CN108510153B - 一种多工况旋转机械故障诊断方法 - Google Patents

Abstract

本发明涉及一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始振动数据矩阵；S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化振动数据矩阵；S3、将规范化振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。与现有技术相比，本发明通过卷积神经网络，提升了诊断模型对多变工况下对不变性特征的提取能力；通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性；两者结合共同提升了诊断模型对复杂工况条件下旋转机械故障诊断的准确率，为在线智能化故障诊断提供了有力支持。

Description

一种多工况旋转机械故障诊断方法

技术领域

本发明涉及机械故障诊断技术领域，尤其是涉及一种多工况旋转机械故障诊断方法。

背景技术

随着科技的进步，机械设备与工业系统的复杂度日益增加。机械故障诊断技术为提高设备与系统的可靠性、可维护性和有效性开辟了一条新的途径。对工业生产而言，某些生产过程一旦发生故障，容易引起整个生产过程的瘫痪，造成巨大的经济损失，甚至威胁到工作人员的生命安全。由此，现代工业要求在故障发生之初迅速进行有效的处理，以维持设备及系统的正常运行，最大程度的减少损失、降低威胁。利用计算机监测设备及系统状态及时发现故障、定位故障，已成为重要生产过程必不可少的环节。

旋转机械广泛应用于重工业的多个领域，且大多数为各个生产领域的关键设备。其多在工况条件复杂甚至恶劣的条件下工作，因此故障发生相对频繁。在不同的工况条件下，旋转机械相同的故障类型往往表现出不同的时域特征与频域特征，其较强的非线性为人工诊断带来了很大困难。

过去几年，在大数据支持与计算机性能不断提升的条件下，深度学习在解决视觉识别、语音识别、自然语言处理等多种问题上表现十分出色。在众多深度学习模型中，卷积神经网络是应用最为广泛、最早深入研究的。卷积神经网络在复杂、强非线性的模式识别与分类任务中有明显的优势。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多工况旋转机械故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种多工况旋转机械故障诊断方法，包括：

S1、采集得到旋转机械的原始时域振动数据矩阵；

S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；

S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。

优选的，所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。

优选的，所述卷积神经网络包括输入层、卷积层、池化层和输出层。

优选的，所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。

优选的，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构对卷积层降采样获得，所述池化结构的滑移方向与采样长度的方向一致；所述输出层的节点个数等于待诊断旋转机械设备状态类型数；所述池化层和输出层间采用全连接。

优选的，所述卷积神经网络除输入层外的每一层均采用线性整流函数进行激活。

优选的，所述输出层分别采用softmax函数和argmax函数进行归一化处理和故障类别判定。

优选的，所述池化层采用最大池化获取。

优选的，所述卷积神经网络的损失函数采用结合L2正则项的交叉熵损失函数。

优选的，所述K近邻分类器的建立过程包括：

将已知诊断类型的振动数据集输入到训练好的卷积神经网络进行特征提取，将得到的池化层数据结合其故障类型标签作为特征数据集，根据特征数据集建立KD树，以余弦距离为判据，通过交叉验证确定近邻数目K，得到K近邻分类器。

与现有技术相比，本发明具有以下优点：

1、对于复杂工况下运行的旋转机械，相同的故障可能表现出不同的故障特征，而卷积神经网络在训练过程中，通过卷积核能很好的减去不必要的干扰特征，同时保留多工况条件下具有不变性与鉴别力的故障特征或故障特征组合；通过在卷积神经网络引入最大池化，增强诊断模型对多工况条件下旋转机械的相同故障类型不变性特征的提取能力；利用卷积神经网络最后的全连接结构，提高了特征的线性可分性。

2、通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性，卷积神经网络与K近邻分类器结合共同提升了诊断模型对复杂工况条件下旋转机械故障的分类准确率，两者结合为在线智能化故障诊断提供了有力支持。

附图说明

图1为实施例一中多工况旋转机械故障诊断方法的流程图；

图2为实施例一中卷积神经网络训练流程图；

图3为实施例一中卷积神经网络训练流程结构示意图；

图4为实施例一中卷积神经网络结构示意图；

图5为实施例二中4种工况下的历史振动数据的时域波形；

图6为实施例二中4种工况下的历史振动数据规范化后的幅频特性曲线。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

如图1所示，一种多工况旋转机械故障诊断方法，包括：

S1、采集得到旋转机械的原始时域振动数据矩阵；

S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；

S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。

步骤S1过程具体包括采集旋转机械的振动监测点处的原始时域振动信号，振动监测点处包括滚动轴承、电机转子、联轴器、齿轮等的相关结构处，例如轴承支座、齿轮箱盖等。其中，采样长度、采样频率、在线采集时每次采样间隔的周期等参数根据实际监控的零部件及其所选用的传感器、工业互联网以及数据存储装置来确定。采集时根据采样通道的情况将时域振动信号数据排列为振动数据矩阵：

其中，采样通道可为单通道或多通道，x^(time)表示时域振动数据矩阵，i表示第i个采样通道，j表示所属采样通道内第j个采样点，m代表采样通道数，n′代表每个通道采集的采样点数。采样通道的设置根据采样对象和实际需要来确定，例如：滚动轴承的监测可采用径向单通道数据，或采用径向水平、径向垂直双通道数据；联轴器的监测可采用联轴器两侧轴承处径向、轴向四通道数据，或采用径向水平、径向垂直、轴向六通道数据等。振动信号的采样频率应满足在2kHz以上，采样时间需包含至少2个工频周期。

步骤S2对所获取的原始振动数据矩阵进行快速傅里叶变换，获取原始振动信号的幅频特性矩阵。再利用全局归一化系数对所获得的幅频特性矩阵进行归一化处理，得到规范化幅频振动数据矩阵：

其中，x^(freq)表示规范化的幅频振动数据，k为幅频振动矩阵中所属通道的第k个点，函数abs(·)用于对复数取模，a为全局归一化系数，n＝n′/2，FFT表示快速傅里叶变换。全局归一化是使所有样本的幅频特性矩阵中元素值置于[0,1]的区间范围内，以便更好的训练卷积神经网络。幅频振动数据矩阵中元素过小会导致卷积神经网络中参数调整步长过大，难以收敛；幅频振动数据矩阵中元素过大会导致卷积神经网络参数调整步长过小，收敛速度下降。规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度。

步骤S3中的卷积神经网络建立过程如图2～3所示，具体如下：

通过已知类型的历史振动数据转化为振动数据矩阵，与其对应的故障类型标签一起组成训练数据集，将训练数据集中的振动数据矩阵依次进行快速傅里叶变换与归一化处理，得到规范化的训练数据集：

X_train＝{(x^(l),y_l)}_D

其中，x^(l)表示历史诊断数据中第l个样本的幅频振动数据矩阵，y_l表示样本x^(l)对应的故障类型标签，X_train代表训练数据集，D代表训练数据集中样本的个数。将训练数据集输入到卷积神经网络中，结合反向传播算法、随机梯度下降算法以及适应性学习率算法训练卷积神经网络训练参数。本实施例中，卷积神经网络包括输入层、卷积层、池化层和输出层，如图4所示。输入层的维度等于规范化幅频振动数据矩阵的维度；卷积层由卷积核对输入层提取的特征构成，卷积核的滑移方向与采样长度的方向一致；池化层由池化结构对卷积层降采样获得，池化结构的滑移方向与采样长度的方向一致。假定待诊断旋转机械设备状态类型数为c。除输入层外，每一层单元均采用线性整流函数(relu函数)进行激活，其中relu函数为：

输入层节点的维度为m×n，训练数据集中的振动数据矩阵依次输入输入层；设卷积层由q个卷积核进行提取，卷积核大小为m×N，提取歩长为step。卷积核训练参数为权重参数W_con和偏置参数b_con，提取后的卷积层输出为：

其中，

其中，T表示转置，h表示第h个卷积核，o表示卷积层中所属卷积核及通道内的第o个点，

表示卷积层中点

对应的偏置，

代表第l个样本、第i个通道中o到o+N之前的数据点组成的向量。池化层利用最大池化(maxpooling)进行提取，池化大小为m×g，降采样后的池化层为：

其中，

其中，s表示池化层中卷积核及通道内的第s个池化输出。对卷积层进行池化后，将其展平为一列向量

输出层的节点个数等于待诊断旋转机械设备状态类型数c，输出层与展平后的池化层间采用全连接，全连接参数为权重参数W_f与偏置参数b_f，输出层的输出为：

得到输出层的输出后，利用softmax函数对输出层输出向量进行归一化，得到：

其中，t代表输出层中第t个节点。再采用argmax函数输出对应的故障类型：

卷积神经网络采用L2正则化后的交叉熵损失函数：

其中，||·||_F表示Frobenius范数，||·||₂表示L2范数，γ表示正则化系数。假定学习率为η，利用随机梯度下降算法与适应性学习率算法对卷积核参数及全连接层参数进行更新：

更新直至达到最大迭代次数或分类误差小于设定阈值为止。

K近邻分类器的建立过程包括：

将已知诊断类型的振动数据集输入到训练好的卷积神经网络进行特征提取，将得到的池化层数据结合其故障类型信息标签作为特征数据集，根据特征数据集建立KD树，以余弦距离为判据，通过交叉验证确定近邻数目K，得到K近邻分类器。其中，特征数据集为：

其中，F_train表示特征数据集。利用特征数据集的数据划分特征空间，构造KD树。其中，两向量之间的余弦距离公式为：

其中，x^(l1),x^(l2)表示任意两个样本，u表示对应样本中第u个元素，v表示样本的总长度。根据特征数据集建立KD树，以余弦距离为基准，采用交叉验证确定近邻数目K。

卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。

本方法利用卷积神经网络创建特征提取模型，利用K近邻方法作为分类模型，两者结合共同形成了多工况旋转机械故障诊断模型。该故障诊断模型利用卷积神经网络特有的卷积核与池化结构，提高了对复杂工况下不变性与鉴别性特征的提取能力，利用网络最后的全连接层提高了特征的可线性分类能力；利用K近邻分类器提升了特征分类的鲁棒性。

实施例二

本实施例将结合具体数据对技术方案做进一步的细化说明，具体如下：

S1、采集得到旋转机械的原始振动数据矩阵，本实施例中，采集旋转机械振动监测点处的原始时域振动信号，根据采样通道将时域振动数据排列为时域振动数据矩阵：

本实施例采用单通道的滚动轴承径向振动作为振动数据。其中，一组时域振动数据中包含3个工频周期，其采样频率为12kHz，采样时间为0.1s。根据通道数，其形成的时域振动数据矩阵维度为1×1200。

S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵。根据不同的采样通道，对所获取的时域振动数据矩阵进行快速傅里叶变换，获取振动信号的幅频特性矩阵。利用全局归一化系数对所获得的幅频特性矩阵进行归一化处理，得到规范化幅频振动数据矩阵：

本实施例中归一化系数为10，形成的规范化振动数据矩阵维度为1×600，频带宽度为[0,6000Hz]，频率分辨率为10Hz。

S3、将规范化振动数据矩阵输入建立的卷积神经网络与K近邻分类器串联组合得到的故障诊断模型中，得到诊断结果。

本实施例中滚动轴承的历史振动数据中包含4种不同的工作状态，分别为正常状态、外圈故障、滚动体故障和内圈故障。4种状态均对应600个振动数据样本。4类状态下的时域振动数据样例如图5所示。4类状态下的振动信号通过快速傅里叶变换以及归一化系数增益后的幅频特性曲线如图6所示。

卷积神经网络建立过程与实施例一相同，具体的，卷积神经网络的结构参数通过十折交叉验证与贪婪算法首先选定一组初始参数及调参范围，依次确定卷积核大小参数N、卷积核滑移步长step，卷积核个数q，池化层大小参数g。除了贪婪算法外，结构参数还可通过网格搜索算法等其他优化算法确定。本实施例确定的卷积神经网络结构包括：

输入层节点维度为1×600；卷积特征提取层由30个卷积核进行提取，卷积核大小为1×10，提取歩长为2；池化层的池化大小为1×2；输出层节点个数为4，输出层与池化层采用全连接；除输入层外，每一层单元均采用relu函数进行激活；利用softmax函数与argmax函数对输出层分别进行归一化处理和确定具体的故障类别。

卷积神经网络采用随机梯度下降算法与适应性学习率算法对卷积核参数及全连接层参数进行更新，全局学习率为η＝0.001，正确率阈值为99.8％，迭代次数trainepoch＝1000，正则化参数γ＝0.00001，损失函数为：

参数更新过程为：

卷积神经网络训练完成后，将训练数据集投入训练好的卷积神经网络中，提取其池化层数据和其对应的故障类型标签作为特征数据集，并以此训练K近邻分类器。利用特征数据集数据划分特征空间，构造KD树，以余弦距离作为判据，采用交叉验证确定近邻数目K。将训练好的卷积神经网络与K近邻分类器串联结合，得到多工况旋转机械故障诊断模型，并将其用于步骤S3中的振动数据诊断。

本实施例中采用不同工况载荷下的滚动轴承振动数据分别作为训练集与测试集检验本方法的有效性。在十折交叉验证情况下，本申请提出的基于卷积神经网络及K近邻算法的多工况故障诊断方法的总体正确率达到了98.83％，相比于W.Lu提出的DAFD(DomainAdaptation for Fault Diagnosis)方法的正确率96.33％，经典的支持向量机SVM(Support Vector Machine)的正确率93.67％，以及经典的反向传播神经网络BPNN(BackPropagation Neural Network)的正确率85.90％，本方法的正确率有所提升，表现出良好的分类效果。

需要说明的是，基于卷积神经网络及K值近邻的多工况旋转机械故障诊断方法，需要先利用历史振动数据训练好故障诊断模型，再通过步骤S1～S3将在线采集振动数据进行规范化，并通过训练好的故障诊断模型实现设备零部件的故障诊断功能。

上述的结构参数、训练超参数、训练迭代次数等可根据实际情况采用其他算法进行调整，不应以本实施例的数据对发明的保护范围进行限制。

Claims (7)

1.一种多工况旋转机械故障诊断方法，其特征在于，包括：

S1、采集得到旋转机械的原始时域振动数据矩阵；

S2、对原始时域振动数据矩阵依次进行傅里叶变换和归一化处理，得到规范化幅频振动数据矩阵；

S3、将规范化幅频振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果；

所述规范化幅频振动数据矩阵在两个方向的维度分别为采样通道数与采样长度；

所述卷积神经网络包括输入层、卷积层、池化层和输出层；

所述卷积神经网络与K近邻分类器串联组合的方式具体为：将卷积神经网络中池化层的输出作为K近邻分类器的输入来实现两者的串联组合。

2.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述输入层的维度等于规范化幅频振动数据矩阵的维度；所述卷积层由卷积核对输入层提取的特征构成，所述卷积核的滑移方向与采样长度的方向一致；所述池化层由池化结构对卷积层降采样获得，所述池化结构的滑移方向与采样长度的方向一致；所述输出层的节点个数等于待诊断旋转机械设备状态类型数；所述池化层和输出层间采用全连接。

3.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络除输入层外的每一层均采用线性整流函数进行激活。

4.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述输出层分别采用softmax函数和argmax函数进行归一化处理和故障类别判定。

5.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述池化层采用最大池化获取。

6.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述卷积神经网络的损失函数采用结合L2正则项的交叉熵损失函数。

7.根据权利要求1所述的一种多工况旋转机械故障诊断方法，其特征在于，所述K近邻分类器的建立过程包括：

将已知诊断类型的振动数据集输入到训练好的卷积神经网络进行特征提取，将得到的池化层数据结合其故障类型标签作为特征数据集，根据特征数据集建立KD树，以余弦距离为判据，通过交叉验证确定近邻数目K，得到K近邻分类器。

Images