CN110852154B - 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 - Google Patents

一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 Download PDF

Info

Publication number
CN110852154B
CN110852154B CN201910931278.3A CN201910931278A CN110852154B CN 110852154 B CN110852154 B CN 110852154B CN 201910931278 A CN201910931278 A CN 201910931278A CN 110852154 B CN110852154 B CN 110852154B
Authority
CN
China
Prior art keywords
rolling bearing
data set
test
matrix
label
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.)
Active
Application number
CN201910931278.3A
Other languages
English (en)
Other versions
CN110852154A (zh
Inventor
雷高伟
张清华
孙国玺
胡绍林
王世华
周东华
陈旭
李劲业
黄伟嘉
林乃劲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201910931278.3A priority Critical patent/CN110852154B/zh
Publication of CN110852154A publication Critical patent/CN110852154A/zh
Application granted granted Critical
Publication of CN110852154B publication Critical patent/CN110852154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于深度学习和声音波形图像的滚动轴承故障诊断方法，包括：步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train‑x和测试数据集test‑x；步骤2：为所述训练数据集train‑x和测试数据集test‑x分别创建对应的训练标签集train‑y和测试标签集test‑y；步骤3：将所述训练数据集train‑x、测试数据集test‑x、训练标签集train‑y和测试标签集test‑y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型。该滚动轴承故障诊断方法基于深度学习和声音波形图像对滚动轴承的状态类型进行智能诊断。

Description

一种基于深度学习和声音波形图像的滚动轴承故障诊断方 法、装置和可读存储介质
技术领域
本发明涉及旋转机械故障诊断领域，尤其涉及一种基于声音信号波形图像和深度学习的滚动轴承故障诊断方法、装置和可读存储介质。
背景技术
旋转机械广泛应用于石化、冶金、钢铁等领域，滚动轴承是旋转机械的关键部件之一。据统计，旋转机械故障中，轴承故障占很大的比重约45-55%。
旋转机械在工业得到广泛应用，而目前旋转机械在出现故障时，大多是通过拆卸方式进行人工检查后才得以判断旋转机械是何种故障，而有经验的维修人员可以通过旋转机械运转的声音来初步判断故障情况，但现今聘请该类维修人员需要大量资金，且维修人员也容易出现误判的情况。
发明内容
为了解决上述现有技术的不足，本发明提供一种滚动轴承故障诊断方法，基于深度学习和声音波形图像对滚动轴承的状态类型进行智能诊断。
本发明还提供一种滚动轴承故障诊断装置和可读存储介质。
本发明所要解决的技术问题通过以下技术方案予以实现：
一种基于深度学习和声音波形图像的滚动轴承故障诊断方法，包括：
步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train-x和测试数据集test-x；
步骤2：为所述训练数据集train-x和测试数据集test-x分别创建对应的训练标签集train-y和测试标签集test-y；
步骤3：将所述训练数据集train-x、测试数据集test-x、训练标签集train-y和测试标签集test-y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；
步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型。
进一步地，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤1包括：
步骤1.1：将每幅声音波形图像标准化为m*n的灰度图像；
步骤1.2：将每幅灰度图像转换为m*n的第一灰度值矩阵；
步骤1.3：将每个第一灰度值矩阵转换为1*（m*n）的第一一维矩阵；
步骤1.4：将每种状态类型中的c个第一一维矩阵拼接为一个c*（m*n）的第一二维矩阵，将每种状态类型中的另外d个第一一维矩阵拼接为一个d*（m*n）的第二二维矩阵，c和d均为正整数且i=c+d；
步骤1.5：把所有状态类型的第一二维矩阵拼接为一个（a*c）*（m*n）的第三二维矩阵，得到训练数据集train-x，把所有状态类型的第二二维矩阵拼接为一个（a*d）*（m*n）的第四二维矩阵，得到测试数据集test-x。
进一步地，在步骤1之前，还包括：
步骤A1：采集滚动轴承分别在正常状态以及各种故障状态下的声音数据；
步骤A2：将采集到的每种状态类型的声音数据均裁剪换转为时间长度相同的i幅声音波形图像。
进一步地，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤2包括：
步骤2.1：创建a*i个标签，所述标签与状态类型相对应；
步骤2.2：将其中的a*c个标签组成（a*c）*A的第一标签矩阵，将其中的a*d个标签组成（a*d）*A的第二标签矩阵，c和d均为正整数且i=c+d，A为所述标签的数组元素量；
步骤2.2：将第一标签矩阵作为训练数据集train-x对应的训练标签集train-y，将第二标签矩阵作为测试数据集test-y对应的测试标签集test-y。
进一步地，所述标签采用由a个元素组成的数组进行表示。
进一步地，滚动轴承具有I幅待检声音波形图像，I为正整数；在步骤4之前还包括：
步骤B3：将每幅待检声音波形图像标准化为m*n的待检灰度图像；
步骤B4：将每幅待检灰度图像转换为m*n的第二灰度值矩阵；
步骤B5：将每个第二灰度值矩阵转换为1*（m*n）的第二一维矩阵；
步骤B6：将I个第二一维矩阵拼接为一个I*（m*n）的第五二维矩阵，得到待检数据集。
进一步地，在步骤B3之前，还包括：
步骤B1：采集滚动轴承的待检声音数据；
步骤B2：将采集到的待检声音数据裁剪换转为时间长度相同的I幅待检声音波形图像。
进一步地，卷积神经网络以sigmoid函数作为激活函数。
一种基于深度学习和声音波形图像的滚动轴承故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，所述处理器执行该计算机程序时，进行上述的基于深度学习和声音波形图像的滚动轴承故障诊断方法。
一种可读存储介质，储存有供处理器执行的计算机程序，所述处理器执行该计算机程序时，进行上述的基于深度学习和声音波形图像的滚动轴承故障诊断方法。
本发明具有如下有益效果：该滚动轴承故障诊断方法通过卷积神经网络对滚动轴承的声音波形图像的图像灰度值数据进行特征提取，将深度学习技术和识别技术应用于滚动轴承的故障诊断领域，通过矩阵的匹配计算快速诊断滚动轴承的各种状态类型，准确率可达98.8%，克服了目前传统的判断转动机器轴承故障需要拆机或是通过人耳识别的困难，人力成本较低，在实际应用时，可对滚动轴承的一个或多个待检声音数据进行多次判断，以出现次数最多的状态类型作为最终诊断结果，大大提高了诊断结果的鲁棒性和准确率。
附图说明
图1为本发明提供的滚动轴承故障诊断方法的步骤框图；
图2为本发明提供的滚动轴承故障诊断方法中采集声音数据和处理声音波形图像的步骤框图；
图3为本发明提供的滚动轴承故障诊断方法中采集待检声音数据和处理待检声音波形图像的步骤框图；
图4为本发明提供的第一灰度值矩阵的示意图；
图5为本发明提供的第一一维矩阵的示意图；
图6为本发明提供的第一二维矩阵的示意图；
图7为本发明提供的第二二维矩阵的示意图；
图8为本发明提供的训练数据集的示意图；
图9为本发明提供的测试数据集的示意图；
图10为本发明提供的训练标签集的示意图；
图11为本发明提供的测试标签集的示意图；
图12为本发明提供的卷积神经网络的原理框图。
具体实施方式
下面结合附图和实施例对本发明进行详细的说明。
实施例一
如图1所示，一种基于深度学习和声音波形图像的滚动轴承故障诊断方法，包括：
步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train-x和测试数据集test-x。
在该步骤1中，滚动轴承的状态类型有多种，包括但不限于正常状态、内圈故障状态、外圈故障状态、滚动体故障状态、混入杂质故障状态和泵汽蚀故障状态等。
具体的，假设滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数，步骤1包括：
步骤1.1：将每幅声音波形图像标准化为m*n的灰度图像。
在该步骤1.1中，将声音波形图像进行灰度处理，并将图像尺寸标准化为m*n，形成灰度图像，本实施例中，灰度图像的尺寸为28*28。
步骤1.2：将每幅灰度图像转换为如图4所示的m*n的第一灰度值矩阵。
在该步骤1.2中，第一灰度值矩阵具有m行和n列，分别对应于灰度图像的m行和n列，Xmn表示灰度图像中第m行第n列的像素点的灰度值，本实施例中第一灰度值矩阵的大小采用28*28。
步骤1.3：将每个第一灰度值矩阵转换为如图5所示的1*（m*n）的第一一维矩阵。
在该步骤1.3中，第一一维矩阵具有1行和m*n列，由对应的第一灰度值矩阵中的第2行-第m行在第1行后方依次拼接形成。
步骤1.4：将每种状态类型中的c个第一一维矩阵拼接为如图6所示的一个c*（m*n）的第一二维矩阵，将每种状态类型中的另外d个第一一维矩阵拼接为如图7所示的一个d*（m*n）的第二二维矩阵， c和d均为正整数且i=c+d。
在该步骤1.4中，第一二维矩阵具有c行和m*n列，由c个第一一维矩阵沿列向依次拼接形成，Xcmn表示每种状态类型中用于训练数据集train-x的第c张灰度图像中的第m行第n列的像素点的灰度值，第二二维矩阵具有d行和m*n列，由d个第一一维矩阵沿列向依次拼接形成，Xdmn表示每种状态类型中用于测试数据集test-x的第d张灰度图像中的第m行第n列的像素点的灰度值，本实施例中每种状态类型中的70%第一一维矩阵用于拼接形成大小为c*784的第一二维矩阵，剩下的30%第一一维矩阵用于拼接形成大小为d*784的第二二维矩阵。
步骤1.5：把所有状态类型的第一二维矩阵拼接为如图8所示的一个（a*c）*（m*n）的第三二维矩阵，得到训练数据集train-x，把所有状态类型的第二二维矩阵拼接为如图9所示的一个（a*d）*（m*n）的第四二维矩阵，得到测试数据集test-x。
在该步骤1.5中，第三二维矩阵具有a*c行和m*n列，由a个第一二维矩阵沿列向依次拼接形成，Xacmn表示第a种状态类型中用于训练数据集train-x的第c张灰度图像中的第m行第n列的像素点的灰度值，第四二维矩阵具有a*d行和m*n列，由a个第一二维矩阵沿列向依次拼接形成，Xadmn表示第a种状态类型中用于测试数据集test-x的第d张灰度图像中的第m行第n列的像素点的灰度值，本实施例中第三二维矩阵的大小为（a*c）*784，第四二维矩阵的大小为（a*d）*784。
其中，如图2所示，在步骤1之前，还包括：
步骤A1：采集滚动轴承分别在正常状态以及各种故障状态下的声音数据。
其中，在采集声音数据时，可以但不限于通过电子听诊器来对运行在相同转速和相同负荷的同一型号的滚动轴承的声音数据进行采集，每种状态类型至少采集一个声音数据，优选地，每种状态类型的声音数据的时间长度相同，以保证每种状态类型进行训练和测试的数据量一致。
步骤A2：将采集到的每种状态类型的声音数据均裁剪换转为时间长度相同的i幅声音波形图像。
其中，在裁剪转换声音波形图像时，先将每种状态类型的声音数据裁剪为时间长度相同的i小段，再将每小段转换为声音波形图像。
步骤2：为所述训练数据集train-x和测试数据集test-x分别创建对应的训练标签集train-y和测试标签集test-y。
在该步骤2中，训练标签集train-y和测试标签集test-y用于在训练和测试时为训练数据集train-x和测试数据集test-x里的数据进行状态标签的映射，因此训练标签集train-y的标签量与训练数据集train-x的图像量（声音波形图）相一致，且一个标签对应于一个声音波形图的状态类型，以为训练数据集train-x中的每幅声音波形图映射其状态标签，同样的，测试标签集test-y的标签量与测试数据集test-x的图像量（声音波形图）相一致，且一个标签对应于一个声音波形图的状态类型，以为测试数据集test-x中的每幅声音波形图映射其状态标签。
具体的，步骤2包括：
步骤2.1：创建a*i个标签，所述标签与状态类型相对应。
步骤2.2：将其中的a*c个标签组成（a*c）*A的第一标签矩阵，将其中的a*d个标签组成（a*d）*A的第二标签矩阵，c和d均为正整数且i=c+d，A为所述标签的数组元素量。
本实施例中，如图10和11所示，所述标签采用由a个元素组成的数组进行表示，每个元素用1或0表示，1代表是，0代表否，具体假设有三种状态类型，那么正常状态的标签为[1，0，0]，内圈损伤的标签为[0，1，0]，外圈损伤的标签为[0，0，1]，以此类推。
在该步骤2.2中，第一标签矩阵中的每一行标签表示训练数据集train-x中对应行数据的声音波形图的状态类型。
步骤2.2：将第一标签矩阵作为训练数据集train-x对应的训练标签集train-y，将第二标签矩阵作为测试数据集test-y对应的测试标签集test-y。
步骤3：将所述训练数据集train-x、测试数据集test-x、训练标签集train-y和测试标签集test-y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型。
在该步骤3中，如图12所示，卷积神经网络包括第一卷积层、第一抽样层、第二卷积层、第二抽样层、全连接层和sotfmax输出层，以sigmoid函数作为激活函数。
步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型。
如图3所示，在步骤4之前还包括：
步骤B1：采集滚动轴承的待检声音数据。
其中，在采集待检声音数据时，可以但不限于通过电子听诊器来对运行在相同转速和相同负荷的同一型号的滚动轴承的待检声音数据进行采集，待检声音数据的时间长度无需与进行训练和测试用的声音数据相同。
步骤B2：将采集到的待检声音数据裁剪换转为时间长度相同的I幅待检声音波形图像，I为正整数。
其中，在裁剪转换待检声音波形图像时，先将待检声音数据裁剪为时间长度相同的I小段，再将每小段转换为待检声音波形图像。
具体的，对滚动轴承的待检声音波形图像进行处理，得到待检数据集包括：
步骤B3：将每幅待检声音波形图像标准化为m*n的待检灰度图像。
其中，待检灰度图像的尺寸与进行训练和测试用的灰度图像相同，本实施例中待检灰度图像的尺寸为28*28。
步骤B4：将每幅待检灰度图像转换为m*n的第二灰度值矩阵。
其中，第二灰度值矩阵的大小与第一灰度值矩阵相同，本实施例中第二灰度值矩阵的大小为28*28。
步骤B5：将每个第二灰度值矩阵转换为1*（m*n）的第二一维矩阵。
其中，第二一维矩阵的大小与第一一维矩阵相同，本实施例中第二一维矩阵的大小为1*784。
步骤B6：将I个第二一维矩阵拼接为一个I*（m*n）的第五二维矩阵，得到待检数据集。
其中，第五二维矩阵的大小视待检声音数据的时间长度而定，无需与第三二维矩阵或第四二维矩阵相同。
该滚动轴承故障诊断方法通过卷积神经网络对滚动轴承的声音波形图像的图像灰度值数据进行特征提取，将深度学习技术和识别技术应用于滚动轴承的故障诊断领域，通过矩阵的匹配计算快速诊断滚动轴承的各种状态类型，准确率可达98.8%，克服了目前传统的判断转动机器轴承故障需要拆机或是通过人耳识别的困难，人力成本较低，在实际应用时，可对滚动轴承的一个或多个待检声音数据进行多次判断，以出现次数最多的状态类型作为最终诊断结果，大大提高了诊断结果的鲁棒性和准确率。
实施例二
一种基于深度学习和声音波形图像的滚动轴承故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，所述处理器执行该计算机程序时，进行实施例一所述的基于深度学习和声音波形图像的滚动轴承故障诊断方法。
实施例三
一种可读存储介质，储存有供处理器执行的计算机程序，所述处理器执行该计算机程序时，进行实施例一所述的基于深度学习和声音波形图像的滚动轴承故障诊断方法。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制，但凡采用等同替换或等效变换的形式所获得的技术方案，均应落在本发明的保护范围之内。

Claims (16)

1.一种基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，包括：
步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train-x和测试数据集test-x；
步骤2：为所述训练数据集train-x和测试数据集test-x分别创建对应的训练标签集train-y和测试标签集test-y；
步骤3：将所述训练数据集train-x、测试数据集test-x、训练标签集train-y和测试标签集test-y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；
步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型；
其中，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤1包括：
步骤1.1：将每幅声音波形图像标准化为m*n的灰度图像；
步骤1.2：将每幅灰度图像转换为m*n的第一灰度值矩阵；
步骤1.3：将每个第一灰度值矩阵转换为1*（m*n）的第一一维矩阵；
步骤1.4：将每种状态类型中的c个第一一维矩阵拼接为一个c*（m*n）的第一二维矩阵，将每种状态类型中的另外d个第一一维矩阵拼接为一个d*（m*n）的第二二维矩阵，c和d均为正整数且i=c+d；
步骤1.5：把所有状态类型的第一二维矩阵拼接为一个（a*c）*（m*n）的第三二维矩阵，得到训练数据集train-x，把所有状态类型的第二二维矩阵拼接为一个（a*d）*（m*n）的第四二维矩阵，得到测试数据集test-x。
2.根据权利要求1所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，在步骤1之前，还包括：
步骤A1：采集滚动轴承分别在正常状态以及各种故障状态下的声音数据；
步骤A2：将采集到的每种状态类型的声音数据均裁剪换转为时间长度相同的i幅声音波形图像。
3.根据权利要求1所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤2包括：
步骤2.1：创建a*i个标签，所述标签与状态类型相对应；
步骤2.2：将其中的a*c个标签组成（a*c）*A的第一标签矩阵，将其中的a*d个标签组成（a*d）*A的第二标签矩阵，c和d均为正整数且i=c+d，A为所述标签的数组元素量；
步骤2.2：将第一标签矩阵作为训练数据集train-x对应的训练标签集train-y，将第二标签矩阵作为测试数据集test-y对应的测试标签集test-y。
4.根据权利要求3所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，所述标签采用由a个元素组成的数组进行表示。
5.根据权利要求1所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，滚动轴承具有I幅待检声音波形图像，I为正整数；在步骤4之前还包括：
步骤B3：将每幅待检声音波形图像标准化为m*n的待检灰度图像；
步骤B4：将每幅待检灰度图像转换为m*n的第二灰度值矩阵；
步骤B5：将每个第二灰度值矩阵转换为1*（m*n）的第二一维矩阵；
步骤B6：将I个第二一维矩阵拼接为一个I*（m*n）的第五二维矩阵，得到待检数据集。
6.根据权利要求5所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，在步骤B3之前，还包括：
步骤B1：采集滚动轴承的待检声音数据；
步骤B2：将采集到的待检声音数据裁剪换转为时间长度相同的I幅待检声音波形图像。
7.根据权利要求1所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，卷积神经网络以sigmoid函数作为激活函数。
8.一种基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，包括：
步骤1：对滚动轴承分别在正常状态以及各种故障状态下的声音波形图像进行处理，得到训练数据集train-x和测试数据集test-x；
步骤2：为所述训练数据集train-x和测试数据集test-x分别创建对应的训练标签集train-y和测试标签集test-y；
步骤3：将所述训练数据集train-x、测试数据集test-x、训练标签集train-y和测试标签集test-y输入到卷积神经网络中进行训练和测试，得到训练好的CNN模型；
步骤4：将滚动轴承的待检数据集在训练好的CNN模型中进行识别，以诊断滚动轴承的状态类型；
其中，滚动轴承具有I幅待检声音波形图像，I为正整数；在步骤4之前还包括：
步骤B3：将每幅待检声音波形图像标准化为m*n的待检灰度图像；
步骤B4：将每幅待检灰度图像转换为m*n的第二灰度值矩阵；
步骤B5：将每个第二灰度值矩阵转换为1*（m*n）的第二一维矩阵；
步骤B6：将I个第二一维矩阵拼接为一个I*（m*n）的第五二维矩阵，得到待检数据集。
9.根据权利要求8所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤1包括：
步骤1.1：将每幅声音波形图像标准化为m*n的灰度图像；
步骤1.2：将每幅灰度图像转换为m*n的第一灰度值矩阵；
步骤1.3：将每个第一灰度值矩阵转换为1*（m*n）的第一一维矩阵；
步骤1.4：将每种状态类型中的c个第一一维矩阵拼接为一个c*（m*n）的第一二维矩阵，将每种状态类型中的另外d个第一一维矩阵拼接为一个d*（m*n）的第二二维矩阵，c和d均为正整数且i=c+d；
步骤1.5：把所有状态类型的第一二维矩阵拼接为一个（a*c）*（m*n）的第三二维矩阵，得到训练数据集train-x，把所有状态类型的第二二维矩阵拼接为一个（a*d）*（m*n）的第四二维矩阵，得到测试数据集test-x。
10.根据权利要求9所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，在步骤1之前，还包括：
步骤A1：采集滚动轴承分别在正常状态以及各种故障状态下的声音数据；
步骤A2：将采集到的每种状态类型的声音数据均裁剪换转为时间长度相同的i幅声音波形图像。
11.根据权利要求8所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，滚动轴承具有a种状态类型，且每种状态类型均对应具有i幅声音波形图像，a和i均为正整数；步骤2包括：
步骤2.1：创建a*i个标签，所述标签与状态类型相对应；
步骤2.2：将其中的a*c个标签组成（a*c）*A的第一标签矩阵，将其中的a*d个标签组成（a*d）*A的第二标签矩阵，c和d均为正整数且i=c+d，A为所述标签的数组元素量；
步骤2.2：将第一标签矩阵作为训练数据集train-x对应的训练标签集train-y，将第二标签矩阵作为测试数据集test-y对应的测试标签集test-y。
12.根据权利要求11所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，所述标签采用由a个元素组成的数组进行表示。
13.根据权利要求8所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，在步骤B3之前，还包括：
步骤B1：采集滚动轴承的待检声音数据；
步骤B2：将采集到的待检声音数据裁剪换转为时间长度相同的I幅待检声音波形图像。
14.根据权利要求8所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法，其特征在于，卷积神经网络以sigmoid函数作为激活函数。
15.一种基于声音波形图像和深度学习的滚动轴承故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，其特征在于，所述处理器执行该计算机程序时，进行权利要求1-14中任一所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法。
16.一种可读存储介质，储存有供处理器执行的计算机程序，其特征在于，所述处理器执行该计算机程序时，进行权利要求1-14中任一所述的基于声音波形图像和深度学习的滚动轴承故障诊断方法。
CN201910931278.3A 2019-09-29 2019-09-29 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 Active CN110852154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931278.3A CN110852154B (zh) 2019-09-29 2019-09-29 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931278.3A CN110852154B (zh) 2019-09-29 2019-09-29 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质

Publications (2)

Publication Number Publication Date
CN110852154A CN110852154A (zh) 2020-02-28
CN110852154B true CN110852154B (zh) 2022-10-14

Family

ID=69596136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931278.3A Active CN110852154B (zh) 2019-09-29 2019-09-29 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质

Country Status (1)

Country Link
CN (1) CN110852154B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111272405B (zh) * 2020-03-26 2022-08-16 广西电网有限责任公司电力科学研究院 一种高压断路器机械故障诊断方法及系统
CN111581425A (zh) * 2020-04-28 2020-08-25 上海鼎经自动化科技股份有限公司 一种基于深度学习的设备声音分类方法
TWI793626B (zh) * 2020-08-28 2023-02-21 財團法人工業技術研究院 結構劣化的聲振診斷方法與系統
CN113567125B (zh) * 2021-07-21 2023-08-29 上海工程技术大学 一种轨道车辆轴箱轴承便携式道旁声学检测系统及方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458158A (zh) * 2009-01-06 2009-06-17 长沙理工大学 基于声发射检测的汽轮机滑动轴承故障诊断方法及其装置
CN103134679A (zh) * 2011-11-28 2013-06-05 杰富意先进技术株式会社 轴承状态监视方法以及轴承状态监视装置
CN103969046A (zh) * 2014-05-20 2014-08-06 北京康拓红外技术股份有限公司 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法
CN104819846A (zh) * 2015-04-10 2015-08-05 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN105424395A (zh) * 2015-12-15 2016-03-23 珠海格力电器股份有限公司 设备故障的确定方法和装置
CN105716865A (zh) * 2016-02-14 2016-06-29 成都柏森松传感技术有限公司 一种用于检测轴承跑合异音的数据库的建立及使用方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN106168539A (zh) * 2016-10-21 2016-11-30 常州信息职业技术学院 基于卷积神经网络的滚动轴承故障诊断方法及系统
CN106596123A (zh) * 2016-11-22 2017-04-26 东软集团股份有限公司 设备故障诊断的方法、装置及系统
CN107013449A (zh) * 2017-04-18 2017-08-04 山东万腾电子科技有限公司 基于深度学习的声音信号识别压缩机故障的方法及系统
CN107870892A (zh) * 2017-07-01 2018-04-03 南京理工大学 一种城轨列车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
CN109357749A (zh) * 2018-09-04 2019-02-19 南京理工大学 一种基于dnn算法的电力设备音频信号分析方法
CN109579220A (zh) * 2018-10-15 2019-04-05 平安科技（深圳）有限公司 空调系统故障检测方法、装置、电子设备
CN110059601A (zh) * 2019-04-10 2019-07-26 西安交通大学 一种多特征提取与融合的智能故障诊断方法
CN209264286U (zh) * 2018-11-13 2019-08-16 广东石油化工学院 石化机组轴承故障诊断与剩余寿命预测装置
CN110160765A (zh) * 2019-06-04 2019-08-23 安徽智寰科技有限公司 一种基于声音或振动信号的冲击特征识别方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251781B1 (ko) * 2010-12-06 2013-04-08 현대자동차주식회사 마이크를 이용한 고장 진단 장치
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458158A (zh) * 2009-01-06 2009-06-17 长沙理工大学 基于声发射检测的汽轮机滑动轴承故障诊断方法及其装置
CN103134679A (zh) * 2011-11-28 2013-06-05 杰富意先进技术株式会社 轴承状态监视方法以及轴承状态监视装置
CN103969046A (zh) * 2014-05-20 2014-08-06 北京康拓红外技术股份有限公司 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法
CN104819846A (zh) * 2015-04-10 2015-08-05 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN105424395A (zh) * 2015-12-15 2016-03-23 珠海格力电器股份有限公司 设备故障的确定方法和装置
CN105716865A (zh) * 2016-02-14 2016-06-29 成都柏森松传感技术有限公司 一种用于检测轴承跑合异音的数据库的建立及使用方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN106168539A (zh) * 2016-10-21 2016-11-30 常州信息职业技术学院 基于卷积神经网络的滚动轴承故障诊断方法及系统
CN106596123A (zh) * 2016-11-22 2017-04-26 东软集团股份有限公司 设备故障诊断的方法、装置及系统
CN107013449A (zh) * 2017-04-18 2017-08-04 山东万腾电子科技有限公司 基于深度学习的声音信号识别压缩机故障的方法及系统
CN107870892A (zh) * 2017-07-01 2018-04-03 南京理工大学 一种城轨列车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
CN109357749A (zh) * 2018-09-04 2019-02-19 南京理工大学 一种基于dnn算法的电力设备音频信号分析方法
CN109579220A (zh) * 2018-10-15 2019-04-05 平安科技（深圳）有限公司 空调系统故障检测方法、装置、电子设备
CN209264286U (zh) * 2018-11-13 2019-08-16 广东石油化工学院 石化机组轴承故障诊断与剩余寿命预测装置
CN110059601A (zh) * 2019-04-10 2019-07-26 西安交通大学 一种多特征提取与融合的智能故障诊断方法
CN110160765A (zh) * 2019-06-04 2019-08-23 安徽智寰科技有限公司 一种基于声音或振动信号的冲击特征识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"听诊器" 原理及其在机械故障诊断中的应用;王立忠 等;《机械工程与自动化》;20080831;第（2008）卷(第4期);第110-111、117页 *
Bearing Fault Diagnosis Based on Convolutional Neural Networks with Kurtogram Representation of Acoustic Emission Signals;Alexander Prosvirin 等;《Advances in Computer Science and Ubiquitous Computing》;20171220;第21-26页 *
BSS 与 Morlet 小波变换在轴承声学故障诊断中的研究;李静娇 等;《机械强度》;20180613;第40卷(第3期);第528-533页 *
End-To-End Convolutional Neural Network Model for Gear Fault Diagnosis Based on Sound Signals;Yong Yao 等;《applied science》;20180907;第8卷(第9期);第1-14页 *
Using Deep Learning Based Approaches for Bearing Fault Diagnosis with AE Sensors;Miao He 等;《IEEE Transactions on Industry Applications》;20170130;第53卷(第3期);第3057-3065页 *
基于声信号的轴承故障诊断方法;周艳玲 等;《振动与冲击》;20020630;第21卷(第2期);第21-23、35、96页 *

Also Published As

Publication number Publication date
CN110852154A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852154B (zh) 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN113379123A (zh) 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN109655259A (zh) 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN110633750A (zh) 一种基于lstm模型的电动阀门故障检测方法
US20230326010A1 (en) Defective picture generation method and apparatus applied to industrial quality inspection
KR102297232B1 (ko) 형태학적 영상처리를 활용한 이상 탐지 방법
CN110837718A (zh) 道岔故障检测方法、装置、电子设备及存储介质
CN114993677B (zh) 不平衡小样本数据的滚动轴承故障诊断方法及系统
CN112577745A (zh) 一种基于1d-cnn的滚动轴承故障诊断方法
CN115526515A (zh) 一种水利水电用闸门的安全监测系统
CN112305388A (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN113128555B (zh) 一种用于列车闸片部件异常检测的方法
CN116955071A (zh) 故障分类方法、装置、设备及存储介质
CN111523322A (zh) 需求文档质量评价模型训练方法及需求文档质量评价方法
CN116380466A (zh) 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
CN111523557A (zh) 基于大数据的风电智能化故障诊断方法
CN113935403A (zh) 基于多标签多分类的主轴轴承与刀具复合故障诊断方法
CN113588266A (zh) 一种故障语义空间内嵌的滚动轴承复合故障诊断方法
CN108763063B (zh) 一种无需缺陷标注数据的软件缺陷检测方法
CN113033845A (zh) 一种电力传输资源共建共享的建设方法及装置
Zabin et al. Industrial Fault Diagnosis using Hilbert Transform and Texture Features
KR20210014452A (ko) 제조 공정 비정상 데이터 탐지 시스템

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
CB03 Change of inventor or designer information

Inventor after: Lei Gaowei

Inventor after: Lin Naijin

Inventor after: Zhang Qinghua

Inventor after: Sun Guoxi

Inventor after: Hu Shaolin

Inventor after: Wang Shihua

Inventor after: Zhou Donghua

Inventor after: Chen Xu

Inventor after: Li Jinye

Inventor after: Huang Weijia

Inventor before: Lei Gaowei

Inventor before: Zhang Qinghua

Inventor before: Sun Guoxi

Inventor before: Hu Shaolin

Inventor before: Wang Shihua

Inventor before: Zhou Donghua

Inventor before: Chen Xu

Inventor before: Lin Naijin

Inventor before: Huang Weijia

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant