CN112284735A - 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 - Google Patents
基于一维卷积与动态路由的多传感器滚动轴承故障诊断 Download PDFInfo
- Publication number
- CN112284735A CN112284735A CN202011133371.9A CN202011133371A CN112284735A CN 112284735 A CN112284735 A CN 112284735A CN 202011133371 A CN202011133371 A CN 202011133371A CN 112284735 A CN112284735 A CN 112284735A
- Authority
- CN
- China
- Prior art keywords
- convolution
- sensor
- dynamic routing
- rolling bearing
- fault diagnosis
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于滚动轴承故障诊断技术领域。本发明公开了一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断包括:步骤S1,获取多传感器测量的不同状态的振动信号;步骤S2,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息;步骤S3,采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合,并使用softmax分类器映射输出。本发明提出的基于一维卷积与动态路由的多传感器滚动轴承故障诊断,可以在变化的工况与噪声干扰情形下,具有最优的诊断性能,获得更好的适应能力,达到对实际生产过程中滚动轴承故障的精准诊断效果。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域,具体涉及一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械的关键部分,对于保障生产安全和提高经济效益具有重要作用。近年来,针对滚动轴承的故障诊断处理方法主要有:信号处理与智能诊断。
信号处理主要是通过人工对于信号的时频域进行设计特征参数的方法进行故障诊断,这样基于信号处理的方法严重依赖于专家经验和先验知识,也就意味着该故障诊断的效果在很大程度上受人为因素的影响,这在工作条件复杂的实际生产过程中是不可用的。智能诊断则引入了人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和BP神经网络(BP NeuralNetworks,BPNN)等传统机器学习方法,但是这些传统机器学习模型难以从原始数据中提取深层特征并处理大量数据,同样需要人为地针对不同工作条件进行特征提取的预处理工作,也难以应用于工作条件复杂的实际生产。
Geoffrey Hinton于2006年首次提出深度学习(Deep Learning,DL)技术,由于它可以自动学习深层的代表性,因此受到越来越多的关注,并由此深度学习模型,例如卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent neuralnetwork,RNN)、深度置信神经网络(Deep Belief Networks,DBN)和稀疏自编码器(SparseAuto Encoder,SAE)等也被应用于智能故障诊断技术。作为深度学习其中一个分支,卷积神经网络(CNN)是一种特殊的前馈神经网络,相比于其他深度学习模型,可以大大减少需要训练的参数数量,缩短训练时间。
但是,以上现有研究大多是在工作条件保持不变的无噪假设下建立的,这并不符合当前实际的生产情况。在当前实际生产过程中,工况经常会根据生产要求而变动,例如风力发电机,经常在负载剧烈变化的条件下工作,这样所收集的数据会受多种因素的影响,例如可变的工作条件、振动、环境噪声等因素影响。因此,智能诊断模型需要朝着更加灵活的方向发展,诊断模型应该可以检测和诊断可变工况条件下的工业系统中的故障,以确保产品质量以及工厂的安全和经济效益。
发明内容
为了能够对滚动轴承进行可变工况条件下的故障诊断,本发明提出了一种基于一维卷积与动态路由的多传感器滚动轴承故障诊断,包括以下步骤:
步骤S1,获取多传感器测量的不同状态的振动信号;
步骤S2,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息;
步骤S3,采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合,并使用softmax分类器映射输出。
优选的,在所述步骤S1中,将多传感器测量的振动信号通过快速傅里叶变换为频谱。
优选的,在所述步骤S2中,建立与步骤S1中传感器的数量相对应且相互平行的多个一维卷积神经网络,并由对应的一维卷积神经网络来提取对应传感器所获取振动信号的特征信息。
进一步优选的,在所述步骤S2中,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息的具体过程如下:
优选的,所述步骤S3的具体过程为:
步骤S31,将变换矩阵Wi与归一化后的输入特征Fi相乘,得到预测向量Ui,Ui=WiFi;
步骤S32,令相似度得分bi为零矩阵,耦合系数ci由bi的softmax函数得到:bi=O,ci=softmax(bi);
步骤S35,根据激活向量与预测向量的相似性来更新相似度得分bi:bi=bi+Ui·v;
步骤S36,循环指定次数,输出Y:Y=v,其中,Y为预测结果;
步骤S37,采用softmax分类器得到诊断结果
其中,为第i个样本的预测输出,N为故障类型的数量,Xi为第i个样本的输入特征,为第i个样本的第n类预测输出概率,损失函数采用交叉熵损失函数式中,L为损失函数的值,A为样本数,ain为第i个样本的第n个指示变量。
采用本发明基于一维卷积与动态路由的多传感器滚动轴承故障诊断进行滚动轴承故障诊断,具有以下有益技术效果:
1、在本发明提出的基于一维卷积与动态路由的多传感器滚动轴承故障诊断进行滚动轴承故障诊断中,将来自多传感器的原始频域数据通过一维卷积提取特征后,再借助动态路由融合由多传感器提取的特征信息,从而提高所获取特征信息的准确性和全面性,达到更高的诊断准确率,同时降低特征信息的不确定性,提高诊断模型的可靠性,从而能够在变化工况和噪声的干扰下依然获得更强的鲁棒性和适应能力,满足当前实际生产过程中,对变化工况和噪声干扰下滚动轴承故障的高精准诊断,提高对工业生产管理的有效帮助。
2、本发明提出的基于一维卷积与动态路由的多传感器滚动轴承故障诊断进行滚动轴承故障诊断,具有低结构复杂度的稳定数据驱动模型,可以在变化的工况与噪声下实现出色的诊断性能,而无需使用诸如数据增强之类的辅助技术,同时减少对人工信号处理的依赖性,优化故障诊断过程,提高故障诊断的效率。
附图说明
图1为采用本发明基于一维卷积与动态路由的多传感器滚动轴承故障诊断的流程示意图;
图2为实验二中不同方法在七种噪声下分别获得的诊断正确率示意图;
图3为实验三中本发明方法在不同工况下的多分类混淆矩阵;
图4为实验三中不同方法在负载1HP下通过t-SNE降维后的聚类散点图;
图5为实验三中不同方法在负载2HP下通过t-SNE降维后的聚类散点图;
图6为实验四中本发明方法针对西安交通大学轴承数据的多分类混淆矩阵;
图7为实验四中不同方法针对西交大学轴承数据集形成的聚类散点图;
图8为实验五中不同方法在七种噪声下分别获得的诊断正确率示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细介绍。
结合图1所示,采用本发明基于一维卷积与动态路由的多传感器滚动轴承故障诊断进行滚动轴承故障诊断的具体操作步骤如下:
步骤S1,获取多传感器测量的不同状态的振动信号。
其中,在本发明中,通过快速傅里叶变换将步骤S1中由多传感器测量获得的不同状态的振动信号转换为频谱,可以使后续的特征分类操作更加方便,从而提高整个故障诊断的效率。
步骤S2,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息。
一维卷积神经网络的基本结构由输入层、一维卷积层,一维池化层和全连接层组成。其中,卷积层的功能是对输入数据提取特征。在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层可以去除冗余信息,对特征进行压缩、减小计算量。经多个卷积层和池化层后,连接着1个或1个以上的全连接层、全连接层的每一个结点都与上一层的所有结点相连,全连接层的作用是把分布式特征映射到样本标记空间。
在本发明中,根据步骤S1中获取不同状态振动信号所用传感器的数量,进行相应数量且相互平行的多个一维卷积神经网络的建立,并由对应的一维卷积神经网络来提取相对应传感器所获取振动信号的特征信息。
优选的,在步骤S2中,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息的具体过程如下:
优选的,在本发明的步骤S21中,为了防止出现“梯度弥散”问题,将ReLU函数作为a=1:n的卷积输出的激活函数: 其中,f(·)为ReLU激活函数。与此同时,在所述步骤S22中,按照平均池化的方式对池化层第i个传感器第a个输入特征进行次采样:
步骤S3,采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合,并使用softmax分类器映射输出。
优选的,采用动态路由算法进行特征融合,并使用softmax分类器映射输出的具体过程为:
步骤S31,将变换矩阵Wi与归一化后的输入特征Fi相乘,得到预测向量Ui,Ui=WiFi。
步骤S32,令相似度得分bi为零矩阵,耦合系数ci由bi的softmax函数得到:bi=O,ci=softmax(bi)。
步骤S35,根据激活向量与预测向量的相似性来更新相似度得分bi:bi=bi+Ui·v。
步骤S36,循环指定次数,输出Y:Y=v,其中,Y为预测结果。
步骤S37,采用softmax分类器得到诊断结果
其中,为第i个样本的预测输出,N为故障类型的数量,Xi为第i个样本的输入特征,为第i个样本的第n类预测输出概率,损失函数采用交叉熵损失函数(Cross EntropyError Fucntion):式中,L为损失函数的值,A为样本数,ain为第i个样本的第n个指示变量(0或1),如果该预测类别和真实类别相同就是1,否则就是0。
接下来,通过选用与现有其他方法作为对比的实验方式,来对本发明所提出基于一维卷积与动态路由的多传感器滚动轴承故障诊断在变工况中的抗干扰和泛化性能进行验证。其中,整个实验过程所用的模型写自Matlab和Python,处理器为主频3.3GHz的AMDFX8300,8GB内存,操作系统为Windows764位。
实验一,同工况下的实验比对
在该实验中,实验数据选自凯斯西储大学,实验用的轴承型号为SKF6205,振动信号由固定在电动机驱动端和风扇端的两个加速度计(传感器)以12K的采样频率收集。电机负载端的载荷分别为0hp,1hp和2hp,并且根据不同的轴承状况,划分十种不同的故障类型,包括如表1所示的轴承正常(N)、故障直径7英寸的内圈故障(I_7)、故障直径14英寸的内圈故障(I_14)、故障直径21英寸的内圈故障(I_21)、故障直径7英寸的滚动球故障(B_7)、故障直径14英寸的滚动球故障(B_14)、故障直径21英寸的滚动球故障(B_21)、故障直径7英寸的外圈故障(O_7)、故障直径14英寸的外圈故障(O_14)和故障直径21英寸的外圈故障(O_21),这样本发明实验构造了三种工况的数据集,施加在轴承的载荷分别为0hp,1hp和2hp,同时为保证实验的有效性,每一个样本信号长度为1024,即包含两个完整的振动周期的采样信号。
表1
同时,一维卷积神经网络在进行滚动轴承故障诊断时需要注意以下几个参数:学习率、正则化惩罚因子、卷积层卷积核的尺寸和数量、池化层的池化窗口大小以、全连接层神经元数目以及神经网络的训练周期,其中在本次实验中选用表2所示的相关参数。
表2
层名称 | 内核大小 | 层大小 |
输入层 | 1024×2 | |
卷积层1 | 15×1 | 1010×32 |
卷积层2 | 15×1 | 1010×32 |
平均池化层1 | 2×1 | 505×32 |
平均池化层2 | 2×1 | 505×32 |
全连接层1 | 32×1 | |
全连接层2 | 32×1 | |
输出层 | Softmax | 10×1 |
在该相关参数中,输入层的输入节点数为1024,由两个传感器的数据同时输入;卷积层1的卷积核大小为15×1,由32个卷积通道组成,且卷积后特征图的尺寸为1010×1;平均池化层1的窗口大小为2×1,且下采样后特征图的尺寸为505×1;全连接层1由32个通道组成,每个通道的的特征图尺寸为32×1。除此之外,正则化惩罚因子被设为1,学习率为0.1,动态路由层的循环次数为3。
由于旋转机械设备的滚动轴承因经常工作在复杂多变的环境中,它常伴有强噪声、工作负载易变的问题,由此根据这两种情况进行实验分析研究。其中,将以一维卷积神经网络(1DCNN)、多隐藏层的BP神经网络(BPNN)以及深度置信神经网络与BP神经网络结合(DBN+BPNN)作为有监督的深度学习模型的代表,以深度置信神经网络(DBN)和稀疏自编码器(SAE)作为无监督深度学习模型的代表,以支持向量机(SVM)作为有监督的机器学习模型的代表与本发明的方案(Presented method)进行故障诊断的实验比对和分析。
对以上不同方法进行实验的训练流程主要如下:
步骤a,每次训练随机输入50个训练样本,当输入的样本数等于训练集总样本数为1个周期,每个周期后,对训练集进行一次诊断,直至达到最高准确率。
步骤b,训练结束后分别对训练集和测试集进行诊断得到结果。
其中,1DCNN的结构为一个卷积层和平均池化层,卷积核大小为15,池化窗口为2,整体结构为(1024-1010-505-32-10),学习率为0.1,正则化惩罚函数为1;DBN+BPNN中DBN的结构为(1024-100-100),将DBN的结构为(1024-100-100-10),BP神经网络的结构为(1024-100-100-10),DBN+BPNN是由DBN所得到的权值初始化BPNN,并通过BPNN进行进一步迭代更新,其中激活函数为sigmoid函数,学习率为0.1;DBN整体结构为(1024-100-100-10),激活函数为sigmoid函数,学习率为0.1;SAE整体结构为(1024-100-10),激活函数为sigmoid函数,学习率为1;SVM的核函数设置为sigmoid;BPNN的整体结构为(1024-100-32-10),学习率为0.1,激活函数为sigmoid。同时,1DCNN分别采用驱动端传感器的振动信号(1DCNN of DEsensor)和风扇端传感器的振动信号(1DCNN of FE sensor),而其他方法只采用驱动端传感器的振动信号,相同传感器的训练样本和测试样本分别一致。通过上述训练流程,在0hp下获得表3所示不同方法在训练集和测试集上的准确率。
表3
结合表3所示,基于本发明所提方法的测试数据集的分类准确率为100%(1000/1000),远远高于DBN的70%(700/1000),SAE的89.9%(899/1000)和SVM的78.9%(789/1000)。其中,虽然DBN+BPNN与BPNN的准确率分别达到了98.8%(988/1000)与99.4%(994/1000),具有较好的识别效果,但相比于本发明所提方法,还是分别下降了1.2%与0.6%。同时,在只针对同一种工况的前提下,1DCNN有着与本发明所提方法相接近的100%识别准确率。
基于以上实验,DBN,SAE与SVM的分类效果最差,其中DBN与SAE作为无监督的深度学习模型的代表虽然可以在缺乏先验知识的情况下去训练模型,然而模型本身分类能力较差,不能应对较为复杂的数据集分类,而SVM作为机器学习模型的代表则难以提取原始数据的特征,需要人为地针对不同情况进行特定的特征提取预处理工作,相较而言,虽然DBN与BPNN分类效果相对较好,但仍低于本发明所提方法和1DCNN,而1DCNN相比于BPNN来说,具有更好的特征提取能力。
实验二,人工加噪实验比对
在实际应用中,测得的振动信号总是会被噪声所破坏,由此向实验一中的测试集添加七种不同SNR(信噪比)的噪声,七种噪声的SNR分别为-4,-2,0,2,4,6,8,并将加噪后的数据集利用实验一训练好的模型进行诊断,以进一步评估各个方法在不同噪声下的性能,由此获得了图2所示不同方法在七种噪声下的诊断正确率,表4所示不同方法在七种噪声下的诊断结果以及表5所示不同方法在七种噪声下的诊断准确率标准差。
表4
表5
方法 | 准确率标准差 |
Presented method | 0.0234 |
1DCNN of DE Sensor | 0.1311 |
1DCNN of FE Sensor | 0.2093 |
DBN | 0.0941 |
DBN with BPNN | 0.1115 |
BPNN | 0.0624 |
SAE | 0.0806 |
SVM | 0.1086 |
根据表4和图2可知,在SNR为4时,本发明所提方法的准确率仍旧为100%,而其他7种方法的准确率则分别为97.6%,87.1%,69.8%,51.6%,95.2%,88.7%,76.4%。在SNR为0时,本发明所提方法的准确率达到了99.6%,相比于原准确率只下降了0.04%,当其他方法的准确率分别降低为83.3%,58.4%,57.7%,45.6%,87.4%,79.7%,62.4%,在SNR为-4时,本发明所提方法的准确率为93.7%,依然远超其他方法的准确率,而其他方法的准确率则分别大幅度降低为62.7%,48.4%,32.5%,39.0%,75.5%,67.1%,43.3%的准确率。因此,在噪声下,本发明所提方法仍然能保持很好的性能,相反,其他方法的性能则在噪声下严重退化。进一步,结合表5可知,本发明所提方法在七种加噪信号的诊断准确率标准差也远低于其他方法,即本发明所提方法在噪声下有着最优的鲁棒性。
通过以上实验可以得出,1DCNN虽然在低噪声下有着较高的诊断准确率,但其在高强度的噪声下,准确率下降严重,而DBN在噪声下的诊断效果与鲁棒性都较差;DBN+BPNN虽然相较于DBN诊断效果和鲁棒性略有提升,却仍旧不够理想;BPNN虽然诊断性能与鲁棒性较好,但是与本发明所提方法仍有差距,SAE在噪声下鲁棒性较好,但诊断性能不高;SVM在噪声下的诊断效果与鲁棒性同样都较差,而本发明所提方法在噪声下有着最高的诊断准确率和最好的鲁棒性,这是由于通过动态路由融合了多传感器提取的特征信息,提高了特征信息的准确性和全面性,从而降低了特征信息的不确定性,提高了诊断模型的可靠性,达到了在噪声干扰下鲁棒性更优的效果,有着更好的诊断准确率。
实验三,不同工况下的实验比对
为了满足机械设备生产的要求,滚动轴承通常需要在不同的工作条件下工作。因此,接下来将实验一得到的模型直接诊断其他工况(负载2(1HP)和负载3(2HP))下按照表1所制作成的测试集,并与实验一中得到的结果比较,获得表6所示的诊断准确率,图3所示本发明方法在不同工况下的多分类混淆矩阵,以及图4所示不同方法在负载2(1HP)下通过t-SNE降维后的聚类散点图和图5所示不同方法在负载3(2HP)下通过t-SNE降维后的聚类散点图。
表6
如表6所示,本发明所提方法在不同工况下的测试精度均为最高,即在1HP和2HP的工况中分别为99.7%和99.4%。其中,对于1HP工况,本发明所提方法的测试精度达到99.7%比其他方法高处很多,而其他方法则分别仅为78.3%,80.2%,53.1%,57.6%,53.3%,69.2%和36.1%。在2HP工况下同样如此,本发明所提方法的测试精度达到99.4%,而其他方法的测试精度则分别为66.4%,71.9%,52.2%,63.7%,48.5%,59.6%和31.0%。同时,根据图4和图5所示,相较于其他方法,本发明所提方法的聚类效果最好,远远优于其他方法的聚类效果。
通过该实验可知,将实验一中诊断好的模型直接对负载为1HP和2HP的振动信号进行分类时,SVM作为机器学习的代表,有着最差的分类精度和聚类表现,这是因为基于机器学习的智能诊断方法非常依赖特征的预处理,因此其分类效果在本实验中最差;DBN和SAE作为无监督深度学习的代表,分类效果同样较差,这是因为无监督学习难以对于较为复杂的数据进行分类;DBN+BPNN,1DCNN和多隐藏层BPNN作为深度学习的代表,虽然对于负载0HP下有着较好地分类效果,但是由于单传感器的局限性,提取的特征不全面,难以在负载1HP和2HP下保持性能。因此,本发明所提方法在变化的工况下依然能够保持较好的诊断准确率和良好的聚类效果,这是因为本发明所提方法通过多传感器从不同角度提取的特征更加全面,模型的应变能力更强。
实验四,混合工况下的实验比对
本实验数据选自西安交通大学,试验用的轴承型号为LDK UER204,振动信号由固定在测试轴承的水平和竖直方向的两个单向PCB 352C33单向加速度传感器以25.6K的采样频率收集,采样间隔为1min,每次采样时长为1.28s。数据共包含了三类工况:工况一为转速2100r/min、径向力为12KN,工况二为转速2100r/min、径向力为12KN,工况三为转速2100r/min、径向力为12KN。根据三种不同工况,该实验设计了九种故障类型包括:内圈故障I1,内圈故障I2,保持架故障C1,保持架故障C2,外圈故障O1,外圈故障O2,外圈故障O3,内圈与外圈的复合故障I+O以及内圈、外圈、滚动球和保持架复合故障I+O+B+C。
通过两种加速度计在九种故障类型对应的测试条件下收集的振动信号,获得如表7所示的混合工况下实验的训练集和测试集样本。
表7
故障种类 | 训练集/测试集样本数 | 数据标签 |
I+O+B+C | 400/100 | 1 |
C1 | 400/100 | 2 |
C2 | 400/100 | 3 |
I+O | 400/100 | 4 |
I1 | 400/100 | 5 |
I2 | 400/100 | 6 |
O1 | 400/100 | 7 |
O2 | 400/100 | 8 |
O3 | 400/100 | 9 |
在本实验中,本发明所提方法的结构和参数与表3中的参数保持一致,对比实验所用方法的结构参数与实验一中的保持一致,并最终获得表8所示不同方法在训练集和测试集上的准确率数据,图6所示本发明方法针对西安交通大学轴承数据的多分类混淆矩阵,图7所示不同方法针对西交大学轴承数据集形成的聚类散点图。
表8
如表8所示,本发明所提方法在西安交通大学轴承数据集上的分类精度达到了100%(900/900),远超于其他7种方法的分类精度,其分类精度分别为85.00%(765/900),88.78%(799/900),88.78%(799/900),75.44%(679/900),85.78%(772/900),86.44%(778/900)和35.33%(318/900)。同时,根据图6所示的多分类混淆矩阵和图7所示的聚类散点图可以明确得知,本发明所提方法的聚类效果最优。由此,进一步证明本发明方法具有更高的适用性。
基于以上实验比对,通过对西安交通大学轴承数据进行多种方法的故障诊断实验,其中,SVM作为机器学习的代表,有着最差的分类精度和聚类表现,这是因为基于机器学习的智能诊断方法非常依赖特征的预处理,因此分类效果在本实验中最差;DBN和SAE作为无监督深度学习的代表,分类效果同样较差,这是因为无监督学习难以对于较为复杂的数据进行分类;DBN+BPNN,1DCNN和多隐藏层BPNN作为深度学习的代表,虽然针对于同种工况时分类准确率较高,但是针对于不同工况时诊断效果却较差,这是因为单传感器的局限性,得到的特征不准确,反之,在本发明所提方法中,通过多传感器从不同角度提取获得更加全面的特征,使得模型的分类能力更强,从而获得更高的诊断准确率和聚类效果。
实验五,混合工况下添加噪声的实验比对
在实验四的基础上,向表8的测试集中再添加与实验二中相同的七种噪声,并且利用实验四中训练好的模型直接进行诊断,由此获得图8所示不同方法在七种噪声下分别获得的诊断正确率示意图,以及表9所示西安交通大学轴承数据集上添加七种加噪信号的诊断准确率数据和表10所示西安交通大学轴承数据集上添加七种加噪信号的诊断准确率标准差数据。
表9
表10
结合表9所示可知,在SNR为4时,本发明所提方法的准确率仍旧为100%,而其他方法的准确率则分别为81.78%,85.33%,86.00%,88.89%,75.44%,86.44%和34.44%;在SNR为0时,本发明所提方法的准确率仍旧为100%,而其他方法的准确率则分别为79.33%,82.00%,84.44%,88.89%,75.44%,86.44%和34.22%;在SNR为-4时,本发明所提方法的准确率为99.78%相比于原准确率只下降了0.22%,但同样远超其他方法的准确率。由此,再次证明了针对存在噪声的工况,本发明所提方法仍然能保持很好的性能,相反,其他方法的性能在噪声下严重退化。进一步结合表10所示,本发明所提方法在七种加噪信号的诊断准确率标准差也远低于其他方法,即本发明的方法在噪声下有着最优的鲁棒性。
通过混合工况下的实验再次证明了,1DCNN虽然在低噪声下有着较高的诊断准确率,但其在高强度的噪声下,准确率骤降,鲁棒性较差;DBN在噪声下的诊断效果与鲁棒性都较差;DBN+BPNN虽然相较于DBN诊断效果和鲁棒性略有提升,却仍旧不够理想;BPNN虽然诊断性能与鲁棒性较好,但与本发明所提方法仍有差距;SAE在噪声下鲁棒性较好,但诊断性能不高;SVM在噪声下的诊断效果远低于不加噪声,而本发明所提方法通过动态路由融合多传感器提取的特征信息,提高了特征信息的准确性和全面性,即降低了特征信息的不确定性,提高了诊断模型的可靠性,达到在噪声下依然有着最高诊断准确率和最好鲁棒性的有益技术效果。
Claims (8)
1.基于一维卷积与动态路由的多传感器滚动轴承故障诊断,其特征在于,具体包括以下步骤:
步骤S1,获取多传感器测量的不同状态的振动信号;
步骤S2,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息;
步骤S3,采用动态路由算法对步骤S2中不同角度的特征信息进行特征融合,并使用softmax分类器映射输出。
2.根据权利要求1所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断,其特征在于,在所述步骤S1中,将多传感器测量的振动信号通过快速傅里叶变换为频谱。
3.根据权利要求1所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断,其特征在于,在所述步骤S2中,建立与步骤S1中传感器的数量相对应且相互平行的多个一维卷积神经网络,并由对应的一维卷积神经网络来提取对应传感器所获取振动信号的特征信息。
4.根据权利要求3所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断,其特征在于,在所述步骤S2中,建立一种平行的多卷积结构来提取步骤S1中由多传感器所获取振动信号的不同角度的特征信息的具体过程如下:
8.根据权利要求1所述基于一维卷积与动态路由的多传感器滚动轴承故障诊断,其特征在于,所述步骤S3的具体过程为:
步骤S31,将变换矩阵Wi与归一化后的输入特征Fi相乘,得到预测向量Ui,Ui=WiFi;
步骤S32,令相似度得分bi为零矩阵,耦合系数ci由bi的softmax函数得到:bi=O,ci=softmax(bi);
步骤S35,根据激活向量与预测向量的相似性来更新相似度得分bi:bi=bi+Ui·v;
步骤S36,循环指定次数,输出Y:Y=v,其中,Y为预测结果;
步骤S37,采用softmax分类器得到诊断结果
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011133371.9A CN112284735B (zh) | 2020-10-21 | 2020-10-21 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011133371.9A CN112284735B (zh) | 2020-10-21 | 2020-10-21 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112284735A true CN112284735A (zh) | 2021-01-29 |
CN112284735B CN112284735B (zh) | 2022-07-15 |
Family
ID=74424567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011133371.9A Active CN112284735B (zh) | 2020-10-21 | 2020-10-21 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284735B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011558A (zh) * | 2021-02-25 | 2021-06-22 | 山东大学 | 基于多异构传感器信息融合的机器人故障诊断方法及系统 |
CN113822417A (zh) * | 2021-09-22 | 2021-12-21 | 中国电建集团成都勘测设计研究院有限公司 | 两种机器学习方法结合的变压器故障类型诊断方法 |
CN114235409A (zh) * | 2021-12-17 | 2022-03-25 | 西安交通大学 | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 |
CN114298110A (zh) * | 2021-12-29 | 2022-04-08 | 北京交通大学 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
CN114459760A (zh) * | 2021-12-31 | 2022-05-10 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及系统 |
WO2024045555A1 (zh) * | 2022-08-30 | 2024-03-07 | 山东建筑大学 | 一种基于标准自学习数据增强的故障诊断方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160245686A1 (en) * | 2015-02-23 | 2016-08-25 | Biplab Pal | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data |
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
WO2020095303A1 (en) * | 2018-11-09 | 2020-05-14 | Augury Systems Ltd. | Automated analysis of non-stationary machine performance |
US20200158561A1 (en) * | 2018-11-21 | 2020-05-21 | Hitachi, Ltd. | Analysis support apparatus, analysis support method, and a computer-readable medium containing an analysis support program |
CN111458146A (zh) * | 2020-04-02 | 2020-07-28 | 兰州理工大学 | 一种滚动轴承多测量点振动信号压缩采样与同步重构方法 |
DE102020201593A1 (de) * | 2019-02-12 | 2020-08-13 | Aktiebolaget Skf | Intelligentes Identifizierungsverfahren für eine Schwingungseigenschaft von rotierenden Maschinen |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
-
2020
- 2020-10-21 CN CN202011133371.9A patent/CN112284735B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160245686A1 (en) * | 2015-02-23 | 2016-08-25 | Biplab Pal | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data |
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
WO2020095303A1 (en) * | 2018-11-09 | 2020-05-14 | Augury Systems Ltd. | Automated analysis of non-stationary machine performance |
US20200158561A1 (en) * | 2018-11-21 | 2020-05-21 | Hitachi, Ltd. | Analysis support apparatus, analysis support method, and a computer-readable medium containing an analysis support program |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
DE102020201593A1 (de) * | 2019-02-12 | 2020-08-13 | Aktiebolaget Skf | Intelligentes Identifizierungsverfahren für eine Schwingungseigenschaft von rotierenden Maschinen |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN111458146A (zh) * | 2020-04-02 | 2020-07-28 | 兰州理工大学 | 一种滚动轴承多测量点振动信号压缩采样与同步重构方法 |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
KAO, I-HSI: "Analysis of Permanent Magnet Synchronous Motor Fault Diagnosis Based on Learning", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
张永宏: "基于深度度量学习的电机故障诊断", 《测控技术》 * |
郭俊锋: "基于压缩感知的机械振动信号检测理论及试验研究", 《科技成果》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011558A (zh) * | 2021-02-25 | 2021-06-22 | 山东大学 | 基于多异构传感器信息融合的机器人故障诊断方法及系统 |
CN113822417A (zh) * | 2021-09-22 | 2021-12-21 | 中国电建集团成都勘测设计研究院有限公司 | 两种机器学习方法结合的变压器故障类型诊断方法 |
CN114235409A (zh) * | 2021-12-17 | 2022-03-25 | 西安交通大学 | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 |
CN114298110A (zh) * | 2021-12-29 | 2022-04-08 | 北京交通大学 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
CN114298110B (zh) * | 2021-12-29 | 2024-04-19 | 北京交通大学 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
CN114459760A (zh) * | 2021-12-31 | 2022-05-10 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及系统 |
CN114459760B (zh) * | 2021-12-31 | 2024-05-24 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及系统 |
WO2024045555A1 (zh) * | 2022-08-30 | 2024-03-07 | 山东建筑大学 | 一种基于标准自学习数据增强的故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112284735B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
Zhang et al. | Deep residual learning-based fault diagnosis method for rotating machinery | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
Huang et al. | A robust weight-shared capsule network for intelligent machinery fault diagnosis | |
Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
Deutsch et al. | Using deep learning based approaches for bearing remaining useful life prediction | |
CN112161784A (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
Tang et al. | Signal-transformer: A robust and interpretable method for rotating machinery intelligent fault diagnosis under variable operating conditions | |
CN110672343A (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
Miao et al. | Deep sparse representation network for feature learning of vibration signals and its application in gearbox fault diagnosis | |
Zhang et al. | An intelligent fault diagnosis method of rolling bearing under variable working loads using 1-D stacked dilated convolutional neural network | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN112651426A (zh) | 一种风电机组滚动轴承故障诊断方法 | |
CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
Zhang et al. | Fault diagnosis using unsupervised transfer learning based on adversarial network | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
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 | |
Cheng et al. | Health degradation monitoring of rolling element bearing by growing self-organizing mapping and clustered support vector machine |
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 |