CN110595780A - 基于振动灰度图像和卷积神经网络的轴承故障识别方法 - Google Patents

Abstract

本发明提供了一种基于振动灰度图像和卷积神经网络的轴承故障识别方法，属于信号处理技术领域，包括：采集轴承的一维振动信号；将所述一维振动信号转换为灰度矩阵；将所述灰度矩阵转换为振动灰度图像；利用卷积神经网络对所述振动灰度图像进行去噪处理，得到去噪图像；通过动态卷积神经网络对所述去噪图像进行训练分析，识别轴承故障。该方法将振动灰度图像与卷积神经网络强大的图像数据处理能力相结合，建立一种改进的卷积神经网络模型，将其应用到采煤机传动系统的滚动轴承故障诊断上，使用振动信号转换成的振动灰度图像对改进的CNN算法进行训练，使其可以实现滚动轴承的故障和信号的特征学习和识别。

Description

基于振动灰度图像和卷积神经网络的轴承故障识别方法

技术领域

本发明属于信号处理技术领域，具体涉及一种基于振动灰度图像和卷积神经网络的轴承故障识别方法。

背景技术

轴承作为机械工业中使用最为广泛且要求严格的配套件和基础件，是最容易损坏的零部件之一。在煤矿井下综采工作面上，采煤机作为煤炭开采的主要设备，其开机率的高低与煤炭产量密切相关。然而在采煤机长期服役中轴承易出现随机性故障，严重时可导致设备停机，所以对其进行高效的故障诊断具有极其重要的意义，传统的滚动轴承故障诊断方法是针对设备的特定工况，结合传感器技术对相应测点位置的振动信号进行采集，最后通过现代信号处理技术进行设备振动特征分析及故障诊断。然而，在实际的作业现场时，采煤机传动系统会直接受到生产环境及其他不确定因素干扰，采集得到的信号表现为非线性复杂带噪信号,这就对信号的振动分析产生了很大的影响，往往需要花费大量时间对原始信号进行去噪处理，剔除参杂的干扰成分。因此如何能有效的减少去噪和预处理时间是提升故障诊断效率的一个重要方面。

传统的智能故障诊断方法是基于统计分析、模糊逻辑专家系统或遗传算法从原始数据中提取特征的方法，这个过程特征提取依赖于专家的经验，对于复杂工况环境已经不再适用。

传动系统旋转机械通常在恶劣环境下工作，从故障激励源到检测装置经过不同传递途径的衰减和混合作用，信号早期故障特征通常淹没在各种干扰信号中。这些情况都会极大地影响后期故障特征提取，甚至导致无法进行故障诊断，因此在故障特征提取之前，需先对信号做一系列的预处理。信号预处理的目标是剔除冗余信息，抑制不需要的变形或者增强某些对于后续处理的重要信号特征以改善信号，得到一个尽可能真实反映故障特征的信号。良好的信号预处理是进行特征提取与故障诊断的前提和关键，可以降低特征提取的难度，从而提高故障识别率。针对旋转机械振动信号，国内外诸多学者分别采用了小波、经验模态分解(Empirical Mode Decomposition，EMD)、奇异值分解等滤波方法。

(1)小波滤波法：小波滤波方法是基于小波变换的滤波方法，通过设置临界阈值，去除低于这个临界阈值的小波系数，保留大于临界阈值的小波系数，最后进行重构得到去噪后的信号。这种方法的滤波效果主要取决于小波阈值的选取，不具自适应性，对于非平稳信号，小波滤波的效果不理想。

(2)经验模态分解滤波法：EMD是美国工程院士黄锷博士于1998年提出的一种自适应的信号分析方法，适合非线性非平稳时间序列的处理，本质上是对数据序列或信号的平稳化处理。其基本思想是将一个频率不规则的波化为多个单一频率的波(Intrinsic ModeFunction，IMF)加残波的形式。EMD滤波方法的主要缺点是模态混叠出现频繁，进而破坏IMF的物理意义，导致滤波效果不佳。

(3)奇异值分解(Singular Value Decomposition，SVD)滤波法：通过构建Hankel矩阵并对其进行奇异值分解，最后确定保留的矩阵阶数，进行重构可有效降低矩阵维数，剔除冗余数据即噪声。然而在实际运用中，由于序列较为复杂，难以用较少的奇异值进行重构，容易出现较多的残余噪声。

根据的轴承诊断方法的研究，近年来，所有故障识别的方法都与特征提取相结合，但是一维振动信号在预处理过程中需要大量时间且在去噪过程中容易损失掉关键特征。

因此，本申请提出一种基于振动灰度图像和卷积神经网络的轴承故障识别方法。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种基于振动灰度图像和卷积神经网络的轴承故障识别方法。

为了实现上述目的，本发明提供如下技术方案：

基于振动灰度图像和卷积神经网络的轴承故障识别方法，包括以下步骤：

步骤1：采集轴承的一维振动信号；

步骤2：将所述一维振动信号转换为灰度矩阵；

步骤3：将所述灰度矩阵转换为振动灰度图像；

步骤4：利用卷积神经网络对所述振动灰度图像进行去噪处理，得到去噪图像；

步骤5：通过动态卷积神经网络对所述去噪图像进行训练分析，识别轴承故障。

优选地，所述一维振动信号的采样频率为12kHz。

优选地，所述二维振动信号用矩阵M×N表示，其中N为传动系统中轴承转动的圈数，M为轴承运转一个周期内的采样点数，每一列表示轴承转一圈的采样信号，运用转速同步信号，使得每一圈的信号初始位置相同，即第0列的第0行和第M-1列的第0行点相位相同。

优选地，所述步骤2具体包括：

步骤2.1：根据转速同步信号对所述一维振动信号分段，一个周期内的振动信号为一段，共有N段；

步骤2.2：把每段信号作为二维振动信号的每一列，得到所述二维振动信号；

步骤2.3：对所述二维振动信号做镜像变换，使得所述二维振动信号成为一个灰度矩阵。

优选地，所述步骤3通过对所述二维振动信号的振幅做归一化处理，得到振动灰度图像。

优选地，所述步骤4通过调节卷积的核大小和特征图数量的方式充分学习含噪声图像特征，将反卷积子网应用到卷积神经网络中，整合其学习到的抽象特征，与卷积子网产生映射，从而使整个网络构成了由含噪图像到去噪图像的非线性映射，将含有噪声的振动灰度图像从输入层输入通过卷积子网络到反卷积子网络的网络结构，即可得到输出层输出的去噪图像。

优选地，所述步骤5在前端利用所述去噪图像，提供不同尺度的故障特征，在所提出的网络的中间部分中，使用具有共享参数的四个子CNN来运行从振动图像中提取的判别特征，分别对应轴承的四种状态。

本发明提供的基于振动灰度图像和卷积神经网络的轴承故障识别方法将振动灰度图像与卷积神经网络强大的图像数据处理能力相结合，建立一种改进的卷积神经网络模型，将其应用到采煤机传动系统的滚动轴承故障诊断上，使用振动信号转换成的振动灰度图像对改进的CNN算法进行训练，使其可以实现滚动轴承的故障和信号的特征学习和识别，通过对不同模型输入进行多次实验，实现了对滚动轴承故障的高效识别；该方法使用卷积神经网络进行降噪，免除了复杂的预处理降噪过程，提高了故障诊断效率，减少了诊断时间

附图说明

图1为本发明实施例1的基于振动灰度图像和卷积神经网络的轴承故障识别方法的流程图；

图2为一维振动信号与二维振动信号的映射关系图；

图3为振动灰度图像和灰度矩阵的映射关系；

图4为振动图像构造过程图；

图5动态卷积神经网络架构图；

图6为实验轴承状态图片；

图7为不同故障状态下的轴承振动信号时域图：

其中：7(a)为正常状态下的振动信号时域图和频谱图；7(b)为外圈故障状态下的振动信号时域图和频谱图；7(c)为内圈故障状态下的振动信号时域图和频谱图；7(d)为滚动体故障下的振动信号时域图和频谱图；

图8为四种状态下的振动灰度图像；

图9为高速区传动系统故障诊断模型测试结果图；

其中：9(a)为SVM模型诊断结果；9(b)为DBN模型诊断结果；9(c)为DCNN模型诊断结果；

图10为高速区传动系统故障诊断模型测试结果图；

其中：10(a)为SVM模型诊断结果；10(b)为DBN模型诊断结果；10(c)为DCNN模型诊断结果；

图11为不同方法的15次实验平均诊断结果对比图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

本发明提供了一种基于振动灰度图像和卷积神经网络的轴承故障识别方法，如图1所示，包括以下步骤：

步骤1：采集轴承的一维振动信号；其中，一维振动信号的采样频率为12kHz；

步骤2：如图2所示，将一维振动信号转换为灰度矩阵；其中，灰度矩阵用矩阵M×N表示，其中N为传动系统中轴承转动的圈数，M为轴承运转一个周期内的采样点数，每一列表示轴承转一圈的采样信号，运用转速同步信号，使得每一圈的信号初始位置相同，即第0列的第0行和第M-1列的第0行点相位相同；具体包括以下步骤：

步骤2.1：根据转速同步信号对一维振动信号分段，一个周期内的振动信号为一段，共有N段；

步骤2.2：把每段信号作为二维振动信号的每一列，得到二维振动信号；其中，

步骤2.3：由于旋转机械转速不同导致旋转机械运转一个周期内的采样点数M不同，二维振动信号每列的长度不同。为了便于后续分析，该步对二维振动信号做镜像变换，使得二维振动信号成为一个灰度矩阵；

步骤3：通过对二维振动信号的振幅做归一化处理，得到振动灰度图像；

灰度图像是数字图像最基本的的形式。灰度图一般通过黑白照片数字化，或是从彩色图像进行处理得到，本实施例所使用的灰度图是通过振动信号分析直接生成灰度梯度图。灰度图像只表达图像的亮度信息而没有颜色信息，因此，灰度图像的每一个像素点上只包含一个量化了的灰度级(灰度值)，该灰度级可以表征该点的亮度水平，并通过1个字节来存储灰度值，由于1个字节的正整数取值范围为0～255，因此，像素的灰度值取值范围为0～255之间，灰度级数为256级。

将一幅灰度图像所有像素灰度值整合起来就可以组合成一个灰度矩阵，该矩阵的行对应图像上的高，该矩阵的列对应图像上的宽，矩阵的每一个元素对应图像上的像素，而矩阵元素的值就对应像素的灰度值，如图3所示。另外，在所生成的灰度图中，颜色较深的区域代表较深的像素所对应的振动幅值也越小，相反颜色越浅所对应的振动幅值越大。每个样本振动信号中的幅度归一化到[-1,1]的范围内之后，每个样本的归一化幅度变为相应像素强度的相应图像。样本的正常振幅与对应像素之间的转换可以通过以下等式描述。

p[i,j]＝A[(i-1)*M+j] (1)

其中i＝1：N；j＝1：M；P[i,j]是M×N振动图像中的对应像素(i，j)的强度，A[.]是振动信号中样本的归一化幅度；振动图像中的像素数等于振动信号中的样本数，通过这个过程就可以完成振动灰度图像的构建，如图4所示。

步骤4：利用卷积神经网络对振动灰度图像进行去噪处理，得到去噪图像；

图像去噪的目的是把原始图像从被噪声腐蚀的图像中提取出来，该过程可以由下式表示：

g(x,y)＝f(x,y)+η(x,y) (2)

其中，g(x,y)为含有噪声的二维图像；f(x,y)为无噪声的原始图像；η(x,y)为添加的噪声，原始图像经过性噪声项处理，退化为含噪图像。图像去噪就是为了获得原始图像一个估计f1(x,y)并使其尽可能接近原始图像。

具体为，通过调节卷积的核大小和特征图数量的方式充分学习含噪声图像特征，将反卷积子网应用到卷积神经网络中，整合其学习到的抽象特征，与卷积子网产生映射，从而使整个网络构成了由含噪图像到去噪图像的非线性映射，将含有噪声的振动灰度图像从输入层输入通过卷积子网络到反卷积子网络的网络结构，即可得到输出层输出的去噪图像；

步骤5：通过动态卷积神经网络对去噪图像进行训练分析，识别轴承故障；

本实施例所提供的故障诊断方法的结构如图5所示，DCNN模型的结构组成类似于正常的CNN模型，在前端利用灰度图像，提供不同尺度的丰富故障特征。在所提出的网络的中间部分中，使用具有共享参数的四个子CNN来运行从振动图像中提取的判别特征，分别对应轴承的四种状态。从先前的数个卷积层和池化层提取的特征通过具有softmax函数的完整连接层进行分类。所提出的模型的损失函数是估计的softmax输出概率分布与目标类概率分布之间的交叉熵。将目标分布表示为p(x)和估计的分布为q(x)，p(x)和q(x)之间的交叉熵定义如下：

一旦导出损失函数，就可以应用许多优化算法来训练网络，本实施例这里用随机梯度下降来训练CNN，因为它易于实现，节省内存而且计算有效。最后，添加动态集合层，用于在后端动态融合子CNN的结果。

