楊洪柏,張宏利,劉樹林
1.上海開放大學(xué) 理工學(xué)院,上海 200433; 2.上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院,上海 200072)(*通信作者電子郵箱948645047@qq.com)
基于可視化異類特征優(yōu)選融合的滾動(dòng)軸承故障診斷
楊洪柏1,2*,張宏利2,劉樹林2
1.上海開放大學(xué) 理工學(xué)院,上海 200433; 2.上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院,上海 200072)(*通信作者電子郵箱948645047@qq.com)
針對(duì)故障診斷過程中基于簡(jiǎn)單的多類故障特征聯(lián)合決策存在特征集維數(shù)多、數(shù)據(jù)冗余、故障識(shí)別率不高的缺點(diǎn),提出了一種基于異類特征優(yōu)選融合的故障診斷方法。該方法根據(jù)多類特征數(shù)據(jù)的輪廓圖,分析各維特征數(shù)據(jù)的聚類特性,去除聚類性弱、對(duì)故障區(qū)分無益的冗余特征維度,僅保留聚類性強(qiáng)的特征維度用于故障識(shí)別。在軸承故障診斷實(shí)驗(yàn)中,選用故障信號(hào)時(shí)域統(tǒng)計(jì)量和小波包能量兩類多維特征進(jìn)行優(yōu)選融合,并采用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障模式識(shí)別。故障識(shí)別率達(dá)到100%,顯著高于無特征優(yōu)選的故障診斷方法。實(shí)驗(yàn)結(jié)果表明所提出的方法簡(jiǎn)便易行,可以顯著提高故障識(shí)別率。
異類特征;特征融合;模式識(shí)別;故障診斷;滾動(dòng)軸承
針對(duì)同一類故障,用不同傳感器采集的振動(dòng)信號(hào)稱為不同源振動(dòng)信號(hào),同一傳感器采集的數(shù)據(jù)稱為同源振動(dòng)信號(hào),而采用不同提取方法得到的不同特征,則稱為異類特征。不論是異源同類特征還是同源異類特征,由于信號(hào)源不同或特征提取方法不同,使得特征具有不同的屬性,表征了故障的某一方面特性。單用一類特征進(jìn)行故障診斷類似瞎子摸象,可能以偏概全,影響故障識(shí)別率。目前,為了對(duì)設(shè)備作出準(zhǔn)確、全面的狀態(tài)評(píng)估,一些學(xué)者采用不同源數(shù)據(jù)特征或同源數(shù)據(jù)異類特征共同來進(jìn)行故障診斷[1-8],其結(jié)果會(huì)造成特征集的維數(shù)增加、數(shù)據(jù)處理量加大、數(shù)據(jù)存在冗余、一些不敏感特征存在等,影響故障識(shí)別率。
為了降維,去除冗余特征及不敏感特征,實(shí)現(xiàn)特征的有效融合,許多學(xué)者進(jìn)行了研究。Chen等[1]采用遺傳算法對(duì)時(shí)域特征進(jìn)行優(yōu)選。也有許多學(xué)者采用非線性流形學(xué)習(xí)法對(duì)高維特征集的維數(shù)約簡(jiǎn)[2]。楊宇等[3]用基于Wrapper模式的距離評(píng)價(jià)技術(shù)進(jìn)行特征選擇;Peng等[4]用互信息理論用于特征選擇;Zhao[5]應(yīng)用粗糙集理論進(jìn)行特征選擇。目前比較主流的特征融合方法為主成分分析方法及其改進(jìn)方法[6-8],其中古瑩奎等[6]應(yīng)用主成分分析法對(duì)小波包能量單類特征提取累積貢獻(xiàn)率達(dá)到95%的特征主成分并輸入支持向量機(jī)(Support Vector Machine,SVM)分類器中進(jìn)行識(shí)別,將滾動(dòng)軸承故障特征從8維降低到5維,最終的故障診斷的準(zhǔn)確率為97%。
針對(duì)前述問題,本文提出一種基于可視化技術(shù)的異類特征優(yōu)選融合方法。該方法利用特征的輪廓圖對(duì)特征直觀地去除冗余和不敏感特征,選擇出優(yōu)質(zhì)特征。本文方法簡(jiǎn)單易用,是異類特征有效融合的一種探索。具體實(shí)現(xiàn)時(shí),可以先對(duì)各單一特征運(yùn)用輪廓圖進(jìn)行優(yōu)選,然后進(jìn)行多類特征融合進(jìn)一步優(yōu)選,使得識(shí)別率穩(wěn)定在一個(gè)比較高的水平。
可視化技術(shù)具有直觀、簡(jiǎn)單有效的特點(diǎn)??梢暬椒ㄖ饕猩Ⅻc(diǎn)圖、輪廓圖(平行坐標(biāo)法)、多維徑向坐標(biāo)法等方法[9]。輪廓圖將n維數(shù)據(jù)空間用n條等距離的平行軸映射到二維平面上。每條軸線對(duì)應(yīng)于一個(gè)屬性維,也即橫坐標(biāo)表示各個(gè)特征參數(shù),縱坐標(biāo)表示各個(gè)特征值。每一個(gè)數(shù)據(jù)樣本都可以轉(zhuǎn)換成圖形形式,用一條折線表示在n條平行軸上[9]。用輪廓圖法把所有的故障樣本都用這樣的可視化方式顯現(xiàn)在一幅圖形中,具有相同屬性的特征向量會(huì)靠攏在一起,與其他類別具有可分性,否則說明特征參數(shù)對(duì)故障類別沒有可分性。
模式識(shí)別實(shí)質(zhì)就是分類,聚類特性越明顯,其識(shí)別率越高。利用這一特點(diǎn),通過可視化圖形觀察進(jìn)行特征優(yōu)選。通過直觀的方式去除聚類特性不明顯的特征,篩選出聚類明顯的優(yōu)質(zhì)特征。
圖1(a)是鳶尾(Iris)花數(shù)據(jù)集特征數(shù)據(jù)的輪廓圖。Iris有3種植物,分別是Setosa、Versicolor和Virginica,4個(gè)特征分別是萼片長度(SepalLength,SL)、萼片寬度(SepalWidth,SW)、花瓣長度(PetalLength,PL)和花瓣寬度(PetalWidth,PW)。每種植物有樣本40個(gè),一共有120個(gè)植物樣本。從圖1(a)可以看出有3種聚類,圖中萼片長度SL和萼片寬度SW各個(gè)類別之間區(qū)分度不高,聚類特性不明顯,交織在一起,去掉這兩個(gè)“劣質(zhì)”指標(biāo),保留2個(gè)“優(yōu)質(zhì)”指標(biāo)的輪廓圖如圖1(b)所示,圖中的類別區(qū)分度較圖1(a)明顯提高。
圖1 Iris數(shù)據(jù)特征輪廓圖
基于輪廓圖的可視化特征優(yōu)選方法的步驟可描述如下:
Step1 繪制各種故障特征樣本的輪廓圖。
Step2 分析某一特征數(shù)據(jù)聚類特性。
Step3 某一特征能較清楚地區(qū)分各故障類型,則保留該特征;否則,去除該特征。
Step4 若還有未分析特征,轉(zhuǎn)Step2;否則,特征優(yōu)選過程結(jié)束。
2.1BP神經(jīng)網(wǎng)絡(luò)診斷流程
智能診斷方法目前多以頻譜頻帶能量為特征,采用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別[9-13]。時(shí)域統(tǒng)計(jì)特征是最為簡(jiǎn)單最早使用的特征,故而提取滾動(dòng)軸承故障信號(hào)的時(shí)域統(tǒng)計(jì)特征和小波包能量兩種異類特征,應(yīng)用可視化融合方法進(jìn)行優(yōu)選,然后用應(yīng)用最廣泛的模式識(shí)別方法——反向傳播(BackPropagation,BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行智能診斷。
滾動(dòng)軸承的數(shù)據(jù)選用美國CaseWesternReserveUniversity軸承數(shù)據(jù)中心的實(shí)驗(yàn)數(shù)據(jù),實(shí)驗(yàn)軸承為6205-2RSJEMSKF深溝球軸承,故障刻痕深度為0.177 8mm,采樣頻率為12kHz, 轉(zhuǎn)速為1 730r/min。分別取滾動(dòng)軸承正常工作、滾動(dòng)體、內(nèi)圈、外圈故障樣本數(shù)據(jù)各59個(gè)樣本,每個(gè)樣本長度為2 048個(gè)數(shù)據(jù),進(jìn)行時(shí)域特征和小波包能量的提取。為了簡(jiǎn)化融合后高維數(shù)據(jù)的融合困難,可首先對(duì)各類特征進(jìn)行可視化初選,然后再合并起來進(jìn)一步優(yōu)化融合。為了研究可視化優(yōu)選方法對(duì)診斷識(shí)別率提高效果,分別對(duì)單類特征優(yōu)選前后的診斷識(shí)別率進(jìn)行對(duì)比研究。特征聯(lián)合后再用可視化方法進(jìn)一步進(jìn)行優(yōu)選,并進(jìn)行優(yōu)選前后故障診斷識(shí)別率進(jìn)行對(duì)比研究,來分析其效果。
BP網(wǎng)絡(luò)采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),第一層為輸入層,神經(jīng)元個(gè)數(shù)等同于輸入特征個(gè)數(shù);第二層為隱含層,選Sigmoid激活函數(shù)f(x)=1/(1-e-αx),根據(jù)選擇原則和測(cè)試結(jié)果選擇隱層神經(jīng)元個(gè)數(shù)為10個(gè);第三層為線性輸出層,針對(duì)模式識(shí)別的神經(jīng)網(wǎng)絡(luò),輸出層采用線性輸出。對(duì)應(yīng)的期望輸出分別為:無故障(0,0,0,1)、滾動(dòng)體故障(0,0,1,0)、內(nèi)圈故障(0,1,0,0)和外圈故障(1,0,0,0)。
建立如圖2所示的滾動(dòng)軸承故障診斷流程圖,具體步驟如下:1)選取訓(xùn)練和測(cè)試用的滾動(dòng)軸承振動(dòng)信號(hào);2)提取各類特征;3)應(yīng)用可視化圖形優(yōu)選方法優(yōu)選特征;4)將各個(gè)優(yōu)選的特征作為神經(jīng)網(wǎng)絡(luò)的輸入,以內(nèi)圈故障、滾動(dòng)體故障、外圈故障和正常狀態(tài)四種模式作為網(wǎng)絡(luò)輸出,確定網(wǎng)絡(luò)結(jié)構(gòu),對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;5)用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行分類識(shí)別。
圖2 滾動(dòng)軸承故障診斷流程
Fig. 2Flowchartofrollingbearingfaultdiagnosis
另外,為了研究特征優(yōu)選對(duì)噪聲的魯棒性,采用原始信號(hào)訓(xùn)練,用不同信噪比(Signal-to-NoiseRatio,SNR)的信號(hào)進(jìn)行測(cè)試。任意選取原始數(shù)據(jù)每種狀態(tài)下的20個(gè)樣本構(gòu)成故障訓(xùn)練樣本(共80個(gè)),其余的樣本構(gòu)成模型的測(cè)試樣本(共156個(gè))。若是加噪信號(hào),為了與不加噪測(cè)試樣本相同,每種樣本隨機(jī)取39個(gè)樣本也組成156個(gè)測(cè)試樣本。
2.2 時(shí)域統(tǒng)計(jì)特征的初步優(yōu)選
常用的時(shí)域特征參數(shù)包括4個(gè)有量綱指標(biāo)和5個(gè)無量綱指標(biāo)[13]。x(n)為時(shí)域信號(hào)序列(n=1,2,…,N),選用4個(gè)有量綱特征指標(biāo)為絕對(duì)均值Xm、方差Xc、均方根Xrms和平均峰值Xp。其計(jì)算公式為:
(1)
(2)
(3)
(4)
其中:xp(j)(j=1,2,…,J0)是峰值,本文J0取10。
選用5個(gè)無量綱參數(shù)指標(biāo)為峰值指標(biāo)Cp、脈沖指標(biāo)Cf、裕度指標(biāo)Ce、峭度指標(biāo)Cq和歪度指標(biāo)Cw。其計(jì)算公式為:
Cp=Xp/Xrms
(5)
Cf=Xp/Xm
(6)
Ce=Xrms/Xm
(7)
Cq=E(x-μ)4/σ4
(8)
Cw=E(x-μ)3/σ3
(9)
其中:μ為均值;σ為標(biāo)準(zhǔn)差。
每個(gè)特征參數(shù)反映振動(dòng)狀態(tài)的不同情況,不同故障信號(hào)所對(duì)應(yīng)的敏感特征不同。針對(duì)要識(shí)別的故障,挑選出具有故障敏感性和聚類性的特征是提高故障識(shí)別率的關(guān)鍵。本文把對(duì)故障敏感并明顯表現(xiàn)出聚類特性的特征稱為優(yōu)質(zhì)特征。
圖3 滾動(dòng)軸承故障時(shí)域特征未歸一化輪廓圖
圖3是滾動(dòng)軸承時(shí)域統(tǒng)計(jì)特征的輪廓圖。滾動(dòng)軸承故障具有4種類型:正常(無故障)、滾動(dòng)體故障,內(nèi)圈故障和外圈故障?;诟魈卣鞣荡笮〔顒e較大,不利于聚類特性的分辨,對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理,歸一化后的滾動(dòng)軸承特征輪廓圖如圖4(a)所示,后文都用歸一化圖。圖4(a)中峰值指標(biāo)Cp和歪度指標(biāo)Cw均勻地分布整個(gè)特征域,聚類特性不明顯,甚至不同類別有部分交織,去掉這兩個(gè)“劣質(zhì)”指標(biāo),保留7個(gè)“優(yōu)質(zhì)”指標(biāo)的輪廓圖如圖4(b)所示,圖中的類別區(qū)分度較圖3和圖4(a)明顯提高。用BP網(wǎng)絡(luò)進(jìn)行識(shí)別,不同SNR下的實(shí)驗(yàn)結(jié)果如表1所示,特征經(jīng)過優(yōu)選過的故障識(shí)別率都高于同樣條件下的未經(jīng)優(yōu)選的故障識(shí)別率。
圖4 滾動(dòng)軸承故障時(shí)域特征歸一化輪廓圖
無噪信號(hào)未經(jīng)優(yōu)選時(shí)的識(shí)別率為69.231%,優(yōu)選過的識(shí)別率上升到98.077%(見表1)。從表1還可知,特征沒有進(jìn)行優(yōu)選情況下,故障識(shí)別率隨著噪聲的加入逐步下降;而特征經(jīng)過優(yōu)選后的故障識(shí)別率保持比較高的故障識(shí)別率,體現(xiàn)出優(yōu)質(zhì)特征對(duì)噪聲具有一定的魯棒性。
表1 時(shí)域特征下滾動(dòng)軸承故障診斷識(shí)別率
2.3 小波包能量特征初步優(yōu)選
小波包能量特征也是常用的故障診斷特征。小波包分析法選取Daubechies-db16小波包,對(duì)滾動(dòng)軸承信號(hào)進(jìn)行小波包3層分解得到8個(gè)分解頻帶。同樣用無噪信號(hào)訓(xùn)練BP模型,用不同SNR的信號(hào)進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果顯現(xiàn)在無噪情況下和SNR=50 dB時(shí)診斷正確率都很高,可達(dá)到100%的識(shí)別率;當(dāng)SNR=20 dB時(shí)識(shí)別率大幅下降,低至25%。對(duì)不同SNR下的測(cè)試數(shù)據(jù)繪制輪廓圖進(jìn)行分析,無噪情況下4類特征的小波包能量歸一化后的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)輪廓圖如圖5所示。該圖中,四類故障聚類明顯,也可說明高識(shí)別率的原因。
當(dāng)SNR=20 dB時(shí),測(cè)試數(shù)據(jù)的輪廓圖如圖6所示。圖6(a)為未經(jīng)優(yōu)選的特征輪廓圖,第5和第6能量特征三個(gè)故障類別交織在一起難以區(qū)別,初步先去掉這兩個(gè)特征,剩下的6個(gè)特征輪廓圖如圖6(b)所示,四個(gè)故障模式分類較前分明了些。把相應(yīng)的特征輸入到BP模型,SNR=20 dB的故障識(shí)別率可提升到75.641%,從而也驗(yàn)證了輪廓圖中的聚類特性與識(shí)別率有強(qiáng)相關(guān)性。
圖5 無噪情況下軸承故障數(shù)據(jù)小波包能量特征輪廓圖
2.4 異類特征融合滾動(dòng)軸承故障診斷
把初選過的時(shí)域統(tǒng)計(jì)特征和小波包能量特征融合一起,SNR=20 dB的故障識(shí)別率為96.154%,比單一小波包能量識(shí)別率高,但低于時(shí)域統(tǒng)計(jì)特征的識(shí)別率。對(duì)測(cè)試數(shù)據(jù)繪制出輪廓圖(見圖7)進(jìn)行分析,發(fā)現(xiàn)Ce、Cq、小波第1頻帶三個(gè)特征,不同類別之間交叉較多,進(jìn)一步優(yōu)化去除這三個(gè)特征,再進(jìn)行模式識(shí)別,識(shí)別率可穩(wěn)定在100%。
由上述滾動(dòng)軸承故障診斷過程可知,基于可視化技術(shù)的異類特征融合方法操作簡(jiǎn)單,識(shí)別效果好。目前特征優(yōu)選過程是在人工參與的情況下進(jìn)行的,在今后進(jìn)一步的研究中將會(huì)把成熟的聚類算法(如K-means算法)應(yīng)用于特征優(yōu)選過程,從而實(shí)現(xiàn)異類特征融合方法的完全自動(dòng)化,以達(dá)到故障自動(dòng)化診斷的目標(biāo)。
圖7 時(shí)域統(tǒng)計(jì)特征和小波包能量特征融合輪廓圖(20 dB)
