一种基于期望差异约束置信网络的机械设备故障诊断方法

摘要

一种基于期望差异约束置信网络的机械设备故障诊断方法，首先获取机械设备在不同健康状态下的振动信号，提取平移不变特征；以平移不变特征为输入，提取振动信号的深度特征；然后以深度特征为输入，提取对工况鲁棒的故障特征；最后基于提取的对工况鲁棒的故障特征，训练Softmax分类器，利用训练后的分类器完成多工况下机械设备故障的智能诊断，本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的机械设备故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好，同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。

说明书

技术领域

本发明属于机械设备故障诊断技术领域，具体涉及一种基于期望差异约束置信网络的机械设备故障诊断方法。

背景知识

机械设备广泛应用于航空航天、石油化工、精密机床、高速列车等诸多领域，在这些领域中，机械设备常常工作于工况复杂的环境中，恶劣的工况环境使得机械设备故障频发，因此需要对机械设备进行故障诊断和维护，以保证机械设备的安全可靠、稳定运行。传统故障诊断方法一般包括信号获取、特征提取、故障识别三个步骤，随着深度学习理论的引入，深度智能故障诊断方法能够直接从原始信号中自适应提取故障特征，实现机械健康状态的智能识别，从而克服了机械“大数据”时代下传统故障诊断方法过于依赖诊断专业知识及泛化能力较弱的缺点。作为一种常用的深度学习模型，深度置信网络(Deep BeliefNetwork，DBN)因其模型及训练算法简单，常用于智能故障诊断领域。作为DBN的基本组件受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)可以自动提取用于诊断的数据特征，结合训练数据标签训练分类器，实现故障识别。然而，在故障诊断过程中，往往只能收集到某些工况下的带标签训练数据，因此训练得到的RBM模型仅仅能够识别这些工况下发生的故障，但是在缺失标签数据的新工况下，由于工况变化引起提取的特征分布发生变化，致使故障识别精度下降。因此针对机械设备某些运行工况下带标签数据不完备的问题，需要一种无监督特征学习方法，提取对工况鲁棒的特征，最终实现多工况下故障的准确识别。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出一种基于期望差异约束置信网络的机械设备故障诊断方法，从原始振动信号中提取对工况鲁棒的故障特征，提高缺失标签数据的新工况下机械设备的故障诊断的可靠性和准确性。

为了达到上述目的，本发明采取的技术方案为：

一种基于期望差异约束置信网络的机械设备故障诊断方法，包括以下步骤：

1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；

2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征f_SIF；

3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征f_DF；

4)获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征f_RF；

5)将故障特征f_RF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号对应的健康状态，完成多工况下机械设备的智能故障诊断。

所述的步骤3)训练中的目标函数为：

式中，v表示可见单元，v_i表示第i个可见单元，a_i表示v_i的偏置，h表示隐藏单元，h_j表示第j个隐藏单元，b_j表示h_j的偏置，w_ij表示连接v_i和h_j的权重，σ_i表示高斯噪声的标准差。

所述的步骤4)中提取对工况鲁棒的故障特征，具体包括以下步骤：

4.1)利用深度特征f_DF，通过同时最小化步骤3)训练中的目标函数和期望差异约束EDC(Expectation>

式中，t为迭代次数，η为学习率，期望差异约束EDC的w、a及b的梯度值为：

其中期望差异约束EDC的梯度值为：

式中

其中期望差异约束EDC设计为：

通过结合步骤3)训练中的目标函数和期望差异约束EDC，期望差异约束受限玻尔兹曼机的目标函数为：

式中，β为EDC的惩罚因子；P为训练样本数目；Q测试样本数目；输入为第P个训练样本时第j个隐层单元的输出；输入为第Q个测试样本时第j个隐层单元的输出；

4.2)以步骤3)中提取的深度特征f_DF作为输入，提取对工况鲁棒的故障特征f_RF；

f_RF＝sigm(w·f_DF+b)

式中，sigm(·)表示激活函数。

本发明的有益效果为：

本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的机械设备故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好；同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。

附图说明

图1为本发明实施例的流程图。

图2为本发明鲁棒受限玻尔兹曼机的结构图。

图3为本发明方法的诊断结果。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述。

参照图1，一种基于期望差异约束置信网络的机械设备故障诊断方法，包括以下步骤：

1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；

2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征f_SIF，具体为：

2.1)在振动信号集上以I_train为截取样本片段的步长分别截取M个数据点，组成N((D-M)/I_train+1)个训练样本集；依次通过白化和Z-score标准化得到预处理后的训练样本集然后以预处理后的训练样本集作为输入，通过对比散度算法完成训练；

Z-score标准化操作表达式如下所示：

式中，x为原始数据；为原始数据的均值；σ为原始数据的标准差；x^*为Z-score标准化后的数据；

2.2)以步长I_test获取振动信号的局部特征集其中K＝(D-M)/I_test+1；通过操作提取每一个局部数据集的局部特征f_i，其中W_LC、b_LC分别为权重和偏置，得到的所有局部特征组成信号的局部特征矩阵

2.3)取局部特征矩阵每一列的最大值，作为振动信号xⁱ的信号平移不变特征f_SIF；

其中max(f_LC,1)表示计算矩阵f_LC中每一列的最大值；

3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征f_DF，具体包括以下步骤：

3.1)利用平移不变特征f_SIF，通过对比散度算法完成训练，过程如下：

a)任意给定初始权值W、可见层偏置a和隐藏层偏置b，从振动信号集中提取平移不变特征，得到平移不变特征训练集；

b)利用平移不变特征训练集，通过使用对比散度算法来最小化目标函数，完成训练；

训练中的目标函数为：

式中，v表示可见单元，v_i表示第i个可见单元，a_i表示v_i的偏置，h表示隐藏单元，h_j表示第j个隐藏单元，b_j表示h_j的偏置，w_ij表示连接v_i和h_j的权重，σ_i表示高斯噪声的标准差；

其中对比散度算法为：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_reco)

Δa_i＝ε(<v_i>_data-<v_i>_reco)

Δb_j＝ε(<h_j>_data-<h_j>_reco)

式中，ε为学习率，<·>_data表示数据的期望值，<·>_reco表示重构的期望值；

3.2)结合平移不变特征训练集通过BP算法进行微调；

3.3)以步骤2)中提取的平移不变特征f_SIF作为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征f_DF；

4)参照图2，获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征f_RF，具体包括以下步骤：

4.1)利用深度特征f_DF，通过同时最小化步骤3)训练中的目标函数和期望差异约束EDC(Expectation>

式中，t为迭代次数，η为学习率，期望差异约束EDC的w、a及b的梯度值为：

式中，Δw_ij，Δa_i，Δb_j已由步骤3)求出；

其中EDC的梯度值为：

式中

其中期望差异约束EDC设计为：

通过结合步骤3)训练中的目标函数和期望差异约束EDC，期望差异约束受限玻尔兹曼机的目标函数为：

式中，β为EDC的惩罚因子；P为训练样本数目；Q测试样本数目；输入为第P个训练样本时第j个隐层单元的输出；输入为第Q个测试样本时第j个隐层单元的输出；

4.2)以步骤3)中提取的深度特征作f_DF为输入，提取对工况鲁棒的故障特征f_RF；

f_RF＝sigm(w·f_DF+b)

式中，sigm(·)表示激活函数；

5)将故障特征f_RF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号对应标签的输出概率训练分类器；训练完成后，以最大输出概率的标签作为该振动信号对应的健康状态，完成多工况下机械设备的智能故障诊断。

实施例：通过对多工况下机械设备中的齿轮故障进行智能诊断，对本发明作进一步描述。

本实施例采用的数据集为二级行星齿轮箱故障数据集，共包含5个子集，分别对应5种健康状态，分别为太阳轮磨损、太阳轮剥落、行星轮裂纹、行星轮轴承故障和正常状态。每种健康状态分别对应4种工况条件，在这里采用的是不同转速条件下的数据集，转速分别为30Hz、35Hz、40Hz和45Hz。行星齿轮箱每种健康状态的每种转速下采集50个振动信号样本，每个振动信号样本的数据长度为2560个数据点。因此，每种健康状态下共采集了200个振动信号样本，整个数据集共包含1000个振动信号样本。为了验证本发明方法在不同工况下的诊断性能，分别用单一转速下的样本训练模型，剩下的不同转速的样本作为未知的新工况，对本发明方法的诊断性能进行测试。使用本发明方法对行星齿轮箱故障数据集进行诊断，针对该数据集，设置期望差异约束置信网络参数如下所示：步骤2)中选择可见层单元数为100，隐藏单元数为400，截取样本片段的步长为60，学习率为9.85E-5，经过1500次迭代后停止训练，提取振动信号的平移不变特征；步骤3)选择隐藏单元数为350，训练的学习率为1E-4，迭代500次后停止训练，微调过程学习率为2.5E-3，提取深度特征；步骤4)中选择隐藏单元数为350，学习率5E-6，EDC项的惩罚系数选取为0.2，经过500次迭代后停止训练，提取对工况鲁棒的故障特征；训练Softmax分类器的权重衰减因子λ为1E-5。使用本发明方法，得到的故障诊断精度如表1所示，从表1中可以看出，本发明方法在各个转速差异值下均可保持90％以上的诊断精度，诊断稳定性较高，说明本发明方法在转速变化时的故障识别鲁棒性较好。

为验证本发明方法的有效性，将本发明方法与基于局连滑移受限玻尔兹曼机的故障诊断方法以及基于卷积神经网络的故障诊断方法的故障识别精度进行对比。诊断结果对比如图3所示。从图3的对比结果可以看出，本发明方法得到的故障识别精度更高，对转速变化的鲁棒性更好，从而克服了新转速下带标签振动信号数据缺失的问题。通过以上行星齿轮箱故障诊断具体处理过程分析以及与两种方法的诊断结果对比可以发现，本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的齿轮故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好，同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。

表1