EEMD?Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法技術

一種EEMD?Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，屬于滾動軸承故障檢測領域。為了解決針對訓練數據采用一種負載，測試數據選用其他負載的情況下，滾動軸承故障狀態及故障程度難以準確識別的問題。首先對滾動軸承各狀態振動信號進行EEMD，然后選取敏感本征模態函數，并對其進行Hilbert變換求取包絡譜。最后將各狀態振動信號的IMF包絡譜按順序構建新的高維數據，輸入到經遺傳算法優化各隱藏層節點結構的DBN中，實現變負載下滾動軸承的多狀態識別。在運用DBN進行滾動軸承10種狀態識別過程中，訓練數據采用某種負載，測試數據選用其他負載的情況下，EEMD?Hilbert包絡譜比時域或頻域幅值譜能更好地體現出滾動軸承不同負載下的多狀態特征，具有更高的識別率。

EEMD Hilbert envelope spectrum combined with DBN variable rolling state recognition method of bearing load

A EEMD Hilbert envelope spectrum combined with DBN under variable load bearing rolling state recognition method, belonging to the field of rolling bearing fault detection. In order to solve the problem that the fault status and the degree of failure of the rolling bearings are difficult to be accurately identified when the training data is loaded by one load and the test data is loaded with other loads. Firstly, the vibration signals of rolling bearings are EEMD, then the sensitive intrinsic mode function is selected, and the Hilbert transform is used to obtain the envelope spectrum. Finally, the IMF envelope spectrum of the vibration signals of each state is constructed in sequence, and the new high-dimensional data is input to the DBN in the hidden layer structure of the genetic algorithm to realize the multi state identification of rolling bearings under variable loads. Rolling bearing 10 state recognition in the process of using DBN, the training data using a load test data with other load conditions, the EEMD Hilbert envelope spectrum can better reflect the multi state characteristics of rolling bearings under different load ratio in time domain or frequency domain amplitude spectrum and has a higher recognition rate.

【技術實現步驟摘要】
EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法
本專利技術涉及一種變負載下滾動軸承狀態識別方法，屬于滾動軸承故障檢測領域。
技術介紹
滾動軸承是眾多旋轉機械的關鍵部件，其運行狀態受多種因素影響[1-2]。負載在滾動軸承工作中常常是變化的，且負載的變化會直接影響滾動軸承振動特征的改變。因此在變負載情況下，準確地識別出滾動軸承運行狀態，對保證整臺機械設備的正常運行具有非常重要的意義。滾動軸承不同故障位置及不同性能退化程度的多狀態識別本質上是對其運行狀態的模式識別[3]。在特征提取方面，集合經驗模態分解(ensembleempiricalmodedecomposition，EEMD)對滾動軸承振動信號的非平穩性具有很好的處理效果[4-5]，其可進一步結合包絡譜，人工尋找故障頻率進而識別出軸承的運行狀態[6-7]。近年來，故障智能診斷技術不斷發展，支持向量機(supportvectormachine，SVM)、人工神經網絡(artificialneuralnetwork，ANN)和相關向量機等淺層智能分類算法對滾動軸承振動信號提取的低維特征具有良好的狀態識別效果[8-10]。為了更全面獲取滾動軸承多狀態特征，學者們從不同的角度提取并構建高維特征，但利用淺層學習直接對高維特征進行分類，顯得力不從心，一般是先進行特征約簡，這就增加了智能診斷方法的復雜性。對于變負載下的滾動軸承故障智能診斷問題，當訓練數據和測試數據對應軸承負載不同時，挖掘對軸承不同負載不同性能退化狀態敏感的深層次特征尤為困難。因此，尋求能從高維數據中挖掘軸承深度故障特征的方法，對于變負載下滾動軸承多狀態識別尤為重要。2006年，由Hinton等提出的深度學習理論在學術界和工業界掀起了第二次機器學習的浪潮[11]。深度學習顯著優點是能從高維數據中自主學習得到所需的特征，具有很好的泛化能力和魯棒性[12-13]。結合滾動軸承振動信號特點，深度學習理論可同時完成軸承故障特征的自適應提取和軸承多狀態的識別，克服了傳統特征提取方法無法提取深層特征的缺點。文獻[14]從原始滾動軸承時域振動信號出發，利用深度信念網絡(deepbeliefnetwork，DBN)進行7種不同狀態的識別，得到較高的準確率。文獻[15]利用自動編碼機對滾動軸承進行10種不同狀態的識別，在訓練負載和測試負載一致的情況下，以頻域幅值譜作為輸入數據，得到99％以上的識別準確率。但目前對于復雜工況下的滾動軸承多狀態識別問題，還有很大的研究空間[16]。現有技術中滾動軸承狀態識別方法一般都采用不變負載軸承振動信號進行模型測試，沒有反應滾動軸承的實際運行狀態。也就說，現在技術存在針對訓練數據采用一種負載，測試數據選用其他負載的情況下，滾動軸承故障狀態及故障程度難以準確識別的問題。
技術實現思路
本專利技術為了解決現有滾動軸承狀態識別方法由于采用不變負載軸承振動信號進行模型測試，不符合滾動軸承實際運行狀態，致使滾動軸承狀態識別方法無法推廣應用。即本專利技術為了解決針對訓練數據采用一種負載，測試數據選用其他負載的情況下，滾動軸承故障狀態及故障程度難以準確識別的問題。本專利技術為解決上述技術問題采取的技術方案是：一種EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，所述方法的實現過程為：模型訓練階段1)獲取某種負載情況下滾動軸承多狀態振動信號，將其作為訓練數據集，并進行EEMD分解得到若干IMF(J個)，選取故障敏感的前T個IMF進行數據處理；2)將相同狀態振動數據的各IMF進行Hilbert變換并求取包絡譜，將求取的包絡譜按順序構建具有T個包絡譜的高維樣本特征，作為DBN的輸入；3)無監督預訓練過程：設定DBN中隱藏層數N和學習率ε，并通過遺傳算法尋優確定各隱藏層節點數m1,m2,…,mN，以無監督學習的方式逐層訓練各個限制玻爾茲曼機(restrictedboltzmannmachine，RBM)，直到完成N個RBM的訓練；4)有監督微調過程：利用反向傳播(back-propagation，BP)網絡誤差反向傳播的原則對每個RBM進行權值ω和偏置的微調；完成構建變負載下滾動軸承多狀態識別模型；故障測試階段5)將與訓練數據不同的多種負載下的滾動軸承振動信號作為測試數據，按照與訓練數據相同的EEMD-Hilbert包絡譜方法進行數據處理(即按照步驟1)和2)進行處理)，結合步驟4)所得到的多狀態識別模型，實現不同負載下滾動軸承的多狀態識別。在步驟1)中，進行EEMD分解得到若干IMF的過程為：獲取某種負載情況下滾動軸承多狀態振動信號為原始信號x(t)，利用EEMD對原始信號x(t)分解的最終結果為：其中：r(t)為分解后的殘余分量，ci,j(t)為EMD分解所得IMF；cj(t)為EEMD分解后所得到的第j個IMF；j＝1,2,…,J，J是IMF的個數，i＝1,2,…,M，M為總體平均次數。在步驟2)中，將相同狀態振動數據的各IMF進行Hilbert變換并求取包絡譜的過程為：對式(1)中的IMF分量作Hilbert變換可得在此基礎上，對各IMF計算包絡信號，得到式中，t表示時間，t′表示積分變量(其取值范圍可以是負無窮到正無窮)；對式(4)的信號進行譜分析即可得到包絡譜。所述無監督預訓練過程和有監督微調過程是按照以下步驟實現的：無監督預訓練過程：每個RBM模型由一個可見層和隱藏層組成，其中，v和h分別表示可見層和隱藏層，ω表示兩層之間的權值；對于RBM的可見層和隱藏層，其連接關系為層間神經元全連接，層內神經元不連接；假設可見層和隱藏層神經元都由二進制表示，可見層和隱藏層的神經元數目分別為I和J，其中vi和hj分別表示第i個可見層神經元和第j個隱藏層神經元的狀態；對于一組特定的(vh)，RBM能量函數定義為其中：RBM的參數θ＝(ωij,ai,bj)，ωij表示可見層節點vi與隱藏層節點hj之間的權值，ai和bj分別表示vi和hj的偏置；根據該能量函數，得到(v,h)的聯合概率分布為p(v,h|θ)＝e-E(v,h|θ)/Z(θ)(6)其中：是配分函數；第j個隱藏層節點的激活概率為其中：σ(x)＝1/(1+e-x)是sigmoid函數。同理可得到第i個可見層節點的激活概率為RBM是一個激活函數為sigmoid函數的隨機神經網絡，通過迭代的方式進行訓練得到參數θ＝(ωij,ai,bj)的結果，并與給定訓練數據進行擬合，參數θ*可以通過訓練集上的極大對數似然函數得到，即采用對比散度的算法來計算RBM的對數似然梯度，得到權值和偏置的參數更新表示為△ωij＝ε(〈vihj〉data-<vihj>recon)(10)△ai＝ε(<vi>data-<vi>recon)(11)△bj＝ε(<hj>data-<hj>recon)(12)其中：ε為預訓練的學習率，<·>data為訓練數據所定義的數學期望，<·>recon為重構后的模型所定義的數學期望；至此完成RBM模型的預訓練；有監督微調過程：利用有監督學習的分類器BP網絡對RBM預訓練得到的特征向量權值和偏置進行分類，并且起到微調由多個RB本文檔來自技高網...

