基于关系网络的轴承健康评估方法

1.本发明涉及信号处理方法技术领域，尤其涉及一种基于关系网络的轴承健康评估方法。


背景技术：

2.轴承是机械设备中不可或缺的部件之一，也是机械设备中极易发生故障的部件之一。如果轴承发生故障，轻则造成经济损失，重则威胁人身安全。为了减少轴承故障引发的种种危害，可以通过对轴承进行健康评估的方法，在轴承刚刚发生轻微故障还未造成任何损失之前及时准确检测出异常，并对轴承进行替换。


技术实现要素：

3.本发明所要解决的技术问题是如何提供一种轴承健康状况评估准确性高的于关系网络的轴承健康评估方法。
4.为解决上述技术问题，本发明所采取的技术方案是：一种基于关系网络的轴承健康评估方法，其特征在于包括如下步骤：
5.取待评估轴承初始运行状态的第1个样本作为支撑集s，早期正常运行状态的m个样本作为查询集q进行训练，当前运行状态的样本y进行测试，并构建查询集q中m个样本的健康标签；
6.构建轴承健康评估关系网络模型；
7.将查询集q的频谱与支撑集s的频谱输入关系网络模型，将真实的健康标签与预测标签之间的均方误差作为损失函数值，利用bp反向传播算法进行训练，得到关系网络模型参数；
8.利用训练好的关系网络模型计算轴承当前运行状态样本y与支撑集s之间的关系得分，接着对关系得分进行savitzky
‑
golay平滑滤波得到轴承状态健康得分。
9.采用上述技术方案所产生的有益效果在于：本发明将经过快速傅里叶变换得到的振动信号的频谱作为关系网络的输入，能反应振动信号中能量集中位置和分布特点，具有很强的信息捕获能力和表征能力。因此本发明将振动信号的频谱作为输入，更加有利于特征的表示提取，可更加准确体现振动信号中的特征信息。
10.本发明所述方法将关系网络应用在轴承健康评估问题上，关系网络能够在只有轴承正常运行状态样本的情况下，利用正常运行状态样本与未知运行状态样本之间的距离或相似性，对未知运行状态样本进行健康评估，并获得良好的评估结果。现实社会中轴承正常运行状态下的样本容易获取，使得利用关系网络进行健康评估的应用前景大大提高。并且关系网络与传统固定度量方式如欧式度量、余弦度量等不同，关系网络是通过网络训练得到一个高效的非线性距离度量，使得关系网络计算样本间的距离或相似性更加准确。所以本发明通过关系网络模型学习待评估轴承正常运行状态样本与待评估轴承初始运行样本之间的距离或相似度，再将训练好的关系网络模型用于计算待评估轴承当前运行状态的样
本与待评估轴承初始运行样本之间的距离或相似性，可得到待评估轴承当前运行状态样本的健康得分。关系网络模型中非线性的距离度量方法使所得健康得分更加准确。
11.采用savitzky
‑
golay滤波平滑方法对所得健康得分进行平滑去噪，以达到去除高频噪声点，平滑数据序列的作用，使得最终的轴承健康评估结果更加平滑，更能准确反应轴承的健康状况。
附图说明
12.下面结合附图和具体实施方式对本发明作进一步详细的说明。
13.图1为本发明实施例所述方法的流程图；
14.图2为本发明实施例中待评估轴承时域信号图；
15.图3为本发明实施例中待评估轴承支撑集样本的频谱图；
16.图4为本发明实施例所述方法的模型图；
17.图5为本发明实施例中特征提取模块结构示意图；
18.图6为本发明实施例提供的关系模块结构示意图；
19.图7为本发明实施例中基于savitzky
‑
golay平滑滤波后的轴承健康评估指标曲线图；
具体实施方式
20.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
22.如图1所示，本发明公开了一种基于关系网络的轴承健康评估方法，具体包括如下步骤：
