本发明专利技术公开了一种基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法：首先，采用短时傅里叶变换STFT将原始振动数据转换为二维时频图，充分提取健康状态信息，对得到的时频图进行灰度处理以便后续模型输入；其次，利用高斯可视单元构造了新的高斯矩阵变量卷积深度信念网络GMVCDBN模型，对转换后的时频信息自动构造健康状态指标；最后，拟合健康状态指标概率分布函数，自学习预警控制极限。将本发明专利技术应用于滚动轴承实验振动信号的分析，能够实现滚动轴承的早期故障检测，降低误报率和漏报率，具有较好的泛化性，能更有效地跟踪故障传播趋势和估计轴承的动态退化行为。跟踪故障传播趋势和估计轴承的动态退化行为。跟踪故障传播趋势和估计轴承的动态退化行为。
【技术实现步骤摘要】
基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法
[0001]本专利技术涉及一种基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法，属于机械装备的故障预测与健康管理领域。
技术介绍
[0002]预测性维护是智能制造领域潜在爆发点。设备早期故障预测作为其关键一环，成为近年来工程领域研究的热点，发展出一系列极具应用前景的故障预测方法。然而机械系统采集到的振动信号通常是复杂的、非平稳的、背景噪声大的信号，健康状态演化趋势通常是非单调或者甚至是突变的，因此有效地从振动信号里学习能表征设备健康表征指标，以提前检测、告警设备即将发生的轻微或不正常故障征兆，指导设备预测性维修，是一个很大的挑战。
[0003]与许多可用的故障诊断方法不同，关于机械零部件的早期故障预测处于起步阶段，相关研究也在迅速发展。目前，早期故障预测模型可分为物理模型和数据驱动模型。基于模型的方法需要根据设备特性，搭建精确的物理模型对设备健康状况进行预测。其局限性在于对研究对象的先验知识要求非常高、泛化能力差。而且对于安装在结构复杂、运行环境恶劣以及部件之间相互影响较大的复杂机械设备建立完备的物理失效预测模型非常困难，使得该方法的使用和推广存在很大限制。
[0004]数据驱动的预测方法通过分析设备的传感器监测数据，得到设备潜在的退化规律，从而预测设备的健康状态演化趋势。它仅仅需要收集足够的性能退化数据，并将收集到的数据转换为相关健康状态特征或性能退化模型，以对未来数据进行预测。数据驱动的预测方法对设备相关先验知识的要求比较低，能够很好地解决在设备失效机理复杂以及难以建立精确模型时的预测问题，效率高且模型泛化能力好，获得越来越多的关注和研究。数据驱动的预测方法又可分为三类：第一类是统计模型预测方法，如灰色模型(Grey Model，GM)、粒子滤波(Particle Filter，PF)和贝叶斯预测模型(Bayesian prediction model，BPM)等；第二类是浅层机器学习预测方法，如人工神经网络(Artificial Neural Network, ANN)和支持向量机(Support Vector Machine,SVM)等；第三类是深度学习预测方法，如深度置信网络(Deep Belief Networks，DBN)和循环神经网络(RecurrentNeural Network,RNN)等。
[0005]虽然前两类数据驱动模型在健康状态预测中得到了广泛的应用，但它们仍然存在以下固有不足：SVM和ANN被认为具有浅层结构，很难有效地学习到健康状态演化过程中的高度非线性关系。通常情况下，由于运行条件的变化，轴承健康状态演化是一个非线性、非平稳的时间序列，更糟的是，在轴承故障的早期阶段，健康状态演化信息往往被噪声淹没。在这种情况下，采用浅层架构进行准确的故障预测是一个很大的挑战。因此，对轴承故障预测问题中复杂的非线性关系进行深入的研究是十分必要的。
[0006]深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型，它们比浅层
学习模型更能有效、灵活地表达任何高度变化的非线性函数，能够对输入信号逐层抽象并提取特征。换句话说，深度学习方法可以摆脱对手工信号处理技术和领域专家的依赖。深度置信网络(DBN)、循环神经网络(RNN)及其变体作为流行的深度学习预测方法，逐渐被应用于机械健康状态预测中。DBN 是一种生成式神经网络，具有很强的无监督特征学习能力。
[0007]即使以往故障预测取得一定成果，但大多数关注的是预测算法的改进，而基于深度学习的故障预测最重要的前提就是从振动信号中提取能够全面表征健康状态的特征指标(health state indicator，HI)，故现有方法存在以下不足： (1)现有的健康状态评估指标多是通过从原始振动信号中手动提取的部分时频域统计特征或熵特征并进行数据融合构造的，仅依靠某个域或某些域的特征量作为轴承健康状态评估指标，不能满足对其退化信息的全面描述，而且，每个原始特征只对某个退化阶段的某个故障敏感，也较难准确地捕捉到轴承退化过程的故障信息。(2)在振动特征信号中，有一些关键特征相互独立，对轴承的某种特定故障信息比较敏感，可以很好地描述轴承的退化状态，应该充分利用。然而，还有一些冗余或者不相关的特征，它们对轴承的退化状态不够敏感，会降低故障状态趋势预测的计算效率，甚至干扰评估和预测结果。所以在进行特征信号集输入到健康状态预测模型之前，需要利用特征评估方法将敏感特征从特征集中筛选出来，剔除特征集中不相关的冗余信息，而现有的特征选择和评估在很大程度上都取决于专家的工程经验。(3)健康状态指标一般是针对特定退化过程构建的，因此不能很好地推广到其他退化过程。
