CN111797567A - 一种基于深度学习网络的轴承故障分类方法及系统 - Google Patents

Abstract

本发明提供一种基于深度学习网络的轴承故障分类方法及系统，分类方法包括：设定采样频率，采集轴承在不同工况下的振动信号数据；将取得的振动信号数据进行分段构建多个样本；分解处理每个样本的振动信号数据得出多个模态分量，实现有效成分分离；构建具有残差单元的深度网络，用随机搜索法确定合适的网络深度；将训练集输入深度残差网络进行迭代训练并获取分类模型；将测试集输入分类模型，取得故障分类结果。本发明的分类方法将变分模态分解和深度残差网络相结合，解决了输入数据存在噪声干扰和有效成分存在交叉混叠、网络深化导致识别梯度消失、性能退化导致分类效果变差的问题，实现了不受转速变化影响的故障特征提取，提高了故障分类准确性。

Description

一种基于深度学习网络的轴承故障分类方法及系统

技术领域

本发明属于轴承故障诊断技术领域，涉及一种基于深度学习网络的轴承故障分类方法及系统。

背景技术

高速列车走行部轴径轴承在运行中一旦发生故障，直接导致车毁人亡，后果不堪设想。因此，需要对其走行部轴径轴承的状态进行监控，及时进行早期故障特征提取、分类判断。相关统计数据显示，大约30％的旋转机械故障是由滚动轴承的损坏造成的；感应电机故障中的滚动轴承故障约占电机故障的40％，齿轮箱各类故障中的轴承故障率仅次于齿轮而占20％。因此，对高速列车走行部轴径轴承的状态监控对高速列车的正常运转有着重要的意义。

对高速列车走行部的轴径轴承进行健康状态监测的首要问题是：如何在车速(轴承转速)波动变化的情况下，排除转速波动对故障信号特征提取的影响，准确提取其早期故障特征。在高铁运行过程中，除了按额定的车速例如300km/h稳定运行以外，还存在诸如进站、出站、转弯、迎面会车、加速、减速、紧急制动等列车非稳定运行工况，导致车速缓变、突变、剧变，使列车轴承承受更大的载荷冲击。因此早期故障发生时，列车可能处于任意的车速状态，获得的监测信号必然是稳定车速或非稳定车速或它们组合的工况下的振动数据，而车速的变化会引起振动信号的故障特征的变化。因此需要建立一种不受转速波动影响的故障信号特征识别分类方法。

高速列车结构复杂、运行环境恶劣，轴承故障信号可能被掩蔽在背景干扰信号之中，加之轴承元件的相互碰撞使多种故障的复合、振动信号相互叠加，监测到的信号成分更加复杂。因此需要一种能够从强背景干扰中分离和提取出早期故障信号特征的有效方法。

鉴此，要解决上述两个问题，方能获取高速列车走行部的轴径轴承健康状态监测的第一手真实数据，才能开展后续的诊断工作。

轴承故障诊断大致分为两步：特征提取、故障分类，关键在于特征提取。基于信号处理和机器学习的故障诊断方法，虽然可以通过信号处理技术实现有效成分的分离，达到降噪的效果，但是一般的机器学习模型不具备特征提取能力，仍需要对有效成分分析并设计特征参数以实现分类。而特征设计需要大量的先验知识，根据特定转速数据设计出的故障特征对全部转速变化范围内的数据适应性较差，影响全部车速范围的故障分类结果。

深度学习属于机器学习中可以自适应提取特征参数的智能算法，通过迭代训练得到的特征，不依赖专家经验，提取的故障特征其转速鲁棒性更好，弱化了转速变化对信号特征提取的干扰。但是，深度学习模型无法从强背景干扰中实现有效成分分离，不能对含噪声的复杂信号进行降噪提取与识别，因此需要为深度学习方法解决强背景干扰的信号降噪和有效成分抗混叠问题。

同时，深度学习网络深度对最后的识别和分类效果有着很大的影响，网络越深，梯度消失的现象就越来越严重，网络退化现象明显，训练效果变差；但网络深度越浅对故障特征的识别效果越弱。因此要进行合理的网络深度设计并解决网络深化导致的梯度消失、性能退化问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习网络的轴承故障特征提取与分类方法及系统，实现故障特征自适应提取，弱化转速对故障特征提取识别的影响，提高模型的转速鲁棒性。同时解决现有技术中深度残差网络输入数据降噪和有效成分抗混叠、网络深化导致的梯度消失、性能退化导致的分类效果变差的问题。

