CN115901249B - 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 - Google Patents
结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 Download PDFInfo
- Publication number
- CN115901249B CN115901249B CN202211384552.8A CN202211384552A CN115901249B CN 115901249 B CN115901249 B CN 115901249B CN 202211384552 A CN202211384552 A CN 202211384552A CN 115901249 B CN115901249 B CN 115901249B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- training
- evaluation
- feature
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 127
- 238000011156 evaluation Methods 0.000 title claims abstract description 125
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 106
- 230000015556 catabolic process Effects 0.000 title claims abstract description 104
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 230000036541 health Effects 0.000 claims abstract description 30
- 208000024891 symptom Diseases 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 33
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010187 selection method Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，包括：采集滚动轴承的振动信号；构建高维特征集，划分为训练数据、测试数据；将训练数据依据多个评价指标进行特征评价，获得评价指标得分；再依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；利用训练集完成多策略优化SVDD模型的训练；将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。本发明所提自适应敏感特征选择方法依据多个特征评价指标综合确定自适应敏感特征集；多策略优化的SVDD仅使用滚动轴承健康阶段早期样本完成模型训练，自适应确定退化起始点的同时能较好地克服数据异常值、虚假波动对退化模型的干扰，所提方法能准确反映滚动轴承的性能退化状况，对及早发现滚动轴承的潜在故障并进行维护具有积极作用。
Description
技术领域
本发明涉及一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法、系统，属于机械故障诊断技术领域。
背景技术
滚动轴承是机械系统的核心部件之一，广泛应用在各类旋转机械中。由于工况复杂且工作环境恶劣，导致滚动轴承易于损坏，其发生失效将导致整个机械系统的瘫痪。在役期间，因疲劳、磨损等原因，滚动轴承不可逆的发生性能退化。滚动轴承在役阶段有效开展性能退化评估，可针对性的组织维修以防失效发生，从而提高整机运行可靠性。
滚动轴承性能退化评估主要包括：监测数据获取、特征提取和模型建立，提取有效特征是准确评估滚动轴承性能的关键之一。处理非平稳数据时，因单一退化特征所蕴含的滚动轴承性能退化信息量少且抗干扰能力差，常构建一个用于综合反映滚动轴承性能退化信息的高维特征集。尽管高维特征集实现了特征间的差异互补，但其中往往会存在与退化评估目的无关的特征。通过特征评价可以对特征与退化评估目标的相关性进行排序，但特征选择时严重依赖专家先验知识，会引入主观误差。
此外，在利用特征集进行滚动轴承性能退化评估方面：首先，滚动轴承的退化过程通常包含健康阶段和退化阶段。而在生产活动中，轴承退化阶段数据较少，有时甚至仅有健康阶段数据。其次，退化阶段的开始时间定义为首次退化时间(FPT)，自适应确定FPT可以有效触发预警开展维修养护。在开展滚动轴承性能退化评估时，存在训练模型同时需要健康阶段与退化阶段数据，依据振动信号幅值变化趋势划分阶段的问题，忽略了难以获取退化阶段数据数据及需二次确定FPT的问题；最后，数据监测过程中不可避免的遭受噪音、环境变化的干扰，导致数据中存在异常值、虚假波动。借助决策策略克服随机波动及对评估结果进行修复是目前的主要应对策略，存在主观性与可解释性降低等问题。综上，利用敏感特征集进行滚动轴承退化性能评估仍旧存在缺点，如建立模型时需要使用滚动轴承全寿命数据；评估模型对异常值、虚假波动容忍度较低；需要二次确定SPT。
发明内容
本发明提供了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法、系统，通过特征优选构建敏感特征集，克服了单一特征不稳定而传统特征选择方法依靠经验选的局限性；同时多策略优化的SVDD能较好的应对退化指标的异常值、虚假波动，并基于正常样本自适应确定SPT，能够准确反映滚动轴承的性能退化状况，提高了对滚动轴承退化性能的评估能力，对及早发现滚动轴承的潜在故障并进行维护有积极作用。
