基于因果特征加权网络的滚动轴承复合故障特征选择方法技术

本发明专利技术公布了一种基于因果特征加权网络的滚动轴承复合故障特征选择方法，构建因果特征加权网络模型。引入加权网络中心性指标节点强度对复合故障特征进行定量描述，通过深度神经网络模型的复合故障诊断完成特征选择，并利用沙普利累加性解释模型解释所选特征对诊断准确率的贡献度。本发明专利技术对滚动轴承复合故障特征选择适用性高，可提高滚动轴承复合故障识别的准确率。的准确率。的准确率。

【技术实现步骤摘要】
基于因果特征加权网络的滚动轴承复合故障特征选择方法


[0001]本专利技术属于轴承故障诊断
，具体涉及一种基于因果特征加权网络(Causal Feature Weighted Network，CFWN)的滚动轴承复合故障特征选择方法。

技术介绍

[0002]滚动轴承作为一种关键部件，在现代机械设备中应用广泛，其健康状况关乎整个设备的工作安全。然而，由于实际工况中设备所处环境复杂多变，滚动轴承发生故障时往往不是单一故障，而是多种故障同时存在，导致复合故障特征难以准确提取，故障诊断的有效性变得十分困难。事实上，为了提高故障诊断的精度，工程上一般从多角度对振动信号进行特征提取，以此确保多域特征可以反映信号各种状态下的故障信息。但是，此类方法不仅导致特征维度增多，而且在提高相关性的同时出现特征冗余问题，影响诊断精度。因此，对复合故障信号多维特征进行选择是故障诊断的关键一环。
[0003]针对特征选择问题，传统算法分为封装法、过滤法和嵌入法三类，主要根据特征和复合故障之间的相关性寻找相关特征子集。然而，相关关系只能反映故障模式和特征之间的共本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果特征加权网络的滚动轴承复合故障特征选择方法，包括以下步骤：1)提取得到滚动轴承复合故障多域特征，构建复合故障多域特征集；2)构建因果特征加权网络模型；包括：21)将提取得到的滚动轴承复合故障多域特征作为因果特征加权网络中的网络节点；多域特征包括：时域特征、频域特征和熵值特征；22)寻找滚动轴承复合故障多域特征之间的因果关系，并作为因果特征加权网络的连边；具体是：首先，将一种复合故障多域特征作为目标特征，使用增量关联马尔可夫毯IAMB算法获取该目标特征的MB集合；然后，根据目标特征的MB集合构建因果特征加权网络节点的连边关系，即将目标特征的MB集合中的所有特征与目标特征对应的网络节点进行连边；重复上述操作，对所有复合故障多域特征建立连边关系，即得到因果特征网络模型；23)赋予因果特征网络中每条连边权重，构建完成因果特征加权网络；具体是计算每种特征之间的皮尔逊相关系数值作为连边权重，形成因果特征加权网络模型；3)选择复合故障的因果特征，包括：31)对构建的因果特征加权网络中的网络节点，计算各个节点中心性指标的值，并通过排序获得多个特征子集；特征子集的数量与复合故障多域特征的数量相同；32)设计深度神经网络DNN模型；DNN模型中的双隐层采用线性整流函数作为激活函数；DNN模型中的输出层采用Sigmoid函数作为激活函数；DNN模型的优化器采用自适应矩估计；DNN模型的损失函数采用二元交叉熵函数；33)将步骤31)中获得的多个特征子集分别输入到步骤32)设计的DNN模型中进行训练，得到复合故障诊断结果，并计算准确率，将准确率达到峰值时的复合故障特征子集作为最优特征子集，即最终复合故障特征选择结果；通过上述步骤，即实现基于因果特征加权网络的滚动轴承复合故障特征选择。2.如权利要求1所述基于因果特征加权网络的滚动轴承复合故障特征选择方法，其特征是，对得到的复合故障特征计算沙普利累加性解释SHAP值，进行归因分析，包括：41)对最优特征子集中的特征进行准确率贡献度归因分析；首先，计算最优特征子集中某个样本包含某种复合故障特征和不包含该特征对DNN模型预测输出的联合贡献；然后，计算样本中该特征和其他特征所有可能的组合分别对DNN模型预测输出的边际贡献；最后，计算每种特征边际贡献的加权平均值，即特征在该样本上对准确率的SHAP值；42)对最优特征子集中全部样本，获得每种特征边际贡献的加权平均值，得到该特征...

【专利技术属性】
技术研发人员：于重重，李梦雄，吴宗柠，高阔，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：