故障识别转子系统基于时频图像分类特征张量

文摘

领域的转子故障模式识别,最经典的模式识别方法通常运行在不同特征值的特征向量空间堆积成一维(1 d)向量,然后由分类器进行处理。在本文中,转子振动信号的时频图像表示为纹理特征张量的转子故障状态的模式识别线性支持higher-tensor机(SHTM)。首先,自适应optimal-kernel时频光谱图可视化独特的转子故障振动信号的特点;因此,转子故障识别转换成相应的时频图像(TFI)模式识别。其次,为了突出显示并保存TFI当地特性,提取的TFI分为一些TFI个层次纹理特性。之后,为了避免造成的信息损失和变形叠加多维特征向量,从一个多维特征转换为一个特征张量保留TFI固有的结构特征。最后,特征张量是输入的SHTM转子故障模式识别和相应的识别性能评估。分类的实验结果表明,该方法时频纹理特征张量可以达到更高的识别率和更好的鲁棒性与传统的基于矢量的分类器相比,尤其是在小样本的情况下尺寸。

1。介绍

转子系统作为一种重要的资产存在于广泛的工业应用及其故障识别,它的设计和使用是至关重要的。其振动信号通常用于检测健康状态减少灾难性的损坏和机器的停机时间。磁盘不平衡和共振是旋转机械振动的两个主要来源。振动由于这样的来源将会影响系统的关键部分,如轴承、齿轮、电机、海豹和耦合。磁盘不平衡是一个条件的质心旋转磁盘与旋转的中心不重合。不平衡转子系统中是不可避免的,不能完全消除。道路和莫汉蒂(1)说,由于一些原因如铸造、孔隙度不均匀密度的材料,制造公差,材料和损益在操作过程中,转子实际应用中永远无法完美的平衡。油膜失稳是一种常见的非线性故障在转子-轴承系统中,这可能给旋转机器带来严重的危害。刘等人。2]也一直致力于研究的转子轴承系统与不对称不稳定的行为惯性,通常的耦合效应引起的非线性油膜力,不平衡离心力,杂志旋转惯性力,转子重力,和其他外部负载。油膜复合故障的不稳定和不平衡,转子-轴承系统的振动信号收集展览阶段/频率耦合特性,不能直接用于识别转子健康状态基于传统的数据分析方法,如轨道肖像、FFT谱,cepstra和时频,或时间尺度分析(3]。

可靠性的提高,安全,和效率的技术流程、故障模式识别作为先进的监管工具在当前的产业,这不仅可以解放人类经验评估,还可以实现准确和及时的故障警告。一般来说,有两种主要故障模式识别的步骤:第一步是一些信号处理的特征提取方法,第二步是故障状态识别与人工智能技术的基础上,提取的特征。众所周知,时频光谱图可以看到独特的振动信号的特点,根据故障状态可以自动识别与时频图像识别技术(TFI)。由于振动信号的时频矩阵有一个很大的随机性和强烈的不规则性,它是不适合做直接的识别故障状态与普通图像识别方法,如句法识别方法(4),模板匹配方法(5),和几何变换方法(6在实际故障诊断。人工智能技术是一个不错的选择,实现故障的自动识别条件,防止操作员观察的主观误差。TFI智能识别通常集中在如何提取有用的特性特征光谱图的图像。许多类型的图像功能,如矩不变量(7),灰色统计特征,纹理特征(8),和差分计盒分形维数9),通常是提取的TFI autorecognition。大多数的这些代表TFI的全球信息提取功能。但对于转子系统振动信号的故障状态,特征信号分量集中在一些地方区域TFI TFI将导致非均匀分布的特征。TFI的全球特征提取将提供一些不可靠的识别结果平均自真正的故障特征。有用的信息丢失,减少故障识别的准确性。

为了使全球特征提取的信息损失,有必要段TFI分割和在不同的频段进行特征提取。即,每个频带地区分别加工提取相应的特征。领域的故障状态模式识别,机器学习的多维特性通常转换为矢量表示法,然后由古典学习算法处理操作与向量。虽然有很多方法多维数据进行向量化,它已被观察到,这些操作通常会导致重大损失的重要信息,因为一些值是在当地附近成为不同的安排如果数据任意线性化到一个向量(10]。和有必要减少时频特征的维度适当大小和一些降维技术等因素分析,主成分分析、独立成分分析和奇异值分解(11- - - - - -13]。但这些降维技术受到overdecomposition或不完整的问题分解可能扭曲特性相关性,增加建筑的复杂性和故障分类器,甚至导致错误的分类结果。一句话,尽管这些可行的方法在向量操作空间,他们没有完全开发的TFI特征。

本文介绍了特征张量描述的TFI转子振动信号,它可以保持不同频段之间的关联信息,TFI的完整性。然而,由于所谓的诅咒维度和小尺寸问题,支持向量机不能有效地处理张量对象。TFIs的张量特性,线性支持higher-tensor机(SHTM)是作为一个张量转子故障识别的分类器。SHTM是多重线性构造学习模型通过扩展支持向量机学习框架构造的张量模式(14]。提出了监督学习框架通过应用张量的方法的组合凸优化和多重线性算子(15]。实验结果显示,该方法的分类时频图像特征张量可以更准确地识别转子故障相比,传统的特征向量分类器。本文的其余部分组织如下。部分2提供的引入自适应optimal-kernel分布。部分3给出了纹理分析进行灰度同现矩阵应用灰度共生矩阵建立(TFI)。部分4提供了线性理论支持高阶张量multiclassification机器。部分5说明了提出方法的流程图。实验结果,讨论和分析了部分6。结论给出了部分7。

2。自适应Optimal-Kernel时频分布和TFI分割

自适应optimal-kernel(极好的)时频变换是一个合适的工具来获得振动信号的时频图像的旋转机器。极好的时频分布可以同时保护好决议在时间和频率交叉项干扰较小。它是表示为 分析信号指出是哪里,是模糊度函数,是一个二维径向高斯核函数在模糊域表现作为一个低通滤波器。optimal-kernel函数可以通过最小化autoterm失真通过autoterm能源尽可能固定体积的内核,以抑制交叉项。用于转子振动信号进行分析,分析结果表示256年的TFI灰色的水平。基于TFIs,如何正确分类的振动信号对应于转子的状态是一个典型的模式识别问题。在TFI太多像素的观点,有必要将TFI转换为预期的低维特征空间,保持TFI尽可能多的信息。

全球统计整个TFI不能描述信号的局部细节。故障特征分量通常集中在某些频段的TFI,不像TFI的噪声分布在整个平面。为了得到更多细节故障特征分量,TFI分为一些频带区域,如图所示 在哪里TFI分段块和数量吗是频段块。结构描述符是在每个块中提取,而不是从整个TFI。

3所示。纹理特征提取

TFIs,智能模式识别的关键是提取有效的特征,可以准确地捕捉转子系统的故障信息。纹理的基本特性之一TFI具有明确意义代表转子振动信号中的故障信息,可以很容易地计算。纹理特征可以描述颜色的空间变化情况,稳步的分级或精细结构,和形状的图像具有良好的旋转不变性和抗干扰能力16,17]。纹理分析使用统计技术应用灰度共生矩阵建立的基础上,利用灰度空间相关,首先构造一个同现矩阵根据方向和距离图像像素,然后从同现矩阵中提取有意义的统计数据作为图像纹理特征。

