CN110750876B - 一种轴承数据模型训练及使用方法 - Google Patents

Abstract

本发明实施例提供的一种轴承数据模型训练方法，通过样本数据、傅里叶变换后的样本数据以及傅里叶变换后的噪声数据三类作为输入，增强模型的抗干扰能力，以及通过将样本数据转转换二维图像能够自适应提取关键特征，把提取的特征作为一维数据作为输入到1D‑CNN模型将大大降低了模型的复杂度，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法，提高了模型的分类精度和鲁棒性。

Description

一种轴承数据模型训练及使用方法

技术领域

本发明涉及训练检查轴承数据模型的技术领域，特别是涉及一种轴承数据模型训练及使用方法。

背景技术

旋转机械是机械设备中最关键的部件，广泛应用于工业生产设备中。由于滚动轴承是旋转机械中最常见的结构之一，滚动轴承的微小缺陷可能导致整个系统的故障，造成严重的经济损失。

轴承故障多样，如外圈故障、内圈故障、滚子故障等故障，建立准确快速的轴承故障的检测的模型是防止安全事故发生的基础。传统模型统计参数需要人工提取，信号分析的专业性和先验知识的重要性在很大程度上导致了模型的通用性差；特征提取过程会导致信息丢失；分类模型较浅，难以满足复杂机械系统的诊断精度和鲁棒性要求。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种轴承数据模型训练及使用方法，旨在减少基于人工经验进行特征选择带来的工作量和误差，提高模型的分类精度和鲁棒性。

为实现上述目的及其他相关目的，本发明提供一种轴承数据模型训练方法，所述方法包括：

获取轴承的样本数据，其中，所述样本数据包括：正常样本数据，外圈故障样本数据、内圈故障样本数据、滚子故障样本数据；

对所述样本数据进行快速傅里叶变换，得到变换后样本数据；

对加入的高斯噪声进行傅里叶变换，得到变换后噪声数据；

对所述样本数据、分别对所述变换后样本数据和所述变换后噪声数据进行故障数据的设置标签；

对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理，并将归一化处理后的数据划分为训练集数据和测试集数据；

将所述样本数据、所述变换后样本数据和所述变换后噪声数据所对应的三大数据集，通过三通道作为输入对CNN网络进行训练，获得训练后的2D-CNN模；；

将测试集数据作为训练后的2D-CNN模型的输入，并将2D-CNN模型所输出的一维信号作为1D-CNN模型的输入，通过1D-CNN模型进行故障分类。

一种实现方式中，所述外圈故障样本数据的具体表达为：

所述内圈故障样本数据的具体表达为：

所述滚子故障样本数据的具体表达为：

f是滚轴正常状态,具体值为

其中，f_o是外圈故障；f_i是内圈故障；f_r:滚子故障；r是转速；n是滚珠个数；d是滚动体直径；D是轴承节径；α是滚动体接触角。

一种实现方式中，1D-CNN模型的分类目标函数的具体表达为：

其中，C类别数；y(i)是第i个类别的真实概率；p(i)是所预测的为i类别故障的概率。

一种实现方式中，所述方法还包括：

在多个时间点内，判断所述1D-CNN模型的均方误差是否不小于预设值；

如果是，则重新对所述1D-CNN模型和/或2D-CNN模型进行训练。

一种实现方式中，所述对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理，并将归一化处理后的数据划分为训练集数据和测试集数据的步骤，包括：

对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理；

并将归一化处理后的数据按照预设比例进行划分为训练集数据和测试集数据。

此外，本发明还公开了一种轴承数据模型使用方法，所述方法包括：

接收待检测的轴承数据，并输入至轴承数据模型进行检测；

根据检测结果获取轴承数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及外圈故障、是内圈故障、滚子故障故障；

获取其中的最大值，将最大值对应的类型作为轴承数据的故障类型。

如上所述，本发明实施例提供的一种轴承数据模型训练方法，通过样本数据、傅里叶变换后的样本数据以及傅里叶变换后的噪声数据三类作为输入，增强模型的抗干扰能力，以及通过将样本数据转转换二维图像能够自适应提取关键特征，把提取的特征作为一维数据作为输入到1D-CNN模型将大大降低了模型的复杂度，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法，提高了模型的分类精度和鲁棒性。

附图说明

图1是本发明实施例的一种轴承数据模型训练方法的一种流程示意图。

图2是本发明实施例的一种轴承数据模型训练方法的第一种具体应用示意图。

图3是本发明实施例的一种轴承数据模型训练方法的第二种具体应用示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1-3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1-图3所示，本发明实施例提供一种轴承数据模型训练方法，所述方法包括：

S101，获取轴承的样本数据，其中，所述样本数据包括：正常样本数据，外圈故障样本数据、内圈故障样本数据、滚子故障样本数据。

需要说明的是，对原始数据进行异常值检测，剔除异常数据，进而获得轴承的样本数据。

所述外圈故障样本数据的具体表达为：

所述内圈故障样本数据的具体表达为：

所述滚子故障样本数据的具体表达为：

f是滚轴正常状态,具体值为

其中，f_o是外圈故障；f_i是内圈故障；f_r是滚子故障；r:转速；n是滚珠个数；d是滚动体直径；D是轴承节径；α是滚动体接触角。

S102，对所述样本数据进行快速傅里叶变换，得到变换后样本数据。

需要说明的是，傅里叶变换所采用的公式表达为：

该部分为现有技术，本发明实施例在此不做赘述。

S103，对高斯噪声进行傅里叶变换，得到变换后噪声数据。

需要说明的是，本发明实施例中加入高斯噪声模拟工业各类真实环境得出的样本数据，增强模型抗干扰性。

另外，采用与步骤S102相同的公式，可以对引入的高斯噪声进行傅里叶变换，获得变换后的高斯噪声数据。

S104，对所述样本数据、分别对所述变换后样本数据和所述变换后噪声数据进行故障数据的设置标签。

由步骤S102、S103可以获得样本数据、傅里叶变换后的变换后样本数据，以及经过傅里叶变换后噪声数据，具体的，可以按类别做标签，还可以将三通道中来源不同数据集的同类故障融合标签就为一个)

例如：将原始一维时间序列振动信号，重构成二维特征图，将其进行图像增强操作。每个样本是一个三通道一维时间序列数据(1024，3)重建三维输入特征图(32，32，3)，其中3表示3通道，32表示特征图高度，32表示特征图的宽度，然后特征图(32，32，3)设置标签。

S105，对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理，并将归一化处理后的数据划分为训练集数据和测试集数据。

分别对样本数据、傅里叶变换后的变换后样本数据，以及经过傅里叶变换后噪声数据进行归一化处理，归一化的公式为：

x′是归一化后的数据，x是归一化前的样本数据，x_min是样本数据中的最小值，x_max是样本数据中的最大值，其中，x还分别是傅里叶变换后的变换后样本数据以及经过傅里叶变换后噪声数据，因此，总共得到三类归一化后的样本。

S106，将训练集数据转换为三通道二维数据，并采用三通道二维数据对CNN网络进行训练，获得训练后的2D-CNN模型其中，当模型目标函数收敛，则保存作为训练后的2D-CNN模型。

假设归一化后的样本数据为：归一化后的变换后样本数据归一化后的变换后噪声数据/>三维数据作为CNN模型的输入，对数据进行二维卷积-池化-全连接操作，自动提取特征。进行数据融合，将来自不同输入层的一系列样本输入CNN网络模型，然后组合成多维样本矩阵。在对样本矩阵的每个维进行卷积运算后，将多维特征映射矩阵。融合模型定义为：

G＝p₁G₁+p₂G₂+…+p_nG_n

其中G_n表示第n个特征值，p_n表示第n个权重系数，本发明实施例中的三个通道的二维数据通过上述公式G所对应的方式进行融合。

S107，将测试集数据作为训练后的2D-CNN模型的输入，并将2D-CNN模型所输出的一维信号作为1D-CNN模型的输入，通过1D-CNN模型进行故障分类。可以理解的是，2D-CNN模型作用不是进行故障分类，1D-CNN用于故障诊断。因为1D-CNN针对的是一维振动信号，全连接层输出的就是一维数据，再通过1D-CNN深度的特征提取，从而达到对数据的诊断。实现故障的更精确。因此，在2D-CNN模型通过通过连续卷积-池化-全连接对数据进行特征提取，连续卷积能够有效的对模型的学习参数减少，能加快模型的训练。

然后将2D-CNN模型的全连接层输出层的一维信号作为1D-CNN模型的输入对这个输入进行一维卷积-池化-全连接操作，通过Softmax函数输出分类标签的概率来判断属于哪类故障。

