一种基于机器学习的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于机器学习的旋转机械故障诊断方法，利用加速度传感器采集旋转机械正常状态以及几种不同故障状态下的振动信号；降噪处理后进行特征提取得到多维度的特征值；再进行二次特征提取获得低维度敏感特征数据训练SVM模型，并采用遗传算法优化SVM参数，得到最优惩罚因子bestc和最优核函数参数bestg，建立GA

【技术实现步骤摘要】
一种基于机器学习的旋转机械故障诊断方法


[0001]本专利技术涉及一种旋转机械故障诊断方法，具体地涉及一种基于机器学习的旋转机械故障诊断方法，属于机械设备信号处理与故障诊断领域。

技术介绍

[0002]旋转机械作为最常见的机械设备之一，广泛的应用于交通、制造、化工等多个领域中。其中代表型的旋转部件有轴承、齿轮箱、轴等，工作环境一般比较恶劣，常出现高负载、大冲击和高温腐蚀的工况条件，容易发生各类故障。若出现故障时无法及时有效的诊断，随着故障的恶化将会带来重大的安全隐患并造成严重的经济损失。
[0003]传统的旋转机械故障诊断主要基于故障机理的诊断和振动信号时频域的分析处理判断。但这两种故障诊断方法只能解决故障特征明显且机理简单地故障类型。当发生的故障机理复杂，且振动信号的时频特征不明显时传统的故障诊断方法效果较差、准确率较低。
[0004]在机械故障诊断主要包括3个步骤：信号采集、信号特征提取和故障诊断决策。其中，信号特征提取部分是关键的一部，能否得到有效的信号特征直接地影响下一步的故障诊断的准确性。
[0005]因此，需要从提高信号特征的有效性入手有，提高旋转机械故障诊断水平。自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)在经验模态分解(Empirical Mode Decomposition，EMD)算法的基础上进行了改进将信号分解为本征模态函数(Intrinsic Mode Function，IMF)分量能够很好解决噪声传递及残留问题，为解决这一问题提供了新的思路。

技术实现思路

[0006]本专利技术的目的在于提供一种基于机器学习的旋转机械故障诊断方法。
[0007]一种基于机器学习的旋转机械故障诊断方法，包括以下步骤：
[0008]步骤1：构建基于深度学习的故障诊断模型，由以下具体步骤组成：
[0009]步骤1
‑
1：训练数据采集：利用加速度传感器采集旋转机械正常状态下的振动信号和一种以上故障状态下的振动信号；
[0010]步骤1
‑
2：训练数据降噪处理：对所述正常状态下的振动信号和各种故障状态下的振动信号分别进行降噪处理，得到去噪后正常状态下的振动信号和去噪后各种故障状态下的振动信号；
[0011]步骤1
‑
3：特征提取：对所述去噪后正常状态下的振动信号和去噪后各种故障状态下的振动信号分别按照相同方法进行特征提取，得到正常状态下的振动信号和去噪后各种故障状态下的振动信号二维特征向量；所述去噪后正常状态下的振动信号的特征提取方法由以下具体步骤组成：
[0012]步骤1
‑3‑
1：对去噪后正常状态下的振动信号利用CEEMDAN分解得到M个IMF分量
IMFs(t)，s＝1,2,3
…
M：
[0013][0014]式中，r
M
(t)为去噪后正常状态下的振动信号x(t)的M阶分解残差；
[0015]步骤1
‑3‑
2：筛选特征值：按照预设条件选择k个去噪后的正常状态下的振动信号x(t)的IMF分量成初始特征向量：
[0016]A＝[IMF1,IMF2,
…
IMF
k
][0017]步骤1
‑3‑
3：构建去噪后的正常状态下的振动信号x(t)的特征向量：
[0018]T＝[σ1,σ2,
…
σ
k
,E1,E2,
…
E
k
][0019][0020]式中，为所述去噪后正常状态下的振动信号x(t)的初始特征向量A(t)进行奇异值分解得到的奇异值，E
i
为所述去噪后正常状态下的振动信号x(t)的初始特征向量A(t)中各IMF分量的能量值；
[0021]步骤1
‑
4：二次特征提取：采用局部线性嵌入LLE算法对去噪后正常状态下的振动信号x(t)的特征向量T降维处理，得到去噪后正常状态下的振动信号x(t)的二维特征向量：
[0022]T0＝[T
0,1
,T
0,2
][0023][0024]其中，W
ij
是T对应近邻样本的权重系数，T
j
是T的第j个近邻点，p为T
j
的近邻点个数；
[0025]步骤1
‑
5：构建机器学习模型：采用遗传算法优化支持向量机SVM模型，选择径向基核函数(RBF)作为SVM故障分类模型，并采用遗传算法对核函数参数g和惩罚因子c进行参数寻优；得到最优惩罚因子bestc和最优核函数参数bestg，基于最优惩罚因子bestc和最优核函数参数bestg建立基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型；
[0026]步骤2：建立数据集：将去噪后正常状态下的振动信号x(t)和去噪后各种故障状态下的振动信号的二维特征向量及对应的工作状态组合为数据样本；将所述数据样本随机划分为训练集和测试集；
[0027]步骤3：训练模型参数：将训练集输入至基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型，进行参数训练；
[0028]步骤4：模型参数验证：将验证集输入至基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型，计算识别准确率，如果识别准确率达到预设条件，转向步骤5，否则转向步骤2；
[0029]步骤5：故障预测：由以下具体步骤组成：
[0030]步骤5
‑
1：数据采集：利用加速度传感器采集旋转机械工作时的振动信号；
[0031]步骤5
‑
2：训练数据降噪处理：对所述旋转机械工作时的振动信号进行降噪处理，得到去噪后旋转机械工作时的振动信号；
[0032]步骤5
‑
3：特征提取：对所述旋转机械工作时的振动信号进行特征提取，得到二维特征向量：
[0033]步骤5
‑3‑
1：对去噪后正常状态下的振动信号旋转机械工作时的振动信号利用
CEEMDAN分解得到M个IMF分量IMF
’
s
’
，s
’
＝1,2,3
…
M：
[0034][0035]式中，r
’
M
’
(t)为旋转机械工作时的振动信号x
′
(t)的M阶分解残差；
[0036]步骤5
‑3‑
2：筛选特征值：按照预设条件选择k个旋转机械工作时的振动信号x
′
(t)的IMF分量成初始特征向量：
[0037]A
′
(t)＝[IMF
′1(t),IMF...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的旋转机械故障诊断方法，其特征在于：包括以下步骤：步骤1：构建基于深度学习的故障诊断模型，由以下具体步骤组成：步骤1
‑
1：训练数据采集：利用加速度传感器采集旋转机械正常状态下的振动信号和一种以上故障状态下的振动信号；步骤1
‑
2：训练数据降噪处理：对所述正常状态下的振动信号和各种故障状态下的振动信号分别进行降噪处理，得到去噪后正常状态下的振动信号和去噪后各种故障状态下的振动信号；步骤1
‑
3：特征提取：对所述去噪后正常状态下的振动信号和去噪后各种故障状态下的振动信号分别按照相同方法进行特征提取，得到正常状态下的振动信号和去噪后各种故障状态下的振动信号二维特征向量；所述去噪后正常状态下的振动信号的特征提取方法由以下具体步骤组成：步骤1
‑3‑
1：对去噪后正常状态下的振动信号利用CEEMDAN分解得到M个IMF分量：式中，r
M
(t)为去噪后正常状态下的振动信号的M阶分解残差；步骤1
‑3‑
2：筛选特征值：按照预设条件选择k个去噪后的正常状态下的振动信号的IMF分量成初始特征向量：步骤1
‑3‑
3：构建去噪后的正常状态下的振动信号的特征向量：的特征向量：式中，为所述去噪后正常状态下的振动信号的初始特征向量进行奇异值分解得到的奇异值，所述去噪后正常状态下的振动信号的初始特征向量中各IMF分量的能量值；步骤1
‑
4：二次特征提取：采用局部线性嵌入算法LLE对去噪后正常状态下的振动信号的特征向量T降维处理，得到去噪后正常状态下的振动信号的二维特征向量：的二维特征向量：其中，是T对应近邻样本的权重系数，是T的第j个近邻点，p为的近邻点个数；步骤1
‑
5：构建机器学习模型：采用遗传算法优化支持向量机SVM模型，选择径向基核函数作为SVM故障分类模型的核函数，并采用遗传算法对核函数参数g和惩罚因子c进行参数寻优；得到最优惩罚因子bestc和最优核函数参数bestg，基于最优惩罚因子bestc和最优核函数参数bestg建立基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型；
步骤2：建立数据集：将将去噪后正常状态下的振动信号和去噪后各种故障状态下的振动信号的二维特征向量及对应的工作状态组合为数据样本；将所述数据样本随机划分为训练集和测试集；步骤3：训练模型参数：将训练集输入至基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型，进行参数训练；步骤4：模型参数验证：将验证集输入至基于遗传算法优化支持向量机GA
‑
SVM故障诊断模型，计算识别准确率，如果识别准确率达到预设条件，转向步骤5，否则转向步骤2；步骤5：故障预测：由以下具体步骤组成：步骤5
‑
1：数据采集：利用加速度传感器采集旋转机械工作时的振动信号；步骤5
‑
2：训练数据降噪处理：对所述旋转机械工作时的振动信号进行降噪处理，得到去噪后旋转机械工作时的振动信号；步骤5
‑
3：特征提取：对所述旋转机械工作时的振动信号进行特征提取，得到二维特征向量：步骤5
‑3‑
1：对去噪后正常状态下的振动信号旋转机械工作时的振动信号利用CEEMDAN分解得到M个IMF分量：式中，r
’
M
’
(t)为旋转机械工作时的振动信号的M阶分解残差；步骤5
‑3‑
2：筛选特征值：按照预设条件选择k个旋转机械工作时的振动信号的IMF分量成初始特征向量：步骤5
‑3‑
3：构建旋转机械工作时的振动信号的特征向量：的特征向量：式中，为所述去噪后正常状态下的振动信号的初始特征向量进行奇异值分解得到的奇异值，所述去噪后正常状态下的振动信号的初始特征向量中各IMF分量的能量值；步骤5
‑
4：二次特征提取：采用局部线性嵌入LLE算法对...

【专利技术属性】
技术研发人员：彭立强，王卓，李春华，秦志英，赵月静，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：