[0008]卷积神经网络(Convolutional neural network，CNN)因其具有表征学习能力和位移不变特征，以及通过卷积连接的权值共享策略使得训练出来的模型的泛化能力更强等优点。CNN一般是监督训练式的判别模型。而DBN则是一种生成式神经网络，具有很强的无监督特征学习能力，但要求输入数据具有平移不变性，使用小核的离散卷积来替换矩阵乘法是解决具有空间平移不变性或时间结构的输入问题的标准方式。虽然无监督学习模式的卷积深度置信网络 (Convolutional Deep belief network，CDBN)方法在机械状态监测和故障诊断方面取得了良好的效果，然而，将以往的研究CDBN应用于轴承健康状态指标构建时仍存在一个主要问题:隐藏层节点取0或1值，由此模型得到的隐藏层输出在一定程度上损失了原始数据的信息，不能全面表征健康状态。因此，CDBN模型的改进和健康状态指标的构建已成为一项紧迫的任务。
技术实现思路
[0009]本专利技术所要解决的技术问题是：提供一种健康状态指标自动构建与预警控制限自学习的滚动轴承早期故障预测方法，克服上述现有问题之不足，能有效解决现有的滚动轴承故障预测研究中存在的较难完备捕捉到轴承退化过程的故障特征、预测模型鲁棒性不强、漏报警和误报警率较高等问题。
[0010]为解决上述技术问题，本专利技术所采用的技术方案为：基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法，包括以下步骤：
[0011]S1：时频域故障特征提取
[0012]S11：获取滚动轴承的非平稳原始振动信号中的时频域信息，即信号频率随时间序列变化的情况和各个时刻的瞬时频率及其幅值；
[0013]S12：对得到的时频图进行灰度处理以便后续模型输入，将三通道图像处理为单通
道灰度图像，调用MATLAB中的rgb2gray(RGB)函数，消除色调和饱和度信息，同时保留亮度，将RGB图像转换为灰度图；通过计算R、G和B 分量的加权和：0.2989*R+0.5870*G+0.1140*B，将RGB值转换为灰度值，图像像素处理为32*32；
[0014]S2：基于MVGCDBN的健康状态表征指标构建
[0015]采用矩阵变量高斯卷积深度置信网络MVGCDBN用于健康本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法，包括以下步骤：S1：时频域故障特征提取S11：获取滚动轴承的非平稳原始振动信号中的时频域信息，即信号频率随时间序列变化的情况和各个时刻的瞬时频率及其幅值；S12：对得到的时频图进行灰度处理以便后续模型输入，将三通道图像处理为单通道灰度图像，调用MATLAB中的rgb2gray(RGB)函数，消除色调和饱和度信息，同时保留亮度，将RGB图像转换为灰度图；通过计算R、G和B分量的加权和：0.2989*R+0.5870*G+0.1140*B，将RGB值转换为灰度值，图像像素处理为32*32；S2：基于MVGCDBN的健康状态表征指标构建采用矩阵变量高斯卷积深度置信网络MVGCDBN用于健康状态指标的构建：模型采用由一个可视层V和一个隐藏层H构成的两层结构；可视层是一个N
V
×
N
V
二进制单元矩阵，且包含K个N
W
×
N
W
(N
W
＝N
V
‑
N
H
+1)的卷积核W
k
；隐藏层是由K个N
H
×
N
H
二进制单元矩阵的特征映射面组成，标记其中第k个特征映射面H
k
的卷积核为W
k
，偏置为b
k
，所有的可视层共享偏置a；假设可视层和隐藏层每个单元分别服从方差为σ
12
和γ
12
的高斯分布，则模型的能量函数如式(1)：式中v和h分别代表所有可视层和隐藏层的状态向量；v
i,j
是矩阵v第i行第j列的元素，是第k个隐藏单元第i行第j列的元素，是第k个滤波器第r行第s列的元素；是的翻转矩阵，*表示卷积运算，
·
表示元素乘积后求和，即A
·
B＝trA
T
B；隐藏层和可视层单元条件激活概率分别为：隐藏层和可视层单元条件激活概率分别为：模型训练的目的是确定最优参数集，采用基于Gibbs采样的对比散度CD算法更新模型的参数；根据计算得到的隐藏层条件概率对隐藏层节点进行采样，对隐藏层节点按均值为方差为σ
12
的高斯分布进行采样，不再是将计算得到的概率值与0到1直接的随机数进行比较，得到0或1值，此方法得到的采样数据不再是0或1，而是在均值附近采样的实数；可视层节点的采样与隐藏层采样方法相同；输入：训练样本即可视层向量v，隐藏层中滤波器个数K，学习率、正则化常数ζ、稀疏度
系数ρ、最大迭代次数Q；输出：连接权重参数W
k
、可视层偏置a、隐藏层偏置b
k
；随机初始化：连接权重参数W
k
、可视层偏置a、隐藏层偏置b
k
为随机的较小数值；for q＝1 to Q dofor k＝1 to K doStep 1:更新权重参数Step 2:利用正则化项的梯度更新权重Step 3:重复Step 1和Step 2，直到收敛或q＝Qend forend forS3：自学习故障预警控制限S31：分布拟合(1)将“正常”阶段的HI数据做归一化处理；(2)采用最大似然估计计算“正常”阶段的HI数据的正态分布及伽马分布的形...
【专利技术属性】
技术研发人员：袁逸萍，樊盼盼，马占伟，
申请(专利权)人：新疆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。