CN111209891A - 一种基于深度神经网络的轴承工况检测方法及系统 - Google Patents
一种基于深度神经网络的轴承工况检测方法及系统 Download PDFInfo
- Publication number
- CN111209891A CN111209891A CN202010043467.XA CN202010043467A CN111209891A CN 111209891 A CN111209891 A CN 111209891A CN 202010043467 A CN202010043467 A CN 202010043467A CN 111209891 A CN111209891 A CN 111209891A
- Authority
- CN
- China
- Prior art keywords
- fault
- vibration signal
- bearing
- deep
- neural network
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000005096 rolling process Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及故障检测技术领域，具体涉及一种基于深度神经网络的轴承工况检测方法及系统，所述方法为：首先获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，接着构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；通过将待检测的振动信号分解为若干个本征模函数；并采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种，本发明能够实现轴承工况的自动检测。
Description
技术领域
本发明涉及故障检测技术领域，具体涉及一种基于深度神经网络的轴承工况检测方法及系统。
背景技术
滚动轴承是旋转机械中最常见和关键的零部件之一，及时准确地掌握其故障损伤情况，对保障机械设备安全运行、避免经济损失和灾难性事故具有重要的意义。故障诊断的本质就是模式识别，而深度学习作为机器学习研究中的一个新领域，近年来已成功应用于各类模式识别领域。与一般的神经网络和机器学习模型相比，深度学习可以更精确、高效地解决复杂问题。
可见，如何有效利用深度学习实现轴承工况的自动检测，具有重要的现实意义。
发明内容
为解决上述问题，本发明提供一种基于深度神经网络的轴承工况检测方法及系统，能够实现轴承工况的自动检测。
为了实现上述目的，本发明提供以下技术方案：
根据本发明第一方面实施例提供的一种基于深度神经网络的轴承工况检测方法，包括：
获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
将待检测的振动信号分解为若干个本征模函数；
采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
进一步，所述获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，具体为：
获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
对标准化信号进行平均分段采样，得训练样本。
进一步，所述构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型，具体为：
采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；
设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；
将完成训练的深度置信网络作为故障识别模型。
进一步，所述将待检测的振动信号分解为若干个本征模函数，具体为：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数。
进一步，所述采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，具体为：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
根据本发明第二方面实施例提供的一种基于深度神经网络的轴承工况检测系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
数据采集模块，用于获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
故障识别模型生成模块，用于构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
振动信号分解模块，用于将待检测的振动信号分解为若干个本征模函数；
轴承工况检测模块，用于采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
进一步，所述数据采集模块具体用于：
获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
对标准化信号进行平均分段采样，得训练样本。
进一步，所述故障识别模型生成模块具体用于：
采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；
设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；
将完成训练的深度置信网络作为故障识别模型。
进一步，所述振动信号分解模块具体用于：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数。
进一步，所述轴承工况检测模块具体用于：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
本发明的有益效果是：本发明公开一种基于深度神经网络的轴承工况检测方法及系统，所述方法为：首先获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，接着构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；通过将待检测的振动信号分解为若干个本征模函数；并采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。本发明能够实现轴承工况的自动检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于深度神经网络的轴承工况检测方法的流程示意图；
图2是本发明实施例图1中步骤S100的流程示意图；
图3是本发明实施例中深度置信网络的结构示意图；
图4是本发明实施例一种基于深度神经网络的轴承工况检测系统的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为一种基于深度神经网络的轴承工况检测方法，包括以下步骤：
步骤S100、获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
步骤S200、构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
步骤S300、将待检测的振动信号分解为若干个本征模函数；
步骤S400、采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果；所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
本实施例中，通过传感器采集原始振动信号，以获取训练样本；接着采用深度置信网络训练生成故障识别模型，深度置信网络(deep belief network，DBN)是一种深度学习算法，将深度置信网络应用在故障诊断中，为实现轴承工况的自动检测提供了重要基础；当需要进行轴承工况的自动检测时，将待检测的振动信号分解为若干个本征模函数，本征模函数可以表征轴承工况的各种状态，采用训练好的故障识别模型即可对本征模函数进行识别，从而自动得出轴承工况的检测结果。本实施例提供的检测方法只需要在训练阶段设置好深度置信网络的训练参数，当通过训练样本完成对深度置信网络的训练后，即可形成稳定的故障识别模型，无需人工干预即可实现轴承工况的自动检测。
参考图2，在一个改进的实施例中，步骤S100具体为：
步骤S110、获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
步骤S120、标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
步骤S130、对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
步骤S140、对标准化信号进行平均分段采样，得训练样本。
在一个示例性的实施例中，在滚动轴承分别处于运行正常、滚动体故障、内圈故障及外圈故障的状态下，加速度传感器采集滚动轴承在旋转过程中的原始振动信号，这样，就可以得到分别表征这四种状态的原始振动信号；将滚动轴承旋转一圈的时间段作为一个周期，在每个周期内抽样5000个采样点，得到数字信号，并对采样点的数字信号进行归一化处理，得到标准化信号，以500采样点为一个样本信号，每种状态均构成100个训练样本。
在一个改进的实施例中，步骤S200具体为：
首先采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；接着设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；将完成训练的深度置信网络作为故障识别模型。
本实施例中，RBM神经网络包含隐藏层和显层，前一个RBM的输出层(隐藏层)作为下一个RBM单元的输入层(显层)，通过自下而上依次堆叠构成深度置信网络的结构。在一个示例性的实施例中，将各层节点数分别设置为1000、100、100、10，学习率设置为0.0001，迭代次数取10次。
图3是深度置信网络的结构图，深度置信网络的训练过程包括预训练和微调，其中：
(1)预训练是一种无监督的学习过程，它使用未标记的数据来训练单个RBM神经网络。深度置信网络可以通过自下而上的学习方式在RBM序列中进行训练，可从原始的信号数据中提取到较为抽象和高层次的表达。在预训练中，RBM神经网络中的权重和阈值被持续更新，直到最大迭代次数。
(2)微调是一种监督学习过程，它利用反向传播进一步降低训练误差，提高深度置信网络的分类精度。由于BPNN神经网络是监督学习，因此微调使用标签数据进行深度置信网络训练。BPNN神经网络同时训练深度置信网络中的所有层。通过模型输出和标签数据来计算B PNN的训练误差。反向传播学习持续进行，经过多次调整即可达到整个深度置信网络的性能最优。
在一个改进的实施例中，步骤S300具体为：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数，所述本征模函数表征运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
现有技术中，轴承故障诊断常用的方法是振动分析法，对于采集的振动信号进行分析和预处理。然而轴承振动信号具有非平稳性等特点，因此对其进行特征提取变得尤为困难。本实施例中，采用EEMD算法，可将原始振动数据分解为一系列具有不同尺度和连续特性的本征模函数(Intrinsic Mode Function，IMF)。
EMD算法(Empirical Mode Decomposition，经验模式分解)是针对非线性信号的时频信号分析方法，可以自适应分解数据并获得一系列本征模函数。EMD算法非常适合于分析具有非平稳特性的滚动轴承振动信号。而EEMD算法是对EMD算法的进一步改进，EEMD算法(Ensemble Empirical Mode Decomposition，集合经验模态分解)有效的解决了EMD算法的混频现象。EEMD算法先通过引入具有频率均匀分布特性的高斯白噪声来抑制模态混频的出现，再利用EMD算法对原始信号进行重复分解，将原始振动数据分解为一系列具有不同尺度和连续特性的IMF。
EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。由于每个附加噪声的成分都包括了信号和附加的白噪声，每个独立的测试都可能会产生非常嘈杂的结果，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，最后得到稳定的信号。
在一个优选的实施例中，步骤S400具体为：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
参考图4，本公开还提供一种基于深度神经网络的轴承工况检测系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
数据采集模块100，用于获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
故障识别模型生成模块200，用于构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
振动信号分解模块300，用于将待检测的振动信号分解为若干个本征模函数；
轴承工况检测模块400，用于采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
在一个优选的实施例中，所述数据采集模块100具体用于：
获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
对标准化信号进行平均分段采样，得训练样本。
在一个优选的实施例中，所述故障识别模型生成模块200具体用于：
采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；
设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；
将完成训练的深度置信网络作为故障识别模型。
在一个优选的实施例中，所述振动信号分解模块300具体用于：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数，所述本征模函数表征运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
在一个优选的实施例中，所述轴承工况检测模块400具体用于：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式，以嵌入式软件加载到处理器中，以有效利用各种传感器采集的数据，进行基于深度神经网络的轴承工况检测。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于深度神经网络的轴承工况检测系统的控制中心，利用各种接口和线路连接整个基于深度神经网络的轴承工况检测系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于深度神经网络的轴承工况检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (10)
1.一种基于深度神经网络的轴承工况检测方法，其特征在于，包括：
获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
将待检测的振动信号分解为若干个本征模函数；
采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
2.根据权利要求1所述的一种基于深度神经网络的轴承工况检测方法，其特征在于，所述获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，具体为：
获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
对标准化信号进行平均分段采样，得训练样本。
3.根据权利要求2所述的一种基于深度神经网络的轴承工况检测方法，其特征在于，所述构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型，具体为：
采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；
设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；
将完成训练的深度置信网络作为故障识别模型。
4.根据权利要求3所述的一种基于深度神经网络的轴承工况检测方法，其特征在于，所述将待检测的振动信号分解为若干个本征模函数，具体为：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数。
5.根据权利要求4所述的一种基于深度神经网络的轴承工况检测方法，其特征在于，所述采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，具体为：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
6.一种基于深度神经网络的轴承工况检测系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的模块中：
数据采集模块，用于获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；
故障识别模型生成模块，用于构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；
振动信号分解模块，用于将待检测的振动信号分解为若干个本征模函数；
轴承工况检测模块，用于采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
7.根据权利要求6所述的一种基于深度神经网络的轴承工况检测系统，其特征在于，所述数据采集模块具体用于：
获取设置在滚动轴承上的加速度传感器采集的原始振动信号；
标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；
