CN112052902B - 滚动轴承故障诊断方法、系统、计算机程序及存储介质 - Google Patents

滚动轴承故障诊断方法、系统、计算机程序及存储介质 Download PDF

Info

Publication number
CN112052902B
CN112052902B CN202010929759.3A CN202010929759A CN112052902B CN 112052902 B CN112052902 B CN 112052902B CN 202010929759 A CN202010929759 A CN 202010929759A CN 112052902 B CN112052902 B CN 112052902B
Authority
CN
China
Prior art keywords
data
network
dimensional
output
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.)
Active
Application number
CN202010929759.3A
Other languages
English (en)
Other versions
CN112052902A (zh
Inventor
刘秀丽
吴国新
徐小力
刘春晓
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Publication of CN112052902A publication Critical patent/CN112052902A/zh
Application granted granted Critical
Publication of CN112052902B publication Critical patent/CN112052902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其包括：将采集到的滚动轴承原始振动信号进行分段和二维堆叠后，得到二维数列；将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；将截取的第n组数据代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；重复前述步骤构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。

Description

滚动轴承故障诊断方法、系统、计算机程序及存储介质
技术领域
本发明涉及一种机械设备故障诊断技术领域，特别是关于一种滚动轴承故障诊断方法、系统、计算机程序及存储介质。
背景技术
滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一，其故障将直接影响机械设备的稳定运行。受工作环境的影响，滚动轴承原始振动信号一般为非平稳、非线性的，且信号中常常夹杂着噪声，且信号数据量量大，信号信息同时包含空间域信息和时域信息，给滚动轴承的故障诊断带来了困难。
发明内容
针对上述问题，本发明的目的是提供一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其能够有效识别滚动轴承振动信号中包含的空间域信息和时域信息，从两个领域同时对信号进行分析，有效提升对于振动信号的特征识别，从而更好的进行滚动轴承故障诊断。
为实现上述目的，本发明采取以下技术方案：一种滚动轴承故障诊断方法，其包括以下步骤：S1、将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；S2、将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；S3、将截取的第n组数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；S4、将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；S5、重复步骤S2-S4构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
进一步，所述二维数列获取方法步骤如下：S11、截取原始振动信号：yn＝y1×[01,02,.....0n-1,11,12,....,1l,0,0..0]截取长度为l的数据，yn为截取的第n组数据；其中，l表示截取长度；11、12、1l表示第1,第2个1，第l个1；S12、将长度为l的数据堆叠为W*H的二维数列y2 n，其中W*H＝l且W,H都是2P的倍数，P为池化层层数，W表示截取数据的宽度,H表示截取数据的高度。
进一步，所述步骤S2中，特征提取步骤如下：
S21、设定卷积核参数并进行卷积乘法：
Figure BDA0002669806560000021
式中，Y1表示卷积核的输出，Kt表示第t个卷积核的权重矩阵；
每一个卷积核进行的卷积乘法会输出一个i*j的二维矩阵，用第t个卷积核计算时获得的二维矩阵表示为
Figure BDA0002669806560000022
K个卷积核最终获得i*j×K的数据，即K个i*j的二维数据，也就是输出Y1；/>
其中，
Figure BDA0002669806560000023
S22、选取最适用于卷积神经网络的激活函数；
a(t,u)＝f(y(t,u))＝max{0,y(t,u)}，
式中，a(t,u)表示卷积层输出y(t,u)的激活值，u表示该卷积核进行的第u步运算；y(t ,u)是
Figure BDA0002669806560000024
的子集，表示第t个卷积核与输入/>
Figure BDA0002669806560000025
进行第u步运算后得到的值；
S23、将新得到的尺寸为i*j的二维矩阵
Figure BDA0002669806560000026
进行padding操作，即在矩阵四周补0，使其尺寸重新变为W*H，得到/>
Figure BDA0002669806560000027
组成的Y1'；
S24、将网络运算得出的Y1'中的K组数据进行一维展开，输出K个一维数据
Figure BDA0002669806560000028
其中/>
Figure BDA0002669806560000029
表示/>
Figure BDA00026698065600000210
的一维展开。
进一步，所述步骤S3中，具体步骤为：
S31、将yn作为输入值x1，代入长短时记忆网络中运算，每一轮运算均得到相应的隐藏状态h(t)作为输出；
S32、重复K轮之后，将每一轮得到的输出进行转置，即得到和卷积神经网络运算后相同格式的数据即H＝{h(1),h(2),...,h(K)}。
进一步，所述步骤S4中，利用残差网络的并联结构进行加权处理的方法为：
将卷积神经网络与长短时记忆网络进行加权处理后输出，作为池化层的输入Y2：
Y2＝UY2+VH+B，
其中，U为卷积支路合并权重，V为LSTM支路合并权重，B为偏执项。
进一步，所述步骤S4中，设定池化层参数，选取池化窗口，窗口大小为pl，步长为ps，其中位置为f,g的池化窗口运算公式为：
Figure BDA0002669806560000031
式中f表示池化层输入Y2中第f个一维矩阵，Y2 (f,t)表示Y2中第f个一维矩阵的第m个值，g表示池化运算的第g步，并且由m和ps决定。
一种滚动轴承故障诊断系统，其包括二维数列构建模块、特征提取模块、长短时记忆网络模块、并联处理模块和输出模块；所述二维数列构建模块将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；所述特征提取模块将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；所述长短时记忆网络模块将截取的第n组数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；所述并联处理模块将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；所述输出模块重复所述特征提取模块、长短时记忆网络模块和并联处理模块的处理，构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
一种计算机程序，其包括有计算机程序指令，所述程序指令用于实现上述故障诊断方法对应的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述程序指令用于实现上述故障诊断方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：1、本发明利用卷积神经网络对于图像空间域特征的分析能力，通过对一维振动信号进行堆叠构成二维信号，载入网络中实现振动信号空间域信息的分析。2、本发明利用长短时记忆网络对于时域特征的分析能力，通过直接载入一维时序振动信号，实现对于振动信号中时域信息的分析。3、本发明采用并联网络的方法可以避免串联不同网络时，下级网络忽略上级网络对于数据的分析结果，保证分析结果中同时的对包含空间域和时域的信息。4、本发明从空间域和时域两个领域同时对信号进行分析，有效提升对于振动信号的特征识别，从而更好的进行滚动轴承故障诊断。
附图说明
图1是本发明的整体流程示意图；
图2是堆叠方式示意图。
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并联卷积神经网络和长短时记忆网络的滚动轴承故障诊断方法，其包括以下步骤：
S1、将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列。
具体步骤如下：
S11、截取原始振动信号：yn＝y1×[01,02,.....0n-1,11,12,....,1l,0,0..0]截取长度为l的数据，yn为截取的第n组数据。其中，l表示截取长度。11、12、1l表示第1,第2个1，第l个1。
S12、将长度为l的数据堆叠为W*H的二维数列
Figure BDA0002669806560000041
其中W*H＝l且W,H都是2P的倍数，P为池化层层数，W表示截取数据的宽度,H表示截取数据的高度，截取方式如图2所示。
S2、将二维数列
Figure BDA0002669806560000042
代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征。
具体步骤如下：
S21、设定卷积核参数并进行卷积乘法：
Figure BDA0002669806560000043
式中，Y1表示卷积核的输出，Kt表示第t个卷积核的权重矩阵，使用Xavier初始化。
要设定的卷积核参数有：卷积核尺寸，即卷积核的长w、宽h、深度l'；卷积核的步长s，卷积核的数量K，其中l'为输入数据的组数。
每一个卷积核进行的卷积乘法会输出一个i*j的二维矩阵，用第t个卷积核计算时获得的二维矩阵表示为
Figure BDA0002669806560000044
K个卷积核最终获得i*j×K的数据，即K个i*j的二维数据，也就是输出Y1；
其中，
Figure BDA0002669806560000045
/>
S22、选取最适用于卷积神经网络的激活函数；
该激活函数为：
a(t,u)＝f(y(t,u))＝max{0,y(t,u)}
式中，a(t,u)表示卷积层输出y(t,u)的激活值，u表示该卷积核进行的第u步运算。y(t ,u)是
Figure BDA0002669806560000046
的子集，表示第t个卷积核与输入/>
Figure BDA0002669806560000047
进行第u步运算后得到的值。
S23、将新得到的尺寸为i*j的二维矩阵
Figure BDA0002669806560000048
进行padding操作，即在矩阵四周补0，使其尺寸重新变为W*H，得到/>
Figure BDA0002669806560000051
组成的Y1'；
S24、将网络运算得出的Y1'中的K组数据进行一维展开，输出K个一维数据
Figure BDA0002669806560000052
其中/>
Figure BDA0002669806560000053
表示/>
Figure BDA0002669806560000054
的一维展开。
S3、将截取的第n组数据yn代入长短时记忆网络分支中，具体步骤如下：
S31、将yn作为输入值x1，代入长短时记忆网络中运算：设置1个Lstm单元，公式如下，设定好单元输入序列长度l，Lstm单元每次的隐藏状态h(t)作为每一次运算的输出。
C(t)＝C(t-1)·σ(Wfh(t-1)+Ufx(t)+bf)+
σ(Wdh(t-1)+Udx(t)+bd)·
tanh(Wah(t-1)+Uax(t)+ba)}
h(t)＝σ(Woh(t-1)+Uox(t)+bo)·tanhC(t-1)
其中C(t)表示细胞状态，σ表示sigmoid激活函数，tanh表示tanh激活函数。Wo、Uo、bo是上一轮输出门的输出项在本轮输出门的线性系数、本轮输出门输入项的线性系数以及本轮输出门偏执项；Wf、Uf、bf是上一轮输入门的输出项在本轮遗忘门的线性系数、本轮遗忘门输入项的线性系数以及本轮遗忘门偏执项；Wd、Ud、bd分别表示输入门中使用sigmoid激活函数的上一轮输出门的输出项在本轮输入门的线性系数、本轮输入门输入项的线性系数以及本轮输入门偏执项；，Wa、Ua、ba分别表示tanh激活函数的上一轮输出门的输出项在本轮输入门的线性系数、本轮输入门输入项的线性系数以及本轮输入门偏执项。以上偏执项和系数使用全0初始化。第t轮得到的输出h(t)为1维矩阵，长度与yn相同，为l。每一轮运算均得到相应的输出h(t)；
S32、重复K轮之后，将每一轮得到的输出进行转置，即得到和卷积神经网络运算后相同格式的数据即H＝{h(1),h(2),...,h(K)}。
S4、将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算，步骤如下：
S41、将卷积神经网络与长短时记忆网络进行加权处理后输出，作为池化层的输入Y2：
Y2＝UY2+VH+B，
其中，U为卷积支路合并权重，V为LSTM支路合并权重，B为偏执项。在并联支路加入权重参数有利于网络结构在传播过程中自动调整参数，可以调整空间域和时间域特征在诊断时的影响因子。
S42、设定池化层参数，选取池化窗口，窗口大小为pl，步长为ps，其中位置为f,g的池化窗口运算公式为：
Figure BDA0002669806560000061
式中f表示池化层输入Y2中第f个一维矩阵，Y2 (f,t)表示Y2中第f个一维矩阵的第m个值，g表示池化运算的第g步，并且由m和ps决定。若
Figure BDA0002669806560000062
则g＝c+1。c表示m除以步长ps的整数结果、b表示余数。
本实施例中利用残差网络的特性构建并联结构，将卷积神经网络输出的频域和空间域特征与长短时记忆网络输出的时域特征并联在一起，实现将这些特征同时提取。通过同时提取，可以在使用提取的特征进行故障诊断时，包含的故障信息更全面清晰，可以提高故障诊断的准确率。
S5、重复步骤S2-S4构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算。再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
本发明还提供一种滚动轴承故障诊断系统，其包括二维数列构建模块、特征提取模块、长短时记忆网络模块、并联处理模块和输出模块；
二维数列构建模块将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；
特征提取模块将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；
长短时记忆网络模块将截取的第n组数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；
并联处理模块将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；
输出模块重复所述特征提取模块、长短时记忆网络模块和并联处理模块的处理，构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
本发明还提供一种计算机程序，其包括有计算机程序指令，所述程序指令用于实现上述各实施例提供的故障诊断方法对应的步骤。
本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述程序指令用于实现上述各实施例提供的故障诊断方法对应的步骤。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域普通技术人员可以意识到，结合上述所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。

Claims (6)

1.一种滚动轴承故障诊断方法，其特征在于包括以下步骤：
S1、将采集到的滚动轴承原始振动信号y1进行分段获得数据yn，对数据yn进行二维堆叠后，得到二维数列
Figure FDA0004179630720000011
S2、将二维数列
Figure FDA0004179630720000012
代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；
S3、将数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；
S4、将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；
S5、重复步骤S2-S4构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型；
所述二维数列获取方法步骤如下：
S11、截取原始振动信号：yn＝y1×[01,02,.....0n-1,11,12,....,1l,0,0..0]截取长度为l的数据，yn为截取的第n组数据；其中，l表示截取长度；11、12、1l表示第1,第2个1，第l个1；
S12、将长度为l的数据堆叠为W*H的二维数列
Figure FDA0004179630720000013
其中W*H＝l且W,H都是2P的倍数，P为池化层层数，W表示截取数据的宽度,H表示截取数据的高度；
所述步骤S2中，特征提取步骤如下：
S21、设定卷积核参数并进行卷积乘法：
Figure FDA0004179630720000014
式中，Y1表示卷积核的输出，Kt表示第t个卷积核的权重矩阵；
每一个卷积核进行的卷积乘法会输出一个i*j的二维矩阵，用第t个卷积核计算时获得的二维矩阵表示为
Figure FDA0004179630720000015
K个卷积核最终获得i*j×K的数据，即K个i*j的二维数据，也就是输出Y1；
其中，
Figure FDA0004179630720000016
w、h分别为卷积核的长、宽；s为卷积核的步长；
S22、选取最适用于卷积神经网络的激活函数；
a(t,u)＝f(y(t,u))＝max{0,y(t,u)}，
式中，a(t,u)表示卷积层输出y(t,u)的激活值，u表示该卷积核进行的第u步运算；y(t,u)是
Figure FDA0004179630720000021
的子集，表示第t个卷积核与输入/>
Figure FDA0004179630720000022
进行第u步运算后得到的值；
S23、将新得到的尺寸为i*j的二维矩阵
Figure FDA0004179630720000023
进行padding操作，即在矩阵四周补0，使其尺寸重新变为W*H，得到/>
Figure FDA0004179630720000024
组成的Y1'；
S24、将网络运算得出的Y1'中的K组数据进行一维展开，输出K个一维数据
Figure FDA0004179630720000025
其中/>
Figure FDA0004179630720000026
表示/>
Figure FDA0004179630720000027
的一维展开；
所述步骤S3中，具体步骤为：
S31、将yn作为输入值x1，代入长短时记忆网络中运算，每一轮运算均得到相应的隐藏状态h(t)作为输出；
S32、重复K轮之后，将每一轮得到的输出进行转置，即得到和卷积神经网络运算后相同格式的数据即H＝{h(1),h(2),...,h(K)}。
2.如权利要求1所述故障诊断方法，其特征在于，所述步骤S4中，利用残差网络的并联结构进行加权处理的方法为：
将卷积神经网络与长短时记忆网络进行加权处理后输出，作为池化层的输入Y2：
Y2＝UY2+VH+B，
其中，U为卷积支路合并权重，V为LSTM支路合并权重，B为偏执项。
3.如权利要求2所述故障诊断方法，其特征在于，所述步骤S4中，设定池化层参数，选取池化窗口，窗口大小为pl，步长为ps，其中位置为f,g的池化窗口运算公式为：
Figure FDA0004179630720000028
式中f表示池化层输入Y2中第f个一维矩阵，
Figure FDA0004179630720000029
表示Y2中第f个一维矩阵的第m个值，g表示池化运算的第g步，并且由m和ps决定。
4.一种滚动轴承故障诊断系统，该系统用于实现如权利要求1至3任一项所述故障诊断方法，其特征在于包括：二维数列构建模块、特征提取模块、长短时记忆网络模块、并联处理模块和输出模块；
所述二维数列构建模块将采集到的滚动轴承原始振动信号y1进行分段和二维堆叠后，得到二维数列；
所述特征提取模块将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；
所述长短时记忆网络模块将截取的第n组数据yn代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；
所述并联处理模块将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；
所述输出模块重复所述特征提取模块、长短时记忆网络模块和并联处理模块的处理，构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
5.一种计算机程序，其特征在于：包括有计算机程序指令，所述程序指令用于实现权利要求1-3中任一项所述故障诊断方法对应的步骤。
6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令，所述程序指令用于实现权利要求1-3中任一项所述故障诊断方法对应的步骤。
CN202010929759.3A 2020-04-16 2020-09-07 滚动轴承故障诊断方法、系统、计算机程序及存储介质 Active CN112052902B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010300833 2020-04-16
CN2020103008335 2020-04-16

Publications (2)

Publication Number Publication Date
CN112052902A CN112052902A (zh) 2020-12-08
CN112052902B true CN112052902B (zh) 2023-05-23

Family

ID=73610374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010929759.3A Active CN112052902B (zh) 2020-04-16 2020-09-07 滚动轴承故障诊断方法、系统、计算机程序及存储介质

Country Status (1)

Country Link
CN (1) CN112052902B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330439B (zh) * 2021-12-28 2023-04-07 盐城工学院 一种基于卷积神经网络的轴承诊断方法
CN114895647A (zh) * 2022-04-13 2022-08-12 哈尔滨工程大学 一种面向小样本船舶零件故障数据的诊断方法及可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875406A (zh) * 2003-10-29 2006-12-06 皇家飞利浦电子股份有限公司 用于在记录载体上以连续的凹坑标记的形式记录信息的记录装置和方法
CN107492121A (zh) * 2017-07-03 2017-12-19 广州新节奏智能科技股份有限公司 一种单目深度视频的二维人体骨骼点定位方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN109359519A (zh) * 2018-09-04 2019-02-19 杭州电子科技大学 一种基于深度学习的视频异常行为检测方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN110532564A (zh) * 2019-08-30 2019-12-03 中国人民解放军陆军工程大学 一种基于cnn和lstm混合模型的应用层协议在线识别方法
CN110534118A (zh) * 2019-07-29 2019-12-03 安徽继远软件有限公司 基于声纹识别和神经网络的变压器/电抗器故障诊断方法
CN110763913A (zh) * 2019-10-14 2020-02-07 南京信息工程大学 一种基于信号分段分类的导数谱平滑处理方法
CN110781830A (zh) * 2019-10-28 2020-02-11 西安电子科技大学 基于空-时联合卷积的sar序列图像分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
CN107239824A (zh) * 2016-12-05 2017-10-10 北京深鉴智能科技有限公司 用于实现稀疏卷积神经网络加速器的装置和方法
US11087206B2 (en) * 2017-04-28 2021-08-10 Intel Corporation Smart memory handling and data management for machine learning networks
US10908602B2 (en) * 2017-08-02 2021-02-02 Strong Force Iot Portfolio 2016, Llc Systems and methods for network-sensitive data collection
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875406A (zh) * 2003-10-29 2006-12-06 皇家飞利浦电子股份有限公司 用于在记录载体上以连续的凹坑标记的形式记录信息的记录装置和方法
CN107492121A (zh) * 2017-07-03 2017-12-19 广州新节奏智能科技股份有限公司 一种单目深度视频的二维人体骨骼点定位方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN109359519A (zh) * 2018-09-04 2019-02-19 杭州电子科技大学 一种基于深度学习的视频异常行为检测方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110033101A (zh) * 2019-03-07 2019-07-19 华中科技大学 基于融合特征的知识图谱的水电机组故障诊断方法和系统
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110534118A (zh) * 2019-07-29 2019-12-03 安徽继远软件有限公司 基于声纹识别和神经网络的变压器/电抗器故障诊断方法
CN110398369A (zh) * 2019-08-15 2019-11-01 贵州大学 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN110532564A (zh) * 2019-08-30 2019-12-03 中国人民解放军陆军工程大学 一种基于cnn和lstm混合模型的应用层协议在线识别方法
CN110763913A (zh) * 2019-10-14 2020-02-07 南京信息工程大学 一种基于信号分段分类的导数谱平滑处理方法
CN110781830A (zh) * 2019-10-28 2020-02-11 西安电子科技大学 基于空-时联合卷积的sar序列图像分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"An End-to-end model based on CNN-LSTM for industrial Fault Diagnosis and Prognosis";Gao Yue等;《2018 International conference on Network Infrastructure and Digital Content》;第274-278页 *
"Combining 2D CNN and Bidirectional LSTM to Consider Spatio-Temporal Features in Crop Classification";Geun-Ho Kwak等;《Korean Journal of Remotes Sensing》;第35卷(第5期);第681-692页 *
"一种用于轴承故障诊断的二维卷积神经网络优化方法";肖雄等;《中国电机工程学报》;第39卷(第15期);第4558-4567页 *
"利用并联CNN-LSTM的调制样式识别算法";赵知劲等;《信号处理》;第35卷(第5期);第870-876页 *
"基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法";李恒等;《震动与冲击》;第37卷(第19期);第124-131页 *

Also Published As

Publication number Publication date
CN112052902A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052902B (zh) 滚动轴承故障诊断方法、系统、计算机程序及存储介质
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN109598306B (zh) 基于srcm和卷积神经网络的高光谱图像分类方法
CN108614992B (zh) 一种高光谱遥感图像的分类方法、设备及存储设备
CN109493338B (zh) 基于联合提取空谱特征的高光谱图像异常检测方法
CN110705525A (zh) 一种诊断滚动轴承故障的方法及装置
CN107944483B (zh) 基于双通道dcgan和特征融合的多光谱图像分类方法
CN111027509B (zh) 一种基于双流卷积神经网络的高光谱图像目标检测方法
CN115240072B (zh) 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN113705641A (zh) 基于富上下文网络的高光谱图像分类方法
CN107392863A (zh) 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法
CN116399588A (zh) 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法
CN112052758A (zh) 基于注意力机制和循环神经网络的高光谱图像分类方法
CN112711032B (zh) 一种基于图数据和gcn的雷达目标检测方法及系统
CN110866552B (zh) 基于全卷积空间传播网络的高光谱图像分类方法
CN103810710B (zh) 基于半监督降维和显著图的多光谱图像变化检测方法
CN107358625A (zh) 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法
CN109460788B (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
CN110135309B (zh) 基于深度共享表示的sar图像变化检测方法
CN113887656B (zh) 一种联合深度学习与稀疏表示的高光谱图像分类方法
CN109345537B (zh) 基于高阶多尺度crf半监督的sar图像分割方法
CN114760128A (zh) 一种基于重采样的网络异常流量检测方法
CN113449465A (zh) 一种用于滚动轴承的寿命预测方法
CN106372669A (zh) 一种双阶自适应的小波聚类方法
CN108460392B (zh) 基于网络结构优化的sar图像变化区域检测方法

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
GR01 Patent grant
GR01 Patent grant