CN111160167A - 基于s变换深度卷积神经网络的主轴故障分类识别方法 - Google Patents

Abstract

本发明涉及一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其步骤：将主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；对每段信号分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；将生成的时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；将训练样本输入到CNN中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回重新构建CNN模型；将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。

Description

基于S变换深度卷积神经网络的主轴故障分类识别方法

技术领域

本发明涉及一种机械故障诊断技术领域，特别是关于一种基于S变换深度卷积神经网络的主轴故障分类识别方法。

背景技术

高速电主轴作为数控机床的关键功能部件之一，长时间运行、复杂的载荷条件、不良的工作环境等多种因素可能会导致零部件质量问题，甚至停机造成巨大经济损失。因此，对其进行有效地信号处理及特征提取从而实现准确的故障识别显得尤为重要。主轴变速高速工作，其振动具有非线性和非平稳的特点，而且易被其他部件的振动或噪声掩盖，这就给从原始振动信号中分离和提取故障特征增加了难度。频谱分析方法适合于平稳信号，对于非线性非平稳工况，时频变换的故障诊断方法得到广泛应用，如短时傅里叶变换、小波变换、S变换、Hilbert-Huang变换等。然而对于复杂振动工况，效果不理想。现有方法中采用提取相位角样本熵进行了有效地诊断；利用时频分析方法有效获取了故障特征频率。这些方法减低了交叉干扰，提高了识别精度，但是当信号复杂时，其稳定性影响了分析效果。

随着电主轴作为数控机床的核心功能部件，其运行状态对机床性能和产品的加工精度影响重大。其突发故障往往造成巨大的停机损失和产品质量事故。主轴加工时处于变转速工作状态，其状态特征信息难以获取，为主轴的故障诊断和预测带来困难。

发明内容

针对上述问题，本发明的目的是提供一种基于S变换深度卷积神经网络的主轴故障分类识别方法，克服了时频分析方法分量间存在交叉干扰现象的问题，提高了时频分析方法效果和稳定性。

为实现上述目的，本发明采取以下技术方案：一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其包括以下步骤：1)将采集到的主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；2)对每段信号分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；3)时频谱图图像进行灰度转换，并将生成的时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；4)将训练样本输入到CNN中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；5)判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回步骤4)重新构建CNN模型；6)将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。

进一步，所述步骤3)中，将时频谱图尺寸压缩为32*32像素。

进一步，所述步骤3)中，从每类信号的时频谱图中随机选择50％样本特征作为训练样本，剩余的作为测试样本。

进一步，所述步骤4)中，深度卷积神经网络模型的结构为：

第一层卷积层的输出C_cn为：

C_cn＝f′(S(τ,f)*ω_cn+b_cn)，

其中，*是卷积层运算符号，C_cn是cn个特征图，cn是核函数个数，ω_cn是卷积层cn个核函数的权重矩阵，b_cn是cn个核函数的偏置量，f′(·)是执行矫正线性单元(ReLU)，τ表示时移因子；f表示为频率；

池化层采用下式降低特征维：

P_cn＝f(βdown(C_cn)+b)，

其中，P_cn表示池化层的输出，β是乘法偏置项，down(C_cn)为池化层运算，b是附加的偏移矢量，f(·)是激活运算；

全连接层为：

F(P_L)＝f(ω(P)+b)，

其中，P是池化层的总输出，F(P_L)是全连接层的输出,ω是权值；

分类层：采用Softmax作为分类层，通过样本向量x属于第j个分类的概率p(y⁽ⁱ⁾＝j/f⁽ⁱ⁾)进行分类，j表示类的数量，f⁽ⁱ⁾表示当前i元素，y⁽ⁱ⁾第i元素的分类概率；分类层的输出是一个k维的矢量，其单元值的总和为1。

进一步，所述分类层的输出公式为：

其中，

是迭代回归模型的参数，用

实现输出的归一化；k表示维数，

表示当前i元素的指数函数，

表示soft max的相对概率输出。

进一步，对Softmax的输出进行log操作,输出越大越好，输出越大其正确类别的相对概率越大。

本发明由于采取以上技术方案，其具有以下优点：1、本发明针对主轴的复杂工况，通过卷积神经网络对振动信号的时频图进行自适应特征提取，构建基于卷积神经网络的主轴故障诊断模型。克服了时频分析方法分量间存在交叉干扰现象的问题，提高了时频分析方法效果和稳定性，取得较好的效果。2、本发明对振动信号采用S变换，提取信号的时频图像特征，建立了深度卷积神经网络模型应用于主轴试验台的故障状态识别，用多个样本对网络进行训练学习，多个样本进行测试，结果表明该网络模型能够达到较高的准确率。本发明可以广泛在机电系统的故障诊断领域中应用。

附图说明

图1是本发明的整体流程示意图；

图2是本发明实施例中滚动轴承内圈故障时域图；

图3是本发明实施例中滚动轴承内圈故障频域图；

图4是本发明实施例中滚动轴承内圈故障短时傅里叶变换时频图；

图5是本发明实施例中滚动轴承内圈故障连续小波变换时频图；

图6是本发明实施例中滚动轴承内圈故障S变换时频图；

图7是本发明实施例中试验台不同状态的时域信号图；

图8是本发明实施例中不同时频CNN模型的分类精度图。

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描述。

如图1所示，本发明提供一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其包括以下步骤：

1)将采集到的主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；

2)对每段信号进行时频变换，即分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；

其中，由时频分析方法变换得到的时频谱图包含着丰富的设备状态信息，直观地反映了每段信号的各频率成分随时间的变换。

傅里叶变换采用固定的窗函数，因此分辨率也是定值，这使得短时傅里叶变换的应用有了一定的局限性。相对于傅里叶变换和短时傅里叶变换来说，连续小波变换的小波基可以进行伸缩，同时解决了时间分辨率和频率分辨率的问题，但是小波基的选取是实际应用中的难点，而S变换能够克服短时傅里叶变换和连续小波变换的缺点，能够满足分析的要求。

S变换为：

将每段信号x(t)的一维连续S变换定义为：

其中，

为高斯窗函数。其对应的S逆变换为

式中，τ表示时移因子；f表示频率；t表示时间；

高斯窗函数w(t,f)既是时间的函数也是频率的函数，,高斯窗的尺度因子与频率成反比关系,故低频时窗宽度大具有较好的频率分辨率，高频时窗宽度小具有较好的时间分辨率。经过S变换，振动信号转换为2维矩阵，行代表频率，列代表时间。

3)为提高网络的运算效率，将时频谱图图像进行灰度转换，并将时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；

优选的，可以将时频谱图尺寸压缩为32*32像素；

优选的，从每类信号的时频谱图中随机选择50％样本特征作为训练样本，剩余的作为测试样本；

4)将训练样本输入到CNN(时频卷积神经网络)中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；

其中，对CNN网络参数进行学习训练包括前向传播训练误差和反向传播训练模型参数两个过程；

为简化卷积神经网络结构，CNN模型为两层卷积池化：第一层卷积个数为6，卷积核大小为5*5；第二层卷积个数为12，卷积核大小为5*5；每一层降采样池化核大小为2*2；网络输出为3*1的特征向量。

5)判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回步骤4)重新构建CNN模型；

6)将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。

上述步骤4)中，深度卷积神经网络模型的结构为：

第一层卷积层的输出C_cn为：

C_cn＝f′(S(τ,f)*ω_cn+b_cn)，

其中，*是卷积层运算符号，C_cn是cn个特征图，cn是核函数个数，ω_cn是卷积层cn个核函数的权重矩阵，b_cn是cn个核函数的偏置量，f′(·)是执行矫正线性单元(ReLU)，τ表示时移因子；f表示为频率；

池化层采用下式降低特征维：

P_cn＝f(βdown(C_cn)+b)，

其中，P_cn表示池化层的输出，β是乘法偏置项，down(C_cn)为池化层运算，b是附加的偏移矢量，f(·)是激活运算。

全连接层为：

F(P_L)＝f(ω(P)+b)，

其中，P是池化层的总输出，F(P_L)是全连接层的输出,ω是权值。

分类层：采用Softmax作为分类层，通过样本向量x属于第j个分类的概率p(y⁽ⁱ⁾＝j/f⁽ⁱ⁾)进行分类(j表示类的数量，p(·)表示概率)。分类层的输出是一个k维的矢量，其单元值的总和为1，公式如下：

其中，

是迭代回归模型的参数，用

实现输出的归一化；k表示维数，

表示当前i元素的指数函数，f⁽ⁱ⁾表示当前i元素，y⁽ⁱ⁾第i元素的分类概率，

表示soft max的相对概率输出；

对Softmax的输出进行log操作,输出越大越好，输出越大其正确类别的相对概率越大。

实施例：

采用Case Western Reserve University滚动轴承实验数据。驱动端轴承型号为SKF6205，利用电火花加工轴承内圈的损伤，损伤的深度为0.2794mm，损伤直径为0.1778mm，采样频率为12000Hz。滚动轴承内圈故障信号的时域图及频谱分别如图2和图3所示。

对该故障信号分别进行短时傅里叶变换、连续小波变换、S变换，得到的时频图如图4～图6所示。由此可看出，短时傅里叶变换存在时间分辨率高，出现3000-5000Hz能量集中带判断失误问题；小波变换对小波基的选取比较敏感，小波基的选择存在一定难度；S变换的能量集中带与幅值谱能量相对应，既具有很好的频率分辨率，也具有较高的时间分辨率。选用S变换的时频图作为时频特征输入CNN网络进行训练。

基于时频卷积神经网络的电主轴故障诊断：采集来自于电主轴试验台的数据。电主轴试验台由电主轴、液压加载装置、测功机、油气润滑装置组成。采集放置于主轴模拟刀柄位置(加载棒)加速度传感器信息，获取主轴径向和轴向位置信号。由于试验台的抱夹机构，使得径向跳动小于轴向跳动，所以分析时采用轴向方向的振动信号。

对主轴反复施加不同扭矩来模拟主轴的磨损情况，试验中采样频率为51.2kHz，采集工况为600r/min空载，采集每种状态下200个数据样本，随机的选取100个样本为训练样本，剩余的为测试样本，通过构建样本集，不同的状态共有600个样本，其中300个用来构成训练样本，300个作为测试样本。根据磨损程度将其定义为不同的标签值：正常为1，轻微磨损为2，严重磨损为3，试验台不同状态的时域信号如图7所示，难以进行状态判断。

时频分析同时克服了时域和频域分析的缺陷，不仅从时频图中可以看到信号的各个频率成分，而且还能看出各成分出现的时间，这里分别采用短时傅里叶变换、小波连续变换和S变换分别对三种状态的信号样本进行处理获取时频图。将时频图像进行灰度转换，输入CNN卷积神经网络模型，该模型为两层卷积池化：第一层卷积个数为6，卷积核大小为5*5；第二层卷积个数为12，卷积核大小为5*5；每一层降采样池化核大小为2*2；网络输出为3*1的特征向量。三类时频分类错误率随迭代次数的关系如图8所示。

由图8可以看出，三类时频CNN模型下的分类错误率均随着迭代次数的增加而下降，当迭代次数大于20时，识别正确率达100％。S变换时频CNN模型和小波连续变换时频CNN模型下的分类错误率收敛速度比短时傅里叶变换时频CNN模型的快，且达到稳定结果的迭代次数要少。S时频变换时频CNN模型不用选取小波基函数，在实际应用中更有优越性。

综上，本发明的基于时频卷积神经网络诊断模型，克服了时频分析方法分量间存在交叉干扰现象的问题，提高了时频分析方法效果和稳定性。CNN模型直接对时频图像进行处理，提取信号的时频特征，建立了深度卷积神经网络模型应用于主轴试验台的故障状态识别，用300个样本对网络进行训练学习，300个样本进行测试，结果表明该网络模型能够达到较高的准确率。为机电系统的故障诊断提供一种新的途径。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其特征在于包括以下步骤：

1)将采集到的主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；

2)对每段信号分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；

3)时频谱图图像进行灰度转换，并将生成的时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；

4)将训练样本输入到CNN中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；

5)判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回步骤4)重新构建CNN模型；

6)将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。

2.如权利要求1所述主轴故障分类识别方法，其特征在于：所述步骤3)中，将时频谱图尺寸压缩为32*32像素。

3.如权利要求1所述主轴故障分类识别方法，其特征在于：所述步骤3)中，从每类信号的时频谱图中随机选择50％样本特征作为训练样本，剩余的作为测试样本。

4.如权利要求1所述主轴故障分类识别方法，其特征在于：所述步骤4)中，深度卷积神经网络模型的结构为：

第一层卷积层的输出C_cn为：

C_cn＝f′(S(τ,f)*ω_cn+b_cn)，

其中，*是卷积层运算符号，C_cn是cn个特征图，cn是核函数个数，ω_cn是卷积层cn个核函数的权重矩阵，b_cn是cn个核函数的偏置量，f′(·)是执行矫正线性单元(ReLU)，τ表示时移因子；f表示为频率；

池化层采用下式降低特征维：

P_cn＝f(βdown(C_cn)+b)，

其中，P_cn表示池化层的输出，β是乘法偏置项，down(C_cn)为池化层运算，b是附加的偏移矢量，f(·)是激活运算；

全连接层为：

F(P_L)＝f(ω(P)+b)，

其中，P是池化层的总输出，F(P_L)是全连接层的输出,ω是权值；

分类层：采用Softmax作为分类层，通过样本向量x属于第j个分类的概率p(y⁽ⁱ⁾＝j/f⁽ⁱ⁾)进行分类，j表示类的数量，f⁽ⁱ⁾表示当前i元素，y⁽ⁱ⁾第i元素的分类概率；分类层的输出是一个k维的矢量，其单元值的总和为1。

5.如权利要求4所述主轴故障分类识别方法，其特征在于：所述分类层的输出公式为：

其中，

是迭代回归模型的参数，用

实现输出的归一化；k表示维数，

表示当前i元素的指数函数，

表示soft max的相对概率输出。

6.如权利要求4所述主轴故障分类识别方法，其特征在于：对Softmax的输出进行log操作,输出越大越好，输出越大其正确类别的相对概率越大。

Images