CN112146882B - 基于迁移学习振动信号图像识别的轴承故障诊断方法 - Google Patents

基于迁移学习振动信号图像识别的轴承故障诊断方法 Download PDF

Info

Publication number
CN112146882B
CN112146882B CN202011086477.8A CN202011086477A CN112146882B CN 112146882 B CN112146882 B CN 112146882B CN 202011086477 A CN202011086477 A CN 202011086477A CN 112146882 B CN112146882 B CN 112146882B
Authority
CN
China
Prior art keywords
bearing
vibration signal
model
fault diagnosis
signal image
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
CN202011086477.8A
Other languages
English (en)
Other versions
CN112146882A (zh
Inventor
余刃
谢旭阳
彭俏
王天舒
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.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
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 Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202011086477.8A priority Critical patent/CN112146882B/zh
Publication of CN112146882A publication Critical patent/CN112146882A/zh
Application granted granted Critical
Publication of CN112146882B publication Critical patent/CN112146882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及基于迁移学习振动信号图像识别的轴承故障诊断方法，包含步骤：首先采集轴承振动信号；对轴承振动信号进行预处理得到轴承振动信号图像数据；将多个轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；利用轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；利用适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。本发明无需大量次数训练，即可达到较高的准确率；单次训练计算的时间需求大幅降低，进一步则降低了计算耗时。

Description

基于迁移学习振动信号图像识别的轴承故障诊断方法
技术领域
本发明涉及轴承状态监测和故障诊断技术领域，具体地涉及基于迁移学习振动信号图像识别的轴承故障诊断方法。
背景技术
在各种旋转机械设备中，如电动泵中，轴承往往是其中的一个关键部件，也是容易出故障的部件，其技术状态的好坏往往会影响到整个设备的可用性和安全性。因此，人们对轴承的故障诊断进行了大量研究，主要方法途径有：振动分析法、温度分析法、声学分析法和油样分析法等。其中振动分析法是最主流的分析方法，具有信号获取简便、包含丰富故障信息的优势。目前的研究热点是从振动信号中提取出能够反映轴承故障模式并且对噪声不敏感的特征，从而对其故障进行诊断。
轴承在不同状态时，其振动信号的时域波形、频谱、包络谱等图形往往具有不同的特征。工程人员在进行轴承的故障判定时，一个重要的途径就是观察轴承运转时这些图形，分析其具有的特征。这一过程难以实时在线进行，且其判定结果极大地依赖于人的专业水平的经验。
近年来，随着图像识别技术日趋成熟，也有将图像识别技术应用在轴承的故障诊断中的解决方案，现有技术的基本原理都是利用计算机自动识别振动信号图像所对应的故障状态，从而实现对轴承故障的自动判定，可以不需要人工干预，是一种可行有效的技术途径。但现有技术的缺陷在于：
1.需要数量巨大的样本进行训练，才能达到较高的准确率；
2.单次训练计算量需求很大，导致耗时很长。
上述两个缺陷综合起来，即现有技术要达到较高的故障识别准确率，需要耗费的时间和计算成本是很高昂的，限制了技术的发展和应用推广。
发明内容
本发明针对上述问题，提供基于迁移学习振动信号图像识别的轴承故障诊断方法，其目的在于降低模型所需训练次数和单次训练所需计算时间。
为解决上述问题，本发明提供的技术方案为：
基于迁移学习振动信号图像识别的轴承故障诊断方法，包含以下步骤：
首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；
然后利用所述轴承振动信号图像样本数据集，采用BP算法对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；
然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断；
每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致；
所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致；
在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先调整所述全连接层的输出神经元的个数与所述轴承状态的个数相等，且同时调整所述softmax层的输出神经元的个数与所述轴承状态的个数相等；
在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先将全连接层的输出神经元的参数和softmax层的输出神经元的参数初始化为互不相同的随机数；然后将全连接层的输出神经元和softmax层的输出神经元全部设为可训练状态；将Inception V3模型的特征提取器中的神经元的学习率设为0。
优选地，所述轴承状态包含“正常运行”、“滚珠故障”、“内圈故障”、和“外圈故障”。
优选地，所述softmax层按下式定义：
Figure GDA0003757644280000031
其中：si为输入的轴承振动信号属于第i种状态的得分；pi代表输入的轴承振动信号属于第i种状态的概率，且
Figure GDA0003757644280000032
N为轴承振动信号图像样本数据集中的轴承状态的总数。
优选地，所述BP算法采用交叉熵损失函数；所述交叉熵损失函数按下式定义：
Figure GDA0003757644280000033
其中：L为交叉熵损失函数；yi为模型实际输出值；zi模型预测输出值。
优选地，利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断，包含以下步骤：
首先获取所述轴承振动信号；然后将所述轴承振动信号预处理后得到的所述轴承振动信号图像数据，输入到所述适用于轴承故障诊断的InceptionV3模型；最后输出计算得到的所述轴承状态。
本发明与现有技术对比，具有以下优点：
1.由于采用了迁移学习对InceptionV3模型进行训练，从而无需大量次数的训练，即可达到较高的准确率；
2.由于采用了迁移学习对InceptionV3模型进行训练，从而使单次训练计算的时间需求大幅降低，进一步则降低了计算耗时。
附图说明
图1为本发明具体实施例的基于迁移学习振动信号图像识别的轴承故障诊断方法的训练方法原理示意图；
图2为本发明具体实施例的基于迁移学习振动信号图像识别的轴承故障诊断方法的流程示意图。
图3a为本发明具体实施例输入为时域图像时的准确率和交叉熵变化曲线；
图3b为本发明具体实施例输入为频谱图像时的准确率和交叉熵变化曲线；
图3c为本发明具体实施例输入为包络谱图像时的准确率和交叉熵变化曲线；
图4a为本发明具体实施例输入为时域图像时的CNN特征向量三维散点计算机模拟图；
图4b为本发明具体实施例输入为频谱图像时的CNN特征向量三维散点计算机模拟图；
图4c为本发明具体实施例输入为包络谱图像时的CNN特征向量三维散点计算机模拟图；
图5为本发明具体实施例运用与不运用迁移学习时训练集的准确率变化曲线对比示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
需要事先说明的是，本具体实施例针对的是利用Case Western ReserveUniversity轴承数据中心，网址为https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website，所提供的不同状态下的SKF的6205-2RS型滚珠轴承的振动数据进行模拟，所采集的轴承振动信号是该轴承的振动加速度信号；SKF的6205-2RS型滚珠轴承的参数为：内圈直径0.9843英寸，外圈直径为2.0472英寸，中经为1.537英寸，厚度为0.5906英寸，滚珠直径为0.3126英寸。本发明的方法可以用在任意能表征轴承运动状态的信号上，而不局限于本具体实施例中所述的振动加速度信号。
其次，轴承振动信号的时域波形、频谱和包络谱图像数据均包含丰富的对象特征信息，为对比分析这三种图像数据输入对模型诊断效果的影响，本发明采用表征这三种信号的图像数据分别作为InceptionV3模型的输入，进行故障诊断效果测试。时域波形图像数据可由轴承振动信号直接生成；对时域波形进行快速傅里叶变换(Fast FourierTransform，FFT)可得到频谱图像数据；对时域波形先进行HHT得到包络信号，然后对包络信号进行FFT即可得到包络谱图像数据。
再次，如图1所示，由于InceptionV3模型的特征提取器提取到的是图像的抽象特征参数，这些特征参数具有良好的泛化能力，在不同的任务中是相通的。因此可以采用基于参数的迁移学习方法，将原有InceptionV3模型特征提取器的参数迁移至轴承故障诊断InceptionV3模型的对应部分。
如图2所示，基于迁移学习振动信号图像识别的轴承故障诊断方法，包含以下步骤：
S100.利用振动加速度传感器，获得作为训练样本集合的轴承振动信号图像样本数据集，具体包含以下步骤。
S110.多次采集轴承振动信号；每次采集轴承运转时的振动信号时的采样频率一致，为48kHz；每次采集轴承振动信号时的采样数据都为5000个，即以48kHz的频率连续采样5000次，获得5000个振动数据；采集到的轴承振动信号以特征图谱的形式被保存下来，拟用于轴承故障诊断。
S120.对轴承振动信号进行预处理得到轴承振动信号图像数据。
本具体实施例中，对记录了轴承振动信号的特征图谱用MATLAB软件生成对应的位图格式图像数据，作为后期将用到的InceptionV3模型的输入；为增强模型的训练效果，轴承振动信号图像数据的分辨率为800*600；每个轴承振动信号图像数据的坐标尺度都一致。
S130.将多个轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，建立得到轴承振动信号图像样本数据集；在轴承振动信号图像样本数据集中，轴承振动信号图像数据与轴承状态为一一对应关系
本具体实施例中，轴承状态共有14种，包含“正常运行”、“滚珠故障”、“内圈故障”和“外圈故障”，其中：“正常运行”状态1种；“滚珠故障”状态3种，分为：“直径0.021英寸滚珠缺陷故障”、“直径0.014英寸滚珠缺陷故障”和“直径0.007英寸滚珠缺陷故障”；“内圈故障”状态3种，分为：“直径0.021英寸内圈缺陷故障”、“直径0.014英寸内圈缺陷故障”和“直径0.007英寸内圈缺陷故障”；“外圈故障”状态7种，分为：“直径0.021英寸外圈缺陷位置一故障”、“直径0.014英寸外圈缺陷位置一故障”、“直径0.007英寸外圈缺陷位置一故障”、“直径0.021英寸外圈缺陷位置二故障”、“直径0.007英寸外圈缺陷位置二故障”、“直径0.021英寸外圈缺陷位置三故障”和“直径0.007英寸外圈缺陷位置三故障”；所有缺陷采用电火花点蚀形成，深度均为0.011英寸。位置一是指缺陷位于轴承6点钟方向，位置二是指缺陷位于轴承3点钟方向，位置三是指缺陷位于轴承12点钟方向。
本具体实施例中，对每种状态的轴承振动信号都获取100个样本，亦即100个轴承振动信号图像数据；于是，轴承振动信号图像样本数据集中就一共有了1400组轴承振动信号图像数据及其对应的轴承状态，用来训练Inception V3。
本具体实施例中，又由于轴承振动信号以三种波形：时域图像、频谱图像和包络谱图像出现，因此实际上对于时域图像、频谱图像和包络谱图像分别各有一个轴承振动信号图像样本数据集。
S200.利用轴承振动信号图像样本数据集，采用BP算法对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；具体包含以下步骤：
S210.在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先调整全连接层的输出神经元的个数与轴承状态的个数相等，且同时调整softmax层的输出神经元的个数与轴承状态的个数相等。
softmax层按下式定义：
Figure GDA0003757644280000071
其中：si为输入的轴承振动信号属于第i种状态的得分；pi代表输入的轴承振动信号属于第i种状态的概率，且
Figure GDA0003757644280000072
N为轴承振动信号图像样本数据集中的轴承状态的总数。
S220.在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先将全连接层的输出神经元的参数和softmax层的输出神经元的参数初始化为互不相同的随机数，且随机数为小随机数；然后将全连接层的输出神经元和softmax层的输出神经元全部设为可训练状态；将InceptionV3模型的特征提取器中的神经元的学习率设为0。
S230.采用BP算法，利用轴承振动信号图像样本数据集训练InceptionV3模型，得到适用于轴承故障诊断的InceptionV3模型；在对InceptionV3模型训练时，只需要训练最后的全连接层和输出层的参数，其它层的参数固定不变。
本具体实施例中，由于轴承振动信号以三种波形：时域图像、频谱图像和包络谱图像出现，因此对此三种波形分别对InceptionV3模型各进行训练，以提高识别准确率；具体包含以下步骤：
S231a.将包含时域图像的轴承振动信号图像样本数据集作为InceptionV3模型的输入；其中，随机选出100组轴承振动信号图像数据及其对应的轴承状态，作为验证子集，剩余1300组轴承振动信号图像数据及其对应的轴承状态，作为训练集。
S231b.用训练集对InceptionV3模型的全连接层和输出层重新训练，训练次数设置为1000次。
S231c.每次训练后，利用验证集测试模型的准确性，并求出交叉熵；最终得到基于时域图像的适用于轴承故障诊断的InceptionV3模型。
S232a.将包含频谱图像的轴承振动信号图像样本数据集作为InceptionV3模型的输入；其中，随机选出100组轴承振动信号图像数据及其对应的轴承状态，作为验证子集，剩余1300组轴承振动信号图像数据及其对应的轴承状态，作为训练集。
S232b.用训练集对InceptionV3模型的全连接层和输出层重新训练，训练次数设置为1000次。
S232c.每次训练后，利用验证集测试模型的准确性，并求出交叉熵；最终得到基于频谱图像的适用于轴承故障诊断的InceptionV3模型。
S233a.将包含包络谱图像的轴承振动信号图像样本数据集作为InceptionV3模型的输入；其中，随机选出100组轴承振动信号图像数据及其对应的轴承状态，作为验证子集，剩余1300组轴承振动信号图像数据及其对应的轴承状态，作为训练集。
S233b.用训练集对InceptionV3模型的全连接层和输出层重新训练，训练次数设置为1000次。
S233c.每次训练后，利用验证集测试模型的准确性，并求出交叉熵；最终得到基于包络谱图像的适用于轴承故障诊断的InceptionV3模型。
BP算法即所谓Error Back Propagation，通过数据的正向传播和误差的反向传播过程使各节点的参数逐步逼近最优解。用于训练InceptionV3模型的轴承振动信号图像样本数据集由若干个输入输出对构成，损失函数用于衡量训练过程中InceptionV3模型的预测输出值与实际输出值的偏离程度。损失函数值越小，模型性能越好。
本具体实施例中，BP算法采用交叉熵损失函数；交叉熵损失函数按下式定义：
Figure GDA0003757644280000091
其中：L为交叉熵损失函数；yi为模型实际输出值；zi模型预测输出值。
如图3a、图3b和图3c所示，不同的输入图像在训练过程中的准确率和交叉熵变化情况基本一致：随着训练次数的增加，训练集和验证集的准确率先增加后趋于稳定，交叉熵先快速减小后趋于稳定。
以轴承振动信号的时域图像作为模型的输入为例：训练800次后，训练集和验证集准确率均在98％上下波动，交叉熵在0.19上下波动。这说明随着训练次数的增加，模型的性能不断增强后趋于稳定。从图3a、图3b和图3c可以看出，无论采用时域波形、频谱还是包络谱图像数据作为输入，模型的训练效果相似。
从另一方面亦可验证本发明的有效性：
将轴承振动信号的时域波形图像、频谱图像或包络图像输入InceptionV3模型后，经过特征提取器可得到一个2048维的CNN特征向量，用于分类器进行分类。
本具体实施例中，为分析CNN提取的特征向量对不同故障模式的聚类效果，采取主成分分析(Principal Component Analysis，PCA)法对CNN特征向量进行降维处理，以方便聚类效果的可视化。主成分分析的基本思想是将原有特征向量进行线性变换得到一个维度相同的新特征向量，新特征向量的前几个特征参数包含原有特征向量的主要信息。经过主成分分析，既可保留原有特征向量的主要信息，又可减少特征参数的个数。本具体实施例选用前三个主元，计算得到轴承各状态样本数据的CNN特征向量三维散点图如图4a、图4b和图4c所示，可以看出，无论采用时域图像、频谱图像还是包络谱图像作为输入，都能取得较好的模式聚类效果，同种状态的样本相对集中，能够较好地区分各种状态，展现了InceptionV3模型强大的特征提取能力。
S300.利用适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。包含以下步骤：
S310.获取轴承振动信号。
S320.将轴承振动信号预处理后得到的轴承振动信号图像数据输入到适用于轴承故障诊断的InceptionV3模型。
S330.输出计算得到的轴承状态，作为故障诊断结果。
本具体实施例中，还进一步对本发明的故障诊断效果进行测试和分析，具体如下：
InceptionV3模型训练完成后，再次获取20个测试样本的时域图像、频谱图像和包络谱图像，分别输入对应的适用于轴承故障诊断的InceptionV3模型，对故障诊断的准确性进行测试；测试结果如表1所示：
表1.不同图像输入时的故障诊断准确率对比表
Figure GDA0003757644280000111
从表1可以看出，适用于轴承故障诊断的InceptionV3模型对轴承的各种故障模式都能取得良好的诊断效果。以时域图像作为适用于轴承故障诊断的InceptionV3模型的输入时，总体测试准确率达到96.1％；以频谱图像作为适用于轴承故障诊断的InceptionV3模型的输入时，总体测试准确率达到96.8％；以包络谱图像作为适用于轴承故障诊断的InceptionV3模型的输入时，总体测试准确率达到95.4％。说明无论以振动信号时域图像、频谱图像或包络谱图像作为输入，模型均能实现精确的故障诊断。适用于轴承故障诊断的InceptionV3模型
本具体实施例中，还进一步对本发明的核心，即采用迁移学习法对InceptionV3模型进行训练所得到效果进行了分析；具体如下：
需要明确的是，引入迁移学习方法的目的是减少InceptionV3模型训练所需要的时间资源和计算资源，提高本方法的实用性。为检验其效果，本具体实施例通过对比达到相同故障诊断准确率时，运用与不运用迁移学习时InceptionV3模型的训练次数和训练时间，分析迁移学习的作用。对比测试中，所采用的训练集、验证集、测试集以及计算机算力均保持一致。计算机处理器为Intel(R)Core(TM)i7-4790 CPU@3.60GHz，内存为8GB。
如图5所示，以模型输入为轴承振动信号的时域图像为例，训练次数设置为15000次，运用与不运用迁移学习时训练集的准确率变化曲线。可以看出：运用迁移学习时训练集的准确率始终高于不运用迁移学习时训练集的准确率，而且运用迁移学习时模型的收敛速度明显高于不运用迁移学习时模型的收敛速度。
以输入为时域图像为例，当InceptionV3模型的故障诊断准确率均稳定在95％以上时，InceptionV3运用与不运用迁移学习时训练次数和训练时间的测试结果对比如表2所示：
表2.运用与不运用迁移学习时训练次数和训练时间对比表
Figure GDA0003757644280000121
从对比测试结果可以看出，达到相同故障诊断准确率，运用迁移学习时InceptionV3模型的训练次数和训练时间都大大减小了，比不运用迁移学习时总训练时间快了400倍，单次训练速度提高了32倍，说明迁移学习能够有效加快模型的训练速度，显著减少模型每次训练的时间。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：包含以下步骤：
首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；
然后利用所述轴承振动信号图像样本数据集，采用BP算法对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；
然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断；
每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致；
所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致；
在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先调整所述全连接层的输出神经元的个数与所述轴承状态的个数相等，且同时调整所述softmax层的输出神经元的个数与所述轴承状态的个数相等；
在对Inception V3模型的全连接层的输出神经元的参数和Inception V3模型的softmax层的输出神经元的参数进行训练更新之前，先将全连接层的输出神经元的参数和softmax层的输出神经元的参数初始化为互不相同的随机数；然后将全连接层的输出神经元和softmax层的输出神经元全部设为可训练状态；将Inception V3模型的特征提取器中的神经元的学习率设为0。
2.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述轴承状态包含“正常运行”、“滚珠故障”、“内圈故障”、和“外圈故障”。
3.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述softmax层按下式定义：
Figure FDA0003757644270000021
其中：si为输入的轴承振动信号属于第i种状态的得分；pi代表输入的轴承振动信号属于第i种状态的概率，且
Figure FDA0003757644270000022
N为轴承振动信号图像样本数据集中的轴承状态的总数。
4.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述BP算法采用交叉熵损失函数；所述交叉熵损失函数按下式定义：
Figure FDA0003757644270000023
其中：L为交叉熵损失函数；yi为模型实际输出值；zi模型预测输出值。
5.根据权利要求1～4任一所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断，包含以下步骤：
首先获取所述轴承振动信号；然后将所述轴承振动信号预处理后得到的所述轴承振动信号图像数据，输入到所述适用于轴承故障诊断的InceptionV3模型；最后输出计算得到的所述轴承状态。
CN202011086477.8A 2020-10-12 2020-10-12 基于迁移学习振动信号图像识别的轴承故障诊断方法 Active CN112146882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011086477.8A CN112146882B (zh) 2020-10-12 2020-10-12 基于迁移学习振动信号图像识别的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011086477.8A CN112146882B (zh) 2020-10-12 2020-10-12 基于迁移学习振动信号图像识别的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN112146882A CN112146882A (zh) 2020-12-29
CN112146882B true CN112146882B (zh) 2022-08-30

Family

ID=73953015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011086477.8A Active CN112146882B (zh) 2020-10-12 2020-10-12 基于迁移学习振动信号图像识别的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN112146882B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505655B (zh) * 2021-06-17 2023-10-13 电子科技大学 面向数字孪生系统的轴承故障智能诊断方法
US11906390B2 (en) * 2021-12-02 2024-02-20 Aktiebolaget Skf System and method for bearing defect auto-detection

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334936B (zh) * 2018-01-30 2019-12-24 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN108922560B (zh) * 2018-05-02 2022-12-02 杭州电子科技大学 一种基于混合深度神经网络模型的城市噪声识别方法
US11010902B2 (en) * 2018-06-04 2021-05-18 University Of Central Florida Research Foundation, Inc. Capsules for image analysis
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
CN109800796A (zh) * 2018-12-29 2019-05-24 上海交通大学 基于迁移学习的船舶目标识别方法
CN110220709B (zh) * 2019-06-06 2020-04-21 北京科技大学 基于cnn模型和迁移学习的滚动轴承故障诊断方法
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
CN111709292B (zh) * 2020-05-18 2023-05-26 杭州电子科技大学 基于递归图和深度卷积网络的压气机振动故障检测法
CN111723738A (zh) * 2020-06-19 2020-09-29 安徽工业大学 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统

Also Published As

Publication number Publication date
CN112146882A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
Hu et al. Data-driven fault diagnosis method based on compressed sensing and improved multiscale network
Chen et al. A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
Zhang et al. A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample
CN115114965B (zh) 风电机组齿轮箱故障诊断方法、装置、设备及存储介质
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN113392749A (zh) 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
CN113203914A (zh) 基于dae-cnn的地下电缆早期故障检测和识别方法
CN116168720A (zh) 一种电机声音异常故障诊断方法、系统、及可存储介质
CN112160877A (zh) 一种基于sfa和cnn的风机轴承故障诊断方法
CN116561517A (zh) 基于奖励优化深度强化学习不平衡智能故障定量诊断方法
Grezmak et al. Multi-stream convolutional neural network-based fault diagnosis for variable frequency drives in sustainable manufacturing systems
Yang et al. Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Minervini et al. Transfer learning technique for automatic bearing fault diagnosis in induction motors
CN117628005A (zh) 一种融合信号液压马达故障诊断方法及系统
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
CN112729825A (zh) 基于卷积循环神经网络的轴承故障诊断模型的构建方法
CN116399592A (zh) 一种基于通道注意力双路径特征提取的轴承故障诊断方法
Zhang et al. Multi‐attribute quantitative bearing fault diagnosis based on convolutional neural network
Wen et al. Bearing fault diagnosis via fusing small samples and training multi-state Siamese neural networks

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