CN111289251A - 一种滚动轴承细粒度故障识别方法 - Google Patents

一种滚动轴承细粒度故障识别方法 Download PDF

Info

Publication number
CN111289251A
CN111289251A CN202010124484.6A CN202010124484A CN111289251A CN 111289251 A CN111289251 A CN 111289251A CN 202010124484 A CN202010124484 A CN 202010124484A CN 111289251 A CN111289251 A CN 111289251A
Authority
CN
China
Prior art keywords
fault
sample
training
rolling bearing
recognized
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
Application number
CN202010124484.6A
Other languages
English (en)
Inventor
孙国栋
高媛
胡也
张航
李超
席志远
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.)
Hubei University of Technology
Original Assignee
Hubei University of 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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202010124484.6A priority Critical patent/CN111289251A/zh
Publication of CN111289251A publication Critical patent/CN111289251A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明属于自动化检测技术领域，公开了一种滚动轴承细粒度故障识别方法，包括采集滚动轴承在正常状态、各种故障类别下的振动信号；对振动信号进行样本分割处理得到样本信号；对样本信号进行多同步压缩变换得到样本图像；利用样本图像建立训练集；将训练集输入至卷积神经网络中进行迭代训练，获得训练好的故障识别模型；采集滚动轴承故障振动信号作为待识别样本，进行样本分割处理得到待识别样本信号，进行多同步压缩变换得到待识别样本图像，将待识别样本图像输入至训练好的故障识别模型中进行故障识别，并获得故障识别结果。本发明解决了现有技术中对滚动轴承细粒度故障的识别率较低的问题，具有识别率高、鲁棒性强的优点。

Description

一种滚动轴承细粒度故障识别方法
技术领域
本发明涉及自动化检测技术领域，尤其涉及一种滚动轴承细粒度故障识别方法。
背景技术
滚动轴承是旋转机械设备的重要组成部分，其健康状况的好坏直接影响着设备运行的状态。随着传感技术的发展与普及，可在线采集滚动轴承的振动数据，但是，由于滚动轴承的工作环境复杂，很难直接通过采集的振动信号判断故障类别。因此，需要借助一些信号处理技术对获取的各种故障信号进行处理。
目前常用的信号处理技术主要包括以下三种：时域分析、频域分析和时频分析。其中，时域分析可以捕获故障引起的幅度和相位调制变化；频域分析可以更容易地提取故障特征，从而检测出具有清晰边带的分布式故障；而时频分析则提供了时间域和频率域的联合分布信息，能够清楚地描述信号频率随时间变化的关系，因此应用最广。
许多专家凭借以上三种信号处理技术对故障进行识别，但识别结果主要依赖于专家的先验知识。目前，SVM、BP神经网络和KNN等算法被广泛应用于故障诊断，但是这些算法的识别效果在很大程度上依赖于提取特征的可区分性。
此外，传统的时频分析方法也存在着很多不足，不能满足复杂工作环境下的滚动轴承的故障诊断问题。例如，短时傅里叶变换的时间分辨率和频率分辨率受Heisenberg测不准原理约束，一旦窗函数选定，时频分辨率便确定下来。这就使它对突变信号和非平稳信号的分析存在局限性，因而不是一种动态的分析方法，不能敏感地反映信号的突变，只适用于对缓变信号的分析。
发明内容
本申请实施例通过提供一种滚动轴承细粒度故障识别方法，解决了现有技术中对滚动轴承细粒度故障的识别率较低的问题。
本申请实施例提供一种滚动轴承细粒度故障识别方法，包括以下步骤：
步骤1、采集滚动轴承在正常状态、各种故障类别下的振动信号；
步骤2、对所述振动信号进行样本分割处理，得到样本信号；
步骤3、对所述样本信号进行多同步压缩变换，得到样本图像；
步骤4、利用所述样本图像建立训练集；
步骤5、将所述训练集输入至卷积神经网络中，对所述卷积神经网络进行迭代训练，获得训练好的故障识别模型；
步骤6、采集滚动轴承故障振动信号作为待识别样本，对所述待识别样本进行样本分割处理得到待识别样本信号，对所述待识别样本信号进行多同步压缩变换，得到待识别样本图像，将所述待识别样本图像输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。
优选的，所述步骤4中，在建立训练集之前，对所述样本图像进行双线性插值操作，得到尺寸调整后的样本图像，并根据所述尺寸调整后的样本图像建立训练集；
所述步骤6中，将所述待识别样本图像输入至所述训练好的故障识别模型中之前，对所述待识别样本图像进行双线性插值操作，得到尺寸调整后的待识别样本图像，并将所述尺寸调整后的待识别样本图像输入至所述训练好的故障识别模型中。
优选的，所述步骤4中，利用所述样本图像建立训练集和测试集；
所述步骤6中，将所述测试集输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。
优选的，所述卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层；
所述第一卷积层的深度为32，所述第一是池化层的深度为32，所述第二卷积层的深度为64，所述第二池化层的深度为64，所述第一全连接层的神经元个数为3136，所述第二全连接层的神经元个数为512。
优选的，所述卷积神经网络采用的激活函数为ReLU。
优选的，所述卷积神经网络的损失函数包括L2正则化。
优选的，所述卷积神经网络包括滑动平均模型。
优选的，所述步骤5中，对所述卷积神经网络进行迭代训练时，采用均匀小批量训练方式，每次训练中采用的训练样本由每类故障样本均匀地组成。
优选的，所述步骤4中，所述训练集由n个故障类别对应的训练子集构成，第i个训练子集包括第一数量的第i类故障对应的样本图像；
所述步骤5中，对所述卷积神经网络进行迭代训练时，每次训练采用的训练样本由n个故障类别对应的小批量样本组成，第i个小批量样本包括第二数量的第i类故障对应的样本图像。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在本申请实施例中，采用的多同步压缩变换相对于其他时频分析方法能够更好地分析强时变信号的时频特性，能更准确地反映出振动信号的时频特性，用于滚动轴承故障诊断中能获取具有良好质量的时频图像。本发明采用多同步压缩变换作为信号-图像转换工具，将振动信号转换为高分辨率的时频图像，能够实现滚动轴承细粒度故障的识别，具有识别率高、鲁棒性强的优点。
附图说明
为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种滚动轴承细粒度故障识别方法中采用的多同步压缩变换与其他时频分析方法获取的时频能量对比图；
图2为本发明实施例提供的一种滚动轴承细粒度故障识别方法中采用的卷积神经网络的模型示意图；
图3为本发明实施例提供的一种滚动轴承细粒度故障识别方法中采用的均匀小批量训练的示意图；
图4为本发明实施例提供的一种滚动轴承细粒度故障识别方法中采用的均匀小批量训练与现有技术采用的随机批量训练的训练趋势对比图；
图5为本发明实施例提供的一种滚动轴承细粒度故障识别方法的流程示意图；
图6为本发明实施例提供的一种滚动轴承细粒度故障识别方法中采集的振动信号时域波形图；
图7为本发明实施例提供的一种滚动轴承细粒度故障识别方法中进行样本分割处理的示意图；
图8为本发明实施例提供的一种滚动轴承细粒度故障识别方法对10种故障信号进行多同步压缩变换后得到的时频图像。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种滚动轴承细粒度故障识别方法，基于多同步压缩变换和卷积神经网络。
为了能够较好地分析强时变信号的时频特性，本发明首先应用多同步压缩变换对10种复杂工况下的滚动轴承故障信号进行时频分析。
多同步压缩变换是一种基于短时傅里叶变换的时频分析方法，它不仅具有良好的时频聚集性和交叉抑制能力，还具有信号重构能力。多分量信号的多同步压缩变换可表示为：
Figure 1
其中，Ts[N](t,η)为多分量信号的多同步压缩变换，t为时间，η为多同步压缩变换的瞬时频率，G(t,w)为多分量信号的短时傅里叶变换，w为短时傅里叶变换的瞬时频率，δ()为狄拉克函数，N为迭代次数且，
Figure BDA0002394001690000052
为多同步压缩变换的瞬时频率估计，数学展开为：
Figure 2
其中，瞬时频率
Figure BDA0002394001690000054
为多分量信号的瞬时相位
Figure BDA0002394001690000055
的一阶导数，
Figure BDA0002394001690000056
为瞬时相位
Figure BDA0002394001690000057
的二阶导数。
由于每次迭代，多同步压缩变换将构造一个新的瞬时频率估计对经过短时傅里叶变换得到的模糊能量进行重分配，经过多次迭代之后，时频能量逐步集中，致使瞬时频率估计越来越接近真实信号的瞬时频率，待迭代结束后，可获得强时变信号较高分辨率的时频图像。
为了证明多同步压缩变换能够较好地分析强时变信号的时频特性，本发明采用多种时频分析方法处理同一段滚动轴承故障信号。图1显示了不同时频分析方法获取的时频能量对比图。
图1(a)为振动信号波形图，图1(b)为采用短时傅里叶变换处理振动信号得到的时频图，图1(c)为采用连续小波变换处理振动信号得到的时频图，图1(d) 为采用Wigner-Ville分布处理振动信号得到的时频图，图1(e)为采用S变换处理振动信号得到的时频图，图1(f)为采用多同步压缩变换处理振动信号得到的时频图。
通过图像比较可知，针对滚动轴承的强时变振动信号，短时傅里叶变换、连续小波变换、Wigner-Ville分布及S变换所生成的时频图像表现出极差的时频聚集性，而且存在严重的交叉项。由于多同步压缩变换具有抑制交叉项和聚集时频能量的能力，其生成的时频图像具有较高的时频分辨率。因此，多同步压缩变换较其他时频分析方法能更准确地反映出振动信号的时频特性，能够用于滚动轴承故障诊断中，获取具有良好质量的时频图像。
一套优秀的故障诊断算法不仅取决于训练数据的质量(即时频图像质量的好坏)，还取决于特征提取算法和分类器(用于对提取的特征进行分类) 的好坏。目前，卷积神经网络算法应用最广，不仅具有特征提取功能，还具有分类能力，而且还避免了主观因素的干扰。最简单的卷积神经网络模型是 LeNet-5。该模型具有卷积神经网络的最基本组件：卷积层、池化层和全连接层。目前，常见的用于故障诊断的神经网络模型也是基于LeNet-5改进的。然而，本发明不改变LeNet-5的结构(即网络的深浅)，依然是由输入层+卷积层+池化层+卷积层+池化层+全连接层+全连接层+输出层组成，但是本发明针对输入数据，对相关参数进行了调整。
如图2所示为本发明提供的卷积神经网络模型，其中，C1是卷积层，深度为32；S2是池化层，深度为32；C3为卷积层，深度为64；S4为池化层，深度为64；F5为全连接层，神经元个数为3136；F6为全连接层，神经元个数为512。卷积核的作用是提取特征，一个卷积核只能提取一种特征。由于时频图像比手写字符特征信息更加复杂，因此，本发明中通过增加卷积核的个数来提取更多特征。F5的神经元的个数是由前面两层卷积核的个数决定的。
具体的，本发明采用的卷积神经网络与LeNet-5的区别包括：
(1)参数不同。具体的，本发明采用的卷积神经网络的卷积核的个数与原LeNet-5的不一样。本发明采用的卷积神经网络的卷积核的大小为5×5，第一层卷积核的个数为32，第二层卷积核的个数为64，池化窗口的大小为2 ×2。而原LeNet-5第一层卷积核个数为6，第二层卷积核个数为16。由于本发明采用的卷积神经网络的卷积核个数多于原LeNet-5，所以本发明采用的卷积神经网络相对于原LeNet-5能处理更复杂的图像分类问题。
(2)激活函数不同。具体的，原LeNet-5使用的sigmoid激活函数会出现梯度消失问题且泛化能力差。而本发明将激活函数换成了ReLU，可以很好的解决sigmoid激活函数存在的问题，并且收敛速度更快。
(3)本发明在原始的损失函数中加入L2正则化。加入L2正则化能够有效避免过拟合问题。
(4)本发明加入了滑动平均模型。应用滑动平均模型能够使网络性能在测试集上更加鲁棒，即提高鲁棒性。
此外，本发明设计了一种新的训练方法提升该模型的运行性能。常见的训练方法是随机批量训练方法，在卷积神经网络的训练过程中，可以保证每次训练数据都是随机地从训练集中提取数据，但是并不能保证每批训练样本中每类故障样本均衡。针对这一问题，本发明提出了均匀小样本训练方法，即在每次训练过程中，每批小批量样本都是均匀地由每类故障样本均匀地组成，其示意图如图3所示。
本发明设计的卷积神经网络是基于均匀小批量训练方式的，每次输入到卷积神经网络中进行学习的批量样本是从不同故障类别中抽取相同大小的小批量样本组成，这样可以保证在学习的过程中能够均匀地学到全部故障类别的特征。此外，为配合本发明设计的均匀小批量训练方法，还可以结合随机梯度下降算法对网络参数进行优化，加速训练过程。
为了证明本发明提供的均匀小批量训练方法的优越性，本发明通过实验与随机批量训练方法进行了相关比较。在其他条件都相同的情况下，图4显示了两种训练方法的训练趋势。由于均匀小批量训练方法每次输入的批量保证了故障样本的均衡性，因此其训练结果的变换比较平稳。然而，对于随机批量训练方法，在有些训练批量中，可能会出现极端情况，即某批量只包含某一类故障样本，而第二次训练批量包含其他类故障样本，导致卷积神经网络中的权重和偏差项不稳定，进而连续地训练结果差别较大。最终测试结果如表1所示。
表1两种训练方法的测试精度对比
Figure BDA0002394001690000081
表1的数据说明了本发明采用的均匀小批量训练方法比随机批量训练方法更快趋于稳定，而且本发明采用的均匀小批量训练方法的测试精度高于随机批量训练方法。
本发明基于上述的多同步压缩变换和卷积神经网络，提供一种滚动轴承细粒度故障识别方法，参看图5，包括如下步骤：
步骤1、采集滚动轴承在正常状态、各种故障类别下的振动信号。
通过采集系统采集振动信号。例如，通过采集系统获取滚动轴承的10种故障振动信号，数据格式为.mat格式，振动信号时域波形图如图6所示，振动信号的数据详细信息如表2所示。
表2采集的振动信号数据
Figure BDA0002394001690000082
步骤2、对采集的振动信号进行样本分割处理，获得样本信号。
具体的，分割处理后的样本信号应至少包含一个周期振动点，采样过程见图7。
步骤3、对每段样本信号进行多同步压缩变换，得到样本图像。
例如，对分割后的每段样本信号进行多同步压缩变换，获取高分辨率的时频图像，10种故障信号的多同步压缩变换见图8。
步骤4、对样本图像进行双线性插值操作。
在建立训练集之前，对样本图像进行双线性插值操作，得到尺寸调整后的样本图像，并根据尺寸调整后的样本图像建立训练集。
将待识别样本图像输入至训练好的故障识别模型中之前，对待识别样本图像进行双线性插值操作，得到尺寸调整后的待识别样本图像，并将尺寸调整后的待识别样本图像输入至训练好的故障识别模型中。
例如，为满足设计的卷积神经网络的输入尺寸，对每类故障的时频图像进行双线性插值操作，将时频图像缩放至32×32大小。
步骤5、利用所述样本图像建立训练集。
一种替代方案中，利用所述样本图像建立训练集和测试集。具体的，根据步骤4处理后得到的样本图像(即时频图像)构成数据集，将数据集按一定的比例划分为训练集和测试集。
一种具体的实施方式中，所述训练集由n个故障类别对应的训练子集构成，第i个训练子集包括第一数量的第i类故障对应的样本图像。例如，训练集包括10个故障类别对应的训练子集，分别记为第一训练子集、第二训练子集、……、第十训练子集。第一训练子集中均包括30个样本图像，且对应于第一类故障。其他训练子集类似。
步骤6、将训练集输入至卷积神经网络中，对卷积神经网络进行迭代训练，获得训练好的故障识别模型。
即将训练集输入到卷积神经网络中进行学习，并保存最后训练好的模型。
具体的，将训练集按照均匀小批量训练的方式输入到卷积神经网络中进行特征学习过程，当达到最大迭代次数时停止训练并保存模型。
一种具体的实施方式，与步骤5的具体实施方式对应，对卷积神经网络进行迭代训练时，每次训练采用的训练样本由n个故障类别对应的小批量样本组成，第i个小批量样本包括第二数量的第i类故障对应的样本图像。即每次训练采用的训练样本由10个小批量样本组成，第一个小批量样本包括3 个第一类故障对应的样本图像(这3个样本图像来自于第一训练子集)，第二个小批量样本包括3个第二类故障对应的样本图像(这3个样本图像来自于第二训练子集)，其他类似。
如上述记载，本发明采用的所述卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层；所述第一卷积层的深度为32，所述第一是池化层的深度为32，所述第二卷积层的深度为64，所述第二池化层的深度为64，所述第一全连接层的神经元个数为3136，所述第二全连接层的神经元个数为512。所述卷积神经网络采用的激活函数为ReLU。所述卷积神经网络的损失函数包括L2正则化。所述卷积神经网络包括滑动平均模型。
步骤7、采集滚动轴承故障振动信号作为待识别样本，对所述待识别样本进行样本分割处理得到待识别样本信号，对所述待识别样本信号进行多同步压缩变换，得到待识别样本图像，将所述待识别样本图像输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。
与步骤5中的替代方案对应，将测试集输入到保存好的模型中进行故障诊断测试，得到识别结果。
综上，本发明采用的多同步压缩变换相对于其他时频分析方法能够更好地分析强时变信号的时频特性，能更准确地反映出振动信号的时频特性，用于滚动轴承故障诊断中能获取具有良好质量的时频图像；在卷积神经网络的训练过程中，采用的均匀小批量训练方法能够保证每批训练样本中每类故障样本均衡，采用的均匀小批量训练方法相对于传统的随机批量训练方法能够更快趋于稳定，并具有更高的测试精度。本发明采用多同步压缩变换作为信号-图像转换工具，将振动信号转换为高分辨率的时频图像，并设计一种基于均匀小批量训练的卷积神经网络对各种故障类型的时频图像进行学习并分类。本发明基于多同步压缩变换和卷积神经网络，提供的滚动轴承细粒度故障识别方法能够区分故障状态与正常状态，在故障状态中，又能更深地区分故障的严重程度状态，实现滚动轴承细粒度故障的识别，具有识别率高、鲁棒性强的优点。
本发明实施例提供的一种滚动轴承细粒度故障识别方法至少包括如下技术效果：
