[发明专利]一种基于多粒度扫描和catboost模型的轴承故障诊断方法

说明书

本发明公开了一种基于多粒度扫描和catboost模型的轴承故障诊断方法，包括以下步骤：针对轴承振动信号进行预处理，将振动信号归一化，存储成二维的灰度图片；更改深度森林的结构，将深度森林中的级联森林去除，保留多粒度扫描部分；利用多粒度扫描提取灰度图片中的特征；使用catboost代替深度森林中的级联森林部分，构建多粒度扫描加catboost故障诊断模型，将上层使用的多粒度扫描提取到的特征输入，使用catboost模型来做故障诊断；使用训练集训练catboost模型；确定验证指标；使用测试集来测试模型的准确率；本发明获得比卷积神经网络和深度森林更高的准确率，并提高运算效率；减少了对广泛超参数的调优需求，降低了过度拟合的风险，使模型具有更强的鲁棒性和泛化性。

技术领域

本发明属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能技术领域，尤其涉及一种基于多粒度扫描和catboost模型的轴承故障诊断方法。

背景技术

旋转机械作为机械系统中的传动装置，广泛应用于航空机械，农业机械和现代机床上，在国民经济生产中具有重要作用。作为机械系统的重要组成部分，旋转设备通常需要在高压、高速、重载等环境下运转，导致旋转机械发生问题的概率大大增加。

轴承作为旋转机械中最关键的零件之一，约30％的旋转机械故障是由轴承故障所导致的。对轴承部件的故障检测为整个机电装置的检测重中之重。由于现代化机电装备规模大，检测点多，传感器检测频率高，设备工作时间长。导致检测系统数据朝着大型化，巨型化发展，数据类型朝着多样化多频率化发展。原本的专家系统，仅靠人力进行检测已经不能满足要求，急需自动诊断的算法。

近几年来，故障诊断算法可分为基于模型的方法，基于数据驱动的方法。其中基于数据驱动的方法符合当前大数据时代，受到了大量工程师的重视。常用基于数据驱动的故障诊断技术有：支持向量机(Support Vector Machine,SVM)，神经网络(ArtificialNeural Network，ANN)，k近邻(k-nearest Neighbor，KNN)等。对于基于大量数据的故障诊断，传统的智能诊断方法模型参数受限，模型表征学习能力较弱，限制了故障诊断的能力。深度神经网络(Deep Learning Network)拥有强大的表征学习能力，已经在机器视觉、医疗保险、航空航天上有成功的应用。近年来，国内外学者也在使用深度学习应用在故障诊断领域中。然而深度学习的超参数过多，学习能力严重依赖于参数的调整。不同参数的影响下神经网络的性能大相径庭。最具有代表性的CNN，为了节省训练的开销，采取的策略是“权值共享(Weight Sharing)”。综上，CNN虽然具有强大的表征学习能力，但是其性能依赖于超参数的选择。为了克服CNN和传统机器学习的缺点，近年来提出的基于决策树集成的深度森林，和深度网络相比，深度森林参数较少，而且适用于小样本学习，相比于CNN中大量参数，深度森林在gini系数，信息增益等理论支持下，可解释性也强于CNN。

由于原始机械振动信号为一维的数据，当前流行的信号预处理方法为快速傅立叶变换(Fast Fourier Transform,FFT)、小波变换(Wavelet Transform，WT)和经验模态分解(Empirical Mode Decomposition，EMD)等，而这些需要大量的专家经验，通过人为感知容易产生过拟合，且具有单一预测器的预测精度差、预测方法运算效率低，在小样本上预测效果较差等问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种获得比卷积神经网络和深度森林更高的准确率，并提高运算效率；减少了对广泛超参数的调优需求，降低了过度拟合的风险，使模型具有更强的鲁棒性和泛化性的基于多粒度扫描和catboost模型的轴承故障诊断方法

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于多粒度扫描和catboost模型的轴承故障诊断方法，包括以下步骤：