[發明專利]一種新的基于多尺度排列熵的診斷電機軸承故障機器學習方法

在審

• 申請號: 202011617413.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112733289A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 郎翊東;陳康麟
• 申請（專利權）人: 杭州朗陽科技有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06K9/62;G06N20/00
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 金杭

本發明涉及軸承預測性維護產品技術領域，且公開了一種新的基于多尺度排列熵的診斷電機軸承故障機器學習方法，解決了目前市場上的排列熵多尺度參數難選的問題，本發明基于多尺度排列熵的診斷電機軸承故障機器學習方法的好處是簡化了多尺度排列熵的關鍵尺度參數的選擇，通過PCA對特征維度進行了壓縮，不僅精簡了維度而且讓分類器更易于學習，結合貝葉斯分類器和多數投票法融合讓軸承故障分類變得更加精準，實用性更強，最后通過多數投票法融合多個數據可以進一步提升準確率。

技術領域

本發明屬于軸承預測性維護技術領域，具體為一種新的基于多尺度排列熵的診斷電機軸承故障機器學習方法。

背景技術

軸承是電機等旋轉設備中使用最廣泛的機械零部件之一，也是最容易出現故障的關鍵零部件，據統計在使用滾動軸承的旋轉設備中，大約有30％的機械故障是由于滾動軸承引起的，其產生的各種潛在的故障包括內圈故障、外圈故障、滾珠故障和保持架故障等，因此軸承的故障診斷在電機預測性維護中占有舉足輕重的作用，軸承故障診斷目前遇到的主要問題是異常數據難于獲取，所以一般標定的故障數據量比較少，經典方法是基于頻譜分析，通過軸承固有故障頻率來診斷，但這類方法需要軸承額外參數并且診斷誤差較大，比較難推廣，基于深度學習方法因受限于故障數據量也很難訓練出精準模型，所以目前更傾向于使用機器學習方法，但準確率也有進一步提升的空間。

發明內容

針對上述情況，為克服現有技術的缺陷，本發明提供一種新的基于多尺度排列熵的診斷電機軸承故障機器學習方法，有效的解決了目前市場上的排列熵多尺度參數難選的問題。

為實現上述目的，本發明提供如下技術方案：一種新的基于多尺度排列熵的診斷電機軸承故障機器學習方法，包括如下步驟：

S1、準備電機軸承和電機軸承振動數據，包括軸承外圈故障，內圈故障，正常軸承振動數據，其中標定0為正常軸承，1為外圈故障，2為內圈故障；

S2、對多尺度排列熵的參數進行選擇，對數據訓練數據進行特征提取，用PCA進行特征維度壓縮，其中多尺度排列熵的參數包含了幾個重要的參數：

①、數據點N，數據點N是每次計算一個特征向量使用的數據點個數；

②、嵌入維度m，嵌入維度m是計算某個時間點排列熵的維度；

③、時間延遲t，時間延遲t是使用數據點之間的間隔；

④、多尺度s，多尺度s是對原始數據做了s次降采樣，然后每次降采樣后計算一個排列熵的特征；

S3、用貝葉斯進行分類模型訓練，確定下分類模型參數；

S4、用測試集進行貝葉斯模型驗證；

S5、實際使用中采集多段數據，單個數據進行貝葉斯模型預測，用多數投票法進行模型結果融合；

S6、輸出最終診斷結果，并對數值進行記錄。

優選的，模型驗證使用了軸承競賽MFPT的數據進行訓練和驗證，包含了電機25赫茲轉速情況下不同負載的故障數據和正常數據。

優選的，模型驗證使用了一半數據進行訓練和一半數據進行模型驗證。

優選的，電機振動數據采集可以是分成n段1秒的數據，然后對單個1秒數據做以上的故障分類判斷。

與現有技術相比，本發明的有益效果是：

1)、本發明簡化了多尺度排列熵的關鍵尺度參數的選擇，通過PCA對特征維度進行了壓縮，不僅精簡了維度而且讓分類器更易于學習，結合貝葉斯分類器和多數投票法融合讓軸承故障分類變得更加精準，實用性更強，鑒于貝葉斯模型的大小，該發明專利非常適用于邊緣端的嵌入式運用，能讓硬件賦能軸承邊緣異常檢測，免除大量數據傳回服務器。

附圖說明