[发明专利]一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法

说明书

本发明公开了一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法，包括如下步骤：获取轴承正常工作状态下的振动信号数据，组成轴承早期故障诊断训练数据集；对振动信号数据进行水平方向和垂直方向变换得到新的振动信号样本，将新的振动信号样本变换到子空间得到不同尺度的轴承信号样本。本发明通过数据增强技术将数据变换到多个子空间，在RDA算法框架下引入原型聚类方法提升特征的鲁棒性，构建鲁棒多尺度Deep‑SVDD超球模型，最后计算变换后的样本位于其各自子空间中的概率的乘积作为异常分数，实现故障的早期在线检测。本发明对早期故障更敏感，且检测结果稳定误报警少，鲁棒性好，显著提升了滚动轴承早期故障检测的性能。

技术领域

本发明涉及滚动轴承检测技术领域，具体来说，涉及一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法。

背景技术

滚动轴承是一种特殊的机械零部件，在工业生产过程中，对机械设备的运行以及可靠性具有决定性的影响，一旦轴承出现损伤等故障，将会对工业生产和人员财产造成重大损失。在轴承故障的初期阶段发现异常，并进行精确可靠的检测和诊断，有助于及时采取措施进行维护，避免出现重大事故，因此面向滚动轴承的早期故障检测是机械设备故障预测与健康管理(Prognostics and Health Management,PHM)的关键环节。

目前滚动轴承早期故障检测方法大致分为传统的基于信号分析的方法和基于机器学习的方法。基于信号分析的方法通常利用噪声消除、噪声利用等技术处理微弱信号，之后进行时频域分析，以提取和比较故障特征频率。这种方法可以从带有噪声的原始信号中提取早期故障信号并匹配早期故障的类型，但降噪方法本身存在削弱故障特征信息的缺点。同时这些基于时频域的方法无法做到自适应提取特征，进而导致轴承的早期检测能力较弱。近年来，随着人工智能的快速发展，基于机器学习的方法受到越来越多的关注。针对轴承的故障特征，建立冲击时频率字典，用短时匹配方法提取特征，并建立支持向量机模型识别特征信号。采用监督局部Fisher判别分析来降低特征维数，然后利用K近邻算法识别轴承早期故障状态。还提出了一种基于隐马尔可夫模型(Hidden Markov Model,HMM)的滚动轴承故障检测和诊断方案，该方法通过跟踪正常状态下预先训练的HMM的概率变化，以对滚动轴承的早期故障进行识别和检测。这类方法通常是利用初始阶段的部分正常状态数据建立单分类模型，或是利用已有正常状态样本构建异常判别标准，然而，由于轴承在正常运行状态中存在一定噪声，这类方法无法自动适应正常状态期因噪声而引起的数据不规则波动，因此容易产生误报警。

此外，近年来深度学习技术的兴起为故障特征提取提供了另一种有效的解决方案，目前已经成功应用于故障诊断领域。然而，根据调研，深度学习技术在早期故障检测问题上的研究目前尚处于起步阶段，利用深度神经网络(Deep Neural Networks,DNN)和基于长短时记忆(Long Short Term Memory,LSTM)网络构建在线数据分布估计器，通过计算估计器产生的预测偏差值来识别早期故障的发生位置。一种基于局部特征的双向门控递归单元(Gated Recurrent Unit,GRU)网络，针对不同的故障类型建立GRU决策模型，实现对早期故障的有效识别。还提出了一种基于自适应深特征匹配(Self-adaptive Deep Featurematching,SDFM)的滚动轴承早期故障在线检测方法。但是，由于早期故障比较微弱，使得具有判别性能的特征表示能力不佳，同时，由于在线应用场景的制约，可用目标轴承数据量有限，导致正常状态数据信息量不充分，使得在线检测模型难以构建准确的决策边界。

针对上述问题，如何实现滚动轴承的早期故障检测成为了人们急需解决的技术问题。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法，包括如下步骤：