CN110220709A - 基于cnn模型和迁移学习的滚动轴承故障诊断方法 - Google Patents
基于cnn模型和迁移学习的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN110220709A CN110220709A CN201910491182.XA CN201910491182A CN110220709A CN 110220709 A CN110220709 A CN 110220709A CN 201910491182 A CN201910491182 A CN 201910491182A CN 110220709 A CN110220709 A CN 110220709A
- Authority
- CN
- China
- Prior art keywords
- cnn model
- bearing
- new
- transfer learning
- time
- 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
- 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
- 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
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明针对基于模式识别的滚动轴承故障诊断方法适用性较差以及训练样本量不足的问题,提出了一种基于CNN模型和迁移学习的滚动轴承故障诊断方法,其包括以下步骤:首先,利用计算机仿真的方法,构造不同类别的滚动轴承故障仿真数据,对CNN模型进行训练和测试;然后,利用第一目标域数据和仿真数据集构建新训练集,将CNN模型的大部分参数迁移到目标域数据上,得到新CNN模型;再将第二目标域的数据集加入到原建训练集重新构建训练集,逐次进行迁移学习和更新模型的参数。利用该方法,CNN模型更容易收敛,降低了CNN模型的训练成本,降低了对目标域上的样本数据量的要求,得到的新CNN模型有更强的鲁棒性和适用性。
Description
技术领域
本发明属于故障诊断技术领域,特别是一种基于卷积神经网络(CNN,Convolutional Neural Network)模型和迁移学习的滚动轴承故障诊断方法。
背景技术
在现代机械工业设备中,旋转机械通常占90%以上,而滚动轴承又是各种旋转机械中最常见的一种通用部件,滚动轴承的运行状态正常与否往往直接影响到整台机器的性能。但是在工作过程中,滚动轴承由于润滑剂污染、过载等原因可能会发生轴承外圈损坏、轴承内圈损坏、滚动体损坏等各类故障,因此有效的滚动轴承故障诊断和状态检测对设备的稳定长久运行具有十分重要的意义。
滚动轴承的故障诊断方法主要有温度法、油液法和振动法,其中振动法在轴承故障诊断中应用较为广泛。振动法轴承故障监测和诊断技术,使用传感器采集设备运行过程中轴承的振动信号,再对采集到的振动信号进行放大、滤波和转换等处理得到振动信号的幅值或频率,最后把振动信号的幅值或频率与规定的阈值进行对比,判断轴承是否存在故障。但是上述判断结果均依赖于专业人员的经验,包含了较多的主观因素。因此,随着模式识别和深度学习技术的迅速发展,大量学者对机器学习在故障诊断领域的应用也进行了研究。然而目前大多数基于机器学习的故障诊断方法较难应用到实际工程当中,其原因在于:1)难以获得大量的人工标注好的数据;2)设备工况复杂,在不同工况下,采集到的数据差异较大,数据分布不同,使得同一模型只能在特定的数据上发挥作用。
发明内容
本发明所要解决的技术问题是,提出一种基于CNN模型和迁移学习的滚动轴承故障诊断方法,用以解决目前基于机器学习的故障诊断方法普适性较差和依赖于大量人工标注样本的问题。
本发明采用的技术方案包括以下步骤:
S1、构造滚动轴承振动信号仿真表达式,利用所述滚动轴承振动信号仿真表达式生成不同类别故障的仿真样本时域图数据集;
S2、设定CNN模型的超参数,利用所述仿真时域图数据集训练CNN模型,得到一个CNN特征提取模型和分类模型,具体实现方式如下:
S21、将S1得到的仿真样本时域图数据集进行数据扩充,包括水平翻转、图像明暗度调整、添加噪声或微调图像色彩;
S22、确定CNN模型的超参数以及优化方式,包括:网络层数、每层网络的卷积核的大小及数量、正则化参数或学习率衰减函数;
S23、初始化网络参数并输入训练集进行训练,经若干次迭代,计算模型在训练集和测试集上的损失函数和准确率变化,若测试集上的损失函数未呈现随迭代次数不断下降的趋势,则回到步骤S22重新调整超参数进行训练,最终得到一个CNN特征提取和分类模型;
S3、对所述CNN模型进行第一次迁移学习,构建新CNN模型,具体步骤如下:
S31、将第一目标域的数据进行归一化和去噪等预处理,得到时域图数据集,按照比例8:2划分为训练集和测试集,将第一目标域训练集与仿真数据集按照1:1的比重,重新构建新训练集,若仿真数据集数量较大,则只需从仿真数据集中随机取出与目标域训练集等数量的部分;
S32、固定步骤S2得到的CNN模型的部分层的参数,用步骤S31得到的新训练集对所述CNN模型进行训练,训练过程中只更新所述CNN模型中最后n=2层的参数,经若干次迭代后,若所述CNN模型的准确率较低,再增加CNN模型更新的层数,n=n+1,重新对所述CNN模型进行训练,直到得到准确率满足要求的新CNN模型;
S33、用第一目标域测试集对步骤S32得到的新CNN模型进行测试,验证新CNN模型的性能;
S4、对第一次迁移学习得到的新CNN模型进行第二次迁移学习,重新构建适用于新目标与的CNN模型,具体步骤如下:
S41、对第二目标域上的数据进行归一化和去噪预处理,并按照8:2的比例划分为训练集和测试集,将所述第二目标域训练集与第一目标域训练集和仿真数据集在数量上按照1:1:1的比例融合构建新的训练集,若不同域的数据集数量差别悬殊,按数量最少的数据集从其他域中等比例随机取出;以及
S42、固定步骤S3得到的新CNN模型的部分层的参数,用步骤S41得到的新训练集对所述新CNN模型进行训练,更新CNN模型中最后m层的参数,此时m<n,以保证第一次迁移时所更新的参数在第二次迁移中不被完全更新,仍能起到特征提取的作用,若所述CNN模型的准确率较低,在满足m<n的条件下,可考虑增加新的全连接层,再进行训练,直到得到准确率满足要求的CNN模型。
更进一步地,所述步骤S1中,在轴承正常状态时,轴承不会产生脉冲冲击,在仿真生成时域图数据时,只需考虑低频干扰信号和环境噪声,所以构造轴承正常状态的时域图数据集的公式如下:
x1=asin(2πf1t)+bsin(2πf2t) (1)
y=x1+N (2)
x1为低频干扰信号,a和b分别为低频干扰信号的幅值,N为信噪比为20的环境噪声信号,y为加入噪声的低频干扰信号。
更进一步地,所述步骤S1中,在轴承外圈故障时,假设轴承振动信号传感器安装在径向载荷密度最大的地方,损伤点位于载荷区的某一位置,由于轴承外圈故障位置相对于传感器不变,因此轴承外圈故障引起的脉冲冲击的大小和方向不变,该周期冲击信号可表示为式(3):
其中,δ(t)为单位脉冲函数;Fm为脉冲冲击强度;k为整数;T=1/f为脉冲之间的时间间隔,其中f为轴承外圈故障特征频率。
另由于故障引起的脉冲冲击是不断产生的,但阻尼比较大,衰减很快,因此,各个衰减基本独立,相互影响很小。指数衰减函数可表示为式(4):
F1(t)=F(t)*e(t) (5)
式(5)中的“*”代表卷积运算,式(3)和式(4)的卷积结果F1(t)即为周期性脉冲力的振动信号。
更进一步地,所述步骤S1中,在轴承运转时,轴承内圈随之转动,在轴承内圈故障时,因此,轴承故障的脉冲冲击的大小和方向会受到载荷分布和损伤点位置的影响,轴承承受的径向载荷的载荷分布可以由式(6)表示,滚动体对轴承内圈的脉冲力的作用方向由式(7)表达:
式中:对于球轴承,n=1.5;ε为载荷分布系数;φ为载荷的方向与传感器轴线方向的夹角,Fm为脉冲力强度。考虑载荷分布和损伤点位置的影响情况下,将式(6),式(7)叠加到式(5)即得到轴承内圈损伤时的仿真振动信号。
更进一步地,所述步骤S1中,滚动体上的损伤与轴承内圈和轴承外圈作用产生的脉冲力均不同,滚动体受到的脉冲力如表达式(8)所示,由其与轴承外圈接触受到的脉冲力和与轴承内圈接触受到的冲击力组成。表达式(9)是与轴承外圈接触受到的脉冲力,表达式(10)是与轴承内圈接触受到的冲击力,其中Fm1是轴承外圈对滚动体的冲击力强度,Fm2是轴承内圈对滚动体的冲击力强度,Tb是滚动体自传周期。
F(t)=F1(t)+F2(t) (8)
将式(6),式(7)叠加到式(8)与式(4)的卷积即可得到滚动体故障的仿真信号。
本发明的有益效果在于:
本发明提出的基于CNN和迁移学习的滚动轴承故障诊断方法,利用计算机仿真的方法,构造不同类别的滚动轴承故障仿真数据,对CNN特征提取及分类模型进行训练和测试,建立CNN模型;将第一目标域数据、第二目标域数据集加入到原训练集重新构新建训练集,以此不断丰富数据集的多样性,通过两次移学习逐次更新模型的参数,得到新CNN模型。利用该方法,在迁移过程中CNN模型更容易收敛,降低了CNN模型的训练成本,且降低了对目标域上的样本数据量的要求,可以有效解决CNN模型训练前期数据量不足的问题,得到的新CNN模型有更强的鲁棒性和适用性。
附图说明
图1是本发明的一种基于迁移学习和CNN的轴承故障诊断方式的流程图;
图2是利用仿真表达式构造出的轴承振动信号时域图;
图3是迁移到实测数据上时训练模型的损失函数;以及
图4是迁移到实测数据上时训练模型的准确率变化趋势图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
本实施例建立的CNN模型包括卷积层、BN层、池化层、全连接层和softmax层。其中卷积层和BN层的功能主要是特征提取,池化层的功能主要是降低特征的维度,实际是降低特征图的维度,全连接层的功能主要是将特征映射到一维向量上,最后softmax层主要功能是对特征进行分类。
图1示出了本发明提出的一种基于CNN和迁移学习的的轴承故障诊断方法的步骤,本实施例的具体步骤如下:
S1、确定轴承振动信号仿真表达式,利用轴承振动信号仿真表达式生成不同类别故障的仿真样本时域图数据集。本实施例中仿真信号分为四个类型,轴承外圈故障,轴承内圈故障,轴承滚动体故障和轴承正常信号。其中,用指数衰减的周期性冲击信号模拟轴承单故障点的振动特征频率;低频谐波用以模拟由于轴承不平衡、未校准或者机械松动引起的低频干扰;高斯白噪声用以模拟环境干扰。
在这个实施例中,故障数据产生的具体步骤如下:
(1)仿真轴承正常数据的生成;
轴承正常状况下没有脉冲冲击,仅考虑低频干扰信号和噪声,对应公式。
Matlab程序实现的主要部分如下:
x=0.2*(sin(2*pi*f1*t)+0.2*sin(2*pi*f2*t))
y=awgn(x,20)
程序段中,x为低频干扰信号,y为添加噪声后的振动信号。
仿真参数取值如表1所示:
表1:轴承正常数据仿真参数值
采样频率 | f<sub>s</sub>=0.5×16384 | 采样点数 | N=round(t<sub>s</sub>×f<sub>s</sub>) |
采样时刻 | t=0:1/f<sub>s</sub>:N/f<sub>s</sub> | 总采样时间 | t<sub>s</sub>=3; |
低频信号1 | f<sub>1</sub>=10; | 低频信号2 | f<sub>2</sub>=130; |
信噪比 | SNR=20 |
表中,fs是采样频率,N是采样点数,fn是固有频率,t是采样时刻,f1和f2是低频干扰信号,SNR是信噪比。
(2)仿真轴承外圈故障数据的生成;
对应发明内容中的轴承外圈故障数据的生成步骤:
相应Matlab仿真程序主要部分如下:
x=2*u+0.2si(2*pi*f1*t)+0.2sin(2*pi*f2*t)
y=awgn(x,SNR);
程序段中,u对应发明内容中式(5)中的卷积结果,x为添加低频干扰信号的结果,y为最终得到的轴承外圈故障振动信号。
仿真参数取值如表2所示:
表2:轴承外圈故障数据仿真参数值
采样频率 | f<sub>s</sub>=6×16384 | 重复周期 | T=1/f<sub>out</sub>(冲击频率:f<sub>out</sub>=368) |
固有频率 | f<sub>n</sub>=3000 | 采样点数 | N=round(t<sub>s</sub>×f<sub>s</sub>) |
低频信号1 | f<sub>1</sub>=10 | 单周期采样点数 | NT=round(f<sub>s</sub>×T) |
低频信号2 | f<sub>2</sub>=130 | 采样时刻 | t=0:1/f<sub>s</sub>:N/f<sub>s</sub> |
位移常数 | y<sub>0</sub>=1 | 单周期采样时刻 | t<sub>0</sub>=0:1/f<sub>s</sub>:NT/f<sub>s</sub> |
阻尼系数 | g=0.05 | 信噪比 | SNR=20 |
持续采样时间 | t<sub>s</sub>=3 |
上表中,fs是采样频率,N是采样点数,NT是单周期采样点数,y0是冲击程度常数,g是阻尼系数,fn是固有频率,是t0单周期采样时刻,t是采样时刻,f1和f2是低频干扰信号,SNR是信噪比。
(3)仿真轴承内圈故障数据的生成;
对应发明内容中的轴承内圈故障数据的生成步骤,同理通过相应的Matlab程序构造轴承内圈故障信号,将式(6),式(7)叠加到式(5)即得到轴承内圈损伤时的仿真振动信号。
x1=2*x+0.2sin(2*pi*f1*t)+0.2sin(2*pi*f2*t)
y=awgn(x1,SNR);
程序段中u为构造周期性脉冲的衰减信号,对应式(5)中的卷积运算结果。程序段中x是将载荷分布和脉冲力(见式6-7)叠加在u上的结果,x1和y分别为在轴承内圈损伤的振动信号基础上添加低频干扰信号和噪声信号之后的结果。
仿真参数取值如表3所示:
表3:轴承内圈故障数据仿真参数值
采样频率 | f<sub>s</sub>=3×16384 | 重复周期 | T=1/f<sub>z</sub>(冲击频率:f<sub>z</sub>=48) |
固有频率 | f<sub>n</sub>=3000; | 采样点数 | N=round(t<sub>s</sub>×f<sub>s</sub>) |
低频信号1 | f<sub>1</sub>=10; | 单周期采样点数 | NT=round(f<sub>s</sub>×T) |
低频信号2 | f<sub>2</sub>=130; | 采样时刻 | t=0:1/f<sub>s</sub>:N/f<sub>s</sub> |
位移常数 | y<sub>0</sub>=1; | 单周期采样时刻 | t<sub>0</sub>=0:1/f<sub>s</sub>:NT/f<sub>s</sub> |
阻尼系数 | g=0.05; | 信噪比 | SNR=20 |
持续采样时间 | t<sub>s</sub>=3; | 最大受力 | F<sub>m</sub>=1 |
载荷分布系数 | ε=1.5 |
上表中,fs是采样频率,N是采样点数,NT是单周期采样点数,y0是冲击程度常数,g是阻尼系数,fn是固有频率,是t0单周期采样时刻,t是采样时刻,f1和f2是低频干扰信号,SNR是信噪比。
(4)仿真轴承滚动体故障数据的产生;
对应发明内容中构造滚动体故障信号的步骤,采用以下Matlab程序得到滚动体故障的时域图:
u=u1+u2
x1=2*x+0.2sin(2*pi*f1*t)+0.2sin(2*pi*f2*t)
y=awgn(x1,SNR);
其中,程序段中u1和u2分别是轴承外圈和轴承内圈对滚动体的周期脉冲与指数衰减卷积产生的振动信号,程序段中x是将载荷分布和脉冲力(见式6-7)叠加在u1和u2上的结果,x1和y分别为在滚动体损伤的振动信号基础上添加低频干扰信号和噪声信号之后的结果。
仿真参数取值如表4所示:
表4:轴承滚动体故障仿真参数值
采样频率 | f<sub>s</sub>=2×16384 | 重复周期 | T=1/fz(冲击频率:fz=48) |
固有频率 | f<sub>n</sub>=3000; | 采样点数 | N=round(t<sub>s</sub>×f<sub>s</sub>) |
低频信号1 | f<sub>1</sub>=10; | 单周期采样点数 | NT=round(f<sub>s</sub>×T) |
低频信号2 | f<sub>2</sub>=130; | 采样时刻 | t=0:1/f<sub>s</sub>:N/f<sub>s</sub> |
位移常数 | y<sub>0</sub>=1; | 单周期采样时刻 | t<sub>0</sub>=0:1/f<sub>s</sub>:NT/f<sub>s</sub> |
阻尼系数 | g=0.05; | 信噪比 | SNR=20 |
持续采样时间 | t<sub>s</sub>=3; | 最大受力 | F<sub>m</sub>=1 |
载荷分布系数 | ε=1 |
上表中,fs是采样频率,N是采样点数,NT是单周期采样点数,y0是冲击程度常数,g是阻尼系数,fn是固有频率,是t0单周期采样时刻,t是采样时刻,f1和f2是低频干扰信号,SNR是信噪比。
用上述方法得到的四种类型的信号时域图如附图2所示。
S2、设定CNN模型的超参数,包括,利用仿真数据训练CNN,得到一个基于CNN的特征提取模型,具体步骤如下:
S21、将步骤S1得到的时域图样本集进行数据扩充,进行水平翻转得到扩充后的数据集。
S22、确定CNN的超参数以及优化方式,主要包括:网络层数,每层网络的卷积核的大小及数量(如表5所示),设置初始学习率u0为0.01,每迭代50次,学习率在初始学习率上乘0.8。
S23、把初始网络参数随机设置为满足正态分布的参数值,并输入训练集进行训练,迭代若干次,计算模型在训练集和测试集上的损失函数和准确率变化,若出现不正常变化,回到步骤S22重新调整超参数进行训练,最终得到基于CNN的特征提取和分类模型。
S3、对CNN特征提取和分类模型进行迁移学习,构建新CNN模型,具体实现方式如下:
S31、对目标域上的数据进行归一化和去噪预处理,得到时域图数据集,按照8:2的比例划分为训练集和测试集,将目标域训练集与源域数据集按照1:1的比重构建新的训练集;
S32、固定步骤S2得到的CNN模型的卷积层参数和全连接层的部分层的参数,用步骤S31得到的新的训练集进行训练,训练过程中只更新最后一层的参数,迭代若干次后,发现模型的准确率较高,不必增加新的全连接层训练,即可直接得到新的基于CNN和迁移学习的分类模型。
S4、在实测数据上进行测试,即对实测信号数据进行归一化并生成时域图,然后用上述步骤得到的模型进行测试得到轴承故障诊断的结果。
S5、将第二个目标域上的数据进行归一化和去噪等预处理并按8:2分为训练集和测试集,测试集作为实测信号数据,将仿真数据集、第一次迁移的目标域训练集和第二次迁移的目标域训练集比重设置为1:1:1作为新的训练集,将S3步骤得到的模型用来迁移到此新的训练集,只更新CNN模型中最后一层的参数,进行训练,得到模型的准确率达到设定标准,无需添加新的全连接层,即可得到新的CNN模型,训练过程中测试集上的损失函数和准确率变化趋势如图3和图4所示。
S6、对实测信号数据进行归一化并生成时域图处理后,用上述步骤得到的模型进行测试得到轴承故障诊断的结果。
表5 CNN模型参数
以上所述实施例仅表达了本发明的某种实施方式,其描述较为具体和详细,但不能因此而理解为对本发明范围的限制。应当指出的是,任何熟悉本发明的技术人员,在不脱离本技术方案范围,当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,均属于本发明的保护范围内。
Claims (8)
1.一种基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,其包括以下步骤:
S1、构造滚动轴承振动信号仿真表达式,利用所述滚动轴承振动信号仿真表达式生成不同类别故障的仿真时域图数据集;
S2、设定CNN模型的超参数,利用所述仿真时域图数据集训练CNN模型,得到一个CNN特征提取模型和分类模型,具体步骤如下:
S21、将步骤S1得到的仿真时域图数据集进行数据扩充,包括水平翻转、图像明暗度调整、添加噪声或微调图像色彩;
S22、确定CNN模型的超参数以及优化方式,包括:网络层数、每层网络的卷积核的大小及数量、正则化参数或学习率衰减函数;
S23、初始化网络参数并输入训练集进行训练,迭代若干次,计算模型在训练集和测试集上的损失函数和准确率变化,若测试集上的损失函数未呈现随迭代次数不断下降的趋势,则回到步骤S22重新调整超参数进行训练,得到CNN模型;
S3、对所述CNN模型进行第一次迁移学习,构建新CNN模型,具体步骤如下:
S31、将第一目标域的数据进行归一化和去噪等预处理,得到时域图数据集,按照比例8:2划分为训练集和测试集,将第一目标域训练集与仿真数据集按照1:1的比重,重新构建新训练集,若仿真数据集数量较大,则只需从仿真数据集中随机取出与目标域训练集等数量的部分;
S32、固定步骤S2得到的CNN模型的部分层的参数,用步骤S31得到的新训练集对所述CNN模型进行训练,训练过程中只更新所述CNN模型中最后n=2层的参数,经若干次迭代后,若所述CNN模型的准确率低于设定标准,再增加CNN模型更新的层数,n=n+1,重新对所述CNN模型进行训练,直到得到准确率满足要求的新CNN模型;
S33、用第一目标域测试集对步骤S32得到的新CNN模型进行测试,验证新CNN模型的性能;
S4、对第一次迁移学习得到的新CNN模型进行第二次迁移学习,重新构建适用于新目标与的CNN模型,具体步骤如下:
S41、对第二目标域上的数据进行归一化和去噪预处理,并按照8:2的比例划分为训练集和测试集,将所述第二目标域训练集与第一目标域训练集和仿真数据集在数量上按照1:1:1的比例融合构建新的训练集,若不同域的数据集数量差别悬殊,按数量最少的数据集从其他域中等比例随机取出;以及
S42、固定步骤S3得到的新CNN模型的部分层的参数,用步骤S41得到的新训练集对所述新CNN模型进行训练,更新CNN模型中最后m层的参数,此时m<n,以保证第一次迁移时所更新的参数在第二次迁移中不被完全更新,仍能起到特征提取的作用,若所述CNN模型的准确率低于设定标准,在满足m<n的条件下,可考虑增加新的全连接层,再进行训练,直到得到准确率满足要求的CNN模型。
2.根据权利要求1所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述步骤S1中的轴承振动信号仿真表达式可以产生表示滚动轴承正常状态的时域图数据集,该时域图数据集包括低频干扰信号和环境噪声信号的叠加。
3.根据权利要求1所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述步骤S1中的轴承振动信号仿真表达式可以产生表示轴承外圈故障的时域图数据集,所述时域图数据集包括周期冲击信号、低频干扰信号和环境噪声信号的叠加。
4.根据权利要求1所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述步骤S1中的轴承振动信号仿真表达式可以产生表示轴承内圈故障的时域图数据集,所述时域图数据集包括周期冲击信号、分布载荷、低频干扰信号和环境噪声信号的叠加。
5.根据权利要求1所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述步骤S1中的轴承振动信号仿真表达式可以产生表示轴承滚动体故障的时域图数据集,所述时域图数据集包括周期冲击信号、与轴承外圈接触的脉冲冲击和与轴承内圈接触的脉冲冲击、低频干扰信号和环境噪声的叠加。
6.根据权利要求3至5之一所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述周期冲击信号为指数衰减信号,用以模拟轴承单故障点的振动特征频率。
7.根据权利要求2至5之一所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述低频干扰信号采用低频谐波模拟由轴承不平衡、未校准或者机械松动引起的低频干扰。
8.根据权利要求2至5之一所述基于CNN模型和迁移学习的滚动轴承故障诊断方法,其特征在于,所述环境噪声信号采用高斯白噪声模拟环境干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491182.XA CN110220709B (zh) | 2019-06-06 | 2019-06-06 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491182.XA CN110220709B (zh) | 2019-06-06 | 2019-06-06 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110220709A true CN110220709A (zh) | 2019-09-10 |
CN110220709B CN110220709B (zh) | 2020-04-21 |
Family
ID=67819570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910491182.XA Active CN110220709B (zh) | 2019-06-06 | 2019-06-06 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110220709B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
CN111598161A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种基于cnn迁移学习的发动机气路状态诊断系统 |
CN112146882A (zh) * | 2020-10-12 | 2020-12-29 | 中国人民解放军海军工程大学 | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN113029570A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种谐波轴承故障样本生成模型与诊断方法 |
CN113191232A (zh) * | 2021-04-21 | 2021-07-30 | 西安交通大学 | 基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法 |
CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
CN113553917A (zh) * | 2021-06-30 | 2021-10-26 | 电子科技大学 | 一种基于脉冲迁移学习的办公设备识别方法 |
CN114002334A (zh) * | 2021-09-29 | 2022-02-01 | 西安交通大学 | 一种结构损伤声发射信号识别方法、装置、存储介质 |
CN114298288A (zh) * | 2022-01-24 | 2022-04-08 | 西安工业大学 | 一种基于深度迁移学习的齿轮箱故障检测方法 |
CN117237743A (zh) * | 2023-11-09 | 2023-12-15 | 深圳爱莫科技有限公司 | 小样本快消品识别方法、存储介质及处理设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3929554A1 (de) * | 2020-06-26 | 2021-12-29 | Siemens Aktiengesellschaft | Verbesserte fehlererkennung bei maschinen mittels ki |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
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 |
US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109409442A (zh) * | 2018-11-21 | 2019-03-01 | 电子科技大学 | 迁移学习中卷积神经网络模型选择方法 |
-
2019
- 2019-06-06 CN CN201910491182.XA patent/CN110220709B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
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 |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109409442A (zh) * | 2018-11-21 | 2019-03-01 | 电子科技大学 | 迁移学习中卷积神经网络模型选择方法 |
Non-Patent Citations (3)
Title |
---|
MUKESH BHADANE等: "Bearing fault identification and classification with convolutional neural network", 《 2017 INTERNATIONAL CONFERENCE ON CIRCUIT ,POWER AND COMPUTING TECHNOLOGIES (ICCPCT)》 * |
庄福振等: "迁移学习研究进展", 《软件学报》 * |
黄驰城: "结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究", 《中国优秀硕士学位论文工程科技Ⅱ辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN110866365B (zh) * | 2019-11-22 | 2021-06-01 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN110849627B (zh) * | 2019-11-27 | 2021-11-16 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
CN111598161A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种基于cnn迁移学习的发动机气路状态诊断系统 |
CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN112146882A (zh) * | 2020-10-12 | 2020-12-29 | 中国人民解放军海军工程大学 | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
CN113029570A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种谐波轴承故障样本生成模型与诊断方法 |
CN113191232A (zh) * | 2021-04-21 | 2021-07-30 | 西安交通大学 | 基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法 |
CN113392881A (zh) * | 2021-05-27 | 2021-09-14 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113392881B (zh) * | 2021-05-27 | 2023-04-18 | 重庆大学 | 一种基于迁移学习的旋转机械故障诊断方法 |
CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113283532B (zh) * | 2021-06-09 | 2022-09-09 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113378967B (zh) * | 2021-06-28 | 2022-11-08 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113553917A (zh) * | 2021-06-30 | 2021-10-26 | 电子科技大学 | 一种基于脉冲迁移学习的办公设备识别方法 |
CN113553917B (zh) * | 2021-06-30 | 2023-04-28 | 电子科技大学 | 一种基于脉冲迁移学习的办公设备识别方法 |
CN113469066A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
CN114002334A (zh) * | 2021-09-29 | 2022-02-01 | 西安交通大学 | 一种结构损伤声发射信号识别方法、装置、存储介质 |
CN114298288A (zh) * | 2022-01-24 | 2022-04-08 | 西安工业大学 | 一种基于深度迁移学习的齿轮箱故障检测方法 |
CN117237743A (zh) * | 2023-11-09 | 2023-12-15 | 深圳爱莫科技有限公司 | 小样本快消品识别方法、存储介质及处理设备 |
CN117237743B (zh) * | 2023-11-09 | 2024-02-27 | 深圳爱莫科技有限公司 | 小样本快消品识别方法、存储介质及处理设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110220709B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110220709A (zh) | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 | |
Han et al. | Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD | |
Yang et al. | Sliding window denoising K-singular value decomposition and its application on rolling bearing impact fault diagnosis | |
CN109376620A (zh) | 一种风电机组齿轮箱故障的迁移诊断方法 | |
CN105606360A (zh) | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 | |
CN101294845B (zh) | 转子早期故障的多频率微弱信号检测方法 | |
CN110567720A (zh) | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 | |
CN111275024B (zh) | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN108303253A (zh) | 基于长短时记忆循环神经网络的轴承早期故障识别方法 | |
CN111539132B (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
CN107526853A (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 | |
CN109952582A (zh) | 一种强化学习模型的训练方法、节点、系统及存储介质 | |
CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN105445022B (zh) | 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法 | |
Rhoads et al. | Observation in geomorphology | |
Pasini et al. | Neural network modelling for the analysis of forcings/temperatures relationships at different scales in the climate system | |
CN109211546A (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN103558042A (zh) | 一种基于全状态信息的机组故障快速诊断方法 | |
CN107516082B (zh) | 基于自步学习的sar图像变化区域检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
Bullard | Bridging the gap between field data and global models: Current strategies in aeolian research | |
Zhou et al. | A novel blind deconvolution method with adaptive period estimation technique and its application to fault feature enhancement of bearing | |
Han et al. | Second-order multisynchrosqueezing wavelet transform for bearing fault detection | |
CN107644413B (zh) | 基于邻域比值和自步学习的sar图像变化区域检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201125 Address after: 100083 Haidian District, Xueyuan Road, No. 30, Patentee after: University OF SCIENCE AND TECHNOLOGY BEIJING Patentee after: North China Electric Power Research Institute Co.,Ltd. Address before: 100083 Haidian District, Xueyuan Road, No. 30, Patentee before: University OF SCIENCE AND TECHNOLOGY BEIJING |
|
TR01 | Transfer of patent right |