CN112067294A - 基于深度学习的滚动轴承智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的滚动轴承智能故障诊断方法，将振动加速度传感器设置在滚动轴承处，采集在多个故障状态和正常状态下的一维时间序列故障数据，并进行预处理，将预处理后的所述数据划分为训练集、验证集和测试集，建立改进的CNN诊断模型，将所述训练集中的数据输入模型用于模型参数的训练和学习，运用验证集的数据对训练过程中的CNN诊断模型诊断准确率进行实时验证，直到获取合适的CNN诊断模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的CNN诊断模型参数，最后将测试集的样本数据输入到已训练改进CNN诊断模型中完成最终的测试，得到最终的故障诊断结果。

Description

基于深度学习的滚动轴承智能故障诊断方法

技术领域

本发明涉及滚动轴承故障诊断及检测的技术领域，尤其涉及一种基于深度学习的滚动轴承智能故障诊断方法。

背景技术

随着现代工业技术的快速发展，机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展，滚动轴承的是机械装备中最重要的支撑回转部件之一，常因其工作负荷等影响易于发生各类故障，滚动轴承的运行精度和安全可靠性直接影响机械装备的总体性能，因此对滚动轴承进行故障诊断至关重要，在本发明之前，目前市面上针对滚动轴承的故障诊断和状态监测的产品或方法较为稀少，不能满足技术人员智能故障诊断和在线状态监测的需求，Hinton等在《Science》上发表文章提出深度学习理论，它利用深层神经网络对输入样本数据逐层贪婪学习并自动提取代表性特征，它强大的特征提取能力具备识别微小故障特征的潜力，克服了传统智能诊断方法中的固有缺陷，近5年开始受到故障诊断领域学者的关注。而卷积神经网络(Convolutional Neural Network,CNN)是深度学习重要的分支之一，它具有强大的特征提取能力，目前主要应用于图像识别。近年来有部分学者将CNN应用于故障诊断领域，但仍使用传统的特征提取方法进行特征提取前处理，未能充分利用CNN强大的特征提取能力，传统的卷积神经网络参数量过多，容易引起CNN模型训练过拟合，导致传统CNN模型因参数量过多使得在用在于故障在线诊断时测试耗时过长，不利于故障的实时快速诊断。

发明内容

本发明的目的在于提供一种基于深度学习的滚动轴承智能故障诊断方法，减少模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。

为实现上述目的，本发明提供了一种基于深度学习的滚动轴承智能故障诊断方法，包括：

采集一维时间序列故障数据，获取原始故障数据集；

对所述一维时间序列故障数据进行预处理；

划分数据集；

建立改进的CNN诊断模型；

验证CNN诊断模型的诊断结果是否出现过拟合现象；

结束训练，保存最佳模型参数；

完成最终测试，得到最终诊断结果。

其中，所述对采集一维时间序列故障数据，获取原始故障数据集，包括：

将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集。

其中，所述对所述一维时间序列故障数据进行预处理，包括：

对采集到的所述一维时间序列故障数据传入输入层，进行标准化数据处理，将所有数据点的值的量级转变为0～1之间。

其中，所述对所述一维时间序列故障数据进行预处理，还包括：

对标准化处理后的所述数据进行等分截断，建立二维特征图。

其中，所述建立二维特征图，包括：

所述等分截断后得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段的长度为k个数据点，然后将每个包含了K个数据点的等长的一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]。

其中，所述划分数据集，包括：

在预处理后的每类故障的多个样本中随机的选取30％的样本数量作为测试集，在剩余的70％的样本中随机取80％作为训练集、20％作为验证集。

其中，所述建立改进的CNN诊断模型，包括：

所述改进的CNN诊断模型的输入层进行标准化的预处理后将建立的所述二维特征图输送给特征提取层，经过特征提取层处理后的特征图输送给降维减参层，最后输送给softmax分类输出层。

其中，所述建立改进的CNN诊断模型后，所述方法还包括：

将所述训练集的数据输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。

其中，所述验证CNN诊断模型的诊断结果是否出现过拟合现象，包括：

用所述验证集的数据对训练过程中的CNN诊断模型诊断准确率进行实时验证；

若随着模型训练迭代轮数的增加，当验证集上的准确率与训练集上的准确率持续增涨时，则模型训练正常，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数；

若随着模型训练迭代轮数的增加，当训练集上的准确率持续增涨而验证集上的准确率没有增涨，且两者准确率差达到预设值时，则诊断模型出现过拟合，停止模型训练，跳转执行将所述训练集的数据重新输入CNN诊断模型，重新修改所述改进的CNN诊断模型结构参数，若重新验证时，没有出现过拟合，则说明模型参数合理，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数，若重新验证时出现过拟合，则停止训练，再重新修改所述改进的CNN诊断模型结构参数，继续验证，依此反复执行，直到验证成功。

其中，所述得到最终诊断结果前，所述方法还包括：

将测试集中的数据输入到已通过训练改进的CNN诊断模型中完成最终的测试。

本发明提供的一种基于深度学习的滚动轴承智能故障诊断方法，将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，对获取的原始故障数据集的一维时间序列故障数据进行标准化预处理，将预处理后的所述数据划分为训练集、验证集和测试集，建立改进的CNN诊断模型，包括输入层、特征提取层、softmax分类输出层和在所述特征提取层与softmax分类输出层之间设置了降维减参层，将所述训练集中的数据输入模型用于模型参数的训练和学习，运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，直到获取合适的CNN模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的CNN诊断模型参数，最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果，减少模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。

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，下面将对实施例或现有技术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是本发明提供的一种基于深度学习的滚动轴承智能故障诊断方法的方法步骤图。

图2是本发明提供的一种基于深度学习的滚动轴承智能故障诊断方法的流程示意图。

图3是本发明提供的一种改进的CNN诊断模型的结构示意图。

图4是本发明提供的一维时间序列序列重构示意图。

1-输入层、2-特征提取层、3-降维减参层、4-softmax分类输出层、10-二维特征图、21-第一卷积层、22-第一池化层、23-第二卷积层、24-第二池化层、31-过渡卷积层、32-全局均值池化层。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1至图4，本发明提供一种基于深度学习的滚动轴承智能故障诊断方法，包括：S101、采集一维时间序列故障数据，获取原始故障数据集。

具体的，将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，该数据集包含1个正常状态和s-1个故障状态。

S102、对所述一维时间序列故障数据进行预处理。

具体的，参见图4，将获取的原始故障数据集中的所有一维时间序列故障数据进行数据预处理操作，所述预处理包括：标准化、数据截断和数据格式重构；首先，对采集到的所述一维时间序列故障数据进行标准化数据处理，将所有数据点的值的量级转变为0～1之间，标准化的方法为：X＝{x_i}＝(x_i-x_min)/(x_max-x_min)；其次，对标准化后的一维时间序列数据进行等分截断，得到h个等长的一维时间序列小数据段，每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；然后，将每个长度为k的小数据段的一维时间序列数据形式进行格式重构为二维特征图[m,n]，按照此方法，即可获得s×h个故障样本二维特征图。具体为所述等分截断后得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段的长度为k个数据点，K的取值为100～100000，然后将每个包含了K个数据点的等长的一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]；其中，将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，……，第m份n个数据点放在第m行，从而得到一个m×n的二维特征图。例如，所述s个一维时间序列原始数据段，假设每一个原始数据段包含100000个数据点，若等分200份，则可获得200个小数据段，每个小数据段即是一个样本，s个一维时间序列原始数据段即可得到s×h个故障样本；最后，对每一个小数据段执行数据格式重构，按照图4所示的方法，假设每个数据段的长度为500个数据点，将包含500个数据点的数据段等分为25份，每份包含20个数据点，排列顺序为：第1份20个数据点放在第1行，第2份20个数据点放在第2行，第3份20个数据点放在第3行，依次排序，……，第25份20个数据点放在第25行，从而得到一个25×20的特征图，即重构后的数据形式标记为二维特征图[25,20](表示每张特征图的尺寸为25×20＝500)，按照此方法，即可获得s×h个故障样本二维特征图。

S103、划分数据集。

具体的、将预处理后的每类故障的h个样本划分为训练集、验证集和测试集，划分方法为：在预处理后的每类故障的h个样本中随机的选取30％的样本数量作为测试集，在剩余的70％的样本中随机取80％作为训练集、20％作为验证集。

S104、建立改进的CNN诊断模型。

具体的，参见图3，所述改进的CNN诊断模型包括输入层1、特征提取层2、降维减参层3和softmax分类输出层4，特征提取层2包含有第一卷积层21、第一池化层22、第二卷积层23、第二池化层24，其特征在于：在特征提取层2与softmax分类输出层4之间设置了降维减参层3用于替代传统卷积神经网络的全连接网络层，所述降维减参层3包含有一个卷积核为1×1的过渡卷积层31和一个全局均值池化层32，所述1×1的过渡卷积层31用于接收第二池化层24的输出特征图，全局均值池化层32的输出特征图直接作为softmax分类输出层4的输入，所述输入层1用于接收滚动轴承的原始故障一维时间序列数据，其特征是：所述输入层1对采集到的所述一维时间序列故障数据进行标准化、数据截断和数据格式重构操作，最后把所述的重构后的二维特征图10输送给所述改进的卷积神经网络诊断模型的特征提取层2的第一卷积层21，所述输入层1、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32和softmax分类输出层4之间首尾依次相连接，构成完整的改进卷积神经网络诊断模型，将训练集的数据样本输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。

S105、验证CNN诊断模型的诊断结果是否出现过拟合现象。

具体的，运用验证集的样本数据对训练过程中的CNN诊断模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，若随着模型训练迭代轮数的增加，当验证集上的准确率与训练集上的准确率持续增涨时，则模型训练正常，模型继续训练；若随着模型训练迭代轮数的增加，当训练集上的准确率持续增涨而验证集上的准确率没有增涨，且两者准确率差达到预设值时，说明诊断模型出现过拟合，停止模型训练，跳转执行将所述训练集的数据重新输入CNN诊断模型，重新修改所述改进的CNN诊断模型结构参数，若重新验证时，没有出现过拟合，则说明模型参数合理，模型继续训练；若重新验证时出现过拟合，则停止训练，再重新修改所述改进的CNN诊断模型结构参数，继续验证，依此反复执行，直到获取合适的CNN模型超参数和验证准确率为止。

S106、结束训练，保存最佳模型参数。

具体的，当训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，同时保存最佳的CNN诊断模型参数。

S107、完成最终测试，得到最终诊断结果。

具体的，最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果。

在本实施例中，为了进一步说明本发明提供的方法在针对滚动轴承进行故障诊断的可行性和有效性，采用美国凯斯西储大学的电气工程实验室的轴承实验台的数据作为改进的卷积神经网络故障诊断模型的训练数据，本实验的振动加速度传感器安装在电机的驱动端正上方的位置处采集故障轴承的振动加速度信号，本实施例中对11种轴承故障状态和1个正常状态组成的12种机械健康状态进行分类诊断，每一个健康状态类型包含有100000个数据点，等分200份，每份包含500个数据点，按照图4所述的数据重构方法将500个数据点的一维时间序列数据重构为[25,20]的二维特征图，即每个故障类型包含200个[25,20]的二维特征图样本，如表1所示。

表1实验轴承的故障数据集

将每个故障类型的200个样本取30％作为测试集(200×0.3＝60个)，剩余的70％中取出20％作为验证集(200×0.7×0.2＝28个)，其余的80％作为训练集(200×0.7×0.8＝112个)，本实验中包含12种状态类型，因此，总的训练集样本数为1344个(12×112＝1344)、总的验证集样本数为336个(12×28＝336)、总的测试集样本数为720个(12×60＝720)。

本实施例中，所选用的改进卷积神经网络诊断模型如图3所示，包含有依次连接的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32和softmax分类输出层4，本实验详细的故障诊断模型超参数见表2所示。

表2改进的CNNs模型超参数

在本实施例中，如表2所示的所设计的改进的CNNs故障诊断模型的数据处理流程为：输入样本的特征图格式为[25,20]，其中第一卷积层21采用64个2×2的卷积核分别对输入特征图[25,20,]进行同卷积运算，得到64通道的输出特征图：[25,20,64]；然后由所述第一池化层22对第一卷积层21的输出特征图[25,20,64]进行池化操作，所述第一池化层22的池化核为2×2，池化操作后得到[12,10,64]的特征图；然后再由第二卷积层23对第一池化层22的输出特征图[12,10,64]进行第二次卷积操作，所述第二卷积层23采用32个2×2的卷积核分别对特征图[12,10,64]进行同卷积运算，得到32通道的输出特征图：[12,10,32]；然后再由所述第二池化层24对第二卷积层23的输出特征图[12,10,32]进行池化操作，所述第二池化层24的池化核为2×2，池化操作后得到[6,5,32]的特征图；然后再由1×1的过渡卷积层31对第二池化层24的输出特征图[6,5,32]进行第三次卷积操作，所述过渡卷积层31采用12个1×1的卷积核分别对特征图[6,5,32]进行同卷积运算，得到12通道的输出特征图：[6,5,12]；然后再在过渡卷积层31之后设置全局均值池化层32，所述全局均值池化层32采用12个6×5的池化核对过渡卷积层31的输出特征图[6,5,12]进行全局均值池化计算，对每一个[6,5]的特征图内的所有值得一个全局平均值[1,12]；最后，将[1,12]的特征向量输入到Softmax分类输出层4完成最后的故障分类，如表2所示。

所述改进的卷积神经网络的输出采用“One-hot”编码方法，定义如下：如果输入特征图对应第1种健康状态，则输出为[1,0,0,0,0,0,0,0,0,0,0,0]，若输入特征图对应第2种健康状态，则输出为[0,1,0,0,0,0,0,0,0,0,0,0]，依次类推，若输入特征图对应第12种健康状态，则输出为[0,0,0,0,0,0,0,0,0,0,0,1]。

本发明提供的基于深度学习的滚动轴承智能故障诊断方法与同规模的传统CNN相比，参数量明显减少，如表3所示，采用传统CNNs-全连接网络的模型参数总数为92140个，而采用本发明提出的模型参数量仅为9096个。

表3CNN模型训练参数对比表

本发明提供的基于深度学习的滚动轴承智能故障诊断方法与同规模的传统CNN相比，准确率有所提高，且故障的测试时间和训练时间显示减少，如表4所示。对比表4可知，改进的CNN算法相比传统的全连接CNN算法性能得到明显提升。在准确率方面：改进的CNN算法准确率已达到99.04％，而传统的CNN算法准确率为98.75％；在时间方面，改进的CNN算法因为去除了全连接部分使模型参数量大量减少，其训练时间明显减少，更重要的是测试时间仅为0.198秒，这对本发明应用于故障的在线快速诊断和监测具有重要意义。

表4故障诊断结果对比表

名称	测试准确率	训练时间	测试时间
				改进的CNNs方法	99.04％	229.53秒	0.198秒
传统的CNNs方法	98.75％	248.96秒	0.279秒

本发明提供的基于深度学习的滚动轴承智能故障诊断方法，通过1×1的过渡卷积层31和一个全局均值池化层32代替传统CNN模型的全连接层网络结构，可以实现对传统CNN全连接层训练参数量的极大缩减，在保障诊断准确率的前提下减少模型的计算时间，有效提高模型的诊断速度和效率，使本发明更适合于故障的快速诊断。

本发明提供的一种基于深度学习的滚动轴承智能故障诊断方法，将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，对获取的原始故障数据集的一维时间序列故障数据进行标准化预处理，将预处理后的所述数据划分为训练集、验证集和测试集，建立改进的CNN诊断模型，包括输入层1、特征提取层2、softmax分类输出层4和在所述特征提取层与softmax分类输出层之间设置了降维减参层3，将所述训练集中的数据输入模型用于模型参数的训练和学习，运用验证集的样本数据对训练过程中的CNN诊断模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，直到获取合适的CNN诊断模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的CNN诊断模型参数，最后将测试集的样本数据输入到已训练的改进CNN诊断模型中完成最终的测试，得到最终的故障诊断结果，减少模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。

本发明无需任何手工特征提取操作，也不需要技术人员表掌握复杂的多种先进信号处理技术，本发明可以直接将原始故障数据输入到改进的卷积神经网络故障诊断模型，诊断模型可以自动对滚动轴承的一维时间序列故障数据进行数据格式重构、特征自动提取和故障诊断，最终诊断结果自动输出，整个诊断过程属于“端到端”的操作，具有更好的可操作性和更低的使用门槛，使故障诊断从业者对滚动轴承故障诊断更方便快捷。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，包括：

采集一维时间序列故障数据，获取原始故障数据集；

对所述一维时间序列故障数据进行预处理；

划分数据集；

建立改进的CNN诊断模型；

验证CNN诊断模型的诊断结果是否出现过拟合现象；

结束训练，保存最佳模型参数；

完成最终测试，得到最终诊断结果。

2.如权利要求1所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述采集一维时间序列故障数据，获取原始故障数据集，包括：

将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集。

3.如权利要求2所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述对所述一维时间序列故障数据进行预处理，包括：

对采集到的所述一维时间序列故障数据传入输入层，进行标准化数据处理，将所有数据点的值的量级转变为0～1之间。

4.如权利要求3所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述对所述一维时间序列故障数据进行预处理，还包括：

对标准化处理后的所述数据进行等分截断，建立二维特征图。

5.如权利要求4所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述建立二维特征图，包括：

所述等分截断后得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段的长度为k个数据点，然后将每个包含了K个数据点的等长的一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]。

6.如权利要求4所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述划分数据集，包括：

在预处理后的每类故障的多个样本中随机的选取30％的样本数量作为测试集，在剩余的70％的样本中随机取80％作为训练集、20％作为验证集。

7.如权利要求6所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述建立改进的CNN诊断模型，包括：

所述改进的CNN诊断模型的输入层进行标准化的预处理后将建立的所述二维特征图输送给特征提取层，经过特征提取层处理后的特征图输送给降维减参层，最后输送给softmax分类输出层。

8.如权利要求7所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述建立改进的CNN诊断模型后，所述方法还包括：

将所述训练集的数据输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。

9.如权利要求7所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述验证CNN诊断模型的诊断结果是否出现过拟合现象，包括：

用所述验证集的数据对训练过程中的CNN诊断模型诊断准确率进行实时验证；

若随着模型训练迭代轮数的增加，当验证集上的准确率与训练集上的准确率持续增涨时，则模型训练正常，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数；

若随着模型训练迭代轮数的增加，当训练集上的准确率持续增涨而验证集上的准确率没有增涨，且两者准确率差达到预设值时，则诊断模型出现过拟合，停止模型训练，跳转执行将所述训练集的数据重新输入CNN诊断模型，重新修改所述改进的CNN诊断模型结构参数，若重新验证时，没有出现过拟合，则说明模型参数合理，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数，若重新验证时出现过拟合，则停止训练，再重新修改所述改进的CNN诊断模型结构参数，继续验证，依此反复执行，直到验证成功。

10.如权利要求8所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述得到最终诊断结果前，所述方法还包括：

将测试集中的数据输入到已通过训练改进的CNN诊断模型中完成最终的测试。

Images