用輪廓圖來進(jìn)行可視化特征優(yōu)選是一種簡(jiǎn)單且直觀的方法,直觀地去除冗余和不敏感特征,選擇出優(yōu)質(zhì)特征,對(duì)于異類特征的有效融合具有一定效果。為了簡(jiǎn)化融合過程,先分別對(duì)單類特征進(jìn)行初步優(yōu)選,然后合成優(yōu)選。以滾動(dòng)軸承故障信號(hào)時(shí)域統(tǒng)計(jì)和小波包能量兩類特征融合為例,用不同信噪比的加噪故障信號(hào)進(jìn)行故障識(shí)別率對(duì)比研究。實(shí)驗(yàn)結(jié)果表明該方法能夠?qū)μ岣吖收献R(shí)別率有效。下一步的工作將是把聚類算法引入特征優(yōu)選過程,以實(shí)現(xiàn)故障診斷過程的自動(dòng)化。
References)
[1] CHEN P, TOYOTA T, HE Z. Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans, 2001, 31(6):775-781.
[2] 蘇祖強(qiáng), 湯寶平, 姚金寶. 基于敏感特征選擇與流行學(xué)習(xí)維數(shù)約簡(jiǎn)的故障診斷[J]. 振動(dòng)與沖擊, 2014, 33(3):70-75.(SU Z Q, TANG B P, YAO J B. Fault diagnosis method based on sensitive feature selection and manifold learning dimension reduction [J]. Journal of Vibration and Shock, 2014, 33(3):70-75.)
[3] 楊宇, 潘海洋, 程軍圣. 基于特征選擇和RRVPMCD的滾動(dòng)軸承故障診斷[J]. 振動(dòng)工程學(xué)報(bào), 2014, 27(4):629-636.(YANG Y, PAN H Y, CHENG J S. The rolling bearing fault diagnosis method based on the feature selection and RRVPMCD[J]. Journal of Vibration Engineering, 2014, 27(4):629-636.
[4] PENG H, LONG F, DING C. Feature selection based on mutual information: Criteria of max-dependency, max-relevance, and min-redundancy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226-1238.
[5] ZHAO X M. Data-driven fault detection, isolation and identification of rotating machinery: with applications to pumps and gearboxes[D]. Edmonton: University of Alberta, 2012.
[6] 古瑩奎, 承姿辛, 朱繁瀧. 基于主成分分析和支持向量機(jī)的滾動(dòng)軸承故障特征融合分析[J]. 中國機(jī)械工程, 2015, 26(20):2778-2783.(GU Y K, CHENG Z X, ZHU F L. Rolling bearing fault feature fusion based on PCA and SVM[J]. China Mechanical Engineering, 2015, 26(20):2778-2783.)
[7] 巫茜, 蔡海尼, 黃麗豐. 基于主成分分析的多源特征融合故障診斷方法 [J]. 計(jì)算機(jī)科學(xué), 2011, 38(1):268-270(WU Q, CAI H N, HUANG L F. Feature-level fusion fault diagnosis based on PCA[J]. Computer Science, 2011, 38(1):268-270.)
[8] 李學(xué)軍, 李平, 蔣玲莉, 等. 基于異類信息特征融合的異步電機(jī)故障診斷[J]. 儀器儀表學(xué)報(bào), 2013, 34(1):227-233.(LI X J, LI P, JIANG L L, et al. Fault diagnosis method of asynchronous motor based on heterogeneous information feature fusion[J]. Chinese Journal of Scientific Instrument, 2013, 34(1):227-233.)