本发明的技术方案是：一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，包括：
Step1、采集滚动轴承的振动信号；
Step2、提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
Step3、将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
Step5、将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。
还包括：Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。
所述Step3，包括：
Step3.1、计算训练数据高维特征的多个评价指标得分；其中，评价指标包括单调性、相关性、鲁棒性评价指标；
Step3.2、利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集；将训练数据依据敏感特征集构建训练集。
所述利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集，包括：
依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分Si；其中，Si表示第i个特征的TOPSIS得分；
将TOPSIS得分Si进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。
所述多策略优化SVDD模型中采用的核函数为多核函数Km(xp·xv)，具体为：
Km(xp·xv)＝ωK1(xp·xv)+(1-ω)K2(xp·xv)
式中，xp、xv分别为第p、v个训练样本；ω是权重，满足0<ω<1；K1(xp·xv)和K2(xp·xv)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数kGauss(xp·xv)，Sigmoid核函数kTanh(xp·xv)以及Laplace核函数kLapl(xp·xv)。
所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标，包括：将训练集作为健康空间向量，将测试数据依据敏感特征集构建测试集，利用自联想核回归AAKR对测试集进行重构，得到测试集中的样本映射到健康空间向量的映射值；计算测试集中样本的映射值与超球体球心之间的距离作为滚动轴承的性能退化指标HI。
所述自联想核回归AAKR对测试集进行重构采用的距离公式如下：
||Qt-Xo||2＝1+(Qt-Xo)TS-1(Qt-Xo)-(Qt·Xo)/(|Qt|·|Xo|)
式中，||Qt-Xo||2表示测试集Qt中样本和健康空间向量Xo中每个健康特征值之间的距离；S为对角矩阵，对角线上值为健康空间向量Xo中各特征向量的方差，T表示转置。
所述测试集中样本的映射值与超球体球心之间的距离Dt，表达式如下：
式中，qt表示第t个重构后的测试样本，xp、xv分别为第p、v个训练样本，Dt表示第t个重构后的测试样本到超球体中心的距离，αp、αv为拉格朗日乘子；Km(qt·qt)、Km(xp·qt)、Km(xp·xv)表示多核函数。
所述Step6，包括：
Step6.1、将经过训练集确定的超球体半径R作为自适应报警阈值；
Step6.2、将测试集中样本确定的距离Dt与自适应报警阈值R比较：当Dt≤R时，表明滚动轴承处在正常运行阶段，当Dt>R时，表明滚动轴承处于退化阶段；
Step6.3、当测试集中样本的评估指标Dt连续多次超过R时，确定第一次超过R的点为退化起始点，通过分析退化起始点及起始点的前一个点的包络谱进行验证评估。
根据本发明的另一方面，还提供了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估系统，包括：
采集模块，用于采集滚动轴承的振动信号；
划分模块，用于提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
第一确定模块，用于将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
第二确定模块，用于利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
执行模块，用于将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。
本发明的有益效果是：
1、本发明能基于多评价指标综合评价特征并自适应确定敏感特征集的方法。具体而言，基于TOPSIS-聚类方法首先通过综合评价方法依据多个评价指标综合评价特征，然后通过聚类算法自适应确定敏感特征集；在不依赖专家先验知识确定阈值、权重等的前提下，自适应确定敏感特征剔除无效特征，既能获得准确全面描述滚动轴承退化过程的敏感特征集，又能避免由于无效特征导致的计算负担，提升了输入性能退化评估模型的数据质量。
2、本发明提出了多策略优化SVDD的滚动轴承性能退化评估模型，提升了滚动轴承的性能退化评估能力，对及早发现滚动轴承的潜在故障并进行维护有积极作用。具体而言，第一方面，本发明通过限定训练数据仅包含滚动轴承的振动信号的健康阶段的部分数据，模型使用健康阶段的早期样本完成模型训练，克服了实际轴承设备运行中故障样本较难获取的问题；第二方面，将超球体半径R设置为自适应报警阈值，当滚动轴承的性能退化评估指标连续超过自适应报警阈值时，对滚动轴承的退化状态做出预警，对实际生产中轴承故障发生的预警有积极的指导意义；另一方面，本发明通过引入多核函数增强模型的学习、泛化能力及引入AAKR校正监测数据中出现的误差，提高模型对数据中的异常值、虚假波动的容忍度。
