CN107631867B - 一种基于深度学习的旋转机械故障智能分类方法 - Google Patents
一种基于深度学习的旋转机械故障智能分类方法 Download PDFInfo
- Publication number
- CN107631867B CN107631867B CN201710815085.2A CN201710815085A CN107631867B CN 107631867 B CN107631867 B CN 107631867B CN 201710815085 A CN201710815085 A CN 201710815085A CN 107631867 B CN107631867 B CN 107631867B
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- training
- neural network
- deep neural
- 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
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度学习的旋转机械故障智能分类方法,该方法通过对振动信号进行频域特征提取,对数据降维后利用深度神经网络进行分类,利用子信号测试训练的深度神经网络,根据测试结果修改样本标签,实现对不同故障信号的分类。本发明的方法将无监督训练与有监督训练相结合,整个过程自动完成,无需人工干预,自动提取特征并对故障信号分类。本发明的方法特别适合长数据故障信号的分类处理,具有广阔的工业应用前景。
Description
技术领域
本发明涉及模式识别和故障检测领域,尤其涉及一种基于深度学习的旋转机械故障智能分类方法。
背景技术
旋转机械是工业上应用最广泛的机械,是指依靠旋转动作完成特定功能的机械,在石油、化工、电力、冶金等行业大量应用,一些甚至已成为核心设备。典型的旋转机械有汽轮机、燃气轮机、离心压缩机、风机、泵、水轮机、电动机、发电机和航空发动机等。由于现代化工程技术系统正朝大规模、复杂化方向发展,现代生产机械日益高速化、大型化、精密化、集中化和自动化,机械设备的可靠性、维修性、安全性日益受到重视。因此,采用先进的故障诊断技术,对设备运行状态进行跟踪,实时发现问题已成为生产正常进行的必要保障。
为了实时监测设备的运行状态,实现预知维修,需要采集海量数据来进行分析处理,致使机械状态监测领域迈入了“大数据”时代。根据旋转机械状态监测领域大数据的特点,利用机器学习和人工智能等学科最新研究成果,从监测的大数据中挖掘有用信息,进行旋转机械故障诊断和状态监测,准确高效地识别设备的运行状态,已成为旋转机械状态监测领域面临的新问题。
深度学习是神经网络领域的一个最新发展成果,是分析大数据的“利器”,已在语音识别、图像识别等领域取得了突破性进展。它将特征和分类器结合到一个框架中,用数据去学习特征,能够更好地表示数据的特征。目前利用深度学习来检测旋转机械故障受到了越来越多的关注。鉴于设备故障复杂性以及旋转机械设备的多样性,利用深度学习来诊断旋转机械的故障,开发适合工程应用的智能故障诊断系统,许多关键问题还有待解决。
发明内容
针对旋转机械故障的智能诊断问题,本发明公开了一种基于深度学习的旋转机械故障分类方法,该方法通过深度神经网络对测取的旋转机械振动信号进行学习,记忆旋转机械的不同故障模式,进而实现对旋转机械故障模式的识别与分类。
为了实现上述目的,本发明的具体方案如下:
步骤1、搜集具有不同故障模式的时域振动信号;
步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT),将时域信号转换到频域;
步骤3、对经过FFT处理后的频域信号进行降维处理,提取特征信息;
步骤4、为步骤1的每个信号标注不同的标签,利用步骤3提取的特征信息,建立样本库;
步骤5、构建深度神经网络DNN;
步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练;
步骤7、根据步骤6的分类结果,对步骤4标注的样本标签进行调整,更新样本库;
步骤8、利用调整后的样本库,对步骤5构建的深度神经网络DNN进行有监督分类训练;
步骤9、将步骤1采集的振动信号切割成若干段子信号,对每一段子信号进行FFT变换,并提取特征信息,利用步骤7标注的样本标签,建立测试样本集;
步骤10、利用步骤9的测试样本集,对步骤8训练好的深度神经网络进行分类测试;
步骤11、若分类测试结果不满足要求,根据分类测试结果调整样本库中的样本标签,重复步骤8至步骤10,直至分类结果满足要求,进而实现对不同故障模式的分类。
有益效果
本发明的方法对振动信号进行频域特征提取,对数据实现降维表示,可有效缩短对深度神经网络的训练时间,利用子信号进行神经网络测试,保证了分类的准确性,特别适合对长数据故障信号的分类处理。本发明的方法将无监督训练与有监督训练相结合,样本初始标签随机给定,实现对故障信号的无监督训练,后续过程自动修改样本标签,无需人工干预,整个过程自动完成,自动提取特征,自动对故障信号进行分类,具有广阔的工业应用前景。
附图说明
图1为本发明的一种基于深度学习的旋转机械故障诊断方法的流程图;
图2实施例的CWRU部分轴承数据的频谱图;
图3实施例的DNN自动分类结果。
具体实施方式
下面结合附图对本发明做详细介绍,需要指出的是以下介绍是为了更好的理解本发明的过程,而不是对本发明起约束作用。
本发明的具体步骤如下:
步骤1、搜集具有不同故障模式的时域振动信号;
步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT),将时域信号转换到频域;
步骤3、对经过FFT处理后的频域信号进行降维处理,提取特征信息;
所述的提取特征信息,其处理过程是:首先对频域信号划分成若干小片段,然后提取每一个片段内的极大值,或者对每一个片段内信号的幅值求和;
步骤4、为步骤1的每个信号标注不同的标签,利用步骤3提取的特征信息,建立样本库;
所述的为每个信号标注不同的标签,标签随机给定;
步骤5、构建深度神经网络DNN;
所述的深度神经网络,其结构包括:输入层、隐含层、和输出层,隐含层的数量可以是一层或者多层;
所述的输入层,其神经元的个数可以根据从频域提取的特征信息的个数而自动调整;
所述的输出层,其神经元的个数根据训练样本集的标签种类数而定,随着训练样本集的调整,输出层神经元的个数也做相应调整;
步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练;
所述的无监督分类训练,就是DNN的输出结果不与步骤4给定的样本标签进行比较,进而实现DNN对样本的自动聚类;
步骤7、根据步骤6的分类结果,对步骤4标注的样本标签进行调整,更新样本库;
步骤8、利用调整后的样本库,对步骤5构建的深度神经网络DNN进行有监督分类训练;
所述的有监督分类训练,就是DNN的输出结果需要步骤7调整后的样本标签一致;
步骤9、将步骤1采集的振动信号切割成子信号,对每一段子信号进行FFT变换,并提取特征信息,利用步骤7标注的样本标签,建立测试样本集;
所述的提取特征信息,与步骤3的方法相同;
步骤10、利用步骤9的测试样本集,对步骤8训练好的深度神经网络进行分类测试;
步骤11、若分类测试结果不满足要求,根据分类测试结果调整样本库中的样本标签,重复步骤8至步骤10,直至分类结果满足要求,进而实现对不同故障模式的分类。
利用训练好的深度神经网路进行故障分类,并将错误分类的信号加入到样本集,实现对样本库的更新,提高深度神经网络对故障模式的分类识别能力。
实施例
本实施例对美国凯斯西储大学(CWRU)轴承数据中心的实测数据进行分析,详细阐述本发明的具体实施过程。CWRU提供数据的一个特点是长度很长,以12k轴承驱动端数据0.007英寸故障数据为例,共20个数据记录,每个数据记录包括基础加速度计数据、驱动端加速度计数据、和风扇端加速度计数据,部分数据长度如表1所示,这里只列出了部分数据记录的长度。如果对CWRU数据直接进行FFT变换,然后进行深度神经网络学习训练,耗时非常长。
将CWRU轴承数据的每个数据记录截取65536个数据点作为训练数据,剩余的作为神经网络的测试数据。对长度为65536的数据进行FFT变换后,得到32768个系数,部分数据的频谱图2所示,其中第一至第四行分别是数据记录105、106、107和108的频谱图,第一列是基础加速度计数据频谱图、第二列是驱动端加速度计数据频谱图、第三列是风扇端加速度计数据频谱图。利用降维方法,抽取出1024个特征数据,建立训练样本库。
表1. 12k轴承驱动端数据的长度
采用六层网络结构,分别为输入层、4个隐含层和1个输出层。输入层神经元的个数为1024,4个隐含层的神经元个数分别为260、130、80和50,输出层神经元的个数根据训练样本集的标签种类数而定,随着训练样本集的调整,输出层神经元的个数也做相应调整。
测试过程分别将数据切割成长度为4096和2048的子信号,进行FFT变换抽取特征信息后再输入训练过的DNN进行测试。
利用本发明的方法对CWRU轴承数据中心提供的60个0.007英寸故障数据进行分类,分类结果如图3所示。由该图可知,本发明的方法自动将60个数据记录聚为10个类型,不同类型的数据在频谱上存在较大差异,这也表明本发明方法的有效性。
上述虽然结合附图对本发明的实施步骤进行说明,但并非对本发明的限制。凡是在本发明方案的基础上所做的修改,都在本发明的保护范围内。
Claims (1)
1.一种基于深度学习的旋转机械故障智能分类方法,其特征在于:该方法包括如下步骤:
步骤1、搜集具有不同故障模式的时域振动信号;
步骤2、对步骤1的时域振动信号进行快速傅里叶变换(FFT),将时域信号转换到频域;
步骤3、对经过FFT处理后的频域信号进行降维处理,提取特征信息;
所述的提取特征信息,其处理过程是:首先对频域信号划分成若干小片段,然后提取每一个片段内的极大值,或者对每一个片段内信号的幅值求和;
步骤4、为步骤1的每个信号标注不同的标签,利用步骤3提取的特征信息,建立样本库;
所述的为每个信号标注不同的标签,标签随机给定;
步骤5、构建深度神经网络DNN;
所述的深度神经网络,其结构包括:输入层、隐含层和输出层,隐含层的数量可以是一层或者多层;
所述的输入层,其神经元的个数可以根据从频域提取的特征信息的个数而自动调整;
所述的输出层,其神经元的个数根据训练样本集的标签种类数而定,随着训练样本集的调整,输出层神经元的个数也做相应调整;
步骤6、利用构建的深度神经网络DNN对步骤4建立的样本库进行无监督分类训练;
所述的无监督分类训练,就是DNN的输出结果不与步骤4给定的样本标签进行比较,进而实现DNN对样本的自动聚类;
步骤7、根据步骤6的分类结果,对步骤4标注的样本标签进行调整,更新样本库;
步骤8、利用调整后的样本库,对步骤5构建的深度神经网络DNN进行有监督分类训练;
所述的有监督分类训练,就是DNN的输出结果需要步骤7调整后的样本标签一致;
步骤9、将步骤1采集的振动信号切割成子信号,对每一段子信号进行FFT变换,并提取特征信息,利用步骤7标注的样本标签,建立测试样本集;
所述的提取特征信息,与步骤3的方法相同;
步骤10、利用步骤9的测试样本集,对步骤8训练好的深度神经网络进行分类测试;
步骤11、若分类测试结果不满足要求,根据分类测试结果调整样本库中的样本标签,重复步骤8至步骤10,直至分类结果满足要求,进而实现对不同故障模式的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815085.2A CN107631867B (zh) | 2017-09-07 | 2017-09-07 | 一种基于深度学习的旋转机械故障智能分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815085.2A CN107631867B (zh) | 2017-09-07 | 2017-09-07 | 一种基于深度学习的旋转机械故障智能分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107631867A CN107631867A (zh) | 2018-01-26 |
CN107631867B true CN107631867B (zh) | 2019-10-15 |
Family
ID=61100662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710815085.2A Active CN107631867B (zh) | 2017-09-07 | 2017-09-07 | 一种基于深度学习的旋转机械故障智能分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107631867B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596027A (zh) * | 2018-03-18 | 2018-09-28 | 西安电子科技大学 | 基于监督学习分类模型的未知类别信号的检测方法 |
CN110398362B (zh) * | 2018-04-19 | 2021-06-11 | 中国科学院沈阳自动化研究所 | 一种机器人rv减速器故障诊断和定位方法 |
CN108681747B (zh) * | 2018-05-11 | 2021-05-04 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108710771B (zh) * | 2018-05-31 | 2019-11-01 | 西安电子科技大学 | 基于深度特征集成提取的机械装备服役可靠性评估方法 |
TWI697845B (zh) * | 2018-07-13 | 2020-07-01 | 緯創資通股份有限公司 | 多目標追蹤方法與系統 |
CN109034076A (zh) * | 2018-08-01 | 2018-12-18 | 天津工业大学 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
WO2020051866A1 (zh) * | 2018-09-14 | 2020-03-19 | 西安大医集团有限公司 | 放疗设备的状态诊断方法、装置、系统及存储介质 |
CN109635881A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
EP3708991A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Aktiengesellschaft | Automated health state classifier for rotating machines based on expert knowledge |
CN110132626A (zh) * | 2019-05-20 | 2019-08-16 | 西南石油大学 | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 |
CN110441081B (zh) * | 2019-07-08 | 2021-07-09 | 大连圣力来监测技术有限公司 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN110493054B (zh) * | 2019-08-23 | 2020-12-29 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN112525505A (zh) * | 2020-11-06 | 2021-03-19 | 上海电气风电集团股份有限公司 | 故障检测方法、系统和存储介质 |
CN112816200B (zh) * | 2021-01-15 | 2022-10-18 | 东方电气集团科学技术研究院有限公司 | 一种基于深度学习的旋转机械轴心轨迹识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN105528583A (zh) * | 2015-12-17 | 2016-04-27 | 清华大学深圳研究生院 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN106908232A (zh) * | 2017-02-24 | 2017-06-30 | 伍婷婷 | 一种旋转机械的振动信号故障识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410116B2 (en) * | 2014-03-11 | 2019-09-10 | SparkCognition, Inc. | System and method for calculating remaining useful time of objects |
-
2017
