一种基于集成学习的轴承故障诊断与预警方法技术

本发明专利技术涉及轴承故障诊断技术领域，具体公开了一种基于集成学习的轴承故障诊断与预警方法，包括：1)、采集轴承振动信号，以形成原始音频样本；2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。该发明专利技术提供的基于集成学习的轴承故障诊断与预警方法，采用了将频谱特征与传统机器学习、深度学习、故障检测领域流行的基础模型进行集成学习的方法，提高了检测的准确率和稳定性。测的准确率和稳定性。测的准确率和稳定性。

【技术实现步骤摘要】
一种基于集成学习的轴承故障诊断与预警方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于集成学习的轴承故障诊断与预警方法。

技术介绍

[0002]工业设备的健康运行在工业生产过程中具有重要意义。如果机械设备出现故障，可能导致停产，不仅影响企业的经济效益，还可能危害人的生命安全，造成灾难性后果。大型(如汽轮机、压缩机和风机)是石油、化工、冶金和机械制造企业的关键生产设备，此类设备对安全性和可靠性的要求很高。为了保证机械设备的可靠安全运行，必须对机械设备的状态进行实时监测和诊断。
[0003]随着人工智能的快速发展，传统的机器学习方法如决策树(DT)、神经网络(NN)、支持向量机(SVM)等广泛应用于工业故障诊断，同时以卷积神经网络(CNN)、深度神经网络和深度信念网络为代表的深度学习方法在工业故障诊断中得到了广泛的应用。这些方法虽然取得了很好的效果，但仍然存在一些缺陷。传统方法的性能在很大程度上局限于监测数据的特征提取。传统的机器学习模型只利用时域或频域特征进行训练，这可能会降低模型的性能。训练深度模型通常需要大量的监测数据，这与采集到的少量监测数据严重冲突，从而降低了泛化性能。因此，单一的传统机器学习模型或深度模型往往不能很好地识别此类复杂的工业故障。也就是说，来自单一模型的诊断结果往往是不可靠和不稳定的。

