CN106226074B - 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 - Google Patents

基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 Download PDF

Info

Publication number
CN106226074B
CN106226074B CN201610841544.XA CN201610841544A CN106226074B CN 106226074 B CN106226074 B CN 106226074B CN 201610841544 A CN201610841544 A CN 201610841544A CN 106226074 B CN106226074 B CN 106226074B
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
small echo
scale map
gray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610841544.XA
Other languages
English (en)
Other versions
CN106226074A (zh
Inventor
杨涛
郭盛
张琛
张磊
黄树红
高伟
刘帆
刘一帆
肖文星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201610841544.XA priority Critical patent/CN106226074B/zh
Publication of CN106226074A publication Critical patent/CN106226074A/zh
Application granted granted Critical
Publication of CN106226074B publication Critical patent/CN106226074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。

Description

基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
技术领域
本发明属于旋转机械故障诊断技术相关领域，更具体地，涉及一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法。
背景技术
随着现代工业技术的迅速发展，大型的机械设备越来越多地应用在了工业生产之中。同时，设备本身技术水平和复杂度都大大提高，这导致设备故障对工业生产的影响显著增加。如果生产中某台设备出现故障又未能及时排除，不仅会造成设备损坏，甚至造成危及人身安全的重大事故。
早期的故障诊断可以及时的判断设备的异常状态，预防和消除事故，降低事故损失，同时有助于制定合理的维修计划，降低设备维修费用，提高经济效益。因此，旋转机械对故障诊断机制的需求更加迫切，大型旋转机械的状态监测和故障诊断也越来越受到工业生产部门的重视。现有的旋转机械诊断系统，大多是对振动信号进行特征提取，然后对特征进行判断，这种方式在特征提取时往往会漏掉一些故障特征，且易造成误诊断，故障诊断精度较低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其基于卷积神经网络和小波灰度图的特点，针对旋转机械故障诊断方法进行了设计。所述基于卷积神经网络和小波灰度图的旋转机械故障诊断方法采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，提高了诊断效率，降低了维修费用。
为实现上述目的，本发明提供了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：
(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；
(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；
(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；
(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。
进一步的，所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴向或者径向设置；且两者以预定采样方式对所述旋转机械进行所述振动信号的采集。
进一步的，所述预定采样方式为同步整周期采样，其采样频率是所述旋转机械转速的2n倍，n为大于等于6的正整数。
进一步的，对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下：
(21)选择小波母函数Ψ(t)，并根据小波母函数Ψ(t)生成不同尺度a下的连续小波
(22)在不同的尺度a下，对振动信号f(t)进行小波变换，即振动信号f(t)与小波函数ψa,b(t)的卷积即可得到多尺度小波分解结果；
(23)将所述分解结果排列起来，横轴表示信号的时间，纵轴表示尺度；
(24)把排列内的每个点的小波系数由灰度值代替，以得到振动信号的小波灰度图。
进一步的，所述卷积神经网络的训练过程包括以下步骤：
(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动信号，以得到多组不同的故障信号；
(2)对多组所述故障信号进行多尺度小波分解，得到小波灰度图；
(3)对所述小波灰度图进行预处理，以得到所述卷积神经网络的输入图像，同时根据故障种类，构造对应的输出矩阵；
(4)设置所述卷积神经网络的参数，将输入图像及输出矩阵输入所述卷积神经网络进行训练，以得到用于所述旋转机械故障诊断的卷积神经网络。
进一步的，所述卷积神经网络包括第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接神经网络，所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，且提高了诊断效率。
附图说明
图1是本发明较佳实施方式提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法的流程图。
图2是图1中的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法涉及的卷积神经网络的结构示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：10-卷积神经网络，11-第一卷积层，12-第一下采样层，13-第二卷积层，14-第二下采样层，15-全连接神经网络。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1及图2，本发明较佳实施方式提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：
步骤一，采集旋转机械的振动信号。具体地，在所述旋转机械上设置振动位移传感器及振动速度传感器，在所述旋转机械的运动过程中，所述振动位移传感器及所述振动速度传感器以预定采样方式对所述旋转机械进行振动信号采集。
所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴的轴向或者所述轴的径向设置，以检测所述旋转机械沿所述径向的振动。本实施方式中，所述振动位移传感器为电涡流位移传感器，其沿所述轴的径向设置。
所述采样方式包括采样长度及采样频率。本实施方式中，采用同步整周期采样，用来减小转速变化对采样集的影响，同步整周期采样的采样频率是所述旋转机械转速的2n倍，其中n为大于等于6的正整数，每次采集8个周期的振动信号。
步骤二，对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图。具体地，对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下：
(a)选择小波母函数Ψ(t)，并根据小波母函数生成不同尺度a下的连续小波
(b)在不同的尺度a下，对振动信号f(t)进行小波变换，即振动信号f(t)与小波函数ψa,b(t)的卷积即可得到多尺度小波分解结果。本实施方式中，采用Morlet小波作为母小波，对信号做1到128尺度的小波变换，以得到分解结果。
(c)将所述分解结果排列起来，横轴表示信号的时间，纵轴表示尺度。
(d)把排列中的每个点的小波系数由灰度值代替，以得到振动信号的小波灰度图。具体地，将最大的小波系数对应的灰度代替为0，最小的小波系数对应的灰度代替为255，中间的小波系数对应的灰度按照线性插值计算。
步骤三，按照预先训练好的卷积神经网络10的输入形式，对所述小波灰度图进行预处理。具体地，按照所述卷积神经网络10的输入形式从所述小波灰度图中截取相应部分作为所述卷积神经网络10的输入。本实施方式中，截取所述小波灰度图的横轴方向上100到200，纵轴方向上10到110得到101×101的灰度矩阵，作为所述卷积神经网络10的输入矩阵。
步骤四，将预处理后的所述小波灰度图输入到所述卷积神经网络10，所述卷积神经网络10对接收到的所述小波灰度图进行诊断分析，以得到所述旋转机械的故障诊断结果。
所述卷积神经网络10的训练过程包括以下步骤：
(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动信号，以得到多组不同的故障信号。
(2)对多组所述故障信号进行多尺度小波分解，得到小波灰度图。
(3)对所述小波灰度图进行预处理，以得到所述卷积神经网络的输入图像，同时根据故障种类，构造对应的输出矩阵。
(4)设置所述卷积神经网络的参数，将输入图像及输出矩阵输入所述卷积神经网络进行训练，以得到用于所述旋转机械故障诊断的卷积神经网络10。
本实施方式中，采用转子故障模拟试验台的数据作为卷积神经网络的训练数据，对5种故障进行多组升速试验，以获取大量的故障数据；所选用的卷积神经网络10包括有依次相连接的2个卷积层、2个下采样层和1个全连接神经网络15，两个所述卷积层分别为第一卷积层11及第二卷积层13；两个所述下采样层分别为第一下采样层12及第二下采样层14；所述第一卷积层11选用6个6×6的卷积分别对所述小波灰度图进行运算，得到6个第一特征图，然后由2×2的所述第一下采样层12对所述第一特征图进行下采样；所述第二卷积层13选用12个5×5的卷积对所述第一下采样层12采集到的所述第一特征图进行运算，以使每个所述第一特征图得到对应的12个第二特征图，然后由2×2的所述第二下采样层14对所述第二特征图进行下采样；最后通过所述全连接神经网络15对所述第二特征图进行聚类训练；所述卷积神经网络的输出定义如下：如果图像对应第一种故障，输出为[1，0，0，0，0]的矩阵，第二种故障为[0，1，0，0，0]，以此类推；无故障输出为[0，0，0，0，0]。
本发明提供的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其采用小波分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的小波灰度图，并采用训练好的卷积神经网络对所述小波灰度图进行诊断分析，进而得到所述旋转机械的故障诊断结果，诊断精度较高，且提高了诊断效率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：
(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；
(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；
(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；
(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。
2.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其特征在于：所述振动位移传感器及所述振动速度传感器沿所述旋转机械的轴向或者径向设置；且两者以预定采样方式对所述旋转机械进行所述振动信号的采集。
3.如权利要求2所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其特征在于：所述预定采样方式为同步整周期采样，其采样频率是所述旋转机械转速的2n倍，n为大于等于6的正整数。
4.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其特征在于：对所述振动信号进行多尺度小波分解以得到小波灰度图的步骤如下：
(21)选择小波母函数Ψ(t)，并根据小波母函数Ψ(t)生成不同尺度a下的连续小波
(22)在不同的尺度a下，对振动信号f(t)进行小波变换，即振动信号f(t)与小波函数ψa,b(t)的卷积即可得到多尺度小波分解结果；
(23)将所述分解结果排列起来，横轴表示信号的时间，纵轴表示尺度；
(24)把排列内的每个点的小波系数由灰度值代替，以得到振动信号的小波灰度图。
5.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其特征在于：所述卷积神经网络的训练过程包括以下步骤：
(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动信号，以得到多组不同的故障信号；
(2)对多组所述故障信号进行多尺度小波分解，得到小波灰度图；
(3)对所述小波灰度图进行预处理，以得到所述卷积神经网络的输入图像，同时根据故障种类，构造对应的输出矩阵；
(4)设置所述卷积神经网络的参数，将输入图像及输出矩阵输入所述卷积神经网络进行训练，以得到用于所述旋转机械故障诊断的卷积神经网络。
6.如权利要求1所述的基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其特征在于：所述卷积神经网络包括第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接神经网络，所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。
CN201610841544.XA 2016-09-22 2016-09-22 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 Active CN106226074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610841544.XA CN106226074B (zh) 2016-09-22 2016-09-22 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610841544.XA CN106226074B (zh) 2016-09-22 2016-09-22 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN106226074A CN106226074A (zh) 2016-12-14
CN106226074B true CN106226074B (zh) 2017-08-01

Family

ID=58076580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610841544.XA Active CN106226074B (zh) 2016-09-22 2016-09-22 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN106226074B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11016003B2 (en) 2016-11-17 2021-05-25 Ez Pulley Llc Systems and methods for detection and analysis of faulty components in a rotating pulley system
CN107451340A (zh) * 2017-07-17 2017-12-08 安徽工业大学 基于多属性卷积神经网络的旋转机械故障定量诊断方法
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN109029937A (zh) * 2018-05-24 2018-12-18 华中科技大学 一种基于数据的机械手臂轨迹异常监测方法
CN108732465B (zh) * 2018-05-30 2020-08-04 广东电网有限责任公司 一种基于小波变换和cnn的配电网故障定位方法
CN109814523B (zh) * 2018-12-04 2020-08-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN109640335B (zh) * 2019-02-28 2022-02-08 福建师范大学 基于卷积神经网络的无线传感器故障诊断方法
CN110542557B (zh) * 2019-08-21 2021-02-09 中国一拖集团有限公司 图像积分驱动的机床大数据周期性故障特征分析方法
US20230184624A1 (en) * 2020-04-27 2023-06-15 Siemens Aktiengesellschaft Fault Diagnosis Method and Apparatus Therefor
CN111723658B (zh) * 2020-05-13 2022-06-10 江苏方天电力技术有限公司 基于卷积神经网络的旋转机械故障征兆识别方法
CN112036435B (zh) * 2020-07-22 2024-01-09 温州大学 一种基于卷积神经网络的无刷直流电机传感器故障检测方法
CN113865859A (zh) * 2021-08-25 2021-12-31 西北工业大学 多尺度多源异构信息融合的齿轮箱状态故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7013223B1 (en) * 2002-09-25 2006-03-14 The Board Of Trustees Of The University Of Illinois Method and apparatus for analyzing performance of a hydraulic pump
CN101201295A (zh) * 2006-12-13 2008-06-18 上海海事大学 旋转机械小波灰色故障预测方法及装置
CN102122133B (zh) * 2011-01-21 2012-10-10 北京工业大学 自适应小波神经网络异常检测故障诊断分类系统及方法
CN103048135A (zh) * 2012-12-15 2013-04-17 新昌县冠阳技术开发有限公司 一种柔性转子滚动轴承基础系统多故障耦合实验器及故障辨识方法
KR101420567B1 (ko) * 2013-03-21 2014-07-17 울산대학교 산학협력단 유도 전동기 고장 특징 추출 방법
CN105181110A (zh) * 2015-09-13 2015-12-23 北京航空航天大学 一种基于sift-kpca和svm的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN106226074A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106226074B (zh) 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
CN106408088B (zh) 一种基于深度学习理论的旋转机械设备故障诊断方法
CN105736140B (zh) 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法
CN108171263A (zh) 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法
CN101477375B (zh) 基于矩阵奇异值关联规则挖掘的传感器数据校验方法
CN206504869U (zh) 一种滚动轴承故障诊断装置
CN109115491A (zh) 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法
CN109211546A (zh) 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN104265577B (zh) 一种基于压缩感知的风力发电机组异常检测方法
CN109029995A (zh) 基于聚类和多层自编码网络的轴承设备状态监控方法
CN107024271A (zh) 机械振动信号压缩重构方法及系统
CN112949753B (zh) 一种基于二元关系的卫星遥测时序数据异常检测方法
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN114239641B (zh) 一种联合注意力机制选择核卷积残差网络的故障诊断方法
CN114241271B (zh) 一种多孪生迁移学习融合多信息的机械故障智能诊断方法
CN113733164B (zh) 一种基于电流检测的工业机器人故障诊断方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN112395968B (zh) 基于神经网络的机械旋转部件故障诊断方法及装置
CN107016440A (zh) 机械传动故障的多分辨率深度神经网络智能诊断方法
CN114279728B (zh) 一种振动筛机体的故障诊断方法及系统
CN112706901B (zh) 一种半潜船主推进系统半监督故障诊断方法
CN112766331A (zh) 一种基于多通道cnn多元信息融合的轴承故障诊断方法
CN111967364A (zh) 复合故障诊断方法、装置、电子设备和存储介质
CN112665713A (zh) 一种基于实时振动数据的往复机械设备故障检测方法
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant