CN108509701B - 一种基于振动信号的旋转机械故障直接智能诊断方法 - Google Patents

一种基于振动信号的旋转机械故障直接智能诊断方法 Download PDF

Info

Publication number
CN108509701B
CN108509701B CN201810233686.7A CN201810233686A CN108509701B CN 108509701 B CN108509701 B CN 108509701B CN 201810233686 A CN201810233686 A CN 201810233686A CN 108509701 B CN108509701 B CN 108509701B
Authority
CN
China
Prior art keywords
sample
training
segment
fault
convolution
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
CN201810233686.7A
Other languages
English (en)
Other versions
CN108509701A (zh
Inventor
钱巍巍
李舜酩
王金瑞
程春
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810233686.7A priority Critical patent/CN108509701B/zh
Publication of CN108509701A publication Critical patent/CN108509701A/zh
Application granted granted Critical
Publication of CN108509701B publication Critical patent/CN108509701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于振动信号的旋转机械故障直接智能诊断方法，包括如下步骤：第一步，通过重叠取样层对已收集的故障信号进行取样；第二步，通过卷积层对样本进行分段；第三步，通过训练数据来训练L3/2正则化后的稀疏滤波网络，并获得权值矩阵，通过权值矩阵及新的激活函数来提取数据段的故障特征；第四步，通过池化层对计算得到的分段的特征进行池化降维；第五步，池化后的特征对输出层即Softmax分类器进行训练，对提取的各个样本的特征进行分类；第六步，将故障信号输入训练好的网络进行诊断。本发明的基于振动信号的旋转机械故障直接智能诊断方法实现特征自动提取和对故障信号直接智能诊断，泛化能力更好，准确率和稳定性较高。