技术实现思路

[0004]本专利技术的目的是提供一种基于集成学习的轴承故障诊断与预警方法，通过提取故障梅尔频谱特征，设计一种集成方法，基础模型依据故障频谱特征进行诊断，依据综合评价法TOPSIS融合了单一的模型诊断结构，建立集成故障诊断模型，最终提高了模型的稳定性和可靠性，对于解决轴承振动数据的轴承设备故障检测具有较好的效果。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种轴承故障诊断与预警方法，包括：
[0006]1)、采集轴承振动信号，以形成原始音频样本；
[0007]2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；
[0008]3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；
[0009]4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。
[0010]作为优选的，所述步骤2中将对原始音频样本的处理包括以下两个步骤：
[0011]S001、进行加窗操作：
[0012]0＜n＜N
‑
1.；
[0013]其中：N为帧长，α为窗口参数，α初始值预设为0.47；
[0014]S002、获取变量信号：
[0015]S
′
(n)＝S(n)*W(n)；0＜n＜N
‑
1；
[0016]其中：W(n)为窗函数，S(n)为初始的音频信号。
[0017]作为优选的，基于获取的所述变量信号进行处理，进行短时傅立叶变换操作，得到每帧Xn(k)的频谱，并进行频谱平方运算，获取能量频谱，具体公式如下：
[0018][0019]其中：k为常数；“N”是变换点的数量。
[0020]作为优选的，基于梅尔滤波器组对所述频谱进行滤波，处理公式如下：
[0021][0022]其中，f(m)是中心频率，其中m＝1，2，
…
，m和m是几个梅尔滤波器；k是常数。
[0023]作为优选的，所述梅尔频谱图的生成通过以下处理方式进行：
[0024]S003、从MEL滤波器中提取的输出被馈入到能谱中得到梅尔谱，具体公式如下：
[0025][0026]其中，|X
n
(k)|2是光谱能量；
[0027]S004、基于数梅尔尺度特征对手术梅尔谱进行对数运算，并最终生成n*q的梅尔频谱图。
[0028]一种集成学习故障检测模型构建与训练方法，包括上述方案中所述的轴承故障诊断与预警方法，还包括以下步骤：
[0029]A、从频谱提取模块采集到的帧列表按照6∶2∶2的比例分为训练集、验证集与测试集，而验证集用于产生每个基本模型的可变权重；
[0030]B、利用Bootstrap重采样技术，对训练集进行重采样，生成n个训练集，通过对不同训练集的学习，构建了n个不同的基础模型；
[0031]C、在验证集上对每个基模型的性能进行测试，得到n个样本上的测试错误率表，将n个基模型的测试错误率结合构造误差矩阵；
[0032]D、对于每个基模型，使用误差矩阵确定可变权重w，构造权重列表，对不同的基模型进行集成，以获取结合频谱特征。
[0033]作为优选的，所述基础模型在不同的训练集上进行训练，每个基本模型为测试集输出一个预测的故障标签集，对比真实故障标签集可以用KW方差评估基础模型之间的多样性，公式如下：
[0034][0035]其中，z
j
(j＝1，2，
…
，N)表示N个样本中的第j个样本，l(z
j
))表示能够正确识别样
本z
j
的基础模型的数量，L表示基础模型的总数，KW用于评估基模型的多样性。
[0036]作为优选的，所述步骤A中利用测试集测试分别测试基础模型的性能，得到所有基础模型的测试错误率{e
1j
，e
2j
，...，e
mj
}，构建误差矩阵e，使用误差矩阵计算出每个基础模型的权重矩阵W，具体公式如下：
[0037][0038]其中，w
ij
表述e
ij
样本上基础模型的权重，构建多个基础模型的权重矩阵，若所述基础模型能够更高概率的识别某一类故障样本，则对该类的预测结果赋予较大的权重。
[0039]作为优选的，所述步骤A中的所述基础模型基于已知的权重来进行综合评价TOPSIS，包括以下几个步骤：
[0040]a、组合多个决策矩阵：
[0041][0042]b、归一化决策矩阵：
[0043][0044]c、构造加权决策矩阵：
[0045]y
ij
＝w
j
·
z
ij
；
[0046]d、确定理想解和负理想解，并分别计算正理想解和负理想解的分离测度
[0047][0048][0049]f、计算备选方案AI的相对贴近度Qi
[0050][0051]g、按照Qi值的降序对备选方案集进行排序，并最终将多个基础模型的权重和Qi值相结合，构造集成模型，具体公式如下：
[0052][0053]作为优选的，所述基础模型中已知的权重，指机器学习深度学习方法SVM支持向量机、MLP多层感知机以及经典的轴承故障检测模型WDCNN中的权重数据。
[0054]在上述技术方案中，本专利技术提供的一种基于集成学习的轴承故障诊断与预警方法，具备以下有益效果：检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障诊断与预警方法，其特征在于，包括：1)、采集轴承振动信号，以形成原始音频样本；2)、基于傅里叶变换将所述原始音频样本进行处理，并将音频信号从时域映射到频域，并将频率映射到梅尔刻度上形成梅尔频谱图；3)、基于获取的所述梅尔频谱图执行帧生成、归一化处理，以形成N*M的帧列表；4)、将所述步骤3获取的帧列表与故障检测标进行对比，出现相似数据，则进行预警。2.根据权利要求1所述的一种轴承故障诊断与预警方法，其特征在于，所述步骤2中将对原始音频样本的处理包括以下两个步骤：S001、进行加窗操作：其中：N为帧长，α为窗口参数，α初始值预设为0.47；S002、获取变量信号：S'(n)＝S(n)*W(n)；0＜n＜N
‑
1；其中：W(n)为窗函数，S(n)为初始的音频信号。3.根据权利要求2所述的一种轴承故障诊断与预警方法，其特征在于，基于获取的所述变量信号进行处理，进行短时傅立叶变换操作，得到每帧Xn(k)的频谱，并进行频谱平方运算，获取能量频谱，具体公式如下：其中：k为常数；“N”是变换点的数量。4.根据权利要求3所述的一种轴承故障诊断与预警方法，其特征在于，基于梅尔滤波器组对所述频谱进行滤波，处理公式如下：其中，f(m)是中心频率，其中m＝1,2,
…
，m和m是几个梅尔滤波器；k是常数。5.根据权利要求1所述的一种轴承故障诊断与预警方法，其特征在于，所述梅尔频谱图的生成通过以下处理方式进行：S003、从MEL滤波器中提取的输出被馈入到能谱中得到梅尔谱，具体公式如下：其中，|X
n
(k)|2是光谱能量；S004、基于数梅尔尺度特征对手术梅尔谱进行对数运算，并最终生成n*q的梅尔频谱图。6.一种集成学习故障检测模型构建与训练方法，其特征在于，包括上述权利要求1
‑
5任一项所述的轴承故障诊断与预警方法，还包括以下步骤：
A、从频谱提取模块采集到的帧列表按照6：2：2的比例分为训练集、验证集与测试集，而验证集用于产生每个基本模型的可变权重；B、利用Bootstrap重采样技术，对训练集进行重采样，生成n个训练集，通过对不同训练集的学习，构建了n个不同的基础模型；C、在验证集上对每个基模型的性能进行测试，得到n个样本上的测试错误率表，将n个基模型的测试错误率结...

【专利技术属性】
技术研发人员：李宏涛，刘东升，蒋宏伟，陈亚宁，陈亚辉，刘彦妮，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：