CN107526853A - 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 - Google Patents
基于层叠卷积网络的滚动轴承故障模式识别方法及装置 Download PDFInfo
- Publication number
- CN107526853A CN107526853A CN201610456903.XA CN201610456903A CN107526853A CN 107526853 A CN107526853 A CN 107526853A CN 201610456903 A CN201610456903 A CN 201610456903A CN 107526853 A CN107526853 A CN 107526853A
- Authority
- CN
- China
- Prior art keywords
- mrow
- layer
- sub
- rolling bearing
- convolutional
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G01M13/04—Bearings
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于层叠卷积网络的滚动轴承故障模式识别方法及装置,涉及滚动轴承故障诊断领域,所述方法包括:对已知状态的滚动轴承的振动信号进行时频域特征提取;将所得到的已知状态的滚动轴承的时频域特征规整为符合CNN网络输入格式的特征图元;将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,得到训练完成的CNN网络;在识别实际滚动轴承故障模式时,以未知状态的滚动轴承的振动信号时频域特征为输入,利用训练完成的CNN网络逐层提取能够反映本征信息的高阶特征,再将逐层特征自学习的结果输入到顶层分类器中,实现滚动轴承在多工况和强噪声情况下的故障模式识别。
Description
技术领域
本发明涉及滚动轴承故障诊断领域,特别涉及一种基于层叠卷积网络(Convolutional Neural Network,CNN)的滚动轴承故障模式识别方法及装置。
背景技术
滚动轴承用于支承机电产品旋转机械转动轴及轴上零件,保持轴的正常工作位置和旋转精度,其特点是使用维护方便、工作可靠、起动性能好、在中等速度下承载能力较高。滚动轴承是机械设备中常用的关键零部件,其工作状态是否正常直接关系到整条生产线的正常运行状态。滚动轴承的故障常常会导致生产力的大幅度降低,严重时甚至会导致巨大财产损失。为了保证滚动轴承在良好的状态下运行,需要对滚动轴承进行状态监控和故障诊断。因而研究滚动轴承的故障检测和诊断技术,对于避免重大事故、减少人力物力损失以及变革维修体质等具有重要的理论研究价值和实际应用意义。
由于高转速和复杂工况的影响,滚动轴承的故障诊断问题一直是机电产品旋转机械健康维护的一个重要研究方向。其中,轴承的故障诊断通常可以包括特征提取和故障模式识别两个部分。特征提取的目的是利用时域和频域分析等方法,从监测信号中得到能够有效表达当前轴承故障状态的参量,例如时域指标均方根、翘度和频域指标小波系数等,这些参量作为轴承故障的特征,是故障模式识别的基础。故障模式识别的目的是基于提取的特征数据,利用有效的分类器,准确定位轴承中发生故障的组成部件,如内环故障、外环故障和滚动体故障等,为轴承的维护维修与可靠性设计做出评判依据。
随着机电产品经济性、可靠性和安全性要求不断提高,近年来为了满足操作者在健康管理和维护方面的需求,逐渐发展出一系列相关的特征提取和故障诊断方法。
在特征选择方面,现有技术主要集中在时域和频域分析领域,通过统计数学或频域分析方法,提取出能够表征故障特性的信号指标,典型方法如经验模态分解(EMD)和小波分析等。EMD能够将任何复杂信号分解为几个基本模态分量(IMF)的叠加,进而通过希尔伯特黄变换得到瞬时幅值和瞬时频率,较适合时变信号。小波分析是傅里叶变换的拓展,可以将信号整合为一系列小波的组合,从频域角度提取到信号的有用特征。此外,随着信息传感技术的发展,还出现了众多适用于不同对象的衍生分析方法。如局部特征尺度分解(LMD)、压缩感知(CS)等,并产生了在特征提取基础上的特征优化和降维方法,典型例子如主成分分析(PCA)和平均影响值评估(MIV)等。在故障模式识别方面,已有神经网络、支持向量机(SVM)等众多方法,这些方法利用提取出的特征,训练得到合理的模型参数,通过识别轴承不同故障状态的差异性,提取得到对应的故障类别标签,实现滚动轴承的故障判别。
常用的滚动轴承故障诊断方法可以看作是在时频域分析后的进一步特征提取,提取的特征只对某些信号适用且缺乏足够的鲁棒性,往往针对一种工况时效果较好,而在另一种工况下效果不够稳定,并容易受到噪声的干扰。原因在于,传统方法往往着眼于信号的“表面征兆”,无法挖掘到深层次的故障信息,且特征选择时大多依赖人工经验,模型无法学习到高阶的表达能力更强的信号特征。在故障诊断时,浅层(利用单层神经网络)模型结构难以充分挖掘所学习到的特征信息,对提取特征的利用程度不足,尤其是工况波动或环境复杂时,难以从强外界干扰中学习和利用能够反映轴承数据本质的高阶特征,使得分类时容易出现类别混淆,降低分类精度。此外,在模型训练过程中,传统模型往往需要反复调整大量的关联参数,例如神经网络对每一层权值都需要反复更新,容易消耗无谓的计算资源。因此,传统的故障诊断方法存在特征自学习能力较弱,难以挖掘数据本质信息,分类精度受限和计算资源消耗较大等问题。
深度学习已在图像处理和模式识别中展现出巨大优势,能够通过多隐层的特征自学习挖掘数据的本质信息,强化对故障对象的识别能力。然而,深度学习在轴承诊断应用中存在的问题是,在模型训练过程中,深度学习模型往往需要反复调整大量的关联参数,例如神经网络对每一层权值都需要反复更新,容易消耗大量的计算资源。
本发明将深度学习中改进的层叠卷积网络应用于滚动轴承故障诊断,解决传统故障诊断方法的上述不足。
发明内容
根据本发明实施例提供的技术方案解决的技术问题是传统的滚动轴承故障诊断方法存在的特征自学习能力较弱,难以挖掘数据本质信息,分类精度受限和计算资源消耗较大等问题。。
根据本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别方法,包括:
基于层叠卷积网络的滚动轴承故障模式识别方法,其特征在于,包括:
对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征;
将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元;
将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,得到训练完成的CNN网络;
在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。
优选地,所述模型参数包括权重矩阵和偏置,所述前向自学习处理步骤包括:
将所述特征图元划分为多个连续的具有重叠部分的区域,作为所述CNN网络的第一层卷积层的特征图元;
所述第一层卷积层中的每个卷积单元,对相应的一个特征图元进行包括卷积运算的处理,得到所述CNN网络的第二层子采样层的特征图元;
所述第二层子采样层中的每个子采样单元,对所述第一层卷积层处理得到的一个特征图元进行包括特征降维运算的处理,得到所述CNN网络的第三层卷积层的特征图元;
所述第三层卷积层中的每个卷积单元,对第二层子采样层处理得到的不同位置特征图元进行包括卷积运算的处理,得到所述CNN网络的第四层子采样层的特征图元;
交替进行包括卷积运算的处理和包括特征降维运算的处理,直至得到CNN网络的最后一层子采样层输出的特征图元。
优选地,所述第一层卷积层的包括卷积运算的处理采用公式其中,是第1层的第j个卷积单元的激活值,Mj是第1层的第j个特征图元,是第1层的第j个卷积单元的权重矩阵,是第1层的第j个卷积单元的偏置,是Mj中的第i个局部感知域的数据,*指卷积运算,f(·)是卷积层至子采样层的传递函数。
优选地,所述包括特征降维运算的处理采用公式其中,是第l层子采样层的第j个子采样单元的激活值,是第l层的第j个子采样单元的权重矩阵,是第l层的第j个子采样单元的偏置,是l层的第j个子采样单元的特征图元,g(·)是子采样层至卷积层的传递函数,down(·)是下采样过程。
优选地,所述第三层卷积层及后续卷积层的包括卷积运算的处理采用公式其中,是k次卷积集成后的输出结果,tanh(·)是相应的激活函数,ωk是相应特征图元的权重矩阵,角标ij表示每个特征图元中的第ij个局部感知域,x是特征图元中的第ij个局部感知域。
优选地,所述f(·)采用公式其中,y是卷积层的卷积运算结果与相应偏置的和。
优选地,所述基于梯度下降的反向传播处理步骤包括:
从后向前,对子采样层到卷积层的偏差进行计算,并利用所述偏差对所述卷积层的模型参数进行调整,使所述卷积层的误差敏感值最小化;
从后向前,对卷积层到子采样层的偏差进行计算,并利用所述偏差对所述子采样层的模型参数进行调整,使所述子采样层的误差敏感值最小化。
优选地,通过以下公式计算子采样层到卷积层的偏差:
其中,是第l层卷积层的第j个卷积单元的误差敏感值;是l+1层子采样层第j个子采样单元的误差敏感值;up(·)表示针对l+1层子采样层的上采样过程,用来将特征图元的大小规整为和l层卷积层相同的形式;ο表示为内积运算;是第l层卷积层的第j个特征图元的偏导数;是l+1层子采样层第j个子采样单元的权重矩阵;是内积运算的结果;(u,v)是特征图元中每个局部感知域的对应位置;是第l层卷积层的第j个卷积单元的权重偏差,是第l层卷积层的第j个卷积单元的偏置的偏差。
优选地,通过以下公式计算卷积层到子采样层的偏差:
其中,是第l层子采样层的第i个子采样单元的误差敏感值;是l+1层卷积层第j个卷积单元的误差敏感值;ωij是l+1层卷积层第j个卷积单元的权重矩阵;*代表数学意义上的离散卷积运算;是第l层子采样层的第i个特征图元;是第l层子采样层的第j个子采样单元的权重偏差;是第l层子采样层的第j个子采样单元的偏置的偏差。
根据本发明实施例提供的存储介质,其存储用于实现上述基于层叠卷积网络的滚动轴承故障模式识别方法的程序。
根据本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别装置,包括:
信号处理模块,用于对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征;
格式转换模块,用于将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元;
参数获取模块,用于将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,从而得到训练完成的CNN网络;
故障识别模块,用于在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。。
本发明实施例提供的技术方案具有如下有益效果:
本发明将深度学习中改进的层叠卷积网络应用于滚动轴承故障诊断中,能够提高对滚动轴承故障特征的自学习能力,强化故障诊断对多工况和强噪声的鲁棒性,并降低计算资源消耗,提高滚动轴承故障诊断能力。
附图说明
图1是本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别方法框图;
图2是本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别装置框图;
图3是本发明实施例提供的基于CNN的轴承故障诊断流程图;
图4是本发明实施例提供的CNN模型架构图;
图5a是现有技术提供的全连接示意;
图5b是本发明实施例提供的局部连接示意;
图6是本发明实施例提供的多输入特征图元下的卷积计算过程示意图;
图7是本发明实施例提供的前向自学习中的子采样过程示意图;
图8是本发明实施例提供的千鹏试验台布局图;
图9是本发明实施例提供的案例1的CNN模型对比轴承诊断结果示意图;
图10是本发明实施例提供的案例2的CNN模型对比轴承诊断结果示意图;
图11是本发明实施例提供的不同噪声程度下的轴承数据图;
图12是本发明实施例提供的不同噪声下的CNN轴承对比诊断结果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1是本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别方法框图,如图1所示,步骤包括:
步骤S101:对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征。
步骤S102:将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元。
步骤S103:将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,得到训练完成的CNN网络。
所述模型参数包括权重矩阵和偏置。
所述前向自学习处理步骤包括:将所述特征图元划分为多个连续的具有重叠部分的区域,作为所述CNN网络的第一层卷积层的特征图元;所述第一层卷积层中的每个卷积单元,对相应的一个特征图元进行包括卷积运算的处理,得到所述CNN网络的第二层子采样层的特征图元,输入到第二层子采样层;所述第二层子采样层中的每个子采样单元,对所述第一层卷积层处理得到的一个特征图元进行包括特征降维运算的处理,得到所述CNN网络的第三层卷积层的特征图元,输入到第三层卷积层;所述第三层卷积层中的每个卷积单元,对第二层子采样层处理得到的不同位置特征图元进行包括卷积运算的处理,得到所述CNN网络的第四层子采样层的特征图元,输入到第四层子采样层;交替进行包括卷积运算的处理和包括特征降维运算的处理,直至得到CNN网络的最后一层子采样层输出的特征图元。
其中,所述第一层卷积层的包括卷积运算的处理采用公式其中,是第1层的第j个卷积单元的激活值,Mj是第1层的第j个特征图元,是第1层的第j个卷积单元的权重矩阵,是第1层的第j个卷积单元的偏置,是Mj中的第i个局部感知域的数据,*指卷积运算,f(·)是卷积层至子采样层的传递函数。
其中,所述包括特征降维运算的处理采用公式其中,是第l层子采样层的第j个子采样单元的激活值,是第l层的第j个子采样单元的权重矩阵,是第l层的第j个子采样单元的偏置,是l层的第j个子采样单元的特征图元,g(·)是子采样层至卷积层的传递函数,down(·)是下采样过程。
其中,所述第三层卷积层及后续卷积层的包括卷积运算的处理采用公式其中,是k次卷积集成后的输出结果,tanh(·)是相应的激活函数,ωk是相应特征图元的权重矩阵,角标ij表示每个特征图元中的第ij个局部感知域,x是特征图元中的第ij个局部感知域。
其中,所述f(·)采用公式其中,y是卷积层的卷积运算结果与相应偏置的和。
所述基于梯度下降的反向传播处理步骤包括:从后向前,对子采样层到卷积层的偏差进行计算,并利用所述偏差对所述卷积层的模型参数进行调整,使所述卷积层的误差敏感值最小化;从后向前,对卷积层到子采样层的偏差进行计算,并利用所述偏差对所述子采样层的模型参数进行调整,使所述子采样层的误差敏感值最小化。
其中,通过以下公式计算子采样层到卷积层的偏差:
是第l层卷积层的第j个卷积单元的误差敏感值;是l+1层子采样层第j个子采样单元的误差敏感值;up(·)表示针对l+1层子采样层的上采样过程,用来将特征图元的大小规整为和l层卷积层相同的形式;ο表示为内积运算;是第l层卷积层的第j个特征图元的偏导数;是l+1层子采样层第j个子采样单元的权重矩阵;是内积运算的结果;(u,v)是特征图元中每个局部感知域的对应位置;是第l层卷积层的第j个卷积单元的权重偏差,是第l层卷积层的第j个卷积单元的偏置的偏差。
其中,通过以下公式计算卷积层到子采样层的偏差:
是第l层子采样层的第i个子采样单元的误差敏感值;是l+1层卷积层第j个卷积单元的误差敏感值;ωij是l+1层卷积层第j个卷积单元的权重矩阵;*代表数学意义上的离散卷积运算;是第l层子采样层的第i个特征图元;是第l层子采样层的第j个子采样单元的权重偏差;是第l层子采样层的第j个子采样单元的偏置的偏差。
步骤S104:在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。
本实施例对已知状态的滚动轴承的振动信号进行时频域特征提取,将所得到的已知状态的滚动轴承的时频域特征规整为符合CNN网络输入格式的特征图元,输入至CNN网络,并通过在所述CNN网络进行前向自学习和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,得到训练完成的CNN网络;在识别实际滚动轴承故障模式时,以未知状态的滚动轴承的振动信号时频域特征为输入,利用训练完成的CNN网络逐层提取能够反映本征信息的高阶特征,再将逐层特征自学习的结果输入到顶层分类器中,实现滚动轴承在多工况和强噪声情况下的故障模式识别。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,该程序在执行时,包括步骤S101至步骤S104。其中,所述的存储介质可以为ROM/RAM、磁碟、光盘等。
图2是本发明实施例提供的基于层叠卷积网络的滚动轴承故障模式识别装置框图,如图2所示,包括:
信号处理模块10,用于对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征。
格式转换模块20,用于将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元。
网络训练模块30,用于将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,从而得到训练完成的CNN网络。
故障识别模块40,用于在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。
本实施例适用于多工况和强噪声下的滚动轴承故障诊断。
基于CNN的滚动轴承故障模式识别诊断过程主要包括:提取轴承特征数据,初始化CNN网络模型结构;基于改进修正线性单元、局部感知域和权重共享进行正向卷积计算;基于子采样方法进行特征维度约减;利用Softmax回归和反向传播微调实现滚动轴承故障模式分类和优化。
图3是本发明实施例提供的基于CNN的轴承故障诊断流程图,如图3所示,在变工况下滚动轴承故障诊断的整体步骤包括:
一、数据预处理阶段
步骤一、提取滚动轴承时频域特征。
对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征,并将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元。也就是说,获取滚动轴承四种状态下的振动信号,并提取对应的时频域特征,规整为层叠卷积网络所需要的输入格式,定义为“特征图元”结构。
所述四种状态分别为正常状态、内圈故障状态、外圈故障状态和滚动单体故障状态。
在滚动轴承运行状态下,以预先设定的采样频率和采样时间,对正常、内圈故障、外圈故障、滚动单体故障四种状态下的滚动轴承各采集N组振动信号,且故障状态下采集的振动信号包含不同故障程度下的信号。每种状态下的N组振动信号就是所要获取的时域信号,设每组振动信号具有n个采样点。
二、前向自学习阶段
基于修正线性单元,构建包含N个卷积层和N个子采样层的CNN模型,包括设置所使用的卷积层传递函数、修正线性单元、子采样层传递函数;根据构建的CNN模型,基于局部感知域和权重共享进行卷积计算,并进行基于子采样的特征维度约减,直至到达CNN网络的最后一层。
步骤二、初始化层叠卷积网络结构。
图4是本发明实施例提供的CNN模型架构图,如图4所示,该网络主要包括输入层、卷积层、子采样层和输出层四个部分。利用逐层训练的方法对特征进行正向的自学习,得到对轴承数据表达具有较好鲁棒性的高阶特征。与其它深度学习网络不同,层叠卷积网络主要包括卷积层和子采样层(用于数据压缩和特征约减)两种类型的隐层网络结构。
图4中,卷积层和子采样层是交替分布的,一个卷积层后面连接一个子采样层。每一层的“特征图元”大小由参与卷积过程的卷积核(对于卷积计算被初始化为权重矩阵)来确定,由于层叠卷积网络中的局部感知域、权重平均和子采样方法会形成特征约减的效果,特征图元的大小理论上会随着层数的增加而减小,但特征图元的数目会依次递增。顶层的Softmax回归分类器用于最终的轴承故障模式识别。
步骤三、考虑修正线性单元的逐层深度自学习。
根据图4的层叠卷积网络结构,逐层自学习首先通过输入的轴承数据训练第一个卷积层C1,得到对应的网络权重参数然后以该卷积层的激活输出值为输入,训练C1后面的第一个子采样层S1。该过程依次交替进行,在训练过程中,当一个隐层被训练时,其它隐层参数都保持不变,直到所有的隐层参数都得到初始化。当前向训练完毕后,再通过反向传播梯度下降进行全局参数优化。
分别设定在上述过程中使用的卷积层和子采样层的传递函数,具体如下:
卷积层的传递函数为其中,是卷积层神经元的激活值;f(·)是两种隐层之间的传递函数;Mj、 分别代表第l层卷积层的第j个特征图元、权重矩阵、偏置;是输入到第l层卷积层的特征图元上的部分区域数据。
子采样层的传递函数为:其中,是子采样层神经元的激活值;f(·)是两种隐层之间的传递函数;down(·)代表子采样过程,即下采样过程; 分别代表第l层子采样层的第j个权重矩阵、偏置;是输入到第l层子采样层的特征图元的部分区域数据。
在f(·)的确立过程中,通常情况下,CNN可以利用sigmoid作为层间传递函数,但在轴承故障诊断中存在的问题是该传递函数在处理大量复杂轴承数据时不够稳定,并容易出现梯度消失的现象,从而导致出现较长的计算时间。因此,本实施例借鉴生物学神经元激活原理,通过在卷积层引入修正线性单元提高学习的稀疏性,代替现有的步进sigmoid单元,使得CNN对轴承数据的前向自学习过程更符合实际要求,即将传统的传递函数修改为其中,在新的传递函数中,x就是卷积层的输出,也就是卷积层的卷积运算结果与相应偏置的和。当x小于等于0时,使得子采样层的激活函数始终处于被抑制的状态,也就是过滤掉无谓的轴承混杂信息,只有当卷积结果为有意义的正值,才进行层与层之间的特征传播。该过程能够有效提高前向卷积过程对轴承数据的区分能力。
步骤四、局部感知
针对逐层深度自学习中参数量较大,计算冗余,特征学习能力不够充分等问题,本实施例在正向卷积计算中,采用CNN网络中的局部感知域和权值共享方法,将图5a所示的传统深度学习中层与层间的“全连接”方式(即每个隐层单元与输入的所有特征图元连接)转换为图5b所示的特征图元间的“部分连接”方式(即每个隐层单元与输入的部分特征图元连接),利用卷积核构造不同的局部连接区域,以减少训练参数提高轴承诊断的效率,减少时移误差影响提高诊断的稳定性。
局部感知域如图5b所示,在CNN的卷积层中,每次迭代的输入层和隐层都只通过轴承数据特征图元上的一小块区域进行局部连接,并进行卷积计算,从而形成其对应的下一个子采样层的特征图元。通过卷积核的滑移重构,将提取的数据分为多个连续子数据段的有重叠集成,从而得到在每段数据内具有突出表示的高阶特征参量。局部感知域方法里,卷积核是卷积计算的基础,在图像识别领域通常是选取直角边或转角作为来构造卷积核,从而能够提高对图像突出特征的识别能力。本实施例的轴承诊断方案也采用相似的方法,尽量以振动数据变化波动较为明显区域的数据为基础构建卷积核,强化数据对噪声和变工况的识别能力。
步骤五、权重共享
图6是本发明实施例提供的多输入特征图元下的卷积计算过程示意图,如图6所示,为了挖掘轴承数据中具有强稳定性和不变性的特征,本实施例在CNN中采用权重分享的方法,即一个特征图元内的所有单元都共享相同的权重和偏置,使得CNN在前向学习中能够获取故障特征的本征性质信息,进而对因环境噪声和工况变化引起的数据波动问题具有较好的鲁棒性。显然,只采用一个卷积核得到一个相关的特征图元,其包含的信息量是不充分的,因此本实施例根据轴承故障诊断需求,将多个卷积核的计算结果集成起来,形成下一层新的特征图元。
用角标ij定义每个特征图元中的第ij个局部感知域,对应的激活值计算公式为其中,是k个卷积核集成的输出结果,tanh(·)是对应的激活函数,ωk是每个特征图元的权重比例。
步骤六、特征维度约减
图7是本发明实施例提供的前向自学习中的子采样过程示意图,如图7所示,在卷积计算后,轴承数据的一个典型特征是数据之间的相对位置变得突出,但绝对位置不再对故障模式识别起到关键作用。也就是说,数据之间的分布关联特性成为了故障分类的重要依据。因此,本实施例在子采样层对特征图元中的每个局部感知域提取均值或极值指标,然后以该统计指标代替原先局部感知域内的可能包含冗余的全局信息,实现特征的降维,并使得约减后的特征量具有较好的时间和空间不变性。
如图7所示,在本实施例中,卷积层学习到的轴承卷积特征首先被分割为多个不连续的子区域块,然后对每个区域块提取均值指标。假设特征图元的大小为n×n,分割区域块大小为m×m,那么子采样中的参数比例即为(n/m)×(n/m),从而实现特征维度的约减。
由于卷积层和子采样层是交替分布的,判断是否到达最后一组隐含层(包括第N个卷积层和第N个子采样层),若是最后一组隐含层,则在执行步骤六的特征维度约减后,进入微调阶段,若不是最后一组隐含层,则重复执行基于步骤四局部感知和步骤五权重共享的的卷积计算步骤,以及步骤六的特征维度约减步骤,直至执行至最后一组隐含层。
三、微调阶段
步骤七、根据分类需求确定顶层Softmax回归参数,并基于反向传播算法对模型参数进行调整。
滚动轴承通常情况下具有内圈故障、外圈故障、滚动体故障等多个故障模式,对于多故障模式的分类,本实施例采用Softmax回归的方法,以层叠卷积计算和二次子采样得到的高阶特征向量作为输入,分别计算每种故障模式的概率大小作为故障分类的判定依据。同时,针对前向自学习中的累计误差扩散问题,本实施例采用基于反向传播的微调算法,通过最小化顶层Softmax回归分类结果残差,从输出层到输入层对已构建的CNN网络模型的模型参数进行微调,实现对CNN模型神经网络参数的整体优化调整。
(1)基于Softmax回归算法的故障分类过程
假设共有k个分类类别,在Softmax回归中系统的方程如下:
其中,p(y(i)=k|x(i);θ)代表第k个概率下分类概率,参数θ不再是列向量,而是一个矩阵,每一行是一个类别对应分类器的参数,总计k行。因此,θ可以写成如下形式:
在采用梯度下降法优化模型参数时,Softmax回归中损失函数的偏导函数如下:
其中,是一个向量,它的第l个元素是J(θ)对θj的第l个分量的偏导数。1{.}是一个指示性函数,即当大括号中的值为真时,该函数的结果就为1,否则其结果就为0。
为避免最优解不唯一的问题,在损失函数中加入规则项使代价函数成为严格的凸函数,从而定义新的偏导函数,公式如下:
通过最小化就可以构建一个有效的Softmax分类模型。
(2)基于反向传播算法的参数全局优化过程
假设一个具有多卷积层和多子采样层的卷积神经网络模型,CNN的反向传播的基本步骤包括:1.计算前向自学习中每一层的输出激活值;2.根据代价函数,计算输出层的偏导数;3.从后向前,计算从子采样层到卷积层的偏差;4、从后向前,计算卷积层到子采样层的偏差;5、重复步骤3和4,直到到达输入层;6、利用梯度下降法更新权重参量;7、利用共轭梯度法更新实现CNN模型参数的全局优化。
本实施例的CNN反向传播从卷积层传播到子采样层和从子采样层传播到卷积层的计算方式,即步骤3和4,与传统的深度学习反向传播方法是不同的,具体如下。
1、关于步骤3,从子采样层到卷积层。
假设第l层(子采样层)有N个通道,即有N张特征图元,第l+1层(卷积层)有M个特征,l层中每个通道都对应有自己的误差敏感值,其计算依据为第l+1层所有卷积核的贡献之和。
其中,up(·)表示针对l子采样层的一个上采样过程,用来将特征图元的大小规整为和对应卷积层相同的形式,ο表示为内积运算。
对权重和偏置的偏导数计算过程分别为和其中,pi是内积运算的结果,(u,v)是特征图元中每个隐层单元的对应位置。
关于步骤4、从卷积层到子采样层。
假设在子采样层有N个特征图元,那么第i个隐层单元和第j个卷积核的误差敏感值可以表示为其中,*代表了数学意义上的离散卷积运算,进而可以计算权重和偏置的偏导数分别为和式中,表示在子采样层中的第i个特征图元。
需要注意的是,由于权值共享的存在,反向传播过程中同一个局部感知域中的权值应该保持一致性。但在具体训练过程中,强迫初始权重相同很容易陷入局部最优的问题。因此在CNN网络的训练中,本实施例最初仍以随机概率对权重赋值和微调,当满足反向传播优化的停止条件时,再将不同单元间的结果集成起来,即式中,表示第l层连接的偏导数共同分享权值ωk,ui,j表示单元i和单元j之间的连接权重,Vk则是对应的模型优化参量,该式相当于将各个传播单元节点的权重累加,进而得到最终的共享权重参数。
四、故障诊断阶段。
在微调的模型参数后,得到训练完成的CNN网络,这样,在识别实际滚动轴承故障模式时,就可以利用该训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,然后将处理结果输出至Softmax回归分类器,Softmax回归分类器根据输入的处理结果,确定实际滚动轴承故障模式。
本发明的应用实例如下:
1、原始数据准备
案例1:本实施例以美国西储大学轴承数据为例,说明基于层叠卷积网络的滚动轴承故障诊断实现方法。
首先是数据的准备部分。该滚动轴承试验平台包括一个2马力的电机(左侧)(1hp=746W),一个转矩传感器(中间),一个功率计(右侧)和电子控制设备。使用电火花加工技术在支撑轴承上布置单点故障,故障直径可分别设置为0.007、0.014、0.021、0.028、0.040英寸,其中,1英寸=2.54厘米。前三种故障直径的轴承使用SKF轴承,后两种故障直径的轴承使用与之等效的NTN轴承。该试验台包括驱动端轴承盒风扇端轴承,加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号是通过16通道的DAT记录器采集的,数字信号的采样频率为每秒钟12000个点,驱动端轴承故障数据采样速率为每秒钟48000个点。
在实际操作中,本实施例以驱动端(DE)轴承为研究对象,选取故障直径为7miles,六点钟方向的振动信号为原始数据,对其正常状态、内环故障状态、外环故障状态和滚动体故障状态进行故障模式识别。轴承对应的尺寸和故障频率信息如表1所示,轴承数据信息如表2所示。
案例2:以北航PHM实验室千鹏试验台为测试对象,图8是本发明实施例提供的千鹏试验台布局图,如图8所示。千鹏试验台中的驱动电机与驱动轴相连接,测试轴承的外环和内环分别安装在对应的轴承座上,外环与轴承座相固定。控制柜可以控制驱动轴的转速(即轴承转速),当驱动功率是0.75kW时,转速范围是75-1450rpm,此时最大扭矩为5.9N.m。本实施例采用三轴加速度传感器获取轴承在X/Y/Z三个方向上的振动数据,采样频率为5120Hz。
表1 试验轴承信息
表2 试验轴承数据信息
2、层叠卷积网络模型的构建
基于卷积和子采样的逐层自学习是层叠卷积网络轴承故障诊断的一个重要部分,可以有效挖掘出具有强识别性和稳定性的高阶特征,实现对数据维度的约减与数据重构。该方法模型是基于多层神经网络来实现的,并采用Softmax回归算法作为顶层分类器得到故障诊断结果。本实施例设定的隐层数目为四层,其中卷积层和子采样层依次交替分布。根据卷积和子采样定理,随着层数的增加,特征图元的尺寸会依次降低。假设输入特征图元为a×a,卷积核为b×b,子采样区域为s×s,则对应卷积层特征图元尺寸可计算为C1=c×c=(a-b+1)×(a-b+1),对应子采样层特征图元尺寸可计算为S1=(c/s)×(c/s)。
CNN模型中的主要参数如表3所示。
表3 CNN模型参数
借鉴图像识别理论,本实施例为强化特征的表达效果,子采样层S1和卷积
层C2采用部分连接的方式。其关联关系如表4所示。
表4 CNN模型S1和C2特征图元连接关系
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | |
1 | Y | Y | Y | Y | Y | |||||||
2 | Y | Y | Y | Y | Y | Y | Y | Y | ||||
3 | Y | Y | Y | Y | Y | Y | Y | Y | Y | Y | ||
4 | Y | Y | Y | Y | Y | Y | Y | Y | Y | Y | ||
5 | Y | Y | Y | Y | Y | Y | Y | Y | ||||
6 | Y | Y | Y | Y | Y |
在表4中,每一列的Y值代表S1层的特征图元和C2层的特征图元相连接,空表示不连接。观察可得,C2中的前九个特征图元是由S1中不同连续位置的特征图元卷积得到的,之后的第十个和第十一个图元是按照奇偶分布的方法进行连接,最后一列表示特征图元之间全连接。通过这样的方法,可以使得CNN在轴承数据自学习过程中避免冗余的过拟合,从而在多个角度提高对数据表达的鲁棒性。
根据预期的分类需求,本实施例设定输出类别为4,并用二元标签序列表征对应的故障模式,即对应故障模式位设定为1,否则该位为0,如正常标签为(1,0,0,0)。本实施例采用十倍交叉验证的方法,以九组数据做训练,一组数据做测试,采用十次验证的平均准确度作为最终的轴承诊断结果。结果计算公式为
3、多工况下的滚动轴承故障诊断
为了验证本发明的方法在精度和计算效率方面的有效性,将本发明的方法(CNN)分别与层叠自动编码器(Stacked Auto Encoder,SAE)、随机森林(Randomforest,RF)、支持向量机(Support Vector Machine,SVM)和浅层Softmax回归方法(SR)进行对比。在案例1和案例2中,轴承的诊断结果分别参见如图9所示的案例1的CNN模型对比轴承诊断结果示意图和如图10所示的案例2的CNN模型对比轴承诊断结果示意图。
图9和图10中的横坐标为交叉验证的次数,纵坐标为根据公式计算得到的轴承诊断结果。从图9和图10中可以看出,利用卷积计算和子采样的优势,通过前向自学习和反向传播,CNN在诊断精度和稳定性上都有较大的优势。在两个案例中,由于案例1的数据要远远大于案例2的数据,通过对两次试验结果的列表分析,还可以发现随着数据量的增加,CNN在轴承诊断方面的优势会愈发明显,但依然保持着较高的计算效率。表5是两个案例多工况诊断的结果汇总列表。
表5 CNN模型对比诊断详细结果列表
4、不同程度噪音影响下的滚动轴承故障诊断
由于滚动轴承容易受到工况波动和环境噪声的干扰,因此轴承诊断方法通常需要对工况波动和环境噪声都具有较高的鲁棒性。因此,本实施例以DE轴承在1797rpm转速下各故障模式的振动数据为例,向其中添加从10dB到50dB不同程度信噪比(SNR)的噪声,添加噪声后的轴承数据如图11所示的不同噪声程度下的轴承数据图。
以不同信噪比的轴承振动信号为对象,将本发明的方法与传统方法的故障诊断结果进行对比,其诊断结果如图12所示的不同噪声下的CNN轴承对比诊断结果。
在图12中,由于局部感知域和权重共享的优势,可以观察到随着噪声的增大,CNN依然具有较高的诊断精度和较小的波动性,例如在SNR为10dB的时候,CNN依然可以得到92.42%的分类精度。详细的故障诊断结果如表7所示。
表7 不同噪声影响下的CNN轴承对比诊断结果
分析本发明的方法案在例1和案例2上的试验结果,可以得出以下结论:
1、通过层叠的卷积层和子采样层,可以提高对原始数据本质信息的挖掘能力,得到对时间空间具有较好不变性、高鲁棒性的特征参量。通过实验可以发现,提取出的高阶特征使得CNN在多工况和强噪声下依然可以保持较高的诊断精度。
2、采用修正线性单元、局部感知域、权重共享和子采样方法,能够在提高特征稳定性的基础上,减少计算过程中的冗余参数,强化计算的效率。从实验结果中可以看到,在保持高计算精度的前提下,CNN方法比传统的深度学习方法计算时间更短。
3、针对正向传播中逐层自学习带来的误差扩散问题,本发明通过基于反向传播算法的微调,可以进一步提高滚动轴承故障诊断精度。
综上所述,本发明的实施例具有以下技术效果:
1、利用层叠卷积网络中的卷积计算和二次子采样挖掘具有空间和时间不变性的稳定特征,并通过修正线性单元引入稀疏性概念,提高轴承诊断的鲁棒性、精度和诊断效率;
2、由实验结果表明,本发明可以有效实现滚动轴承故障诊断,工况改变时基于本发明方法提取的特征向量对工况改变不敏感,可以较好完成变工况下的滚动轴承故障模式的分类,且分类结果精度高,能有效进行故障诊断;
3、在多工况故障诊断的基础上,本发明还可以在不同的噪声程度下,较好地实现滚动轴承故障模式的识别,对外部环境干扰具有良好的抗噪能力。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.基于层叠卷积网络的滚动轴承故障模式识别方法,其特征在于,包括:
对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征;
将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元;
将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,得到训练完成的CNN网络;
在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。
2.根据权利要求1所述的方法,其特征在于,所述模型参数包括权重矩阵和偏置,所述前向自学习处理步骤包括:
将所述特征图元划分为多个连续的具有重叠部分的区域,作为所述CNN网络的第一层卷积层的特征图元;
所述第一层卷积层中的每个卷积单元,对相应的一个特征图元进行包括卷积运算的处理,得到所述CNN网络的第二层子采样层的特征图元;
所述第二层子采样层中的每个子采样单元,对所述第一层卷积层处理得到的一个特征图元进行包括特征降维运算的处理,得到所述CNN网络的第三层卷积层的特征图元;
所述第三层卷积层中的每个卷积单元,对第二层子采样层处理得到的不同位置特征图元进行包括卷积运算的处理,得到所述CNN网络的第四层子采样层的特征图元;
交替进行包括卷积运算的处理和包括特征降维运算的处理,直至得到CNN网络的最后一层子采样层输出的特征图元。
3.根据权利要求2所述的方法,其特征在于,所述第一层卷积层的包括卷积运算的处理采用公式其中,是第1层的第j个卷积单元的激活值,Mj是第1层的第j个特征图元,是第1层的第j个卷积单元的权重矩阵,是第1层的第j个卷积单元的偏置,是Mj中的第i个局部感知域的数据,*指卷积运算,f(·)是卷积层至子采样层的传递函数。
4.根据权利要求2所述的方法,其特征在于,所述包括特征降维运算的处理采用公式其中,是第l层子采样层的第j个子采样单元的激活值,是第l层的第j个子采样单元的权重矩阵,是第l层的第j个子采样单元的偏置,是l层的第j个子采样单元的特征图元,g(·)是子采样层至卷积层的传递函数,down(·)是下采样过程。
5.根据权利要求2所述的方法,其特征在于,所述第三层卷积层及后续卷积层的包括卷积运算的处理采用公式其中,是k次卷积集成后的输出结果,tanh(·)是相应的激活函数,ωk是相应特征图元的权重矩阵,角标ij表示每个特征图元中的第ij个局部感知域,x是特征图元中的第ij个局部感知域。
6.根据权利要求3或5所述的方法,其特征在于,所述f(·)采用公式其中,y是卷积层的卷积运算结果与相应偏置的和。
7.根据权利要求2-6任意一项所述的方法,其特征在于,所述基于梯度下降的反向传播处理步骤包括:
从后向前,对子采样层到卷积层的偏差进行计算,并利用所述偏差对所述卷积层的模型参数进行调整,使所述卷积层的误差敏感值最小化;
从后向前,对卷积层到子采样层的偏差进行计算,并利用所述偏差对所述子采样层的模型参数进行调整,使所述子采样层的误差敏感值最小化。
8.根据权利要求7所述的方法,其特征在于,通过以下公式计算子采样层到卷积层的偏差:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
其中,是第l层卷积层的第j个卷积单元的误差敏感值;是l+1层子采样层第j个子采样单元的误差敏感值;up(·)表示针对l+1层子采样层的上采样过程,用来将特征图元的大小规整为和l层卷积层相同的形式;ο表示为内积运算;是第l层卷积层的第j个特征图元的偏导数;是l+1层子采样层第j个子采样单元的权重矩阵;是内积运算的结果;(u,v)是特征图元中每个局部感知域的对应位置;是第l层卷积层的第j个卷积单元的权重偏差,是第l层卷积层的第j个卷积单元的偏置的偏差。
9.根据权利要求2所述的方法,其特征在于,通过以下公式计算卷积层到子采样层的偏差:
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>*</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mi>l</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msubsup>
<mi>M</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>*</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>;</mo>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>l</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
其中,是第l层子采样层的第i个子采样单元的误差敏感值;是l+1层卷积层第j个卷积单元的误差敏感值;ωij是l+1层卷积层第j个卷积单元的权重矩阵;*代表数学意义上的离散卷积运算;是第l层子采样层的第i个特征图元;是第l层子采样层的第j个子采样单元的权重偏差;是第l层子采样层的第j个子采样单元的偏置的偏差。
10.基于层叠卷积网络的滚动轴承故障模式识别装置,其特征在于,包括:
信号处理模块,用于对已知状态的滚动轴承的振动信号进行处理,得到已知状态的滚动轴承的时频域特征;
格式转换模块,用于将所得到的已知状态的滚动轴承的时频域特征处理为符合CNN网络输入格式的时频域特征作为特征图元;
参数获取模块,用于将所述特征图元输入至CNN网络,并通过在所述CNN网络进行前向自学习处理和基于梯度下降的反向传播处理,调整所述CNN网络的模型参数,从而得到训练完成的CNN网络;
故障识别模块,用于在识别实际滚动轴承故障模式时,利用所得到的训练完成的CNN网络,对未知状态的滚动轴承的振动信号所对应的时频域特征进行处理,从而利用处理结果,确定实际滚动轴承故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456903.XA CN107526853B (zh) | 2016-06-22 | 2016-06-22 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456903.XA CN107526853B (zh) | 2016-06-22 | 2016-06-22 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526853A true CN107526853A (zh) | 2017-12-29 |
CN107526853B CN107526853B (zh) | 2018-09-21 |
Family
ID=60735092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610456903.XA Active CN107526853B (zh) | 2016-06-22 | 2016-06-22 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526853B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及系统 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN108509701A (zh) * | 2018-03-21 | 2018-09-07 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN108757426A (zh) * | 2018-07-04 | 2018-11-06 | 温州大学 | 石油矿场注水柱塞泵故障诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109801401A (zh) * | 2018-12-29 | 2019-05-24 | 青岛海洋科学与技术国家实验室发展中心 | 故障检测方法、计算机可读介质、故障检测装置以及船舶 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN110631810A (zh) * | 2018-05-31 | 2019-12-31 | 新疆金风科技股份有限公司 | 风力发电机组振动异常的检测方法和设备及风力发电机组 |
CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
CN111080607A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
CN111666962A (zh) * | 2019-03-07 | 2020-09-15 | 京东数字科技控股有限公司 | 序列数据的目标定位方法和装置 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112699597A (zh) * | 2020-12-09 | 2021-04-23 | 西安交通大学 | 一种核电启动水泵滚动轴承故障检测方法及系统 |
CN112697435A (zh) * | 2021-01-26 | 2021-04-23 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
CN113203566A (zh) * | 2021-04-06 | 2021-08-03 | 上海吞山智能科技有限公司 | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 |
CN113657156A (zh) * | 2021-07-13 | 2021-11-16 | 西安理工大学 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
CN115060011A (zh) * | 2020-05-19 | 2022-09-16 | 山东大学 | 一种基于机器学习的环路热管太阳能流速控制方法 |
-
2016
- 2016-06-22 CN CN201610456903.XA patent/CN107526853B/zh active Active
Non-Patent Citations (5)
Title |
---|
JAOUHER BEN ALI: "Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals", 《APPLIED ACOUSTICS》 * |
MUHAMMET UNAL 等: "Fault diagnosis of rolling bearings using a genetic algorithm", 《MEASUREMENT》 * |
OLIVIER JANSSENS 等: "Convolutional Neural Network Based Fault Detection for Rotating Machinery", 《JOURNAL OF SOUND AND VIBRATION》 * |
ZHIQIANG CHEN 等: "Gearbox Fault Identification and Classification with Convolutional Neural Networks", 《SHOCK AND VIBRATION》 * |
蔡娟 等: "基于卷积神经网络的手势识别初探", 《计算机系统应用》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及系统 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108549741B (zh) * | 2018-03-07 | 2021-06-11 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108509701A (zh) * | 2018-03-21 | 2018-09-07 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108509701B (zh) * | 2018-03-21 | 2021-08-06 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN108444708B (zh) * | 2018-04-16 | 2021-02-12 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN110631810A (zh) * | 2018-05-31 | 2019-12-31 | 新疆金风科技股份有限公司 | 风力发电机组振动异常的检测方法和设备及风力发电机组 |
CN110631810B (zh) * | 2018-05-31 | 2021-07-27 | 新疆金风科技股份有限公司 | 风力发电机组振动异常的检测方法和设备及风力发电机组 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN108757426A (zh) * | 2018-07-04 | 2018-11-06 | 温州大学 | 石油矿场注水柱塞泵故障诊断方法 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN109801401A (zh) * | 2018-12-29 | 2019-05-24 | 青岛海洋科学与技术国家实验室发展中心 | 故障检测方法、计算机可读介质、故障检测装置以及船舶 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN109902399B (zh) * | 2019-03-01 | 2022-07-19 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN111666962B (zh) * | 2019-03-07 | 2024-05-21 | 京东科技控股股份有限公司 | 序列数据的目标定位方法和装置 |
CN111666962A (zh) * | 2019-03-07 | 2020-09-15 | 京东数字科技控股有限公司 | 序列数据的目标定位方法和装置 |
CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110132554B (zh) * | 2019-04-17 | 2020-10-09 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110307982B (zh) * | 2019-06-19 | 2021-01-26 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
CN110926782B (zh) * | 2019-12-06 | 2022-03-29 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
CN111080607A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
CN111080607B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
CN115060011B (zh) * | 2020-05-19 | 2023-10-27 | 山东大学 | 一种基于机器学习的环路热管太阳能流速控制方法 |
CN115060011A (zh) * | 2020-05-19 | 2022-09-16 | 山东大学 | 一种基于机器学习的环路热管太阳能流速控制方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112577747B (zh) * | 2020-12-07 | 2023-08-08 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112699597A (zh) * | 2020-12-09 | 2021-04-23 | 西安交通大学 | 一种核电启动水泵滚动轴承故障检测方法及系统 |
CN112697435A (zh) * | 2021-01-26 | 2021-04-23 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
CN113203566A (zh) * | 2021-04-06 | 2021-08-03 | 上海吞山智能科技有限公司 | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 |
CN113657156A (zh) * | 2021-07-13 | 2021-11-16 | 西安理工大学 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
CN113657156B (zh) * | 2021-07-13 | 2024-03-08 | 佛山市富丽图数字印刷有限公司 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107526853B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
Zhao et al. | Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes | |
Zhao et al. | Multiple wavelet coefficients fusion in deep residual networks for fault diagnosis | |
Guo et al. | Multifeatures fusion and nonlinear dimension reduction for intelligent bearing condition monitoring | |
Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
Xie et al. | Fault diagnosis for rotating machinery based on convolutional neural network and empirical mode decomposition | |
Junbo et al. | Fault diagnosis method study in roller bearing based on wavelet transform and stacked auto-encoder | |
Saxena et al. | Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems | |
Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
CN109001557A (zh) | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN106980822A (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
CN106874957A (zh) | 一种滚动轴承故障诊断方法 | |
CN109632309A (zh) | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 | |
CN105973594A (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
Liu et al. | Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning | |
CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN107543722A (zh) | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 | |
CN110263767A (zh) | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200612 Address after: No. 214, xiaoxinzhuang village, Beifang Town, Huairou District, Beijing Patentee after: Beijing Hengxing Yikang Technology Co., Ltd Address before: 100191 Beihang University, Haidian District, Xueyuan Road, 37, Beijing Patentee before: BEIHANG University |