一种基于在线符号聚合近似和流式深度判别分析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在线符号聚合近似和流式深度判别分析的轴承故障诊断方法

【技术实现步骤摘要】
一种基于在线符号聚合近似和流式深度判别分析的轴承故障诊断方法


[0001]本专利技术属于工业设备安全监测系统中的在线故障诊断领域的一种诊断方法，具体涉及一种基于在线符号聚合近似和流式深度判别分析的轴承故障诊断方法
。

技术介绍

[0002]随着信息技术和传感器技术的发展，工业生产系统逐渐向自动化
、
高速化和复杂化方向发展
。
激烈的全球竞争对现代工业的生产效率和产品质量提出了更高的要求
。
为了保证工业生产系统的稳定运行，降低工业故障给工业生产带来的经济损失，对生产过程中可能出现的故障进行预警和诊断是急需解决的问题
。
[0003]轴承作为工业生产过程中不可或缺的零部件，其主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度，在各个大型工业生产设备中都有它的身影，如风力发电机组系统
、
大型冶金系统以及航天系统
。
由于轴承自身的特殊性，在设备运行过程中会出现不同情况的故障，如内圈故障，外圈故障和滚动体故障等
。
一旦轴承出现故障就会影响整个工业设备的正常运行，因此对轴承进行实时监测，做到轴承故障早发现早诊断尤为必要
。
[0004]由于存储技术的发展，轴承在生产过程中的振动数据变得容易获取，进而产生了基于数据驱动的轴承故障诊断方法
。
该方法能够有效解决“数据丰富，信息匮乏”的应用场景，因此得到了广泛的关注
。
基于数据驱动的轴承故障诊断方法主要分为基于信号分析的方法和基于深度学习的方法
。
基于信号分析的方法主要是利用经验模态分解等手段处理信号，再将处理后的信号经过傅里叶变换转到频域，通过分析正常数据和故障数据之间的频域谱差异来诊断故障
。
基于深度学习的方法则是利用神经网络模型如卷积神经网络
、
自编码器等学习正常数据和故障数据的深层特征，根据数据之间深层特征的不同来诊断故障
。
但在实际工业生产中，上述方法只能处理离线的轴承振动数据，无法实时监测和诊断轴承中的故障
。

技术实现思路

[0005]为了解决
技术介绍
中存在的技术问题，本专利技术提供了一种基于在线符号聚合近似和流式深度判别分析的轴承故障诊断方法，通过计算每一段在线数据批次的符号聚合近似图，将生成的图片输入流式卷积神经网络进行故障诊断
。
该方法适用于具有复杂大规模的工业生产系统的在线故障诊断问题，对推动流程工业知识自动化和工业大数据技术的发展有着重要的意义
。
[0006]本专利技术研究针对流式的高频振动轴承数据的故障诊断，能够满足工业生产过程对大规模数据集的求解速度和精度的要求
。
本专利技术为工业生产系统的在线故障诊断提供了可靠有效的技术支持
。
[0007]本专利技术采用的技术方案是：
[0008]步骤1，利用传感器采集到不同健康状态下的高频信号数据作为训练样本；所述步骤1中，具体步骤为：
[0009]将传感器采集到的高频信号数据集
X
分为
C
个不同健康状态，
c
代表健康状态的索引值
。
每个健康状态下的高频信号数据可以表示为
x
c
。
[0010]步骤2，对训练数据进行符号聚合近似，获取训练数据的符号图；所述步骤2中，具体步骤为：
[0011]步骤
2.1
，将训练数据按照固定批次大小
w
进行划分
。
再对每个数据批次采用符号近似算法，即将长度为
w
的数据批次再次划分成等长度的
m
个序列，计算各个序列的平均值，利用该平均值计算聚合近似的变换结果
。
[0012][0013][0014]其中，代表第
c
个健康状态下第
i
个子序列的采样点平均值，
j
表示子序列中采样点的索引值，为该批次数据的符号聚合近似表示
。
[0015]步骤
2.2
，将步骤
2.1
得到的变换结果用字符串表示，每个不同的均值都有不同的字符串表示，相同的均值有相同的字符串表示，从而将高频信号降维成字符串；
[0016]步骤
2.3
，统计每一个数据批次中各个字符串出现的次数，将不同字符串出现的频率组合成矩阵，并根据该矩阵绘制灰色热力图
。
图中颜色越接近白色代表对应字符串出现的频率越高，反之颜色越接近黑色则代表对应字符串出现的频率越低
。
[0017]步骤3，将训练数据的符号图和训练数据对应的健康状态作为卷积神经网络的输入，该卷积神经网络包含卷积层
、
池化层和全连接层，将卷积神经网络的分类结果作为输出，得到训练好的离线卷积神经网络模型；所述步骤3中，具体步骤为：
[0018]步骤
3.1
，构建一个包含卷积层
、
池化层和全连接层的离线卷积神经网络，该卷积神经网络的输入为一个图片信号，输出为分类的标签，记除了最后一个全连接层的其他所有层为最后一个全连接层为那么整个离线卷积神经网络可以表示为：
[0019][0020]其中代表的是模型的输入数据，即对应的符号图，
c
为输入数据真实的标签，表示离线卷积神经网络的分类标签
。
[0021]步骤
3.2
，将步骤
2.3
中得到的符号图和每个符号图对应的健康状态标签打乱后输入步骤
3.1
构建的卷积神经网络进行训练得到训练好的卷积神经网络模型
。
[0022]步骤4，为了实现工业过程中的在线诊断，对该离线卷积神经网络模型的最后一个全连接层进行修改：将整个全连接层看作是一个线性判别模型，全连接层的输入是线性判别模型的输入数据，全连接层的输出是轴承对应的不同健康状态
。
修改后的卷积神经网络即为在线卷积神经网络；所述步骤4中，具体步骤为：
[0023]将全连接层看作是一个线性判别分析模型，即，
[0024][0025]其中，是全连接层的输入，
W∈R
C
×
d
是权重矩阵，
b∈R
C
是偏置项
。
该线性判别分析模型的输入对于每一个不同的健康状态都有对应的均值
μ
c
∈R
d
和一个共享协方差
Σ
∈R
d
×
d
。
当有新的数据被输入模型后，模型输出该数据的健康状态，并利用当前数据和真实健康状态对线性判别模型的权重矩阵和偏置项进行更新，即步骤
5。
[0026]步骤5，将所建立的模型运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于在线符号聚合近似和流式深度判别分析的轴承故障诊断方法，其特征在于：方法具体包括以下步骤：步骤1，利用传感器采集到不同健康状态下的高频信号数据作为训练样本；步骤2，对训练数据进行符号聚合近似，获取训练数据的符号图；步骤3，将训练数据的符号图和训练数据对应的健康状态作为卷积神经网络的输入，该卷积神经网络包含卷积层
、
池化层和全连接层，将卷积神经网络的分类结果作为输出，得到训练好的离线卷积神经网络模型；步骤4，为了实现工业设备故障的在线诊断，对该离线卷积神经网络模型的最后一个全连接层进...

【专利技术属性】
技术研发人员：蔡晋辉，汪子璇，曾九孙，李轶凡，姚燕，叶放，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：