一种基于机器学习的水泥生产旋转设备故障诊断方法
阅读说明：本技术 一种基于机器学习的水泥生产旋转设备故障诊断方法 (Cement production rotating equipment fault diagnosis method based on machine learning ) 是由 刘仁越 穆加会 张增吉 雍登明 李星 孙洋洋 刘威 于 2021-07-26 设计创作，主要内容包括：本发明包括一种基于机器学习的水泥生产旋转设备故障诊断方法,包括以下步骤：获取滚动轴承及齿轮的多种健康状况振动信号,形成振动信号样本数据；将轴承与齿轮的样本数据分别按一定比率划分为训练集及测试集；搭建并行神经网络与集成学习诊断模型；将训练集导入集成学习诊断模型进行训练；将测试集导入训练后的集成学习诊断模型,得出诊断结果。本发明搭建了一个并行神经网络与集成学习的复合诊断模型,能够弥补各个模型在独立诊断时的缺陷,保证在复杂工况下,诊断模型依旧能表现出良好的故障诊断能力。(The invention discloses a cement production rotary equipment fault diagnosis method based on machine learning, which comprises the following steps of: acquiring various health condition vibration signals of a rolling bearing and a gear to form vibration signal sample data; dividing sample data of the bearing and the gear into a training set and a testing set according to a certain ratio; building a parallel neural network and an integrated learning diagnosis model; importing the training set into an integrated learning diagnosis model for training; and importing the test set into the trained ensemble learning diagnosis model to obtain a diagnosis result. According to the invention, a composite diagnosis model of a parallel neural network and integrated learning is established, so that the defects of each model in independent diagnosis can be overcome, and the diagnosis model can still show good fault diagnosis capability under complex working conditions.)
技术领域
本发明涉及机械设备故障诊断检测技术，具体涉及一种基于机器学习的水泥 生产旋转设备故障诊断方法。
背景技术
如今，水泥已成为建筑行业不可或缺的原料。我国是个水泥需求大国，也是 水泥生产大国。水泥的生产包括生料制备环节、熟料煅烧环节、水泥制成环节， 以形成较为成熟的水泥生产线，每一个环节需多台机械设备参与生产。然而，在 实际水泥生产中，存在大量设备带病运行的情况，而且设备之间的关联性强，局 部设备故障易造成生产线的全线停车，从而产生严重的经济损失。在所有机械生 产设备中，旋转机械占有重要的地位，例如在水泥生产中在主要地位的立磨，回 转窑等都是旋转机械。而在旋转机械中，大约30％的故障是由滚动轴承的失效引 起的，齿轮箱的故障中，接近50％的故障原因则是由齿轮和轴承的故障引起。因 此，对旋转机械中滚动轴承和齿轮进行有效的故障诊断和监测，保障生产设备的 正常运转以及避免出现各种损失意义重大。
随着制造能力和科学技术的发展，水泥产业的设备越来越精密化、复杂化、 一体化。机械的故障停工，往往不是由于机械整体的损坏，而是某个关键零部件 的损坏，比如齿轮箱，轴承。虽然随着传感器技术的发展，容易获取大量的历史 数据，但是，水泥生产设备常常在变速变载等多工况下运行，这都将加大获取设 备振动信息的难度。传统的机器学习手段具备一定的特征提取能力，但处理多维 复杂大数据的能力不强，且常常因为数据的复杂导致最终准确率不稳定。而基于 深度学习的故障诊断虽然有较好的大数据处理能力(例如最常用的基于一维卷积 的故障诊断方法)，但当数据量不够大时，由于传统深度学习网络拥有大量可训 练参数，这将导致网络训练后欠拟合，导致模型准确率不足，且卷积网络对数据 全局特征提取能力欠佳，这也将限制模型准确率的提高。因而，本领域亟需提出 一种复合网络模型，以互补各个独立模型的不足，保证在复杂工况下，诊断模型 依旧能表现出良好的故障诊断能力。
发明内容
发明目的：本发明的目的在于提供一种能够实现在多个工况下，对轴承和齿 轮进行故障诊断时，依旧可以保证较高且稳定的准确率的基于机器学习的水泥生 产旋转设备故障诊断方法。
技术方案：本发明的基于机器学习的水泥生产旋转设备故障诊断方法，包括 以下步骤：
(1)获取滚动轴承及齿轮的多种健康状况振动信号，形成振动信号样本数 据；
(2)将轴承与齿轮样本数据分别按一定比率划分为训练集及测试集；
(3)搭建并行神经网络与集成学习诊断模型；
(4)将训练集导入集成学习诊断模型进行训练；
(5)将测试集导入训练后的集成学习诊断模型，得出诊断结果。
步骤(1)中，所述滚动轴承的多种健康状况振动信号具体为，在不同工况 下获取的健康状况和轴承内圈、滚动体、外圈的不同程度故障状况的振动信号； 其中，不同程度的故障指故障裂纹的直径不同，以模拟在多工况下轴承所产生的 振动信号。
步骤(1)中，所述齿轮的多种健康状况具体为，在不同转速和不同负载下 获取的健康状况和不同程度故障状况的振动信号，其中，不同程度的故障指齿轮 裂缝深度不同，以模拟在多工况下齿轮所产生的振动信号。
步骤(3)中，所述搭建并行神经网络与集成学习诊断模型具体包括以下步 骤：
(3.1)构建I1DCNN网络；
(3.2)搭建DNN网络；
(3.3)将善于提取数据局部特征的I1DCNN网络与善于提取数据全局特征的 DNN网络并行连接；
(3.4)搭建集成学习诊断模型，将步骤(3.3)输出的数据作为集成学习网 络模型的输入。
步骤(3.1)中，所述I1DCNN网络包括一个输入层，一个由两个卷积层组成 的特征提取层，以及一个输出层；在输出层中，使用全局平均池化层代替全连接 层。
步骤(3.2)中，所述DNN网络的特征输出层的数据结构与I1DCNN网络一致。
步骤(3.3)中，将I1DCNN网络与DNN网络并行连接的具体连接方式为:引 入特征融合层，将I1DCNN网络与DNN网络输出的特征数据进行融合。
步骤(3.4)中，所述集成学习诊断模型的具体搭建方式为：并联多个弱监 督学习模型，包括KNN,LDA,SVM,LR,DT,RF和GBDT，每个弱学习器均独立地对输 入信号进行诊断，最终通过相对多数投票和权重投票两种方式来选取诊断效果最 佳的学习器。
步骤(4)中，将训练集导入集成学习诊断模型进行训练具体包括以下步骤：
(4.1)将训练集数据进行切分后直接导入分支I1DCNN网络中进行训练，达 到训练要求后完成训练；
(4.2)将训练集数据进行切分后，首先采用VMD方法将振动信号分解为多 个IMF信号，然后提取每一个IMF函数的时域和频域统计特征，并将其拼接后导 入DNN网络进行训练，达到训练要求后完成训练；
(4.3)并行连接训练后的I1DCNN网络与DNN网络，并将训练集导入该并行 网络，利用并行网络的特征输出层输出的数据对集成学习诊断模型进行训练，达 到训练要求后完成训练。
有益效果：本发明与现有技术相比，其有益效果在于：(1)该方法搭建了一 个并行神经网络与集成学习的复合诊断模型，其中并行神经网络的一个分支为改 进的一维卷积网络I1DCNN，大大减少了网络的可训练参数，提高了网络在小数 据下的拟合能力；另一个分支为深度神经网络(DNN)，弥补了卷积网络在全局特 征提取能力上的不足；(2)集成学习网络集成了多个弱学习器，以并行神经网络 输出的特征数据作为模型的输入，从而避开了传统机器学习方法的不足，且在最 终诊断时，将采用相对多数投票和权重投票两种方式来选取诊断效果最好的学习 器，进一步保证了诊断的准确率及诊断的稳定性。
附图说明
图1为本发明的流程示意图；
图2为本发明中一维卷积神经网络I1DCNN的结构图；
图3为本发明中I1DCNN的全局平均池化层的结构原理图；
图4为本发明中并行神经网络与集成学习(I1DCNN+DNN+EL)的结构图；
图5为本发明中集成学习(EL)的结构原理图；
图6为在轴承测试集下所获得的不同方法的结果对比图；
图7为在齿轮测试集下所获得的不同方法的结果对比图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明的技术方案进行详细描述。
如图1所示，本发明的基于机器学习的水泥生产旋转设备故障诊断方法，主 要包括以下步骤：
(1)获取滚动轴承及齿轮多种健康状况的振动信号，将振动信号制定成样 本，并将样本划分为训练集及测试集，具体内容如下：
针对轴承数据集的获取，本案例使用公开的CWRU轴承数据集用于模拟水泥 生产设备轴承所产的振动信号，其中，获取的轴承样本数据为测试轴承在 0hp(1797r/min)、1hp(1772r/min)、2hp(1750r/min)和3hp(1730r/min)四种负 荷下所产生的振动信号，其中外圈故障的振动数据分别从电动机的扇端和驱动端 的3点钟方向、6点钟方向和12点钟方向上获取，制定的轴承数据样本个数为 16*200*4＝12,800个。
针对齿轮数据集的获取，搭建了一级减速齿轮箱试验台，用于模拟水泥生产 设备齿轮所产的振动信号，其中，实验采用的故障齿轮是人为通过电火花加工而 成，加工出的齿轮裂缝深度分为1/4裂缝、1/2裂缝和3/4裂缝，实验工况类别 包括五种不同的转速(分别是300、600、900、1200和1500rpm)和两种不同的负 载(分别是4Nm和8Nm)，从而得到十种不同的运行工况，试验台运行后，经由三 轴加速度传感器获取齿轮振动信号，然后将信号制定成样本。
(2)将轴承与齿轮的样本数据分别按7:3的比例划分为训练集及测试集； 其中，轴承数据集的分布如表1所示，齿轮数据集的具体分布如表2所示：
表1.轴承数据集分布情况
表1中，none表示无故障，Ball、IR、OR分别表示轴承的滚动体、内圈和 外圈，-3、-6、-12分别表示3、6、12点钟方向。
表2.齿轮数据集分布情况
(3)搭建并行神经网络与集成学习诊断模型，具体步骤如下：
(3.1)构建一种基于全局平均池化的改进一维卷积神经网络模型(I1DCNN)， 如图2所示，改进卷积神经网络结构包括一个输入层，一个特征提取层(由两个 卷积层组成)，以及一个输出层。在输出层中，使用全局平均池化层(如图3所示) 代替全连接层，与传统1DCNN相比，I1DCNN加快了网络的训练速度以及拟合能 力；
(3.2)搭建DNN网络，包含一个输入层，三个隐藏层，一个输出层，其中， 网络的输出层的数据结构与I1DCNN一致；
(3.3)将善于提取数据局部特征的I1DCNN与善于提取数据全局特征的DNN 进行并行连接，并行结构如图4所示，并行网络模型引入了特征融合层，将I1DCNN 与DNN输出的特征数据进行了融合，其中，模型参数如表3所示；
表3并行网络模型的具体参数
表3中Ks为卷积核尺寸，Kn为卷积核数量，strides为卷积核移动步幅， Max-Pooling为最大池化，S为池化运算覆盖尺寸。
(3.4)搭建集成学习诊断模型，模型结构如图5所示，并联多个弱监督学 习模型，包括KNN,LDA,SVM,LR,DT,RF和GBDT，每个弱学习器均独立地对 输入信号进行诊断，最终通过相对多数投票和权重投票两种方式来选取诊断效果 最好的学习器。
(4)将训练集导入诊断模型进行训练，具体步骤如下：
(4.1)将训练集数据进行切分后，直接作为I1DCNN的输入x；
(4.2)使用VMD对生成的振动数据集的每一个样本进行分解并获得多个IMF 函数，然后提取每一个IMF函数的时域和频域统计特征(包含9个频域统计特征 和十个时域统计特征)，然后通过拼接的方式获得新的样本特征并作为DNN网络 的输入数据x’；随机初始化神经网络的可学习参数(参数分别表示神经元之间的 权重ω和偏置b)；
(4.3)并行连接训练后的I1DCNN网络与DNN网络，使用训练集数据对并行 神经网络模型进行训练，并根据如下式子获得神经网络每一层的输出结果、然后 计算出并行神经网络的输出结果及Soft-max分类回归函数的损失值，再以最小 化公式作为并行网络模型训练的目标函数，对模型的各层神经元的可学习参数进 行更新；
式中的x表示振动信号，同时作为I1DCNN的输入数据,x′为DNN的输入数 据，fc,L-1和fd,L-1表示并行神经网络的两个分支I1DCNN和DNN的前向传播映射函 数，与表示I1DCNN和DNN的每一层中的可学习参数，则 为并行神经网络模型I1DCNN+DNN的特征融合层的参数，表示特征融 合层的输入与输出之间的映射函数关系，OL代表Soft-max分类函数的输出结 果。
不断重复步骤上述训练过程，直到满足预先对并行网络模型设定好的训练条 件为止，最终完成训练过程；
将训练好的并行神经网络模型作为一个特征提取器，学习原始输入数据的深 层抽象特征，用于训练不同的分类器，包括KNN,LDA,SVM,LR,DT,RF和GBDT， 并获得每一个独立分类器的输出结果，按照相对多数投票的原则确定多个分类器 输出的最终结果。
(5)将测试集数据导入已经训练好的集成学习诊断模型，得出诊断结果， 并对模型有效性进行评估，具体测试结果及评估方案如下：
确定好网络模型的参数后，将所提方法与组成该模型的局部结合网络进行对 比实验，用于对比实验的局部网络模型包含DNN、DNN+VMD、I1DCNN、I1DCNN+EL、 I1DCNN+DNN。为了防止实验结果的偶然性，每种方法均重复进行十次实验。
如图6所示，为轴承测试样本十次实验的诊断结果，每种方法的实验结果用 不同的颜色表示，从图可以直观的看出DNN在每次实验中表现最差，而文中所提 的方法I1DCNN+DNN+EL则在每次实验中均取得了最佳的表现，验证了该复合模型 的优越性。
如图7所示，为齿轮测试样本十次实验的诊断结果，从图中可以直观的看出， 在每一次实验结果中I1DCNN故障诊断效果较差，而且多次实验的识别精度不足 70％。DNN和I1DCNN+EL的实验结果次之，识别精度基本不足90％。相较而言， DNN+VMD和I1DCNN+DNN的故障诊断结果能都达到90％以上，表现较好，但依旧不 如文中所提的I1DCNN+DNN+EL故障诊断模型，验证了该复合模型的优越性。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种直驱永磁风电机组轴系设计用工具及设计方法