Description

一种基于振动信号的旋转机械故障直接智能诊断方法
技术领域
本发明涉及旋转机械振动信号分析技术及机械故障诊断技术，尤其是一种直接用于旋转机械故障原始信号特征自动提取技术。
背景技术
振动信号是机械故障特征的载体，对机械设备的振动信号进行分析，提取故障特征，进行故障识别是机械故障诊断的常用方法。机械设备通常工作在多振源的工作环境中，背景噪声强烈，所以现场测得的机械振动信号通常是强背景噪声下的多分量非平稳信号，在这种情况下，从复杂的机械振动信号中提取故障特征，分离故障模式相近的机械振动信号就变得困难。因此，为了提高机械故障诊断的精度和效果，有必要探索新的更加有效、稳定的机械故障诊断方法。
随着人工神经网络研究的不断进步，神经网络不断显示出它在模式识别等领域的巨大潜力，并开始吸引越来越多学者的关注。它可以通过隐藏层自动地从信号中学习到高维特征，但是它往往仍需大量的有标签样本。作为一种在特征提取可省去添加标签步骤的方法，非监督特征学习在提取具有区分度的特征表示上取得很大成功，并应用在许多的图像识别、语音识别和人脸识别等任务中。然而许多当前的特征学习算法非常难以实现实用，因为它们需要各种参数的调节以及往往网络庞大，硬件要求很高。而且对于较大的网络往往需要微调，微调往往需要很大的时间和存储成本。为了直接使用原始数据，所以一般推荐直接使用原始时域信号进行故障诊断，但是时域信号普遍存在一个叫移变性的问题。它类似于对象识别中平移噪声，会使得时域信号的使用存在很大的问题。卷积神经网络(CNN)对于各种平移、拉伸噪声鲁棒性很好，而且对于减小网络规模有很大的帮助，但存在对于样本边缘数据利用不够的问题。Ngiam等提出了稀疏滤波，它只专注于优化学习特征的稀疏性而忽视学习数据的统计分布情况，在很多网络中它表现很好且只有一个超参数即输出特征维数，因此稀疏滤波很容易调节。稀疏滤波网络尺寸也较小，通过几行MATLAB代码就可以实现，但是存在泛化能力不足的问题。
发明内容
发明目的：针对上述技术中的不足，本发明提供一种基于改进稀疏滤波网络和改进CNN的智能故障诊断方法，叫混合重叠卷积神经网络。以解决原始振动信号在使用中存在的移变性问题；原始CNN网络中存在的边缘问题等。
技术方案：
一种基于振动信号的旋转机械故障直接智能诊断方法，包括如下八个步骤：
步骤一，获得原始时域振动信号，原始时域振动信号
Figure GDA0003084238250000021
作为输入，其中
Figure GDA0003084238250000022
是一类故障在一种故障下的信号，N为每个信号中数据点个数；M为不同故障总类别数；i为表示第i个故障类型，li为每个类别故障的故障类型标签；
步骤二，重叠采样，在重叠取样层对原始信号进行取样，采样卷积步长为n-Nin，其中Nin为分段的长度，n为样本的长度，采样得到每个训练样本
Figure GDA0003084238250000023
其中
Figure GDA0003084238250000024
表示第i个类别的第j个样本，Rn×1表示一个n维的向量；
步骤三，卷积分段，在卷积层对样本进行重叠分段，使用两种卷积步长来得到稀疏滤波网络训练的分段数据集1即
Figure GDA0003084238250000025
和计算局部特征的分段数据集2即
Figure GDA0003084238250000026
sk，xk为分段，长度为Nin；N1,N2分别为分段数据集1和分段数据集2中分段的数目；
步骤四，训练改进稀疏滤波，在局部层通过
Figure GDA0003084238250000027
对改进稀疏滤波网络进行无监督训练，得到训练好的权值矩阵1，即
Figure GDA0003084238250000028
其中Nout为输出的特征维数，其中改进稀疏滤波训练时使用的激活函数1如式(1)所示，其中
Figure GDA0003084238250000029
为Wloc的j行；si为分段数据集中第i个分段，
Figure GDA00030842382500000210
步骤五，计算局部特征，在局部层计算得到训练分段数据集2即
Figure GDA00030842382500000211
的局部特征，使用上述训练好的改进稀疏滤波网络中的权值矩阵1，对激活函数2进行计算，激活函数2如式(2)所述，其中
Figure GDA00030842382500000212
是第i个样本的第j个分段，
Figure GDA00030842382500000213
是第i个样本的第j个分段的第k个特征；
Figure GDA0003084238250000031
步骤六，池化局部特征，在池化层对上述计算得到的局部特征进行池化，池化使用均方差池化方式，计算过程如式(3)所示，
Figure GDA0003084238250000032
是第i个样本的所有分段的第k个维度的特征，经过池化后得到的
Figure GDA0003084238250000033
为第i个样本的第k个维度的平移不变特征，第i个样本的所有平移不变特征可以表示为
Figure GDA0003084238250000034
Figure GDA0003084238250000035
步骤七，训练Softmax分类器，在输出层通过步骤六池化得到的特征对有监督的输出层网络即Softmax分类器进行训练；
步骤八，故障诊断，将测试的振动信号输入网络，使用卷积步长d2对信号进行卷积得到分段数据集3，再经过局部特征计算与RMS池化，以及经过训练的Softmax分类器判断故障类型。
进一步地，步骤三具体为：
(1)分段数据集1：对
Figure GDA0003084238250000036
进行卷积分段，采用卷积步长为d1，其中每个样本的分段个数m1可以通过下式求得，每个样本进行分段得到分段数据
Figure GDA0003084238250000037
各个样本的分段数据依次排列得到总分段数据集1即
Figure GDA0003084238250000038
用于改进稀疏滤波网络的训练，其中
Figure GDA0003084238250000039
Nin用于表示稀疏滤波的输入维数也就是每个数据段的维数：
mi＝(n-Nin)/di+1 (i＝1,2) (4)
(2)分段数据集2：对
Figure GDA00030842382500000310
进行卷积分段，采用卷积步长为d2，其中每个样本的分段个数m2可以通过上式求得，每个样本进行分段得到分段数据
Figure GDA00030842382500000311
各个样本的分段数据依次排列得到分段数据集2即
Figure GDA00030842382500000312
用于训练数据集的局部特征的提取，其中
Figure GDA00030842382500000313
N1,N2分别为分段数据集1,2中分段的数目；
进一步地，步骤四具体为：
(1)行归一化：特征值
Figure GDA0003084238250000041
组成一个特征矩阵f，先归一化每类特征为相等的激活值，其中fj为归一化前的特征矩阵f的第i行，
Figure GDA0003084238250000042
为归一化后的特征矩阵的第i行，过程如式(5)所示：
Figure GDA0003084238250000043
(2)列归一化：对每一列，即每一个分段得到的特征向量
Figure GDA0003084238250000044
通过二范数进行归一化：
Figure GDA0003084238250000045
其中
Figure GDA0003084238250000046
是经过列归一化后的特征矩阵
Figure GDA0003084238250000047
的第i列；
(3)改进目标函数及训练：原稀疏滤波的目标函数可以表示为：
Figure GDA0003084238250000048
其中，M为原样本集中含有个训练样本；
(4)使用L3/2范数正则化方法对稀疏滤波进行改进，改进后的目标函数可以定义如式(8)所示：
Figure GDA0003084238250000049
其中，wjk为权值矩阵Wloc的第j行，第k列的元素；
进一步地，所述的训练样本通过不同卷积步长来进行分段，根据分段数据集1和局部特征分段数据集2对卷积步长要求不同来分别进行分段，每个时域样本
Figure GDA00030842382500000410
维数为2000，稀疏滤波训练分段数据集1之中，分段si维数为200，分段步长为d1＝60，用于计算局部特征的分段数据集2之中，分段xi维数为200，分段步长为d2＝5。
进一步地，故障诊断网络训练样本集为随机选取采集得到的各个故障类型下的样本的20％，各个故障类型下未被选取的振动信号的样本在未知故障类型情况下用作测试样本集占采集得到样本的80％
有益效果：
通过稀疏滤波的高效的非监督学习方式以及混合重叠卷积网络实现对于时域信号的有效利用，实现原始信号故障特征的自动提取及诊断。同时通过对稀疏滤波的改进，提高其泛化能力、稳定性等多方面性能，所以，该方法可以用以快速准确地分析引起旋转机械故障的类型，训练样本通过卷积分段方法和后续RMS池化方法来消除振动信号的原始信号的移变性问题；训练样本通过L3/2范数正则化的稀疏滤波网络进行训练，此网络能降低其过拟合风险。
附图说明
图1是本发明一种旋转机械故障特征自动提取及故障诊断的流程图。
图2是稀疏滤波模型图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明的基于振动信号的旋转机械故障直接智能诊断方法通过重叠取样而非不重叠取样，使得原来样本中的边缘数据点能够被更好地利用；通过卷积分段将样本分为具有重叠部分的片段；在改进稀疏滤波中进行片段数据局部特征提取；最后在池化层中，通过新提出的RMS池化策略将局部特征池化。通过重叠采样解决了原卷积神经网络中的边缘数据不能充分考虑的问题。通过池化和卷积操作克服了原有的信号移变性问题。此外通过对稀疏滤波进行改进，进一步提高了网络的泛化能力。此框架适合基于平稳振动信号的故障特征提取。在之前的文献中，只注重局部特征的提取，但是对原始信号的分析不明。未能全面利用原始信号数据，受图像识别中CNN应用的启发，开发了这一框架，将实现原始信号的有效应用。其次，本发明给出了新的更高效的激活函数组合，使得网络抗噪能力有效提高。最后通过作为输出层的Softmax分类器可以实现故障的诊断分类。