选择卷积神经网络的参数不仅对分类精度有很大影响，而且对CNN模型的训练时间也有很大影响。第一个参数是信号段的大小。分段大小必须足够长，以捕获振动信号的局部特征。但是，太长的段会使分类器模型更复杂。而且，为了容易地将信号段转换成振动图像，段的长度必须是正方形数。本实施例选择分段大小为400，即每个分段包含400个样本。相应地，每个振动图像的大小为20*20，包含400个像素。更深层次的结构无法确保更好的分类性能因为振动图像的尺寸很小(20*20)，本实施例只使用两个卷积层(CL)和两个池化层(SL)。第一个卷积层中内核的大小是5*5，第二个卷积层中内核的大小为3*3。确定了神经元的数量等于故障类型数量以及层数和内核大小之后本实施例开始选择每层中的内核数量，在这里设置在第二个CL中内核的数量比第一个CL高两倍。最初的DCNN模型通过训练集中的振动图像进行训练并进行测试，之后每次训练测试时，内核的数量都会增加增加5并使用相同的数据集重新训练。重复这个持续进行过程，直到达到满意的性能。表1显示了具有不同内核大小的CNN的分类准确度。

表1不同内核数量下模型对训练集的识别准确率

CL1内核数	CL2内核数	准确率
			10	20	95.75
15	30	95.75
			20	40	97.75
25	50	99
			30	60	99.75

根据这个实验的结果，本实施例可以看到在第一个CL内核数量为30并且在第二个CL内核数量为60的DCNN模型中实现了最高的分类精度。因此，本实施例所选择DCNN的配置模型如表2所示。

表2 CNN模型结构

下面通过具体的实验来对本实施例提出的故障识别方法进行验证：

选用轴承故障数据来源于某大学动力传动故障诊断综合实验平台。实验平台由变速驱动电机、行齿轮箱、平行轴齿轮箱、轴承径向负载、磁力制动器组成。实验采用美国ER-16K球轴承，分别对轴承的内圈、外圈及滚动体进行线切割处理，通过更换平行齿轮箱内的滚动轴承模拟4种状态，如图6所示，包括正常状态(N)、外圈故障(OF)、内圈故障(IF)、滚动体故障(RF)。实验轴承实际工况如表3所示。

表3轴承故障状态表

类别	故障状态	故障尺寸/mm
			1	正常	切割宽度为1，深度为0.5
2	内圈	切割宽度为1，深度为0.5
			3	滚动体	切割宽度为1，深度为0.5
4	外圈	切割宽度为1，深度为0.5

通过轴承径向加载模拟3种载荷(0,1,2,3hp)下的工作状态，在轴承座的3点钟和12点钟方向安装压电式IEPE加速度传感器，获取轴承转动的径向振动信号经特定径向测点位置采集的齿轮箱输出轴承的振动信号可以表征出四种不同轴承状态，其中各个故障状态下的原始振动时域信号图和频域信号图(部分)如图7所示。其中：7(a)为正常状态下的振动信号时域图和频谱图；7(b)为外圈故障状态下的振动信号时域图和频谱图；7(c)为内圈故障状态下的振动信号时域图和频谱图；7(d)为滚动体故障下的振动信号时域图和频谱图。

为了有足够的样本进行培训和测试分类器，将振动信号分割成相同的长度。然后由上述步骤3的方法构建振动图像，再经过步骤4的去噪过程以后本实施例得到的四种状态下的去噪振动灰度图像如图8所示：

高速区故障测试实验

为了验证模型在不同转速下是否均可以得到优良的测试准确率，在这里对高速区轴承和低速区轴承分别进行了实验。将得到测试样本集的振动图像分别输入到传统支持向量机、DBN诊断模型和DCNN诊断模型中进行诊断实验，得到的结果如图9所示。其中：9(a)为SVM模型诊断结果；9(b)为DBN模型诊断结果；9(c)为DCNN模型诊断结果。

对以上模型的诊断效果作以总结，表4～6所示：

表4 SVM模型诊断结果

表5 DBN模型诊断结果

表6 DCNN网络模型诊断结果

由表分析可知：对三种方法进行同种数据测试，DCNN的识别准确率在整个高速区中达到97.11％，高于SVM和DBN模型；在高速区实验中，经本实施例提出的基于DCNN的采煤机滚动轴承故障诊断模型对各类故障模式的识别率均达到95％以上，证明该模型可以有效的对滚动轴承的各类故障模式进行识别。

低速区故障测试实验

将得到测试样本集的特征向量分别输入到SVM、DBN诊断模型和DCNN诊断模型中进行诊断实验，得到的结果如图10所示。其中：10(a)为SVM模型诊断结果；10(b)为DBN模型诊断结果；10(c)为DCNN模型诊断结果。

对以上三种模型的诊断效果作以总结，同理如表7～9所示：

表7 SVM诊断结果

表8 DBN网络模型诊断结果

表9 DCNN网络模型诊断结果

实验结果表明：相对于高速区而言，基于DCNN的滚动轴承故障诊断模型相比于在低速区中诊断精度有所降低，但仍然高于SVM和DBN模型。通过DDS实验测试平台，分别对高速区和低速区进行诊断模型测试实验。实验结果表明，基于DCNN的滚动轴承故障诊断精度在高速区中为97.11％，在低速区中为95.50％，高于SVM和DBN模型，验证了本实施例所提方法的有效性。

在诊断模型方面，为避免单次诊断过程中可能存在的部分误差，本实施例分别对三种方法进行15次实验测试，诊断结果如表10和图11所示。

表10不同方法的15次实验平均诊断结果

综上所述，由于动态卷积神经网络对于图像的强大识别能力，本实施例建立的DCNN诊断模型可以实现灰度图像输入的轴承故障识别，其平均识别率为96.64％，与SVM和DBN模型相比，本实施例提出的DCNN模型分类准确率提升且诊断时间减少。

在本实施例中，提出了一种将1-D振动信号转换为2-D图像然后使用DCNN诊断滚动轴承的故障的新方法。利用DCNN在图像分类中的有效性，该方法可以实现很高的准确率，相比传统的机器学习故障诊断，提出的方法的主要优点是它不需要繁琐特征提取步骤，仍然可以实现高分类精度。而且，当工作负荷条件改变时，不需要再培训分类器，本实施例提出的方法仍然在实现了令人满意的高精度的性能。

本实施例针对传统滚动轴承故障特征提取过程复杂，诊断方案单一且准确性差等问题，提出了基于振动灰度图像和动态卷积神经网络的采煤机滚动轴承故障诊断方案，通过构造振动灰度图像将动态卷积神经网络对于图像识别的高性能引入采煤机轴承的故障诊断中。通过对采煤机传动系统的高速区和低速区进行测试试验，结果表明该故障诊断模型可实现对滚动轴承多种故障模式的特征分类，且准确度高于支持向量机和深度置信网络等传统神经网络模型，验证了本实施例所提方法具备的正确性和高效性。

本实施例提供的基于振动灰度图像和卷积神经网络的轴承故障识别方法在不分析机械装置内在机理的情况下，提出了一种有效的数据预处理和探索原始信号的二维特征的方法，集成了特征提取和故障分类，转换时域原始信号成图像，将振动时域信号转化为二维振动灰度图像用于直接诊断，避免了预处理导致的信息丢失问题，减少信息处理的繁琐步骤和时间，大大提升效率，应该注意，该数据预处理方法可以在没有任何预定参数的情况下实现。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (7)

1.一种基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，包括以下步骤：

步骤1：采集轴承的一维振动信号；

步骤2：将所述一维振动信号转换为灰度矩阵；

步骤3：将灰度矩阵转换为振动灰度图像；

步骤4：利用卷积神经网络对所述振动灰度图像进行去噪处理，得到去噪图像；

步骤5：通过动态卷积神经网络对所述去噪图像进行训练分析，识别轴承故障。

2.根据权利要求1所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述一维振动信号的采样频率为12kHz。

3.根据权利要求1所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述二维振动信号用矩阵M×N表示，其中N为传动系统中轴承转动的圈数，M为轴承运转一个周期内的采样点数，每一列表示轴承转一圈的采样信号，运用转速同步信号，使得每一圈的信号初始位置相同，即第0列的第0行和第M-1列的第0行点相位相同。

4.根据权利要求3所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述步骤2具体包括：

步骤2.1：根据转速同步信号对所述一维振动信号分段，一个周期内的振动信号为一段，共有N段；

步骤2.2：把每段信号作为二维振动信号的每一列，得到所述二维振动信号；

步骤2.3：对所述二维振动信号做镜像变换，使得所述二维振动信号成为一个灰度矩阵。

5.根据权利要求4所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述步骤3通过对所述二维振动信号的振幅做归一化处理，得到振动灰度图像。

6.根据权利要求1所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述步骤4通过调节卷积的核大小和特征图数量的方式充分学习含噪声图像特征，将反卷积子网应用到卷积神经网络中，整合其学习到的抽象特征，与卷积子网产生映射，从而使整个网络构成了由含噪图像到去噪图像的非线性映射，将含有噪声的振动灰度图像从输入层输入通过卷积子网络到反卷积子网络的网络结构，即可得到输出层输出的去噪图像。

7.根据权利要求6所述的基于振动灰度图像和卷积神经网络的轴承故障识别方法，其特征在于，所述步骤5在前端利用所述去噪图像，提供不同尺度的故障特征，在所提出的网络的中间部分中，使用具有共享参数的四个子CNN来运行从振动图像中提取的判别特征，分别对应轴承的四种状态。