- 2017-09-07 CN CN201710815085.2A patent/CN107631867B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN105528583A (zh) * | 2015-12-17 | 2016-04-27 | 清华大学深圳研究生院 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN106908232A (zh) * | 2017-02-24 | 2017-06-30 | 伍婷婷 | 一种旋转机械的振动信号故障识别方法 |
Non-Patent Citations (2)
Title |
---|
基于深度信念网络的轴承故障分类识别;李巍华等;《振动工程学报》;20160430;第29卷(第2期);第340-347页 * |
基于深度学习理论的机械装备大数据健康监测方法;雷亚国等;《机械工程学报》;20151130;第51卷(第21期);第49-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107631867A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
Mohd Ghazali et al. | Vibration analysis for machine monitoring and diagnosis: a systematic review | |
Purohit et al. | MIMII Dataset: Sound dataset for malfunctioning industrial machine investigation and inspection | |
Li et al. | A deep learning driven method for fault classification and degradation assessment in mechanical equipment | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
Goumas et al. | Classification of washing machines vibration signals using discrete wavelet analysis for feature extraction | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
Lu et al. | CEEMD-assisted bearing degradation assessment using tight clustering | |
Paudyal et al. | Local maximum acceleration based rotating machinery fault classification using KNN | |
Peng et al. | RMA-CNN: A residual mixed-domain attention CNN for bearings fault diagnosis and its time-frequency domain interpretability | |
Jiang et al. | A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection | |
Mueller et al. | Bridging the gap between AI and the industry—A study on bearing fault detection in PMSM-driven systems using CNN and inverter measurement | |
Nascimento et al. | T4PdM: A deep neural network based on the transformer architecture for fault diagnosis of rotating machinery | |
Jamil et al. | Identifying condition indicators for artificially intelligent fault classification in rolling element bearings | |
Kulagin et al. | Automated identification of critical malfunctions of aircraft engines based on modified wavelet transform and deep neural network clustering | |
Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
Bettahar et al. | Faults’ diagnosis of time-varying rotational speed machinery based on vibration and acoustic signals features extraction, and machine learning methods | |
Xiang et al. | An Intelligent Fault Diagnosis Method of Rolling Bearing with Wide Convolution Kernel Network |
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 |