[发明专利]基于CNN-Bagging的无人机轴承故障诊断方法

说明书

本发明公开了一种基于CNN‑Bagging的无人机轴承故障诊断方法，先采集轴承信号，再对轴承信号预处理，提取出时域信号和时频域信号；然后分别基于时域信号和时频域信号通过集成学习算法构建时域弱分类模和时频域弱分类模，最后通过时域弱分类模和时频域弱分类模预测出待检测无人机轴承信号的隶属概率值，从而实现无人机轴承故障诊断。

技术领域

本发明属于无人机系统的故障诊断技术领域，更为具体地讲，涉及一种基于CNN-Bagging集成学习的无人机轴承故障诊断方法。

背景技术

无人机技术日新月异，各式各样的无人机在军事领域发挥着巨大的作用。而航空发动机的轴承故障是引起无人机故障的主要因素，能够直接影响发动机的可靠性和健康状况。因此，无人机的轴承故障诊断是一个重要的研究课题。无人机轴承的故障形式多样，如何高精度的识别轴承故障类型对无人机系统的稳定性和可靠性有重要意义。除此之外，无人机飞行的空间姿态常导致的轴承受力环境多样，因此对诊断系统的泛化能力有较高要求。研究高精度和强泛化能力的故障诊断系统对无人机维护具有着重要意义。

故障诊断系统常需要对初始轴承故障信号预处理，信号的预处理是后续故障数据分析的基础，因此合适的故障信号预处理的研究具有重要意义。而目前存在的信息预处理方法如下：经验分解(EMD)、小波分析、变分模态分析等。其中EMD是递归筛选模式，这种递归筛选的方法对去噪的鲁棒性能一般，且不易于信号的收敛控制。小波分析去噪参数过多，去噪性能易受参数影响；变分模态分解(VMD)是一种信号分解并加权融合重构的方法，对于非稳性和信噪比低的信号去噪效果较为明显，因此本发明最终选择VMD作为信号预处理算法。

对于轴承的故障诊断模型，传统方法大多使用时域特征或者时频域特征，结合传统的机器学习算法，如支持向量机，贝叶斯分类算法，但是这些方法仅适用于小规模数据集，模型的学习能力有限且对样本敏感，容易过拟合。而无人机的机械设备监测数据通常是大规模海量数据，因此研究者逐步引入深度学习来进行故障诊断，如ANN、RNN和CNN。轴承振动信号通常表现出一定的结构性、周期性，大规模性，而ANN，RNN模型不具备尺度不变性，存在无法权重共享导致轴承故障识别精度不高的问题，相较之下，CNN则具有尺度不变性、较强的特征学习能力以及超强的海量数据处理能力，是轴承故障诊断较为理想的模型。

目前能表征故障的特征形式有很多，如幅度，相位，频率，时域信号，时频信号等等，由于时域特征包含信号中大量故障信息，时频特征则能通过时间频率关系较好的区分不同故障类型，因此主要使用时域特征和时频特征进行故障时别。

研究者通常将一维的振动时域信号输入CNN模型进行故障诊断，这种输入形式由于没有考虑信号故障内部的关联性而导致模型训练效率和故障诊断精度较低。针对此问题，本发明提出基于某个排列基数对信号进行结构化转换，形成网格输入形式，但是存在的问题是模型的精度易受基数影响。本文考虑不同故障类型在振动信号中表现出不同周期性，以故障周期作为上述排列基数对信号进行时间序列转换，得到时间序列矩阵更能表征各类故障的内部信息，同时也能提高CNN模型的训练速度。另一方面，时频特征的使用上，传统方法采用离线傅里叶变换提取时频特征，存在时间、频率定位不准的问题，本文选择连续小波变换的方法，通过可调节的时频窗口得到时频图像，使得时间、频率定位准确，能够较好的区分不同类型的轴承故障。