您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2019, Vol. 49 ›› Issue (2): 80-87, 95.doi: 10.6040/j.issn.1672-3961.0.2018.268

• 机器学习与数据挖掘 • 上一篇    下一篇

轴承故障诊断中特征选取技术

汪嘉晨1(),唐向红1,2,3,*(),陆见光1,2,3   

  1. 1. 贵州大学现代制造技术教育部重点实验室,贵州 贵阳 550025
    2. 贵州大学机械工程学院,贵州 贵阳 550025
    3. 贵州大学公共大数据国家重点实验室,贵州 贵阳 550025
  • 收稿日期:2018-08-03 出版日期:2019-04-20 发布日期:2019-04-19
  • 通讯作者: 唐向红 E-mail:wangjiachen512@qq.com;xhtang@gzu.edu.cn
  • 作者简介:汪嘉晨(1991—),男,陕西西安人,硕士研究生,研究方向为机器学习.E-mail: wangjiachen512@qq.com
  • 基金资助:
    贵州省公共大数据重点实验室开放基金资助项目(2017BDKFJJ019);贵州大学引进人才基金资助项目(贵大人基合字(2016)13号)

Research onfeature selection technology in bearing fault diagnosis

Jiachen WANG1(),Xianghong TANG1,2,3,*(),Jianguang LU1,2,3   

  1. 1. Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang 550025, Guizhou, China
    2. School of Mechanical Engineering, Guizhou University, Guiyang 550025, Guizhou China
    3. State Key Laboratory of Public Big Data, Guizhou University, Guiyang 550025, Guizhou China
  • Received:2018-08-03 Online:2019-04-20 Published:2019-04-19
  • Contact: Xianghong TANG E-mail:wangjiachen512@qq.com;xhtang@gzu.edu.cn
  • Supported by:
    贵州省公共大数据重点实验室开放基金资助项目(2017BDKFJJ019);贵州大学引进人才基金资助项目(贵大人基合字(2016)13号)

摘要:

针对轴承故障诊断建模中如何通过筛选有效特征提高模型诊断准确率的问题,提出一种新的特征选取方法。在计算所得特征集合中,利用诊断模型直接对特征进行判断,将高于阈值的诊断准确率对应的特征(组合)选取为显著特征,以显著特征导向选取方式,找到候选特征集合中维度低、诊断准确率高的特征。试验结果表明,本研究提出的方法可筛选出有效特征,降低模型参数、减少样本需求量、提高模型准确率,提升了故障诊断的效率。

关键词: 滚动轴承, 故障诊断, 显著特征, 显著特征组合, 特征选择

Abstract:

A new method based on feature selection (FS) was proposed to select efficient features to promote the classification accuracy in bearing fault diagnosis. First, the outstanding features whose classification accuracy were higher than the threshold were directly selected by diagnosis model from a big feature set. Then the significant combinations of features which had less dimensions and higher classification accuracy were selected in the candidate feature set by a distinctive feature-oriented manner. Experiments showed that the proposed method had advantages in selecting efficient features, reducing the model parameters, decreasing the demand of samples and enhancing the model classification accuracy. As a result, it provided a new idea for feature selection and improved the efficiency of bearing fault diagnosis.

Key words: rolling bearing, fault diagnosis, outstanding features, outstanding features combination, feature selection

中图分类号: 

  • TP391.4

图1

显著特征组合示意图"

图2

CWRU轴承试验平台"

表1

CRWU样本数据集"

轴承状态 样本个数 样本标签
正常 150 0
外圈故障 150 1
内圈故障 150 2
球体故障 150 3

图3

CUT-2轴承试验平台"

图4

6900ZZ型号轴承故障位置"

表2

CUT-2样本数据集"

轴承状态 样本个数 样本标签
正常 200 0
外圈故障 200 1
内圈故障 200 2
球体故障 200 3

图5

基于显著特征组合的轴承故障诊断方法"

表3

显著特征参数设置"

诊断阶段 特征种类个数 显著特征(组合) 组合个数 人工设定准确率阈值
1 1 KVSE 4 0.5
2 2 K_VM_VV_RV_Ma、V_Pe、V_Pu、V_EV_S 26 0.8
3 3 M_K_VK_V_SK_V_RK_V_Ma、K_V_Pe、K_V_Pu、K_V_EM_V_Pu、V_R_Pe、V_S_E 28 0.9
4 6 M_K_V_RK_V_S_Ma、K_V_R_Ma、K_V_R_Pe、K_V_R_Pu、K_V_Ma_Pe(其中K_V_S_Ma和K_V_Ma_Pe准确度相同) 36 前五位
5 5 M_K_V_R_Ma、M_K_V_R_Pe、K_V_R_Ma_Pe、K_V_R_Ma_Pu 21 0.95
6 6 M_K_V_R_Ma_Pe、M_K_V_R_Ma_Pu、K_V_R_Ma_Pe_Pu 12 0.955
7 7 M_K_V_R_Ma_Pe_Pu、M_K_V_S_R_Ma_Pu、K_V_S_R_Ma_Pe_Pu 7 前三位
8 8 M_K_V_S_R_Ma_Pe_Pu
M_K_V_R_Ma_Pe_Pu_E
M_K_V_S_R_Ma_Pu_E
K_V_S_R_Ma_Pe_Pu_E
4 前三位
9 9 M_K_V_S_R_Ma_Pe_Pu_E 诊断结束,无参数设置 诊断结束,无参数设置

表4

单特征诊断结果"

特征种类 平均分类准确率/% 是否显著特征
Mean 42.62
Kurtosis 63.12
Var 87.62
Skewness 57.16
RMS 42.12
Margin 41.37
Peak 33.37
Pulse 48.33
Edge 65.66

表5

两类特征组合诊断结果"

特征种类 平均分类准确率/% 是否显著特征组合
M_K 71.37
K_V 97.37
K_S 74.20
K_R 64.00
K_Ma 66.50
K_Pe 62.70
K_Pu 71.41
K_E 75.95
M_V 83.95
V_R 87.50
V_Ma 85.54
V_Pe 86.87
V_Pu 83.25
V_E 81.58
M_S 62.50
V_S 89.25
S_R 62.00
S_Ma 56.87
S_Pe 57.16
S_Pu 58.75
S_E 68.79
M_E 65.62
R_E 67.70
Ma_E 66.62
Pe_E 65.08
Pu_E 72.04

表6

三类特征组合诊断结果"

特征种类 平均分类准确率/% 是否显著特征组合
M_K_V 96.54
K_V_S 96.62
K_V_R 96.95
K_V_Ma 96.33
K_V_Pe 96.12
K_V_Pu 95.79
K_V_E 94.66
M_V_S 85.54
M_V_R 85.29
M_V_Ma 84.29
M_V_Pe 84.83
M_V_Pu 90.50
M_V_E 81.04
V_S_R 88.25
V_R_Ma 84.54
V_R_Pe 92.00
V_R_Pu 85.29
V_R_E 82.12
V_S_Ma 86.33
V_Ma_Pe 84.12
V_Ma_Pu 85.66
V_Ma_E 81.33
V_S_Pe 87.70
V_Pe_Pu 84.41
V_Pe_E 82.54
V_S_Pu 86.50
V_Pu_E 83.12
V_S_E 94.66

图6

CWRU分类准确度趋势图"

图7

CWRU非显著特征组合分类准确度趋势图"

图8

CUT-2分类准确度趋势图"

图9

CUT-2非显著特征组合分类准确度趋势图"

表7

显著特征组合使用前后故障识别率对比"

%
数据集 分类方法 p q
CWRU SVM 89.58 97.37
CUT-2 SVM 87.76 95.38

图10

特征选取率比较"

1 张美玲, 胡晓. 基于LCD和改进SVM的轴承故障诊断方法[J]. 测控技术与仪器仪表, 2016, 6, 81- 83.
ZHANG Meiling , HU Xiao . Fault diagnosis method of rolling bearing based on LCD and improved SVM[J]. Measurement Control Technology and Instruments, 2016, (6): 81- 83.
2 许凡, 方彦军, 张荣. 基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断[J]. 计算机集成制造系统, 2016, 22 (11): 2631- 2642.
XU Fan , FANG Yanjun , ZHANG Rong . PCA-GG rolling bearing clustering fault diagnosis based on EEMD fuzzy entropy[J]. Computer Integrated Manufacturing System, 2016, 22 (11): 2631- 2642.
3 LI Shaobo , LIU Guokai , TANG Xianghong , et al. An nsemble deep convolutional neural network model with improved D-S evidence fusion for bearing fault diagnosis[J]. Sensors, 2017, 17 (8): 1729- 1748.
doi: 10.3390/s17081729
4 张钰, 陈珺, 王晓峰, 等. 随机森林在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2017, (5): 1- 7.
ZHANG Yu , CHEN Jun , WANG Xiaofeng , et al. Application of randomforest on rolling element bearings fault diagnosis[J]. Computer Engineering and Applications, 2017, (5): 1- 7.
5 马萍, 张宏立, 范文慧. 基于局部与全局结构保持算法的滚动轴承故障诊断[J]. 机械工程学报, 2017, 53 (2): 20- 25.
MA Ping , ZHANG Hongli , FAN Wenhui . Fault diagnosis of rolling bearings based on local and global preserving embedding algorithm[J]. Joural of Mechanical Engineer, 2017, 53 (2): 20- 25.
6 VAKHARIA V , GUPTA VK , KANKAR PK . Efficient fault diagnosis of ball bearing using reliefF and random forest classifier[J]. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 2017, 39 (8): 2969- 2982.
doi: 10.1007/s40430-017-0717-9
7 朱瑜, 王殿, 王海洋. 基于EMD和信息熵的滚动轴承故障诊断[J]. 轴承, 2012, (6): 50- 53.
ZHU Yu , WANG Dian , WANG Haiyang . Rolling bearing fault diagnosis based on EMD and information entropy[J]. Bearings, 2012, (6): 50- 53.
8 许凡, 方彦军, 张荣. 基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断[J]. 计算机集成制造系统, 2016, 22 (11): 2631- 2642.
XU Fan , FANG Yanjun , ZHANG Rong . PCA-GG rolling bearing clustering fault diagnosis based on EEMD fuzzy entropy[J]. Computer Integrated Manufacturing System, 2016, 22 (11): 2631- 2642.
9 杨宇, 潘海洋, 程军圣. 基于特征选择和RRVPMCD的滚动轴承故障诊断方法[J]. 振动工程学报, 2014, 27 (4): 629- 636.
doi: 10.3969/j.issn.1004-4523.2014.04.020
YANG Yu , PAN Haiyang , WEI Junsheng . The rolling bearing fault diagnosis method based on the feature selection and RRVPMCD[J]. Journal of Vibration Engineer, 2014, 27 (4): 629- 636.
doi: 10.3969/j.issn.1004-4523.2014.04.020
10 刘蕴哲, 胡金海, 任立通, 等. 基于特征选择与概率神经网络的轴承故障诊断研究[J]. 机械传动, 2016, 40 (10): 48- 53.
LIU Yunzhe , HU Jinhai , REN Litong , et al. Study on the bearing fault diagnosis based on feature selection and probabilistic neural network[J]. Journal of Mechanical Transmission, 2016, 40 (10): 48- 53.
11 苏祖强, 汤宝平, 姚金宝. 基于敏感特征选择与流形学习维数约简的故障诊断[J]. 振动与冲击, 2014, 33 (3): 70- 75.
doi: 10.3969/j.issn.1000-3835.2014.03.015
SU Zuqiang , TANG Baoping , YAO Jinbao . Fault diagnosis method based on sensitive feature selection and manifold learning dimension reduction[J]. Journal of Vibration and Shock, 2014, 33 (3): 70- 75.
doi: 10.3969/j.issn.1000-3835.2014.03.015
12 LI Yun , LI Tao , LIU Huan . Recent advances in feature selection and its applications[J]. Knowledge and Information System, 2017, 53 (3): 551- 577.
doi: 10.1007/s10115-017-1059-8
13 李敏, 卡米力·木依丁. 特征选择方法与算法的研究[J]. 计算机技术与发展, 2013, 23 (12): 16- 21.
LI Min , KAMIL Moydi . Research on feature selection methods and algorithms[J]. Computer Technology and Development, 2013, 23 (12): 16- 21.
14 王新, 闫文源. 基于变分模态分解和SVM的滚动轴承故障诊断[J]. 振动与冲击, 2017, 36 (18): 252- 256.
WANG Xin , YAN Wenyuan . Fault diagnosis of roller bearings based on the variational mode decomposition and SVM[J]. Journal of Vibration and Shock, 2017, 36 (18): 252- 256.
15 陈法法, 杨晶晶, 肖文荣, 等. Adaboost_SVM集成模型的滚动轴承早期故障诊断[J]. 机械科学与技术, 2018, 37 (2): 237- 243.
CHEN Fafa , YANG Jingjing , XIAO Wenrong , et al. Early fault diagnosis of rolling bearing based on ensemble model of adaboost SVM[J]. Mechanical Science and Technology for Aerospace Engineering, 2018, 37 (2): 237- 243.
16 黄勇, 郑春颖, 宋忠虎. 多类支持向量机算法综述[J]. 计算技术与自动化, 2005, (4): 61- 63.
doi: 10.3969/j.issn.1003-6199.2005.04.020
HUANG Yong , ZHENG Chunying , SONG Zhonghu . Multi-class support vector machines algorithm summarization[J]. Computing Technology and Automation, 2005, (4): 61- 63.
doi: 10.3969/j.issn.1003-6199.2005.04.020
17 肖晓, 张敏. 支持向量机多分类问题研究[J]. 淮海工学院学报(自然科学版), 2014, 23 (3): 28- 31.
XIAO Xiao , ZHANG Min . Research on the multi-class classification problem of support vector machine[J]. Journal of Huaihai Institute of Technology (Natural Science Edition), 2014, 23 (3): 28- 31.
18 付阳, 李昆仑. 支持向量机模型参数选择方法综述[J]. 电脑知识与技术, 2010, 6 (28): 8081- 80828085.
doi: 10.3969/j.issn.1009-3044.2010.28.077
FU Yang , LI Kunlun . A survey of model parameters selection method for support vector machines[J]. Computer Knowledge and Technology, 2010, 6 (28): 8081- 80828085.
doi: 10.3969/j.issn.1009-3044.2010.28.077
19 王玉静, 康守强, 张云, 等. 基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法[J]. 电子与信息学报, 2014, 36 (3): 595- 600.
WANG Yujing , KANG Shouqiang , ZHANG Yun , et al. Condition recognition method of rolling bearing based on ensemble empirical mode decomposition sensitive intrinsic mode function selection algorithm[J]. Journal of Electronics and Information Technology, 2014, 36 (3): 595- 600.
[1] 陈红,杨小飞,万青,马盈仓. 基于相关熵和流形学习的多标签特征选择算法[J]. 山东大学学报 (工学版), 2018, 48(6): 27-36.
[2] 牟廉明. 自适应特征选择加权k子凸包分类[J]. 山东大学学报 (工学版), 2018, 48(5): 32-37.
[3] 程鑫,张林,胡业发,陈强,梁典. 基于电流特性的主动磁轴承电磁线圈故障诊断[J]. 山东大学学报(工学版), 2018, 48(4): 94-101.
[4] 程鑫,刘晗,王博,梁典,陈强. 基于双核处理器的主动磁悬浮轴承容错控制架构[J]. 山东大学学报(工学版), 2018, 48(2): 72-80.
[5] 王秀青,曾慧,解飞,吕峰. 基于Spiking神经网络的机械臂故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 15-21.
[6] 宋洋,钟麦英. 基于改进距离相似度的故障可分离性分析方法[J]. 山东大学学报(工学版), 2017, 47(5): 103-109.
[7] 李炜,王可宏,曹慧超. 基于新型ESF的一类非线性系统故障滤波方法[J]. 山东大学学报(工学版), 2017, 47(5): 7-14.
[8] 毛海杰,李炜,王可宏,冯小林. 基于自抗扰的多电机转速同步系统传感器故障切换容错策略[J]. 山东大学学报(工学版), 2017, 47(5): 64-70.
[9] 邱路,叶银忠,姜春娣. 基于小波奇异熵和SOM神经网络的微电网系统故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 118-122.
[10] 谢晓龙,姜斌,刘剑慰,蒋银行. 基于滑模观测器的异步电动机速度传感器故障诊断及容错控制[J]. 山东大学学报(工学版), 2017, 47(5): 210-214.
[11] 王梦园,张雄,马亮,彭开香. 基于因果拓扑图的工业过程故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 187-194.
[12] 孙源呈,姚利娜. 不确定奇异随机分布系统的故障诊断和容错控制[J]. 山东大学学报(工学版), 2017, 47(5): 238-245.
[13] 李明虎,李钢,钟麦英. 动态核主元分析在无人机故障诊断中的应用[J]. 山东大学学报(工学版), 2017, 47(5): 215-222.
[14] 刘卓,王天真,汤天浩,冯页帆,姚君琦,高迪驹. 一种多电平逆变器故障诊断与容错控制策略[J]. 山东大学学报(工学版), 2017, 47(5): 229-237.
[15] 吴建萍,姜斌,刘剑慰. 基于小波包信息熵和小波神经网络的异步电机故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 223-228.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 李梁,罗奇鸣,陈恩红. 对象级搜索中基于图的对象排序模型(英文)[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[2] 李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .
[3] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[4] 刘文亮,朱维红,陈涤,张泓泉. 基于雷达图像的运动目标形态检测及跟踪技术[J]. 山东大学学报(工学版), 2010, 40(3): 31 -36 .
[5] 孙炜伟,王玉振. 考虑饱和的发电机单机无穷大系统有限增益镇定[J]. 山东大学学报(工学版), 2009, 39(1): 69 -76 .
[6] 孙殿柱,朱昌志,李延瑞 . 散乱点云边界特征快速提取算法[J]. 山东大学学报(工学版), 2009, 39(1): 84 -86 .
[7] 杨发展1 ,艾兴1 ,赵军1 ,侯建锋2 . ZrO2含量对WC基复合材料的力学性能和微观结构的影响[J]. 山东大学学报(工学版), 2009, 39(1): 92 -95 .
[8] 岳远征. 远离平衡态玻璃的弛豫[J]. 山东大学学报(工学版), 2009, 39(5): 1 -20 .
[9] 李芳佳, 高尚策, 唐政, 石井雅博, 山下和也. 基于元胞自动化模型的三维雪花晶体近似模式的产生(英文)[J]. 山东大学学报(工学版), 2009, 39(1): 102 -105 .
[10] 孙玉利,李法德,左敦稳,戚美 . 直立分室式流体连续通电加热系统的升温特性[J]. 山东大学学报(工学版), 2006, 36(6): 19 -23 .