故障诊断中的数据建模与特征选择.docVIP

故障诊断中的数据建模与特征选择 　　摘要：机器学习方法在故障诊断领域得到了广泛的运用，通过对系统数据做出分析，在最快时间内发现异常并立刻做出反应。它的主要目标是设计算法并分析采样数据，使计算机能够实现“自我学习”的过程，进行适合研究对象的特征提取和特征选择，来预测未知数据的可能行为。本文结合现有文献，以传动轴为研究对象，对机械制造业中的故障诊断特征提取与特征选择过程进行了研究。文中列出了零部件故障诊断时域和频域主要使用的故障特征函数，并给出了特征提取与特征选择的流程和方法，使用BP（Back Propagation）神经网络算法进行基于数据的建模分析，结合数据模型，进行了适用于本次评估的特征参数提取和选择 关键词：故障诊断；数据建模；特征选择 中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）25-0207-03 1 介绍 基于数据建模的故障诊断，通过对异常的数据点来预测未知的故障情况，通过对故障情况的预估以及定位，可以及时预防并消除安全隐患。这种通过数据采样来进行判断和预测的方法在工业界，尤其是制造业和再制造领域中的需求逐渐上升。机器学习作为人工智能学科的一个分支，主通过对现有数据的归类和整合来建立适用的预测模型，从而对新的未知数据进行分类和预测[1]。在这个过程中原始的数据测量值很大程度上不能反映对象本质，并且很多高维的原始特征计算量大，样本分布稀疏不利于进行建模。因此需要分析各种能够代表研究对象特性的特征，并选出具有代表性的特征，这是整个建模与预测过程中非常关键的一个环节。通过有效特征来降低数据的维度，从而降低建模难度，提升模型的预测精度是进行有效数据建模的重要研究方向 本文的研究对象为损坏程度由浅至深的传动轴，同时也是机械系统中最容易出现故障并导致事故的部件之一。通过对其转动工作中AE（Acoustic Emission ）数据的采集和分析来进行建模，并对不同等级的故障进行预测。由于传动轴在工作过程中难免会受到大量其他部位振动的干扰，因此需要对采集的得到的数据进行合理的信号处理，从含有干扰信号的振动信号中提取有效的失效特征，实现故障的早期监测和评估。文中给出了在传感器技术领域中常用的故障特征，并对采集得到的原始信号进行了小波降噪。通过数据的建模过程最终选择了合适的特征，并给出了使用不同特征进行故障等级预测时的预测精度 2 基于数据模型的诊断过程与常用特征 2.1 基于数据建模的故障诊断流程 由于机械在运转的过程中将会产生大量的数据，如果单从传统的物理模型出发，无法快速地找出异常情况并做出安全性的评估。故此提出了基于数据的建模方法，在数据挖掘和数据分析的基础上进行安全评估和异常诊断。通常基于传统的行为和经验会给出对于下一步行为的大致预测，异常则定义为与这些预测不符的行为。从概率角度分析，假设表示为正常行为集合的概率密度估计，当一个行为集合概率密度函数时，定义这样的集合为正常行为。如图1所示，S1 和S2 表示正常的行为集合，而其他数据点如x1和x2，其概率密度估计小于假定值，则被定义为异常点，同样的属于S3区域的数据也为异常数据集合[2] 而基于数据的建模方法则是为了从大量的数据集合中找出这些异常的数据流动，从而达到故障诊断的目的。例如使用神经网络或模糊数学的方法来进行建模，通过对正常数据行为的记录和学习，来对总数据集合进行分类，从而得出异常的数据情况[3-4]。通常使用数据模型的安全评估技术应用于实时环境下，可以由数据迅速建立评估模型并且得出结论，图2给出了基于数据的评估模型建立流程。第一个阶段是实验设计阶段，通过相关实验来采集数据。第二个阶段需要对采集到的数据进行处理，通过实验采集得到的原始数据有时无法最好的表达所测物理量的物理特性，需要通过计算转换为具有更好特性的特征参数来进行表达，即特征选择和特征提取的阶段。通过对处理后的数据集合进行分析，可以得到最为有效的特征参数，这样才能保证建模的准确性。第三个阶段为评估模型的建立过程。将第二阶段所得到的特征参数作为模型的输入，对数据进行学习和训练进而产生分类和预测模型，通过测试数据的比较来分析模型的准确性和全面程度，最终得到对于异常情况的分类和预测结果 2.2 常用的特征参数 时域中最简单的特征参数为峰值，其定义为最大最小值差值的二分之一： 出现峰值的频段随着零部件故障等级的加深有明显的变化趋势[5]。另一常用的特征参数为均方根函数，它表示时变信号的取值变化规律，通常可以理解为数据的平均能量： 公式 （2）中，表示采集得到的数据数目。以上列举的两种特征参数均属于有量纲参数，他们的明显缺点在于随着实验剧烈程度改变而改变，比如运转速度的变化时其特征值变化明显，同时他们更加依赖于历史