一种基于最小信息熵特征学习模型的旋转机械故障诊断方法

摘要

本发明提供了一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，包括以下步骤：构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；对特征矩阵的行进行L2范数归一化，然后最小化特征矩阵的信息熵得到训练好的权值矩阵；通过训练好的权值矩阵求出故障振动信号的特征，并进行Z‑score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；通过权值矩阵求出测试环境下的旋转机械振动信号的特征，并进行Z‑score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。本发明通过最小化特征矩阵的信息熵提取样本间的区分性特征，并引入Hankel矩阵与特征的Z‑score标准化，较已有的无监督特征提取方法，具有更好的噪声适应能力、准确性和鲁棒性。

说明书

技术领域

本发明涉及振动信号智能故障诊断技术领域，涉及一种基于最小信息熵特征学习模型的旋转机械故障诊断方法。

背景技术

随着现代化工业的发展和科学技术的进步，工程车辆、轨道交通等装载工具正朝着高速、高精、高效方向发展，建立可靠的健康监测系统是保证这些设备高效、安全运行的必要举措，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。作为传动动力的主要部件，齿轮箱具有结构紧凑，传递精度高，传递扭矩大的特点，在航空、工程车辆、轨道交通等领域得到了广泛的应用。齿轮箱中的旋转部件如轴、轴承、齿轮等具有加工精度高，传递误差小，装备精度高等特点，常在各种复杂多变的作业工况、行驶环境下工作，是齿轮箱最关键的也是易出现故障的部件，这些故障信号往往被淹没在环境噪声之中，不易被察觉。

建立可靠的健康监测系统是保证这些设备高效、安全运行的必要举措，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。由于计算机网络的迅速发展，机械健康监测的设备群规模大、需要的测点多、数据收集历时长，获取的是海量的数据，促使机械健康监测系统进入了“大数据”时代。传统的故障诊断方法已经无力应对，研究利用先进的数据驱动方法，从机械大数据中提取信息，准确高效地识别设备健康状况，成为机械故障诊断领域新的热点问题。基于深度学习的机械健康监测方法实现了无监督学习和监督学习的有机结合，可同时完成大数据故障特征自适应提取和机械健康状况的识别，克服了传统方法在特征提取与故障识别中的不足。

多数深度学习算法有很多的超参数需要调节，这些调节过程本身是需要先验经验的，同时在噪声环境下的特征泛化能力较差。

发明内容

为解决上述问题，本发明提供了一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，在本发明中提出了简单、高效的基于最小信息熵的特征学习模型，学习旋转机械振动信号的故障特征并实现故障模式的诊断识别。

为实现上述目的，本发明的技术方案为：

一种基于最小信息熵特征学习模型的旋转机械故障诊断方法，包括以下步骤：

根据采集到的故障振动信号构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；

对特征矩阵的行进行L

通过训练好的权值矩阵求出故障振动信号的特征，对故障振动信号的特征进行Z-score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；

通过权值矩阵求出测试环境下的旋转机械振动信号的特征，对所述旋转机械振动信号的特征进行Z-score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。

进一步的，在步骤1中构造Hankel矩阵的过程为：设M个带有标签的旋转机械振动信号样本为

进一步的，在步骤2中最小化特征矩阵的信息熵的过程为：首先最小化代价函数J

其中，

更进一步的，在步骤3中训练Softmax分类器的实现过程为：通过特征激活函数和训练好的权值矩阵提取故障振动信号的特征；然后对特征进行Z-score标准化，即f

本发明通过最小信息熵特征学习算法提取样本特征，通过Hankel矩阵与特征的Z-score标准化，使得故障诊断方法更加准确、合理。该方法首先通过已有的标签数据训练最小信息熵特征学习模型，然后在实际的旋转机械健康检测过程中将测试得到的振动信号输入到训练好的模型中，对旋转机械进行故障诊断。具有更好的准确性、鲁棒性及噪声适应能力。

附图说明

图1为本发明实施例中方法流程图。

图2为本发明实施例1中测试效果对比图。

图3为本发明实施例2中测试效果对比图。

具体实施方式

下面结合附图与实施例来进一步说明本发明的具体内容。

本发明的实施例提供了一种旋转机械故障诊断方法，如图1所示，具体步骤如下：

根据采集到的故障振动信号构造Hankel矩阵，将Hankel矩阵进行堆叠之后通过线性映射得到特征矩阵；

对特征矩阵的行进行L

通过训练好的权值矩阵求出故障振动信号的特征，对故障振动信号的特征进行Z-score标准化并与标签合并导入Softmax模型进行优化，得到训练完成的Softmax分类器；

通过权值矩阵求出测试环境下的旋转机械振动信号的特征，对所述旋转机械振动信号的特征进行Z-score标准化后输入Softmax分类器中，得到旋转机械的故障诊断结果。

在步骤1中构造Hankel矩阵的过程为：设M个带有标签的旋转机械振动信号样本为

在步骤2中最小化特征矩阵的信息熵的过程为：首先最小化代价函数J

其中，

在步骤3中训练Softmax分类器的实现过程为：通过特征激活函数和训练好的权值矩阵提取故障振动信号的特征；然后对特征进行Z-score标准化，即f

实施例1：

数据采用凯斯西储大学公开的轴承故障数据，进行模型训练与测试。故障类型为{正常，内圈故障(0.18mm，0.36mm，0.53mm)，外圈故障(0.18mm，0.36mm，0.53mm)，滚动体故障(0.18mm，0.36mm，0.53mm)}，每种故障类型有四种载荷(1797r/min，1772r/min，1750r/min，1730r/min)，采样频率为12kHz的数据，每个故障类型振动样本点数为1200个，重复测量100次。这样一共是有4000个样本。取其中的10％作为训练样本，剩下的为测试样本。首先建立训练样本矩阵，将每个训练样本的Hankel矩阵(矩阵长度取100)堆叠之后作为训练样本矩阵，通过最小熵特征学习模型进行训练，输出维数N

再将训练样本的Hankel矩阵与W相乘，并进行Z-score归一化，与标签合并进行Softmax模型的训练，训练完成后用测试样本进行测试。最终测试的准确率达到99％以上。为了说明所提出的基于最小信息熵特征学习模型的智能故障诊断方法的鲁棒性及其Hankel矩阵与特征归一化的影响，将提出的方法、未应用特征归一化的最小熵模型、标准稀疏滤波进行对比，所得结果如图2所示，可以看出提出的方法的准确率明显高于稀疏滤波方法，同时，特征归一化的应用明显提高了模型在噪声下的适应能力，提出的模型在有噪声干扰环境下的实际健康监测有明显的优势。

实施例2：

数据采用齿轮箱故障数据，进行模型训练与测试。数据用加速度传感器采集，采样频率为12800Hz。故障类型为{正常，磨损，点蚀，断齿}，每个故障类型振动样本点数为1280个，重复测量100次。这样一共是有400个样本。首先建立训练矩样本阵，将每个训练样本的Hankel矩阵(矩阵长度取100)堆叠之后作为训练样本矩阵，通过最小熵特征学习模型进行训练，输出维数N

再将训练样本的Hankel矩阵与W相乘，并进行Z-score归一化，与标签合并进行Softmax特征分类器的训练，训练完成后用测试样本进行测试，最终测试的准确率达到99％以上。

为了说明所提出的基于最小信息熵特征学习模型的智能故障诊断方法的准确率和鲁棒性将提出的方法与标准稀疏滤波在不同百分比的样本作为训练集进行对比，所得结果如图3所示，可以看出提出的方法的准确率明显高于稀疏滤波方法，同时，当训练样本数较少时，提出的方法仍然能够保证较高的准确率，提出的方法可以用更少的训练样本保证更高的准确率和鲁棒性。