CN110031227A - 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 - Google Patents

Abstract

本发明公开了一种基于双通道卷积神经网络的滚动轴承状态诊断方法，包括采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；对采集的振动加速度数据进行数据增强处理；对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练；其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。本发明的方法在不增加原始数据的情况下获得了更为细腻的信息，增加了诊断模型的精度与鲁棒性。

Description

一种基于双通道卷积神经网络的滚动轴承状态诊断方法

技术领域

本发明涉及滚动轴承监测诊断技术领域，尤其涉及一种基于双通道卷积神经网络的滚动轴承状态诊断方法。

背景技术

现代工业中，机器监测具有无可替代的意义。为了确保机器的正常运转，减少由于机器故障带来的经济损失，人们追求更好的机械故障监测方法的脚步从未停歇。滚动轴承是旋转机构的核心部件，其健康与否，对整体机构运转有着很大的影响。近年来，智能故障诊断技术取代了费力且不牢靠的人工分析，提高了故障诊断的效率。深度学习模型借助其具有更好的逼近复杂函数的能力，大大提高了轴承故障诊断的准确性。

一般轴承故障诊断流程有信息采集、特征抽取、状态识别、分析诊断、决策分类等若干环节。一般在滚动轴承诊断方法中振动法使用最为广泛。而特征抽取是决定这诊断技术中重中之重。目前在振动信号应用方面主流方法如下：1，时序信号提取频谱特征，放入深度学习模型；2，时序信号的频谱图或者将一维信号重排成二维，二维卷积；3，时序信号直接输入到深度学习模型(一维卷积等)。

迄今为止，利用深度学习算法进行轴承诊断几乎能达到98％以上的精度，因此，下一步工作的重心应该多考虑实际工况中算法的适应能力。目前已公布的发明专利“一种多通道深度卷积神经网络的风电机组轴承故障诊断方法”，公开号为CN107560849A，通过获取测试轴承驱动端和非驱动端的高频振动加速度信号；该方法试图使用两种不同的工作环境来扩展算法的适应能力，但是单单通过增加数据的多样性并没有对算法的应用性有所提升。

发明内容

有鉴于此，本发明的目的是提供一种基于双通道卷积神经网络的滚动轴承状态诊断方法，利用数据增强技术与双通道特征抽取方法，不仅实现的诊断的过程，也大大扩展的算法的适应环境与迁移能力。

本发明通过以下技术手段解决上述技术问题：

一种基于双通道卷积神经网络的滚动轴承状态诊断方法，包括：

使用振动加速传感器采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；

对采集的振动加速度数据进行数据增强处理；

对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；

构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练；其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；

评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。

进一步，所述滚动轴承的状态分为正常状态、内圈故障、外圈故障和滚动体故障。

进一步，将电机零负载情况下的振动加速度数据作为训练集，将电机不同负载情况下的振动加速度数据作为测试集，通过训练集和测试集对卷积神经网络诊断模型进行训练和测试。

进一步，依据诊断模型的诊断训练结果的准确率、精准率、召回率和F1-Measure，对训练后的诊断模型进行评估，以判断是否出现过拟合状态和需要调整诊断模型结构和训练样本数量。

进一步，所述双通道卷积网络包括粗粒度卷积神经网络和细粒度卷积神经网络，所述粗粒度卷积神经网络的卷积核为宽卷积核，所述宽卷积核用于提取振动加速度数据的粗粒度特征；所述细粒度卷积神经网络的卷积核为窄卷积核，所述窄卷积核用于提取振动加速度数据的细粒度特征。

进一步，所述粗粒度卷积神经网络输出向量为：

所述细粒度卷积神经网络输出向量为：

其中，S_j为模型输入；l为卷积神经网络的层数；K为宽卷积核；k为窄卷积核；b为偏置向量；为粗粒度卷积神经网络输出向量；为细粒度卷积神经网络输出向量。

本发明的有益效果：本发明在将采集到的振动加速度数据输入前对数据样本进行数据增强处理；在卷积阶段有效利用多通道并行的卷积神经网络提取不同粒度特征信息，使得本发明智能诊断上拥有着优良的鲁棒性与模型泛化能力，可以在不同的工作负载下获得较高的精度。本发明的方法在不增加原始数据的情况下获得了更为细腻的信息，增加了诊断模型的精度与鲁棒性。

附图说明

图1为智能诊断整体结构流程图；

图2为数据增强处理示意图；

图3为正常轴承振动信号示意图；

图4为内圈故障轴承振动信号示意图；

图5为外圈故障轴承振动信号示意图，

图6为滚动体故障轴承振动信号示意图；；

图7为本方法神经网络结构图；

图8为Drop-out详细说明图。

具体实施方式

以下将结合附图和具体实施例对本发明进行详细说明：

如图1所示，本发明的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，包括：

S1:使用振动加速传感器采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；

本实施例中，为了方便，直接以现有的美国西储大学的轴承数据集描述本诊断方法的具体实施过程。

西储大学实验室提供了正常和故障轴承的滚珠轴承测试数据。测试试验台由一个电机，转矩传感器，功率计和控制器组成。该数据集共采集了滚动轴承在正常、单点驱动端故障和风扇端故障情况下，在0马力，1马力，2马力，3马力电机负载下的振动加速度数据。实验数据由每秒12000个样本的加速度计电机驱动机械系统完成。对于故障轴承，使用电火花加工技术对轴承外圈、内圈、滚动体制造直径为0.007mils、0.014mils和0.021mils的单点缺陷。

S2:对采集的振动加速度数据进行数据增强处理；

在故障诊断领域，采集到的振动信号通常是一个很长的时间序列。长时间序列建模和挖掘特征几乎是不可能的。因此，对数据进行一定处理是很有必要的。

由于机器学习任务中必须有大量的训练数据作为支撑，而原始振动数据是一维时序信号，利用时间序列分割成若干个较短的时间序列来增加一维时序信号样本数量，这在计算机视觉领域被称为“数据增强”,使用数据增强技术对原始振动信号进行预处理后，得到数据向量组成该轴承数据库。具体数据增强技术如图2所示，采用合适的样本长度和样本数量，从美国西储大学的轴承数据集描述中得到数据采集的频率和转速，推断出轴承每圈采集的数据数量，公式为:采样计数/每圆＝采样频率*60/转速＝12000*60/1797＝400。因此，每个样本的长度可以设定为400，可以保证每个样本都覆盖轴承一整圈测试数据并且可以根据振动信号的长度和样本的数量灵活调整滑动步幅，从而扩充数据样本，获取大量振动信号特征向量。

S3:对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；

标签等级按照故障等级分为0,1,2,3,4,5,6,7,8,9，分别对应正常状态，7mils内圈故障，14mils内圈故障，21mils内圈故障，7mils外圈故障，14mils外圈故障，21mils外圈故障，7mils滚动体故障，14mils滚动体故障，21mils滚动体故障。图3为正常轴承振动信号示意图，图4为内圈各等级故障轴承振动信号示意图，图5为外圈各等级故障轴承振动信号示意图，图6为滚动体各等级故障轴承振动信号示意图；

S4:构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练，其中，卷积神经网络为双通道卷积网络，所述双通道卷积网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；

S41:振动加速度数据输入为一维向量，因此卷积神经网络诊断模型的卷积核也是一个为一维结构，每一层的卷积层与池化层的输出都为维特征向量。本实施例中选取400维周期向量为卷积神经网络诊断模型的输入。本实施例中，构建的诊断模型为双通道卷积神经网络模型，如图7所示，双通道卷积神经网络包括粗粒度卷积神经网络和细粒度卷积神经网络，所述粗粒度卷积神经网络的卷积核为宽卷积核，所述宽卷积核用于提取振动加速度数据的粗粒度特征；所述细粒度卷积神经网络的卷积核为窄卷积核，所述窄卷积核用于提取振动加速度数据的细粒度特征。

粗粒度卷积神经网络输出向量和细粒度卷积神经网络输出向量分别如下公式所示：

其中S_j为模型输入；l代表第几层卷积神经网络；K为宽卷积核；k为窄卷积核；b为偏置向量；为粗粒度卷积神经网络输出向量；为细粒度卷积神经网络输出向量。传统CNN模型一般选择ReLU，很多实验表明使用relu得到的SDG收敛速度要比其他函数快很多，在解决数据稀疏问题也拥有很好的效果。

池化层的输入来源于上一个的卷积层，主要作用为保留主要特征，减少下一层参数和整体模型计算量，防止过拟合。最常用的池化层是max-pooling层，它对输入特征执行局部max操作，以减少参数，获得位置不变的特征。最大池化转换描述如下:

其中代表l层的第i个最大池化特征；W为池化宽度；代表l+1层的特征值。

每个通道在接下来的几层中，卷积层和池化层交替出现。一方面可以自动提取多个故障特征，另一方面可以大大缩短时间序列的长度增加模型精度的同时减少计算量，每一层卷积池化层都是对上一层输出的特征向量进行操作，输出多个特征向量。

S42:在获取步骤S41中双通道卷积层获得多个一维特征向量后，将这些特征向量首尾相连组成一维特征向量，这系列操作称作为“展平”；

S43:使用Softmax回归模型作为分类器。模型输出为10个神经元对应十种故障等级。Softmax回归模型作为分类问题的拓展模型在多分类的任务中拥有着优良的效果；分类算法可以表示为：

其中v为特征向量；w为权重矩阵；b为偏置向量。

本实施例中使用softmax输出概率分布与目标分别之间的交叉熵，设为p(x)目标分布，q(x)为预估分布，loss函数公式如下：公式如下：

优化方法选择mini-batch随机下梯度降法训练,很多机器学习任务结果表明，采用小批处理方法计算梯度，更新参数，得到的模型泛化能力较好。在实际情况中，为了更好的提升模型鲁棒性可以使用不同的数据集进行梯度交叉训练，以获取更强模型泛化能力。在其他机器学习任务使用mini-batch随机下梯度降法一般选取批次不会太小，本发明采取于故障等级数量，根据西储大学的轴承数据集情况，本发明选取每一个batch为10。换一个说法，使用更小的batch优点有如下：其一使特征捕捉的更为细腻与全面。其二减少每次训练数据量增加了模型的干扰能力同时也加强了模型提取诊断信号具有代表性的特征从而提升模型的泛化能力。

S44:引入drop-out；训练模型中加入drop-out一是为了减少神经元训练避免在过多的参数下模型出现过拟合情况，从而提高模型精度；二是由于本模型输入为原始一维信号，通过减少原始输入增加噪声的方法以增加模型的鲁棒性。如图8所示，在深度网络中加入drop-out训练效果往往更加有效；

为了进一步捕捉噪声的不确定性特征，我们采用了改变辍学率的方法。更具体地说，在每一批中训练时，辍学率为0～0.9之间的一个随机值。为了保证模型的精度，选择最少辍学率为0，为了在噪声环境下更好的学习到特征，选择最多辍学率为0.9。这样通过drop-out的方式加噪声即能保证模型的鲁棒性，也能兼顾模型精度；

S45:选取滚动轴承在电机零负载情况的振动加速度数据作为训练集数据，选取滚动轴承在电机负载为1马力，2马力和3马力情况下振动加速度数据作为测试集数据，将训练集数据和测试集数据输入诊断模型中进行训练测试。

S5：评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承；

S51:设定好全局学习速率，初始化参数，数值稳定量，衰减速率，梯度累积量，停止准则等一系列训练参数开始训练。达到停止准则可提前结束训练防止模型过拟合；

S52:评估诊断模型，评估指标有准确率，精准率，召回率和F1-Measure；

S53:检查评估结果是否合理，是否出现过拟合状态或其他问题决定是否需要小幅调整模型结构和训练样本数量。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (6)

1.一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，包括：

使用振动加速传感器采集不同电机负载下不同状态的滚动轴承振动加速度的时序信号，得到振动加速度数据；

对采集的振动加速度数据进行数据增强处理；

对数据增强处理后的振动加速度数据按照滚动轴承状态类型贴上相应标签；

构建卷积神经网络诊断模型，并用处理后的振动加速度数据对诊断模型进行训练，其中，所述诊断模型具有双通道卷积神经网络，所述双通道卷积神经网络包括两个用于分别抽取不同跨度的振动加速度数据的特征的卷积核；

评估训练后的诊断模型，并将其应用于监测待诊断的滚动轴承。

2.根据权利要求1所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述滚动轴承的状态分为正常状态、内圈故障、外圈故障和滚动体故障。

3.根据权利要求2所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，将电机零负载情况下的振动加速度数据作为训练集，将电机不同负载情况下的振动加速度数据作为测试集，通过训练集和测试集对卷积神经网络诊断模型进行训练和测试。

4.根据权利要求3所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，依据诊断模型的诊断训练结果的准确率、精准率、召回率和F1-Measure，对训练后的诊断模型进行评估，以判断是否出现过拟合状态和需要调整诊断模型参数和训练样本数量。

5.根据权利要求4所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述双通道卷积网络包括粗粒度卷积神经网络和细粒度卷积神经网络，所述粗粒度卷积神经网络的卷积核为宽卷积核，所述宽卷积核用于提取振动加速度数据的粗粒度特征；所述细粒度卷积神经网络的卷积核为窄卷积核，所述窄卷积核用于提取振动加速度数据的细粒度特征。

6.根据权利要求5所述的一种基于双通道卷积神经网络的滚动轴承状态诊断方法，其特征在于，所述粗粒度卷积神经网络输出向量为：

所述细粒度卷积神经网络输出向量为：

其中，S_j为模型输入；l为卷积神经网络的层数；K为宽卷积核；k为窄卷积核；b为偏置向量；为粗粒度卷积神经网络输出向量；为细粒度卷积神经网络输出向量。