CN110991295A - 一种基于一维卷积神经网络的自适应故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于一维卷积神经网络的自适应故障诊断方法，其利用一维卷积神经网络作为主要模型结构，直接输入一维时序信号，就能立即输出高精度诊断结果，相比传统人工提取特征进行诊断的方式更便捷、高效，对诊断人员的专业知识经验需求更低；同时相比基于其他神经网络结构的故障诊断方式，一维卷积神经网络模型在保持诊断精度的同时，模型更简单、计算更快速，能为实时故障诊断提供良好保障。本发明作为一种实时快速的自适应故障诊断方法，能从容应对故障类型的多样性，可以广泛应用于机械制造、航空航天、电气、冶金等领域。

Description

一种基于一维卷积神经网络的自适应故障诊断方法

技术领域

本发明属于故障诊断和计算机人工智能技术领域，尤其是基于人工智能卷积神经网络(CNN)的机械设备、零件的故障诊断方法。

背景技术

现有的机械设备、零件正朝着高速化、高效化、精密化的方向发展，然而在实际运行中，其工况复杂，往往需要对设备性能、潜在故障进行分析排查，做到早发现、早排查、早避免。其中，齿轮、轴承、压缩机气阀、电机等机械设备关键零部件，往往是机械故障诊断监测领域的重点对象。在此领域，传统的时频分析等方法在小数据环境、单一故障的任务中已经能取得较好的效果，但显然真实场景下的设备故障种类多样，甚至多类故障并发，此时传统方法就显得十分乏力，不仅效率低，而且对操作人员的专业素质要求高，这些无疑给企业的生产运转带来了极大的负担和影响。资料表明，我国每年仅在冶金行业中用于设备维修的费用就高达250亿元，而配置故障诊断系统能减少事故损失，具有很高的收益投资比，日本的资料曾报道过，在设备生产加工过程实施故障诊断后，事故率减少了75％，维修费用降低了25％～50％。

综上，设备的健康监测诊断一直是工业界重要的话题，对此，人们提出了许多方法。例如，在对齿轮的故障诊断上，公开号为CN110044610A的中国发明专利，提出了一种“齿轮故障诊断方法”，其对采集的齿轮振动加速度信号提取啮合频率以及边频带幅值来对齿轮进行故障诊断。然而，此类传统的设备故障诊断方法存在着缺陷，每一次诊断，它都要求人工手动提取特征信息，依靠专家经验判断齿轮啮合频率和边带是否正常，从而判断设备运行是否正常。此类方法不仅低效，而且对人员技术经验要求高，不利于诊断方法的推广。又例如公开号为CN109829916A的中国发明专利提出了“一种基于CNN的变压器故障诊断方法”，通过CNN神经网络对电机振动信号的时频谱图进行分类诊断。此类方法要先把时序振动信号转化为频谱图，运算量大；同时一维序列数据转化为二维图像过程中，带来了数据的冗余。此类方法虽然相比传统方法高效了许多，但对数据的处理转换、以及采用的二维CNN网络操作，都使得整个监测过程较慢，模型较大。许多设备运行时，晚一秒的诊断就会带来难以估量的损失，必须分秒必争，及时准确的检测诊断设备的运行状态。

发明内容

为了解决上述现有方法存在的问题，本发明的目的在于提供一种基于一维卷积神经网络的自适应故障诊断方法，即直接利用机械设备、机械零件等的振动加速度信号或者其他相关的一维时序检测信号，经过自适应滤波、归一化等预处理后，直接输入训练好的一维CNN网络，最后输出设备运行状态的诊断结果，整个过程无需额外人员干预，全部自动完成，直接由输入数据输出实时诊断结果，实现数据处理与诊断过程的完全自适应、自主化、“端到端”。

一种基于一维卷积神经网络的自适应故障诊断方法，包括以下步骤：

S1、通过随机采样，全面地采集设备不同运行状态下的振动加速度信号，对信号做预处理，包括自适应滤波、均值方差归一化处理和数据裁剪；

S2、对得到的一维时序样本标记对应的状态编号；

S3、建立合适的一维卷积神经模型并初始化网络参数，以及构造目标损失函数；

S4、输入样本数据，训练网络，求出网络输出与期望目标的误差；

S5、判断网络是否到达最大训练步骤或精度、误差是否满足要求而收敛，若满足任一条件，则执行步骤S7，否则执行步骤S6；

S6、反向传播、网络权值更新，将步骤S4的误差逐层反向传播到各个节点，并更新权值，重复步骤S4到步骤S6，直到满足S5中的停止条件；

S7、将训练好的模型用于诊断测试样本，根据其准确度判断网络模型是否符合实际需求，满足则执行步骤S8，否则转到步骤S3；

S8、故障诊断检测阶段。将最终训练好的一维卷积神经网络用于对应目标场景下的故障诊断：设备振动加速度信号经过自动预处理后输入网络，一维卷积神经网络直接输出诊断的运行状态结果；

本发明的优点是：本发明基于人工智能技术，提出一种基于一维卷积神经网络的自适应故障诊断方法，具有以下优点：

1、更高效便捷，对诊断操作人员所需的领域专业知识要求更低，普适性更广。无需再像传统的诊断方法一样，人工手动在庞大的数据中提取有用的特征信息，如今通过CNN，能自动完成有用信息的提取，只需输入时序振动信号，网络就能输出诊断结果，单次诊断耗时仅约0.4ms，提出了一种快速高效的解决方案，摆脱了对技术人员工程经验的依赖，节省劳动成本、更节省了诊断的时间；

2、网络模型更精简、诊断速度更快。基于人工智能技术，在CNN的基础上，创新性的提出一维CNN模型，即网络只需接受一维的时序信号，相比传统的二维CNN模型，它所有操作都自动在时间序列数据上完成，整个模型参数大小仅约2Mb，在保持诊断精度的前提上，模型更小，训练需求数据更少，运行速度更快，占耗的计算资源更少；

3、本发明方法通用性强。它不仅适用于机械设备、零件的故障诊断，对于所有可以通过时间序列信号反映目标对象状态、属性的产品或领域，如风机、变压器、齿轮等，在进行故障诊断时，本发明方法均能适用。

4、对数据的适应性更好。常规的CNN卷积网络都对输入数据长度、维度有限制，以保证网络结构参数和网络输出的统一。而本发明的一维CNN卷积神经网络模型对序列加速度信号数据的长度无严格要求，可以适应任何长度数据序列，广泛适用于电压、电流、加速度等数据信号。此外由于自适应的滤波处理以及卷积神经网络的优秀特征提取特性，本发明对噪声干扰适应性强。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的步骤流程示意图；

图2为一维卷积神经网络模型构架示意图；

图3为正常滚动轴承加速度时域信号示意图；

图4为滚动体故障的滚动轴承的加速度时域信号示意图；

图5为经过自适应滤波后的滚动体故障的轴承加速度时域信号示意图；

图6为不同信噪比下的模型诊断精度示意图；

具体实施方式

下面参照附图并结合具体的实施例，对本发明做进一步的详细说明。应当理解实施例仅是对本发明进行解释而非限定。

如图1所示，为本发明提供了一种基于一维卷积神经网络的设备、零件故障诊断方法，包括以下步骤：

表1滚动轴承故障类型表

步骤1，通过加速度传感器采集各类欲诊断故障的运行状态下振动加速度信号历史数据，然后在各类故障总序列数据上做相同自适应滤波、归一化处理，保证数据样本的同分布，然后对总的序列数据做切分。此实施例中针对滚动轴承的不同故障部位和故障严重程度进行故障分类，作为优选，以样本长度为800，切分步长为800做等长切分，最后得到包括正常运行状态在内的一共12种运行状态类型，如表1所示。

步骤2，对切分后的各类样本数据一一标记对应编号，并以一定比例随机划分训练样本和测试样本，实施例选择比例7：3。

步骤3，使用python的keras库，建立一维卷积神经网络模型，使用训练样本对模型进行训练，直到模型收敛，性能满足需求，得到基于一维卷积神经网络的故障诊断模型。其中网络模型结构如图2所示。

步骤4，采集系统的实时运行数据并做步骤1中相同的预处理操作，送入步骤3中训练好的故障诊断模型，输出诊断结果。

其中，在步骤1中，所采集的历史运行数据应尽可能完整的描述设备可能出现的运行状态，包括正常运行状态和各种故障状态；为保证样本和总体分布的一致性，采集过程要有随机性。同时，在步骤4中采集的数据应满足实时性。

在步骤1和3中，数据的预处理方法应相同，设采集的某一样本总的序列数据为：

X_N＝[x₁,x₂,,x_N]^T (1)

其中N为总的样本序列长度，则对应的预处理子步骤如下：

1.自适应滤波

令X_n＝[x₁,x₂,,x_n]^T，其中n＜N则：

x_n+1＝W_nX_n (2)

其中W_n为n阶递推最小二乘(RLS)自适应滤波器系数，而相关系数更新算法为：

(1)P(0)＝δ^-1I，W(0)＝0，其中δ为一很小的正常数，一般取0.01，I是单位阵；

(2)对于n＝1,2,N，做如下迭代更新:

α(n)＝d(n)-W^T(n-1)X(n) (4)

P(n)＝λ^-1P(n-1)-λ^-1G(n)X^T(n)P(n-1) (5)

W(n)＝W(n-1)+G(n)α(n) (6)

其中λ为手动设置的遗忘因子，通常设为1。

2.归一化到零均值，单位方差

计算出均值：

计算出方差：

处理后样本数据值：

最后得到处理后的样本序列：X_n'＝[x₁',x₂',x_n']^T

最终滤波前后的部分数据波形分别如图3和图4、图5所示。

3.数据裁剪

设裁剪步长为s，所需样本长度为L，则由总的样本序列X_N'裁剪得到的第i个样本为：

X_{i_sample}＝[x_1+si,x_2+si,,x_L+si] (7)

当前，卷积神经网络在语音、图像识别等领域取得了良好的效果，在特征自动提取上比传统特征选取有巨大优势，而传统的卷积神经网络输入数据为二维形式，如果把卷积、池化等一系列操作用于一维时序信号，在保留传统二维卷积神经网络在特征提取上的优势的同时，还具有快速性，能得到更精简的模型。将之用于故障诊断上，从而实现诊断的实时性，具体细节如下所述。

在以上步骤中，本实施例构建了一个一维卷积神经网络模型完成对滚动轴承的时间序列信号的诊断。网络模型结构如图2所示，其中C1、C2、C4、C6为卷积层，一维卷积核选择大卷积核，长度分别为60、30、15、15，激活函数都为relu函数；C3、C5为池化层，一维池化单元长度为2；为了增强抗噪能力，做了全局池化处理(GAP)，加入C7全局平均池化层；C8为全连接层，输出层使用sigmoid函数，因为实际检验发现它比Softmax函数等有更好的诊断精度。

本实施例中，作为优选，选取Adam算法作为模型的优化器，选择binary_crossentropy作为损失函数。

实验数据表明，本发明在33264个训练集样本中训练精度达到0.9965，在14256个测试集样本中测试精度达到0.9996。为了测试本发明对噪声的抵抗能力，直接在输入网络模型的序列信号上加入不同信噪比的白噪声，检测模型的识别精度，结果如图6所示，当信噪比达到0dB时，也即信号和噪声强度相当时，网络至少也能保证98％以上的诊断精度，何况输入网络的数据都经过预处理去噪，能保证较高信噪比，当信噪比在2dB以上时，网络输出就能保证99.6％以上的诊断精度。

综上所述，本发明基于一维卷积神经网络的故障诊断方法，利用深度学习算法代替传统数据特征提取，提供了一种更便捷、高效、快速的智能诊断方法，直接将实时采集的设备数据序列信号传入模型，就能迅速输出诊断结果，提供了完全自适应、自动化、“端到端”的故障诊断解决方案，无论在机械制造，还是航空航天、电力、冶金等领域都能得到广泛的应用。

本发明实施例提供的上述技术方案以及附图，仅是本发明针对性的优选实施方式，并不用于限制本发明，不同场景还可针对性地做出不同的调整，在不脱离本发明的精神和基本特征下的前提下，不经创造性地修改、替换和改进等，均属于本发明的保护范畴。

Claims (4)

1.一种基于一维卷积神经网络的自适应故障诊断方法，其特征在于，包括以下步骤：

S1、对采集的离散信号数据做预处理，包括自适应滤波、均值方差归一化处理以及数据切分；

S2、对得到的一维时序样本标记对应的状态编号；

S3、建立合适的一维卷积神经模型并初始化网络参数，以及构造目标损失函数；

S4、输入样本数据，训练网络，求出网络输出与期望目标的误差；

S5、判断网络是否到达最大训练步骤或精度、误差是否满足要求而收敛，若满足任一条件，则执行步骤S7，否则执行步骤S6；

S6、反向传播、网络权值更新，将步骤S4的误差逐层反向传播到各个节点，并更新权值，重复步骤S4到步骤S6，直到满足S5中的停止条件；

S7、将训练好的模型用于诊断测试样本，根据其准确度判断网络模型是否符合实际需求，满足则执行步骤S8，否则转到步骤S3；

S8、将训练好的一维卷积神经网络用于对应目标场景下的故障诊断，加速度信号经预处理后输入网络后直接输出诊断的运行状态结果。

2.根据权利要求1所述的基于一维卷积神经网络的自适应故障诊断方法，其特征在于，所述的步骤S1和步骤S8中的数据的预处理方式相同，均包括自适应滤波、均值方差归一化处理以及数据裁剪。设某一次采集的样本数据序列为：X_N＝[x₁,x₂,…,x_N]^T，N为总的样本序列长度，则对应的预处理包括以下子步骤：

S11、自适应滤波

令X_n＝[x₁,x₂,…,x_n]^T，x_n+1＝W_nX_n。

其中，n＜N，W_n为n阶递推最小二乘(RLS)自适应滤波器系数，相关系数更新算法为：

(1)P(0)＝δ^-1I，W(0)＝0，其中δ为一很小的正常数，一般取0.01，I是单位阵；

(2)对于n＝1,2…,N，做如下迭代更新:

α(n)＝d(n)-W^T(n-1)X(n)

P(n)＝λ^-1P(n-1)-λ^-1G(n)X^T(n)P(n-1)

W(n)＝W(n-1)+G(n)α(n)

其中λ为手动设置的遗忘因子，通常设为1；

S12、归一化到零均值，单位方差。具体如下：

计算出均值：

计算出方差：

则处理后样本数据值：

最后得到处理后的样本序列：X_N'＝[x₁',x₂',…x_N']^T

S13.数据裁剪

设裁剪步长为s，所需样本长度为L，则由总的样本序列X_N'裁剪得到的第i个样本为：

X_{i_sample}＝[x_1+si,x_2+si,…,x_L+si]

3.根据权利要求1所述的一种基于一维卷积神经网络的自适应故障诊断方法，其特征在于，所述步骤S3中建立的卷积神经网络为一维形式，只需输入一维时序信号，所有的卷积、池化操作直接作用于一维数据，并在所有的卷积层之后、全连接层之前加入全局池化层(GAP)；卷积层使用relu函数，输出层使用sigmoid函数，采用Adam算法作为网络优化算法，损失函数为交叉熵损失，损失函数具体计算式如下：

其中Y＝[y₁,y₂,…,y_n]为实际标签，P＝[p₁,p₂,…,p_n]为预测标签，n为标签长度。

4.根据权利要求1所述的基于一维卷积神经网络的故障诊断方法，其特征在于，不同于常规CNN用的小卷积核，步骤S3中所有卷积层均采用大卷积核，作为首选，卷积核长度分别为60、30、15、15。

Images