CN111444780A - 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 - Google Patents
一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111444780A CN111444780A CN202010151068.5A CN202010151068A CN111444780A CN 111444780 A CN111444780 A CN 111444780A CN 202010151068 A CN202010151068 A CN 202010151068A CN 111444780 A CN111444780 A CN 111444780A
- Authority
- CN
- China
- Prior art keywords
- data
- noise reduction
- bearing
- reduction self
- coding 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000009467 reduction Effects 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06F2218/08—Feature extraction
-
- 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
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,包括以下步骤:1)采集轴承运行数据;2)对采集到的轴承运行数据进行数据预处理和数据划分;3)构建深度稀疏降噪自编码网络提取轴承运行数据中用以实现故障分类的代表性特征;4)构建多分类网络并输入代表性特征实现轴承故障的分类诊断。本发明在对基于深度稀疏降噪自编码网络的轴承故障诊断应用上,利用计算机运算实现对轴承智能化诊断,相比已有的深度学习以及机器学习算法或者传统诊断方法具有成本低,准确率高,应用泛化性高,运算要求低等优点。
Description
技术领域
本发明涉及旋转机械设备轴承应用领域,尤其是涉及一种基于深度稀疏降噪自编码网络的轴承故障诊断方法。
背景技术
旋转机械设备在现代工业中起着不可替代的作用,例如发动机、电动机、涡轮等都广泛应用于生产生活的各方各面。滚动轴承是旋转机械中最重要的部件,直接影响其性能和行动。据统计,在旋转机械设备发生的各类故障中,滚动轴承故障占据30%的比重,具体地,对于发动机设备来说,轴承故障会使发动机出现无规律抖动、加速无力甚至使发动机失灵,而发动机广泛应用于汽车、轮船、飞机、工厂等各行各业,其发生故障对生产生活各方面造成巨大影响甚至造成人员伤亡。如果其发生故障则可能影响旋转机械设备的预定工作状态进而可能会引发区域乃至全国性的灾难。如果故障发生在大型发电站的机械设备上,会造成大范围的供电不足,影响人们的生产生活;如果故障发生在航空发动机上,可能会造成空中停车,机毁人亡的惨剧。能否及时发现滚动轴承的故障并做出准确的故障诊断,为运营维修人员提供可靠准确的轴承状态信息,一直是旋转机械故障诊断领域研究的热点。
现代化旋转机械设备在运行中会产生海量复杂的数据,它们之中可能还包含着各类的噪声,例如波音737的发动机在飞机飞行过程中每30分钟可产生10TB数据。相对地,现代化工业系统对旋转机械设备的准确性、稳定性及安全性要求越来越高,对其关键零部件,轴承的故障诊断需求越来越高,对稳定、可靠、适应大数据特征的故障诊断需求也越来越大。
随着新一轮科学技术的革命和产业的变革,德国提出“工业4.0时代”以提升制造业的智能化水平,将物联网和智能服务引入制造业。与此同时中国政府也提出“中国制造2025”以迈入制造强国行列。
在此背景下,人们对机械设备实时“自我感知”的需求越来越高,对其故障诊断技术的需求也越来越强烈。故障诊断技术是对系统的运行状况进行监测以判断其是否有故障发生,同时确定故障发生的位置、程度和种类等情况,即完成故障特征的提取、检测并将其分离。传统的故障诊断方法包括建立数学、物理模型以及专家诊断系统。而随着计算机、传感器及通信等相关技术的不断发展,现代工业系统呈现向大型化、复杂化方向发展的趋势,系统的运行机理和状态等的数据呈现出海量、多模态、不确定性等“大数据”特性。传统的故障诊断方法已无法适应新时代这种工业“大数据”特性的故障诊断需求,其具体表现为:
(1)传统的故障诊断方法已无法对复杂工业模型建立准确、适合的物理模型。
(2)传统的故障诊断方法在处理如此庞大的数据时,受到技术、成本等多方面限制。
(3)新时代大数据的故障诊断需要模型实现基于动态数据的高效、动态、准确的实时诊断。
作为社会主要生产工具的旋转机械设备也逐渐变得高集成、高精度、大型化,而滚动轴承作为其中必不可少的部件,早已被普遍而广泛地应用于工业生产、航空航天等领域之中。现阶段常用的轴承故障诊断技术最流行的两种智能方法为人工神经网络(ANN)和支持向量机(SVM)方法。然而这两种方法都存在本质的缺点:
(1)从轴承上采集的振动信号总是非常复杂和非平稳,背景噪声很大。
(2)不同的故障类型、故障的严重程度和故障的定位进一步增加了诊断的难度。
针对于以上原因,相关专家、学者将深度学习方法引入故障诊断模型之中,以求通过对已有离线数据的学习建立高效、准确、泛化性较好的模型,从而实现对机械设备的准确、动态、实时的故障诊断。
由于现代工业系统组件及其内部之间存在着很多错综复杂、强关联耦合等相互关系,且不确定性因素及噪音信息充斥其间,使得这些故障诊断技术对故障的漏诊、误诊的概率极大,因此必须掌握各种先进的故障信号特征提取的处理技术。对此,以特征提取为目标的自编码器开始逐渐应用于轴承的故障诊断技术。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度稀疏降噪自编码网络的轴承故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,包括以下步骤:
1)采集轴承运行数据;
2)对采集到的轴承运行数据进行数据预处理和数据划分;
3)构建深度稀疏降噪自编码网络提取轴承运行数据中用以实现故障分类的代表性特征;
4)构建多分类网络并输入代表性特征实现轴承故障的分类诊断。
所述的步骤2)具体包括以下步骤:
21)轴承运行数据的归一化处理,用以防止数据数量级的不同造成量级较大的属性占主导地位并缓解数量级的不同导致的迭代收敛速度变慢;
22)轴承运行数据标签进行独热编码处理,用以实现多分类问题模型的训练;
23)划分训练集数据和测试集数据。
所述的步骤21)中,归一化处理采用MinMax归一化处理方法。
所述的步骤23)具体为:
所述的步骤3)具体包括以下步骤:
31)对预处理后轴承运行数据进行增加噪声处理,生成深度降噪自编码器;
32)在深度降噪自编码器中加入约束生成深度稀疏降噪自编码器,即深度稀疏降噪自编码网络;
33)采用优化器对深度稀疏降噪自编码网络参数进行优化;
34)采用参数优化后的深度稀疏降噪自编码网络进行特征提取,获得实现故障分类的代表性特征。
所述的步骤32)中,深度稀疏降噪自编码器的优化目标为:
L(x,g(σ(x)))+Ω(h)
其中,σ(·)为编码器的输出,g(·)为解码器的输出,Ω(h)为稀疏惩罚项,x为预处理后轴承运行数据。
所述的步骤33)中,优化器采用NAG动量优化算法。
所述的步骤4)中,多分类网络采用Softmax分类器。
与现有技术相比,本发明具有以下优点:
一、成本低:本发明能够采用计算机来预测并诊断轴承故障可有效降低维护成本,如今计算机的计算能力已远远超过人类而其成本却远低于人类专家,因此采用计算机构建深度学习模型并逐渐代替传统算法为大势所趋。
二、应用泛化性高:相比已有的机器学习或深度学习模型,采用深度稀疏降噪自编码器能有效提高模型的泛化能力。
三、模型鲁棒性高:本发明能够在一定程度上减轻训练集和测试集之间的代沟,因为原始训练集数据的某一部分被破坏掉了,因此其在一定程度上更接近测试数据,从而增加了模型的鲁棒性。
四、环境要求低:本方法在实际应用中,无需提前对轴承应用场地规划,解决了已有的传统故障诊断的弊端,无论机场还是工厂亦或是发电设备,都可以实现广泛应用,是智能制造的重要一步。
五、高准确率:本方法模型较深,自编码器提取特征更加有利于数据的多分类。同时采用稀疏降噪自编码器可以增加模型的泛化能力和鲁棒性,在一定程度上增加模型的准确率。
附图说明
图1为轴承故障诊断步骤流程图。
图2为轴承数据分布图。
图3为无鞍点时的优化器模拟示意图,其中,图(3a)为2s时刻各个优化器对函数优化的可视化,图(3b)为4s时刻各个优化器对函数优化的可视化。
图4为有鞍点时的优化器模拟示意图,其中,图(4a)为1s时刻各个优化器对函数优化的可视化,图(4b)为2s时刻各个优化器对函数优化的可视化,图(4c)为4s时刻各个优化器对函数优化的可视化。
具体实施方式
下面结合图例和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明采用西储大学数据集并采用python3进行编程。西储大学数据集是在1.4913887kW的电机上进行实验并分别在靠近和远离电机的轴承的位置测量加速度数据而产生的。其利用电火花在滚动轴承上人为制造轴承故障,损伤分别位于轴承的内圈、外圈以及滚珠引入直径为0.007英寸(0.1778mm)至0.04英寸(1.016mm)的位置。将故障及正常轴承分别安装在测试测试电机中并记录不同负载下的振动信号,试验台由2马力的马达(左)、扭矩传感器/编码器(中心)、测功机(右)和控制电子学(未显示)组成。该数据集包含:正常轴承数据(Normal Baseline Data)、驱动端故障轴承数据12000samples/s(12k Drive EndBearing Fault Data)、驱动端故障轴承数据48000samples/s(48k Drive End BearingFault Data)、扇端故障轴承数据12000samples/s(12k Fan End Bearing Fault Data)四种数据,包含1797r/min、1772r/min、1750r/min、1730r/min四种工况。本例选用其中的“12kDrive End Bearing Fault Data”以及“Normal Baseline Data”在转速(工况)为1797r/min左右的数据来进行轴承故障诊断。其中:驱动端轴承采用SKF6205,采样频率为12Khz和48Khz;风扇端轴承采用SKF6203,采样频率为12Khz。
如图1所示,本发明提供一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,包括以下步骤:
步骤S1:采集轴承运行数据,即振动的加速度数据;
步骤S2:对于采集到的轴承数据进行数据预处理以及数据的划分,具体包括:
步骤S21:对轴承数据进行归一化处理;对于数据的归一化处理是深度学习的一个关键步骤它可以防止数量级的不同造成的量级较大的属性占主导地位并缓解数量级的不同导致的迭代收敛速度变慢。此外,对于依赖样本距离的算法对数据的数量级非常敏感,本发明采用的为MinMax归一化处理方法,其函数表达式为:
其中,最大值记为max,最小值记为min。
步骤S22:对轴承数据的标签进行独热编码处理,本例中采用独热编码算法,可有效进行多分类问题模型的训练;
步骤S23:对轴承数据进行训练集数据和测试集数据的划分,本例中采用如下方法实现数据集的划分:将n对x取余数(设为y);去除时间序列N中后半部分长度为y的数据,并将剩余数据排列为x行列的数据,所得矩阵即是数据长度为x的组数据,它为训练集和测试集的全部数据;采用留出法将该矩阵划分为训练集和测试集,其中测试集取组数据,剩余组数据作为测试集;最后实现每次划分的训练集以及测试集数据为随机排列的。该方法即将数据整理为所需数据个数的最大组数据以使得训练以及测试的数据量最多。划分的训练集以及测试集的比例为:3:1。选取数据个数的方法:本模型选用“12k Drive End Bearing Fault Data”在转速为1797r/min时的数据,由于采用频率为每秒钟12k,因此可算得一个周期内的数据个数为,如图2所示:
本发明为了减少训练时训练数据与原始数据之间的“数据代沟”而使每组数据集数据个数略小于每周期数据个数416个,选用最接近的2、3的倍数的数字,即384个。
数据集划分的结果下表所示:其中编号0~15分别对应的故障分别为:
'0.007-Ball'、'0.007-InnerRace'、'0.007-OuterRace12'、'0.007-OuterRace3'、'0.007-OuterRace6'、'0.014-Ball'、'0.014-InnerRace'、'0.014-OuterRace6'、'0.021-Ball','0.021-InnerRace'、'0.021-OuterRace12'、'0.021-OuterRace3'、'0.021-OuterRace6'、'0.028-Ball'、'0.028-InnerRace'、'Normal'。“-”前面的数字代表故障直径(程度),后面代表故障位置。
表1数据集划分结果
编号 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
训练集 | 239 | 236 | 238 | 238 | 237 | 237 | 237 | 237 | 237 | 238 | 237 | 237 | 238 | 235 | 235 | 476 |
测试集 | 80 | 79 | 80 | 80 | 80 | 80 | 80 | 80 | 80 | 80 | 80 | 79 | 80 | 79 | 79 | 159 |
步骤S3:构建基于深度自编码器分类的模型寻找轴承数据最有代表性特征以完成轴承数据的多分类问题;
步骤S31:对预处理后轴承数据进行数据增加噪声处理;降噪自编码器期望找到一个避免模型完全复制的方法即改变重构误差,而改变重构误差的方法是通过对原始数据加噪来实现的,它还可以在一定程度上减轻训练集和测试集之间的代沟:因为原始训练集数据的某一部分被破坏掉了,因此其在一定程度上更接近测试数据,从而增加了模型的鲁棒性,降噪自编码器的优化目标是:
步骤S32:采用深度自编码器对轴承数据进行特征提取;自编码器由编码器和解码器构成,其训练过程为:对于训练样本(每个训练样本),编码器通过sigmoid方程将输入向量X转换成潜变量h(每个潜变量),记为:
h=σ(WX+b)
其中,W为m*n维向量,b为m维向量,同理,解码过程则将潜变量h转化成一个重构变量(每个重构变量为),记为:
Z=σ(W'h+b')
其中,W'为n*m维向量,b'为n维向量。网络训练过程是使X和Z的重构误差最小。
步骤S33:在深度自编码器中加入约束以实现稀疏自编码器,稀疏正则化的自编码不能简单地充当恒等函数而要反应原始数据集信息的独特统计特征,为了防止自编码器训练过拟合而得到自身的映射,自编码器训练的正则化方法应用稀疏自编码器,稀疏编码器在稀疏约束下去掉冗杂信息以得到简明的原始信息,在训练时稀疏自编码器简单地结合编码层的重构误差以及稀疏惩罚项Ω(h):
L(x,g(σ(x)))+Ω(h)
步骤S34:构建多分类网络以实现轴承数据多分类,稀疏自编码器常常用于特征学习以便于后续任务的进行,Softmax层是logistic回归的推广,适用于多分类问题,Softmax函数公式为:
对于k分类问题,设训练集为{(x(1),y(1)),...,(x(m),y(m))},其标签为y(i)∈{1,2,3,...,k}。当给定测试输入x时,本例用假设函数对每一个类别j估算出其概率值:
p(y=j|x)
换句话说,Softmax层所做的就是估计x的每一种分类结果出现的概率。对此,假设函数将要输出一个k维的向量(向量的元素和为1)来表示这k个估计的概率值,具体来说,假设的分类函数形式如下:
步骤S4:寻找最佳优化器并构建调整参数模型以完成轴承的故障诊断。
对于自编码器优化的选择,本发明经过以下模型模拟实验:将所需最小化的代价函数视为一个需要寻找最小值的立体平面,把寻找最小值的过程视为小球下落至最低点的过程。那么小球下落过程的平稳性及速度即可直观的反映出来,当模型无鞍点时,如图3所示,当模型出现鞍点时,如图4所示:
由图4可知对于有鞍点平面,三个自适应优化器没有进入鞍点,其中AdaDelta下降速度最快、最稳定。而两个动量优化器虽然进入鞍点但很快就逃离出来。但SGD没能逃离出鞍点。
从以上模拟可知,自适应优化器效果较好且当模型具有鞍点时,AdaDelta效果最好,速度最快,但由于其在训练后期会有明显抖动,故选用对超参数更具鲁棒性的Adam为自编码器的优化器。
对于Softmax层优化器的选择,本发明利用tensorfolw库中封装的一系列优化器,并将其训练结果相互比较,以找到最适用于多分类的优化器并用于该模型。特别地,由于优化器种类较多,本文通过深度自编码网络中的已有模型比较结果,可知AdaGrad算法,RMSProp算法,Adam算法和AdaDelta算法四种自适应学习率优化算法以及NAG动量优化算法在学习速度及稳定性方面表现较为出色,测试结果如表2所示:
表2各算法的测试结果
对于多分类问题,AdaGrad优化器准确率更高、效果更好。对于当前训练效果的评估,该模型选用交叉熵损失函数以得到的当前概率分布与真实分布的差异情况。对于测试集分类效果的评估,该模型选用categorical_accuracy函数以计算所有预测值上的平均正确率。经实验确定自编码器层数为5层,对应节点数为:384,192,96,48,24。解码器的层数同编码器相同,节点数分别为24,48,96,192,384。Softmax层网络节点数为16,从而进行16分类的轴承故障诊断。自编码器模型采用Adam优化器以及均方误差mse函数,每次训练随机排序数据故,nb_epoch取5,batch_size为256,最终结果与比较如表3-6所示。表1为。表2为。表3为深度稀疏自编码器、深度降噪自编码器同深度稀疏降噪自编码器的比较结果表。图4为与最新成果比较结果表。
表3深度稀疏降噪自编码器输出
表4分类器网络输出
表5深度稀疏自编码器、深度降噪自编码器同深度稀疏降噪自编码器的比较
结果
表6与最新成果比较结果表
研究方法 | 随机选取准确率 | 模型最终准确率 | 相对准确率提升(倍) |
Chen Lu堆叠降噪自编码器 | 1/7=14.28% | 92.8% | 5.48 |
本文稀疏降噪自编码器 | 1/16=6.25% | 85.32% | 13.65 |
Claims (8)
1.一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,包括以下步骤:
1)采集轴承运行数据;
2)对采集到的轴承运行数据进行数据预处理和数据划分;
3)构建深度稀疏降噪自编码网络提取轴承运行数据中用以实现故障分类的代表性特征;
4)构建多分类网络并输入代表性特征实现轴承故障的分类诊断。
2.根据权利要求1所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)轴承运行数据的归一化处理,用以防止数据数量级的不同造成量级较大的属性占主导地位并缓解数量级的不同导致的迭代收敛速度变慢;
22)轴承运行数据标签进行独热编码处理,用以实现多分类问题模型的训练;
23)划分训练集数据和测试集数据。
3.根据权利要求2所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤21)中,归一化处理采用MinMax归一化处理方法。
5.根据权利要求2所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)对预处理后轴承运行数据进行增加噪声处理,生成深度降噪自编码器;
32)在深度降噪自编码器中加入约束生成深度稀疏降噪自编码器,即深度稀疏降噪自编码网络;
33)采用优化器对深度稀疏降噪自编码网络参数进行优化;
34)采用参数优化后的深度稀疏降噪自编码网络进行特征提取,获得实现故障分类的代表性特征。
6.根据权利要求5所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤32)中,深度稀疏降噪自编码器的优化目标为:
L(x,g(σ(x)))+Ω(h)
其中,σ(·)为编码器的输出,g(·)为解码器的输出,Ω(h)为稀疏惩罚项,x为预处理后轴承运行数据。
7.根据权利要求5所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤33)中,优化器采用NAG动量优化算法。
