CN115219197A - 一种轴承故障智能诊断方法、系统、介质、设备及终端 - Google Patents

Abstract

本发明属于轴承故障诊断技术领域，公开了一种轴承故障智能诊断方法、系统、介质、设备及终端，采集滚动轴承在不同健康状态下的原始振动信息，并利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；通过改进自训练半监督学习模型的方法进行有标签样本扩充，通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。本发明通过信号分解实现降噪和提高轴承故障信息信噪比的目的；利用改进自训练方法避免在实际工业生产中有标签样本不足而造成故障诊断准确率不足的问题，提升故障诊断准确率。

Description

一种轴承故障智能诊断方法、系统、介质、设备及终端

技术领域

本发明属于轴承故障诊断技术领域，尤其涉及一种轴承故障智能诊断方法、系统、介质、设备及终端。

背景技术

目前，旋转机械是现代工业系统中非常重要的一类工业设备，轴承作为旋转机械设备中应用最广泛、也是最容易发生损坏的部件，一旦发生故障，将造成巨大的经济损失和安全风险。传统的故障诊断方法依赖于专家经验和机理知识进行特征提取和模式判别，人工成本较高。伴随物联网和传感器技术的发展，工业制造进入大数据时代，随着两化融合的不断深入，开展轴承故障智能诊断，对于提高工业自动化、智能化水平具有十分重要的意义。

轴承的健康状态与其振动信号具有紧密的关联。振动信号通常具有非平稳、含噪声和低信噪比等特性，因而需要通过信号处理来更好地提高信噪比。目前常用的降噪方法有傅里叶变换、小波变换、经验模态分解、深度学习降噪等等。虽然这些方法在信号降噪上应用广泛，但都具有一定的局限性，如傅里叶变换只能对平稳信号进行分析，小波变换存在小波基函数选取问题，经验模态分解存在过包络、模态混叠等问题，深度学习虽然降噪效果和准确率比较好，但需要大量数据训练。2014年，Dragomiretskiy提出了一种全新的信号自适应分解方法--变分模态分解(Variational Mode Decomposition，VMD)，具有完备的数学理论基础来解决模态混叠和端点效应问题。王新对轴承振动信号进行VMD分解，并结合支持向量机(Support Vector Machines，SVM)对轴承进行故障诊断。王奉涛对轴承振动信号进行VMD分解，并结合K值优化实现早期故障识别。丁承君将VMD与深度卷积神经网络相结合的特征提取方法应用于轴承故障诊断，获得较高的准确率。李永琪对轴承振动信号进行VMD分解，使用参数优化来提取最优本征模态函数，之后进行特征提取并结合SVM实现轴承故障判别。

智能诊断方法通常使用机器学习或深度学习算法进行最终的故障分类识别。根据是否需要数据标签，机器学习算法可以分为监督学习、无监督学习和半监督学习。由于获取数据标签的代价通常较高或不可行，在实际工业场景下，大量数据都是无标签的。与监督学习或无监督学习相比，半监督学习算法可以同时利用有标签样本和无标签样本进行训练，用更小的标注代价获得性能更好、泛化性更高的模型，因而近年来吸引了学者们的广泛关注。庞新宇针对传统故障特征提取方法过于依赖经验判断的困难，提出了一种基于卷积对抗网络的半监督学习方法，提高了齿轮故障的检测准确率，但所提出半监督学习框架较为复杂，模型训练成本高。刘佳俊在半监督学习的框架下，针对传统方法的不足对协同训练和自训练方法进行改进，应用到高光谱图像识别当中，有效解决了训练样本标签不足的问题，同时具有较高的标记效率。为了在标签样本数量不足的情况下，提高模型准确率，夏火松利用集成学习来优化半监督学习，通过模型融合进一步提升故障诊断的准确率，但是该方法模型间融合较为简单，模型集成研究不够深入。因此，亟需设计一种新的轴承故障智能诊断方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统的旋转机械轴承故障诊断方法依赖于专家经验和机理知识进行特征提取和模式判别，人工成本较高。

(2)目前常用的降噪方法中，傅里叶变换只能对平稳信号进行分析，小波变换存在小波基函数选取问题，经验模态分解存在过包络、模态混叠等问题，深度学习需要大量数据训练，现有降噪方法均具有一定的局限性。

(3)现有轴承故障智能诊断方法中，半监督学习框架较为复杂，模型训练成本高；模型间融合较为简单，模型集成研究不够深入。

发明内容

针对现有技术存在的问题，本发明提供了一种轴承故障智能诊断方法、系统、介质、设备及终端，尤其涉及一种基于VMD和改进自训练半监督集成学习的旋转机械轴承故障智能诊断方法、系统、介质、设备及终端，旨在解决现有轴承故障诊断出现准确率不高、自动化和智能化水平不足的问题。

本发明是这样实现的，一种轴承故障智能诊断方法，所述轴承故障智能诊断方法包括：提出一种基于变分模态分解和改进自训练半监督集成学习的轴承故障智能诊断方法。首先利用VMD将原始振动信号分解成若干本征模态函数，然后利用相关系数准则筛选轴承故障特征频带从而提高信噪比，再进行时域特征提取，通过改进自训练半监督学习模型进行有标签样本扩充，最后基于Stacking集成学习建立轴承故障诊断模型。通过实验数据的验证，相比典型的有监督学习模型和其他对比模型，本发明所提方法能有效提取轴承故障特征信息，并利用大量无标签数据来提高模型准确率，可满足实际工业缺少有标签样本场景下的轴承故障智能诊断需求。

采集滚动轴承在不同健康状态下的原始振动信息，并利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；通过改进自训练半监督学习模型的方法进行有标签样本扩充，通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。

进一步，所述轴承故障智能诊断方法包括以下步骤：

步骤一，基于VMD的振动信号预处理：对原始轴承振动信号进行VMD分解，得到系列本征模态函数IMF，可以更好地筛选无关变量；

步骤二，基于相关系数的特征频带筛选：根据相关系数准则选择与原始信号相关系数较高的频带作为特征频带，对所有特征频带信号进行时域特征提取，组成建模数据集的特征向量，更好地提取故障信号的相关信息；

步骤三，基于改进自训练半监督学习的有标签样本扩充：根据改进的自训练方法进行有标签样本扩充，联合原始有标签样本和经过半监督分类器标记的样本，构建新的训练数据集，可以充分利用无标签样本中包含的信息来解决实际工业缺少有标签样本的状况；

步骤四，基于Stacking集成学习的轴承故障分类：使用新的训练数据集训练Stacking集成分类模型，实现轴承故障智能识别，使用集成学习来提高半监督学习的泛化误差，提高轴承故障智能诊断的准确性。

进一步，所述步骤一中的基于VMD的振动信号预处理包括：

所选滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据以及滚动体故障数据；利用VMD将原始轴承振动信号分解为8个本征模态函数，惩罚因子α＝2000，振动信号分解为若干本征模态分量。

进一步，所述步骤二中的基于相关系数的特征频带筛选包括：

选用相关系数准则剔除经过VMD分解后得到的IMF分量中的噪声分量以及与轴承故障相关性较弱的分量；

其中，cov(x,y)为x与y的协方差，Var(x)，Var(y)分别为x和y的方差；相关系数大于0.3则判定两个信号相关，相关系数越大则信号间的相关性越强。

进一步，所述步骤三中的基于改进自训练半监督学习的有标签样本扩充，包括：

在筛选高置信度的伪标签样本加入训练集后使用新数据集训练得到的分类器进行重复标记，直至伪标签不再变化为止；对筛选得到的频带，计算经典的时域统计特征，作为样本扩充的自变量；采用改进的自训练半监督学习方法进行有标签样本扩充，作为后续轴承故障诊断模型的训练集；其中，所述时域统计特征包括最大值、最小值、标准差、均方根值、峭度以及偏度。

进一步，所述步骤四中的基于Stacking集成学习的轴承故障分类包括：

Stacking集成学习模型为两层结构，第一层使用原始数据集来训练不同的基模型，组合各个模型的输出结果作为第二层的输入并在第二层继续训练，从而得到完整的Stacking训练模型。

采用两层Stacking结构，模型第一层使用5种经典模型RandomForest、AdaBoost、GradientBoosting、ExtraTrees以及SVM分别进行5次交叉验证，第二层使用LightGBM模型，训练得到最终故障分类器。

本发明的另一目的在于提供一种应用所述的轴承故障智能诊断方法的轴承故障智能诊断系统，所述轴承故障智能诊断系统包括：

振动信息采集模块，用于采集滚动轴承在不同健康状态下的原始振动信息；

振动信号预处理模块，用于利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；

特征频带筛选模块，用于利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；

有标签样本扩充模块，用于通过改进自训练半监督学习模型的方法进行有标签样本扩充；

轴承故障分类诊断模块，用于通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的轴承故障智能诊断方法。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的轴承故障智能诊断方法。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的轴承故障智能诊断系统。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明提供了一种基于VMD和改进自训练半监督集成学习的轴承故障智能诊断方法方法，首先利用变分模态分解对采集到的振动信号进行预处理，然后利用相关系数准则筛选特征频带分量，再进行特征提取，通过改进自训练半监督学习方法进行有标签样本扩充，最后通过Stacking集成算法建立轴承故障诊断模型，进一步降低半监督学习模型的泛化误差，实现轴承故障的可靠分类，解决了轴承故障诊断出现准确率不高、自动化和智能化水平不足的问题。

本发明使用滚动轴承在不同健康状态下的原始振动数据；首先利用VMD将原始振动信号分解成若干本征模态函数，然后利用相关系数准则筛选轴承故障特征频带从而提高信噪比，再进行时域特征提取，通过改进自训练半监督学习模型进行有标签样本扩充，最后基于Stacking集成学习建立轴承故障诊断模型。通过实验台数据的验证，相比典型的有监督学习模型和其他对比模型，本发明能有效提取轴承故障特征信息，并利用大量无标签数据来提高模型准确率，可满足实际工业缺少有标签样本场景下的轴承故障智能诊断需求。

本发明利用VMD将振动信号分解为若干本征模态分量，通过信号分解实现降噪和提高轴承故障信息信噪比的目的。本发明在筛选高置信度的伪标签样本加入训练集后并不从原始无标签数据中剔除，而是使用新数据集训练得到的分类器进行重复标记，直至伪标签不再变化为止，从而减少单次分类错误给训练过程持续造成的误差，进而提高模型准确率。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明与现有技术相比，还具有如下优点：

(1)本发明利用VMD分解将振动信号分解为若干本征模态分量，通过信号分解实现降噪和提高轴承故障信息信噪比的目的；选用相关系数准则来剔除经过VMD分解后得到的IMF分量中的噪声分量以及与轴承故障相关性较弱的分量，以进一步提高轴承故障信息的信噪比。

(2)本发明提出一种改进自训练方法，自训练方法是一种半监督学习方法，可以同时利用有标签样本和无标签样本进行训练，用更小的标注代价获得性能更好、泛化性更高的模型，可有效避免在实际工业生产中有标签样本不足而造成故障诊断准确率不足的问题。

(3)本发明通过引入Stacking集成学习方法来优化半监督学习，通过模型融合进一步提升故障诊断的准确率。

第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

(1)本发明的技术方案转化后的预期收益和商业价值为：

本发明能有效提取轴承故障特征信息，并利用大量无标签数据来提高模型准确率，可满足实际工业缺少有标签样本场景下的轴承故障智能诊断需求，并且可以获得较高的准确率。预期如果将本方法应用于实际旋转机械的问题中，可带来可观的预期收益。

(2)本发明的技术方案填补了国内外业内技术空白：

针对传统半监督自训练方法的固有缺点，提出重复标记的方法进行改进，有效克服传统方法的训练误差问题。

(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

本方案一定程度上解决了长期实际工业生产中有标签样本比较少的需求，半监督学习泛化能力差的问题。

(4)本发明的技术方案是否克服了技术偏见：

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的轴承故障智能诊断方法流程图；

图2是本发明实施例提供的轴承故障智能诊断方法原理图；

图3是本发明实施例提供的不同健康状态下振动信号时域波形图，图(a)为正常状态，图(b)为内圈故障，图(c)为外圈故障，图(d)为保持架故障；

图4是本发明实施例提供的VMD分解结果图；

图5是本发明实施例提供的不同有标签样本数目下模型准确率示意图；

图6是本发明实施例提供的不同特征频带筛选方法模型准确率示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种轴承故障智能诊断方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明实施例提供的轴承故障智能诊断方法包括以下步骤：

S101，基于VMD的振动信号预处理；

S102，基于相关系数的特征频带筛选；

S103，基于改进自训练半监督学习的有标签样本扩充；

S104，基于Stacking集成学习的轴承故障分类。

作为优选实施例，如图2所示，本发明实施例提供的轴承故障智能诊断方法具体包括以下步骤：

步骤1，基于VMD的振动信号预处理；

对原始轴承振动信号进行VMD分解，得到一系列本征模态函数(Intrinsic ModeFunction，IMF)。

步骤2，基于相关系数的特征频带筛选；

根据相关系数准则选择与原始信号相关系数较高的频带作为特征频带。对所有特征频带信号进行时域特征提取，组成建模数据集的特征向量。

步骤3，基于改进自训练半监督学习的有标签样本扩充；

根据改进的自训练方法进行有标签样本扩充，联合原始有标签样本和经过半监督分类器标记的样本，构建新的训练数据集。

步骤4，基于Stacking集成学习的轴承故障分类；

使用新的训练数据集训练Stacking集成分类模型，实现轴承故障智能识别。

本发明实施例提供的基于VMD的振动信号预处理具体为：

本发明实施例所选滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。利用VMD将原始轴承振动信号分解为8个本征模态函数，惩罚因子α＝2000。振动信号分解为若干本征模态分量，通过信号分解实现降噪和提高轴承故障信息信噪比的目的。

本发明实施例提供的基于相关系数的特征频带筛选具体为：

经VMD分解得到的IMF分量不仅包含原始信号中不同频带的有效信息，还包含噪声以及在分解过程中因为插值误差、边界效应和过分解等问题造成的无关信息，因此需要剔除这些噪声以及与轴承故障相关性较弱的信息。相关系数法是用来评判两个信号相关程度的一种常用方法，一般认为相关系数大于0.3则判定两个信号是相关的，相关系数越大则信号之间的相关性越强。

其中，cov(x,y)为x与y的协方差，Var(x)，Var(y)分别为x和y的方差。

本发明实施例选用相关系数准则来剔除经过VMD分解后得到的IMF分量中的噪声分量以及与轴承故障相关性较弱的分量，以进一步提高轴承故障信息的信噪比。

本发明实施例提供的基于改进自训练半监督学习的有标签样本扩充具体为：

针对传统自训练学习的问题，本发明提出一种改进策略，即在筛选高置信度的伪标签样本加入训练集后并不从原始无标签数据中剔除，而是使用新数据集训练得到的分类器进行重复标记，直至伪标签不再变化为止，从而减少单次分类错误给训练过程持续造成的误差，进而提高模型准确率。

本发明实施例对筛选得到的频带，计算经典的时域统计特征(包括最大值、最小值、标准差、均方根值、峭度、偏度)，作为样本扩充的自变量，之后采用改进的自训练半监督学习方法进行有标签样本扩充，作为后续轴承故障诊断模型的训练集。

本发明实施例提供的基于Stacking集成学习的轴承故障分类具体为：

Stacking集成学习模型一般为两层结构，首先第一层使用原始数据集来训练不同的基模型，然后组合各个模型的输出结果作为第二层的输入并在第二层继续训练，从而得到一个完整的Stacking训练模型。

本发明实施例采用两层Stacking结构，模型第一层使用了5种经典模型(RandomForest、AdaBoost、GradientBoosting、ExtraTrees、SVM)分别进行5次交叉验证，第二层使用LightGBM模型，训练得到最终故障分类器。

本发明实施例提供的轴承故障智能诊断系统包括：

振动信息采集模块，用于采集滚动轴承在不同健康状态下的原始振动信息；

振动信号预处理模块，用于利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；

特征频带筛选模块，用于利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；

有标签样本扩充模块，用于通过改进自训练半监督学习模型的方法进行有标签样本扩充；

轴承故障分类诊断模块，用于通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用施例。

在XJTU-SY的滚动轴承加速实验数据，共有3中不同工况。试验中采集了水平和竖直两个方向的振动信号，采样频率为25600Hz，采用间隔1min，每次采样32768点。试验共使用15个测试轴承，每个轴承都在对应的工况下运行到失效为止。

选取工况2的数据进行实验验证。通过改进的半监督自训练方法进行有标签样本扩充，利用集成学习来提高半监督学习的泛化误差，最后提高轴承智能故障诊断的准确率。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

本发明实施例中的数据为XJTU-SY的滚动轴承加速实验数据，本发明实施例提供的轴承故障智能诊断方法具体包括以下步骤：

步骤1，基于VMD的振动信号预处理；

本发明实施例使用XJTU-SY的滚动轴承加速实验数据进行实验。该实验平台由交流电动机、电动机转速控制器、测试轴承和支撑轴承等组成，可以开展轴承在不同工况下的加速寿命试验。试验中采集了水平和竖直两个方向的振动信号，采样频率为25600Hz，采用间隔1min，每次采样32768点。试验共使用15个测试轴承，每个轴承都在对应的工况下运行到失效为止。

本发明实施例所选滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。图3为轴承时域波形图。利用VMD将原始轴承振动信号分解为8个本征模态函数，惩罚因子α＝2000。以外圈故障为例，振动信号的VMD分解结果如图4所示。振动信号分解为若干本征模态分量，通过信号分解实现降噪和提高轴承故障信息信噪比的目的。

步骤2，基于相关系数的特征频带筛选；

经VMD分解得到的IMF分量不仅包含原始信号中不同频带的有效信息，还包含噪声以及在分解过程中因为插值误差、边界效应和过分解等问题造成的无关信息，因此需要剔除这些噪声以及与轴承故障相关性较弱的信息。相关系数法是用来评判两个信号相关程度的一种常用方法，一般认为相关系数大于0.3则判定两个信号是相关的，相关系数越大则信号之间的相关性越强。

其中，cov(x,y)为x与y的协方差，Var(x)，Var(y)分别为x和y的方差。

本发明实施例选用相关系数准则来剔除经过VMD分解后得到的IMF分量中的噪声分量以及与轴承故障相关性较弱的分量，以进一步提高轴承故障信息的信噪比。

步骤3，构基于改进自训练半监督学习的有标签样本扩充：

自训练学习的优点在于其自身是一种算法框架，任何一种有监督学习分类算法都可以通过引入无标签数据进行训练，同时不需要对有监督分类算法的内部算法流程做任何调整。具体步骤如下：首先用监督学习算法训练原有有标签数据，然后用训练所得的初始分类器对无标签样本进行预测，所得预测类别概率越大，代表分类取得的置信度越高。将置信度较高的样本从原始无标签样本中剔除，连同其分类伪标签一起加入到有标签的数据中，重新训练分类器，迭代训练直到无标签样本训练结束。

由上述过程可知，传统自训练模型有一个很大的缺点，即在迭代过程中，如果无标签样本预测类别错误，就会在后续的迭代过程中造成误差。

针对传统自训练学习的问题，本发明实施例提出一种改进策略，即在筛选高置信度的伪标签样本加入训练集后并不从原始无标签数据中剔除，而是使用新数据集训练得到的分类器进行重复标记，直至伪标签不再变化为止，从而减少单次分类错误给训练过程持续造成的误差，进而提高模型准确率。

本发明实施例对筛选得到的频带，计算经典的时域统计特征(包括最大值、最小值、标准差、均方根值、峭度、偏度)，作为样本扩充的自变量，之后采用改进的自训练半监督学习方法进行有标签样本扩充，作为后续轴承故障诊断模型的训练集。

步骤4，基于Stacking集成学习的轴承故障分类。

集成学习通过训练一系列基学习器，并将输出结果进行整合，从而获得比单个学习器更好的预测效果。集成学习算法主要包括Boosting、Bagging和Stacking三种，其中Stacking方法在改进预测准确率方面表现优异，近几年受到众多学者关注。Stacking集成学习模型一般为两层结构，首先第一层使用原始数据集来训练不同的基模型，然后组合各个模型的输出结果作为第二层的输入并在第二层继续训练，从而得到一个完整的Stacking训练模型。

本发明实施例采用两层Stacking结构，模型第一层使用了5种经典模型(RandomForest、AdaBoost、GradientBoosting、ExtraTrees、SVM)分别进行5次交叉验证，第二层使用LightGBM模型，训练得到最终故障分类器。

考虑到在实际工业生产中，大部分样本都为健康状态，而故障样本较难获得，因此在模型训练阶段人工降低故障样本的比例，具体实验中将正常和故障样本比例调整为正常：内圈：外圈：保持架＝4：1：1：1。本次试验数据集中样本总数为1400，随机将数据集划分为训练集和测试集，其中训练集样本共1100个，测试集样本共300个。为了验证本发明实施例所提方法在缺少有标签样本情景下的优越性，实验中逐步增加有标签样本的个数进行多轮测验，同时选择常用的有监督学习算法进行对比实验，并对改进后的自训练算法(使用SVM作为分类器)和集成学习的效果进行测验，最终结果如图5所示。

本发明实施例采用了基于相关系数的特征频带筛选准则，而对轴承而言，信号的冲击特征通常对轴承故障具有较高的灵敏度。因而接下来使用基于峭度的特征频带筛选准则以及不经过VMD分解的方法对本发明实施例所提改进模型进行进一步对比实验。正常轴承的振动信号近似服从正态分布，其峭度值约为3，而当轴承开始出现故障时，峭度值明显增大，因而选用3作为频带筛选的阈值，即仅保留峭度大于3的模态分量，实验结果如图6所示。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种轴承故障智能诊断方法，其特征在于，所述轴承故障智能诊断方法包括：

采集滚动轴承在不同健康状态下的原始振动信息，并利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；通过改进自训练半监督学习模型的方法进行有标签样本扩充，通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。

2.如权利要求1所述轴承故障智能诊断方法，其特征在于，所述轴承故障智能诊断方法包括以下步骤：

步骤一，基于VMD的振动信号预处理：对原始轴承振动信号进行VMD分解，得到系列本征模态函数IMF；

步骤二，基于相关系数的特征频带筛选：根据相关系数准则选择与原始信号相关系数较高的频带作为特征频带，对所有特征频带信号进行时域特征提取，组成建模数据集的特征向量；

步骤三，基于改进自训练半监督学习的有标签样本扩充：根据改进的自训练方法进行有标签样本扩充，联合原始有标签样本和经过半监督分类器标记的样本，构建新的训练数据集；

步骤四，基于Stacking集成学习的轴承故障分类：使用新的训练数据集训练Stacking集成分类模型，实现轴承故障智能识别。

3.如权利要求2所述轴承故障智能诊断方法，其特征在于，所述步骤一中的基于VMD的振动信号预处理包括：

所选滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据以及滚动体故障数据；利用VMD将原始轴承振动信号分解为8个本征模态函数，惩罚因子α＝2000，振动信号分解为若干本征模态分量。

4.如权利要求2所述轴承故障智能诊断方法，其特征在于，所述步骤二中的基于相关系数的特征频带筛选包括：

选用相关系数准则剔除经过VMD分解后得到的IMF分量中的噪声分量以及与轴承故障相关性较弱的分量；

其中，cov(x,y)为x与y的协方差，Var(x)，Var(y)分别为x和y的方差；相关系数大于0.3则判定两个信号相关，相关系数越大则信号间的相关性越强。

5.如权利要求2所述轴承故障智能诊断方法，其特征在于，所述步骤三中的基于改进自训练半监督学习的有标签样本扩充包括：

在筛选高置信度的伪标签样本加入训练集后使用新数据集训练得到的分类器进行重复标记，直至伪标签不再变化为止；对筛选得到的频带，计算经典的时域统计特征，作为样本扩充的自变量；采用改进的自训练半监督学习方法进行有标签样本扩充，作为后续轴承故障诊断模型的训练集；其中，所述时域统计特征包括最大值、最小值、标准差、均方根值、峭度以及偏度。

6.如权利要求2所述轴承故障智能诊断方法，其特征在于，所述步骤四中的基于Stacking集成学习的轴承故障分类包括：

Stacking集成学习模型为两层结构，第一层使用原始数据集来训练不同的基模型，组合各个模型的输出结果作为第二层的输入并在第二层继续训练，从而得到完整的Stacking训练模型；

采用两层Stacking结构，模型第一层使用5种经典模型RandomForest、AdaBoost、GradientBoosting、ExtraTrees以及SVM分别进行5次交叉验证，第二层使用LightGBM模型，训练得到最终故障分类器。

7.一种应用如权利要求1～6任意一项所述轴承故障智能诊断方法的轴承故障智能诊断系统，其特征在于，所述轴承故障智能诊断系统包括：

振动信息采集模块，用于采集滚动轴承在不同健康状态下的原始振动信息；

振动信号预处理模块，用于利用变分模态分解对采集到的原始振动信号进行预处理，将原始振动信号分解成若干本征模态函数；

特征频带筛选模块，用于利用相关系数准则筛选轴承故障特征频带分量，再进行时域特征提取；

有标签样本扩充模块，用于通过改进自训练半监督学习模型的方法进行有标签样本扩充；

轴承故障分类诊断模块，用于通过Stacking集成学习算法建立轴承故障诊断模型，利用轴承故障诊断模型实现轴承故障分类诊断。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述轴承故障智能诊断方法。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述轴承故障智能诊断方法。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述轴承故障智能诊断系统。

Images