一种基于多粒度扫描和catboost模型的轴承故障诊断方法技术

本发明专利技术公开了一种基于多粒度扫描和catboost模型的轴承故障诊断方法，包括以下步骤：针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；更改深度森林的结构，将深度森林中的级联森林去除，保留多粒度扫描部分；利用多粒度扫描提取灰度图片中的特征；使用catboost代替深度森林中的级联森林部分，构建多粒度扫描加catboost故障诊断模型，将上层使用的多粒度扫描提取到的特征输入，使用catboost模型来做故障诊断；使用训练集训练catboost模型；确定验证指标；使用测试集来测试模型的准确率；本发明专利技术获得比卷积神经网络和深度森林更高的准确率，并提高运算效率；减少了对广泛超参数的调优需求，降低了过度拟合的风险，使模型具有更强的鲁棒性和泛化性。性。性。

【技术实现步骤摘要】
一种基于多粒度扫描和catboost模型的轴承故障诊断方法


[0001]本专利技术属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能
，尤其涉及一种基于多粒度扫描和catboost模型的轴承故障诊断方法。

技术介绍

[0002]旋转机械作为机械系统中的传动装置，广泛应用于航空机械，农业机械和现代机床上，在国民经济生产中具有重要作用。作为机械系统的重要组成部分，旋转设备通常需要在高压、高速、重载等环境下运转，导致旋转机械发生问题的概率大大增加。
[0003]轴承作为旋转机械中最关键的零件之一，约30％的旋转机械故障是由轴承故障所导致的。对轴承部件的故障检测为整个机电装置的检测重中之重。由于现代化机电装备规模大，检测点多，传感器检测频率高，设备工作时间长。导致检测系统数据朝着大型化，巨型化发展，数据类型朝着多样化多频率化发展。原本的专家系统，仅靠人力进行检测已经不能满足要求，急需自动诊断的算法。
[0004]近几年来，故障诊断算法可分为基于模型的方法，基于数据驱动的方法。其中基于数据驱动的方法符合当前大数据时代，受到了大量工程师的重视。常用基于数据驱动的故障诊断技术有：支持向量机(Support Vector Machine,SVM)，神经网络(Artificial Neural Network，ANN)，k近邻(k
‑
nearest Neighbor，KNN)等。对于基于大量数据的故障诊断，传统的智能诊断方法模型参数受限，模型表征学习能力较弱，限制了故障诊断的能力。深度神经网络(Deep Learning Network)拥有强大的表征学习能力，已经在机器视觉、医疗保险、航空航天上有成功的应用。近年来，国内外学者也在使用深度学习应用在故障诊断领域中。然而深度学习的超参数过多，学习能力严重依赖于参数的调整。不同参数的影响下神经网络的性能大相径庭。最具有代表性的CNN，为了节省训练的开销，采取的策略是“权值共享(Weight Sharing)”。综上，CNN虽然具有强大的表征学习能力，但是其性能依赖于超参数的选择。为了克服CNN和传统机器学习的缺点，近年来提出的基于决策树集成的深度森林，和深度网络相比，深度森林参数较少，而且适用于小样本学习，相比于CNN中大量参数，深度森林在gini系数，信息增益等理论支持下，可解释性也强于CNN。
[0005]由于原始机械振动信号为一维的数据，当前流行的信号预处理方法为快速傅立叶变换(Fast Fourier Transform,FFT)、小波变换(Wavelet Transform，WT)和经验模态分解(Empirical Mode Decomposition，EMD)等，而这些需要大量的专家经验，通过人为感知容易产生过拟合，且具有单一预测器的预测精度差、预测方法运算效率低，在小样本上预测效果较差等问题。

技术实现思路

[0006]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种获得比卷积神经网络和深度森林更高的准确率，并提高运算效率；减少了对广泛超参数的调优需求，降低了过
度拟合的风险，使模型具有更强的鲁棒性和泛化性的基于多粒度扫描和catboost模型的轴承故障诊断方法
[0007]技术方案：为实现上述目的，本专利技术采用的技术方案为：
[0008]一种基于多粒度扫描和catboost模型的轴承故障诊断方法，包括以下步骤：
[0009]步骤a，针对轴承振动信号进行预处理，将轴承振动信号归一化，存储成轴承振动信号的二维的灰度图片；
[0010]步骤b，更改深度森林的结构，将深度森林中的级联森林去除，保留多粒度扫描结构部分；
[0011]步骤c，利用多粒度扫描结构对轴承振动信号的二维灰度图片和轴承振动信号中的特征进行提取得到特征向量，将提取出的特征向量进行拼接并输出，具体包括如下步骤：
[0012]步骤c1，多粒度扫描结构首先采用滑动窗口对输入的原始特征数据进行分割，得到Q个特征向量，公式为：
[0013]Q＝(J－K)/λ+1，
[0014]其中，K为滑动窗口的长宽；
[0015]J为原始特征数据的维度；
[0016]λ指的是设定的滑动步长；
[0017]步骤c2，将得到的特征向量输入到随机森林与完全随机森林中，两种森林分别得到Q个x维类向量，拼接后得到2
·
Q
·
x维向量输出；
[0018]步骤c3，将步骤c2中所述两种森林得到的类向量拼接作为多粒度扫描的输出，提取灰度图片中的特征，将对一维原始振动信号提取的特征向量和对二维灰度图片提取的特征向量拼接后得到4
·
Q
·
x维向量，并将其输出；
[0019]步骤d，使用catboost结构代替深度森林中的级联森林部分，构建多粒度扫描加catboost故障诊断模型，将步骤c中使用的多粒度扫描提取到的特征输入，使用catboost结构来做故障诊断；
[0020]步骤e，使用训练集训练catboost结构，构建4个catboost结构作为一个Cascatboost级联层，每个Cascatboost级联层在获得预测结果的同时得到一个决定系数R2，直到4个决定系数的均值不再提升时，Cascatboost级联层停止扩展，输出4个预测结果的均值作为最终预测结果，其中：
[0021]在Cascatboost级联层中，使用决定系数R2作为判断级联是否继续扩展的指标，决定系数R2的计算公式为：
[0022][0023]式中：y
i
为真实值；
[0024]为y
i
总和的平均值；
[0025]为预测值；
[0026]决定系数R2的取值越接近1，表明自变量对因变量的解释能力越强，证明模型对数据的拟合程度较好；当Cascatboost级联层扩展一个新的Cascatboost级联层i时，判断是否大于0，若大于0，则Cascatboost级联层继续扩展；
[0027]步骤f，确定验证指标；
[0028]步骤g，使用测试集来测试模型的准确率，得出轴承故障判断的结果。
[0029]作为本专利技术的一种优选实施方式：所述步骤a中包括以下子步骤：
[0030]步骤a1，取得一个M
×
M大小的图片，在原始振动信号上取一个长度为M2的序列，图片的像素值范围为0
‑
255，数值M处于图片像素的边界值内，单一像素值N(i)归一化的公式为
[0031]其中，L(i)代表的是序列上振动信号的值，且L(i),i∈(0,M2]；
[0032]M表示图片长度；
[0033]MIN(L)表示最小振动信号值；
[0034]MAX(L)表示最大振动信号值；
[0035]步骤a2，将振动信号转换成图片，使用P(j,k),j,k∈(0,M2]代表图片上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多粒度扫描和catboost模型的轴承故障诊断方法，其特征在于：包括以下步骤：步骤a，针对轴承振动信号进行预处理，将轴承振动信号归一化，存储成轴承振动信号的二维的灰度图片；步骤b，更改深度森林的结构，将深度森林中的级联森林去除，保留多粒度扫描结构部分；步骤c，利用多粒度扫描结构对轴承振动信号的二维灰度图片和轴承振动信号中的特征进行提取得到特征向量，将提取出的特征向量进行拼接并输出，具体包括如下步骤：步骤c1，多粒度扫描结构首先采用滑动窗口对输入的原始特征数据进行分割，得到Q个特征向量，公式为：Q＝(J－K)/λ+1，其中，K为滑动窗口的长宽；J为原始特征数据的维度；λ指的是设定的滑动步长；步骤c2，将得到的特征向量输入到随机森林与完全随机森林中，两种森林分别得到Q个x维类向量，拼接后得到2
·
Q
·
x维向量输出；步骤c3，将步骤c2中所述两种森林得到的类向量拼接作为多粒度扫描的输出，提取灰度图片中的特征，将对一维原始振动信号提取的特征向量和对二维灰度图片提取的特征向量拼接后得到4
·
Q
·
x维向量，并将其输出；步骤d，使用catboost结构代替深度森林中的级联森林部分，构建多粒度扫描加catboost故障诊断模型，将步骤c中使用的多粒度扫描提取到的特征输入，使用catboost结构来做故障诊断；步骤e，使用训练集训练catboost结构，构建4个catboost结构作为一个Cascatboost级联层，每个Cascatboost级联层在获得预测结果的同时得到一个决定系数R2，直到4个决定系数的均值不再提升时，Cascatboost级联层停止扩展，输出4个预测结果的均值作为最终预测结果，其中：在Cascatboost级联层中，使用决定系数R2作为判断级联是否继续扩展的指标，决定系数R2的计算公式为：式中：y
i
...

【专利技术属性】
技术研发人员：邵星，袁建华，王翠香，皋军，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：