8.根据权利要求1所述的一种基于深度稀疏降噪自编码网络的轴承故障诊断方法,其特征在于,所述的步骤4)中,多分类网络采用Softmax分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151068.5A CN111444780A (zh) | 2020-03-06 | 2020-03-06 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151068.5A CN111444780A (zh) | 2020-03-06 | 2020-03-06 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111444780A true CN111444780A (zh) | 2020-07-24 |
Family
ID=71648863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010151068.5A Pending CN111444780A (zh) | 2020-03-06 | 2020-03-06 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444780A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
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 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
-
2020
- 2020-03-06 CN CN202010151068.5A patent/CN111444780A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
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 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
Non-Patent Citations (4)
Title |
---|
李周平: "《网络数据爬取与分析事务》", 30 September 2018, 上海交通大学出版社 * |
焦李成等: "《人工智能、类脑计算与图像解译前沿》", 31 January 2020, 西安电子科技大学出版社 * |
郑树泉等: "《工业智能技术与应用》", 31 January 2019, 上海科学技术出版社 * |
陈仁祥等: "栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断", 《振动与冲击》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
Yang et al. | A hybrid feature selection scheme for unsupervised learning and its application in bearing fault diagnosis | |
CN112364567B (zh) | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 | |
Li et al. | Multiscale dynamic fusion prototypical cluster network for fault diagnosis of planetary gearbox under few labeled samples | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN113420837A (zh) | 基于多源压缩感知的故障诊断方法 | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Al Bataineh et al. | Autoencoder based semi-supervised anomaly detection in turbofan engines | |
Gao et al. | Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network | |
CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 | |
Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN111444780A (zh) | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 |
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: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |