一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法
【專利摘要】本發(fā)明提出一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，該方法首先提取滾動軸承振動信號的時域特征量，然后利用局部線性嵌入方法融合所提取的時域特征信息，從而定義一個新的綜合監(jiān)測指標用于更好地定量地評估軸承的性能退化；逐層訓練連續(xù)受限玻爾茲曼機進而構造連續(xù)深度置信網絡預測模型；采用遺傳算法來優(yōu)化連續(xù)深度置信網絡的結構，進一步提升預測精度。該預測方法結果可靠，實時性好，簡單易行，適用于滾動軸承故障預測。
【專利說明】
一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法
技術領域
[0001] 本發(fā)明屬機械設備健康監(jiān)測領域，具體為一種基于連續(xù)深度置信網絡的滾動軸承 故障預測方法。
【背景技術】
[0002] 滾動軸承是旋轉機械中應用最為廣泛的機械零件，也是最易損壞的元件之一。滾 動軸承在運轉過程中可能會由于各種原因引起損壞，如裝配不當、潤滑不良、水分和異物侵 入、腐蝕和過載等都可能會導致滾動軸承過早損壞。即使在安裝、潤滑和使用維護都正常的 情況下，經過一段時間運轉，滾動軸承也會出現疲勞剝落和磨損而不能正常工作。因此滾動 軸承故障預測非常重要，它不僅能夠保證設備安全運行、預防重大事故、提高經濟效益，還 可以為制定合理有效的檢修計劃提供可靠的依據，是預測與健康管理領域的一個重要研究 方向。
[0003] 目前，滾動軸承故障預測的常用方法主要有三類:基于模型的預測方法、基于知識 的預測方法、基于數據驅動的預測方法。然而，由于實際機械設備所處環(huán)境復雜，載荷形態(tài) 多樣，設備服役的動力學規(guī)律很難獲得，因而建立準確的數學模型來描述機械重大裝備部 件和整機的故障演化規(guī)律存在較大的困難，因此基于模型的預測方法的實際應用范圍和效 果十分受限。知識庫的不完備導致基于知識的預測方法自適應學習能力明顯不足，因此其 更適合于定性推理而非定量計算?；跀祿寗拥念A測方法以采集的數據為基礎，不需要 或只需要少量的對象系統(tǒng)的先驗知識，通過各種數據分析方法挖掘其中隱含信息進行評 估，是目前應用比較廣泛的預測方法。其典型代表是:神經網絡和支持向量機。
[0004] 神經網絡和支持向量機等雖然已在故障預測領域得到了一定的應用，但是這些方 法仍存在一些明顯不足之處。神經網絡容易陷入局部極小值，且其收斂速度過慢;支持向量 機更適用于小樣本的學習而不適合大規(guī)模樣本的學習，且其核函數及參數的選擇缺乏相應 的理論。更重要的在于，這些傳統(tǒng)模型本質上都是淺層機器學習模型，通常包含不超過一層 的非線性特征變換，當給定有限數量的樣本和計算單元時，淺層結構模型難以有效地表示 復雜非線性函數。而軸承故障的演化規(guī)律是一個變化異常復雜的非線性、非平穩(wěn)時間序列， 故用神經網絡等傳統(tǒng)的淺層預測方法難以在信息貧乏和不確定性條件下對如此復雜的時 間序列做出準確有效的預測。特別是當處理有噪聲數據時，淺層預測模型容易把噪聲數據 記錄下來而發(fā)生過擬合。這些都揭示了淺層網絡的局限性，也激發(fā)了人們探尋深度網絡在 非線性非平穩(wěn)振動信號表達中的應用前景。
[0005] 深度學習理論是在傳統(tǒng)人工神經網絡的基礎上提出的，它的實質是通過構建具有 多隱層的機器學習模型和逐層特征變換，來學習眾多復雜數據中更有用特征，發(fā)現其內在 演變的規(guī)律和模式，從而最終提升預測的準確性。深度置信網絡是一個主流的深度學習模 型，它通過學習一種深層非線性網絡結構，以發(fā)現輸入數據的分布式特征表示，除此之外， 它還具備了從少數樣本集中學習本質特征的強大能力，這些優(yōu)良性能是傳統(tǒng)的淺層模型遠 遠無法比擬的。連續(xù)深度置信網絡模型是對傳統(tǒng)深度置信網絡的改進和提升，它能更好地 建模滾動軸承振動數據，優(yōu)化連續(xù)深度置信網絡模型的結構能進一步提升預測精度，有效 完成滾動軸承的故障預測。

【發(fā)明內容】

[0006] 為解決現有技術存在的問題，本發(fā)明提出一種基于連續(xù)深度置信網絡的滾動軸承 故障預測方法:首先提取滾動軸承振動信號的時域特征量，然后利用局部線性嵌入方法融 合所提取的時域特征信息，得到一個新的綜合監(jiān)測指標用于更好地定量地評估軸承的性能 退化;將滾動軸承正常工作階段的綜合監(jiān)測指標值作為訓練樣本，逐層訓練連續(xù)受限玻爾 茲曼機進而構造連續(xù)深度置信網絡預測模型，采用遺傳算法來優(yōu)化連續(xù)深度置信網絡的結 構，進一步提升預測精度。該方法預測精度高，簡單可靠，適用于滾動軸承故障預測。
[0007] 本發(fā)明的技術方案為：
[0008] 所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征在于:包括以 下步驟：
[0009] 步驟1:提取滾動軸承振動信號的多個時域統(tǒng)計特征量，并采用提取的時域統(tǒng)計特 征量構造一個多維非線性特征向量;利用局部線性嵌入方法對多維非線性特征向量進行融 合，得到映射矩陣，取映射矩陣特征值中，按從小到大排序的第2個特征值對應的特征向量 作為綜合監(jiān)測指標；
[0010]步驟2:采集滾動軸承正常工作階段的綜合監(jiān)測指標值作為訓練樣本，逐層訓練連 續(xù)受限玻爾茲曼機，進而構造連續(xù)深度置信網絡模型；
[0011] 步驟3:采用連續(xù)深度置信網絡模型預測滾動軸承未來的工作狀態(tài)。
[0012] 進一步的優(yōu)選方案，所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法， 其特征在于:步驟1的具體過程為：
[0013] 步驟1.1:采集滾動軸承振動加速度信號，提取振動加速度信號的6個時域統(tǒng)計特 征量，分別為均方根值、峰峰值、峭度、脈沖指標、裕度指標和波形指標，組成一個6維特征向 量;每個 6維特征向量為一個樣本點；
[0014] 步驟1.2:計算每一個樣本點11的近鄰點^#1?[)，0 = 6，1 = 1，2，~，1'1，1'1為樣本點個 數:將相對于樣本點xi歐式距離最近的K個樣本點定義為樣本點&的1(個近鄰點；
[0015] 步驟1.3:根據每個樣本點的近鄰點計算出局部重建權值矩陣W，使樣本點的重建 誤差最小：
[0016] 定義成本函數e(w)為：
[0017]
[0018] 式中Wij，./ = 1，2.，.. &為第j個近鄰點Xj到第i個樣本點^之間的權重，且滿足 Σ；^δ=ι；
[0019] 步驟1.4:根據得到的局部重建權值矩陣W，計算6維特征向量的低維表示Y，得到將 所有6維原始空間上的觀測樣本點映射到內部全局坐標的低維向量 yi，yieRd，d為本征維 度;映射條件滿足如下關系：
[0020]
[0021] 且滿足條件
[0022]
[0023] 其中ε(Υ)為損失函數值，yi是xi在低維空間上的輸出向量，yj是yi的近鄰點，tr (·)為矩陣求跡運算符，I為NX N的單位矩陣，Μ為稀疏對稱半正定的映射矩陣；
[0024] 步驟1.5:計算映射矩陣Μ的特征值，取映射矩陣特征值中，按從小到大排序的第2 個特征值對應的特征向量作為綜合監(jiān)測指標。
[0025] 進一步的優(yōu)選方案，所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法， 其特征在于:Κ取12。
[0026] 進一步的優(yōu)選方案，所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法， 其特征在于:步驟2中，采用連續(xù)受限玻爾茲曼機逐層構造連續(xù)深度置信網絡模型過程為：
[0027] 步驟2.1:連續(xù)受限玻爾茲曼機由可視層和隱含層組成，可視層接受輸入的綜合監(jiān) 測指標值;連續(xù)受限玻爾茲曼機的可視層中通過添加零均值的高斯噪聲引入連續(xù)隨機單 元;取h t為隱單元t的狀態(tài)，νΡ表示輸入的可視單元ρ的狀態(tài)，有：
[0028]
[0029]
[0030]兵甲NUU，1)衣不苓均但、早怔萬走的咼斯隨機變量，常數σ和Nt(0，1)共同產生了 一個噪聲輸入分量nt = 〇 · Nt(0，l)，〇取0.2~0.5; copt為連續(xù)受限玻爾茲曼機模型中可視 單元P與隱單元t之間的連接權值；奶⑴是漸近線在0L和Θ Η處的Sigmoid函數，其中0L = O, ΘΗ =1，參數sit為噪聲控制變量，控制Si gmo i d曲線的斜率；
[0031] 采用一步重構的最小化對比散度算法訓練連續(xù)受限玻爾茲曼機，模型的權值copt 和噪聲控制參數at的更新公式為：
[0032]
[0033]
[0034]式中h't為隱單元t的一步重構狀態(tài)，< · >為訓練數據的期望，如和1為學習率， 取值為0.01~0.5;
[0035] 步驟2.2:重復步驟2.1操作3次，依次得到3個連續(xù)受限玻爾茲曼機模型，逐層堆疊 連續(xù)受限玻爾茲曼機模型構建連續(xù)深度置信網絡模型:第一個連續(xù)受限玻爾茲曼機模型的 輸入為綜合監(jiān)測指標值，第二個連續(xù)受限玻爾茲曼機模型的輸入為第一個連續(xù)受限玻爾茲 曼機模型的輸出，第三個連續(xù)受限玻爾茲曼機模型的輸入為第二個連續(xù)受限玻爾茲曼機模 型的輸出。
[0036] 進一步的優(yōu)選方案，所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法， 其特征在于:采用遺傳算法優(yōu)化連續(xù)深度置信網絡模型結構:待優(yōu)化的模型參數有3個，分 別為3個隱含層的神經元數li、l2和13,具體的優(yōu)化過程包括以下步驟：
[0037]步驟2.3.1:給定一組h、12和13的初始值，根據試驗任務設置種群規(guī)模他、最大迭 代次數Tl、交叉概率P。和變異概率Pm，種群中的每一個個體表示一種網絡結構；
[0038] 步驟2.3.2:提供一組訓練樣本給連續(xù)深度置信網絡的可視層，訓練連續(xù)深度置信 網絡模型，用測試樣本檢驗模型預測性能，計算預測誤差，預測誤差的指標為均方根誤差； 所述訓練樣本為滾動軸承正常工作階段的綜合監(jiān)測指標值，所述測試樣本為滾動軸承微弱 故障階段和完全失效階段的綜合監(jiān)測指標值；
[0039] 步驟2.3.3:以均方根誤差作為目標函數，根據目標函數確定遺傳算法的適應度函 數，計算每個個體的適應度；
[0040] 步驟2.3.4:對當前種群進行遺傳操作，產生新的種群，遺傳操作包括選擇、交叉和 變異；
[0041 ]步驟2.3.5 :判斷遺傳算法是否達到最大迭代次數。若滿足，則結束優(yōu)化，若不滿 足，返回步驟2.3.2。
[0042] 有益效果
[0043] 本發(fā)明的有益效果是:本發(fā)明在采用局部線性嵌入方法融合振動信號的時域特征 信息定義的綜合監(jiān)測指標能有效地描述滾動軸承全壽命的性能退化，具體分為三個階段： 正常階段，微弱故障階段和故障逐漸演化為失效階段，另外本發(fā)明實施例在經遺傳算法優(yōu) 化的連續(xù)深度置信網絡模型上進行了兩次驗證，一次是利用仿真信號來驗證連續(xù)深度置信 網絡模型在非線性和非平穩(wěn)時序信號預測中的有效性;另一個是利用NASA滾動軸承正常工 作階段的綜合監(jiān)測指標數據來驗證本發(fā)明方法在軸承故障預測中的準確性和可靠性。相比 與傳統(tǒng)方法，本發(fā)明得到的滾動軸承性能退化預測曲線精度高，可靠性強，可以應用于滾動 軸承的健康監(jiān)測。
[0044] 本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變 得明顯，或通過本發(fā)明的實踐了解到。
【附圖說明】
[0045] 本發(fā)明的上述和/或附加的方面和優(yōu)點從結合下面附圖對實施例的描述中將變得 明顯和容易理解，其中：
[0046] 圖1為本發(fā)明滾動軸承故障預測方法的流程圖；
[0047]圖2為本發(fā)明仿真信號圖；
[0048] 圖3為本發(fā)明仿真信號預測結果圖；
[0049] 圖4為本發(fā)明滾動軸承全壽命周期振動信號時域圖；
[0050] 圖5為本發(fā)明綜合監(jiān)測指標圖；
[0051]圖6為本發(fā)明實驗信號預測結果圖。
【具體實施方式】
[0052]下面詳細描述本發(fā)明的實施例，描述的實施例是示例性的，旨在用于解釋本發(fā)明， 而不能理解為對本發(fā)明的限制。
[0053]參照圖1所示，本發(fā)明實施例的內容可主要分為三部分。第一部分是提取滾動軸承 振動信號的6種時域特征量，分別為均方根值、峰峰值、峭度、脈沖指標、裕度指標和波形指 標，組成一個6維特征向量，然后利用局部線性嵌入方法融合所提取的時域特征信息，得到 映射矩陣，將映射矩陣的特征值從小到大排列，將第2個特征值對應的特征向量定義為一個 新的綜合監(jiān)測指標，來更好地定量地評估軸承的性能退化;第二部分是將滾動軸承正常工 作階段的綜合監(jiān)測指標值作為訓練樣本，逐層訓練連續(xù)受限玻爾茲曼機進而構造連續(xù)深度 置信網絡預測模型；第三部分是采用遺傳算法來優(yōu)化連續(xù)深度置信網絡的結構，進一步提 升預測性能。
[0054] 參照圖2所示，由Mackey-Glass差分延遲方程產生的550個數據點的仿真信號，前 500個數據點作為訓練樣本，后50個數據點作為測試樣本。圖中橫坐標表示數據點數;縱坐 標表示幅值，幅值的量綱為1;黑色實線表示訓練樣本，黑色虛線表示測試樣本。
[0055]參照圖3所示，采用本發(fā)明方法預測仿真信號中后50個數據點，預測結果與真實值 非常接近。圖中橫坐標表示測試樣本中的數據點數;縱坐標表示幅值，幅值的量綱為1;黑色 實線表示真實值，黑色虛線表示預測值。
[0056] 參照圖4所示，滾動軸承全壽命周期振動信號時域圖，總共有總共46200000個振動 數據點。圖中橫坐標表示時間，單位為day;縱坐標表示振動幅值，單位為m/s2。由圖可知，第 32天左右，滾動軸承出現微弱故障，第34天左右，滾動軸承失效。
[0057]參照圖5所示，采用局部線性嵌入方法融合振動信號的時域特征信息，得到3080個 數據點的綜合監(jiān)測指標。根據這個綜合監(jiān)測指標，軸承全壽命周期可以分為三個階段:正常 階段(第1天至第32天），微弱故障階段(第32天至第34天)和故障逐漸演化為失效階段(第34 天至第35天）。所定義的綜合監(jiān)測指標能有效地描述軸承的性能退化。圖中橫坐標表示時 間，單位為day;縱坐標表示幅值，幅值的量綱為1。
[0058]參照圖6所示，采用本發(fā)明方法預測滾動軸承的故障，預測結果與滾動軸承故障實 際發(fā)展趨勢相吻合。訓練樣本為第7到第28天內的1848個綜合監(jiān)測指標值，即訓練樣本全部 來自滾動軸承正常工作階段。測試樣本為第28到第35天內的616個綜合指標值，即測試樣本 來自滾動軸承正常階段，微弱故障階段和故障逐漸演化為失效階段。圖中橫坐標表示時間， 單位為day;縱坐標表示幅值，幅值的量綱為1。
[0059]本發(fā)明按以下步驟實施：
[0060] 步驟1:提取滾動軸承振動信號的多個時域統(tǒng)計特征量，并采用提取的時域統(tǒng)計特 征量構造一個多維非線性特征向量;利用局部線性嵌入方法對多維非線性特征向量進行融 合，得到映射矩陣，取映射矩陣特征值中，按從小到大排序的第2個特征值對應的特征向量 作為綜合監(jiān)測指標，來更好地定量地評估軸承的性能退化；
[0061] 步驟1的具體過程為：
[0062]步驟1.1:采集滾動軸承振動加速度信號，提取振動加速度信號的6個時域統(tǒng)計特 征量，分別為均方根值、峰峰值、峭度、脈沖指標、裕度指標和波形指標，組成一個6維特征向 量;每個6維特征向量為一個樣本點，本實施例中樣本點數為3080;
[0063] 步驟1.2:計算每一個樣本點11的近鄰點^#1?[)，0 = 6，1 = 1，2，~，1'1，1'1為樣本點個 數:將相對于樣本點xi歐式距離最近的K個樣本點定義為樣本點&的1(個近鄰點;K取12;
[0064] 步驟1.3:根據每個樣本點的近鄰點計算出局部重建權值矩陣W，使樣本點的重建 誤差最?。?br>[0065] 定義成本函數ε (W)用來測量重構誤差，ε (W)為：
[0066]
[0067] 式中《^，7' = 1,2，..|：為第」_個近鄰點以到第1個樣本點^之間的權重，且滿足
[0068] 步驟1.4:根據得到的局部重建權值矩陣W，計算6維特征向量的低維表示Υ，得到將 所有6維原始空間上的觀測樣本點映射到內部全局坐標的低維向量 yi，yieRd，d為本征維 度;映射條件滿足如下關系：
[0069]
[0070]
[0071]
[0072] 其中ε(Υ)為損失函數值，yi是xi在低維空間上的輸出向量，yj是yi的近鄰點，tr (·)為矩陣求跡運算符，I為NXN的單位矩陣，Μ為稀疏對稱半正定的映射矩陣;損失函數ε (Υ)是向量yi的一個二元方的形式，為簡化，可以通過求解稀疏矩陣的特征向量求解最小 值，即求解最小化損失函數ε (Y)的問題可以轉化為求解對稱矩陣Μ的特征值問題；
[0073] 步驟1.5:計算映射矩陣Μ的特征值，將Μ的特征值從小到大排列，舍去第1個幾乎接 近于零的特征值，取映射矩陣特征值中，按從小到大排序的第2個特征值對應的特征向量作 為綜合監(jiān)測指標。
[0074]步驟2:采集滾動軸承正常工作階段的綜合監(jiān)測指標值作為訓練樣本，逐層訓練連 續(xù)受限玻爾茲曼機，進而構造連續(xù)深度置信網絡模型；
[0075] 采用連續(xù)受限玻爾茲曼機逐層構造連續(xù)深度置信網絡模型過程為：
[0076] 步驟2.1:連續(xù)受限玻爾茲曼機由可視層和隱含層組成，可視層接受輸入的綜合監(jiān) 測指標值;為了更好地建模振動數據，連續(xù)受限玻爾茲曼機的可視層中通過添加零均值的 高斯噪聲引入連續(xù)隨機單元;取ht為隱單元t的狀態(tài)，ν Ρ表示輸入的可視單元ρ的狀態(tài)，有：
[0077]
[0078]
[0079]其中Nt(0，l)表示零均值、單位方差的高斯隨機變量，常數〇和Nt(0，l)共同產生了 一個噪聲輸入分量nt = 〇 · Nt(0，l)，〇取0.2~0.5; copt為連續(xù)受限玻爾茲曼機模型中可視 單元P與隱單元t之間的連接權值；爐,(.〇是漸近線在0L和Θ Η處的Sigmoid函數，其中0l = O,9h =1，參數￡it為噪聲控制變量，控制Sigmoid曲線的斜率，當git由小變大時，可以完成從無噪聲 的確定性狀態(tài)到二進制隨機狀態(tài)的平滑過渡；
[0080] 采用一步重構的最小化對比散度算法訓練連續(xù)受限玻爾茲曼機，模型的權值《pt 和噪聲控制參數at的更新公式為：
[0081] Δ ω ρ? = ηω( <vPht>-<v/Ph71> )
[0082]
[0083] 式中h't為隱單元t的一步重構狀態(tài)，< · >為訓練數據的期望，如和1為學習率， 取值為0.01~0.5;
[0084] 步驟2.2:重復步驟2.1操作3次，依次得到3個連續(xù)受限玻爾茲曼機模型，逐層堆疊 連續(xù)受限玻爾茲曼機模型構建連續(xù)深度置信網絡模型:第一個連續(xù)受限玻爾茲曼機模型的 輸入為綜合監(jiān)測指標值，第二個連續(xù)受限玻爾茲曼機模型的輸入為第一個連續(xù)受限玻爾茲 曼機模型的輸出，第三個連續(xù)受限玻爾茲曼機模型的輸入為第二個連續(xù)受限玻爾茲曼機模 型的輸出。
[0085] 步驟2.3:采用遺傳算法來優(yōu)化連續(xù)深度置信網絡模型的結構，進一步提升預測性 能。待優(yōu)化的模型參數有3個，分別為3個隱含層的神經元數和1 3,其中1^[1，20]、1# [1，40 ]、13 e [ 1，20 ];具體的優(yōu)化過程包括以下步驟：
[0086] 步驟2.3.1:給定一組li、12和13的初始值li = 10，12 = 10,13=10,根據試驗任務設 置種群規(guī)模他=40、最大迭代次數1^ = 80、交叉概率pc = 0.8和變異概率pm=0.033,種群中 的每一個個體表不一種網絡結構；
[0087] 步驟2.3.2:提供一組訓練樣本給連續(xù)深度置信網絡的可視層，訓練連續(xù)深度置信 網絡模型，用測試樣本檢驗模型預測性能，計算預測誤差，預測誤差的指標為均方根誤差； 所述訓練樣本為滾動軸承正常工作階段的綜合監(jiān)測指標值，所述測試樣本為滾動軸承微弱 故障階段和完全失效階段的綜合監(jiān)測指標值；
[0088] 步驟2.3.3:以均方根誤差作為目標函數，根據目標函數確定遺傳算法的適應度函 數，計算每個個體的適應度；
[0089] 步驟2.3.4:對當前種群進行遺傳操作，產生新的種群，遺傳操作包括選擇、交叉和 變異；
[0090] 步驟2.3.5 :判斷遺傳算法是否達到最大迭代次數。若滿足，則結束優(yōu)化，若不滿 足，返回步驟2.3.2。
[0091] 步驟3:采用連續(xù)深度置信網絡模型預測滾動軸承未來的工作狀態(tài)。
[0092] 實施例1:
[0093]由混沌Mackey-Glass差分延遲方程產生一個非線性、非平穩(wěn)的時間序列x(t)，來 驗證本發(fā)明方法在分析和表述非線性、非平穩(wěn)信號時的有效性：
[0094]
[0095] 本算例中，設置初始條件為& = 0.25沁=0.1，奴0)=0.6，1 = 56。獲取550個數據點 的仿真信號如圖2所示，幅值的量綱為1，其中前500個點作為訓練樣本，后50個點作為測試 樣本。
[0096]采用連續(xù)深度置信網絡方法預測仿真信號中最后50個數據點，預測結果參照圖3 所示。由此可見，本發(fā)明提出的方法，其預測值與真實值非常接近，能有效用于非線性、非平 穩(wěn)信號的分析和表達。
[0097] 實施例2:
[0098] 本例中，采用美國宇航局的預測數據庫中的滾動軸承全壽命監(jiān)測數據來驗證本發(fā) 明法在滾動軸承故障預測中的準確性。實驗裝置為四個軸承安裝于一個軸上，并有一個直 流電機驅動，轉速維持在2000rpm，軸上徑向負載6000鎊。軸承為Rexnord ZA-115雙列軸承， 軸承每列有16個滾動體，直徑0.311英寸，節(jié)徑2.815英寸，接觸角15.17°。每個軸承上都有 兩個垂直安置的PCB 353B33高靈敏度加速度傳感器，采集振動加速度信號，振動數據采用 NI公司的DAQCard-6062E采集卡每隔20分鐘采集一次。數據的采樣頻率為20kHz，每一次采 樣的數據長度為20480點。
[0099]圖4為3號滾動軸承全壽命振動信號，總共46200000個數據點。將全壽命振動信號 進行分段時域特征提取，每一段含15000個數據點，依次提取每一段振動信號的6種時域特 征量，分別為均方根值、峰峰值、峭度、脈沖指標、裕度指標和波形指標，每一種特征的數據 點數為3080。將這個6種特征組成一個6維特征向量，采用局部線性嵌入(LLE)方法融合所提 取的時域特征信息，從而定義一個含3080個數據點的綜合監(jiān)測指標如圖5所示，用于更好地 定量地評估滾動軸承的性能退化。其中，局部線性嵌入方法中的參數K = 12。
[0100]構建含3個隱含層的連續(xù)深度置信網絡模型，預測的回歸步長選擇經驗值5,即連 續(xù)深度置信網絡預測模型的輸入層神經元數為 1。訓練樣本為第7到第28天內的1848個綜合監(jiān)測指標值，即訓練樣本全部來自滾動軸承正 常工作階段。測試樣本為第28到第35天內的616個綜合指標值，即測試樣本來自滾動軸承正 常階段，微弱故障階段和故障逐漸演化為失效階段。采用遺傳算法優(yōu)化模型結構，以RMSE為 目標函數，給定初始網絡結構，11 = 10,12 = 10,13 = 10,設置種群規(guī)模Νι = 40，最大迭代次數 Ti = 80，交叉概率pc = 0.8，變異概率pm=0.033，最終，本發(fā)明的連續(xù)深度置信網絡模型的結 構被優(yōu)化為"5-32-15-9-Γ，即網絡模型總共有5層，分別為1個輸入層，3個隱含層和1個輸 出層，3個隱含層的神經元數依次為32,15和9。采用該預測模型來預測3號軸承的故障發(fā)展 趨勢，預測結果如圖6所示。表1給出了人工神經網絡和本發(fā)明方法的預測對比結果，其中 RMSE為均方根誤差，NRMSE為標準均方根誤差，MAE為平均絕對誤差，CORR為相關系數，它們 都是常用的預測性能評價指標。由表1可見，用本發(fā)明提出的方法，預測性能更好，而人工神 經網絡地預測結果則與真實值有較大誤差。因此，本發(fā)明提出的方法，其預測結果與滾動軸 承故障實際發(fā)展趨勢相吻合，能有效解決滾動軸承狀態(tài)檢測和故障預測。
[0101] 表1預測結果對比
[0102]
[0103] 盡管上面已經示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例 性的，不能理解為對本發(fā)明的限制，本領域的普通技術人員在不脫離本發(fā)明的原理和宗旨 的情況下在本發(fā)明的范圍內可以對上述實施例進行變化、修改、替換和變型。
【主權項】
1. 一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征在于:包括W下步驟： 步驟1:提取滾動軸承振動信號的多個時域統(tǒng)計特征量，并采用提取的時域統(tǒng)計特征量 構造一個多維非線性特征向量;利用局部線性嵌入方法對多維非線性特征向量進行融合， 得到映射矩陣，取映射矩陣特征值中，按從小到大排序的第2個特征值對應的特征向量作為 綜合監(jiān)測指標； 步驟2:采集滾動軸承正常工作階段的綜合監(jiān)測指標值作為訓練樣本，逐層訓練連續(xù)受 限玻爾茲曼機，進而構造連續(xù)深度置信網絡模型； 步驟3:采用連續(xù)深度置信網絡模型預測滾動軸承未來的工作狀態(tài)。2. 根據權利要求1所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征 在于:步驟1的具體過程為： 步驟1.1:采集滾動軸承振動加速度信號，提取振動加速度信號的6個時域統(tǒng)計特征量， 分別為均方根值、峰峰值、峭度、脈沖指標、裕度指標和波形指標，組成一個6維特征向量;每 個6維特征向量為一個樣本點； 步驟1.2:計算每一個樣本點xi的近鄰點，xieRD，D = 6，i = l，2,…，N，N為樣本點個數： 將相對于樣本點XI歐式距離最近的K個樣本點定義為樣本點XI的K個近鄰點； 步驟1.3:根據每個樣本點的近鄰點計算出局部重建權值矩陣W，使樣本點的重建誤差 最小： 定義成本函數e(W)為：式中WU，= K為第j個近鄰點Xj到第i個樣本點XI之間的權重，且滿足步驟1.4:根據得到的局部重建權值矩陣W，計算6維特征向量的低維表示Y，得到將所有 6維原始空間上的觀測樣本點映射到內部全局坐標的低維向量yi，yieRd，d為本征維度;映 射條件滿足如下關系：其中ε(Υ)為損失函數值，yi是XI在低維空間上的輸出向量，yj是yi的近鄰點，付（·）為矩 陣求跡運算符，I為NX N的單位矩陣，Μ為稀疏對稱半正定的映射矩陣； 步驟1.5:計算映射矩陣Μ的特征值，取映射矩陣特征值中，按從小到大排序的第2個特 征值對應的特征向量作為綜合監(jiān)測指標。3. 根據權利要求2所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征 在于:Κ取12。4. 根據權利要求1所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征 在于:步驟2中，采用連續(xù)受限玻爾茲曼機逐層構造連續(xù)深度置信網絡模型過程為： 步驟2.1:連續(xù)受限玻爾茲曼機由可視層和隱含層組成，可視層接受輸入的綜合監(jiān)測指 標值;連續(xù)受限玻爾茲曼機的可視層中通過添加零均值的高斯噪聲引入連續(xù)隨機單元;取 ht為隱單元t的狀態(tài)，Vp表示輸入的可視單元P的狀態(tài)，有：其中Nt(0，l)表示零均值、單位方差的高斯隨機變量，常數0和Nt(0，l)共同產生了一個 噪聲輸入分量nt = 〇 · Nt(0，l)，〇取0.2~0.5; Opt為連續(xù)受限玻爾茲曼機模型中可視單元P 與隱單元t之間的連接權值；巧(.r)是漸近線在目L和目Η處的Sigmoid函數，其中目L = 0,目H=l，參 數at為噪聲控制變量，控制Sigmoid曲線的斜率； 采用一步重構的最小化對比散度算法訓練連續(xù)受限玻爾茲曼機，模型的權值wpt和噪 聲控制參數at的更新公式為：式中為隱單元t的一步重構狀態(tài)，<·>為訓練數據的期望，恥和ru為學習率，取值 為0.01~0.5; 步驟2.2:重復步驟2.1操作3次，依次得到3個連續(xù)受限玻爾茲曼機模型，逐層堆疊連續(xù) 受限玻爾茲曼機模型構建連續(xù)深度置信網絡模型:第一個連續(xù)受限玻爾茲曼機模型的輸入 為綜合監(jiān)測指標值，第二個連續(xù)受限玻爾茲曼機模型的輸入為第一個連續(xù)受限玻爾茲曼機 模型的輸出，第Ξ個連續(xù)受限玻爾茲曼機模型的輸入為第二個連續(xù)受限玻爾茲曼機模型的 輸出。5. 根據權利要求4所述一種基于連續(xù)深度置信網絡的滾動軸承故障預測方法，其特征 在于:采用遺傳算法優(yōu)化連續(xù)深度置信網絡模型結構:待優(yōu)化的模型參數有3個，分別為3個 隱含層的神經元數h、l2和13,具體的優(yōu)化過程包括W下步驟： 步驟2.3.1:給定一組h、12和13的初始值，根據試驗任務設置種群規(guī)模化、最大迭代次數 Τι、交叉概率Pc和變異概率Pm，種群中的每一個個體表示一種網絡結構； 步驟2.3.2:提供一組訓練樣本給連續(xù)深度置信網絡的可視層，訓練連續(xù)深度置信網絡 模型，用測試樣本檢驗模型預測性能，計算預測誤差，預測誤差的指標為均方根誤差;所述 訓練樣本為滾動軸承正常工作階段的綜合監(jiān)測指標值，所述測試樣本為滾動軸承微弱故障 階段和完全失效階段的綜合監(jiān)測指標值； 步驟2.3.3:?均方根誤差作為目標函數，根據目標函數確定遺傳算法的適應度函數， 計算每個個體的適應度； 步驟2.3.4:對當前種群進行遺傳操作，產生新的種群，遺傳操作包括選擇、交叉和變 異； 步驟2.3.5:判斷遺傳算法是否達到最大迭代次數。若滿足，則結束優(yōu)化，若不滿足，返 回步驟2.3.2。
【文檔編號】G01M13/04GK105973594SQ201610259840
【公開日】2016年9月28日
【申請日】2016年4月25日
【發(fā)明人】姜洪開, 邵海東, 張雪莉, 王福安
【申請人】西北工業(yè)大學