一种基于集成学习的旋转机械故障监测方法与流程

1.本发明涉及机械健康状态监测领域，具体是一种基于集成学习的旋转机械故障监测方法。


背景技术：

2.旋转机械是指包含旋转部件的机械，在生产生活中应用广泛。在一台机器中，其旋转部件如齿轮、轴承等由于受到交变载荷的作用，常发生故障。故障会诱发设备失效，轻则导致设备停机，重则导致重大人力、财力损失。因此，实时监测设备的健康状态，及时发现故障，并积极采取维护措施，对避免设备失效导致的损失具有重要意义。
3.随着传感器技术的发展，越来越多的机械设备状态监测数据如振动、电流、温度等被采集起来。为了从海量的数据中提取故障敏感特征并及时检测出故障，深度学习方法被广泛使用。然而由于振动信号成分复杂，不仅包含故障信息，还包括机械结构（传递路径）和设备运行工况等信息，且这些信息往往淹没在强环境噪声中。为了从被噪声污染的信号中提取故障敏感特征，并排除其他因素的干扰，所用深度学习模型越来越复杂，需要训练的参数越来越多。如此以来，模型的训练难度越来越大，且需要更多的硬件资源来支撑训练。使得这些算法难于用于在线状态监测，尤其不适于硬件资源有限的边缘计算。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于集成学习的旋转机械故障监测方法。利用集成学习（ensemble learning）的加性学习（additive learning）的原理，通过多次训练小模型，达到甚至超过单一大模型的故障监测精度，并有效节省硬件资源。
5.为实现上述发明目的，本发明提供一种技术方案：一种基于集成学习的旋转机械故障监测方法，包括以下步骤：s1、采集目标旋转机械振动信号：健康状态下的振动信号；s2、数据预处理：将振动信号标准化；将标准化的振动信号随机分成两个无重复子集，一个训练集和一个验证集；其中，表示振动信号，表示样本数量，表示样本长度；s3、搭建基于神经网络的浅层回归模型；该模型以振动信号时间序列s4、训练s3搭建的模型，训练所用的数据集为（）,其中为模型输入数据集，为模型输出的标签，训练的目的是使模型预测值和标签之间的误差最小；当第一
次训练模型时，令，令累计训练次数；s5、计算模型的预测残差：将振动信号输入到s4训练好的模型中，模型输出预测值，残差为标签值和预测值的差，计算所用公式为，将残差写为，计算验证集的残差的均方根值rms,所用公式为，s6、判断是否继续训练：若累计训练次数或验证集的残差的均方根值，到下一步；否则返回s4，且令，；其中，为预先设定的最大累计训练次数，为预先设定的最小误差值；s7、计算健康度指标hi：根据s5的最新的残差的大小，计算健康度指标hi；s8、确定故障发生阈值th：根据健康状态的数据的hi的大小，确定阈值th；s9、健康状态判断：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算该信号的健康度指标hi，比较该信号的hi和阈值th的相对大小，若hi《th，则机械健康，否则机械故障。
6.优选的，所述的振动信号包括加速度信号、速度信号、位移信号、扭矩信号和声压信号中的一种或多种。
7.优选的，所述振动信号标准化处理的方法为将振动信号的均值归零、标准差归一，具体公式为：其中，和分别为训练集的均值和标准差。
8.优选的，所述的基于神经网络的浅层回归模型包括自编码器（ae），极限学习机（elm），玻尔兹曼机（blm），卷积神经网络（cnn）和回归神经网络（rnn）；模型包括一个输入层，一个输出层和若干隐藏层。
9.优选的，所述健康度指标hi，可以为残差rc的时域特征如均方根值（rms），频域特征如频带能量，或其他方式计算的特征。
10.优选的，所述的健康状态阈值th，可以为健康数据的hi的统计特征值，或者其他方式计算的阈值。
11.本发明具有以下有益效果：1、 本发明一种基于集成学习的旋转机械故障监测方法，采集目标旋转机械的振动信号，将信号样本进行预处理后，训练搭建好的浅层神经网络模型，然后以信号重构残差为标签重复训练模型；然后从模型对输入的重构误差中提取健康度指标hi，并设置健康状态阈值th，通过比较hi和th的相对大小，对设备是否健康做出判断。
12.2、 本方法所用的模型为浅层小模型，训练难度小，训练成本低，且通过重复训练达到甚至超过大模型的故障监测精度。
附图说明
13.图1是本发明一种基于集成学习的旋转机械故障监测方法的流程图；图2是实施例所用浅层小模型—三层自编码器（ae）的结构示意图；图3是实施例所示的试验台；图4是实施例所示的数据集的数据量统计；图5是实施例所示的本发明所提方法的信号重构误差随重复训练次数的大小变化；图6是实施例所示的本发明所提方法的故障监测效果；图7是实施例所示的本发明所提方法和现有大模型的状态监测效果对比。
14.其中：1、电动机；2、行星齿轮箱；3、磁粉制动器。
具体实施方式
15.下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
16.图1是本发明一种基于集成学习的旋转机械故障监测方法的流程图。
17.在本实施例中，如图1所示，本发明一种基于集成学习的旋转机械故障监测方法，包括以下步骤：s1、采集目标旋转机械振动信号：健康状态下的振动信号；在本实施例中，所述的目标旋转机械包括但不限于电动机、发电机、齿轮箱、泵和风机等旋转机械；振动信号包括但不限制于加速度信号、速度信号、位移信号、扭矩信号和声压信号等；转速可为目标机械的任一旋转轴的转速。
18.s2、数据预处理：将振动信号标准化；将标准化的振动信号随机分成两个无重复子集，一个训练集和一个验证集；其中，表示振动信号，表示样本数量，表示样本长度；振动信号标准化处理的方法为将振动信号的均值归零、标准差归一，具体公式为：其中，和分别为训练集的均值和标准差。
19.s4、训练s3搭建的模型，训练所用的数据集为（）,其中为模型输入数据集，为模型输出的标签，训练的目的是使模型预测值和标签之间的误差最小；当第一次训练模型时，令，令累计训练次数；本实施例中，所述的基于神经网络的浅层回归模型包括但不限于自编码器（ae），极限学习机（elm），玻尔兹曼机（blm），卷积神经网络（cnn）和回归神经网络（rnn）；模型包括
一个输入层，一个输出层和若干隐藏层。
20.图2展示了本实施例中采用的浅层小模型—三层自编码器（ae）的结构。该模型为一个典型自编码器模型，包括一个输入层，一个输出层和一个隐藏层。
21.s4、训练s3搭建的模型，训练所用的数据集为（）,其中为模型输入数据集，为模型输出的标签，训练的目的是使模型预测值和标签之间的误差最小；当第一次训练模型时，令，令累计训练次数;在本实施例中，模型的训练方法可以是基于反向传播算法(back propagation) 的最速下降法、momentum和adam。具体的训练方法和一般神经网络模型的训练方法一样，不再赘述。
22.s5、计算模型的预测残差：将振动信号输入到s4训练好的模型中，模型输出预测值，残差为标签值和预测值的差，计算所用公式为，将残差写为，计算验证集的残差的均方根值rms,所用公式为，s6、判断是否继续训练：若累计训练次数或验证集的残差的均方根值，到下一步；否则返回s4，且令，；其中，为预先设定的最大累计训练次数，为预先设定的最小误差值；s7、计算健康度指标hi：根据s5的最新的残差的大小，计算健康度指标hi；本实施例中，所述的健康度指标hi，可以为残差rc的时域特征如均方根值（rms），频域特征如频带能量，或其他方式计算的特征。
23.s8、确定故障发生阈值th：根据健康状态的数据的hi的大小，确定阈值th；本实施例中，所述的健康状态阈值th，可以为健康数据的hi的统计特征值，或者其他方式计算的阈值。本实施例中，采用的阈值为hi的统计特征，公式为其中，和分别为健康数据hi的均值和标准差。
24.s9、健康状态判断：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算该信号的健康度指标hi，比较该信号的hi和阈值th的相对大小，若hi《th，则机械健康，否则机械故障。
25.为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。实施例所用数据为典型旋转机械行星齿轮箱的故障数据集。该数据集采集自某行星齿轮箱箱故障模拟试验台，试验台包括电动机1、行星齿轮箱2与磁粉制动器3，其结构如图3所
示。该数据集包括齿轮箱在健康状态和行星轮裂纹故障状态下振动加速度数据。齿轮箱运行工况为转速1500rpm，载荷为空载。数据集的样本个数如图4所示。其中，训练集和验证集只包括健康数据，测试集包括一半健康数据和一半故障数据。训练集用来训练模型；验证集用来验证模型训练的优劣；测试集模拟了新采集的数据，用来验证模型的故障监测精度。
26.在本实施例中，我们只使用健康数据对图2所示的模型进行训练。所用模型模型参数如后。各层神经元个数为250-4-250，隐藏层的激活函数为relu，输出层的激活函数为linear。模型采用adam法进行训练，学习率为0.0002。
27.本实施例中，重复训练停止条件选为达到最大训练次数c，大小设置为30。图5展示了本实施例中采用本发明所提方法对验证机的重构误差随重复训练次数的大小变化情况。图6显示，随着重复训练次数的增大，信号重构误差逐步减小。
28.为了验证本发明所提方法对故障监测的有效性，以行星轮齿根裂纹故障的数据为新采集的故障数据，和部分健康数据组成测试集（见图4），以测试本发明所提方法故障监测的有效性。本实施例中，用“接收者操作特征曲线下的面积”（area under receiver operator characteristic curve, auc）衡量故障监测效果的好坏。auc的大小范围为[0, 1]，其值越大，表明算法的故障监测表现越好。图6展示了实施例所示的本发明所提方法的在图4所示数据上的故障监测效果。可见，随着重复训练次数的增大，曲线下面积先增大，并逐步稳定，表明了本发明所提基于集成学习的重复训练方法的有效性。后续曲线下面积逐步减小，这是因为模型训练过拟合导致的；如何克服过拟合问题，不是本发明的关注点，不在此展开。
[0029]
为了进一步展示本发明所提方法相对现有方法的优势，图7展示了同类模型在图4所示的数据集上的故障监测效果。所用对比模型为深层自编码器模型（大模型），模型层数为5层，各层的神经网络个数为250-128-64-128-250，需要学习的参数个数为80,954，故障监测的曲线下面积为0.9817；相应的，本发明所用模型为3层自编码模型，需要学习的参数为2,254，最大故障监测的曲线下面积（auc）为0.9880。对比而言，本发明所提方法采用的模型的复杂度远小于现有的大模型，需要学习的参数仅为后者的2.78%，但取得了超过后者的故障监测的效果，充分展示了本发明所提方法相对于方法的优势。
[0030]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于集成学习的旋转机械故障监测方法，包括以下步骤：s1、采集目标旋转机械振动信号：健康状态下的振动信号；s2、数据预处理：将振动信号标准化；将标准化的振动信号随机分成两个无重复子集，一个训练集和一个验证集；其中，表示振动信号，表示样本数量，表示样本长度；s3、搭建基于神经网络的浅层回归模型；该模型以振动信号时间序列为输入，输出为同等时间长度的预测值；s4、训练s3搭建的模型：训练所用的数据集为（）,其中为模型输入数据集，为模型输出的标签，训练的目的是使模型预测值和标签之间的误差最小；当第一次训练模型时，令，令累计训练次数；s5、计算模型的预测残差：将振动信号输入到s4训练好的模型中，模型输出预测值，残差为标签值和预测值的差，计算所用公式为，将残差写为，计算验证集的残差的均方根值rms,所用公式为，s6、判断是否继续训练：若累计训练次数或验证集的残差的均方根值，到下一步；否则返回s4，且令，；其中，为预先设定的最大累计训练次数，为预先设定的最小误差值；s7、计算健康度指标hi：根据s5的最新的残差的大小，计算健康度指标hi；s8、确定故障发生阈值th：根据健康状态的数据的hi的大小，确定阈值th；s9、健康状态判断：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算该信号的健康度指标hi，比较该信号的hi和阈值th的相对大小，若hi<th，则机械健康，否则机械故障。2.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，其特征在于，所述目标旋转机械包括电动机、发电机、齿轮箱、泵和风机。3.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，其特征在于，所述振动信号包括加速度信号、速度信号、位移信号、扭矩信号和声压信号。4.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，其特征在于，所述振动信号标准化处理的方法为将振动信号的均值归零、标准差归一，具体公式为：
其中，和分别为训练集的均值和标准差。5.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，所述基于神经网络的浅层回归模型包括自编码器（ae），极限学习机（elm），玻尔兹曼机（blm），卷积神经网络（cnn）和回归神经网络（rnn）；模型包括一个输入层，一个输出层和若干隐藏层。6.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，所述健康度指标hi，为残差rc的时域特征如均方根值（rms），频域特征如频带能量，或其他方式计算的特征。7.根据权利要求1所述的一种基于集成学习的旋转机械故障监测方法，所述健康状态阈值th，为健康数据的hi的统计特征值，或者其他方式计算的阈值。

技术总结
本发明公布了一种基于集成学习的旋转机械故障监测方法，搭建基于神经网络的浅层信号重构模型，以振动信号为输入、以信号重构残差为标签，重复训练模型，逐次减小信号重构误差；基于信号重构误差构建机械设备健康度指标，基于健康度指标的统计特征计算故障监测阈值；通过对比健康度指标和阈值的相对大小判断机械设备的健康状态。相对于现有技术，本发明所提方法可用小模型达到大模型的故障监测精度，且大大减小模型训练的难度，并降低了训练模型所需的硬件需求，适用于在线状态监测和边缘计算。算。算。


技术研发人员：饶猛 左明健
受保护的技术使用者：左明健
技术研发日：2022.12.07
技术公布日：2023/7/31