图1是本发明的方法流程图，该方法包括以下八个步骤，具体过程如下
第一步获得原始时域振动信号。原始时域振动信号
Figure GDA0003084238250000051
作为输入，其中
Figure GDA0003084238250000052
是一类故障的信号，例如轴承内圈磨损出现时一个负载下的信号，含有N个数据点；M为不同故障总类别数；li为每个类别故障的故障类型标签。
第二步重叠采样。在重叠取样层对原始时域振动信号进行取样，采样卷积步长为n-Nin，其中Nin为分段的长度，n为样本的长度，采样得到每个训练样本
Figure GDA0003084238250000061
其中
Figure GDA0003084238250000062
表示第i个类别的第j个样本，重叠采样能够更好利用样本边缘的数据点。
第三步卷积分段。在卷积分段层对样本进行重叠分段，可更好地利用样本，具体见附图1中卷积取样层与卷积分段层之间的网络部分。本文中创新性地使用两种卷积步长来得到稀疏滤波训练分段数据集1和计算局部特征的分段数据集2，主要是根据网络性能对卷积步长的灵敏程度不同来进行卷积步长的确定。
(1)分段数据集1：对
Figure GDA0003084238250000063
进行卷积分段，采用卷积步长为d1，其中每个样本的分段个数m1可以通过下式求得，每个样本进行分段得到分段数据
Figure GDA0003084238250000064
各个样本的分段数据依次排列得到分段数据集1即
Figure GDA0003084238250000065
用于改进稀疏滤波网络的训练，其中sk∈Nin，Nin用于表示稀疏滤波的输入维数也就是每个数据分段的维数：
mi＝(n-Nin)/di+1 (i＝1,2) (1)
(2)分段数据集2：对
Figure GDA0003084238250000066
进行卷积分段，采用卷积步长为d2，其中每个样本的分段个数m2可以通过上式求得，每个样本进行分段得到分段数据
Figure GDA0003084238250000067
各个样本的分段数据依次排列得到分段数据集
Figure GDA0003084238250000068
用于训练数据集的局部特征的提取，N1,N2分别为分段数据集1,2中分段的数目。
第四步训练改进稀疏滤波。在局部层通过
Figure GDA0003084238250000069
对改进稀疏滤波网络进行无监督训练，得到训练好的网络，即权值矩阵Wloc，具体是通过公式(2)、(3)、(4)计算得到归一化后的特征矩阵
Figure GDA00030842382500000610
后通过最小化函数(5)进行训练，其中Nout为输出的特征维数。注意，其中训练时使用的激活函数1如式(2)所示，
Figure GDA00030842382500000611
为Wloc的j行；si为分段数据集中第i个分段，
Figure GDA00030842382500000612
为分段si的第j个维度的特征。
Figure GDA00030842382500000613
主要有以下三个步骤：
(1)行归一化：特征值
Figure GDA0003084238250000071
组成一个特征矩阵f，先归一化每类特征为相等的激活值，其中fj为归一化前的特征矩阵f的第i行，
Figure GDA0003084238250000072
为归一化后的特征矩阵的第i行，过程如下式所示。
Figure GDA0003084238250000073
(2)列归一化：对每一列，即每一个分段得到的特征向量
Figure GDA0003084238250000074
通过二范数进行归一化：
Figure GDA0003084238250000075
其中
Figure GDA0003084238250000076
是经过列归一化后的特征矩阵的第i列，过程如式(4)所示。
(3)改进目标函数及训练：原稀疏滤波的目标函数可以表示为：
Figure GDA0003084238250000077
其中，M为原样本集中含有个训练样本，
Figure GDA0003084238250000078
表示以Wloc最小化括号中的函数。
为了使学习到的特征更加稀疏并进一步提高其泛化能力，我们使用L3/2范数正则化方法对稀疏滤波进行改进，它结合了L1和L2范数正则化方法的优点，改进后的目标函数可以定义为：
Figure GDA0003084238250000079
其中，wjk为权值矩阵W,的第j行，第k列的元素，λ1为调节公式(6)中第一项和第二项相对大小的参数，为大于0的数。
第五步计算局部特征。在局部层计算得到训练分段数据集
Figure GDA00030842382500000710
的局部特征。使用上述训练好的改进稀疏滤波网络中的权值矩阵Wloc，以及激活函数2进行计算。激活函数2如式(7)所示，其中
Figure GDA00030842382500000711
是第i个样本的第j个分段。
Figure GDA00030842382500000712
是第i个样本的第j个分段的第k个特征，使用新的激活函数组合有效提高了整个网络的抗噪能力。
Figure GDA00030842382500000713
第六步池化局部特征。在池化层对上述计算得到的局部特征进行池化，池化采用不同于以往卷积神经网络(CNN)中使用的平均和最大池化的策略，转而使用均方差(RMS)池化方式，计算过程如下式所示，
Figure GDA0003084238250000081
是第i个样本的所有分段的第k个特征，经过池化后得到的
Figure GDA0003084238250000082
为第i个样本的第k个平移不变特征，第i个样本的所有平移不变特征可以表示为
Figure GDA0003084238250000083
Figure GDA0003084238250000084
第七步训练Softmax分类器。在输出层通过上述池化得到的特征对有监督的输出层网络即Softmax分类器进行训练。
第八步故障诊断。将被监测的设备上采样得到的轴承附近测得的振动信号输入网络，使用卷积步长d2对信号进行卷积得到分段数据集3，使用卷积步长d2对信号进行卷积得到分段数据集3，再经过局部特征计算与RMS池化，以及经过训练的Softmax分类器，经过诊断，即可输出其故障类型如轴承内圈、外圈故障、滚子故障，诊断输出轴承的故障存在与否以及故障类型。
所述的故障诊断网络训练样本集为随机选取采集得到的各个故障类型下的样本的20％，各个故障类型下未被选取的振动信号的样本在未知故障类型情况下用作测试样本占采集得到样本的80％。
本专利将CNN网络推广到一般时域信号，并结合了一种高效的改进稀疏滤波网络。稀疏滤波网络具有简易性及高效性，然而由于稀疏滤波网络用于故障诊断时，往往泛化能力较差，所以为了提高准确率、提高网络泛化能力，并进一步增强故障诊断网络的实时性，对网络进行正则化处理，同时CNN的使用，可以提高网路诊断稳定性及泛化能力，并解决时域信号中的移变性问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于振动信号的旋转机械故障直接智能诊断方法，其特征在于，包括如下八个步骤：
步骤一，获得原始时域振动信号，原始时域振动信号
Figure FDA0003084238240000011
作为输入，其中
Figure FDA0003084238240000012
是一类故障在一种故障下的信号，N为每个信号中数据点个数；M为不同故障总类别数；i为表示第i个故障类型，li为每个类别故障的故障类型标签；
步骤二，重叠采样，在重叠取样层对原始信号进行取样，采样卷积步长为n-Nin，其中Nin为分段的长度，n为样本的长度，采样得到每个训练样本
Figure FDA0003084238240000013
其中
Figure FDA0003084238240000014
表示第i个类别的第j个样本，
Figure FDA0003084238240000015
表示一个n维的向量；
步骤三，卷积分段，在卷积层对样本进行重叠分段，使用两种卷积步长来得到稀疏滤波网络训练的分段数据集1即
Figure FDA0003084238240000016
和计算局部特征的分段数据集2即
Figure FDA0003084238240000017
sk，xk为分段，长度为Nin；N1,N2分别为分段数据集1和分段数据集2中分段的数目；
步骤四，训练改进稀疏滤波，在局部层通过
Figure FDA0003084238240000018
对改进稀疏滤波网络进行无监督训练，得到训练好的权值矩阵1，即
Figure FDA0003084238240000019
其中Nout为输出的特征维数，其中改进稀疏滤波训练时使用的激活函数1如式(1)所示，其中
Figure FDA00030842382400000110
为Wloc的j行；si为分段数据集中第i个分段，
Figure FDA00030842382400000111
步骤五，计算局部特征，在局部层计算得到训练分段数据集2即
Figure FDA00030842382400000112
的局部特征，使用上述训练好的改进稀疏滤波网络中的权值矩阵1，对激活函数2进行计算，激活函数2如式(2)所述，其中
Figure FDA00030842382400000113
是第i个样本的第j个分段，
Figure FDA00030842382400000114
是第i个样本的第j个分段的第k个特征；
Figure FDA00030842382400000115
步骤六，池化局部特征，在池化层对上述计算得到的局部特征进行池化，池化使用均方差池化方式，计算过程如式(3)所示，
Figure FDA0003084238240000021
是第i个样本的所有分段的第k个维度的特征，经过池化后得到的
Figure FDA0003084238240000022
为第i个样本的第k个维度的平移不变特征，第i个样本的所有平移不变特征可以表示为
Figure FDA0003084238240000023
Figure FDA0003084238240000024
步骤七，训练Softmax分类器，在输出层通过步骤六池化得到的特征对有监督的输出层网络即Softmax分类器进行训练；
步骤八，故障诊断，将测试的振动信号输入网络，使用卷积步长d2对信号进行卷积得到分段数据集3，再经过局部特征计算与RMS池化，以及经过训练的Softmax分类器判断故障类型；
步骤三具体为：
(1)分段数据集1：对
Figure FDA0003084238240000025
进行卷积分段，采用卷积步长为d1，其中每个样本的分段个数m1可以通过下式求得，每个样本进行分段得到分段数据
Figure FDA0003084238240000026
各个样本的分段数据依次排列得到总分段数据集1即
Figure FDA0003084238240000027
用于改进稀疏滤波网络的训练，其中
Figure FDA0003084238240000028
Nin用于表示稀疏滤波的输入维数也就是每个数据段的维数：
mi＝(n-Nin)/di+1 (i＝1,2) (4)
(2)分段数据集2：对Zj i进行卷积分段，采用卷积步长为d2，其中每个样本的分段个数m2可以通过式(4)求得，每个样本进行分段得到分段数据
Figure FDA0003084238240000029
各个样本的分段数据依次排列得到分段数据集2即
Figure FDA00030842382400000210
用于训练数据集的局部特征的提取，其中
Figure FDA00030842382400000211
N1,N2分别为分段数据集1,2中分段的数目。
2.根据权利要求1所述的基于振动信号的旋转机械故障直接智能诊断方法，其特征在于，步骤四具体为：
(1)行归一化：特征值
Figure FDA00030842382400000212
组成一个特征矩阵f，先归一化每类特征为相等的激活值，其中fj为归一化前的特征矩阵f的第i行，
Figure FDA0003084238240000031
为归一化后的特征矩阵的第i行，过程如式(5)所示：
Figure FDA0003084238240000032
(2)列归一化：对每一列，即每一个分段得到的特征向量
Figure FDA0003084238240000033
通过二范数进行归一化：
Figure FDA0003084238240000034
其中
Figure FDA0003084238240000035
是经过列归一化后的特征矩阵
Figure FDA0003084238240000036
的第i列；
(3)改进目标函数及训练：原稀疏滤波的目标函数可以表示为：
Figure FDA0003084238240000037
其中，M为原样本集中含有的训练样本个数；
(4)使用L3/2范数正则化方法对稀疏滤波进行改进，改进后的目标函数可以定义如式(8)所示：
Figure FDA0003084238240000038
其中，wjk为权值矩阵Wloc的第j行，第k列的元素，λ1为L3/2范数正则化方法的权重参数。
3.根据权利要求1所述的基于振动信号的旋转机械故障直接智能诊断方法，其特征在于，所述的训练样本通过不同卷积步长来进行分段，根据分段数据集1和局部特征分段数据集2对卷积步长要求不同来分别进行分段，每个时域样本
Figure FDA0003084238240000039
维数为2000，稀疏滤波训练分段数据集1之中，分段si维数为200，分段步长为d1＝60，用于计算局部特征的分段数据集2之中，分段xi维数为200，分段步长为d2＝5。
4.根据权利要求1所述的基于振动信号的旋转机械故障直接智能诊断方法，其特征在于，故障诊断网络训练样本集为随机选取采集得到的各个故障类型下的样本的20％，各个故障类型下未被选取的振动信号的样本在未知故障类型情况下用作测试样本集占采集得到样本的80％。
CN201810233686.7A 2018-03-21 2018-03-21 一种基于振动信号的旋转机械故障直接智能诊断方法 Active CN108509701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810233686.7A CN108509701B (zh) 2018-03-21 2018-03-21 一种基于振动信号的旋转机械故障直接智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810233686.7A CN108509701B (zh) 2018-03-21 2018-03-21 一种基于振动信号的旋转机械故障直接智能诊断方法

Publications (2)

Publication Number Publication Date
CN108509701A CN108509701A (zh) 2018-09-07
CN108509701B true CN108509701B (zh) 2021-08-06

Family

ID=63377765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810233686.7A Active CN108509701B (zh) 2018-03-21 2018-03-21 一种基于振动信号的旋转机械故障直接智能诊断方法

Country Status (1)

Country Link
CN (1) CN108509701B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470168A (zh) * 2018-11-07 2019-03-15 绍兴文理学院 结构面二维轮廓曲线渐进取样方法
CN109470181A (zh) * 2018-11-07 2019-03-15 绍兴文理学院 基于渐进取样的结构面二维粗糙度系数确定方法
CN111089720B (zh) * 2020-01-16 2021-10-08 山东科技大学 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法
CN111751133B (zh) * 2020-06-08 2021-07-27 南京航空航天大学 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法
CN111879397B (zh) * 2020-09-01 2022-05-13 国网河北省电力有限公司检修分公司 高压断路器储能机构故障诊断方法
CN112861275A (zh) * 2021-01-11 2021-05-28 南京航空航天大学 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法
CN118312766B (zh) * 2024-06-06 2024-10-18 鼎道智芯(上海)半导体有限公司 一种数据处理方法和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017876A (zh) * 2016-05-11 2016-10-12 西安交通大学 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
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
CN107478418A (zh) * 2017-06-29 2017-12-15 南京航空航天大学 一种旋转机械故障特征自动提取方法
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017876A (zh) * 2016-05-11 2016-10-12 西安交通大学 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN107526853A (zh) * 2016-06-22 2017-12-29 北京航空航天大学 基于层叠卷积网络的滚动轴承故障模式识别方法及装置
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
CN107478418A (zh) * 2017-06-29 2017-12-15 南京航空航天大学 一种旋转机械故障特征自动提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data;Yaguo Lei et al;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20160219;第63卷(第5期);第3137-3147页 *
Convolutional Neural Network Based Fault Detection for Rotating Machinery;Olivier et al;《Journal of Sound and Vibration》;20160524;第331-345页 *
Gearbox Fault Identification and Classification with Convolutional Neural Networks;ZhiQiang Chen et al;《Shock and Vibration》;20150424;第1-11页 *

Also Published As

Publication number Publication date
CN108509701A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108509701B (zh) 一种基于振动信号的旋转机械故障直接智能诊断方法
Jia et al. Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN114755745B (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN108830127B (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN108827605B (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN104616033A (zh) 基于深度学习和支持向量机的滚动轴承故障诊断方法
Hu et al. Bearing performance degradation assessment based on optimized EWT and CNN
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及系统
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112763214A (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
CN113723489A (zh) 一种改进关系网络的滚动轴承故障识别方法
CN114354194B (zh) 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN106096655A (zh) 一种基于卷积神经网络的光学遥感图像飞机检测方法
CN111751133A (zh) 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN113537152A (zh) 一种基于深度神经网络的流场状态故障检测方法
CN110701087A (zh) 基于单分类超限学习机的轴流压气机气动失稳检测方法

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