基于动态贝叶斯网络的轴承故障在线诊断方法.pdf

第 卷 第 期太原科技大学学报.年 月 .文章编号:()收稿日期:基金项目:国家自然科学基金青年科学基金()山西省自然科学基金()太原科技大学校博士启动基金()作者简介:王泽渊()男硕士研究生主要研究方向为智能信息处理通信作者:宋仁旺副教授:基于动态贝叶斯网络的轴承故障在线诊断方法王泽渊宋仁旺石 慧(太原科技大学 电子信息工程学院太原)摘 要:为了实现滚动轴承的实时在线监测与诊断充分利用监测数据时间序列时间片之间的相关性提出基于动态贝叶斯网络()的轴承在线故障诊断方法 首先进行轴承故障分析和特征参数的计算使用皮尔逊相关系数法去除冗余特征参数并将保留的参数作为 的观测节点然后采用基于依赖分析的算法建立网络的拓扑结构使用最大期望()算法学习网络参数建立 在线监测与诊断模型最后采用所提方法对西安交通大学 滚动轴承故障数据进行仿真分析故障检测率为 诊断准确率为 验证了所提方法对滚动轴承在线故障诊断的有效性关键词:动态贝叶斯网络 算法在线监测故障诊断中图分类号:文献标识码:./.滚动轴承故障会引起机器产生异常振动和噪声加速机器损坏甚至引发人员伤亡等重大事故因此研究轴承的故障监测与诊断具有重要的意义 贝叶斯网络()在故障诊断领域已经得到广泛的应用 等应用贝叶斯网络理论建立了风力发电机加速齿轮箱的故障诊断模型 张露江等在分析了贝叶斯网络全概率公式的基础上搭建了以广义逆矩阵为核心的智能诊断系统智能诊断结果和人工诊断结果相符 贝叶斯网络是一个有向无环图它反映了一系列变量间的概率依存关系没有考虑时间因素对变量的影响 动态贝叶斯网络()可以在概率框架下实现动态和静态信息的融合适合对既具有特征相关性又具有时序相关性的复杂过程进行建模 模型可以对动态变化的过程进行跟踪和描述 等采用 模型处理工程系统各观测指标之间的关系该方法可以跟踪系统的性能演变能在给定初始条件下预测系统的状态 等建立了传感器网络的 利用马尔可夫链得到测量传感器的可靠性随时间的退化情况该方法能够定量地分析由不同传感器组成的检测传感器网络在给定时间段内的可靠性 刘东等在构建故障诊断模型时需要引入专家知识确立网络节点之间的连接关系模型建立对专家知识的依赖程度较高 王承远等建立基于 的故障诊断模型时每个时间片中的网络节点是相互独立的忽视了单个时间片中网络节点之间的相关性 王双成等在建立 模型时虽然考虑了每个时间片中变量的相关性但是其网络结构在所有时间片上是相同的即观测变量之间的依赖关系在时间维度上是不变的 而机械设备发生故障后监测的振动信号是时变非平稳的且观测变量的依赖关系在不同状态下(不同的故障类型或者同种类型故障不同的程度)的依赖关系会发生改变因此相邻时间片或者不同时间片的观测变量依赖关系会产生差异产生不同的网络拓扑结构从而每个时间片下的概率分布是不同的再者不仅相邻时间片之间的观测状态存在依赖关系同一观测变量在相邻时间片上也存在依赖关系本文利用历史故障数据将轴承的运行过程划分为正常阶段、轻微阶段、严重阶段和最终失效阶段 在故障的不同时期故障特征的依赖关系是不同的自适应选择不同的网络拓扑结构描述故障特征的相互依赖关系 非正常阶段反映了设备的退化速度和性能退化趋势由于反映故障特征的状态变量在一定范围内波动反复非线性变化采用 模型的状态转移描述故障过程的波动性 然后使用历史数据学习网络参数建立轴承在线监测和诊断模型 当实时传感器数据输入网络时首先评估轴承运行状态是否正常如果运行状态不正常则进一步判断轴承故障的类型 在实时监测诊断系统中已判断的轴承状态信息可以重复使用减少重复计算提高诊断的实时性 最后进行仿真实验验证模型的有效性 动态贝叶斯网络动态贝叶斯网络()是静态贝叶斯网络()在时间维度上的进一步扩展建立在随机过程时间轨迹上的 由两部分组成如图 所示:一个是先验网 定义在初始状态变量集 上的联合概率分布其中 的右下标表示初始观测时刻 右上标表示观测变量另一个是转移网 定义在变量集 和 上的转移概率().图 先验网和转移网 在实际应用中一般只考察有限时间段 完整 拓扑结构如图 所示:在初始时刻 中节点的父节点是在先验网 中的节点在时刻()中节点的父节点是在 时刻或者 时刻中与 相关的节点图 动态贝叶斯网络结构图 给定一个 模型变量集 上的联合概率分布为:()()()()使用 表示 时刻的第 个随机变量()表示变量 的父节点集合 表示随机变量个数 ()时刻变量集 的联合分布概率为:()()()在前 个时间片的联合分布为:(:)()()()假设故障类型 依据模型判断观测数据 符合的故障类型即:()()()依据贝叶斯公式:()()()()()()()由于观测数据 :是已知的实际计算()动态贝叶斯网络模型的建立 建立 网络结构滚动轴承失效劣化过程通常是一个随时间递进的过程目前工业界将其演化过程大致分为 个阶段如图 所示分别是正常阶段、轻微阶段、严重阶段和最终失效阶段为了更加精准地描述故障过程中变量的相互依赖关系以及轴承状态的变化过程本文的 太原科技大学学报 年图 滚动轴承失效劣化过程 拓扑结构 采用三层离散 网络结构如图 所示:图 故障诊断模型 第一层是观测变量层在已知当前时刻的监测数据时观测变量是确定的 采用贝叶斯网络对观测变量 进行判断输出当前时刻的隐状态()并且结合历史时刻的隐状态()组成状态序列 网络的第一层表示观测变量和隐状态的联合概率关系且不同隐状态下观测变量对应的网络结构是不同的 而对于 第一层网络的拓扑结构本文采用基于依赖分析的方法建立网络拓扑结构第二层是隐状态变量层第二层对隐状态序列 进行解码处理输出状态序列 其中相邻时间片的联合概率采用隐状态转移概率连接第三层是决策层根据状态序列 综合判断轴承的运行状态如果轴承发生故障进一步进行故障在线诊断 在 模型的第二层与第三层允许状态变量状态循环描述故障过程的状态波动在应用中可以为第二层和第三层网络赋予不同数量的状态空间数目 学习 的网络参数 网络参数的学习是模型建立的重要环节本文网络采用分层学习的方法采用两种不同的学习策略对网络的参数进行学习对于 第一层网络参数的学习在上述建立网络拓扑结构的基础上采用样本统计学习的方法进行网络参数的学习即学习()对于第二层网络 的参数 包括两部分其中 表示隐状态 的初始分布 表示隐状态 的状态转移矩阵 为了方便学习参数作如下假设和简化处理()假设在有限的时间内(每一个时间片内)条件概率变化过程对所有的 是一致平稳的()假设动态概率过程是满足马尔可夫性即未来时刻的概率只与当前时刻有关与之前时刻无关:()()()()时齐性假设假设相邻时间片状态转移概率与状态转移发生的时间点没有关系即对于任意时刻 有:()()()若已知观测序列集合 和结构 在 时刻隐含状态变量 从状态 转移到状态 的条件概率为:()()()()()在 时刻隐含状态变量 是状态 条件概率为:()()()()状态变量:是隐含的采用 算法估计网络参数 结果如下:()()()()()在线监测和诊断在线监测数据 输入网络计算到当前时刻为止系统的最优状态序列:定义()为在时刻 隐藏状态 所有可能的状态转移路径 中的概率最大值()()()第 卷第 期 王泽渊等:基于动态贝叶斯网络的轴承故障在线诊断方法()():()()()定义在时刻 隐藏状态为 的所有单个状态转移路径()中最大转移路径中第 个隐藏状态为():():()()有了上述两个局部状态就可以从时刻 一直递推到时刻 然后利用()记录的前一个最可能的状态节点反向推导直到找到最优的隐藏状态序列上述算法求出的最优状态序列并不一定是描述系统状态的最优序列采用指数加权移动平均法()的方法对状态序列进行优化最后做出诊断决策 算法如下:()()是 时刻的观察值是 时刻的 值系数 表示权值下降速度 值越小下降速度越快在 时刻初始化 表达式归纳为:():()()实验方案及分析 实验方案仿真实验平台为 系统处理器为 平台软件为 实验数据使用 滚动轴承加速寿命试验数据集 滚动轴承实验平台如图 所示实验台平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成 试验中设置采样频率为 采样间隔为 每次采样时长为 .采集的原始加速度信号如图 所示横坐标表示采样时间点纵坐标表示幅值大小单位是重力加速度 所选取的原始实验数据包含滚动轴承的正常状态和 种不同类型的故障状态故障状态分别是内圈故障、外圈故障和滚动体故障 种状态分别定义为正常状态、故障类型、类型 和类型 种状态每种状态选择 个样本每个样本包含相邻 图 滚动轴承实验平台 图 滚动轴承故障状态初始加速度信号 个采样周期的数据每种状态选取 个样本作为训练集 个样本作为测试集具体如表 所示同时按照轴承劣化状态对每类故障分成三个故障时期分别对应轴承劣化曲线的第二、三、四阶段表 轴承样本数据 类型样本总数故障位置正常无故障类型 内圈类型 外圈类型 保持架 文献计算故障样本的 维故障特征然后使用皮尔逊相关系数法去除冗余的特征选择最能区分故障的故障特征进行网络拓扑结构的确立降低模型的复杂程度 消除冗余属性后最终保留了 个特征属性首先根据依赖分析的算法建立动态贝叶斯网络拓扑的第一层在不同故障的不同发展时期故障特征节点之间的依赖依赖关系会发生改变采用依赖分析的方法自适建立网络拓扑结构表示故障 太原科技大学学报 年发生时各故障特征的相关关系图 是内圈故障在第二、三阶段特征属性的条件依赖关系图表示在轴承内圈故障的不同发展时期特征属性的依赖关系会发生变化 动态贝叶斯网络拓扑结构建立以后使用标记数据统计计算故障症状与故障隐状态的条件概率分布表图 第一层 的部分拓扑结构 网络的第二层根据第一层的结果判断故障所处的故障状态生成表示故障状态的隐状态序列隐状态序列中包含故障前后时间片的之间影响隐状态之间的状态转移矩阵采用 算法进行最大似然估计对于网络的第三层根据网络的隐藏状态推导出反映系统状态的序列 对第二层网络的输出序列进行指数加权移动平均进一步优化状态序列的最终根据优化的状态序列进行故障诊断决策 实验结果分析表 是使用 方法进行故障诊断的的混淆矩阵可见网络可以对正常状态和故障状态进行区分并进一步判断故障类型表 方法故障诊断的混淆矩阵 诊断实际 正常类型 类型 类型 正常类型 类型 类型 图 是测试数据分别使用、和 方法进行故障诊断时故障的诊断准确率 表明使用 方法比使用 方法有更高的故障诊断准确率使用 方法和 方法的平均诊断准确率为、方法的平均故障诊断准确率为 平均诊断准确率提高了 和 个百分点引入故障诊断率()和误报警图 本文方法和参考文献方法的比较 率()这两个评价指标对应的方程如下所示 最后计算得到各方法诊断结果如表 所示:()()式中:表示故障状态被诊断为故障状态表示故障状态被诊断为正常状态 表示正常状态被诊断为故障状态 表示正常状态被诊断为正常状态表 各方法 和 的比较 方法 本文方法/由表 本文方法可以有效识别轴承的正常状态和故障状态故障诊断率为 而传统的 和 网络的 值为 和 远低于本文方法并且本文方法不会将正常状态诊断为故障状态误诊率为与 与 方法的误诊率持平而基于传统的 和 网络方法误诊率较高综合图 本文方法不仅有较高的故障诊断率并且可以对故障状态进行进一步分类能够实现滚动轴承的故障诊断 结论本文提出了基于动态贝叶斯网络的轴承故障在线诊断方法 通过将不同类型的故障划分成不同的故障阶段更加准确地描述了轴承故障状态的变化实现使用实时数据对轴承进行在线监测和诊断 通过该方法进一步提高静态贝叶斯网络的诊断准确率为机械的在线监测和诊断提供依据第 卷第 期 王泽渊等:基于动态贝叶斯网络的轴承故障在线诊断方法参考文献:赵磊张永祥朱丹宸.复杂装备滚动轴承的故障诊断与预测方法研究综述.中国测试():.():.张露江张利杨要伟等.基于改进贝叶斯网络的风机齿轮箱自动诊断策略研究.电力系统保护与控制():.苗俊袁齐坤刘立文.基于动态贝叶斯网络的机器人巡检线路故障方法研究.电子设计工程():.():.():.刘东王昕黄建荧等.基于贝叶斯网络的水电机组振动故障诊断研究.水力发电学报():.王承远徐久军严志军.基于时效性分析的动态贝叶斯网络故障诊断方法.大连理工大学学报():.王双成郑飞唐晓清.动态随机树贝叶斯集成回归模型研究.小型微型计算机系统():.江磊王小敏刘一骝等.基于动态贝叶斯网络的 列控车载系统运行可靠性及可用性评估.铁道学报():.():.李仲兴陈震宇薛红涛等.基于 的轮毂电机机械故障在线诊断方法.振动.测试与诊断():.雷亚国韩天宇王彪等.滚动轴承加速寿命试验数据集解读.机械工程学报():.():.张继旺丁克勤王洪柱.基于 的滚动轴承早期微弱故障智能诊断方法.组合机床与自动化加工技术():.():()():太原科技大学学报 年