一种基于时序数据流行学习的机械设备故障诊断方法与流程

本发明涉及一种机械设备故障诊断方法，尤其是涉及一种基于时序数据流行学习的机械设备故障诊断方法。

背景技术：

故障诊断方法的研究本质是模式分类问题，其发展主要包括两个阶段：以信号处理技术为主的传统诊断技术阶段和以专家系统、神经网络等人工智能技术为核心的智能诊断技术阶段。虽然目前传统故障诊断技术在工程实际中的应用较为广泛并且带来了经济效益，但是随着大型设备和运行工况复杂度的提高，智能技术在改善诊断结果的准确率方面更具前景。就具体过程而言，故障诊断主要包括信号采集、特征提取和模式分类等步骤，其中特征提取是故障诊断技术中最重要且艰巨的一环，它是后续机械状态监测与故障诊断的基础，严重影响诊断结果的精准性和可信度。

在工程实际中，由设备本身及其零部件所产生的振动信号十分复杂，各种故障因素相互耦合，获取的振动信号变得非平稳、非线性，并带有强噪声，而振动信号时序数据的特征提取主要是以各种信号处理方法为依托，因此现代信号处理技术的进步和理论的丰富有力推动了故障诊断技术的变革。

流形学习是近年来新兴的一种维度约简方法，其假设原始数据集是嵌入在高维空间中的流形之上，在尽可能地保持样本本征几何结构特性不变的前提下，恢复真实低维流形结构。tenenbaumjb,desv,langfordjc于2000年在science第290卷5500期发表了题为aglobalgeometricframeworkfornonlineardimensionalityreduction的文章提出了等距特征映射算法(isometricfeaturemapping，isomap)，roweisst,saullk于2000年在science第290卷5500期发表了题为nonlineardimensionalityreductionbylocallylinearembedding的文章提出了局部线性嵌入算法(locallylinearembedding，lle)，提出正式开启了流形学习的方向。之后，weinbergerkq,saullk于2004年在computervisionandpatternrecognition(cvpr)上发表了题为unsupervisedlearningofimagemanifoldsbysemidefiniteprogramming的文章提出了最大差异展开(maximumvarianceunfolding，mvu)方法；belkinm,niyogip于2003年在neuralcomputation第15卷第6期上发表了题为laplacianeigenmapsfordimensionalityreductionanddatarepresentation的文章，提出了拉普拉斯特征映射(laplacianeigenmaps，le)方法；zhangzy,zhahy与2004年在journalofshanghaiuniversity(englishedition)第26卷第4期发表了题为principalmanifoldsandnonlineardimensionalityreductionviatangentspacealignment的文章提出局部切空间排列(localtangentspacealignment，ltsa)方法。但是传统的流形学习方法无法解决样本外点学习问题，并且算法本身也存在邻域大小和本征维度等参数的估计问题。yansc,xud,zhangby,zhanghj于2005年在cvpr上发表了题为graphembeddingandextension:ageneralframeworkfordimensionalityreduction的文章详述了图嵌入的思想，并在此基础上解释了现有的流形学习方法，同时针对样本外点学习问题提出了线性化、核化乃至张量化的思路，最终基于图嵌入框架设计了边界fisher分析(marginalfisheranalysis，mfa)方法；camastraf于2003年在patternrecognition第36卷第12期发表了题为datadimensionalityestimationmethods:asurvey的文章依据分形维来研究样本数据集的内在几何特性，从而估计其本征维度。

显然，流形学习方法为故障诊断技术的研究提供了一个新的思路，其不仅在处理非线性数据集时性能优异，并且算法实现简单，对改善故障诊断结果的性能具有重要意义。

首先就降噪处理而言，阳建宏,徐金梧,杨德斌,黎敏于2006年在机械工程学报第42卷第8期发表了题为基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用的文章首次将流形学习方法引入基于相空间重构的降噪框架中，利用局部切空间排列实现低维主流形的识别，并通过其逆过程完成向高维空间的重构；张赟,李本威于2010年在中国科学:技术科学第8期发表了题为基于最大方差展开的非线性信号降噪方法及其在故障诊断中的应用的文章，采用最大差异展开对相空间中的高维数据进行降维，并使用多元局部多项式回归来求取高维主流形，由此得出了一种新的非线性降噪方法；苏祖强,萧红,张毅,罗久飞于2016年仪器仪表学报第37卷第9期发表了题为基于小波包分解与主流形识别的非线性降噪的文章，进一步提出了小波包分解和主流形识别相结合的非线性时序数据降噪思路。然而在主流形识别过程中邻域选择随意，并且没有根据数据分布和局部几何结构自适应地改变邻域大小，无法满足实际数据集的需要。

其次就特征约简而言，lib,zhangy于2011年在mechanicalsystems&signalprocessing第25卷第8期发表了题为supervisedlocallylinearembeddingprojection(sllep)formachineryfaultdiagnosis的文章，采用有监督局部线性嵌入算法以实现对原始故障特征集的约简，并且获得更好的故障诊断效果；李锋,汤宝平,陈法法于2012年振动与冲击第31卷13期发表了题为基于线性局部切空间排列维数化简的故障诊断的文章，对原始故障特征集合利用线性局部切空间排列(linearlocaltangentspacealignment，lltsa)实施降维处理，明显提高了诊断结果的精度；李城梁,王仲生,姜洪开,布树辉，刘贞报于2013年在振动工程学报第26卷第5期发表题为自适应hessianlle在机械故障特征提取中的应用的文章，设计出一种自适应选择邻域算法，并将其应用于海森局部线性嵌入(hessian-basedlocallylinearembedding，hlle)，在降维的同时保留原始特征集的几何结构信息，因此保证了hlle的降维处理能力，对于滚动轴承的实验结果验证了其对于故障模式识别性能的改善。由于非敏感特征会对最终结果产生干扰，故而仅仅基于流形学习的特征约简方法在提升故障诊断性能时会受限。

由于传统的基于距离测度的特征选择方法在处理小样本集和线性不可分数据集时效果不佳，蔡哲元,余建国,李先鹏,金震东于2010年在模式识别与人工智能第23卷第2期发表了题为基于核空间距离测度的特征选择的文章，以核空间距离替代欧式距离，假定使核空间中类间样本距离较大的特征具备更优的分类性能，进而提出了基于核空间距离测度的特征选择方法(kerneldistancemeasurementfeatureselection，kdm-fs)。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时序数据流行学习的机械设备故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于时序数据流行学习的机械设备故障诊断方法，该方法包括如下步骤：

(1)获取各故障类型下的训练样本，训练样本中包括多组振动信号时间序列；

(2)对每种故障类型下的每组振动信号时间序依次进行数据预处理、多特征构造、特征选择和特征融合，最终得到样本低维特征集并输入至分类器；

(3)获取测试数据，对测试数据依次进行数据预处理、多特征构造、特征选择和特征融合，最终得到测试数据低维特征集；

(4)将测试数据低维特征集输入至所述的分类器，所述的分类器进行故障诊断获取对应的故障类型。

所述的数据预处理具体为：采用基于自适应局部切空间排列和加权重构的非线性降噪算法对待预处理的数据进行降噪处理。

所述的多特征构造具体为：对预处理后的数据进行特征提取得到原始混合域高维特征集合，所述的原始混合域高维特征集合中包括如下特征数据：时频域统计特征、小波包分解能量特征、经验模态分解能量特征和自回归模型系数。

所述的特征选择具体为：首先，采用基于核空间距离测度的特征选择方法计算混合域高维特征集合中各特征数据的故障敏感系数；然后，选取故障敏感系数大于设定值的特征数据作为敏感特征数据；最后，对敏感特征数据进行加权处理得到敏感特征集，其中，加权系数为各敏感特征数据对应的故障敏感系数。

所述的特征融合采用基于邻域成分选择的谱分类方法或核领域成分选择方法计算得到对应的低维特征集。

与现有技术相比，本发明基于时序数据流行学习的机械设备故障诊断方法，针对机械设备基于振动信号数据时序数据进行故障诊断时的强噪声干扰、决策特征微弱等难点，利用流行学习方法进行设备运行状态信息进行分析，实现设备故障的趋势预报、原因分析和类别判断，进而对设备的维护及维修提供正确的指导。

附图说明

图1为本发明基于时序数据流行学习的机械设备故障诊断方法的流程框图。

图2为基于自适应局部切空间排列和加权重构的非线性降噪算法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于时序数据流行学习的机械设备故障诊断方法，该方法包括如下步骤：

(1)获取各故障类型下的训练样本，训练样本中包括多组振动信号时间序列；

(2)对每种故障类型下的每组振动信号时间序依次进行数据预处理、多特征构造、特征选择和特征融合，最终得到样本低维特征集并输入至分类器；

(3)获取测试数据，对测试数据依次进行数据预处理、多特征构造、特征选择和特征融合，最终得到测试数据低维特征集；

(4)将测试数据低维特征集输入至分类器，分类器进行故障诊断获取对应的故障类型。

数据预处理具体为：采用基于自适应局部切空间排列和加权重构的非线性降噪算法对待预处理的数据进行降噪处理，抑制和消除噪声对进一步的特征提取的影响。

多特征构造具体为：对预处理后的数据进行特征提取得到原始混合域高维特征集合，原始混合域高维特征集合中包括如下特征数据：时频域统计特征、小波包分解能量特征、经验模态分解能量特征和自回归模型系数。为了消除数值大小的影响需要对特征集做归一化处理。

特征选择具体为：首先，采用蔡哲元，余建国，李先鹏，金震东于2010年在模式识别与人工智能第23卷第2期发表的基于核空间边距测度的特征选择方法计算混合域高维特征集合中各特征数据的故障敏感系数；然后，选取故障敏感系数大于设定值的特征数据作为敏感特征数据；最后，对敏感特征数据进行加权处理得到敏感特征集，其中，加权系数为各敏感特征数据对应的故障敏感系数。

特征融合采用基于邻域成分选择的谱分类方法(linearneighborhoodcomponentselection，lncs)或核领域成分选择方法(kernelneighborhoodcomponentselection，kncs)计算得到对应的低维特征集。

如图2所示为基于于自适应局部切空间排列和加权重构的非线性降噪算法的流程图。首先，基于kimhs,eykholtr,salasjd于1999年在physicadnonlinearphenomena第127第1-2期发表的题为nonlineardynamics,delaytimes,andembeddingwindows的文章所提出的方法(以下简称为c-c方法)，获取最佳嵌入维数m和时间延迟τ，按照：

构造振动信号s(长度为n)的轨迹矩阵x＝[x1,x2,…,xn]∈r^m×n，其中m为嵌入维数，n＝n-(m-1)τ，xi(i＝1,2……n)代表m维相空间中的一个相点。然后依据自适应ltsa主流形识别和加权重构，得到重构后的轨迹矩阵最后从重构后的轨迹矩阵反求一维振动信号时间序列其中sii表示时间序列中的第i个元素在轨迹矩阵中使q+(p-1)τ＝i成立的(p，q)集合，1≤p≤m，1≤q≤n，ni为集合sii中元素的个数，代表轨迹矩阵中第p行第q列的取值，则降噪后的振动信号为

lncs和kncs的实现流程如下：

①构建邻接图g和权值矩阵w

基于样本数据集x＝[x1,x2,…,xn]∈r^m×n，n为样本数目，d是原始样本维度，y＝[y1,y2,…,yn]→[v1,v2,…,vd]∈r^d×n为对应的低维表示。构建对应的邻接图g，将x中样本点和g中结点之间建立一一对应关系，根据欧式距离度量高维空间中样本点之间的相似度，找到图中每个结点的k最近邻点，设置该点指向其k最近邻点的有向边。权值矩阵w是稀疏且对称的，其中wij表示图中结点i和j之间边的权值，具体有热核权和0-1权两种赋值方式。其中热核权定义为：

i和j有边连接时，否则，wij＝0；

0-1权定义为：

i和j有边连接时，wij＝1，否则，wij＝0。

②求解训练集低维嵌入

计算wv＝λdv对应于最大的c-1个特征值对应的特征向量，即为训练集的低维嵌入表示y＝[v1,v2,…,vc-1]^t，其中对角阵dii＝∑jwij。

③求解映射矩阵

对于lncs，通过求解正则化最小二乘问题得到c-1个特征向量：a1,a2,…,ac-1∈r^d。显然at(t＝1,2……c-1)对应于线性方程组：(xx^t+αi)at＝xvt的解，i是单位向量，可以用正则高斯消去法求解。

对于kncs，通过求解正则化核最小二乘问题得到c-1个特征向量b1,b2,…,bc-1∈r^d。显然bt(t＝1,2……c-1)对应于线性方程组(k+αi)bt＝vt的解，其中kij＝k(xi,xj)表示样本点xi和xj投影到再生核希尔伯特空间后得而内积。同样可以应用正则高斯消去法求解。

④计算测试集低维嵌入

对于lncs，利用映射矩阵a＝[a1,a2,…,ac-1]∈r^d×(c-1)，高维测试数据可以被映射到d维子空间中：x→y＝a^tx，其中d＝c-1。

对于kncs，利用映射矩阵b＝[b1,b2,…,bc-1]∈r^d×(c-1)，高维测试数据可被映射到d维子空间中：x→y＝b^tk(x,:)，其中，d＝c-1，k(x,:)＝[k(x,x1),k(x,x2),…k(x,xn)]^t。

本实施实验对象是位于驱动端的skf6205深沟球轴承，9种故障类型分别为：滚动体轻微故障、内圈轻微故障、外圈轻微故障、滚动体中度故障、内圈中度故障、外圈中度故障、滚动体严重故障、内圈严重故障、外圈严重故障。

表1给出了无特征选择、核空间距离测度特征选择(kdm-fs)2种方式下识别率比较(单位：％)。从表1可以看出，面对不同训练样本大小时，kdm-fs总体上取得相对较优的结果，并且当最近邻分类器的近邻数取不同值时，其对应的结果变化不大，效果相对平稳。

表1无特征选择、核空间距离测度特征选择2种方式下识别率

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。