用于双转子不对中故障识别的DBN参数选取方法

摘要

本发明涉及一种用于双转子不对中故障识别的DBN参数选取方法，包括步骤获取双转子不对中故障的原始振动加速度数据；根据原始振动加速度数据获得输入数据集；利用DBN网络对训练集进行训练，以构建DBN网络的特征提取能力评估指标；根据DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数；根据DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM的振动信号特征提取能力获取最优隐含层节点数目；根据DBN网络的特征提取能力评估指标及不同学习率和动量项下RBM的振动信号特征提取能力获取最优的学习率和动量项。相对于现有技术中利用试错方式进行参数选取的方式相比，上述方法有效地提高了DBN参数的选取效率。

说明书

技术领域

本发明涉及双转子不对中故障识别技术领域，特别是涉及一种用于双转子不对中故障识别的DBN参数选取方法。

背景技术

现代航空发动机主要采用内外双转子-多支撑结构，转子不对中是其主要的故障形式，不仅导致整机振动过大，甚至引起发动机损坏停机，造成安全事故。对航空发动机双转子不对中故障进行准确识别及其重要，但由于转子结构复杂，不对中形式耦合多样，故障信号呈现高维非线性特性，传统的故障诊断方法难以准确识别。

为了提高故障诊断效果，2006年，Hinton等人提出了深度置信网络(Deep BeliefNetwork，简称DBN)，它是由多个限制玻尔兹曼机(restricted Boltzmann machine,简称RBM)组成的多层感知器神经网络，很好地解决了特征提取与学习及深层网络训练易陷入局部极小值的问题，具有极强的非线性信息表达能力和判别能力。

但是DBN网络的特征提取与识别性能受网络结构参数的影响很大，不合适的参数将使网络训练困难、泛化性能差，导致对故障样本的识别精度降低，而其最优参数难以选取，传统的DBN结构参数主要采用试错法，通过不断的调整来选取，效率低且缺乏理论依据。

发明内容

基于此，有必要针对上述问题，提供一种用于双转子不对中故障识别的DBN 参数选取方法。

一种用于双转子不对中故障识别的DBN参数选取方法，包括步骤：

获取双转子不对中故障的原始振动加速度数据；

根据所述原始振动加速度数据获得输入数据集；所述输入数据集包括训练集和测试集；

利用DBN网络对所述训练集进行训练，以构建DBN网络的特征提取能力评估指标；

根据所述DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数；

根据所述DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM 的振动信号特征提取能力获取最优隐含层节点数目；

根据所述DBN网络的特征提取能力评估指标及不同学习率和动量项下RBM 的振动信号特征提取能力获取最优的学习率和动量项。

在其中一些实施例中，所述获取双转子不对中故障的振动加速度数据的步骤为：

利用双转子振动测试实验的方式获取双转子不对中故障的原始振动加速度数据。

在其中一些实施例中，根据所述原始振动加速度数据获得输入数据集的步骤为：

对所述原始振动加速度数据进行等长度截断整理，以获得所述输入数据集。

在其中一些实施例中，利用DBN网络对所述训练集进行训练，以构建DBN 网络的特征提取能力评估指标的步骤，包括步骤：

利用DBN网络对所述训练集进行训练，以获得重构数据集；

根据所述输入数据集及所述重构数据集获得DBN网络的特征提取能力评估指标。

在其中一些实施例中，根据所述输入数据集及所述重构数据集获得DBN网络的特征提取能力评估指标的步骤，包括：

所述输入数据集中第i个样本数据的均值

以i为横坐标，以

所述重构数据集中第第i个样本数据的均值为

以i为横坐标，以

根据所述输入数据曲线与所述重构数据曲线之间的误差来获取所述DBN网络的特征提取能力评估指标；

其中，

在其中一些实施例中，所述根据所述输入数据曲线与所述重构数据曲线之间的误差来获取所述DBN网络的特征提取能力评估指标的步骤为：

所述输入数据曲线与所述重构数据曲线之间的误差为均方根误差RMSE，所述均方根误差RMSE根据公式

在其中一些实施例中，根据所述DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数的步骤为：

将隐含层节点数设为800，学习率设为0.01，初始动量设为0.1，迭代10 后的动量为0.2，迭代次数分别设为10、20、50、100、200、500；

根据所述DBN网络的特征提取能力评估指标分别对迭代次数为10、20、50、 100、200、500下RBM的振动信号特征提取能力进行分析，以选取最优的迭代次数。

在其中一些实施例中，根据所述DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM的振动信号特征提取能力获取最优隐含层节点数目的步骤为：

将隐含层节点数设为100、200、500、1000、1500、2000，所述迭代次数为所述最优迭代次数，学习率设为0.01，初始动量设为0.1，迭代10后的动量项为0.2；

根据所述DBN网络的特征提取能力评估指标分别对最优迭代次数的不同隐含层节点数目下RBM的振动信号特征提取能力进行分析，以选取最优的隐含层节点数目。

在其中一些实施例中，根据所述DBN网络的特征提取能力评估指标及不同学习率和动量项下RBM的振动信号特征提取能力获取最优的学习率和动量项的步骤为：

将初始学习率和迭代10次后的动量项设置为0.01及0.1，记为[0.01 0.1]；将RBM的学习率及迭代10次后的动量项分别设为[0.01 0.1]、[0.01 0.4]、[0.01 0.7]、[0.10.1]、[0.1 0.4]、[0.1 0.7]，所述迭代次数为最优迭代次数，所述隐含层节点数目为最优隐含层节点数；

根据所述DBN网络的特征提取能力评估指标分别对最优迭代次数和最优隐含层节点数目的不同学习率和动量项下RBM的振动信号特征提取能力进行分析，以选取最优学习率和最优动量项。

上述用于双转子不对中故障识别的DBN参数选取方法，通过执行上述方法中的步骤，可以利用所获取的双转子不对中故障的振动加速度数据来获得DBN 网络的特征提取能力评估指标，之后再利用DBN网络的特征提取能力评估指标选取最优的迭代次数、最优隐含层节点数目、最优学习率和最优动量项。故而上述用于双转子不对中故障识别的DBN参数选取方法不但为用于双转子不对中故障识别的DBN网络参数选取提供的理论依据，相对于现有技术中利用试错方式进行参数选取的方式相比，上述方法还可提高DBN参数的选取效率。

附图说明

图1为本发明一实施例中用于双转子不对中故障识别的DBN参数选取方法的流程示意图；

图2为图1所示用于双转子不对中故障识别的DBN参数选取方法中步骤S30 的流程示意图；

图3为图2所示用于双转子不对中故障识别的DBN选取方法中步骤S32的流程示意图；

图4为本发明一实施例中双转子试验台转子-支撑结构的结构简图；

图5为本发明一实施例中不同迭代次数下RBM输入数据曲线和重构数据曲线的曲线图；

图6为本发明一实施例中不同隐含层节点数目下RBM输入数据曲线和重构数据曲线的曲线图；

图7为本发明一实施例中不同学习率及动量项下RBM输入数据曲线和重构数据曲线的曲线图。

标号说明：110、内转子；120、外转子；130、联轴器。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

正如背景技术所述，为了提高双转子不对中故障识别的诊断精度，会利用深度置信网络(Deep Belief Network，简称DBN)对双转子不对中故障进行识别诊断，而DBN网络为由多个限制玻尔兹曼机(restricted Boltzmann machine, 简称RBM)组成的多层感知器神经网络，可以很好地解决特征提取与学习及生成网络训练易陷入局部极小值的问题，具有极强的非线性信息表达能力和判别能力。但是，DBN网络的特征提取和识别性能受网络参数的影响很大，不合适的参数将使网络训练困难，泛化性差，导致对故障样本的识别精度降低，传统的DBN 结构参数主要采用试错法，通过不断的调整来选取，效率低且缺乏理论依据。

基于上述原因，本发明公开一种用于双转子不对中故障识别的DBN参数选取方法，用于在双转子不对中故障识别中，实现对DBN网络的参数—最优迭代次数、最优隐含层节点数目、最优学习率及最优动量项。

如图1所示，上述用于双转子不对中故障识别的DBN参数选取方法包括步骤S10至步骤S60。

步骤S10，获取双转子不对中故障的原始振动加速度数据。

具体的，步骤S10为，利用双转子振动测试实验的方式获取双转子不对中故障的原始振动加速度数据。

更为具体的，在双转子振动测试实验过程中，采集足够数量的双转子不对中故障的原始振动加速度数据。在本发明的实施例中，双转子是指内外嵌套反向旋转的双转子系统。

这样一来，在双转子振动测试实验过程中，通过在双转子振动试验台不同支承座的底部处添加不同厚度的调整垫片，来调整双转子系统的不对中状态，并将添加调整垫片厚度为0.2mm时定义为轻度不对中，将添加调整垫片厚度为 0.5mm时定义为严重不对中。

步骤S20，根据原始振动加速度数据获得输入数据集。输入数据集包括训练集和测试集。

具体的，对原始振动加速度数据进行等长度截断整理，以获得输入数据集。更为具体的，输入数据集包括多个样本，每个样本由多个个原始振动加速度数据组成，而每个类别由多个样本组成，随机取每个类别数据的一部分作为训练样本，其他作为测试样本，多个训练样本组成训练集，多个测试样本组成测试集。

步骤S30，利用DBN网络对训练集进行训练，以构建DBN网络的特征提取能力评估指标。

具体的，如图2所示，步骤S30包括步骤S31及步骤S32。

步骤S31，利用DBN网络对训练集进行训练，以获得重构数据集。具体的，利用DBN网络对训练集中的每个训练样本进行训练，以获得重构样本，多个重构样本组成重构数据集。

步骤S32，根据输入数据集及重构数据集获得DBN网络的特征提取能力评估指标。

更为具体的，如图3所示，步骤S32包括步骤S321至步骤S325。

步骤S321，输入数据集中第i个样本数据的均值

步骤S322，以i为横坐标，以

步骤S323，重构数据集中第i个样本数据的均值为

步骤S324，以i为横坐标，以

步骤S325，根据输入数据曲线与重构数据曲线之间的误差来获取DBN网络的特征提取能力评估指标；

其中，

更为具体的，步骤S325为，根据输入数据曲线与重构数据曲线之间的误差为均方根误差RMSE，均方根误差RMSE根据公式

由此，RBM的特征提取能力的好坏由输入数据与重构数据之间的误差(即为均方根误差RMSE)大小决定。

步骤S40，根据DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数。

具体的，将隐含层节点数设为800，学习率设为0.01，初始动量设为0.1，迭代10后的动量为0.2，迭代次数分别设为10、20、50、100、200、500；在上述假设的基础上，根据DBN网络的特征提取能力评估指标分别对迭代次数为 10、20、50、100、200、500下RBM的振动信号特征提取能力进行分析，以选取最优的迭代次数。

步骤S50，DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM 的振动信号特征提取能力获取最优隐含层节点数目。

具体的，将隐含层节点数目设为100、200、500、1000、1500、2000，迭代次数为最优迭代次数，学习率设为0.01，初始动量设为0.1，迭代10次后的动量项为0.2；在上述假设的基础上，根据DBN网络的特征提取能力评估指标分别对最优迭代次数的不同隐含层节点数目下RBM的振动信号特征提取能力进行分析，以选取最优隐含层节点数目。

步骤S60，根据DBN网络的特征提取能力评估指标及不同学习率和动量项下 RBM的振动信号特征提取能力获取最优的学习率和动量项。

具体的，将初始学习率及迭代10次后的动量项分别设为0.01及0.1，记为 [0.010.1]；将RBM的学习率及迭代10次后的动量项分别设为[0.01 0.1]、[0.01 0.4]、[0.010.7]、[0.1 0.1]、[0.1 0.4]、[0.1 0.7]，迭代次数为最优迭代次数，隐含层节点数目为最优隐含层节点数目；在上述假设的基础上，根据DBN 网络的特征提取能力评估指标分别对最优隐含层节点数目的不同学习率和动量项下RBM的振动信号特征提取能力进行分析，以选取最优学习率和最优动量项。

通过执行上述步骤S10至步骤S60，可以快速地选取合适的DBN参数，以用于双转子不对中故障识别诊断。与现有技术中通过试错法选取DBN参数的方式相比，上述方法的使用，不但可以提高用于双转子不对中故障识别的DBN参数的选取效率，而且还为DBN参数的选取提供理论依据。

通过实践显示，通过对采用上述方法选取参数的DBN网络进行双转子不对中故障识别诊断的识别率及采用随机选取参数的DBN网络进行双转子不对中故障识别诊断的识别率进行对比分析，结果显示，采用上述方法选取参数的DBN 网络明显提高了双转子不对中故障的识别准确率。

为了便于理解和对实施效果的说明，通过以下实施例对上述用于双转子不对中故障识别的DBN参数选取方法进行详细说明。

试验在苏州东菱振动测试仪器有限公司生产的多功能转子轴承系统动力学性能试验平台上进行。图4示出了该试验台转子-支撑结构的结构示意图。为了便于说明，图4仅示出了与本发明实施例相关的结构。

其中，试验台转子-支撑结构采用五点支承，内转子110(低压)采用1-1-1 支承方案并将支承座(对应的轴承用相同编号)编号为1#、2#、3#，外转子120 (高压)采用1-0-1支承并将支承座(对应的轴承用相同编号)编号为4#、5#。内转子110和外转子120采用转速可调的伺服电机进行独立驱动。

为减少故障信号传递衰减，尽量获取信号的真实信息，将加速度传感器直接安装在支承座上。本试验一共选取了1个测点，记为：S1。内转子110转速设为1500r/min，外转子120转速设为2400r/min，且内转子110与外转子120 转动方向相反；信号采集系统为丹麦Brüel&

通过在多功能转子轴承系统动力学性能试验平台不同支承座底部处添加不同厚度的调整垫片来调整转子系统的不对中状态，其中定义添加调整垫片为 0.2mm时为轻度不对中，添加调整垫片为0.5mm时为严重不对中。试验共模拟了 7种不对中状态，分别标号为T1至T7，主要不对中状态描述如表1所示。

表1试验工况描述

试验所用输入数据集为双转子不对中状态测试数据。每个样本由1024个原始振动加速度数据组成，每个类别100个样本，随机取每类数据的80％作为训练集样本，其它作为测试样本，输入数据集信息如表2所示。

表2输入数据集信息

RBM的网络结构参数(迭代次数、隐含层节点数、学习率、动量)是影响 RBM特征提取能力的主要因素，为了研究RBM的振动信号特征提取能力，本试验共分为3组并分别命名为G1，G2，G3，所有试验环境为：计算机CPU为Inter 酷睿i5 4210U，内存为4GB。为了消除随机误差，各试验重复进行100次，结果取重复试验的平均值。具体设置如下：

G1：研究不同迭代次数下RBM的振动信号特征提取能力。试验过程如下：隐含层节点数设为800、学习率设为0.01、将初始动量设为0.1，迭代10次后设为0.2；迭代次数分别设定为10、20、50、100、200、500。

G2：研究不同隐含层节点数目下RBM的振动信号特征提取能力。试验过程如下：设定隐含层节点数分别为100、200、500、1000、1500、2000，迭代次数设置为G1的最优值，其他参数与G1相同。

G3：研究不同学习率及动量项下RBM的振动信号特征提取能力。试验过程如下：设初始学习率及迭代十次后动量项设置的值分别0.01及0.1，记为[0.01 0.1]，将RBM的学习率及迭代十次后的动量项分别设为[0.01 0.1]、[0.01 0.4]、 [0.01 0.7]、[0.1 0.1]、[0.1 0.4]、[0.1 0.7]，隐含层节点数目取G2的最优值，其他参数设置与G2相同。

由试验G1得到不同迭代次数下输入曲线和重构曲线如图5所示。为了更好的观察输入曲线和重构曲线的误差，图5中只给出了维的数据，以便观察局部细节。

图5直观的呈现了不同迭代次数下输入曲线和重构曲线之间的误差。可以看到输入曲线和重构曲线之间的误差随着迭代次数的增加逐渐减小，在迭代次数为50次以下时，两条曲线的差别非常明显，如图5(a)，图5(b)、图5(c)所示。随着迭代次数的增加，重构数据与输入数据的吻合程度越高，当达到200 次以上时，几乎看不出两条曲线的差别，如图5(e)、图5(f)。因此对于双转子不对中状态测试数据，可以认为，经过迭代训练达到200次后，输入数据可较好映射至了RBM的隐含层，即RBM隐含层可很好的对双转子不对中状态测试数据进行特征表示。

不同迭代次数下输入数据和重构数据之间的RMSE和训练时间如表3所示。从表3可以看出，RMSE和训练时间都随着迭代次数的增加而增加，迭代次数在 10-50时，RMSE的幅度变化很快；当迭代次数增加至100次以上时，RMSE的幅值变化会越来越小。因此，综合训练效率与误差变化大小，迭代次数选为200 次是较为合适的。

表3不同迭代次数定量指标比较结果

不同隐含层节点数下输入数据曲线和重构数据曲线如图6所示。图6中只给出了1-160维的数据，以便观察局部细节。从图5(d)至图6(f)可以观察得到，当隐含层节点数大于1000时，输入曲线和重构曲线之间几乎没有误差；而隐含层节点数小于200时，输入曲线和重构曲线的误差最大，如图6(a)所示。说明隐含层节点数目远小于输入节点数目将导致隐含层不足以从数据中提取全部特征。

不同隐含层节点数下输入数据和重构数据之间的RMSE和训练时间如表4所示。

表4不同隐含层节点数定量指标比较结果

从表4可以看出，训练时间与隐含层节点数目成比例增加；RMSE随着RBM隐含层节点数目的增大而减小直至节点数目设置为1500，而隐含层节点数目为 2000时相对于隐含层节点数目为1500时的RMSE值略微降低，且训练时间多了约300s。因此，综合训练效率与误差变化大小，对于双转子不对中状态测试数据，隐含层节点数目选择1000-1500是较为合理的。

不同学习率及动量项下输入数据曲线和重构数据曲线如图7所示。图7中只给出了160维的数据，以便观察局部细节。

从图7(a)、图7(b)、图7(d)、图7(e)可以看出，学习率及动量项为[0.01 0.1]、[0.01 0.4]、[0.1 0.1]、[0.1 0.4]时，输入数据曲线和重构数据曲线几乎没有误差。当动量项为0.7时重构数据曲线几乎为一条直线与输入数据曲线差异很大，如图7(c)、图7(f)所示。这说明动量项过大会导致无法收敛，导致对应部分的重构数据曲线几乎为一条直线。对比图6中相同动量项下不同学习率下的重构误差曲线可知，学习率在0.01-0.1之间对预训练过程几乎没有影响。因此，学习率对预训练的影响小，动量项最优区间为0.1-0.4。

计算不同学习率下输入数据和重构数据之间的RMSE和训练时间如表5所示。

表5不同学习率及动量项定量指标比较结果

从表5可以看出，学习率及动量项为[0.01 0.1]、[0.01 0.4]、[0.1 0.1]、 [0.10.4]时对应的RMSE较小，动量项为0.7时，对应的RMSE较大，在相同动量项不同学习率时对应的RMSE相差不大，这与从图7中观察的结果是一致的。训练时间不随学习率及动量项的对变化而变化，维持在940s左右。因此对于双转子不对中状态测试数据，动量项选择0.1-0.4之间是较为合理的，学习率在0.01-0.1之间对预训练的影响较小。

利用DBN对不对中故障进行识别，将最大迭代次数设为200次；将隐含层节点数目设为1500；将学习率设为0.01，初始动量设为0.1，迭代10次后，动量变为0.4，网络结构为5层，结构参数为：1024-1500-1500-500-7。为了进一步验证优化DBN参数的有效性，实验随机选取三组非优化参数进行对比，计算不同参数下BDN模型对相同样本进行识别。其参数设置如表6所示：

表6不对中故障识别DBN模型参数设置

为了消除随机性误差，每次试验都重复100次，取100次结果的平均值。平均分类识别准确率如表7所示。

表7双转子不对中故障识别结果

从表7可以得出，实验L1经过参数优化选取后的DBN的平均识别率最高，达到86.84％。实验L2中由于迭代次数仅为50次，其原始数据与重构数据之间的误差大于迭代次数为200次时原始数据与重构数据之间的误差，从而导致平均识别率低于L1的平均识别率，为79.38％；实验L3中隐含层节点数为500，不足以从数据中提取全部特征，因此平均识别率低于L1的平均识别率，为82.02％。 L4中学习率设0.1，初始动量设为0.1，迭代10次后，动量变为0.7，在该参数下迭代过程无法收敛最终导致所有的数据都分为一类，只有14.29％。可见，参数优化后的DBN模型明显提高了双转子不对中故障的识别准确率。

本发明提出了一种用于双转子不对中故障识别的DBN参数选取方法，与随机选取参数DBN的双转子不对中故障识别率进行对比分析，得出以下结论：

(1)迭代次数越多DBN振动信号特征提取能力越强，综合训练误差和训练时间，对于双转子不对中故障识别，迭代次数在200次是较为合适。

(2)对于双转子不对中故障识别DBN模型，当输入层节点数为1024时，隐含层节点数选择1000-1500是较为合理。

(3)对于双转子不对中故障识别DBN模型，学习率在0.01-0.1之间对预训练的影响较小，动量项在0.1-0.4之间选取是较为合理。

因此，上述用于双转子不对中故障识别的DBN参数选取方法的应用，为用于双转子不对中故障识别的DBN网络提供了一种参数选取理论和方法，有效地提高了DBN参数选取的效率，并为利用DBN网络对双转子不对中故障的识别提供了便利。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。