基於雙重組合模式的多層相關向量機的軸承故障診斷系統的製作方法
2023-08-10 05:13:36 1
基於雙重組合模式的多層相關向量機的軸承故障診斷系統的製作方法
【專利摘要】本發明涉及一種基於雙重組合模式的多層相關向量機的軸承故障診斷系統,包括加速度傳感器、數據採集模塊、特徵提取模塊和推理機,加速度傳感器用於將軸承的振動信號轉換為電信號;數據採集模塊用於將加速度傳感器所採集的信號進行預處理;特徵提取模塊用於提取經過數據採集模塊預處理後的信號的特徵,以供推理機中診斷模型的使用;推理機中的診斷模型包括「二叉樹」模式和「一對一」模式,其中,「二叉樹」模式用於區分軸承的故障狀態與正常狀態,「一對一」模式用於識別具體的軸承故障類型;當「二叉樹」模式得出軸承處於故障狀態時,再由「一對一」模式對軸承故障類型進行判斷。本發明即能滿足診斷系統的實時診斷的需要,又能保證其診斷精度。
【專利說明】基於雙重組合模式的多層相關向量機的軸承故障診斷系統
【技術領域】
[0001]本發明涉及軸承故障診斷【技術領域】,特別是涉及一種基於雙重組合模式的多層相關向量機的軸承故障診斷系統。
【背景技術】
[0002]軸承是工程機械中重要的基礎部件,其運行狀態的好壞直接影響工程機械工作狀況,因此,對軸承的故障進行準確、高效的診斷,對於確保工程機械及時恢復正常工作狀態有著非常重要的意義。相關向量機是基於貝葉斯框架構建的機器學習方法,在故障診斷中有著較好的應用前景,它解決了人工神經網絡的過擬合和訓練速度慢等問題;並與支持向量機相比,相關向量機具有更好的稀疏性,從而測試時間更短,更適用於在線檢測,且相關向量機中懲罰參數是自動賦值的,解決了支持向量機中懲罰參數選取困難的難題。由於相關向量機是一個二值分類器,而軸承故障類型較多,所以必須使用多個相關向量機分類器以某種特定的方式組合,以構建適合於軸承故障診斷的模型。如何在保證診斷精度的同時,提高診斷模型訓練和使用的效率,進而確保診斷系統的實時診斷性能是當前的難題。
【發明內容】
[0003]本發明所要解決的技術問題是提供一種多層相關向量機的軸承故障診斷系統,SP能滿足診斷系統的實時診斷的需要,又能保證其診斷精度。
[0004]本發明解決其技術問題所採用的技術方案是:提供一種基於雙重組合模式的多層相關向量機的軸承故障診斷系統,包括加速度傳感器、數據採集模塊、特徵提取模塊和推理機,所述加速度傳感器用於將軸承的振動信號轉換為電信號;所述數據採集模塊用於將所述加速度傳感器所採集的信號進行預處理;所述特徵提取模塊用於提取經過所述數據採集模塊預處理後的信號的特徵,以供所述推理機中診斷模型的使用;所述推理機包括診斷模型和推理策略,其中診斷模型包括「二叉樹」模式和「一對一」模式,其中,「二叉樹」模式用於區分軸承的故障狀態與正常狀態,「一對一」模式用於識別具體的軸承故障類型;所述推理策略為首先通過「二叉樹」模式判別軸承是否處於故障狀態,當「二叉樹」模式得出軸承處於故障狀態時,再由「一對一」模式對軸承故障類型進行判斷。
[0005]所述「一對一」模式為每次只選取其中的兩類樣本,對所有可能的兩類組合構造相關向量機,共構造M(M-1) /2個相關向量機,其中,M表示軸承故障類型的數目。
[0006]所述相關向量機採用特徵子集進行訓練和測試。
[0007]所述「二叉樹」模式中,當二值分類器輸出大於閾值時,則該軸承處於正常狀態,否貝U,該軸承處於故障狀態。
[0008]所述「一對一」模式採用投票法識別軸承的故障類型,即樣本每經過一個相關向量機都會獲得一個可能的故障類型,則該故障類型獲得一票,當樣本經過所有的相關向量機後,對獲得票數進行統計,得票數最高的故障類型即為該樣本屬於的故障類型。
[0009]當幾個故障類型獲得相同票數時,再將樣本輸入與所述幾個故障類型相關的相關向量機,再以投票法進行識別,最終統計得到票數最多的為該樣本屬於的故障類型。
[0010]有益效果
[0011]由於採用了上述的技術方案,本發明與現有技術相比,具有以下的優點和積極效果:本發明採用『二叉樹』和『一對一』兩種模式組合的方式構建軸承故障診斷模型,使其即能提高診斷模型訓練和使用的效率,滿足診斷系統的實時診斷的需要,又能保證其診斷精度。
【專利附圖】
【附圖說明】
[0012]圖1是基於雙重組合模式的多層相關向量機的軸承故障診斷系統示意圖;
[0013]圖2是基於雙重組合模式的多層相關向量機的軸承故障診斷流程圖;
[0014]圖3是一對一組合模式中單元相關向量機的訓練與測試圖。
【具體實施方式】
[0015]下面結合具體實施例,進一步闡述本發明。應理解,這些實施例僅用於說明本發明而不用於限制本發明的範圍。此外應理解,在閱讀了本發明講授的內容之後,本領域技術人員可以對本發明作各種改動或修改,這些等價形式同樣落於本申請所附權利要求書所限定的範圍。
[0016]本發明的實施方式涉及一種基於雙重組合模式的多層相關向量機的軸承故障診斷系統,如圖1所示,包括加速度傳感器、數據採集模塊、特徵提取模塊、推理機和顯示模塊,所述加速度傳感器用於將軸承的振動信號轉換為電信號;所述數據採集模塊用於將所述加速度傳感器所採集的信號進行預處理;所述特徵提取模塊用於提取經過所述數據採集模塊預處理後的信號的特徵,以供所述推理機中診斷模型的使用;所述推理機包括診斷模型和推理策略,其中診斷模型包括「二叉樹」模式和「一對一」模式,其中,「二叉樹」模式用於區分軸承的故障狀態與正常狀態,「一對一」模式用於識別具體的軸承故障類型;而推理策略描述為:首先通過「二叉樹」模式判別軸承是否處於故障狀態,當「二叉樹」模式得出軸承處於故障狀態時,再由「一對一」模式對軸承故障類型進行判斷。所述顯示模塊用於診斷結果顯示以及便於人機互動的界面。
[0017]「一對一」模式主要是指每次只選取其中的兩類樣本,對所有可能的兩類組合構造相關向量機(Relevance Vector Machine,簡稱「RVM」),總共需要構造M(M-1) /2個RVM,診斷模型中M表示軸承故障類型的數目。「一對一」模式中每個相關向量機採用各自特定的特徵子集進行訓練和測試。圖3為「一對一」模式中單元相關向量機訓練與測試圖,每個單元相關向量機在投入使用前必須進行訓練和測試,以滿足診斷精度的要求,「一對一」模式中的每個單元相關向量機都採用了特定的特徵子集對其進行訓練和測試,圖3左邊為該相關向量機的訓練過程圖,其中RVs表示相關向量,圖3右邊為該相關向量機的測試過程圖。從圖3可以看出,該相關向量機採用了特徵56和特徵5組成了其訓練和測試的特徵子集,那是因為該兩個特徵對滾珠故障(III類)C4和滾珠故障(II類)C9故障的區分度最高。
[0018]如圖2所示,基於雙重組合模式的多層相關向量機的軸承故障診斷流程包含了「二叉樹」和「一對一」兩種模式,其中,「二叉樹」模式用於區分軸承的故障狀態與正常狀態,「一對一」模式用於識別具體的軸承故障類型。本診斷模型中採用了凱斯西儲大學軸承振動數據集中所涉及的軸承狀態類型,軸承狀態類型及表示如表1所示,其中,軸承的正常狀態記為Cl ;軸承缺陷尺寸為0.018mm的滾珠故障記為滾珠故障(I類),以C2表示;軸承缺陷尺寸為0.036mm的滾珠故障記為滾珠故障(II類),以C3表示;軸承缺陷尺寸為0.053mm的滾珠故障記為滾珠故障(III類),以C4表示;軸承缺陷尺寸為0.018mm的內圈故障記為滾珠故障(I類),以C5表示;軸承缺陷尺寸為0.036mm的內圈故障記為滾珠故障(II類),以C6表示;軸承缺陷尺寸為0.053mm的內圈故障記為滾珠故障(III類),以C7表示;軸承缺陷尺寸為0.018mm的外圈故障記為滾珠故障(I類),以C8表示;軸承缺陷尺寸為0.036mm的外圈故障記為滾珠故障(II類),以C9表示;軸承缺陷尺寸為0.053mm的外圈故障記為滾珠故障(III類),以ClO表示。「二叉樹」模式中,當二值分類器輸出大於0.5,則該軸承處於正常狀態,否則,該軸承處於故障狀態。當軸承處於故障狀態時,啟用「一對一」模式以識別軸承具體故障類型,「一對一」模式採用的是投票法,樣本每經過一個二分類RVM都會獲得一個可能的故障類型,則該故障類型獲得一票,當樣本經過所有二分類RVM後,對獲得票數進行統計,得票數最高的故障類型即為該樣本最可能屬於的故障類型。當某幾個故障類型獲得相同票數時,再將樣本輸入與這幾個故障類型相關的二分類RVM,如此循環,直至最終出現票數勝出的故障類型。如當RVM2[1]輸出大於0.5,則該軸承可能處於I類的滾珠故障,即I類的滾珠故障獲得I票,否則,則該軸承可能處於II類的滾珠故障,即II類的滾珠故障獲得I票。
[0019]表1軸承狀態類型及表示
[0020]
【權利要求】
1.一種基於雙重組合模式的多層相關向量機的軸承故障診斷系統,包括加速度傳感器、數據採集模塊、特徵提取模塊和推理機,其特徵在於,所述加速度傳感器用於將軸承的振動信號轉換為電信號;所述數據採集模塊用於將所述加速度傳感器所採集的信號進行預處理;所述特徵提取模塊用於提取經過所述數據採集模塊預處理後的信號的特徵,以供所述推理機中診斷模型的使用;所述推理機包括診斷模型和推理策略,其中診斷模型包括「二叉樹」模式和「一對一」模式,其中,「二叉樹」模式用於區分軸承的故障狀態與正常狀態,「一對一」模式用於識別具體的軸承故障類型;所述推理策略為首先通過「二叉樹」模式判別軸承是否處於故障狀態,當「二叉樹」模式得出軸承處於故障狀態時,再由「一對一」模式對軸承故障類型進行判斷。
2.根據權利要求1所述的基於雙重組合模式的多層相關向量機的軸承故障診斷系統,其特徵在於,所述「一對一」模式為每次只選取其中的兩類樣本,對所有可能的兩類組合構造相關向量機,共構造Μ(Μ-1)/2個相關向量機,其中,M表示軸承故障類型的數目。
3.根據權利要求2所述的基於雙重組合模式的多層相關向量機的軸承故障診斷系統,其特徵在於,所述相關向量機採用特徵子集進行訓練和測試。
4.根據權利要求1-3中任一權利要求所述的基於雙重組合模式的多層相關向量機的軸承故障診斷系統,其特徵在於,所述「二叉樹」模式中,當二值分類器輸出大於閾值時,則該軸承處於正常狀態,否則,該軸承處於故障狀態。
5.根據權利要求1-3中任一權利要求所述的基於雙重組合模式的多層相關向量機的軸承故障診斷系統,其特徵在於,所述「一對一」模式採用投票法識別軸承的故障類型,即樣本每經過一個相關向量機都會獲得一個可能的故障類型,則該故障類型獲得一票,當樣本經過所有的相關向量機後,對獲得票數進行統計,得票數最高的故障類型即為該樣本屬於的故障類型。
6.根據權利要求5所述的基於雙重組合模式的多層相關向量機的軸承故障診斷系統,其特徵在於,當幾個故障類型獲得相同票數時,再將樣本輸入與所述幾個故障類型相關的相關向量機,再以投票法進行識別,最終統計得到票數最多的為該樣本屬於的故障類型。
【文檔編號】G01M13/04GK103471849SQ201310442453
【公開日】2013年12月25日 申請日期:2013年9月25日 優先權日:2013年9月25日
【發明者】費勝巍, 何創新 申請人:東華大學