[發明專利]一種基于功率熵譜-隨機森林的航空發動機滾動軸承故障診斷方法

有效

• 申請號: 201810144056.2
• 申請日: 2018-02-12
• 公開（公告）號: CN108388860B
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 張碩;李濟邦;孫希明;孫濤
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01M13/04
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪;侯明遠

1.一種基于功率熵譜-隨機森林的航空發動機滾動軸承故障診斷方法，其特征在于，步驟如下：

第一步，航空發動機滾動軸承故障數據預處理

對原始滾動軸承數據，首先進行(1)、(2)步預處理：

(1)滾動軸承實驗測量數據包括轉速n₁、驅動端振動加速度a₁、風扇端振動加速度a₂、故障直徑d、滾珠個數Z、內圈半徑r₁、外圈半徑r₂和接觸角度α₂，共8組參數；

(2)數據集成：滾動軸承實驗測量數據包括多個實驗過程現場采集數據，將多源實驗數據結合起來統一存儲，并建立滾動軸承故障數據庫；

待提取出故障特征后，對特征數據進行(3)、(4)、(5)步處理：

(3)重采樣：對于特征數據進行分析，由于采樣時間間隔不等，為了方便之后的滾動預測，采用線性重采樣法對滾動軸承實驗測量數據進行重采樣處理；

(4)歸一化：對重采樣處理后的數據進行歸一化處理，以取消各維數據間數量級差別，避免因輸入輸出數據數量級差別較大而造成預測誤差；使用最大最小法，其轉換形式如下：

x_nor＝(x_nor-x_min)/(x_max-x_min)

式中，x_nor為待歸一化數據序列，x_min為數據序列中的最小數，x_max為數據序列中的最大數；

(5)數據篩選與清理：對歸一化后的數據進行可視化處理，將故障數據進行簡單聚類和清理；

第二步，滾動軸承數據特征向量提取

對采集的滾動軸承實驗測量數據進行處理以作為特征向量來表征振動故障特征情況，特征向量包括時域參數和功率譜熵；

(一)時域參數

振動信號時域參數的變化往往反映著設備工作運行狀態的改變，將信號的一些時域參數作為特征參數；振動時域特征參數分為有量綱和無量綱兩種，設采集到的振動數據為其中N為實驗觀測時間；

其中，有量綱時域振動參數如下

均值：

方差：

均方根值：

峰值：

X_p＝max(|X_t|)

其中，無量綱時域振動參數如下：

峰值指標：

偏態指標：

峭度指標：

脈沖指標：

波性指標：

裕度指標：

其中，N為實驗觀測時間，即原始信號長度；

(二)功率譜熵

利用MATLAB中的小波工具箱對振動信號進行分解與重構，在進行分解與重構之前，首先選取和確定小波基函數、小波階數和小波包分解層數，其中，小波基函數選擇Db小波，小波階數選擇1，小波包分解層數選擇3；

在經過小波包正交分解處理后，由于測量振動信號所得的各個頻帶信號相對獨立，因此可監測由小波包得到的各個頻帶的能量這種方法，測出包括諧波分量在內的所有信號分量；

信號分量計算公式為：

其中，E_ij為能量，S_ij(t)為重構信號，i為小波包分解層數，j為第i層節點，j＝1，…，2ⁱ；u＝1，2，…，n，n∈Z，n為重構信號的離散點數目；

然后計算功率譜熵；功率譜是指功率有限的信號在單位頻帶內功率隨頻率變化情況；對信號進行j層小波包分解后得到小波包分解序列S(j,m)，m取0～2^j-1，在此把信號的小波分解看成對信號的一種劃分，定義該劃分的測度：

其中，S_F(j,m)(i)為S(j,m)的傅里葉變換序列的第i個值；N是原始信號長度；

基于信息熵的基本理論，同樣定義小波包空間上的功率譜熵：

根據分析選擇時域參數及功率譜熵作為特征參數作為隨機森林方法中的輸入屬性；

第三步，構建訓練數據庫

設第r類故障的樣本容量為G(r)，該組樣本稀疏表示后為{X(1),X(2)…X(G(r))}，其中X(h)＝{x_h(1),x_h(2)…x_h(dim)}為每一個樣本中對應的多維特征向量；

設{y(1),y(2)…y(G(r))}為對應的多分類故障標簽，則隨機森林模型的輸入量為{X(h)}，輸出量為{y(h)}；

第四步，構建基于隨機森林的滾動軸承振動故障分類模型

隨機森林的重要參數有兩個，分別為：ntree，即生成的決策樹的個數；以及mtry，即回歸樹的特征數量；

隨機森林模型訓練步驟如下：

1)首先給定訓練集Train、測試集Test以及特征維數F，并確定決策樹數量ntree、每棵樹的深度depth以及回歸樹的特征數量mtry；

2)對于第i棵樹，i＝1:ntree，從Train中有放回的抽取大小和Train一樣的訓練集Train(i)，作為根節點的樣本；

3)如果在當前節點上達到終止條件，即節點上有最少的樣本數s，以及節點上有最少的信息增益g，則設置當前節點為葉子節點，并繼續依次訓練其他節點；

如果當前節點沒有達到終止條件，則從F維特征中隨機選取mtry維特征，mtryF；利用mtry維特征，尋找分類效果最好的一維特征w及其閾值threshold，并繼續訓練其他節點；

4)重復步驟2)和3)直到所有節點都訓練過或被標記為葉子節點；

5)重復步驟2)、3)和4)直到所有決策樹都得到訓練；

6)對于測試集Test中的樣本，從根節點開始，根據當前節點的閾值threshold，判斷是進入左節點還是進入右節點，直到其到達某個葉子節點，并輸出分類標簽；

7)根據測試集中數據，統計分類準確率，評價模型分類效果。