

本发明专利技术公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM‑AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明专利技术所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。

【技术实现步骤摘要】
一种无监督特征学习的滚动轴承故障诊断方法
本专利技术涉及设备维护
，尤其涉及一种无监督特征学习的滚动轴承故障诊断方法。
技术介绍
旋转机械是工业上应用最广泛的机械，如风机、发电机、压缩机等旋转机械设备是石油、电力等现代企业中的生产工具。由于运行工况多变、工作环境复杂，故障发生几率逐渐增大，因此为其提供精准、有效的诊断具有非常重要的意义。故障诊断技术是以预报和诊断设备故障为目的较为完善的综合性技术，对旋转机械的故障预警和故障识别起到至关重要的作用。振动信号作为机械设备状态信息的重要载体，由于各种故障引起的振动信号各不相同，如何从大量复杂的振动信号中提取有价值的特征信息来评价设备的健康状况一直是研究的重点。智能故障诊断能够快速、高效地从传感器采集得到的监测数据中自动提取隐含的故障特征，提供准确的故障诊断结果，是确保机械设备安全运行的重要手段。深度学习作为一种发展迅速的机器学习方法，凭借多个隐含层可以学习到数据中深层次的隐含特征，相比于传统的机器学习方法能够摆脱专业技术人员手动特征设计过程，通过进行复杂映射关系的拟合，自适应地从原始数据中学到抽象代表性的特征，在故障诊断领域得到了广泛的研究。卷积神经网络作为一种常用的深度学习模型，通过卷积池化结构进行特征提取，利用反向传播算法对网络参数进行调整从而实现分类或预测的功能。卷积神经网络往往需要大规模的标签数据集对其参数进行训练学习，而在机械故障诊断中的标签数据往往是有限的，直接应用有监督卷积神经网络可能难以在故障诊断中获得稳定性能，同时复杂的参数寻优过程也增加了网络训练时间。
技术实现思路
本专利技术的目的在于提供一种能够自适应地从原始振动数据中进行无监督特征学习，在保证较高精度的同时能够有效缩短模型训练时间，提高算法运行效率的一种无监督特征学习的滚动轴承故障诊断方法。本专利技术采用的技术方案如下：本专利技术所提出的一种无监督特征学习的滚动轴承故障诊断方法，包括以下步骤：S1、采集滚动轴承在不同健康状态下的振动信号；S2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；S3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；S4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；S5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类。进一步的，所述步骤S2具体包括：用长度为M的滑动窗对所述原始振动信号进行非重叠截取，从中选取若干组数据分别作为权值训练样本集Xptr、模型训练样本集Xtr以及测试样本集Xte，其中权值训练样本集Xptr用于对ELM-AE进行权值矩阵的训练和学习；模型训练样本集Xtr以及测试样本集Xte分别用于对支持向量机模型进行训练和测试；为增加数据间的可比性，对样本集Xptr、Xtr和Xte中的数据进行Z-score标准化处理，公式如下其中，xi表示样本集中第i个样本值，表示标准化后的样本值，μ和δ分别表示样本xi的均值和标准差。进一步的，所述步骤S3具体包括：建立单隐含层前馈ELM-AE网络模型，对所述权值训练样本集Xptr进行无监督学习，模型输出数学表达式如下其中，L表示隐含层的神经元数量，g(·)表示Sigmoid激励函数，βk表示隐含层第k个神经元与输出层的输出权值向量，wk和bk分别表示输入层与隐含层第k个神经元之间的权值向量与偏置；通过ELM-AE网络模型的无监督学习获得隐含层和输出层间的权值矩阵其中βk的长度与样本集Xptr中的样本长度相同。进一步的，所述步骤S4具体包括：对得到的所述权值矩阵β进行叠加处理，得到卷积层滤波器的卷积核ω，公式如下ω＝β1+β2+…+βL构建卷积池化网络结构，对模型训练样本集合测试样本集进行特征提取，卷积滤波的数学公式如下c＝f(x*ω+b)其中，*表示卷积运算；b表示偏置；ω表示卷积核；x为输入样本；f(g)表示Sigmoid激励函数，c表示卷积层输出特征；将ELM-AE所学到的权值矩阵整合成了1个滤波器权值，故卷积层滤波器个数为1个，且不再需要利用反向传播算法对滤波器权值进行调整，有效提升了模型学习效率。将卷积滤波得到的输出特征进行池化处理，采用最大值池化，公式如下其中，c(i)表示输出特征中第i个数据点的值，p代表池化长度，缺省为5；o(j)代表池化层的输出值，j＝1,2…,M，M为c中特征个数与p的比值。通过利用卷积池化结构对模型训练样本集和测试样本集进行特征提取，分别得到的特征向量集为Ftrain和Ftest。本专利技术与现有技术相比具有以下有益效果：本专利技术所提出的滚动轴承故障诊断方法通过利用自编码极限学习机对采集到的振动信号进行无监督学习，得到权值向量；然后，将叠加处理后的权值向量作为卷积核，利用卷积池化结构对原始数据进行特征提取；最后，将所学习到的特征输入到支持向量机进行滚动轴承健康状态分类与识别。本专利技术所提方法能够在保证较高诊断精度的同时，有效缩短模型训练时间，提高算法运行效率。附图说明图1是本专利技术所提出的一种无监督特征学习的滚动轴承故障诊断方法的流程示意图；图2是本专利技术中“t-SNE”方法的特征可视化结果图；图3是本专利技术中诊断结果分类的混淆矩阵图。具体实施方式为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。本专利技术所提出的一种无监督特征学习的滚动轴承故障诊断方法，如图1所示，所述诊断方法具体包括如下步骤：步骤S1，首先利用振动加速度传感器采集滚动轴承在不同健康状态下的振动数据，本实施例中，所述采样频率设置为12kHz；所述滚动轴承的健康状态包含正常状态、滚动体故障、内圈故障和外圈故障等，三种故障的尺寸分别为0.18mm、0.36mm和0.53mm，共10种状态。步骤S2，通过长度为1000数据点的滑动窗对步骤S1中采集到的滚动轴承振动数据进行截取，从中选取出800组数据作为权值训练的样本集，选取1500组数据作为模型训练样本，选取500组数据作为模型测试样本集；并对样本集中的数据进行Z-score标准化处理：其中，xi表示所采集振动信号的第i的样本值，表示标准化后的振动信号的第i个样本值，μ，δ表示样本的均值和标准差。步骤S3，利用ELM-AE对权值训练样本集进行无监督学习，本实施例中，所述ELM-AE网络的输入层长度为1000数据点，隐含层单元数L＝80；一个具有L个隐含层的ELM-AE的输出数学表达式如下：本文档来自技高网...

【技术保护点】
1.一种无监督特征学习的滚动轴承故障诊断方法，其特征在于：所述方法包括以下步骤：/nS1、采集滚动轴承在不同健康状态下的振动信号；/nS2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；/nS3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；/nS4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；/nS5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类。/n

【技术特征摘要】
1.一种无监督特征学习的滚动轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
S1、采集滚动轴承在不同健康状态下的振动信号；
S2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；
S3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；
S4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；
S5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类。


2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于：所述步骤S2具体包括：用长度为M的滑动窗对所述原始振动信号进行非重叠截取，从中选取若干组数据分别作为权值训练样本集Xptr、模型训练样本集Xtr以及测试样本集Xte，其中权值训练样本集Xptr用于对ELM-AE进行权值矩阵的训练和学习；模型训练样本集Xtr以及测试样本集Xte分别用于对支持向量机模型进行训练和测试；为增加数据间的可比性，对样本集Xptr、Xtr和Xte中的数据进行Z-score标准化处理，公式如下



其中，xi表示样本集中第i个样本值，表示标准化后的样本值，μ和δ分别表示样本xi的均值和标准差。


3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于：所述步骤S3具体包括：建立单隐含层前馈E...

【专利技术属性】
技术研发人员：李继猛，吴浩，姚希峰，黎芷昕，张金凤，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13