23.步骤1)：利用待评估轴承数据，构建支撑集s和查询集q，并构建查询集q中样本的健康标签，然后对振动信号进行快速傅里叶变换得到频谱；
24.本实施例使用nasa预测数据库中的一组轴承全寿命实验数据作为待评估轴承数据，共采集从健康状态运行至失效状态的984组数据。本实例中每一段振动信号选取2048个采样点，共得到984个样本，每个样本大小为1*2048，如图2所示，图2给出了待评估轴承时域信号图。本实例中取待评估轴承初始运行状态的第1个样本作为支撑集s，早期正常运行状态的200个样本作为查询集q用于训练，当前运行状态的样本y用于测试，并将查询集q中200个样本加上健康标签“1”。
25.由于轴承原始振动信号的频谱信号，可以更好的体现轴承运行时的特征。所以本实例利用快速傅里叶变换得到样本的频谱为1*1024。如图3所示，图3给出了轴承支撑集样本的频谱。最终获得支撑集s的频谱：f(s)；查询集q的频谱：f(q1)，f(q2)，f(q3)，...，f(q
m
)；当前运行状态样本y的频谱：f(y)。
26.其中，快速傅里叶变换的计算公式如下：
[0027][0028][0029]
式中：f(k)表示信号x(n)的频谱，x(n)表示轴承振动信号，n表示振动信号采样点个数；w
n
为旋转因子。
[0030]
步骤2)：构建轴承健康评估关系网络模型；
[0031]
图4给出了一种基于关系网络的模型图，关系网络模型包括嵌入模块和关系模块两个部分，其中嵌入模块将提取支撑集与查询集中频谱的特征，将支撑集中的特征向量与查询集中的特征向量拼接后，输入至关系模块，关系模块计算两个连接特征之间的关系分数，分数越高，两个特征向量越相似。在关系网络模型中，使用支撑集频谱与查询集中的频谱作为输入，支撑集样本为轴承初始运行时正常状态下的样本，查询样本为未知运行状态的样本，关系得分表示支撑集与查询样本之间的距离或相似性，所以输出关系得分越高，代表查询样本状态越健康。
[0032]
图5给出了嵌入模块的结构示意图，图6示出来了关系模块的结构示意图。嵌入模块包括4个卷积模块和3个池化层。关系模块包括两个卷积模块、两个池化层和两个全连接层。其中，每层卷积模块分别由一维卷积层、批标准化层、激活函数组成
[0033]
所构建的嵌入模块共7层，其中第1层，第3层，第5层，第6层为卷积模块；第2层，第4层为最大池化层；第7层为自适应最大池化层。
[0034]
所构建的关系模块共6层，其中，第1层，第3层为卷积模块；第2层，第4层为最大池化层；第5层，第6层为全连接层。第5层全连接层的神经元个数为1*8，第6层全连接层的神经元个数为1*1。
[0035]
在关系网络模型中除特征提取模块第1层卷积的卷积核大小为1*10，其余卷积的卷积核大小均为1*3。自适应最大池化层大小为1*25，最大池化层大小均为1*2。
[0036]
激活函数中关系模块第6层全连接层为sigmoid函数，其余均为relu函数。
[0037]
在一些实施例中，关系网络的输入尺寸为1*1*1024，输出尺寸为1*1*1。其网络参数的设置可以如表1所示。
[0038]
表1网络参数
[0039][0040]
步骤3)：将查询集b中的频谱与支撑集的频谱输入构建好的关系网络模型，将健康标签与预测标签之间的均方误差作为损失函数值，利用bp反向传播算法进行训练，得到模型参数；
[0041]
损失函数计算公式如下：
[0042][0043]
其中，φ，分别表示嵌入模块f与关系模块g的参数。
[0044]
本实例中，设置训练次数为200次，batch
‑
size为32，网络的损失函数采用的是均方误差损失函数，采用adam优化器，学习率为0.001。网络的训练过程随着迭代的进行损失值逐渐减小，网络模型达到稳定状态。
[0045]
步骤3)中，关系网络模型训练过程如下：
[0046]
(1)将支撑集s的频谱f(s)与查询集q中的频谱f(q1)，f(q2)，f(q3)，...，f(q
m
)输入嵌入模块f，可以得到支撑集s的特征表示f(s)与查询集q中的特征表示f(q
i
)。
[0047]
(2)将支撑集s的特征表示f(s)依次与查询集q中m个特征表示f(q
i
)拼接在一起，得到m个特征拼接后的样本z(f(s)，f(q
i
))。
[0048]
(3)将拼接后的m个特征z(f(s)，f(q
i
))输入到关系模块g中，通过关系模块生成m个关系得分r
i
：
[0049]
r
i
＝g(z(f(s),f(q
i
))
[0050]
式中：r
i
表示支撑集s与查询集q中样本之间的关系得分，即距离或相似性，r
i
的取值范围为0～1，g表示关系模块用于计算两个特征表示之间的关系得分，f表示嵌入模块用于提取特征表示，z表示将f(s)与f(q
i
)进行特征拼接。
[0051]
(4)将查询集q中真实的健康标签“1”与预测标签r
i
之间的均方误差作为损失函数，利用bp反向传播算法进行训练，直到模型收敛，得到模型参数。
[0052]
步骤4)：利用训练好的关系网络模型计算轴承当前运行状态样本与支撑集s之间的关系得分，对关系得分进行savitzky
‑
golay平滑滤波得到轴承状态健康得分；
[0053]
步骤4)中利用训练好的关系网络模型计算轴承当前运行状态的样本与支撑集s之间的关系得分具体过程为：
[0054]
(1)将支撑集s的频谱f(s)与轴承当前运行状态样本的频谱f(y)输入训练好的嵌入模块f，可以得到支撑集s的特征表示f(s)与当前运行状态样本的特征表示f(y)；
[0055]
(2)将支撑集s的特征表示f(s)与当前运行状态的特征f(y)拼接在一起，得到特征拼接后的样本z(f(s)，f(y))；
[0056]
(3)将拼接后的特征z(f(s)，f(y))输入到训练好的关系模块g中，通过关系模块g得到当前运行状态的特征表示f(y)的关系得分r
j
：
[0057]
r
j
＝g(z(f(s),f(y))
[0058]
式中：r
j
表示支撑集s与当前运行状态样本y之间的关系得分，即距离或相似性，r
j
的取值范围为0～1，g表示关系模块用于计算两个特征表示之间的关系得分，f表示嵌入模块用于提取特征表示，z表示将f(s)与f(y)进行特征拼接。
[0059]
本实例中将得到784个关系得分，每个分数对应着待测样本y与支撑集s之间的关系得分。关系得分越接近“1”，说明轴承越健康，从而达到轴承健康评估的目的。
[0060]
步骤4)中，对关系得分进行savitzky
‑
golay平滑滤波得到轴承状态健康得分的方法如下：
[0061]
(1)假设通过关系网络模型得到的健康得分数据为r
i
，i＝
‑
m，...，0，...，m，其n阶拟合多项式为
[0062][0063]
式中：b为多项式的系数；k为多项式的阶数；i为多项式的权数；z为关于n阶的多项式函数
[0064]
(2)关系得分r
i
与拟合的多项式间的均方误差ε
d
为
[0065][0066]
(3)要使均方误差最小，则ε
d
各项系数的导数均应为0，即
[0067][0068]
将式(2)带入式(3)展开后可得
[0069][0070]
通过求解上述公式，即可求出多项式各项系数b
k
，从而得到拟合的n项多项式z
(n)，即可得到平滑后的轴承状态健康得分。
[0071]
在实施例中，设置窗口长度为199，多项式拟合的阶数为3，将所得784个关系得分r
k
进行savitzky
‑
golay平滑滤波后得到轴承状态健康得分。如图7所示，图7给出了savitzky
‑
golay平滑滤波后的轴承状态健康得分。