基于故障敏感特征深度距离测度的传动系统故障检测方法

技术领域

本发明涉及锥齿轮状态监测领域，具体涉及一种基于故障敏感特征深度距离测度的传动系统故障检测方法。

背景技术

火炮、直升机、航空发动机等高端装备的传动系统健康状态监测对整机安全运行至关重要。现有的机械状态监测方法主要是从锥齿轮振动信号提取特征并设定安全阈值判断运行状态。但是所提选取的特征量不一定对故障状态敏感，在实际应用中很有可能出现虚警现象。除此之外，现有故障检测模型往往需要多个故障类别的数据，而在实际应用中很少有完备的故障数据库，限制了其在工业领域的应用。

发明内容

针对现有技术的不足，本发明提供了一种基于故障敏感特征深度距离测度的传动系统故障检测方法。采集正常和故障状态的振动信号并进行切片构造样本，对每个样本提取时域、频域特征组成样本特征集，随后计算特征类内和类间距离并定义筛选比例因子剔除对故障不敏感的特征，将正常的特征输入到Deep-SVDD(Deep Support Vector DataDescription，深度支持向量数据描述)单分类模型中进行训练，最终实现锥齿轮故障状态检测。

针对上述目的，本发明提出了以下技术路线：一种基于故障敏感特征深度距离测度的传动系统故障检测方法步骤如下：

步骤1，使用传感器采集传动系统中正常和故障状态锥齿轮的振动信号；

步骤2，对采集的所述振动信号进行时序分割构造样本集，提取每个样本时频域特征并组成一维特征行向量以构建样本特征集；

步骤3，计算特征类间和类内距离，特征类间和类内距离的比值为筛选因子，将敏感性大于筛选因子的特征保留，划分训练集均为正常样本，测试集为正常样本和故障样本的组合；

步骤4，将训练集输入到Deep-SVDD模型中训练学习正常样本的共有特征，确定超球体中心和半径并设定故障阈值；

步骤5，测试集输入到Deep-SVDD模型中得到特征向量，计算深度距离并与所述故障阈值进行对比以检测锥齿轮故障状态。

所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤2中，所述样本特征集包括16个时域特征和12个频域特征，其中时域特征包括绝对平均值、均方根值、均方值、方根幅值、峰值、峰峰值、方差、标准差、最大值、最小值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度和峭度，频域特征包括平均值、重心频率、频率方差、均方频率、均方根频率、频域偏斜度指标、频率幅值方差、频域峭度指标、频率标准差、频域歪度、频域峭度和平方根比率。

所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤3中，筛选因子为0.3，从28个特征中筛选20个故障特征表征样本状态，划分训练集为400个正常样本，测试集中包含四种故障类型，每种类型100个样本。

所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，其特征在于，步骤4中，Deep-SVDD模型训练包括以下步骤：

Deep-SVDD模型包括由线性层组成的自编码器模型，其中，激活函数设置为ReLU函数；Encoder网络中三层线性层维度为128，64，32，Decoder中三层线性层维度为32，64，128，隐层特征编码维度为32；将样本输入到自编码器中并以样本重构损失为目标函数训练网络，将编码器中的隐层特征均值设置为超球体球心c；

训练自编码器的Encoder网络，损失函数为：

其中R为超球体半径，n为训练样本的数量，r为数值在0到1的超参数，max{·，·}函数表示两者之间的最大值，φ(x

式中n

所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤5中，深度距离为测试样本输入到Encoder网络中输出的特征向量与中心点c之间的欧式距离；如果采集的样本特征输入到模型中所计算的深度距离连续三次超过预设故障阈值，则认为锥齿轮出现故障。

与现有技术相比，本发明通过计算类内类间距离定义筛选因子可以剔除对故障不敏感的特征，采用的Deep-SVDD模型无需故障数据训练即可在测试阶段判断锥齿轮故障状态。该方法不依赖专家知识，检测效率高，为后续维修决策提供基础。

附图说明

图1是本公开一个实施例提供的一种基于故障敏感特征深度距离测度的传动系统故障检测方法的流程图；

图2是本公开一个实施例提供的一种四种锥齿轮故障示意图；

图3是本公开一个实施例提供的所提取28个时频特征的敏感度因子示意图；

图4是本公开一个实施例提供经过特征筛选的测试集样本计算的深度距离和真实标签对比的示意图；

图5是本公开一个实施例提供没有经过特征筛选的测试集样本计算的深度距离和真实标签对比的示意图。

具体实施方式

为了更好地说明本申请的技术方案，以下将参照附图1至图5对本发明进行更详细的描述。需要强调的是，关于本发明实施方式的详细描述并非旨在限制保护要求本发明的范围，而是为了能够更加透彻地理解本发明，关于本发明的研究范围也不应该被这里的阐述所限制。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