【技術保護點】
一種EEMD?Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，其特征在于：所述方法的實現過程為：模型訓練階段1)獲取某種負載情況下滾動軸承多狀態振動信號，將其作為訓練數據集，并進行EEMD分解得到若干IMF，選取故障敏感的前T個IMF進行數據處理；2)將相同狀態振動數據的各IMF進行Hilbert變換并求取包絡譜，將求取的包絡譜按順序構建具有T個包絡譜的高維樣本特征，作為DBN的輸入；3)無監督預訓練過程：設定DBN中隱藏層數N和學習率ε，并通過遺傳算法尋優確定各隱藏層節點數m

【技術特征摘要】
1.一種EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，其特征在于：所述方法的實現過程為：模型訓練階段1)獲取某種負載情況下滾動軸承多狀態振動信號，將其作為訓練數據集，并進行EEMD分解得到若干IMF，選取故障敏感的前T個IMF進行數據處理；2)將相同狀態振動數據的各IMF進行Hilbert變換并求取包絡譜，將求取的包絡譜按順序構建具有T個包絡譜的高維樣本特征，作為DBN的輸入；3)無監督預訓練過程：設定DBN中隱藏層數N和學習率ε，并通過遺傳算法尋優確定各隱藏層節點數m1,m2,…,mN，以無監督學習的方式逐層訓練各個限制玻爾茲曼機，直到完成N個RBM的訓練；4)有監督微調過程：利用反向傳播網絡誤差反向傳播的原則對每個RBM進行權值ω和偏置的微調；完成構建變負載下滾動軸承多狀態識別模型；故障測試階段5)將與訓練數據不同的多種負載下的滾動軸承振動信號作為測試數據，按照與訓練數據相同的EEMD-Hilbert包絡譜方法進行數據處理，結合步驟4)所得到的多狀態識別模型，實現不同負載下滾動軸承的多狀態識別。2.根據權利要求1所述的一種EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，其特征在于：在步驟1)中，進行EEMD分解得到若干IMF的過程為：獲取某種負載情況下滾動軸承多狀態振動信號為原始信號x(t)，利用EEMD對原始信號x(t)分解的最終結果為：其中：r(t)為分解后的殘余分量，ci,j(t)為EMD分解所得IMF；cj(t)為EEMD分解后所得到的第j個IMF；j＝1,2,…,J，J是IMF的個數，i＝1,2,…,M，M為總體平均次數。3.根據權利要求2所述的一種EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，其特征在于：在步驟2)中，將相同狀態振動數據的各IMF進行Hilbert變換并求取包絡譜的過程為：對式(1)中的IMF分量作Hilbert變換可得在此基礎上，對各IMF計算包絡信號，得到式中，t表示時間，t′表示積分變量；對式(4)的信號進行譜分析即可得到包絡譜。4.根據權利要求3所述的一種EEMD-Hilbert包絡譜與DBN相結合的變負載下滾動軸承狀態識別方法，其特征在于：所述無監督預訓練過程和有監督微調過程是按照以下步驟實現的：無監督預訓練過程：每個RBM模型由一個可見層和隱藏層組成，其中，v和h分別表示可見層和隱藏層，ω表示兩層之間的權值；對于RBM的可見層和隱藏層，其連接關系為層間神經元全連接，層內神經元不連接；假設可見層和隱藏層神經元都由二進制表示，可見層和隱藏層的神經元數目分別為I和J，其中vi和hj分別表示第i個可見層神經元和第j個隱藏層神經元的狀態；對于一組特定的(v,h)，RBM能量函數定義為

【專利技術屬性】
技術研發人員：康守強，王玉靜，那曉棟，謝金寶，于春雨，柳長源，
申請(專利權)人：哈爾濱理工大學，
類型：發明
國別省市：黑龍江,23