一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法

1.本发明属于机电设备故障诊断技术领域，特别是涉及一种基于迁移学习的极大似然估计贝叶斯网络的矿场机械轴承故障诊断方法。


背景技术：

2.在我国现代工业追求高效的同时，智能监测成为保障工业稳定的重要技术力量。矿业作为工业链上流产业，保障其人员生命安全和现场设备的安全稳定是前提，但往往矿业现场工作环境相对复杂，大部分室外使用大型机电设备，一旦发生故障问题常常会造成无可预知的损失。轴承由内圈、外圈、滚动体、保持架、润滑脂组成。矿山机械使用轴承是大型设备中的重要组成部分，其工作状态影响着整个机器的状态。当下诸如此类大型机电设备主要依靠人工排检，人工经验判断故障后修复，和传统在线监测方法。常常会造成实时性差、非计划停机时间过长，错过最佳维修时间，链路安装复杂等问题。因此有效及时的技术手段解决矿业大型设备的状态实时监测和预警故障处理成为工业行业不可回避的诉求。


技术实现要素：

3.为了克服上述现有技术的不足，本发明提供了一种基于迁移学习的贝叶斯网络矿场机电轴承故障程度预测方法。
4.本发明所采用的技术方案是：基于迁移学习的贝叶斯网络矿场机电轴承故障程度预测方法，包括以下步骤：步骤一，原始采集信号经过ceedan及fastica技术除噪处理形成重构原信号，并利用lle降维，进行特征向量的提取；步骤二，引入迁移学习，将原信号经过神经网络聚类得到按照故障类型分类的信号集，将该信号集作为目标域数据集，成为贝叶斯网络的输入；步骤三，在源域中选取参照样本集作为源域贝叶斯网络的训练集；基于协变量移位理论，利用源域的训练数据完成对目标域上的参数损失值的最小化的目标，实现对目标域上的贝叶斯网络的极大似然估计的优化；步骤四，通过目标域上贝叶斯网络的输出返回结果，并进行可视化体现，完成对某一类故障类型的程度预测，若非正常状态下则发出警告，衰退状态下给机械设备返回参数信息，指示机器在一定范围内调整转速等可自调参数。
5.在步骤一中，包括如下步骤：1.由于振动信号具有明显的非线性，且时域分析难以精准的判断出现具体故障类别，本发明采样ceemdan经验模态分解对信号进行降噪特征提取处理，并得到相应的特征空间，再利用lle降维，得到可使用的维数数据集样本特征空间。
6.2.滚动轴承故障特征频率计算公式如下：
滚动轴承的旋转频率：外圈故障的频率：内圈故障的频率：滚动体故障的频率：架内外圈故障的频率：其中，dr为滚动体半径，dω为节圆半径，z为滚动体个数，sp轴转速，α压力角。
7.利用lle线性局部嵌入降维技术，让样本子啊低维空间中保持相互之间的线性关系，即样本之间的权值wi保持不变，故xi所对应的低维空间坐标zi可由下面式子进行计算：得到对应的特征向量；在步骤二中，包括以下步骤：使用k近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的som神经网络节点的权重参数共享，通过源域训练结果优化目标域聚类任务函数及神经元权重；通过som神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，得到按照故障类型分类的信号集。
8.在步骤三中，包括以下步骤：将步骤二中不同聚类的信号结果作为贝叶斯网络的输入，其中源域和目标域的操作相同。
9.通过合理选择与目标域分布基本相同的源域数据样本，使其满足源域和目标域上贝叶斯网络具有相同的结构，让源域和目标域之间存在协变量移位，为源域和目标域之间的迁移学习建立了理论基础。根据协变量移位假设，有：但由于迁移学习中的模型特化错误问题，即不存在某一参数能够准确刻画协变量x和因变量y之间的关系，具体表示如下：此时不可直接迁移，故将利用带权似然函数，为目标域贝叶斯网络定义参数损失
值函数，通过对源域数据样本损失函数赋权值，构造目标域上的损失函数，学习出贝叶斯网络在目标域上的最佳参数组合，使得在该参数下贝叶斯网络的损失函数的期望最小，即有：=则整个贝叶斯网络的损失函数为：其中当j=s是表示源域上的损失函数，j=t表示目标域上的损失函数，对于样本数据d，有似然函数：其中当j=s是表示源域上的似然函数，j=t表示目标域上的似然函数，又，随机变量xi在数据dl上的似然函数为：当随机变量i及其父节点取值出现在样本中时，有i=1，否则i=0；当m时，源域上的极大似然估计趋近于源域上的损失函数最小化参数公式的取值，即在极限条件下意义相同，目标域上同理，在目标域上表示如下：又由于源域和目标域上满足协变量移位的假设条件，即有：带入上述极限式进行替换，得到： ==由此建立了源域和目标域的最小化损失函数的数学联系，即样本数据足够大趋于无穷的时候，源域网络的带权极大似然估计趋于目标域上的极大似然估计，在原数据中可以认为，源域数据的权值是pt(dt)，目标域数据的权值是ps(ds)，故将源域和目标域数据混合，重新赋值，其中将源域数据赋予权值pt(dt)/ps(ds)，目标域数据赋予权值为1，由此计算得到的极大似然估计公式为：
==由此，实现对目标域上的贝叶斯网络的极大似然估计的优化，提高目标域在样本数量少的情况下的网络分析学习效果。
10.在步骤四中，包括以下步骤：系统需要在配备包括外界警报系统和内部反馈系统的基础上完成故障可视化及状态预警工作。
11.根据目标域贝叶斯网络的输出结果，判断设备正常，轻微衰退，加速衰退，故障，四个故障程度；当判断为正常状态时，外界报警系统休眠，内部反馈系统休眠当判断为初步衰退预警状态或快速衰退预警状态，外界报警系统立即激活，报告预警状态，预警信息包括，预故障部件，预故障类型，预故障程度。内部反馈系统判断若在机器自适应调整能力范围内时，自动调整参数，如自动降低转速等操作。
12.当判断为完全故障状态时，外界报警系统激活，进入故障紧急报警状态。
附图说明
13.图1为本发明实施例的基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法的步骤流程图；。
14.图2显示为基于本发明的机电诊断系统模块图；图3显示为图1中远程服务模块在一实施例中的具体模块图；图4 显示为图1中业务接口模块在一实施例中的具体模块图；图5 显示为图1中后台数据管理在一实施例中的具体模块图；图6 显示为本发明的基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法中贝叶斯网络的整体网络构架流程示意图。
具体实施方式
15.下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚，完整地描述，显然，所描述的实施例是本发明一部分实施例，而并非全部的实施例。
16.参照图 2所示为基于本发明的机电诊断系统模块图。
17.参照图1所示为本发明实施例的一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法的步骤流程图。实施过程可以分为四大步骤：步骤一，原始采集信号经过ceedan及fastica技术除噪处理形成重构原信号，并利用lle降维，进行特征向量的提取；步骤二，引入迁移学习，将原信号经过神经网络聚类得到按照故障类型分类的信号集，将该信号集作为目标域数据集，成为贝叶斯网络的输入；
步骤三，在源域中选取参照样本集作为源域贝叶斯网络的训练集；基于协变量移位理论，利用源域的训练数据完成对目标域上的参数损失值的最小化的目标，实现对目标域上的贝叶斯网络的极大似然估计的优化；步骤四，通过目标域上贝叶斯网络的输出返回结果，并进行可视化体现，完成对某一类故障类型的程度预测，若非正常状态下则发出警告，衰退状态下给机械设备返回参数信息，指示机器在一定范围内调整转速等可自调参数。
18.在步骤一中，包括如下步骤：1.由于振动信号具有明显的非线性，且时域分析难以精准的判断出现具体故障类别，本发明采样ceemdan经验模态分解对信号进行降噪特征提取处理，并得到相应的特征空间，再利用lle降维，得到可使用的维数数据集样本特征空间。
19.2.滚动轴承故障特征频率计算公式如下：滚动轴承的旋转频率：外圈故障的频率：内圈故障的频率：滚动体故障的频率：架内外圈故障的频率：其中，dr为滚动体半径，dω为节圆半径，z为滚动体个数，sp轴转速，α压力角。
20.3.利用lle线性局部嵌入降维技术，让样本子啊低维空间中保持相互之间的线性关系，即样本之间的权值wi保持不变，故xi所对应的低维空间坐标zi可由下面式子进行计算：得到对应的特征向量；在步骤二中，包括以下步骤：使用k近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的som神经网络节点的权重参数共享，通过源域训练结果优化目标域聚类任务函数及神经元权重；通过som神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，得到按照故障类型分类的信号集。
21.在步骤三中，包括以下步骤：将步骤二中不同聚类的信号结果作为贝叶斯网络的输入，其中源域和目标域的操
作相同。
22.通过合理选择与目标域分布基本相同的源域数据样本，使其满足源域和目标域上贝叶斯网络具有相同的结构，让源域和目标域之间存在协变量移位，为源域和目标域之间的迁移学习建立了理论基础。根据协变量移位假设，有：但由于迁移学习中的模型特化错误问题，即不存在某一参数能够准确刻画协变量x和因变量y之间的关系，具体表示如下：此时不可直接迁移，故将利用带权似然函数，为目标域贝叶斯网络定义参数损失值函数，通过对源域数据样本损失函数赋权值，构造目标域上的损失函数，学习出贝叶斯网络在目标域上的最佳参数组合，使得在该参数下贝叶斯网络的损失函数的期望最小，即有：=则整个贝叶斯网络的损失函数为：其中当j=s是表示源域上的损失函数，j=t表示目标域上的损失函数，对于样本数据d，有似然函数：其中当j=s是表示源域上的似然函数，j=t表示目标域上的似然函数，又，随机变量xi在数据dl上的似然函数为：当随机变量i及其父节点取值出现在样本中时，有i=1，否则i=0；当m时，源域上的极大似然估计趋近于源域上的损失函数最小化参数公式的取值，即在极限条件下意义相同，目标域上同理，在目标域上表示如下：又由于源域和目标域上满足协变量移位的假设条件，即有：带入上述极限式进行替换，得到：
==由此建立了源域和目标域的最小化损失函数的数学联系，即样本数据足够大趋于无穷的时候，源域网络的带权极大似然估计趋于目标域上的极大似然估计，在原数据中可以认为，源域数据的权值是pt(dt)，目标域数据的权值是ps(ds)，故将源域和目标域数据混合，重新赋值，其中将源域数据赋予权值pt(dt)/ps(ds)，目标域数据赋予权值为1，由此计算得到的极大似然估计公式为：==由此，实现对目标域上的贝叶斯网络的极大似然估计的优化，提高目标域在样本数量少的情况下的网络分析学习效果。
23.请参阅图 6，显示为本发明的基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法中贝叶斯网络的整体网络构架流程示意图。
24.在步骤四中，包括以下步骤：请参阅图 ，系统需要在配备包括外界警报系统和内部反馈系统的基础上完成故障可视化及状态预警工作。
25.根据目标域贝叶斯网络的输出结果，判断设备正常，轻微衰退，加速衰退，故障，四个故障程度；当判断为正常状态时，外界报警系统休眠，内部反馈系统休眠当判断为初步衰退预警状态或快速衰退预警状态，外界报警系统立即激活，报告预警状态，预警信息包括，预故障部件，预故障类型，预故障程度。内部反馈系统判断若在机器自适应调整能力范围内时，自动调整参数，如自动降低转速等操作。
26.当判断为完全故障状态时，外界报警系统激活，进入故障紧急报警状态。
27.请参阅图3 ，显示为图2中远程服务模块在一实施例中的具体模块图请参阅图4 ，显示为图2中业务接口模块在一实施例中的具体模块图请参阅图5 ，显示为图2中后台数据管理模块在一实施例中的具体模块图本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。