对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；
对标准化信号进行平均分段采样，得训练样本。
8.根据权利要求7所述的一种基于深度神经网络的轴承工况检测系统，其特征在于，所述故障识别模型生成模块具体用于：
采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；
设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；
将完成训练的深度置信网络作为故障识别模型。
9.根据权利要求8所述的一种基于深度神经网络的轴承工况检测系统，其特征在于，所述振动信号分解模块具体用于：
采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数。
10.根据权利要求9所述的一种基于深度神经网络的轴承工况检测系统，其特征在于，所述轴承工况检测模块具体用于：
将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；
采用多数投票算法对若干个识别结果进行处理，得到融合后的识别结果，将所述融合后的识别结果作为得到轴承工况的检测结果，所述得到轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010043467.XA CN111209891A (zh) | 2020-01-15 | 2020-01-15 | 一种基于深度神经网络的轴承工况检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010043467.XA CN111209891A (zh) | 2020-01-15 | 2020-01-15 | 一种基于深度神经网络的轴承工况检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111209891A true CN111209891A (zh) | 2020-05-29 |
Family
ID=70785405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010043467.XA Pending CN111209891A (zh) | 2020-01-15 | 2020-01-15 | 一种基于深度神经网络的轴承工况检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209891A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
| CN114742108A (zh) * | 2022-04-20 | 2022-07-12 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
| CN108932499A (zh) * | 2018-07-09 | 2018-12-04 | 武汉科技大学 | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 |
| CN108956140A (zh) * | 2018-03-23 | 2018-12-07 | 南京富岛信息工程有限公司 | 一种输油泵轴承故障诊断方法 |
| CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
-
2020
- 2020-01-15 CN CN202010043467.XA patent/CN111209891A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
| CN108956140A (zh) * | 2018-03-23 | 2018-12-07 | 南京富岛信息工程有限公司 | 一种输油泵轴承故障诊断方法 |
| CN108932499A (zh) * | 2018-07-09 | 2018-12-04 | 武汉科技大学 | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 |
| CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
| CN114742108A (zh) * | 2022-04-20 | 2022-07-12 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
| CN114742108B (zh) * | 2022-04-20 | 2022-12-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Verstraete et al. | Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings | |
| US10832698B2 (en) | Abnormal sound detection device and abnormal sound detection method | |
| Jack et al. | Genetic algorithms for feature selection in machine condition monitoring with vibration signals | |
| Weber et al. | Embedded hybrid anomaly detection for automotive CAN communication | |
| CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| Beheshtipour et al. | Deep learning for clustering of continuous gravitational wave candidates | |
| US20140046878A1 (en) | Method and system for detecting sound events in a given environment | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN110132598A (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
| CN105971901A (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
| CN103544392A (zh) | 基于深度学习的医学气体识别方法 | |
| CN111680642B (zh) | 一种地形分类方法及装置 | |
| CN110807468B (zh) | 检测异常邮件的方法、装置、设备和存储介质 | |
| CN111209891A (zh) | 一种基于深度神经网络的轴承工况检测方法及系统 | |
| Huang et al. | An intelligent compound fault diagnosis method using one-dimensional deep convolutional neural network with multi-label classifier | |
| CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
| CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
| CN114285587B (zh) | 域名鉴别方法和装置、域名分类模型的获取方法和装置 | |
| Castro-Cabrera et al. | Adaptive classification using incremental learning for seismic-volcanic signals with concept drift | |
| CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 | |
| CN115545086B (zh) | 一种可迁移的特征自动选取声学诊断方法及系统 | |
| CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
| Borhana et al. | Fault detection of bearing using support vector machine-SVM | |
| CN115219197A (zh) | 一种轴承故障智能诊断方法、系统、介质、设备及终端 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200529 |
|
| RJ01 | Rejection of invention patent application after publication |