本发明采用多同步压缩变换作为信号-图像转换工具，将振动信号转换为高分辨率的时频图像，并设计一种基于均匀小批量训练的卷积神经网络对各种故障类型的时频图像进行学习并分类。本发明实现了滚动轴承细粒度故障的识别，具有识别率高、鲁棒性强的优点。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种滚动轴承细粒度故障识别方法，其特征在于，包括以下步骤：
步骤1、采集滚动轴承在正常状态、各种故障类别下的振动信号；
步骤2、对所述振动信号进行样本分割处理，得到样本信号；
步骤3、对所述样本信号进行多同步压缩变换，得到样本图像；
步骤4、利用所述样本图像建立训练集；
步骤5、将所述训练集输入至卷积神经网络中，对所述卷积神经网络进行迭代训练，获得训练好的故障识别模型；
步骤6、采集滚动轴承故障振动信号作为待识别样本，对所述待识别样本进行样本分割处理得到待识别样本信号，对所述待识别样本信号进行多同步压缩变换，得到待识别样本图像，将所述待识别样本图像输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。
2.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，在建立训练集之前，对所述样本图像进行双线性插值操作，得到尺寸调整后的样本图像，并根据所述尺寸调整后的样本图像建立训练集；
所述步骤6中，将所述待识别样本图像输入至所述训练好的故障识别模型中之前，对所述待识别样本图像进行双线性插值操作，得到尺寸调整后的待识别样本图像，并将所述尺寸调整后的待识别样本图像输入至所述训练好的故障识别模型中。
3.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，利用所述样本图像建立训练集和测试集；
所述步骤6中，将所述测试集输入至所述训练好的故障识别模型中，进行故障识别，并获得故障识别结果。
4.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层；
所述第一卷积层的深度为32，所述第一是池化层的深度为32，所述第二卷积层的深度为64，所述第二池化层的深度为64，所述第一全连接层的神经元个数为3136，所述第二全连接层的神经元个数为512。
5.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络采用的激活函数为ReLU。
6.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络的损失函数包括L2正则化。
7.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述卷积神经网络包括滑动平均模型。
8.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤5中，对所述卷积神经网络进行迭代训练时，采用均匀小批量训练方式，每次训练中采用的训练样本由每类故障样本均匀地组成。
9.根据权利要求1所述的滚动轴承细粒度故障识别方法，其特征在于，所述步骤4中，所述训练集由n个故障类别对应的训练子集构成，第i个训练子集包括第一数量的第i类故障对应的样本图像；
所述步骤5中，对所述卷积神经网络进行迭代训练时，每次训练采用的训练样本由n个故障类别对应的小批量样本组成，第i个小批量样本包括第二数量的第i类故障对应的样本图像。
CN202010124484.6A 2020-02-27 2020-02-27 一种滚动轴承细粒度故障识别方法 Pending CN111289251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010124484.6A CN111289251A (zh) 2020-02-27 2020-02-27 一种滚动轴承细粒度故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010124484.6A CN111289251A (zh) 2020-02-27 2020-02-27 一种滚动轴承细粒度故障识别方法

Publications (1)

Publication Number Publication Date
CN111289251A true CN111289251A (zh) 2020-06-16

Family

ID=71028198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010124484.6A Pending CN111289251A (zh) 2020-02-27 2020-02-27 一种滚动轴承细粒度故障识别方法

Country Status (1)

Country Link
CN (1) CN111289251A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036296A (zh) * 2020-08-28 2020-12-04 合肥工业大学 一种基于广义s变换和woa-svm的电机轴承故障诊断方法
CN113197583A (zh) * 2021-05-11 2021-08-03 广元市中心医院 一种基于时频分析和循环神经网络的心电图波形分割方法
CN117871101A (zh) * 2024-03-11 2024-04-12 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769052A (zh) * 2017-03-21 2017-05-31 桂林电子科技大学 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108492297A (zh) * 2017-12-25 2018-09-04 重庆理工大学 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法
CN108717568A (zh) * 2018-05-16 2018-10-30 陕西师范大学 一种基于三维卷积神经网络的图像特征提取与训练方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109035204A (zh) * 2018-06-25 2018-12-18 华南理工大学 一种焊缝目标实时检测方法
CN109100143A (zh) * 2018-07-06 2018-12-28 华中科技大学 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备
CN109489946A (zh) * 2018-09-21 2019-03-19 华中科技大学 一种旋转机械的故障诊断方法及系统
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109934206A (zh) * 2019-04-08 2019-06-25 中国矿业大学(北京) 一种非平稳工况下的旋转机械故障诊断方法
CN110307982A (zh) * 2019-06-19 2019-10-08 电子科技大学 基于CNN和Adaboost的轴承故障分类方法
CN110795843A (zh) * 2019-10-24 2020-02-14 北京建筑大学 一种识别滚动轴承故障的方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769052A (zh) * 2017-03-21 2017-05-31 桂林电子科技大学 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN108492297A (zh) * 2017-12-25 2018-09-04 重庆理工大学 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN108717568A (zh) * 2018-05-16 2018-10-30 陕西师范大学 一种基于三维卷积神经网络的图像特征提取与训练方法
CN109035204A (zh) * 2018-06-25 2018-12-18 华南理工大学 一种焊缝目标实时检测方法
CN109100143A (zh) * 2018-07-06 2018-12-28 华中科技大学 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备
CN109489946A (zh) * 2018-09-21 2019-03-19 华中科技大学 一种旋转机械的故障诊断方法及系统
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109934206A (zh) * 2019-04-08 2019-06-25 中国矿业大学(北京) 一种非平稳工况下的旋转机械故障诊断方法
CN110307982A (zh) * 2019-06-19 2019-10-08 电子科技大学 基于CNN和Adaboost的轴承故障分类方法
CN110795843A (zh) * 2019-10-24 2020-02-14 北京建筑大学 一种识别滚动轴承故障的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
佚名: ""积神经网络（CNN）的参数优化方法"", 《网络》 *
郝志峰: "《数据科学与数学建模》", 31 January 2019 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036296A (zh) * 2020-08-28 2020-12-04 合肥工业大学 一种基于广义s变换和woa-svm的电机轴承故障诊断方法
CN112036296B (zh) * 2020-08-28 2022-08-05 合肥工业大学 一种基于广义s变换和woa-svm的电机轴承故障诊断方法
CN113197583A (zh) * 2021-05-11 2021-08-03 广元市中心医院 一种基于时频分析和循环神经网络的心电图波形分割方法
CN117871101A (zh) * 2024-03-11 2024-04-12 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统
CN117871101B (zh) * 2024-03-11 2024-05-10 四川大学 多分类器细粒度的轴承故障诊断领域自适应方法及系统

Similar Documents

Publication Publication Date Title
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
CN108573225B (zh) 一种局部放电信号模式识别方法及系统
CN107657088B (zh) 基于mckd算法与支持向量机的滚动轴承故障诊断方法
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN109116203A (zh) 基于卷积神经网络的电力设备局部放电故障诊断方法
CN108680796B (zh) 用于计算机显示器的电磁信息泄漏检测系统及方法
CN111460956A (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN111553297B (zh) 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
CN110147760B (zh) 一种高效电能质量扰动图像特征提取与识别新方法
CN111127387B (zh) 无参考图像的质量的评价方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN113295702B (zh) 电气设备故障诊断模型训练方法和电气设备故障诊断方法
CN115908142B (zh) 一种基于视觉识别的接触网微小部件验损方法
CN109409216B (zh) 基于子载波动态选择的速度自适应室内人体检测方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN114491823A (zh) 一种基于改进生成对抗网络的列车轴承故障诊断方法
Wang et al. A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background
CN114036977A (zh) 基于二维图像编码特征的风机电能质量扰动监测方法
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN113792597A (zh) 一种基于自监督特征提取的机械设备异常声音检测方法
CN112146882A (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN116662872A (zh) 汽车面板精整线轴承类机械故障诊断方法
CN116310569A (zh) 一种基于鲁棒纹理特征的乳腺病变检测与分类装置
CN114781427A (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616