与灰度矩阵的图像,它的水平和垂直方向和像素,分别。鉴于,,作为定量灰度组,图像可以表示为。灰度同现矩阵提出了一种对像素上方向,水平距离像素,垂直距离像素,每个灰度值的概率和,分别。它可以表示为,这是灰度同现矩阵的元素。写如下: 在哪里组的元素数量吗。当是归一化 在哪里是归一化常数之和元素。六个典型纹理特征可以从灰度提取同现矩阵如下所示,表示,分别。(1)角二阶矩(ASM)或称为能量被用来衡量图像灰度的均匀性,它可以编写如下: (2)逆(IDM)是不同的时刻 (3)对比(CON)反映了图像纹理的清晰程度;粗糙的纹理惯性小,质地细腻大惯性;它是代表如下: (4)相关性(软木)是用来描述矩阵行元素或列元素之间的相似度。这是一个灰色线性测量。 在那里,和的平均值和标准偏差(和(。(5)方差(VAR)的平方和 在哪里的平均值。(6)熵(ENT)显示了图像纹理的混乱程度。图像纹理的一致性越高,熵就越大;否则,图像纹理无序程度越高,熵越小

4所示。线性Multiclassification支持高阶张量机

张量表示的优势保持内在结构的数据集,如维度之间的关系在同一顺序和维度的关系在不同的订单。由于所谓的诅咒维度和小样本大小问题,基于向量空间的SVM模型不能直接处理张量模式。所以SHTM基于支持向量机和张量排序分解应用于TVM转子故障状态的多维特性进行分类。SHTM克服局部极小的缺点问题,非凸优化问题在传统监督学习框架。张量

给定一个训练集对样品,在那里输入数据和吗是相应的类标签的,SHTM二进制分类模型在以下: 在哪里W超平面的张量体重,是偏见,是错误的th训练样本,是分类和错误分类误差之间的权衡。拉格朗日函数的优化问题(11),注意到,让偏导数运算关于,,分别是0;我们的优化问题(11)如下: 在哪里拉格朗日乘数法和内的产品吗和。

我们的排名一分解和是和分别;然后的内积和计算如下:

用(14)(12),然后测试的类标签的例子预计如下: 在哪里和rand-one分解的元素吗和,分别。所以正常的超平面可以表示为张量空间中训练样本的线性组合。

就像海尔集团SVM的分类问题,one-against-one支持张量机需要构造二进制分类SHTM模型,其中每个训练两个类的数据点。的类标签一个测试的例子可以预测通过多数投票策略;即计票考虑所有的二元分类器的输出。如果属于th类,然后th类得到一票;否则,th类得到一票;标签是由类得票最多的。SHTM与SVM的差异如下:(1)支持向量机部队一个张量成向量作为输入,而SHTM采用一个更紧凑的张量表示,也就是说,一阶张量作为输入,这不仅有能力捕捉结构信息的功能,但也避免了所谓的诅咒向量的维数和小样本问题分类的支持向量机。(2)基于矢量的SVM算法的决策函数在线性形式并确定权向量和偏差超平面的向量空间,虽然SHTM算法的决策函数在多重线性形式和张量取决于重量W和张量空间的超平面的偏差。更方便地构造一个最大可分分类器两类或变换张量数据分离与张量分解和特征空间变换。(3)当训练点的数量相对较少,很容易表现出过度拟合现象的处理支持向量机学习,因为很难减少基于矢量的机器学习方法的参数向量。但是,SHTM,参数的数量可以减少参数张量和低等级的分解替代技术,以避免过度拟合现象在高维度和小样本大小。(4)一组张量的样品,支持向量机要求内存空间,而SHTM只需要内存空间,的秩张量输入。支持向量机的计算复杂度;SHTM的计算复杂度。很明显,比SVM SHTM效率更高。

5。该方法

如前所述,转子故障可能会丢失一些有用的特征信息在全球TFT的统一计算纹理特性。纹理特征提取在每个子区域的TFI分段频带。这些特性在不同的频段地区形成一个多维数组。机器学习的多维特性通常是首先转换为矢量表示法,然后由古典学习算法处理操作与向量。然而,这样的multi-to-one-dimensional转换通常导致丢失重要的信息。所以形成的特点是一个张量保留数据维度的复杂结构。特征张量可以捕获结构信息的纹理特征值之间的关系在不同的频段。它一直在澄清的部分3SHTM是张量模式的标准线性支持向量机的推广到张量空间和有效的分类特征张量。因此,张量一阶张量分解是在功能上执行处理的SHTM转子故障分类的状态。该方法与解释以下步骤。

步骤1。采集的振动信号转子-轴承系统在正常和故障条件。

步骤2。执行每个振动信号的时频变换样本,和时频分布可以获得和表达为相应的TFIs。

步骤3。最优段每个TFI作为频带区子图象,。

步骤4。过程TFI区应用灰度共生矩阵建立灰度,及其计算,。应用灰度共生矩阵建立纹理特征计算每个,形成特征向量,。代表了th的纹理特征。

步骤5。为了保持数据维数和允许处理的复杂的结构,纹理特征表示为一种合成特征张量所示(16根据频段块的序列)。 在这里是二阶张量的SHTM输入。

步骤6。针对频率成分的空间分布特征,纹理特征的绝对价值不能有效反映TFI块之间的差异。促进公平的比较,每一列的值是归一化;也就是说,;归一化特征张量是得到。

步骤7。归一化特征张量(注意是)分解成等级1张量。的1级分解为是找到输出向量和()。和()。的初始值,,,设置,和规范化,。假设 在哪里分解控制阈值,和会的输出1级分解。否则,,和重复(17)。

步骤8。同样的,等级1张量的训练样本获得。的内积和是计算 用(18)(12),序列最小优化算法寻找最优SHTM权衡参数。

步骤9。基于内积(18),根据获得的转子状态分类结果是(15),其分类精度评价和比较。

6。在转子系统故障识别中的应用

图1显示了实验设置用于这项工作。试验装置由电机、显示在右边的照片,驾驶刚性圆柱轴由两个圆柱径向轴承,支承轴颈轴承的右端附近的驱动电动机和一个油膜在左端轴颈轴承模拟油膜不稳定的缺点。两个光盘安装在轴上,用一两个轴承之间的变化和其他附近的油膜轴承。轴直径不均匀在直径不同,但是有两个部分。一个短的部分直径24毫米的旋转左轴承油膜特性和40毫米的长度,仅略超过轴承的长度。剩下的轴的直径12毫米和480毫米的长度有其另一端旋转在正确的支持轴承。两个接近涡流传感器安装,如图,圆盘中心的权利,测量水平和垂直振动的转子位置。在实验中,一个小质量是附加在转盘来模拟一个不平衡的状态。使用描述的实验台,实验在不同的旋转速度与各种人为的模拟故障进行验证该方法的实际有效性。数据采样频率为2048赫兹。 The experiment details are listed in Table1。

考虑到不同转子轴承状态,完全有8运行状态。此外,每个转子状态对应的数据也同样分为两个部分:一个用于引用数据,另一个用于测试数据。此外,对于每个转子状态,参考和测试数据再次划分为一些相等的时间间隔subsignals时间0.8秒。完全有400 8轴承振动数据训练,大约50为每个状态振动信号。在时频分析以后,约有50名TFIs为每个国家。

首先,极好的时频变换是对每个样本进行。图2描绘了极好的转子振动信号的分布在不同的州。TFIs 3000转速有或没有不平衡质量非常相似,如图2 (b)和2 (f)的主要频率成分几乎是相同的。同样的情况发生在人物2(一个),2 (e),2 (c),2 (g)。因此,它是不容易识别转子直接根据TFIs州。是非常重要的执行定量分析准确TFI模式分类。

每个TFI划分为5个区域()以同样的频带200 Hz。应用灰度共生矩阵建立的计算为每个地区。基于得到相应的纹理特征向量,表示,(),分别介绍了ASM, IDM,案子,软木,VAR, ENT TFI地区在频带。现在每个条件下的频率成分之间的差异,是安排在频带的序列构造张吗。一个公平的比较,每个纹理特征的列向量归一化,分别。为了清楚地显示特性的差异在八个转子,纹理特征张量是映射到晶格的颜色。图3提供了四个人的特征张量信号从每个州选择样本集结构张量。很明显,相同类型的转子状态的张量特性非常相似,但对不同的故障类型颜色晶格中存在明显的差异。因此,张量有很好的聚类和分类的特性,它可以有效地代表转子工作条件和被用来做故障状态识别。

归一化特征张量放入SHTM分类。8转子状态的分类结果如表所示2。表2说明,当SHTM特性使用张量作为输入,8种转子状态样本可以有效的区分。与张量特性在美国“(b)”;“(c)”;“(g)”;和“(h)”(表示如表1)SHTM展示最好的结果和识别率达到100%。识别的“(一)”,“(b)”,“(e)”和“(f)”状态是99.48%,97.81,99.73%,和98.95%,分别。总识别率为99.5%。分类结果表明,转子条件可以有效地描述使用结构张量和SHTM准确识别。

为了研究该方法的鲁棒性的选择TF变换,分类精度基于短时傅里叶变换(STFT) S-transform (s - t),连续小波变换(CWT),和极好的在不同段数比较图4。很明显在图4识别率,无论段数,用不同的时频分布与足够的训练样本非常接近。相对而言,极好的时频变换具有良好稳定的分类即使小样本数据。也就是说,该方法具有良好的鲁棒性选择的时频分布。

同时,为了研究段数字分类准确性的影响,国家认可率不同细分的情况下互相比较,如图5。根据图5有足够的训练样本,识别利率几乎是相同的值的方法分割的所有病例的100%。在大样本大小的情况下,该方法是健壮的TFI的段数。在小样本的情况下低于60,最优分段数是5,和相应的与30个训练样本识别率达到99.96%。一般来说,段数量的TFI具有良好的鲁棒性,转子系统的故障模式识别。

进一步评价该方法的性能,我们也使用相同的训练和测试样本进行SVM和BP神经网络识别测试在不同的TF分割。分类的支持向量机和英国石油公司在多个段,输入特征向量是由每个TFI次区域堆积的纹理特征。每一个分类器的性能比较图6,(1,4,5)表示数量段的数量和“数量与标识符”表示分类器的相应的段数。段数设置为1时,全球TFI的纹理特征提取。从图6的精度曲线”和STM”完全是高于其他曲线和曲线非常接近“和STM。“很明显,功能tensor-based SHTM执行比vectors-based BP或SVM。的曲线和英国石油公司”和“1和SVM“完全低于其他曲线。验证,使用层次结构张量大大提高分类精度而使用全局特性。

7所示。结论

在本文中,一种新颖的转子系统故障模式识别方法提出了基于SHTM和时频层次纹理特征张量。本文的贡献包括以下:(1)为了保持特遣部队之间的相关性和相互依存特征在不同的频段,执行层次特征提取的TFI片段在不同的频段。每个频带的特征分别提取和区别对待。层次特征提取可以有效地减少负干扰效果与其他谐波组件或强烈的噪音,使故障特征是主要的。(2)为了避免信息丢失和失真vectorizing TFT的层次结构特点,从每个TFI块特征向量构造成一个特征张量的频带分割序列。的代表性特征张量充分利用丰富的TFI信息和解决“维数的诅咒”问题的叠加向量分类(3)SHTM为张量的模式识别分类器引入轴承故障状态,可有效利用的特点功能在多个模式从带间的相关性和冗余。实验结果表明,张量分类器性能大大优于传统的基于矢量的转子故障模式识别分类器,尤其是在小样本的情况下。

一句话,转子系统的状态识别方法可以获得高故障模式识别的速度,好鲁棒性的选择时频变换,和TFT段的数量。这个有前途的方法将有助于机器工况监测和故障诊断。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作是国家自然科学基金项目(51475052和51475052号),中央大学基础研究基金(没有。106112016 cdjzr115502),中国博士后科学基金会(2016 t90833和2015 m582519号)。

引用

1. a . k .道路和a·r·莫汉蒂”,基于模型的故障诊断转子-轴承系统的偏差和不平衡在稳态条件下,“杂志的声音和振动,卷327,不。3 - 5,604 - 622年,2009页。视图:出版商的网站|谷歌学术搜索
2. x Liu l . Bo, h·罗,“平滑局部定向循环自相关和应用在油膜不稳定分析中,“杂志的声音和振动卷,368年,第201 - 191页,2016年。视图:出版商的网站|谷歌学术搜索
3. 刘x l . Bo:“识别转子-轴承系统的共振状态使用RQA和最优二叉树支持向量机,”Neurocomputing卷。152年,36-44,2015页。视图:出版商的网站|谷歌学术搜索
4. g·巴德尔和b·j·欧门”句法模式识别优化使用试和基于ai启发式搜索策略,”IEEE系统,人,控制论,B部分:控制论,36卷,不。3、611 - 622年,2006页。视图:出版商的网站|谷歌学术搜索
5. 美国Omachi和m . Omachi”与多项式快速模板匹配,”IEEE图像处理,16卷,不。8,2139 - 2149年,2007页。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. m·霍尔顿“回顾几何转换为非刚性的身体登记”IEEE医学成像,27卷,不。1,第128 - 111页,2008。视图:出版商的网站|谷歌学术搜索
7. M.-K。,“视觉模式识别的不变矩,”愤怒的交易信息理论,8卷,不。2、179 - 187年,1962页。视图:出版商的网站|谷歌学术搜索
8. a . Baraldi和f . Parmiggiani”调查的结构特征与灰度同现矩阵统计参数,“IEEE地球科学和遥感,33卷,不。2、293 - 304年,1995页。视图:出版商的网站|谷歌学术搜索
9. n Sarkar比比乔杜里,“一个有效的差分计盒方法来计算图像的分形维数,“IEEE系统,人与控制论,24卷,不。1,第120 - 115页,1994。视图:出版商的网站|谷歌学术搜索
10. b . Li p.l.。张,D.-S。刘,s。Mi, G.-Q。任,h .田”,为滚动轴承故障诊断特征提取利用广义S变换和二维非负矩阵分解,“杂志的声音和振动,卷330,不。10日,2388 - 2399年,2011页。视图:出版商的网站|谷歌学术搜索
11. 李,s。Mi, P.-Y。刘,Z.-J。王”,使用改进的形态学模式谱时频表示的分类引擎故障诊断,”杂志的声音和振动,卷332,不。13日,3329 - 3337年,2013页。视图:出版商的网站|谷歌学术搜索
12. c . Wang, y,和z中,“柴油阀列车故障诊断基于时频图像,”机械系统和信号处理,22卷,不。8,1981 - 1993年,2008页。视图:出版商的网站|谷歌学术搜索
13. 朱问:王,y, y, j .杨”故障诊断基于非负的时频图像分解和神经网络集成的,”程序的国际联合会议上神经网络(IJCNN 08年),页607 - 614,香港,中国,2008年6月。视图:出版商的网站|谷歌学术搜索
14. t·郭l .汉l .他和杨x,”的遗传特征选择和参数优化的线性支持高阶张量机”Neurocomputing卷,144年,第416 - 408页,2014年。视图:出版商的网站|谷歌学术搜索
15. b z, l .他。陈,x,”一个线性分类,支持高阶张量机”IEEE图像处理,22卷,不。7,2911 - 2920年,2013页。视图:出版商的网站|谷歌学术搜索
16. h (s . Mori, t . Yamawaki“结构对应于视觉感知特性,”IEEE系统,人与控制论,8卷,不。6,460 - 473年,1978页。视图:出版商的网站|谷歌学术搜索
17. h . Lategahn s总值、t . Stehle和t . Aach”纹理分类建模的联合分布的地方与高斯混合模式,”IEEE图像处理,19卷,不。6,1548 - 1557年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2017回族李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。