CN112160877A - 一种基于sfa和cnn的风机轴承故障诊断方法 - Google Patents
一种基于sfa和cnn的风机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112160877A CN112160877A CN202010916701.5A CN202010916701A CN112160877A CN 112160877 A CN112160877 A CN 112160877A CN 202010916701 A CN202010916701 A CN 202010916701A CN 112160877 A CN112160877 A CN 112160877A
- Authority
- CN
- China
- Prior art keywords
- sfa
- layer
- neural network
- convolutional neural
- data
- 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 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/70—Bearing or lubricating arrangements
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,包括:1)在采集轴承振动信号后,利用SFA提取其中的固有特征信息;2)将一维的特征信号转变为二维的图像信息;3)划分训练集和测试集,定义故障类型;4)构建卷积神经网络框架,初始化网络参数;5)训练网络并使用测试集检验。本发明着眼于新兴深度学习技术在传统领域的应用研究,所提出的方法能有效地实现风机故障的诊断。
Description
技术领域
本发明涉及故障诊断领域,主要针对风机轴承的故障诊断,可以采用基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法。
背景技术
随着风电机组的发电规模越来越大,其所面临的检修与维护问题也日益突出,齿轮箱作为风力发电机的重要传动部件,在实际运行中有着很高的故障率,据统计约有20%的停机是由它引起的,而轴承故障是引起齿轮箱失效的主要因素,据统计约有76%的齿轮箱故障发生在轴承部件上,所以研发针对风机轴承的故障诊断方法具有重要的现实意义。
基于模型的方法由于系统的复杂性、故障的多样性、干扰的不确定性而困难重重,难以做到准确诊断。而基于数据驱动的方法只需要利用历史数据和在线运行的数据即可学习对象特征,实现故障诊断,且工业生产过程中储存的大量运行数据满足了实施的基本条件。国内外学者在这一方面做了大量的研究与实践。Kankar等人比较了ANN和SVM在转子轴承系统故障诊断中的性能,在其实验研究的案例中结果表明ANN具有比SVM更高的分类准确性;Phuong和Kim提出了一种针对轴承早期故障的多故障诊断方法,首先对基于WPT的谱峭度图提取特征,然后使用LDA选择鉴别性特征输入朴素贝叶斯分类器对轴承故障进行分类;Liu将声音信号通过STFT生成频谱图并进行归一化,然后送到基于SAE的双层DNN中进行滚动轴承故障诊断;Sohaib等人对时域、频域和时频域这三个领域的特征进行融合然后建立SAE-DNN模型实现轴承故障诊断的功能。
基于深度学习的方法是当前的研究热点和焦点。本发明提出了一种基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法。该方法首先利用慢特征分解提取轴承振动信号的最本质的特征数据,然后将特征集扩展为二维图像序列,利用卷积神经网络学习并训练经处理后的数据集,最后采用测试集加以验证。本方法能深入挖掘信号的本质特征,提高故障诊断的准确率。
发明内容
本发明所要解决的技术问题是提供一种基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,所述方法能深入挖掘数据内部的本质特征,准确性高。具体而言,包括以下步骤:
A、在采集轴承振动信号后,利用SFA提取其中的固有特征信息;
B、将一维的特征信号转变为二维的图像信息;
C、划分训练集和测试集,定义故障类型;
D、构建卷积神经网络框架,初始化网络参数;
E、训练网络并使用测试集检验。
为解决上述技术问题,本发明所采取的技术方案如下。
作为优选,步骤A中,利用SFA提取轴承信号的固有特征信息的步骤包括,
A1、数据标准化
对整个数据集X(t)∈Rm×n,其标准化如下:
A2、数据白化
A3、求取慢变特征
则,得到特征向量W=QTP,继而得到慢特征:S(t)=Z(t)P。
作为优选,步骤B中,一维特征信号转变为二维图像信号的方法如下:
选取最慢的特征信号S1(t),设置窗口长度为N,则将每一个窗口长度的信号作为一行,构成二维数据集V。
4.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,其特征在于:
步骤C中,将二维数据特征集和与之对应的故障标签作为一个样本对,将全部样本按照设定的比例随机选择一部分作为训练集,剩下的作为测试集。
风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。
作为优选,步骤D中,构建卷积神经网络框架和初始化参数包括以下主要步骤,
卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成。
D1、输入层的输入数据即为步骤C中的二维图像训练集。
D2、卷积层是对图像数据进行卷积运算,从而从图像中提取特征。设置卷积核大小为3×3,即每个3×3方阵与卷积核作乘积然后求和。移动步长设置为1,填补方式设置为无填充。激活函数设置为Sigmoid函数:
那么整个卷积层的表达式如下:
al=σ(vl)=σ(al-1*Wl+bl)
其中v表示输入,a表示输出,上标代表层数,*表示互相关卷积操作,W表示权重,b表示偏置,σ表示激活函数。
D3、利用池化层缩小模型规模,设置窗口大小为2×2,移动步长为2,填充方式为无填充,池化方式设置为最大池化:
qi=max{ai(k)}
D4、将池化层提取出来的特征扁平化后连接到一个全连接层,全连接层的表达式如下:
al=σ(vl)=σ(Wlal-1+bl)
D5、输出层通过Softmax函数将全连接层的输出映射为分类结果的置信度,并满足所有置信度之和为1。
附图说明
下面结合附图,对本发明实施例作进一步详述。
图1是本实施例的实验平台
图2是诊断流程图
图3是采集的信号的时域图
图4是二维灰度图
图5是卷积神经网络的基本结构
本发明的实施环节以凯斯西储大学滚动轴承试验台的真实数据为例,如图1所示即为滚动轴承实验平台,试验台左侧是一台2马力电机用来提供动力源,中间部位是一个扭矩传动装置,右侧则是一台负载电机同时作为测功装置。
实验中加速度传感器分别安装在风扇端和驱动端附近的电机外壳上方,部分实验中也在基座上安装了传感器,每秒采样频率为12kHz。故障轴承安装在驱动端或风扇端分别进行测试,故障缺陷由电火花加工法制造,且根据故障位置分为内圈、外圈和滚动体故障。
参考图2的诊断流程,具体的步骤如下:
A、在采集轴承振动信号后,利用SFA提取其中的固有特征信息;
B、将一维的特征信号转变为二维的图像信息;
C、划分训练集和测试集,定义故障类型;
D、构建卷积神经网络框架,初始化网络参数;
E、训练网络并使用测试集检验。
阐述具体的操作内容如下:
步骤A中,利用SFA提取轴承信号的固有特征信息的步骤包括,
A1、数据标准化
首先利用传感器采集滚动轴承在设定状态(包括正常和故障)下的振动信号,如图3所示,展示了负载为0时10种状态下的时域波形图,其中N代表正常状态,BF、OF、IF分别代表滚球故障、外圈故障和内圈故障,07、14、21三个数字则代表了三种故障尺寸。组成数据集X(t)∈R1×n,将它进行扩展,此处将之扩展为6行,则最终的数据集表示为X(t)=[x1(t),x2(t+1),x3(t+2),x4(t+3),x5(t+4)]∈R6×n,其标准化如下:
A2、数据白化
A3、求取慢变特征
则,得到特征向量W=QTP,继而得到慢特征:S(t)=Z(t)P。
步骤B中,一维特征信号转变为二维图像信号的方法如下:
步骤C中,将二维数据特征集和与之对应的故障标签作为一个样本对,将全部样本按照设定的比例随机选择一部分作为训练集,剩下的作为测试集。
风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。
步骤D中,构建卷积神经网络框架和初始化参数包括以下主要步骤,
卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成,其基本结构如图5所示。
D1、输入层的输入数据即为步骤C中的二维图像训练集。
D2、卷积层是对图像数据进行卷积运算,从而从图像中提取特征。设置卷积核大小为3×3,即每个3×3方阵与卷积核作乘积然后求和。移动步长设置为1,填补方式设置为无填充。激活函数设置为Sigmoid函数:
那么整个卷积层的表达式如下:
al=σ(vl)=σ(al-1*Wl+bl)
其中v表示输入,a表示输出,上标代表层数,*表示互相关卷积操作,W表示权重,b表示偏置,σ表示激活函数。
D3、利用池化层缩小模型规模,设置窗口大小为2×2,移动步长为2,填充方式为无填充,池化方式设置为最大池化:
qi=max{ai(k)}
D4、将池化层提取出来的特征扁平化后连接到一个全连接层,全连接层的表达式如下:
al=σ(vl)=σ(Wlal-1+bl)
D5、输出层通过Softmax函数将全连接层的输出映射为分类结果的置信度,并满足所有置信度之和为1。
步骤E中,将二维灰度图作为训练输入,将标签集作为训练输出,训练卷积神经网络。标签集设置如表1所示。训练好后,输入测试集进行验证。
表1标签集设置
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可推想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,其特征包括以下步骤:
A、在采集轴承振动信号后,利用SFA提取其中的固有特征信息;
B、将一维的特征信号转变为二维的图像信息;
C、划分训练集和测试集,定义故障类型;
D、构建卷积神经网络框架,初始化网络参数;
E、训练网络并使用测试集检验。
3.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,其特征在于:
步骤B中,一维特征信号转变为二维图像信号的方法如下:
选取最慢的特征信号S1(t),设置窗口长度为N,则将每一个窗口长度的信号作为一行,构成二维数据集V。
4.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,其特征在于:
步骤C中,将二维数据特征集和与之对应的故障标签作为一个样本对,将全部样本按照设定的比例随机选择一部分作为训练集,剩下的作为测试集;
风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。
5.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法,其特征在于:
步骤D中,构建卷积神经网络框架和初始化参数包括以下主要步骤,
卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成;
D1、输入层的输入数据即为步骤C中的二维图像训练集;
D2、卷积层是对图像数据进行卷积运算,从而从图像中提取特征;设置卷积核大小为3×3,即每个3×3方阵与卷积核作乘积然后求和;移动步长设置为1,填补方式设置为无填充;激活函数设置为Sigmoid函数:
那么整个卷积层的表达式如下:
al=σ(vl)=σ(al-1*Wl+bl)
其中v表示输入,a表示输出,上标代表层数,*表示互相关卷积操作,W表示权重,b表示偏置,σ表示激活函数;
D3、利用池化层缩小模型规模,设置窗口大小为2×2,移动步长为2,填充方式为无填充,池化方式设置为最大池化:
qi=max{ai(k)}
D4、将池化层提取出来的特征扁平化后连接到一个全连接层,全连接层的表达式如下:
al=σ(vl)=σ(Wlal-1+bl)
D5、输出层通过Softmax函数将全连接层的输出映射为分类结果的置信度,并满足所有置信度之和为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916701.5A CN112160877A (zh) | 2020-09-03 | 2020-09-03 | 一种基于sfa和cnn的风机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916701.5A CN112160877A (zh) | 2020-09-03 | 2020-09-03 | 一种基于sfa和cnn的风机轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112160877A true CN112160877A (zh) | 2021-01-01 |
Family
ID=73858607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916701.5A Pending CN112160877A (zh) | 2020-09-03 | 2020-09-03 | 一种基于sfa和cnn的风机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112160877A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092907A (zh) * | 2021-04-02 | 2021-07-09 | 长春工业大学 | 一种基于分块慢特征分析的系统故障检测方法 |
CN114544172A (zh) * | 2022-01-19 | 2022-05-27 | 武汉理工大学 | 基于深度置信网络的旋转机械故障诊断方法、系统及介质 |
CN116520433A (zh) * | 2023-06-30 | 2023-08-01 | 煤炭科学研究总院有限公司 | 多通道信号融合分析的煤矿工作面定向拾震方法 |
-
2020
- 2020-09-03 CN CN202010916701.5A patent/CN112160877A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113092907A (zh) * | 2021-04-02 | 2021-07-09 | 长春工业大学 | 一种基于分块慢特征分析的系统故障检测方法 |
CN113092907B (zh) * | 2021-04-02 | 2023-02-03 | 长春工业大学 | 一种基于分块慢特征分析的系统故障检测方法 |
CN114544172A (zh) * | 2022-01-19 | 2022-05-27 | 武汉理工大学 | 基于深度置信网络的旋转机械故障诊断方法、系统及介质 |
CN116520433A (zh) * | 2023-06-30 | 2023-08-01 | 煤炭科学研究总院有限公司 | 多通道信号融合分析的煤矿工作面定向拾震方法 |
CN116520433B (zh) * | 2023-06-30 | 2023-09-08 | 煤炭科学研究总院有限公司 | 多通道信号融合分析的煤矿工作面定向拾震方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Convolutional neural network-based hidden Markov models for rolling element bearing fault identification | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Hu et al. | Data-driven fault diagnosis method based on compressed sensing and improved multiscale network | |
Shao et al. | Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery | |
Zhang et al. | Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM | |
CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
CN109029974A (zh) | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN109655266A (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Shaowu et al. | Study on the health condition monitoring method of hydraulic pump based on convolutional neural network | |
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 | |
CN114372492A (zh) | 一种可解释性滚动轴承故障诊断方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
CN113221996A (zh) | 一种基于多头注意力机制的轴承故障诊断方法及系统 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210101 |
|
WD01 | Invention patent application deemed withdrawn after publication |