基于改进深度森林算法的轴承故障检测方法技术

本发明专利技术公开了一种基于改进深度森林模型的轴承故障检测方法，使用滚动轴承故障信号作为特征，将信号转换到频域，在卷积神经网络算法与随机森林模型的基础上，使用集成学习框架改进深度森林算法作为分类器进行识别，利用卷积神经网络代替深度森林的多粒度扫描结构对数据模型做特征提取，并采用级联catboost代替了级联森林。从增加集成学习器的多样性入手，在信噪比逐渐降低时，改进后的深度森林框架对噪声的敏感程度要更低，该方法能够替代原深度森林中多粒度扫描内存消耗较大的问题，针对单一模型预测精度不高及原结构运算效率较低的问题。从而减少轴承故障诊断中大量的信号处理工作，克服超参数过多和计算设施限时等深度学习的不足。习的不足。习的不足。

【技术实现步骤摘要】
基于改进深度森林算法的轴承故障检测方法


[0001]本专利技术属于故障检测
，特别涉及一种基于改进深度森林模型的轴承故障检测研究方法。

技术介绍

[0002]滚动轴承作为机械设备中关键的元器件之一，广泛应用于制造业和生产生活中，其健康状态直接影响到整台设备的运行性能，轴承故障是机械发生事故的主要原因之一，现实情况下机械轴承经常受环境应力、制造缺陷和自然老化等原因长时间受到磨损和侵蚀，最终导致灾难性的机械轴承故障。因此，为了避免发生灾难性轴承故障的可能，行业会对开始退化的轴承部件进行早期故障检测和诊断。状态监测系统通过在时域中获得的信号在整个使用寿命中对机械轴承各个组成部分进行连续评估。
[0003]随着大数据时代的到来，计算机的运行速度和人工智能算法不断更新与完善，各方面因素促使人们尝试运用深度学习的相关知识，近年来，深度学习理论引发了不同领域的研究浪潮，鉴于其强大的数据学习和分析能力，深度学习方法对机械轴承诊断的研究理论不断探索与创新，使得轴承故障诊断结果比传统的诊断方法相比更加精准。深度学习模型具有自主学习轴承振动信号特征的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度森林算法的轴承故障检测方法，其特征在于：包括以下步骤：步骤a，首先对采集到的原始信号采用卡尔曼滤波处理；步骤b.利用时域信号的统计度量，对滚动轴承的振动信号进行预处理，得到信号的频域特性；步骤c，利用卷积神经网络提取深层迭代特征：步骤d，构建级联catboost预测模型：将提取的深层迭代特征作为cascatboost的输入，先构建第一个级联层，该级联层中含有四个catboost，级联层的四个catboost分别得到一个决定系数R2作为预测结果；再构建第二个级联层，该级联层中继续使用四个catboost作为弱学习器，将第一层的输出结果和原始输入作为其输入，这些弱学习器再次分别得到一个决定系数R2；当确定系数的差值不再提升时，级联停止扩展，否则继续扩展，将最后一个级联层输出的四个预测结果的均值作为最终预测结果；步骤e，将测试集输入模型检测是否故障，利用cascatboost预测模型得到滚动轴承当前使用信号时频图、滚动轴承当前真实使用下信号时频图以及二者之间的拟合度作为故障诊断指标；步骤f.滚动轴承故障检测：首先对测试集内的滚动轴承原始信号提取dIf；然后将其输入到训练好的cascatboost预测模型中，获取性能增益指标；利用一次函数平滑曲线对其进行拟合，得到未来各点的故障检测百分比p值趋势，当达到阈值p＝1时，认定达到全值；通过卷积神经网络对时序信号的特征图进行特征提取，将提取到的特征数据输入到cascatboost模型里进行训练，通过信息增益指标显示出的误差e来反映模型故障检测性能的好坏；步骤g，通过下式得到改进深度森林模型中确定系数R2：2.根据权利要求1所述的基于改进深度森林算法的轴承故障检测方法，其特征在于：所述步骤a中，原始信号是直接从状态监测系统获得的时域中的测量信号。3.根据权利要求1所述的基于改进深度森林算法的轴承故障检测方法，其特征在于：所述步骤b中，用快速傅里叶变换将得到的光谱被划分为多个波段，然后根据下式对频域幅值进行迭代计算：式中：l表示一维时间序列的长度，IF
t
表示当前时刻t的迭代特征。4.根据权利要求1所述的基于改进深度森林算法的轴承故障检测方法，其特征在于：所述步骤c中，设定卷积神经网络卷...

【专利技术属性】
技术研发人员：张成彬，鲁夕瑶，皋军，徐燕萍，邵星，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：