为达到上述目的，本发明提供一种基于深度学习网络的轴承故障特征提取与分类方法及系统，包括以下步骤：

设定采样频率，分别采集轴承在稳态工况和变转速工况下的振动信号数据；

将取得的振动信号数据进行分段，构建多个样本；

对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量；

将所述样本中的振动信号数据根据转速分为训练集和测试集，其中训练集来自稳态转速工况，测试集来自变转速工况；

根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索选定残差单元个数，确定深度残差网络最终结构；

将所述训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型；其中，在所述的深度残差网络结构中，深度残差网络的初始通道数与所述模态分量的个数相同；

将所述测试集输入至所述分类模型，取得故障分类结果。

于本发明的一实施例中，所述的每个样本的分段长度大于所述轴承在每个旋转周期内的数据个数。

于本发明的一实施例中，所述的对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量包括：

预设二次惩罚因子和初始分解层数，对所述样本的振动信号数据构建变分问题；

引入二次惩罚因子α与拉格朗日乘子λ(t)得到扩展表达式，并不断迭代寻求所述表达式的鞍点得到模态分量

计算模态分量

与所述样本的振动信号数据f(t)的谱相关系数最小值，当谱相关系数最小值小于设定阈值时，得到最小分解层数为K，从而确定变态分解后的模态分量个数为K-1。

于本发明的一实施例中，所述分解层数的上限为10。

于本发明的一实施例中，在所述深度残差网络中，将每个一维模态分量折叠为32×32矩阵形式。

于本发明的一实施例中，所述的损失值趋于稳定，包括：在每次迭代完成后，计算交叉熵损失值，以交叉熵损失值最小为目标，优化调整深度残差网络的卷积层、全连接层的权重，进入下一次迭代，直至所述损失值趋于稳定。

于本发明的一实施例中，所述的深度残差网络的第一卷积层包含多个通道，所述通道的个数与所述模态分量的个数相同。

于本发明的一实施例中，在所述的构建深度残差网络的网络结构，包括：

依照设定的残差单元的个数范围进行一次随机搜索，取得一组随机值；

利用所述随机值构建深度网络基本结构；

选取所述训练集输入至所述深度网络基本结构进行训练，得到准确率和损失函数；

在完成设定随机搜索次数后，取得准确率最高、损失函数最小的随机值作为各残差单元组中对应最优的残差单元的个数。

于本发明的一实施例中，所述的残差单元的个数范围设定为1～6。。

如上所述，本发明的轴承故障分类方法，将变分模态分解VMD和深度残差网络ResNet相结合，发挥VMD在信号预处理上的优势和深度残差网络ResNet算法自适应特征提取的能力，综合实现故障特征提取与分类。

VMD用于模态分离，将复杂信号分解为多个分信号，但是不对分信号进一步处理，可节省大量的计算时间，提高特征提取的实时性；

采用深度学习ResNet算法，构建具有深度的网络结构进行非线性变换，实现自适应特征提取；

使用残差单元在计算梯度时加入了残差计算，在一定深度的网络梯度消失时，通过构建恒等映射，至少不会引起网络性能的下降，缓解ResNet梯度消失引发的退化问题；

通过随机搜索寻找较优参数，构建出合理的深度，避免层数过深或过浅导致分类结果不理想。

附图说明

图1显示为本发明的轴承故障分类方法于一实施例中的流程图。

图2显示为外圈单点故障在载荷2kn，转速2000rpm下的波形示意图。

图3显示为外圈单点故障在载荷2kn，转速3000rpm下的波形示意图。

图4显示为外圈单点故障在载荷2kn，转速4000rpm下的波形示意图。

图5显示为外圈单点故障在载荷2kn，变转速2000～4000～2000rpm下的波形示意图。

图6显示为外圈单点故障信号样本通过VMD分解为3个模态分量的波形示意图。

图7显示为深度残差网络的残差单元示意图。

图8显示为本发明的深度残差网络中conv2_x层示意图。

图9显示为本发明的深度残差网络在迭代训练时的损失值曲线图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，本发明提供一种基于变分模态分解(以下简称VMD)和深度残差网络(以下简称ResNet)的轴承故障分类方法，包括：

S1，设定采样频率，分别采集轴承在稳态工况和变转速工况下的振动信号数据。由于实际工作状态下的滚动轴承其转速、载荷均在不断波动、变化，因此，轴承试验装置上的被试轴承很难获取真实个状况下所有转速的振动故障数据。因此，为尽可能的模拟实际滚动轴承所对应的转速工况，将被试的滚动轴承分别在稳态工况和变转速工况下进行运转，采集两种工况下的振动信号数据，以获得主要速度范围内的振动数据。其中，稳态工况是指轴承试验装置上设定的转速和载荷维持不变；变转速工况是指轴承试验装置设定的载荷维持不变而转速按设定的规律不断变化。

所要诊断的轴承需要将其安装在轴承试验装置上进行振动信号数据的采集，轴承试验装置由轴承试验主机、冷却站、加载站和润滑站等配套设备构成，轴承试验装置属于现有设备，在此不做赘述。振动信号数据的采集主要是利用安装在轴承试验主机上的3向加速度振动传感器和单向加速度振动传感器进行采集。

S2，将取得的振动信号数据进行分段，构建多个样本。在分段过程中，为保证所有工况下每个样本的完整性，其每个样本的分段长度需大于滚动轴承每个旋转周期的数据个数(数据个数＝采样点数×60/转速，采集频率＝采样点数据，即若采集频率为20480Hz则采样点数据为每秒获取20480个点，同时，振动信号数据被以2的整数次方选取样本的分段长度。

S3，利用VMD分解每个样本的振动信号数据f(t)，得到K个模态分量，总尺寸为K×1024，包括：

S31，在VMD分解时预设二次惩罚因子α，并预设初始分解层数K为2，对分段后的样本中的数据f(t)构建变分问题，数据描述如下：

式中，{u_k}＝{u₁,u₂,···,u_k}表示分段信号分解得到的模态分量，{ω_k}＝{ω₁,ω₂,···,ω_k}代表各个模态分量的频率中心，f(t)表示分段后的振动信号数据，δ(t)为狄拉克函数，

为指数项。

S32，引入二次惩罚因子α与拉格朗日乘子λ(t)后得到扩展的拉格朗日表达式：

式中，{u_k}＝{u₁,u₂,···,u_k}表示分段信号分解得到的模态分量，{ω_k}＝{ω₁,ω₂,···,ω_k}代表各个模态分量的频率中心，f(t)表示分段后的振动信号数据，δ(t)为狄拉克函数，

为指数项。

S33，使用交替方向乘子法，通过不断迭代寻求上式的鞍点，可得到

和λⁿ⁺¹(ω)，直到满足条件

则迭代停止，对

进行傅里叶逆变换得到模态分量

其中，

S34，计算所有

与f(t)的谱相关系数ρ₁,ρ₂,···,ρ_k，其中，

找出最小值ρ_min，若小于设定阈值，则确定最小分解层数K＝K-1；否则令K＝K+1，重复S2；直至得到K值。其中，K的上限设为10。

以外圈单点故障信号样本为例，通过计算发现，当K＝3时，可得到不错的分解效果，此时VMD分解后得到3个模态分量

总尺寸为3×1024，如图6所示。

VMD用于模态分离，将采集到的复杂的轴承振动信号数据分解为多个模态分量，即将振动信号分解成多个分信号，但是不对模态分量进一步处理，可节省大量的计算时间，提高特征提取的实时性。

S4，将振动信号数据分为训练集和测试集。将从稳定工况下选取的振动信号数据作为训练集，从变转速工况下选取的振动信号数据作为测试集。

S5，根据模态分量的个数来构建深度残差网络的输入通道，搭建基本网络框架，通过随机搜索确定具体深度。将训练集输入ResNet进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型。其中，在训练过程中，每次迭代完成后计算SOFTMAX函数输出的交叉熵损失值，ResNet以交叉熵损失值最小为目标，优化调整ResNet的卷积层、全连接层的权重ω，进入下一次迭代，直至损失值趋于稳定。

在本发明中，使用VMD对复杂信号分解并获得各个模态分量后，利用ResNet构建具备有深度网络的结构进行非线性变换，实现自适应特征提取。

在S5中，ResNet主要通过卷积核空间移动提取局部特征，这里使用模态分量数据而非波形图作为ResNet的输入，将每个一维模态分量折叠为32×32矩阵形式，使卷积核在二维空间移动提取特征。

在S5中，构建ResNet的基本网络框架，具体可以是：

首先，设计ResNet的网络基本结构。其中，ResNet的网络结构分为五层，分别为conv1、conv2_x～conv4_x和全连接层和SOFTMAX函数。第一层为conv1卷积层，初始预设conv1卷积层包含有多个通道，通道数量与VMD分解后得到的模态分量个数相同。同时，设定卷积核大小、个数和补偿，经过卷积运算

得到特征数据的数据尺寸，式中，

表示输入数据，

表示输出数据，

表示卷积核的权重矩阵，

为卷积核的偏置矩阵，*表示卷积运算；σ为relu激活函数，可以缓解过拟合现象，表达式为y＝max(x,0)，卷积后采用最大池化Max Polling提取区域内最大值，实现数据的降维，减少网络的参数和计算量，取得池化后的数据尺寸。

conv2_x～conv4_x即为残差单元组，如图7所示，本质上是构建了残差关系的多个卷积层。残差单元是用于解决深度神经网络的退化问题，即网络深度增加未能使准确率增加、梯度出现下降的问题，示意图如下。假设信号x经过两层后的输出为H(x)，加入残差单元后构成F(x)＝H(x)-x。当一定深度的网络梯度消失时，残差F(x)为0，此时堆叠的部分相当于做恒等映射，至少不会引起网络性能的下降，以此确定各残差单元组中残差单元个数。

最后为全连接层和SOFTMAX函数，全连接层可将1024个通道的特征数据对应到已设定的轴承类别，数学表达式为

式中a_j为输出的一维向量11×1，a_i为上一层通道传递的数值，σ为relu激活函数。SOFTMAX函数将a_j值换算成概率q_j，q_j代表轴承属于每种故障类别的概率，表达式为

再优化ResNet网络基本结构的深度。ResNet的网络结构深度对训练后的分类模型有很大影响。虽然，残差单元在一定程度上解决了退化问题，可以构建很深的结构，但是网络越深，梯度消失的风险就越大，训练效果会变差；但浅层的网络又无法明显提升网络的识别效果。因此，需要寻找较优的网络参数，构建出合理的深度，避免层数过深或过浅导致分类结果不理想。

其中，优化ResNet的网络结构深度，具体为：利用随机搜索确定ResNet网络结构中conv2_x、conv3_x、conv4_x中对应残差单元的个数，以此来确定网络结构深度，同时，比对每次随机搜索后的准确率和损失函数，取得最优的各残差单元组中残差单元个数。在开始随机搜索过程之前，本发明将残差单元的个数范围设定为1～6，随机搜索次数设定为20次，ResNet迭代次数设为100。同时，在随机搜索过程中，ResNet使用随机值来构建网络结构，并选取一半的训练集进行训练，得到准确率和损失函数。

上述的取得最优的各残差单元组中残差单元个数，具体是：将每次随机搜索后的准确率和损失函数，与上一次搜索的结果作比较，保留准确率较高、损失函数较小的数值，在完成随机搜索次数后，取得准确率最高、损失函数最小的数值，以此分别确定conv2_x、conv3_x、conv4_x的残差单元个数，完成ResNet网络结构深度的优化。

在S5中，利用优化后的ResNet的网络结构输入训练集，进行迭代训练。在S5的训练过程中，每次迭代完成后，计算SOFTMAX输出的q_j与真实分布p_j之间的交叉熵损失值

ResNet以交叉熵损失值最小为目标，优化调整ResNet的卷积层、全连接层的权重ω，进入下一次迭代，直至损失值趋于稳定，则完成训练。

S6，将测试集输入分类模型，取得该轴承的故障分类结果。

本发明还提供了一种实现上述基于深度学习网络的轴承故障分类方法的故障分类系统，该故障分类系统包括上述轴承试验装置，用于对不同故障状态的轴承进行分类试验。

分类系统还包括：

信号采集模块用于通过设置于轴承试验装置机罩上的3向加速度振动传感器和单向加速度振动传感器，分别采集轴承在稳态工况和变转速工况下的轴承振动信号数据；

故障特征信号处理模块，用于将取得的振动信号数据进行分段构建多个样本，对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量，同时，根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索确定残差单元个数，确定深度残差网络最终结构；

以及轴承故障分类模块，与所述故障特征信号处理模块连接，用于将振动信号数据的训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型，并利用训练好分类模型录入振动信号数据的测试集进行故障分类。需要说明的是，在本实施例中，上述轴承试验装置，信号采集模块，故障特征信号处理模块及轴承故障分类模块的功能详见上文的方法部分中的各步骤，在此不做赘述。

需要说明的是，上述所述计轴承故障分类系统中的故障特征信号处理模块及轴承故障分类模块，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分单元通过处理元件调用软件的形式实现，部分单元通过硬件的形式实现。此外这些单元全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的部分或全部步骤，或以上故障特征信号处理模块及轴承故障分类模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

需要说明的是，本实施例的轴承故障分类方法及处理系统还可以通过一电子设备来实现上述的故障特征信号处理模块及轴承故障分类模块的功能，所述电子设备包括相互连接的存储器、处理器及通信器，所述存储器存储有计算机程序，该程序被所述处理器执行时实现所述轴承故障分类方法。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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；上述的存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。

第一实施例

选择正常轴承、滚子故障、内圈故障、外圈故障、外圈滚子复合型故障和内圈滚子复合型故障以上5类故障，根据故障点个数又分别分为单点故障和多点故障，供11种状态下的轴承。

S1，采集频率设定为20480Hz，(即采样点数据为每秒获取20480个点)，为滚动轴承设定8种工况(如表1所示)，分别为6种稳态工况和2种变转速工况，表1中F表示滚动轴承所受载荷，n表示滚动轴承的转速，n＝2000～4000～2000rpm表明滚动轴承转速从2000rpm-4000rpm-2000rpm依次变化。针对每一种工况采集对应的振动信号数据。

表1

其中，转速的改变对振动信号数据存在影响，以外圈单点故障的滚动轴承为例，如图2-5所示，采集该滚动轴承在2000rpm、3000rpm、4000rpm以及2000～4000～2000rpm的不同转速情况下所产生的波形，可见，不同转速下其滚动轴承的波形不同。

S2，将振动信号数据进行分段，构建多个样品，由于滚动轴承转速最慢2000rpm、最快4000rpm，每个旋转周期分别有约614、307个数据，为保证所有工况下样本的完整性，分段时点数应大于614，又因信号分析以2的整数次方选取分段长度，因此确定为2的10次方，即1024为每段数据的采样点数。

S3，设置VMD分解时的二次惩罚因子α＝2000、分解层数K初始设为2，对分段后的样本中的数据f(t)构建变分问题，最终得到K值为3，VMD分解后得到3个模态分量

总尺寸为3×1024。

S4，每种轴承在6种稳态工况各选取400个数据作为训练集，数目为11×6×400；在6种稳态工况剩余数据中各选取100个数据作为测试集1，数目为11×6×100；变转速工况中各选取100作为测试集2，个数为11×2×100。

S5，将每个轴承的训练集输入ResNet进行迭代训练，ResNet网络结构如表2所示，在损失值趋于稳定时，完成训练。

其中，ResNet基本网络结构的各层尺寸见表2。

表2

其中，conv1卷积层，包含3个通道，对应VMD模态分量的个数。卷积核大小为3×3，个数为64，步长1，经过卷积运算得到数据尺寸为64×32×32，池化后尺寸为64×16×16。

ResNet的基本网络结构中，如图2所示，conv2_x包含k1个残差单元，每个残差单元由三个卷积层构成，分别使用1×1、3×3、1×1卷积核，通道数分别为64、64、256，步长1。1×1卷积的使用大大减少了参数的运算量，同时增加了深度，如图8所示。conv3_x、conv4_x结构与conv2_x类似，分别包含k2、k3个残差单元，但是它们的第一个残差单元中，3×3卷积核的步长为2，其余卷积核步长为1，conv3_x、conv4_x实现数据的降维处理。在conv4_x处理结束后得到的数据尺寸为1024×4×4。

在本实施例中，对建立的ResNet网络结构进行深度设计，使用随机搜索得到conv2_x、conv3_x、conv4_x中残差单元的个数，k1、k2、k3分别为2、4、4，得到ResNet优化结构。

在本实施例中，利用优化后的ResNet网络结构，迭代次数在500代左右时，由下图9可见，迭代次数在500代左右时，损失值趋于稳定，停止迭代，训练完成保存ResNet模型。利用本实施例的方法训练出的ResNet模型以下简称为VMD-ResNet模型。

S6，将每个轴承的测试集输入ResNet，取得该滚动轴承的故障分类结果。

在本实例中，还将本实施例训练优化后得到的VMD-ResNet模型与VMD-ResNet50模型、传统机器学习SVM、不采用VMD的ResNet模型进行对比。

由于SVM无法自适应提取特征，对VMD分解后的各分量提取峰值、均方根、波峰因子、脉冲系数、形状系数、峭度这些轴承故障诊断常用的特征指标，用于SVM的训练和诊断。使用未分解的原始数据进行ResNet的训练和分类。ResNet 50为经典50层深度残差网络，根据表2将k1、k2、k3设为3、10、3，实现适用于VMD分解的50层深度残差网络，验证网络深度的优化效果。

表3不同方法对测试集的分类结果

由表3可知，VMD-ResNet模型在测试集1、2下的分类准确率都高于传统机器学习SVM、不采用VMD的ResNet模型。由于数据集中包含复合型轴承故障，基于传统的特征参数提取和SVM的故障分类效果整体差于深度学习方法ResNet。VMD预处理可以提高ResNet的分类效果。在变转速的测试集2下各方法的分类结果普遍变差，但是本发明仍然保持在95％以上，高于其他方法，与测试集1的偏差也是三者最小。说明转速变化对VMD-ResNet模型影响相对较小，鲁棒性更好。

同时，对比VMD-ResNet和VMD-ResNet50模型的准确率，可见VMD-ResNet模型网络深度为32层，小于VMD-ResNet50模型，参数计算量减少并且分类准确率得到了提高，提升了模型的分类性能。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于深度学习网络的轴承故障分类方法，其特征在于，包括以下步骤：

设定采样频率，分别采集轴承在不同工况下的振动信号数据；

将取得的振动信号数据进行分段，构建多个样本；

对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量；

将所述样本中的振动信号数据根据转速情况分为训练集和测试集，其中训练集来自稳态转速工况，测试集来自变转速工况；

根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索确定残差单元个数，确定深度残差网络最终结构；

将所述训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型，其中，在所述的深度残差网络结构中，深度残差网络的初始通道数与所述模态分量的个数相同；

将所述测试集输入至所述分类模型，取得故障分类结果。

2.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的每个样本的分段长度大于所述轴承在每个旋转周期内的数据个数。

3.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量包括：

预设二次惩罚因子和初始分解层数，对所述样本的振动信号数据构建变分问题；

引入二次惩罚因子α与拉格朗日乘子λ(t)得到扩展表达式，并不断迭代寻求所述表达式的鞍点得到模态分量

计算模态分量

与所述样本的振动信号数据的谱相关系数最小值，当谱相关系数最小值小于设定阈值时，得到最小分解层数为K，确定变态分解后的模态分量个数为K-1。

4.根据权利要求3所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述分解层数的上限为10。

5.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：在所述深度残差网络中，将每个一维模态分量折叠为32×32矩阵形式。

6.根据权利要求5所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的损失值趋于稳定，包括：在每次迭代完成后，计算交叉熵损失值，以交叉熵损失值最小为目标，优化调整深度残差网络的卷积层、全连接层的权重，进入下一次迭代，直至所述损失值趋于稳定。

7.根据权利要求5所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的深度残差网络的第一卷积层包含多个通道，所述通道的个数与所述模态分量的个数相同。

8.根据权利要求7所述的基于深度学习网络的轴承故障分类方法，其特征在于：在所述的构建深度残差网络的网络结构，包括：

依照设定的残差单元的个数范围进行一次随机搜索，取得一组随机值；

利用所述随机值构建深度网络基本结构；

选取所述训练集输入至所述深度网络基本结构进行训练，得到准确率和损失函数；

在完成设定随机搜索次数后，取得准确率最高、损失函数最小的随机值作为各残差单元组中对应最优的残差单元的个数。

9.根据权利要求8所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的残差单元的个数范围设定为1～6。

10.一种基于深度学习网络的轴承故障分类系统，包括：

信号采集模块，用于采集轴承在不同工况下的轴承振动信号数据；

故障特征信号处理模块，用于将取得的振动信号数据进行分段构建多个样本，对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量，同时，根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索确定残差单元个数，确定深度残差网络最终结构；

以及，轴承故障分类模块，与所述故障特征信号处理模块连接，用于将所述振动信号数据的训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型，并利用训练好分类模型录入所述振动信号数据的测试集进行故障分类。

Images