申请/专利权人：西安电子科技大学

申请日：2021-08-27

公开（公告）日：2024-04-30

公开（公告）号：CN113834656B

主分类号：G01M13/045

分类号：G01M13/045;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明属于轴承故障诊断技术领域，公开了一种轴承故障诊断方法、系统、设备及终端，所述轴承故障诊断方法包括：使用连续小波变换对轴承原始振动信号提取时频特征，并转化为32×32像素的二维图像；利用改进AlexNet模型对时频波谱图进行故障特征提取；对于故障诊断分类，通过LGBM分类算法并使用贝叶斯优化选择最优模型参数。本发明提出的轴承故障诊断方法具有最优的故障诊断准确率。通过实验对比，本发明的方法比其他7种方法具有最高的准确率99.712％，1800个样本的预测耗时1.47秒也与其它模型耗时在同一数量级，五次预测准确率方差仅为0.063，比其它6种方法都稳定，本发明提出的方法具有最优的综合表现。

主权项：1.一种轴承故障诊断方法，其特征在于，所述轴承故障诊断方法，包括：首先，使用连续小波变换对轴承原始振动信号提取时频特征，并转化为32×32像素的二维图像；其次，利用改进AlexNet模型对时频波谱图进行故障特征提取；最后，对于故障诊断分类，通过LGBM分类算法并使用贝叶斯优化选择最优模型参数；所述轴承故障诊断方法包括以下步骤：步骤一，信号采样：对原始振动数据，每sample_length个连续数据点作为一个样本，以重叠采样的方式按采样间隔sample_interval进行连续采样；步骤二，Morlet连续小波变换信号处理：对每个样本进行连续小波变换，生成对应的时频图像，重新调整为N×N大小的彩色图片，产生足够的图片划分为训练集和测试集；对于训练过程，执行步骤三；对于测试过程，跳转至步骤五；步骤三，AlexNet特征提取：将训练集N×N大小的时频图输入改进的AlexNet模型进行训练，并保存模型；步骤四，LGBM故障诊断：将训练集N×N大小的时频图输入训练好的AlexNet模型并取出倒数第二个全连接层的输出，输入LGBM模型进行训练，数据维度为sample_Num×1000；其中sample_Num表示样本数量，1000为AlexNet模型第二个全连接层的神经元数量；步骤五，测试过程：将测试集N×N大小的时频图输入训练好的AlexNet模型，取出AlexNet模型第二个全连接层的输出作为AlexNet提取到的特征，输入训练好的LGBM模型，LGBM模型的输出即为故障诊断结果；步骤四中，所述LGBM故障诊断，包括基于梯度的单边采样和互斥特征捆绑，包括：1基于梯度的单边采样算法；集中训练具有大梯度的实例，对于小梯度的实例，采用随机抽取并在计算信息增益时通过添加一个常数乘数补偿对数据分布的影响；GOSS算法如下：输入：具有n个实例{x1,...,xn}的训练数据I，迭代次数d，大梯度数据和小梯度数据的采样率a,b，损失函数loss和若干个弱学习器L；输出：训练好的强学习器；步骤1：初始化：令topN＝a×lenI表示大梯度数据采样数；模型列表models加入L，每个训练数据的权重w设置为1；步骤2：模型列表对训练数据进行预测并用损失函数loss计算每个数据的损失g，并将训练数据按g降序排列；步骤3：将排序后的训练数据取前topN个作为大梯度子集A，在其余数据集合AC中随机抽取b×|AC|个作为小梯度子集B，合并大梯度子集和小梯度子集记为usedSet；步骤4：将小梯度样本的权重w乘以一个系数1-ab；步骤5：将使用的训练数据集合usedSet相应的数据I、负梯度-g和权重w输入学习器L进行训练得到新模型newModel；步骤6：循环执行步骤2到步骤5，直到达到迭代次数d或者收敛；2互斥特征捆绑算法包括捆绑簇生成和互斥特征合并两步；捆绑簇生成算法确定哪些互斥的特征可以合并，可以合并的特征放在一起，称为bundle；互斥特征合并将各个bundle合并为一个特征；确定哪些互斥的特征可以合并使用的是GreedyBundle，过程为首先通过将特征作为顶点并在每两个特征不互斥的情况下为每条特征添加边，从而将最优捆绑问题简化为图着色问题，然后使用贪婪算法；互斥特征合并通过让互斥特征exclusivefeatures驻留在不同的bins中来构造特征包，简单的可以用对原始特征的值添加偏移来实现；使用Python的LGBMClassifier包进行编程，对AlexNet的倒数第二层的输出进行分类；3贝叶斯超参数优化使用HyperOpt对LGBM模型的训练过程进行参数调优；HyperOpt提供一个易于使用的贝叶斯超参数优化算法，通过基于模型的顺序优化技术执行超参数优化；基于序列模型的优化是一种贝叶斯优化技术；贝叶斯优化是一种基于模型的优化算法，专门针对目标函数，即成本函数量身定制，贝叶斯优化搜索可从中获取样本的未知目标函数的最大值；与所有基于模型的优化算法一样，使用回归方法创建目标函数的模型，再根据该模型选择下一个要获取的点，然后更新模型；贝叶斯优化的基本算法如下：步骤1：对目标函数f设置一个高斯过程；步骤2：根据初始空间填充实验设计，在n0点观察f，设置n＝n0；步骤3：当n≤N，执行循环：使用所有可用数据更新f上的后验概率分布；设xn是x上的捕获函数的最大值，其中捕获函数是使用当前后验分布计算的；观察yn＝fxn；使n自增1；步骤4：返回一个解：用最大fx计算的点，或用最大后验平均值计算的点；目标函数f通常是未知的，一个高斯过程对于每个点x定义高斯分布的概率分布fx，由均值μ和标准偏差σ确定，定义函数的概率分布： 其中，表示标准正态分布；为估计μx和σx，使高斯过程拟合数据；假设每次观察fχ是正态分布的样本，如果有一个由多个观测值组成的数据集，即fχ1,fχ2,...,fχt，则数据集组成的向量[fχ1,fχ2,...,fχt]是多元正态分布的样本，该样本由均值向量和协方差矩阵定义，故高斯过程是n变量正态分布，其中n是观察次数；此协方差矩阵是通过内核函数kχ1,χ2定义的，表示远处的样本几乎不相关，而邻近的样本则高度相关；基于函数趋于光滑的事实的先验假设和先验函数的似然性，两个观测值对应的相近的χ1和χ2值很可能是相关的；给定一组观测值P1:t＝fχ1:t和采样噪声高斯过程计算如下： 其中，k＝[kx,χ1kx,χ2…kx,χt]；贝叶斯优化实现使用此高斯过程模型来搜索未知目标函数的最大值fx；选择下一个χ通过选择获取函数的最大值进行测试，以平衡探索，即在搜索空间中较少探索的部分中改进模型和开发，即偏爱模型所预测的有希望的部分之间的平衡；进行观察后，该算法将更新高斯过程，以将新数据考虑在内；由于假设搜索空间的所有点均具有良好的可能性，故用恒定的均值初始化高斯过程；每次观察后，模型都会逐渐完善；高斯过程由均值函数完全指定μx和核函数kχ1,χ2；目标是学习特征长度标尺l2和总体方差在给定核函数的情况下最大化数据的概率θ，边际概率计算如下： 其中，μ0是均值函数。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD