0 引言

滚动轴承是旋转机械中应用极其广泛的一种机械支承,其运行状态往往可以直接影响到整个设备的性能、精度、可靠性以及寿命.滚动轴承是旋转机械的核心,其故障对设备运行构成了严重威胁.因此,轴承的故障诊断具有重要意义.故障诊断的方法有很多种,例如:油样分析法[1]、声发射法[2]、油膜电阻法[3]、光纤检测诊断法[4]、温度法[5]、振动法[6]等.其中振动法[6]具有采集和处理信号简单、效果好、适用范围广等优势而被广泛应用.

2018年以来，德国联邦行政法院颁布命令，允许各大城市禁止重污染柴油车上路，以对抗空气污染。与此同时，德国政府正艰难地与汽车制造商达成清理柴油车的协议。

采用振动法进行轴承故障诊断包括三步:第一步,采集滚动轴承运行状况信息;第二步,使用信号处理方法提取轴承故障特征;第三步,进行故障的模式识别与智能诊断.其中特征提取和故障诊断是核心问题.何晓霞等[7]采用连续小波分析的方法对滚动轴承振动加速度信号进行处理,提取了滚动轴承在正常、内圈剥落、外圈剥落及滚动体剥落的故障特征.张中民等[8]提出了基于正交小波变换诊断滚动轴承故障的新方法.

我们提出一种基于主动学习的滚动轴承故障识别方法.首先通过传感器采集轴承运行数据,然后利用时域及小波分析方法提取8个特征参数,最后设计基于聚类的主动学习算法进行分类预测.实验表明该方法比已有算法分类识别效果更好,准确率达到90%以上.

1数据采集与特征提取

1.1 轴承运行数据采集

本文数据集来源于南京航空航天大学[9].数据集由两列数据组成,一列为时间,另一列为相应时间对应的振动幅值.实验台主要由调速电动机、齿轮箱、转轴、转子圆盘、轴承、轴承座和综合电子控制系统组成.调节电机变频器可使轴承转速在0～7000转/分之间变化.可以通过更换不同故障类型的滚动轴承来模拟轴承常见故障,轴承内外圈等故障类型是由电火花人为切割加工完成.在试验台的4个不同部位安装传感器来记录轴承运行时刻的振动信号.传感器的采样频率为10KHZ,记录不同时刻信号的幅值.

1.2 计算时域参数

故障特征提取是滚动轴承故障诊断中的关键问题之一,直接决定了诊断结果的可靠性和准确性[10-12].目前常用的时域参数指标主要有峰值因子、脉冲因子、裕度因子、波形因子和峭度因子.其中:峰值因子是用波形的振幅除以均方根;脉冲因子是波形的幅值和整流平均值的比值;裕度因子是波形的幅值和平均值的比值;波形因子是信号的均方根值和整流平均值的比值;峭度因子是4阶累积量,反映随机变量分布特性的数值统计量.这五个参数为无量纲指标,基本不受载荷、转速等因素影响,可以作为滚动轴承故障诊断的依据.

1.3 小波包络谱特征提取

3)小波分解后的细节信号进行Hilbert变换,再进行频谱变化,由此可获得小波包络谱.在L层中的细节信号特征值为

传统的基于距离矢量的聚类方法无法准确识别非球状簇,影响故障检测效果.Rodriguez [14]提出了一种峰值密度聚类算法,能很好的检测非球状簇,提高聚类的自适应性能.算法假设聚类中心被局部密度较低的邻居包围,并且它们与任何具有较高局部密度的点相距较远.因此,需要计算每一个数据的密度(ρi)和最小距离(δi).

4)选取最大能量的频带作为特征分量.

由文献[8]可知,小波包络谱能够体现轴承的故障特征频率,为识别轴承故障部位提供重要判据.小波包分解能为信号提供一种更加精细、准确的分析方法.小波包络谱特征提取具体计算步骤为:

 

(1)

其中:小波包络函数为W(f), F1为外圈包络谱值,F2为内圈包络谱值,F3为滚珠包络谱值.

2)确定振动信号的分解层数L,一般L=3.

第一步,根据距离生成“直属上司-下级”关系树,数据集中密度最大的点没有“直属上司”.如图2所示.

主动学习[13]通过选取少量最具有代表性的未标记数据进行标记,从而建立分类精度较高的主动学习分类器模型.其优势在于减少了训练集的数目,提高了算法的正确率,花费最小“代价”取得最好的效果.本文采用基于密度聚类的主动学习算法进行智能诊断,有效提高了故障识别率.算法主要包括三个阶段:聚类,选择代表性数据,分类三个阶段.算法流程如图1所示.

2 基于主动学习的故障诊断

2.1 基于密度聚类的主动学习算法

  

图1 算法流程

5)归一化.

2.2聚类

1)统一采样频率进行采样.

数据i的密度计算式为

ρi=∑j∈Is{i}χ(dij-dc),

(2)

 

(3)

参数dc>0需要手动设定,一般选择最大距离的1%-3%. dij表示数据i和数据j之间的距离.

δi的计算式为

由于地区自身基础条件等原因，同一产业在不同地区的发展轨迹有显著的差别。本文根据2005～2017年的相关数据，计算出华北、东北、华东、中南、西南和西北各区域6个产业相比前一年的产业动态集聚指数，限于篇幅，本文只列出产业转移趋势明显的产业转移测度值，如表2所示。

(4)

对于密度最高的点,取

(5)

从上式可知,“直属上司-下级”关系树[15]有n个节点,每个节点的“直属上司”是距离其最近,且比自己密度大的数据.密度最大的数据没有“直属上司”.每块的中心具有两个特点:第一,比相邻数据密度更大;第二,距离密度较大的数据尽可能的远[16].因此将密度和距离的乘积降序排列,选取前k个数据作为块中心.基于选取的k个中心,采用递归的方式进行聚类.每个示例获得与“直属上司”相同的类标签.

2.3 选择代表数据

经过密度聚类,簇的中心具有较强的代表性.每一类的聚类中心,其局部密度较大,并且与具有较高局部密度的点相距较远.因此,我们倾向于选择密度和距离均较大的代表点,查看其标签.本文将密度和距离的乘积,作为判断其代表性的依据.γi的计算式为

γi=δi×ρi.

(6)

设置预算标签总数,以及每次每块可以获取的标签数目m.在每一块中密度和距离乘积比较大的数据更具有代表性.如果该块数目大于m,则将该块数据的γi值降序排列,取前m个数据标记,否则标记该块全部数据.

2.4 分类

经过聚类以及选择代表数据之后,某一块数据没有被完全标记则需要分类.如果获取该块实例的标签一致,此标签直接作为块所有数据的类标签;不一致则重新聚类,选择代表数据.直到总标签预算用完之后,停止迭代.此时,对于不纯的块采取投票的策略决定该块未标记数据的标签.

2.5 运行实例

以20个点的数据集s={si|1≤i≤20}为例来说明.其中4、6、7、10、17、18为故障数据点,设置可获取的总标签数目为8,聚类中心数目为2.

2008—2009年，正值全球金融危机爆发之际，同时也是忠仁公司爬坡过坎的关键时期。姜友善遇到公司成立以来最大的困难，拿不出现钱来进货。按照中阿公司的规定是不允许赊销的，但因为合作多年且看好姜友善的为人和能力，公司还是破例为他发货，并积极调动各方资源，帮助他顺利地度过了难关。此后，凭借过人的营销天赋和中阿公司的大力支持，姜友善逐渐成长为舒兰地区最有实力代理商之一。

  

图2 “直属上司-下级”关系树

  

图3 分割关系树

第二步,以密度和距离乘积最大的9，10号数据作为聚类中心,聚类形成两块B1、B2,如图3所示.

  

图4 二次聚类结果

第三步,选取每一块中密度、距离较大的数据.B1中选取9，3号数据获取类别标签并且类别一致, 都是正常数据,故B1块中数据都是正常数据.B2中选取10，8号数据获取类标签,类别不一致,对B2进行分裂重新聚类.结果如图4所示.重复第二步在B3中选取6，7号数据获取类别标签,10，6，7类别全部是故障数据,故B3块中所有数据都是故障数据.B4块中获取12，20号数据,该块中三个数据都被标记,都是正常数据,至此算法结束.

阿袁在小说中也塑造了很多未婚的知识女性的形象。她们未婚，也许是情感无处可依，不想那么轻易地把自己嫁出去，如《汤梨的革命》中“标榜单身主义”的郝梅，虽然外在给人以单身主义的姿态，可是还是要用心想着给自己找个依托，甚至“三月份的时候，还去见了一个新鳏夫”，所谓“不婚”也不过是怕别人知道自己这么急切相亲之后给自己的自尊找一个台阶下。《汤梨的革命》中哲学系老师陈青则是个爱情悲观主义者，但一直独身的陈青在生活中却并不是没有男人的穿插也并不拒绝爱情的点缀，她“穿着华丽的内衣，一边抽着烟，一边谈哲学”的姿态一度倾醉了很多男人，但随着年龄的增长姿色衰老后，她的内心不免生出一种无处可依的悲凉。

4 实验分析

实验在经过特征提取后的故障数据集上与朴素贝叶斯、决策树J48和zeroR进行对比验证.算法程序是在Windows 7、64位、处理器为i5-3210M@2.50GHz、安装内存(RAM)为4.00GB的计算机上运行.实验中使用的数据集详见表1.

“我们将附近的十几栋民居进行回收，统一恢复成小岗村上世纪70年代的风貌，形成茅草屋群落，展示完整、可参与的生产生活场景，同时聘请大包干带头人作为顾问进行场景讲解。”杨永强说。

 

表1 数据集信息

  

序号数量故障数据占比条件属性数决策属性值范围1360内圈故障20%8{是，否}2345内圈故障15%8{是，否}

 

续表1

  

序号数量故障数据占比条件属性数决策属性值范围3330内圈故障10%8{是，否}4324内圈故障8%8{是，否}5360外圈故障20%8{是，否}6345外圈故障15%8{是，否}7330外圈故障10%8{是，否}8324外圈故障8%8{是，否}9360滚珠故障20%8{是，否}10345滚珠故障15%8{是，否}11330滚珠故障10%8{是，否}12324滚珠故障8%8{是，否}

轴承故障识别问题是一个不均衡的二分类问题.分类模型正确和错误的分类个数,可以作为评价模型性能的依据,如表2所示.混淆矩阵中,行表示数据的真实类别,列表示预测类别.其中fij表示将i类预测为j类的数目.例如f11代表真实正常数据被正确预测为正常的数目;f10代表真实正常数据却被错误预测为故障数据的数目;f01代表真实故障数据被错误预测为正常的数目;f00代表真实故障数据被正确预测为故障的数目.由表2可知,正确预测的实例总数为(f11+f00),错误预测的总数为(f10+f01).

二是强化中层干部普法责任。落实厅务会议学法制度，省厅要求相关处（室、局）主要负责人在月度厅务会议汇报工作时，宣讲本业务领域最新的政策法规和制度性规定，提前谋划，统筹安排。中层干部还利用学法用法集中学习会为全厅干部讲解法律法规、党纪党规、业务知识等内容，以理论联系实际为原则，率先垂范，自觉成为尊法于心、学法于脑、守法于纪、用法于行的法治实践者。

 

表2 二分类问题混淆矩阵

  

PredictedClassClass=1Class=0ActualClassClass=1f11f10Class=0f01f00

为了更真实的反映出算法的好坏,引入漏报率、预报率、误报率的概念,定义如下:

漏报率预报率误报率

(7)

结果如图5、6、7所示.

⑨对异化概念的理解，有两个基本的前提或出发点：一是生产商品的具体劳动与抽象劳动相分离，私人劳动与社会劳动相分离，二是劳动者与劳动的客观条件相分离.

  

图5 内圈故障集中的测试结果 图6 外圈故障集中的测试结果 图7 滚珠故障集中的测试结果

图5为将我们提出的算法Active leanring与NB、C4.5和ZeroR三种算法在内圈故障数据集上进行比较的结果.该实验的数据由60条内圈故障数据和300条正常数据组成,故障和正常数据,比值为1:5.选择训练集比例为5%时,Active leanring算法故障识别率为98.9%,NB、C4.5和ZeroR算法的故障识别率为92.1%、92.8%、90.1%.我们提出的算法平均识别率为98.8%,NB、C4.5和ZeroR算法的平均识别率为92.9%、92.8%、92.9%.

先进的手机终端设备和网络技术的普及催生了种类众多的APP，大学生的日常生活及学习方式均发生了巨大变化。大学生接触到更多的外界信息，拓宽了获取知识的渠道。同时，新媒体环境带有极大的开放性和包容性，新媒体中出现的多种思想，让大学生能从更加多元的视角来看待世界，这样不但实现了学生思想的开放性发展，还能让学生的创造性得以强化，而创造性的培养正是当前教育体系中重点关注的方面。

新技术在成本管理工作中具有着较好的效果，比如BIM技术、信息化技术，这些先进技术应用于输变电工程成本管理工作中，能够有效的将各个环节的数据进行衔接，从而减少成本管控中的一些漏洞，提升成本管理和控制水平。

图6为将我们提出的算法Active leanring与NB、C4.5和ZeroR三种算法在外圈故障数据集上进行比较的结果.该实验的数据由60条外圈故障数据和300条正常数据组成,故障和正常数据比值为1:5.选择训练集比例为11%时,Active leanring算法故障识别率为98.1%,NB、C4.5和ZeroR算法的故障识别率为94.3%、92.8%、93.1%.我们提出的算法平均识别率为97.1%,NB、C4.5和ZeroR算法的平均识别率为94.6%、93.5%、92.5%.

图7为将我们提出的算法Active leanring与NB、C4.5和ZeroR三种算法在滚珠故障数据集上进行比较的结果.该实验的数据由60条滚珠故障数据和300条正常数据组成,故障和正常数据比值为1:5.选择训练集比例为13%时,Active leanring算法故障识别率为94.6%,NB、C4.5和ZeroR算法的故障识别率为92.1%、91.9%、89.1%.我们提出的算法平均识别率为94.2%,NB、C4.5和zeroR算法的平均识别率为91.4%、91.9%、87.3%.

5 结束语

在实际滚动轴承故障数据集上,通过提取时域参数和计算小波包络谱组成特征向量,利用基于密度聚类的主动学习算法进行建模,有效地提高了故障识别率.本文研究工作对提高滚动轴承诊断的准确率具有重要意义.

参考文献:

[1]朱东阳,沈静逸,黄炜平，等.基于主动学习和加权支持向量机的工业故障识别[J].浙江大学学报(工学版),2017,51(4):697-705.

[2]郝如江,卢文秀,褚福磊.声发射检测技术用于滚动轴承故障诊断的研究综述[J].振动与冲击,2008(3):75-79+181.

[3]杨国安.机械设备故障诊断实用技术[M].北京:中国石化出版社,2012.

[4]张现彬.基于振动信号分析的滚动轴承故障诊断方法研究[D].北京:华北电力大学,2016.

[5]杨柳松.基于小波分析与神经网络滚动轴承故障诊断方法的研究[D].哈尔滨:东北林业大学,2013.

[6]何晓霞,沈玉娣,张西宁.连续小波变换在滚动轴承故障诊断中的应用[J].机械科学与技术,2001,20(4):571-574．

[7]张中明,卢文祥,杨叔子,等.基于小波系数包络谱的滚动轴承故障诊断[J].振动工程学报,1998,11(3):65-69．

[8]乔保栋,陈果,葛科宇,等.一种滚动轴承故障知识获取的新方法[J].轴承,2011(2):39-44.

[9]陈果.滚动轴承表面损伤故障智能诊断新方法[J].仪器仪表学报,2009,30 (1):44-49.

[10]杨柳松.基于小波分析与神经网络滚动轴承故障诊断方法的研究[D].哈尔滨:东北林业大学,2013.

[11]钟诚.基于粗糙集的聚类方法研究[J].琼州学院学报,2011,18(2):8-10.

[12]曾令伟.基于电子商务聚类挖掘的RLS算法分析[J].琼州学院学报,2010,17(2):54-56.

[13]OSCAR R, CARLOS M, SEBASTI N V. Effective active learning strategy for multi-label learning[J].Neurocomputing, 2018, 273(1): 494-508

[14]RODRIGUEZ A, LAIO A. Machine learning clustering by fast search and find of density peaks[J].Science, 344(6191): 1492-1496.

[15]WANG M, MIN F, ZHANG ZH, et al.Active learning through density clustering[J].Expert Systems with Applications, 2017, 85(11): 305-317.