[9] 劉穎慧, 劉樹林, 唐友福, 等. 基于斜率關(guān)聯(lián)度的模式識(shí)別方法及滾動(dòng)軸承故障診斷應(yīng)用[J]. 機(jī)械科學(xué)與技術(shù), 2012, 31(9):1500-1503.(LIU Y H, LIU S L, TANG Y F, et al. A method of pattern recognition with slope relational degree and its application to rolling bearing fault diagnosis [J]. Mechanical Science and Technology, 2012, 31(9):1500-1503.)
[10] 程軍圣, 史美麗, 楊宇.基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J]. 振動(dòng)與沖擊, 2010, 29(8):141-144.(CHENG J S, SHI M L, YANG Y. Roller bearing fault diagnosis method based on LMD and neural network[J]. Journal of Vibration and Shock, 2010, 29(8):141-144.)
[11] 楊宇, 于德介, 程軍圣.基于經(jīng)驗(yàn)?zāi)B(tài)分解包絡(luò)譜的滾動(dòng)軸承故障診斷方法[J]. 中國機(jī)械工程, 2004, 15(16):1469-1471.(YANG Y, YU D J, CHENG J S. A fault diagnosis approach for roller bearings based on EMD and envelop spectrum[J]. China Mechanical Engineering, 2004, 15(16): 1469-1471.)
[12] 胡耀斌, 厲善元, 胡良斌.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的研究[J]. 機(jī)械設(shè)計(jì)與制造, 2012(2):187-189.(HU Y B, LI S Y, HU L B. Fault diagnosis of rolling bearing based on neural network[J]. Machinery Design & Manufacture, 2012(2): 187-189.)
[13] 張鍵. 機(jī)械故障診斷技術(shù)[M]. 北京:機(jī)械工業(yè)出版社, 2015:60-63.(ZHANG J. Mechanical Fault Diagnosis Technology [M]. Beijing: China Machine Press, 2015:60-63.)
This work is partially supported by the National Natural Science Foundation of China (51575331).
YANG Hongbai, born in 1972, Ph. D., associate professor. Her research interests include computer integrated manufacturing, fault diagnosis, signal processing.
ZHANG Hongli, born in 1985, Ph. D., lecturer. His research interests include intelligent fault diagnosis, pattern recognition.
LIU Shulin, born in 1963, Ph. D., professor. His research interests include complex equipment fault diagnosis.
Rolling bearing fault diagnosis based on visual heterogeneous feature fusion
YANG Hongbai1,2*, ZHANG Hongli2, LIU Shulin2
(1. School of Science and Technology, Shanghai Open University, Shanghai 200433,China;2. School of Mechatronic Engineering and Automation, Shanghai University,Shanghai 200072,China)
Aiming at the shortcomings of large feature set dimensionality, data redundancy and low fault recognition rate in existing fault diagnosis method based on simple combination of multi-classes features, a fault diagnosis method based on heterogeneous feature selection and fusion was proposed. The clustering characteristics of the feature data was analyzed according to the contours of the data of various class of features, and the redundant feature dimensions which are weakly clustered and not useful for fault classification were removed, only the feature dimensions with strong clustering characteristics were retained for the fault recognition. In the bearing fault diagnosis experiment, time-domain statistics and wavelet packet energy of fault signals were optimally selected and merged, and Back Propagation (BP) neural network was used for fault pattern recognition. The fault recognition rate reached 100%, which is significantly higher than that of the fault diagnosis method without feature selection and fusion. Experimental results show that the proposed method is easy to be implemented and can significantly improve the fault recognition rate.
heterogeneous feature; feature fusion; pattern recognition; fault diagnosis; rolling bearing
2016- 09- 19;
2016- 12- 22。 基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(51575331)。
楊洪柏(1972—),女,江蘇沭陽人,副教授,博士,主要研究方向:計(jì)算機(jī)集成制造、故障診斷、信號(hào)處理; 張宏利(1985—),男,山東臨沂人,講師,博士,主要研究方向:智能故障診斷、模式識(shí)別; 劉樹林(1963—),男,河北保定人,教授,博士,主要研究方向:復(fù)雜設(shè)備故障診斷。
1001- 9081(2017)04- 1207- 05
10.11772/j.issn.1001- 9081.2017.04.1207
TP391.4
A