2D-CNN模型和1D-CNN模型分类目标函数为分类交叉熵：

其中，C是类别数；y(i)是第i个类别的真实概率；p(i)是模型预测为i类别的概率。

1D-CNN模型、2D-CNN模型在实际应用中，由于设备损耗在运行一段时间后会出现很大偏差，导致预测模型不精确，设置模型更新，即若n个时间点内：

其中，MSE是均方误差，y_pre是模型预测值、y_true真实值。

当均方误差大于某一个值时，在设备完好的状态下，说明模型不可用，需要进行重新训练。

需要说明的是，全连接层是一种传统的前馈神经网络，采用SoftMax函数作为激活函数输出。SoftMax函数在多分类过程中，它将多个神经元的输出，映射到(0,1)区间内，从而来进行多分类。SoftMax函数定义如下：

其中，表示l-1层第j个神经元到l层的第i个神经元的权重，/>表示l-1层第j个神经元的值。

本发明实施例中输出4类，每一类对应都输出一个0到1的数，哪个数值大，则判断这个属于哪类故障看哪个概率大判断属于哪类故障。

综上所述，本发明的主要过程是：

a)所述样本数据、分别对所述变换后样本数据和所述变换后噪声数据，打好标签，以7：3划分训练集和测试集，随机打乱顺序。

b)三通道作为输入，每通道都是来源不同数据集的同类故障。训练样本对模型2D-1DCNN训练，用测试集对模型进行测试，验证模型的准确性。保存模型。

c)将训练好的模型应用到平台，进行现场指导。根据模型在运行过程中平均预测误差进行模型更新。

此外，本发明还公开了一种轴承数据模型使用方法，所述方法包括：

接收待检测的轴承数据，并输入至轴承数据模型进行检测；

根据检测结果获取轴承数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及外圈故障、是内圈故障、滚子故障故障；

获取其中的最大值，将最大值对应的类型作为轴承数据的故障类型。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种轴承数据模型训练方法，其特征在于，所述方法包括：

获取轴承的样本数据，其中，所述样本数据包括：正常样本数据，外圈故障样本数据、内圈故障样本数据、滚子故障样本数据；

对所述样本数据进行快速傅里叶变换，得到变换后样本数据；

对加入高斯噪声进行傅里叶变换，得到变换后噪声数据；

对所述样本数据、分别对所述变换后样本数据和所述变换后噪声数据进行故障数据的设置标签；

对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理，并将归一化处理后的数据划分为训练集数据和测试集数据；

将训练集数据转换为三通道二维数据，并采用三通道二维数据对CNN网络进行训练，获得训练后的2D-CNN模型其中，当模型目标函数收敛，则保存作为训练后的2D-CNN模型；

将测试集数据作为训练后的2D-CNN模型的输入，并将2D-CNN模型所输出的一维信号作为1D-CNN模型的输入，通过1D-CNN模型进行故障分类。

2.根据权利要求1所述的轴承数据模型训练方法，其特征在于，所述外圈故障样本数据的具体表达为：

所述内圈故障样本数据的具体表达为：

所述滚子故障样本数据的具体表达为：

f是滚轴正常状态,具体值为

其中，f_o是外圈故障；f_i是内圈故障；f_r是滚子故障；r是转速；n是滚珠个数；d是滚动体直径；D是轴承节径；α是滚动体接触角。

3.根据权利要求1所述的轴承数据模型训练方法，其特征在于，1D-CNN模型的分类目标函数的具体表达为：

其中，C类别数；y(i)是第i个类别的真实概率；p(i)是所预测的为i类别故障的概率。

4.根据权利要求1-3任一项所述的轴承数据模型训练方法，其特征在于，所述方法还包括：

在多个时间点内，判断所述1D-CNN模型的均方误差是否不小于预设值；

如果是，则重新对所述1D-CNN模型和/或2D-CNN模型进行训练。

5.根据权利要求4所述的轴承数据模型训练方法，其特征在于，所述对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理，并将归一化处理后的数据划分为训练集数据和测试集数据的步骤，包括：

对所述样本数据、所述变换后样本数据和所述变换后噪声数据进行归一化处理；

并将归一化处理后的数据按照预设比例进行划分为训练集数据和测试集数据。

6.基于权利要求1-5任一项轴承数据模型训练方法所获得的的轴承数据模型使用方法，其特征在于，所述方法包括：

接收待检测的轴承数据，并输入至轴承数据模型进行检测；

根据检测结果获取轴承数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及外圈故障、内圈故障、滚子故障故障；

获取其中的最大值，将最大值对应的类型作为轴承数据的故障类型。