一种基于维度变换卷积深度森林的轴承故障诊断方法

1.本发明属于机械轴承故障诊断与健康管理(prognostics health management,phm)人工智能技术领域，尤其涉及一种基于维度变换卷积深度森林的轴承故障诊断方法。


背景技术：

2.旋转机械作为机械系统中的传动装置，广泛应用于航空机械，农业机械和现代机床上，在国民经济生产中具有重要作用。作为机械系统的重要组成部分，旋转设备通常需要在高压、高速、重载等环境下运转，导致旋转机械发生问题的概率大大增加。
3.轴承作为旋转机械中最关键的零件之一，约30％的旋转机械故障是由轴承故障所导致的。对轴承部件的故障检测为整个机电装置的检测重中之重。由于现代化机电装备规模大，检测点多，传感器检测频率高，设备工作时间长。导致检测系统数据朝着大型化，巨型化发展，数据类型朝着多样化多频率化发展。原本的专家系统，仅靠人力进行检测已经不能满足要求，急需自动诊断的算法。
4.近几年来，故障诊断算法可分为基于模型的方法，基于数据驱动的方法。其中基于数据驱动的方法符合当前大数据时代，受到了大量工程师的重视。常用基于数据驱动的故障诊断技术有：支持向量机(support vector machine,svm)，神经网络(artificial neural network，ann)，k近邻(k-nearest neighbor，knn)等。对于基于大量数据的故障诊断，传统的智能诊断方法模型参数受限，模型表征学习能力较弱，限制了故障诊断的能力。深度神经网络(deep learning network)拥有强大的表征学习能力，已经在机器视觉、医疗保险、航空航天上有成功的应用。近年来，国内外学者也在使用深度学习应用在故障诊断领域中。然而深度学习的超参数过多，学习能力严重依赖于参数的调整。不同参数的影响下神经网络的性能大相径庭。最具有代表性的cnn，为了节省训练的开销，采取的策略是“权值共享(weight sharing)”。综上，cnn虽然具有强大的表征学习能力，但是其性能依赖于超参数的选择。为了克服cnn和传统机器学习的缺点，近年来提出的基于决策树集成的深度森林，和深度网络相比，深度森林参数较少，而且适用于小样本学习，相比于cnn中大量参数，深度森林在gini系数，信息增益等理论支持下，可解释性也强于cnn。。
5.本文提出了一种基于维度变换卷积深度森林的轴承故障诊断方法，由于原始机械振动信号为一维的数据，当前流行的信号预处理方法为快速傅立叶变换(fast fourier transform,fft)、小波变换(wavelet transform，wt)和经验模态分解(empirical mode decomposition，emd)等，而这些需要大量的专家经验，故提出了归一化将振动信号转变为二维灰度图片。然后提出了将cnn中用于特征提取的卷积层和池化层与深度森林中的级联森林所结合的卷积深度森林故障诊断方法。


技术实现要素：

6.本发明的目的是提供一种基于维度变换卷积深度森林的轴承故障诊断方法，以解决信息提取困难，诊断误差大和预测结果时好时坏等问题。
7.为实现上述目的，本发明采用如下技术方案：
8.一种基于维度变换卷积深度森林的轴承故障诊断方法，包括以下步骤：
9.步骤a，针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；
10.步骤b，利用卷积神经网络(convolutional neural network，cnn)提取图片中的特征；
11.步骤c，更改卷积神经网络的架构，将cnn末端用于分类的归一化指数(softmax)函数去除；
12.步骤d，更改深度森林(deep-forest)的架构，将深度森林中多粒度扫描(multi-grained scanning，mgs)去除，保留级联森林；
13.步骤e，使用级联森林结构代替cnn中的softmax层，构建卷积深度森林故障诊断模型，将上层更改的cnn提取到的特征输入，使用级联结构让深度森林做故障诊断；
14.步骤f，使用训练集训练级联森林，整个级联森林的性能将采用k折交叉验证的方法，每一层结束后都会做一个性能测试，然后继续生成下一层，扩展一个新的级后，整个级联的性能会在验证集合上估计，如果没有显著的性能增益，将会停止训练过程；
15.步骤g，确定验证指标；
16.步骤h，使用测试集来测试模型的准确率。
17.所述步骤a中，首先将原始信号归一化，数值为图片像素的边界值内，图片的像素值范围为0-255，设取得一个m
×
m大小的图片，需要在原始振动信号上取一个长度为m2的序列，使用l(i),i∈0,m2]代表序列上的振动信号值，单一像素值归一化公式为其次是将信号转换成图片，使用p(j,k),j,k∈(0,m2]代表图片上的像素值，像素值的公式为上的像素值，像素值的公式为
18.所述步骤b中，卷积过程如公式式中：为第l层的第i个元素，为对应卷积核的权重，f(.)为激活函数，为偏置项。为减少数据量在连续的卷积层中加入池化层；池化层过程如公式为第l层为池化层，l-1层为卷积层，pooling为池化操作，为第l层第j个特征的权值，经池化层后，数据量会显著减小。
19.所述步骤c中，卷积神经网络(cnn)的架构为5个卷积层、2个最大池化层和1个全连接层，全连接层dropout设为0.5，激活函数为线性整流函数(rectified linear unit，relu)，去除最后一层softmax函数，公式为
20.所述步骤d中，修改深度森林的架构，卷积神经网络(cnn)作为模型的数据特征提取，深度森林中的mgs和修改卷积神经网络(cnn)的功能重复，且msg会产生大量冗余的数据，所以去除。
21.所述步骤e中，将卷积神经网络和深度森林结合起来，卷积神经网络做二维图片的表征学习，深度森林中的级联森林做故障诊断。
22.所述步骤f中，每一层都由多个森林集成，森林本身是决策树集成；每一层都由两种不同的森林构成：随机森林(random forests，rf)，完全随机森林(c-ompletely-random tree forests，crf)，两种森林不同之处主要是在于其特征空间不同，子树的分裂不同，rf是在一个随机特征子空间内通过基尼系数(gini)系数来选取分裂节点，而crf则是在完整的特征空间中随机选取特征来分裂；每层都有两个rf，两个crf。
23.所述步骤g中，验证标准指标采用准确率(accuracy)和精确率(precision/tpr)。true positives(tp，正类判定为正类)，false positives(fp，负类判定为正类)，fal se negatives(fn，正类判定为负类)，true negatives(tn，负类判定为负类)；准确率为所有预测正确占总的比重，公式为：精确率为所有被预测为正的样本实际为正的比值，公式为：
24.有益效果：本发明提出一种基于维度变换卷积深度森林的轴承故障检测方法，该方法具有如下优点：
25.(1)利目前轴承故障诊断方法对振动信号的预处理都是采用快速傅立叶(fast fourier transform，fft)短时傅立叶变换，对频域幅值进行处理，得到时域值和频域值，又或者利用小波变换(wavelet analysis，wa)，wa克服了fft的部分缺陷，提供了一个可以调变的时频窗口。而这些数据预处理操作都需要消耗大量的系统资源，需要大量的专家知识，并且对实验正确率的提升有限，故提出了归一化将振动信号转变为二维灰度图片。
26.(2)该发明方法可以自动学习特征具备智能性、鲁棒性好、模型简单可解释性强易于操作人员理解及推广使用。
27.(3)该发明方法相比于常规机器学习算法，能够得到较高的准确率和精准率。
附图说明
28.图1是信号转图片示意图；
29.图2是cwru数据集9种故障的转换图片；
30.图3是cnn结构示意图；
31.图4是卷积深度森林模型结构示意图；
32.图5是基于信号转图片的卷积深度森林轴承故障诊断流程图。
具体实施方式
33.下面结合附图对本发明作进一步说明：
34.本发明主要是针对深度森林多粒度扫描会产生大量的子集合样本，占用大量空间，容易产生数据冗余且只能运行在cpu上，运行速率相比于运行在gpu确实低了许多。cnn拥有大量的超参数，具有强大的表征学习能力。但是最后一层用于分类的softmax函数显得有些简单。于是将深度森林中多粒度扫描换成cnn，用级联森林做分类，cnn可以使用gpu运行。本发明可以实现比单独cnn和深度森林更高的准确率，更低的时间消耗。cnn结构如图3所示，卷积深度森林架构如图4所示，整个发明流程图如图5所示。
35.为了具体说明本发明的方法，本发明对凯斯西储大学数据集进行分析。该数据集使用电火花技术来模拟生成故障，记录下不同负载下的发生故障和正常的设备加速度信
号。故障分为轴承外圈故障(outer race fault,of)，轴承内圈故障(inner race fault，if)和滚子故障(rolling fault)，故障直径为0.007inches、0.004inches和0.021inches。下图2为9类故障在0hp负载下，前80
×
80个信号的可视化灰度图。训练集，验证集和测试集的比例为0.5、0.25、0.25。共准备了5个数据集。数据集a、b、c、d和e，分别是在负载为0hp、1hp、2hp和3hp下的样本。数据集e为a、b、c、d数据集的集合。前四个样本的数量为1160个，滑动大小为100。数据集增强数据技术为滑块式偏移，保证了样本的差异性。
36.本发明的基于维度变换卷积深度森林轴承故障的诊断方法，不仅模型拥有更好的准确率，而且对信号的处理也无需专家经验。信号转图片的示意图如图1所示。具体步骤为：首先将原始信号归一化，数值为图片像素的边界值内。图片的像素值范围为0-255，假设取得一个m
×
m大小的图片，需要在原始振动信号上随机取一个长度为m2的序列。使用l(i),i∈(0,m2]代表序列上的振动信号值，单一像素值归一化公式为]代表序列上的振动信号值，单一像素值归一化公式为其次是将信号转换成图片，使用p(j,k),j,k∈(0,m2]代表图片上的像素值，取像素值的公式为
37.数据预处理之后，利用卷积神经网络(convolutional neural network，cnn)提取图片中的特征。卷积过程如公式式中：为第l层的第i个元素，为对应卷积核的权重举证，f为激活函数，为偏置项。为减少数据量在连续的卷积层中加入池化层。池化层过程如公式为第l层为池化层，l-1层为卷积层，pooling为池化操作，为第l层第j个特征的权值，经池化层后，数据量会显著缩小。
38.构建卷积深度森林模型，使用级联森林结构代替cnn中的softmax层，构建卷积深度森林故障诊断模型，将上层更改的cnn提取到的特征输入，使用级联结构让深度森林做故障诊断；每一层都由多个森林集成，森林本身是决策树集成。每一层都由两种不同的森林构成：随机森林(random forests，rf)，完全随机森林(completely-random tree forests，crf)，两种森林不同之处主要是在于其特征空间不同，子树的分裂不同。rf是在一个随机特征子空间内通过gini系数来选取分裂节点，而crf则是在完整的特征空间中随机选取特征来分裂。每层都有两个rf，两个crf。
39.最后使用训练集训练级联森林，整个级联森林的性能将采用k折交叉验证的验证方法，每一层结束后都会做一个性能测试，然后继续生成下一层，扩展一个新的级后，整个级联的性能会在验证集合上估计，如果没有显著的性能增益，将会停止训练过程。
40.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：包括以下步骤：步骤a，针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；步骤b，利用卷积神经网络提取图片中的特征；步骤c，更改卷积神经网络的架构，将cnn末端用于分类的归一化指数函数去除；步骤d，更改深度森林的架构，将深度森林中多粒度扫描去除，保留级联森林；步骤e，使用级联森林结构代替cnn中的softmax层，构建卷积深度森林故障诊断模型，将上层更改的cnn提取到的特征输入，使用级联结构让深度森林做故障诊断；步骤f，使用训练集训练级联森林，整个级联森林的性能将采用k折交叉验证的方法，每一层结束后都会做一个性能测试，然后继续生成下一层，扩展一个新的级后，整个级联的性能会在验证集合上估计，如果没有显著的性能增益，将会停止训练过程；步骤g，确定验证指标；步骤h，使用测试集来测试模型的准确率。2.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤a中，首先将原始信号归一化，数值为图片像素的边界值内，图片的像素值范围为0-255，设取得一个m
×
m大小的图片，需要在原始振动信号上取一个长度为m2的序列，使用l(i),i∈0,m2]代表序列上的振动信号值，单一像素值归一化公式为其次是将信号转换成图片，使用p(j,k),j,k∈(0,m2]代表图片上的像素值，像素值的公式为上的像素值，像素值的公式为3.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤b中，卷积过程如公式式中：为第l层的第i个元素，为对应卷积核的权重，f(.)为激活函数，为偏置项。为减少数据量在连续的卷积层中加入池化层；池化层过程如公式为第l层为池化层，l-1层为卷积层，pooling为池化操作，为第l层第j个特征的权值，经池化层后，数据量会显著减小。4.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤c中，卷积神经网络的架构为5个卷积层、2个最大池化层和1个全连接层，全连接层dropout设为0.5，激活函数为线性整流函数(rectified linear unit，relu)，去除最后一层softmax函数，公式为5.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤d中，修改深度森林的架构，卷积神经网络作为模型的数据特征提取，深度森林中的mgs和修改卷积神经网络的功能重复，且msg会产生大量冗余的数据，所以去除。6.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤e中，将卷积神经网络和深度森林结合起来，卷积神经网络做二维图片的表征学习，深度森林中的级联森林做故障诊断。
7.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤f中，每一层都由多个森林集成，森林本身是决策树集成；每一层都由两种不同的森林构成：随机森林，完全随机森林，两种森林不同之处主要是在于其特征空间不同，子树的分裂不同，随机森林是在一个随机特征子空间内通过基尼系数系数来选取分裂节点，而完全随机森林则是在完整的特征空间中随机选取特征来分裂；每层都有两个随机森林，两个完全随机森林。8.根据权利要求1所述的基于维度变换卷积深度森林的轴承故障诊断方法，其特征在于：所述步骤g中，验证标准指标采用准确率(accuracy)和精确率(precision/tpr)。true positives(tp，正类判定为正类)，false positives(fp，负类判定为正类)，false negatives(fn，正类判定为负类)，true negatives(tn，负类判定为负类)；准确率为所有预测正确占总的比重，公式为：精确率为所有被预测为正的样本实际为正的比值，公式为：

技术总结
本发明公开了一种基于维度变换卷积深度森林的轴承故障诊断方法，包括以下步骤：针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；利用卷积神经网络提取图片中的特征；更改卷积神经网络的架构；更改深度森林的架构；使用级联森林结构代替CNN中的SoftMax层，构建卷积深度森林故障诊断模型，将上层更改的CNN提取到的特征输入，使用级联结构让深度森林做故障诊断；使用训练集训练级联森林；确定验证指标；使用测试集来测试模型的准确率。本发明可以获得比卷积神经网络和深度森林更高的正确率，且在小样本上也能取得更好的准确率。好的准确率。好的准确率。


技术研发人员：邵星 顾辉 王翠香 皋军 吴晟凯 唐伯宇 彭启明
受保护的技术使用者：盐城工学院
技术研发日：2021.12.01
技术公布日：2022/3/8