综上，本发明所提方法无需依赖专家经验依据多个特征评价指标自适应确定敏感特征集，克服了单一特征不稳定而传统特征选择方法依靠专家先验知识的局限性；同时退化评估模型仅使用健康阶段的早期样本完成模型训练，自适应确定退化起始点同时能较好的克服异常值、虚假波动对模型的干扰，能够准确反映滚动轴承的性能退化状况，对及早发现滚动轴承的潜在故障并进行维护有积极作用；通过结合特征优选与多策略优化SVDD，提升了滚动轴承的性能退化评估能力。
附图说明
图1为本发明的滚动轴承性能退化评估流程图；
图2为本发明所使用数据集的滚动轴承加速退化测试平台；
图3为本发明的滚动轴承的振动信号时域图；
图4为本发明的滚动轴承性能退化评估曲线；
图5为本发明的包络谱分析结果图。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-图5所示，一种结合特征优选与多策略优化的SVDD的滚动轴承性能退化评估方法，包括：Step1、采集滚动轴承的振动信号；可以使用加速度传感器、声发射传感器等采集滚动轴承的振动信号；Step2、提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；Step3、将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；Step5、将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。
进一步地，可以设置还包括：Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。
进一步地，可以设置所述Step3，包括：Step3.1、计算训练数据高维特征的多个评价指标得分；其中，评价指标包括单调性、相关性、鲁棒性评价指标；Step3.2、利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集；将训练数据依据敏感特征集构建训练集。
进一步地，可以设置所述利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集，包括：依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分Si；其中，Si表示第i个特征的TOPSIS得分；将TOPSIS得分Si进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。
进一步地，可以设置所述多策略优化SVDD模型中采用的核函数为多核函数Km(xp·xv)，具体为：
Km(xp·xv)＝ωK1(xp·xv)+(1-ω)K2(xp·xv)
式中，xp、xv分别为第p、v个训练样本；ω是权重，满足0<ω<1；K1(xp·xv)和K2(xp·xv)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数kGauss(xp·xv)，Sigmoid核函数kTanh(xp·xv)以及Laplace核函数kLapl(xp·xv)。
进一步地，可以设置所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标，包括：将训练集作为健康空间向量，将测试数据依据敏感特征集构建测试集，利用自联想核回归(Auto-AssociativeKernel Regression,AAKR)对测试集进行重构，得到测试集中的样本映射到健康空间向量的映射值；计算测试集中样本的映射值与超球体球心之间的距离作为滚动轴承的性能退化指标HI。
进一步地，可以设置所述AAKR对测试集进行重构采用的距离公式如下：
||Qt-Xo||2＝1+(Qt-Xo)TS-1(Qt-Xo)-(Qt·Xo)/(|Qt|·|Xo|)
式中，||Qt-Xo||2表示测试集Qt中样本和健康空间向量Xo中每个健康特征值之间的距离；S为对角矩阵，对角线上值为健康空间向量Xo中各特征向量的方差，T表示转置。
进一步地，可以设置所述测试集中样本的映射值与超球体球心之间的距离Dt，表达式如下：
式中，qt表示第t个重构后的测试样本，xp、xv分别为第p、v个训练样本，Dt表示第t个重构后的测试样本到超球体中心的距离，αp、αv为拉格朗日乘子；Km(qt·qt)、Km(xp·qt)、Km(xp·xv)表示多核函数。
进一步地，可以设置所述Step6，包括：
Step6.1、将经过训练集确定的超球体半径R作为自适应报警阈值；
Step6.2、将测试集中样本确定的距离Dt与自适应报警阈值R比较：当Dt≤R时，表明滚动轴承处在正常运行阶段，当Dt>R时，表明滚动轴承处于退化阶段；
Step6.3、当测试集中样本的评估指标Dt连续多次超过R时，确定第一次超过R的点为退化起始点，通过分析退化起始点及起始点的前一个点的包络谱进行验证评估。
再进一步地，本发明给出可选地具体实施方式如下：
Step1、获取滚动轴承的振动信号，进行降噪处理(可以采用小波降噪、滤波器降噪)；
Step2、提取滚动轴承的振动信号的时域、频域特征向量，构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成，可以是健康阶段的全部数据，也可以是健康阶段的部分数据。
具体而言，本实施例中，使用XJTU-SY公开的滚动轴承数据集作为滚动轴承的振动信号，XJTU-SY实验所采用的滚动轴承加速退化测试平台如图2所示，其由测试轴承、交流电动机、电机转速控制器、液压加载系统等部件组成。实验中采用两枚PCB352C33单向加速度传感器分别采集了滚动轴承的水平、垂直方向的振动信号，采样频率为25.6kHz，采样间隔1min，每次采样时长为1.28s。从数据集中选择工况一下中的Bearing1-3子数据集，其采集了158个样本。图3为该滚动轴承的振动信号的时域波形(图3上为水平方向、图3下为垂直方向)。对每一个振动信号样本提取时域、频域的多个特征，时域特征包括均值、平均幅值、最大值等，频域特征包括重心频率、均方频率等，本实施例中，时域、频域的特征如表1所示；将滚动轴承的振动信号依采集时间按1：3的比例将高维特征集划分为训练数据和测试数据且满足训练数据中只包括滚动轴承的振动信号中健康阶段的数据；即158个样本中前1/4向上/向下取整作为训练数据，余下约3/4作为测试数据。需要说明的是，本发明中滚动轴承的振动信号包括健康阶段和退化阶段的数据，依采集时间将滚动轴承的振动信号进行划分，确保训练数据仅包含健康阶段的数据，测试数据不做限定。通过对训练数据进行限定，确保建立模型时不使用滚动轴承的振动信的退化阶段数据。
Step3、训练数据依据单调性、相关性、鲁棒性指标进行特征评价，并利用TOPSIS-Kmedoids方法基于特征的评价指标得分自适应确定敏感特征构建训练集；
表1时域、频域特征表
作为本发明的进一步方案，所述Step3中，为特征选择提出一种依据单调性、相关性、鲁棒性指标进行特征评价，并利用优劣解距离法(Technique for Order Preferenceby Similarity to Ideal Solution，TOPSIS)与K中心点(K-medoids)相结合(TOPSIS-Kmedoids)的敏感特征集自适应确定方法，单调性、相关性、鲁棒性是客观的评价指标，性能退化为不可逆过程，单调性评价指标用于衡量特征单调地表征滚动轴承运行至失效的过程的能力；鲁棒性指标用于衡量特征应对随机噪声、异常值的容忍度；相关性指标用于衡量特征是否能够捕捉寿命周期中故障趋势特性。单一评价指标难以对特征质量进行全面、准确的评价，为寻求特征与评估目标最大相关，依据单调性、相关性、鲁棒性指标开展特征评价，评价指标均为正向指标，即评价得分越高，特征质量亦越优。依靠多指标综合评价特征时常用线性加权构建新的度量指标，而权重的分配将直接影响到评价结果，且确定敏感特征集时依赖专家先验知识存在主观性。TOPSIS-Kmedoids能利用单调性、相关性、鲁棒性评价指标进行特征综合评价并自适应构建敏感特征集。
训练数据依据单调性、相关性、鲁棒性指标进行特征评价，并利用TOPSIS-Kmedoids方法基于特征的评价指标得分自适应确定敏感特征构建敏感集，包括：
Step3.1、计算训练数据高维特征的单调性Mon、相关性Cor、鲁棒性Rob评价指标得分，计算表达式为：
式中，fi表示训练数据中的第i个特征向量，ti表示时间向量，rank(fi)、rank(ti)分别为fi与ti的升序排序，fi t、fi r分别为fi经过滑动平均方法获得的趋势项和残差项，满足fi＝fi t+fi r。
Step3.2、依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分Si；其中，Si表示第i个特征的TOPSIS得分；
Step3.3、将Step3.2中Si进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。
具体而言，将Step3.2中Si进行归一化后作为聚类样本后，并从中随机选择N个聚类样本生成N个初始的聚类中心，计算其余聚类样本与各初始聚类中心的距离，各聚类样本与距离其最近的初始的聚类中心组成一个簇；聚类中心通过迭代进行调整，使得所有聚类样本与其所在簇的聚类中心的距离值之和J最小，其函数表达式为：
式中，ck表示第k个簇，ok则为该簇的聚类中心，D(Sm,ok)表示Sm和ok的距离。将聚类中心点TOPSIS值最大的一类特征确定为敏感特征集。
本实施例中，将N值取2就可以有效地获取敏感特征集。同时，可以使得获取的结果更为直观，即一个簇表征敏感特征，一个簇表征非敏感特征。
Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
具体而言，SVDD模型，即超球体模型求解问题的目标函数F为：
目标函数同时满足约束条件：||xp-o||≤R2+ξp，ξp≥0。式中，xp为第p个训练样本；R为超球体半径，o为超球体球心。ξp为松弛因子，松弛因子允许少许训练样本分布在超球体外，以降低野点对超球体半径的影响。C为惩罚因子，惩罚因子用于权衡错分率与超球体体积。式(5)引入拉格朗日乘子αp(αp≥0)，将约束条件融合至目标函数构成对偶形式，可得：
式中，αp、αv为拉格朗日乘子；Km(xp·xv)表示多核函数。采用合成核方法构造多核函数，即：
Km(xp·xv)＝ωK1(xp·xv)+(1-ω)K2(xp·xv) (7)
式中，xp、xv分别为第p、v个训练样本，ω是权重，满足0<ω<1，K1(xp·xv)和K2(xp·xv)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数kGauss(xp·xv)，Sigmoid核函数kTanh(xp·xv)以及Laplace核函数kLapl(xp·xv)。单核函数计算公式为：
式中s1、β、θ、s2均为核参数。超球体半径R计算公式为：
Step5、测试数据依据敏感特征集构建测试集，计算测试样本与超球体中心的距离作为滚动轴承的性能退化评估指标；
所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标，包括：
将训练集作为健康空间向量Xo，将测试数据依据敏感特征集构建测试集，利用自联想核回归(Auto-AssociativeKernelRegression,AAKR)对测试集进行重构，得到测试集中的样本映射到健康空间向量的映射值；计算测试集中样本的映射值与超球体球心之间的距离D作为滚动轴承的性能退化指标HI。
具体而言，利用AAKR算法对测试样本进行重构，计算测试集Qt中样本和健康空间Xo中每个健康特征值之间的距离，计算公式如下：
||Qt-Xo||2＝1+(Qt-Xo)TS-1(Qt-Xo)-(Qt·Xo)/(|Qt|·|Xo|) (10)
式中，||Qt-Xo||2表示测试集Qt中样本和健康空间向量Xo中每个健康特征值之间的距离；S为对角矩阵，对角线上值为健康空间向量Xo中各特征向量的方差，T表示转置。对于测试集中第t个样本，基于径向基核函数计算健康空间向量Xo中第p个健康特征值对应的权重wp,t，计算公式为：
式中，h为核带宽参数。计算测试集Xt映射到健康空间Xo的重构向量计算公式如下：
重构后的测试样本qt到超球体球心的距离Dt的计算公式为：
式中，qt表示重构向量中第t个重构后的测试样本，Dt表示第t个重构后的测试样本到超球体中心o的距离，Km(qt·qt)、Km(xp·qt)、Km(xp·xv)表示多核函数。
测试样本与超球体球心之间的距离Dt作为滚动轴承的性能退化指标HI，退化评估的结果如图4所示。监测滚动轴承性能退化时，监测数据因遭受噪音、环境变化等的干扰而存在异常值、虚假波动。因单核函数处理数据中的异常值及虚假波动存在局限性，不同核函数针对不同数据有不同的学习能力与泛化性，多核函数将不同类型的核函数组合之后兼具良好的学习能力和较好的泛化性；AAKR利用健康空间向量重构测试样本校正检测数据中出现的误差以提高退化评估模型的模型鲁棒性与识别准确率。故而通过采用多核函数及引入AAKR的多策略优化SVDD模型，能有效减少异常值、虚假波动对模型的干扰以提高滚动轴承性能退化模型的评估能力。
Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果，具体地：
Step6.1、将经过训练集确定的超球体半径R作为自适应报警阈值；
Step6.2、将测试集中样本确定的距离Dt与自适应报警阈值R比较：当Dt≤R时，表明滚动轴承处在正常运行阶段，当Dt>R时，表明滚动轴承处于退化阶段；再进一步地，将退化阶段Dt的大小作为退化程度的依据，Dt取值越大表明滚动轴承性能退化越严重。
Step6.3、当测试集中样本的评估指标Dt连续5次超过R时，表明滚动轴承从健康阶段转变到退化阶段，确定第一次超过R的点为退化起始点，通过分析退化起始点及其前一点的包络谱进行验证评估。在本发明的实施例中，在运行的前58个样本期间(即第1-第58个样本，共计58个样本)，测试样本的HI值均在预警线以下，表明该阶段滚动轴承处于健康阶段。自59样本以后HI值超过阈值并逐渐增大，说明滚动轴承性能开始发生退化。对退化起始点59及第58点的振动信号分别进行包络谱分析，分析结果如图5所示，在图5中可以清楚的发现滚动轴承外圈故障频率及其倍频，验证了预警的有效性。
通过上述技术方案，本发明所提自适应敏感特征选择方法依据多个特征评价指标综合确定自适应敏感特征集；多策略优化的SVDD仅使用滚动轴承健康阶段早期样本完成模型训练，自适应确定退化起始点的同时能较好地克服数据异常值、虚假波动对退化模型的干扰，所提方法能准确反映滚动轴承的性能退化状况，对及早发现滚动轴承的潜在故障并进行维护具有积极作用。
实施例2：
根据本发明的另一方面，还提供了一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估系统，包括：
采集模块，用于采集滚动轴承的振动信号；
划分模块，用于提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
第一确定模块，用于将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
第二确定模块，用于利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
执行模块，用于将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标。
进一步地，还包括验证模块，用于将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，包括：
Step1、采集滚动轴承的振动信号；
Step2、提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
Step3、将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
Step4、利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
Step5、将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标；
所述Step3，包括：
Step3.1、计算训练数据高维特征的多个评价指标得分；其中，评价指标包括单调性、相关性和鲁棒性评价指标；
Step3.2、利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集；将训练数据依据敏感特征集构建训练集。
2.根据权利要求1所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，还包括：
Step6、将超球体半径设置为自适应报警阈值，当滚动轴承的性能退化评估指标超过自适应报警阈值时，对滚动轴承的退化状态做出预警，并利用包络谱验证预警结果。
3.根据权利要求1所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集，包括：
依据TOPSIS方法，确定各评价指标的正理想解和负理想解，并分别计算高维特征的评价指标与正理想解、负理想解之间的距离值，获得特征的TOPSIS得分Si；其中，Si表示第i个特征的TOPSIS得分；
将TOPSIS得分Si进行归一化后作为聚类样本，利用聚类方法进行聚类，将聚类结果中TOPSIS值最大的一类特征确定为敏感特征集。
4.根据权利要求1或2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述多策略优化SVDD模型中采用的核函数为多核函数Km(xp·xv)，具体为：
Km(xp·xv)＝ωK1(xp·xv)+(1-ω)K2(xp·xv)
式中，xp、xv分别为第p、v个训练样本；ω是权重，满足0＜ω＜1；K1(xp·xv)和K2(xp·xv)是两个不同的单核函数；其中，单核函数选择以下之一：Gauss核函数kGauss(xp·xv)，Sigmoid核函数kTanh(xp·xv)以及Laplace核函数kLapl(xp·xv)。
5.根据权利要求1或2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述将测试数据依据敏感特征集构建测试集，计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标，包括：将训练集作为健康空间向量，将测试数据依据敏感特征集构建测试集，利用自联想核回归AAKR对测试集进行重构，得到测试集中的样本映射到健康空间向量的映射值；计算测试集中样本的映射值与超球体球心之间的距离作为滚动轴承的性能退化指标HI。
6.根据权利要求5所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述自联想核回归AAKR对测试集进行重构采用的距离公式如下：
||Qt-Xo||2＝1+(Qt-Xo)TS-1(Qt-Xo)-(Qt·Xo)/(|Qt|·|Xo|)
式中，||Qt-Xo||2表示测试集Qt中样本和健康空间向量Xo中每个健康特征值之间的距离；S为对角矩阵，对角线上值为健康空间向量Xo中各特征向量的方差，T表示转置。
7.根据权利要求5所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述测试集中样本的映射值与超球体球心之间的距离Dt，表达式如下：
式中，qt表示第t个重构后的测试样本，xp、xv分别为第p、v个训练样本，Dt表示第t个重构后的测试样本到超球体中心的距离，αp、αv为拉格朗日乘子；Km(qt·qt)、Km(xp·qt)、Km(xp·xv)表示多核函数。
8.根据权利要求2所述的结合特征优选与多策略优化SVDD的滚动轴承性能退化评估方法，其特征在于，所述Step6，包括：
Step6.1、将经过训练集确定的超球体半径R作为自适应报警阈值；
Step6.2、将测试集中样本确定的距离Dt与自适应报警阈值R比较：当Dt≤R时，表明滚动轴承处在正常运行阶段，当Dt>R时，表明滚动轴承处于退化阶段；
Step6.3、当测试集中样本的评估指标Dt连续多次超过R时，确定第一次超过R的点为退化起始点，通过分析退化起始点及起始点的前一个点的包络谱进行验证评估。
9.一种结合特征优选与多策略优化SVDD的滚动轴承性能退化评估系统，其特征在于，包括：
采集模块，用于采集滚动轴承的振动信号；
划分模块，用于提取滚动轴承的振动信号的时域、频域特征向量构建高维特征集，将高维特征集划分为训练数据、测试数据；其中，训练数据由滚动轴承的振动信号中健康阶段的数据构成；
第一确定模块，用于将训练数据依据多个评价指标进行特征评价，获得评价指标得分；依据评价指标得分，确定敏感特征集；将训练数据依据敏感特征集构建训练集；
第二确定模块，用于利用训练集完成多策略优化SVDD模型的训练，确定超球体的中心和半径；
执行模块，用于将测试数据依据敏感特征集构建测试集；计算测试集中样本与超球体中心的距离作为滚动轴承的性能退化评估指标；
所述第一确定模块，包括：
用于计算训练数据高维特征的多个评价指标得分的单元；其中，评价指标包括单调性、相关性和鲁棒性评价指标；
用于利用TOPSIS-聚类方法综合评价特征并自适应确定敏感特征集的单元；将训练数据依据敏感特征集构建训练集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384552.8A CN115901249B (zh) | 2022-11-07 | 2022-11-07 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384552.8A CN115901249B (zh) | 2022-11-07 | 2022-11-07 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115901249A CN115901249A (zh) | 2023-04-04 |
| CN115901249B true CN115901249B (zh) | 2024-02-27 |
Family
ID=86493063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211384552.8A Active CN115901249B (zh) | 2022-11-07 | 2022-11-07 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901249B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116415448B (zh) * | 2023-06-12 | 2023-09-05 | 昆山工业大数据创新中心有限公司 | 一种工业旋转设备健康状态评估方法、装置及设备 |
| CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
| CN118641194B (zh) * | 2024-08-13 | 2024-11-05 | 南通市通胜汽车部件科技有限公司 | 一种自适应负载变化的钢带性能测试方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
| CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
| CN112434636A (zh) * | 2020-12-03 | 2021-03-02 | 西安交通大学 | 一种机床零部件健康状态监测方法及系统 |
| WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107941537B (zh) * | 2017-10-25 | 2019-08-27 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| US11610043B2 (en) * | 2021-03-05 | 2023-03-21 | Taiwan Semiconductor Manufacturing Co., Ltd. | Machine learning based model builder and its applications for pattern transferring in semiconductor manufacturing |
-
2022
- 2022-11-07 CN CN202211384552.8A patent/CN115901249B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
| WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
| CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
| CN112434636A (zh) * | 2020-12-03 | 2021-03-02 | 西安交通大学 | 一种机床零部件健康状态监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 改进BA 优化的MKSVDD 航空发动机工作状态识别;何大伟等;《北京航空航天大学学报》;第44卷(第10期);第2238-2246页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115901249A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115901249B (zh) | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
| Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
| Yang et al. | Bearing fault automatic classification based on deep learning | |
| CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
| CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN111597651B (zh) | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 | |
| CN108303253A (zh) | 基于长短时记忆循环神经网络的轴承早期故障识别方法 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
| Cheng et al. | A bearing fault diagnosis method based on VMD-SVD and Fuzzy clustering | |
| CN112729834A (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN116401950B (zh) | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 | |
| CN113776837B (zh) | 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法 | |
| CN111428318A (zh) | 一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法 | |
| CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN113112000B (zh) | 一种多层次卷积神经网络模型的构建方法及应用 | |
| Liu et al. | A rotor fault diagnosis method based on BP-Adaboost weighted by non-fuzzy solution coefficients | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN116429426A (zh) | 一种多域特征融合的轴承故障诊断方法、装置及介质 | |
| CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 | |
| Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
| Hu et al. | Incipient mechanical fault detection based on multifractal and MTS methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |