一种滚动轴承多通道数据故障识别方法技术

本发明专利技术公开了一种滚动轴承多通道数据故障识别方法，首先使用EMMWPE方法来计算多通道信号的故障特征向量；其次，通过t

A multi-channel data fault identification method for rolling bearings

【技术实现步骤摘要】
一种滚动轴承多通道数据故障识别方法


[0001]本专利技术属于机械故障诊断
，具体涉及一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法。

技术介绍

[0002]滚动轴承是机械设备中不可或缺的关键零部件，具有机械效率高、拆装以及维修方便等优点。但是轴承常常工作在高温、高压和复杂的力学环境中，随着工作时限的增加，轴承会出现各种各样的故障。当轴承发生故障并且没有得到及时维修，可能会导致整个机械设备无法正常工作甚至损坏，造成巨大损失。
[0003]在对滚动轴承的运行状态进行监测时，往往需要多个传感器从多个方位进行数据的采集。不同的数据通道包含的故障信息也各不相同，为了从多个数据通道中提取到更为全面故障信息，往往通过MMPE对多通道信号进行特征融合、提取。但是MMPE方法忽略了数据序列的振幅信息，并且在多尺度上存在信息丢失等问题，这会导致随着尺度因子的增加，MMPE方法的稳定性急剧下降。因此，本专利技术提出了EMMWPE的多通道数据特征提取方法，克服了MMPE的存在问题。最后，将EMMWPE高维向量特征集进行t
‑
SNE降维，并输入到随机森林模型中进行训练和识别，可发现本专利技术所提方法具有较高的识别准确率。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，以多通道滚动轴承信号为依据，使用EMMWPE进行多通道信号特征的提取，并使用t
‑
SNE进行降维，将得到的低维特征输入随机森林模型进行故障的识别；
[0005]本专利技术通过以下技术方案实现：一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，包括以下步骤：
[0006]S1：首先将多通道信号进行增强多尺度粗粒化过程，对于给出长度为n的时间序列X＝[x1、x2、x3
…
xn]，可以根据给出τ和式(1)将其分别处理为τ个不同的粗理化序列其中i＝1,2,
…
,τ；
[0007][0008]S2：分别计算τ个粗理化序列的多元加权排列熵，再求取这τ个熵值的平均值即等于增强多元多尺度加权排列熵，如式(2)所示：
[0009][0010]S3：通过t
‑
SNE算法对EMMWPE值进行降维，除去冗余特征，使计算得到的特征可视化；
[0011]S4：将每种不同故障类型以及损伤程度的多通道数据集分为N组，其中训练样本有
M组，测试样本则有N
‑
M组；
[0012]S5：基于随机森林模型，对样本进行训练和测试，实现滚动轴承不同类型以及损伤程度的故障识别；
[0013]优选的，所述S2中MWPE函数的计算方法如下：
[0014]S2.1：将一个m维、长度为N的时间序列定义为S2.1：将一个m维、长度为N的时间序列定义为引入嵌入维数d、时间延迟系数τ进行相空间重构；根据式(3)进行相空间重构，得到重构序列
[0015][0016]S2.2：将重构后的时间序列按升序进行排列，其排序后的结果如式(4)所示：
[0017][x
i
(l+(k1‑
1)τ)≤x
i
(l+(k2‑
1)τ)≤...≤x
i
(l+(k
d
‑
1)τ)]ꢀꢀ
(4)
[0018]S2.3：考虑中存在相同值的元素，通过比较k的值进行排列，这样就可以得到中所有元素的排列：
[0019]π＝[k1,k2,...,k
d
]ꢀꢀ
(5)
[0020]S2.4：对于嵌入维数为d的相空间，可以出现的排列总数为d！；N
j
表示第j次排序出现的次数，其中1≤j≤d！；和分别表示的均值和权重值：
[0021][0022][0023]S2.5：第j个排列的加权概率p
i,j
可由式(8)进行计算：
[0024][0025]S2.6：对于一个m维的时间序列，p
i,j
满足在m维时间序列中第j种排序的加权概率如式(9)所示：
[0026][0027]S2.7：根据香农熵的定义，可由式(10)来计算MWPE的值。
