一种基于信号的开集增量识别模型的轴承状态监测方法技术

本发明专利技术涉及分类识别技术领域，尤其涉及一种基于信号的开集增量识别模型的轴承状态监测方法，包括对采集的轴承数据进行预处理和特征提取；采用PCA算法根据特征值对步骤一处理后的特征数据进行降维，得到降维后的特征分量；建立开集增量模型，识别轴承状态，检测出异常的数据。本发明专利技术提出增量开集模型应用于工业上的轴承振动信号，当有新的轴承数据时，采用增量学习的方法，使用新知识来更新现有的模型，开放集识别算法为分类器提供了拒绝选项，以便识别新的未训练目标类型。以便识别新的未训练目标类型。以便识别新的未训练目标类型。

【技术实现步骤摘要】
一种基于信号的开集增量识别模型的轴承状态监测方法


[0001]本专利技术涉及分类识别
，尤其涉及一种基于信号的开集增量识别模型的轴承状态监测方法。

技术介绍

[0002]行业4.0中的机器正变得越来越复杂，这使得它们的振动信号分析成为一项具有挑战性的任务。轴承被公认为工业机械中的关键部件，因此，掌握它们的振动信息可以增强诊断过程。在静止条件下运行的有缺陷轴承的振动信号可以被认为是幅度调制波形。这使得包络分析成为静止条件下轴承健康监测的最有效方法之一。
[0003]文献Order
‑
Based Identification of Bearing Defects under Variable Speed Condition中从振动数据中提取了三个频域特征SPRO、SPRI和SPRR，建立多核支持向量机(MSVM)分类模型，能有效地识别轴承状态；但工业上的数据日新月异，也有可能会有新的故障信号出现导致原模型错误识别，文献提出的模型不能有效地识别新的故障类别，需重新训练，这将需要大量的内存时间。

技术实现思路

[0004]针对现有算法的不足，本专利技术提出增量开集模型应用于工业上的轴承振动信号，当有新的轴承数据时，采用增量学习的方法，使用新知识来更新现有的模型，开放集识别算法为分类器提供了拒绝选项，以便识别新的未训练目标类型。
[0005]本专利技术所采用的技术方案是：一种基于信号的开集增量识别模型的轴承状态监测方法包括以下步骤：
[0006]步骤一、对采集的轴承数据进行预处理和特征提取；
[0007]进一步的，预处理是对轴承振动数据和转速数据以2秒窗口进行分割；
[0008]进一步的，特征提取包括对分割后的数据进行均值、标准差、众数、最大值、最小值、偏度和峭度。
[0009]步骤二、采用PCA算法根据特征值对步骤一处理后的特征数据进行降维，得到降维后的特征分量；
[0010]进一步的，具体包括：
[0011]S21、设有n行d维数据，将处理后的特征数据按列组成n行d列矩阵X；将X的每一列进行零均值化；
[0012]S22、求出协方差矩阵的特征值和对应的特征向量；将特征向量按对应特征值从大到小按行排列成矩阵，取前k行组成矩阵P；其中，Y＝PX为降维到k维后的数据。
[0013]步骤三、建立开集增量模型，识别轴承状态，检测出异常的数据；
[0014]进一步的，具体包括：
[0015]首先，训练从K个初始类开始，其中，K为已知类的类别数，通过极值理论生成初始模型M0，将测试样本的轴承状态数据分类成K个类，其余类的数据有效拒绝成未知类；
[0016]其次，学习一个新类，对模型M0进行更新，使更新后的模型将测试样本的轴承状态数据分类成K+1个类，其余未学习类的数据有效拒绝成未知类；
[0017]最后，不断地添加未知类别数据，并进行识别。
[0018]本专利技术的有益效果：
[0019]1、本专利技术的开集增量模型对新类别样本识别效果优于现有方法，生成模型后每次训练只需要增加新的数据，无需重新对训练进行模型；
[0020]2、在轴承等工业上的信号数据有不错的分类识别效果，有效地减少模型训练的成本和辨别新类数据有较好地成效，在人机一体化智能系统中有不错的应用前景。
附图说明
[0021]图1是本专利技术的基于信号的开集增量识别模型的轴承状态监测方法流程图；
[0022]图2是本专利技术的数据降维对应的帕累托图；
[0023]图3是本专利技术的开集增量场景下的F1指标图。
具体实施方式
[0024]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0025]数据集“Bearing Vibration Data under Time
‑
varying Rotational Speed Conditions”包含在时变转速条件下从不同健康状况的轴承收集的振动信号，共有60组数据；对于每组数据，有两个实验设置：轴承健康状况和变速状况。轴承的健康状况包括(i)健康，(ii)内圈缺陷故障，(iii)外圈缺陷故障，(iv)有球缺陷的故障，和(v)有内圈、外圈和滚珠的综合缺陷的故障；运行转速条件：(i)增加速度，(ii)减少速度，(iii)增加然后减少速度，以及(iv)减少然后增加速度。因此，有20种不同的情况；为确保数据的真实性，每个实验设置收集3次试验，结果是60数据集总数。每个数据集包含两个通道：“Channel_1”是加速度计测量的振动数据，“Channel_2”是编码器测量的转速数据。所有这些数据都以200,000Hz的频率进行采样，采样持续时间为10秒。编码器的CPR(每转周期)为1024。
[0026]如图1所示，一种基于信号的开集增量识别模型的轴承状态监测方法包括以下步骤：
[0027]步骤一、对轴承数据进行预处理和特征提取；
[0028]进一步的，提取的特征包括：均值、标准差、众数、最大值、最小值、偏度和峭度；
[0029]在本实施例中，针对轴承振动信号，选择2S的窗口大小，共产生300组样本，其中测试样本和训练样本各150组，根据加速度计测量的振动数据和编码器测量的转速数据，分别提取均值、标准差、众数、最大值、最小值、偏度和峭度，共14组特征。
[0030]轴承的健康状态如表1所示，有五种状态。
[0031]表1轴承的健康状态及缩写
[0032][0033]步骤二、采用PCA算法进行特征降维；
[0034]采用PCA进行特征降维，PCA是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量；
[0035]具体操作如下：
[0036]设有n行d维数据，将原始特征数据按列组成n行d列矩阵X；将X的每一列(代表一个属性)进行零均值化，即减去这一列的均值；
[0037]接着求出协方差矩阵y为X零均值化数据；求出协方差矩阵的特征值及对应的特征向量；将特征向量按对应特征值从大到小按行排列成矩阵，取前k行组成矩阵P；其中，Y＝PX即为降维到k维后的数据，Y的维度为n*k。
[0038]在本实施例中，采用PCA降维，将原来的14组特征减少至5组特征，如图2所示，是对应的帕累托图，从图中可以看出这5个特征占了总贡献度(特征值)的90％，其中，特征F14占总贡献度的36％，因此选择F14、F11、F5、F8、F12作为最终特征；F1
‑
F7分别是振动数据的均值、标准差、众数、最大值、最小值、偏度和峭度；F8
‑
F14是转速数据的均值、标准差、众数、最大值、最小值、偏度和峭度。
[0039]步骤三、开集增量模型的建立；
[0040]增量场景：训练时从K个初始类，K为已知类的类别数，本实施例K＝2，通过极值理论(EVM)生成初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号的开集增量识别模型的轴承状态监测方法，其特征在于，包括以下步骤：步骤一、对采集的轴承数据进行预处理和特征提取；步骤二、采用PCA算法根据特征值对步骤一处理后的特征数据进行降维，得到降维后的特征分量；步骤三、建立开集增量模型，识别轴承状态，检测出异常的数据。2.根据权利要求1所述的基于信号的开集增量识别模型的轴承状态监测方法，其特征在于：预处理是对轴承振动数据和转速数据以2秒窗口进行分割。3.根据权利要求1所述的基于信号的开集增量识别模型的轴承状态监测方法，其特征在于：特征提取包括对分割后的数据进行均值、标准差、众数、最大值、最小值、偏度和峭度。4.根据权利要求1所述的基于信号的开集增量识别模型的轴承状态监测方法，其特征在于，步骤二具体包括：S21...

【专利技术属性】
技术研发人员：郇战，周帮文，王澄，朱学勤，
申请(专利权)人：常州大学，
类型：发明
国别省市：