一个实施例中，如图1所示，一种基于故障敏感特征深度距离测度的传动系统故障检测方法包括如下步骤：

第一步骤中，使用传感器采集传动系统中正常和故障状态锥齿轮的振动信号；锥齿轮故障类型包括：正常状态、齿面磨损、断齿和小端崩坏，采样频率设置为20480HZ。

第二步骤中，对采集的信号进行时序分割，其中正常样本数量为500，其余三种故障类型样本数量均为100，每个样本长度为1024；对每个样本提取28个时频域特征，时域特征包括绝对平均值、均方根值、均方值、方根幅值、峰值、峰峰值、方差、标准差、最大值、最小值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度和峭度，频域特征包括平均值、重心频率、频率方差、均方频率、均方根频率、频域偏斜度、频域幅值方差、频域峭度指标、频率标准差、频域歪度、频域峭度和平方根比率。

第三步骤中，计算每个特征的平均类内距离和平均类间距离，并定义筛选因子为两者的比值，具体步骤为：

首先定义H为样本集故障类别数，N为每类样本数量，M是特征维度，对样本在每个特征维度上进行最大-最小归一化，然后计算第h类的第m维特征的类内距A

式中，f

继续计算每个特征平均类内距离：

计算第h类第m维特征的类内距离均值：

进而得到每个特征平均类间距离：

最终得到每个特征的敏感性评估因子α

α

α

第四步骤中，采用Deep-SVDD单分类模型对训练集样本进行训练，训练具体步骤为：

设计由线性层组成的自编码器模型，其中，激活函数设置为ReLU函数；激活函数设置为ReLU函数；Encoder中三层线性层维度为128，64，32，Decoder中三层线性层维度为32，64，128，隐层特征编码维度为32；将样本输入到自编码器中并以重构损失为目标函数训练网络，将编码器中的隐层特征均值设置为超球体球心c。

接着训练自编码器的Encoder网络，损失函数为：

其中R为超球体半径，n为训练样本的数量，r为数值在0到1的超参数，max{·，·}函数表示两者之间的最大值，φ(x

式中n

第五步骤中，将测试样本输入到训练好的Encoder网络中，计算输出特征到球心的距离并与故障报警阈值进行对比。如果距离大于故障阈值，则可以认为该样本是故障状态，反之则认为锥齿轮处于正常状态。

在一个实施例中，所述锥齿轮故障类型包括：正常状态、齿面磨损、断齿和小端崩坏，采样频率为20480HZ，样本长度为1024。

在一个实施例中，特征提取器均为BP神经网络，首先预训练自编码器将隐层向量的均值设置为中心点c，接着训练自编码器的Encoder网络使得正常样本尽可能地接近中心点c。

在一个实施例中，Score为测试样本输入到Encoder网络中输出的特征向量与中心点c之间的距离。

图2展示了锥齿轮故障实验中所使用的四种故障类型的轴承，包括正常状态、齿面磨损、断齿和小端崩坏。

图3展示了提取的28个时频域特征对应的特征敏感因子；可以清楚看到，特征编号为11，12，13，14，15，23，24的8个特征对故障是不敏感的，因此本实例设置筛选因子为0.3剔除这8个特征。这8个特征具体为时域波形指标、时域峰值指标、时域脉冲指标、时域裕度指标、时域偏斜度、时域峭度、频域偏斜度和频域峭度。

图4展示了经过特征筛选后的样本特征集输入到Deep-SVDD网络中训练后模型的测试结果。图中Label为样本真实标签，0为正常状态，1为故障状态。编号为101到200的样本是断齿故障，编号为201到300样本的是齿面磨损故障，编号为301到400的样本是小段崩坏故障。Score为归一化的测试样本特征向量与超球体中心c的距离。为保证大部分正常样本在超球体内，本实例的故障阈值设置为0.21。可以看到，存在部分故障样本的特征被判断为正常。针对该问题，可以对连续采集的样本进行判断减少误判现象。具体来讲，讲实时采集的样本特征输入到模型中，所计算的深度距离连续三次超过预设故障阈值，则认为锥齿轮出现故障。阈值的设定可以根据实际需求进行调整。

图5展示了未经过特征筛选后的样本特征集输入到Deep-SVDD网络中训练后模型的测试结果，图例设置与图5一致。可以看到，对故障不敏感的特征对网络训练产生了影响，难以划定合理的故障阈值确定正常样本和故障样本。

以上仅为本公开较佳的实施例，并非因此限制本公开的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本公开说明书内容做出的等同替换和显而易见的变化所得到的方案，均应当包含在本公开的保护范围内。