[0028][0029]优选地，所述S3中t
‑
SNE算法步骤如下：
[0030]S3.1：设数据X＝{x1,x2,
…
,x
n
}，通过式(11)计算复杂度Perp亲疏对P
j
|i，Perp为代价函数参数。
[0031][0032]式中，σ
i
是x
i
的高斯方差。
[0033]S3.2：设置从N(0,10
‑4I)得到样本的初始解y
(0)
＝{y1,y2,
…
,y
n
}。
[0034]S3.3：通过式(12)计算低维亲疏q
ij
：
[0035][0036]S3.4：通过式(13)计算梯度
[0037][0038]S3.4：通过式(14)得到低纬度数据：
[0039][0040]式中：学习率η，动量α(t)为优化参数。
[0041]S3.5：重复迭代S.33～3.5，直到t从1加到T，输出低维数据y
(T)
＝{y1,y2,
…
,y
n
}。
[0042]优选地，所述S5中随机森林模型技术特征如下：
[0043]S5.1：对训练集进行置换抽样，得到与训练集大小相同的k个训练子集D＝{D1,D2,
…
,D
k
}。
[0044]S5.2：一个训练子集的每个样本包含n个特征。首先，从n个特征中选取m(m≤n)个特征来构建子空间S.其次，计算决策树节点的最佳拆分点，根据S生成节点。重复上述过程，直至满足停止准则，完成对决策树的训练。这样训练完k个训练子集后，k个决策树DT＝{DT1,DT2,
…
,DT
k
}。
[0045]S5.3：每棵决策树用测试集的每个样本进行测试，得到k个分类结果R＝{R1,R2,
…
,R
k
}。
[0046]本专利技术的有益效果是：
[0047]结合增强多尺度粗理化过程和MWPE提出了EMMWPE方法克服了MMPE方法的缺点，提高了MMPE在提取多通道信号故障特征时的稳定性；并通过t
‑
SNE降维去除高维冗余特征，将得到的故障特征集输入随机森林模型在完成故障的自动识别，对保证设备的正常运行具有重要意义。
附图说明
[0048]图1是本专利技术的步骤流程图；
[0049]图2是本专利技术实施例中美国凯斯西储大学轴承数据中心实验台；
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，其特征在于，包括以下步骤：S1：首先将多通道信号进行增强多尺度粗粒化过程，对于给出长度为n的时间序列X＝[x1、x2、x3
…
xn]，可以根据给出τ和式(1)将其分别处理为τ个不同的粗理化序列其中i＝1,2,
…
,τ；S2：分别计算τ个粗理化序列的多元加权排列熵，再求取这τ个熵值的平均值即等于增强多元多尺度加权排列熵，如式(2)所示：S3：通过t
‑
SNE算法对EMMWPE值进行降维，除去冗余特征，使计算得到的特征可视化；S4：将每种不同故障类型以及损伤程度的多通道数据集分为N组，其中训练样本有M组，测试样本则有N
‑
M组；S5：基于随机森林模型，对样本进行训练和测试，实现滚动轴承不同类型以及损伤程度的故障识别。2.根据权利要求1所述一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，其特征在于，所述S2中MWPE函数的计算方法如下：S2.1：将一个m维、长度为N的时间序列定义为t＝1,2,
…
,N，引入嵌入维数d、时间延迟系数τ进行相空间重构；根据式(3)进行相空间重构，得到重构序列数d、时间延迟系数τ进行相空间重构；根据式(3)进行相空间重构，得到重构序列S2.2：将重构后的时间序列按升序进行排列，其排序后的结果如式(4)所示：[x
i
(l+(k1‑
1)τ)≤x
i
(l+(k2‑
1)τ)≤...≤x
i
(l+(k
d
‑
1)τ)] (4)S2.3：考虑中存在相同值的元素，通过比较k的值进行排列，这样就可以得到中所有元素的排列：π＝[k1,k2,...,k
d
] (5)S2.4：对于嵌入维数为d的相空间，可以出现的排列总数为d！；N
j
表示第j次排序出现的次数，其中1≤j≤d！；和分别表示的均值和权重值：的均值和权重值：S2.5：第j个排列的加权概率p
i,j
可由式(8)进行计算：
S2.6：对于一个m维的时间序列...

【专利技术属性】
技术研发人员：王晓东，张爽，马军，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：