CN112577745A - 一种基于1d-cnn的滚动轴承故障诊断方法 - Google Patents
一种基于1d-cnn的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112577745A CN112577745A CN202011393184.4A CN202011393184A CN112577745A CN 112577745 A CN112577745 A CN 112577745A CN 202011393184 A CN202011393184 A CN 202011393184A CN 112577745 A CN112577745 A CN 112577745A
- Authority
- CN
- China
- Prior art keywords
- model
- rolling bearing
- fault
- cnn
- samples
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 28
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于1D‑CNN的滚动轴承故障诊断方法，包括：S1：分别获取滚动轴承设备的内圈故障、外圈故障、滚动体故障和正常状态下的振动信号数据；S2：对上述振动信号数据进行预处理操作，包括截取上述四类振动信号数据获得模型所需的四类样本、四类样本分别标注标签、和对标注的样本进行划分为训练集和验证集；S3：建立1D‑CNN初始模型，利用预处理后的训练集训练所述初始模型，获得滚动轴承故障诊断模型；用验证集检验滚动轴承故障诊断模型的诊断性能；S4：实时采集滚动轴承设备的振动信号，对振动信号进行截取获得样本，将样本输入滚动轴承故障诊断模型中，得到滚动轴承设备的故障诊断结果。
Description
技术领域
本发明涉及机械设备故障诊断领域，具体涉及一种基于1D-CNN的滚动轴承故障诊断方法。
技术背景
滚动轴承作为机械设备的关键部件，在施工过程中也极易发生故障，现有技术往往是通过拆卸来检查滚动轴承故障发生位置，不仅对工作人员来说耗时费力，甚至会影响项目进程、造成经济损失。
随着现代化机械设备的增加，对机械运转时的数据采集也能达到较高的采样频率以及获得较多的采样点，由此获得的海量数据也使机械设备故障诊断领域进入“大数据”时代，深度学习理论在“大数据”下有着强大的自学习能力。而属于深度学习的CNN有着极强的数据信息挖掘，将其应用在滚动轴承振动信号数据上，利用其完成滚动轴承故障特征提取，直接实现端到端的故障识别，具有重大的意义。
发明内容
为了克服现有技术的缺陷，本发明提供一种基于1D-CNN的滚动轴承故障诊断方法，本发明的技术方案如下：
一种基于1D-CNN的滚动轴承故障诊断方法，包括如下步骤：
S1：分别获取滚动轴承设备的内圈故障、外圈故障、滚动体故障和正常状态下的振动信号数据；
S2：对上述振动信号数据进行预处理操作，包括截取上述四类振动信号数据获得模型所需的四类样本、四类样本分别标注标签、和对标注的样本进行划分为训练集和验证集；
S3：建立1D-CNN初始模型，利用预处理后的训练集训练所述初始模型，获得滚动轴承故障诊断模型；用验证集检验滚动轴承故障诊断模型的诊断性能；。
S4：实时采集滚动轴承设备的振动信号，对振动信号进行截取获得样本，将样本输入滚动轴承故障诊断模型中，得到滚动轴承设备的故障诊断结果。
可选地，所述步骤S1中的振动信号数据，是先人工在滚动轴承设备的内圈、外圈和滚动体上布置单点故障，再通过分别设置在轴承设备的内圈、外圈和滚动体的加速度传感器采集得到。
可选地，步骤S2进一步包括：
S21：对所述每类振动信号均进行相同的操作获得四类样本，方法如下：
截取振动信号数据获得样本，截取方式为：选定振动信号数据长度L作为样本长度，步长偏移为s，若数据集共有n个数据，则可以得到[n-(L-s)]个样本。
S22：对所述四类样本标注标签，标签采用one-hot编码，标注情况为：外圈故障标签[1 0 0 0]、内圈故障标签[0 1 0 0]、滚动体故障标签[0 0 1 0]、正常状态标签[0 0 01]；
S23：将完成上述两步的数据样本划分为训练集和验证集。
可选地，所述步骤S3进一步包括：
把步骤S2所得到的训练集输入到建立的1D-CNN初始模型结构开始训练模型，训练集训练好模型后，验证集输入训练好的模型，输出模型诊断结果，与验证集实际故障类型对比，是否相符；模型训练过程中采用Adam学习率自适应算法，通过模型在验证集上的最小损失来衡量最优模型，保存最优模型结构和参数，获得训练好的滚动轴承故障状态诊断模型。
可选地，建立的1D-CNN初始模型包括：一维卷积层、一维池化层、全连接层和分类器。
与现有技术相比，本发明基于一维卷积神经网络(1D-CNN)，利用滚动轴承上实时采集的振动信号数据进行滚动轴承故障类型诊断，其建立的滚动轴承故障诊断模型能够自动识别数据中的隐含知识，挖掘主轴承故障状态的特征，在不拆卸设备的情况下，自行预测其故障状态，确定故障发生的位置，节省施工时的人力物力，提高施工信息化，智能化水平。
附图说明
图1是本发明具体实施例的样本生成示意图；
图2是本发明具体实施例的1D-CNN初始模型的结构示意图；
图3是本发明具体实施例训练1D-CNN初始模型时的流程图；
图4是本发明具体实施例一种基于1D-CNN的滚动轴承故障诊断方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
参见图1至图4，本实施例公开了一种基于1D-CNN的滚动轴承故障诊断方法，包括以下步骤：
S1：分别获取滚动轴承设备的内圈故障、外圈故障、滚动体故障和正常状态下的振动信号数据；其中，振动信号数据，是先人工在滚动轴承设备的内圈、外圈和滚动体上布置单点故障，再通过分别设置在轴承设备的内圈、外圈和滚动体的加速度传感器采集得到。
S2：对上述振动信号数据进行预处理操作，包括截取上述四类振动信号数据获得模型所需的四类样本、四类样本分别标注标签、和对标注的样本进行划分为训练集和验证集；
S3：建立1D-CNN初始模型，利用预处理后的训练集训练所述初始模型，获得滚动轴承故障诊断模型(即训练好的1D-CNN模型)；用验证集检验滚动轴承故障诊断模型的诊断性能；
其中，如图2，建立的1D-CNN初始模型包括：一维卷积层、一维池化层、全连接层和分类器。设置1D-CNN中卷积层、池化层、全连接层，卷积层、池化层、全连接层的层数，卷积核的个数与大小，运算的步长等，选择合适的1D-CNN模型训练参数，包括训练批次，批次大小、初始学习率等；然后根据步骤1所得到的训练数据样本输入到建立的1D-CNN初始模型结构开始训练模型，验证数据样本进行分类验证，模型训练过程中采用Adam学习率自适应算法，通过模型在验证集上的最小损失来衡量最优模型，保存最优模型结构和参数，获得训练好的滚动轴承故障状态诊断模型。S4：实时采集滚动轴承设备的振动信号，对振动信号进行截取获得样本，将样本输入滚动轴承故障诊断模型中，得到滚动轴承设备的故障诊断结果。
其中，步骤S2进一步包括：
S21：对所述每类振动信号均进行相同的操作获得四类样本，方法如下：
截取振动信号数据获得样本，截取方式为：选定振动信号数据长度L作为样本长度，步长偏移为s，若数据集共有n个数据，则可以得到[n-(L-s)]个样本。可参见图1。
S22：对所述四类样本标注标签，标签采用one-hot编码，标注情况为：外圈故障标签[1 0 0 0]、内圈故障标签[0 1 0 0]、滚动体故障标签[0 0 1 0]、正常状态标签[0 0 01]；
S23：将完成上述两步的数据样本划分为训练集和验证集。
其中，所述步骤S3进一步包括：
把步骤S2所得到的训练集输入到建立的1D-CNN初始模型结构开始训练模型，训练集训练好模型后，验证集输入训练好的模型，输出模型诊断结果，与验证集实际故障类型对比，是否相符(一般训练集与验证集都包含几千甚至上万个样本，模型验证输出的结果一般是验证集上的诊断准确率，即诊断正确个数/总个数)。模型训练过程中采用Adam学习率自适应算法，通过模型在验证集上的最小损失来衡量最优模型，保存最优模型结构和参数，获得训练好的滚动轴承故障状态诊断模型。
本发明的主要原理：利用1D-CNN(1 dimension-convolutional neural network)对滚动轴承故障进行诊断。本发明建立的滚动轴承故障诊断模型能够自动识别数据中的隐含知识，挖掘主轴承故障状态的特征，在不拆卸设备的情况下，自行预测其故障状态，确定故障发生的位置，节省施工时的人力物力，提高施工信息化，智能化水平。
一维卷积神经网络是一个有监督的深度学习模型，通常用于分类，它是多级神经网络，包含滤波级与分类级。其中，滤波级用来提取输入信号的特征，分类级对学习到的特征进行分类，两级网络参数是训练得到的，训练的过程中通过模型在验证集上的最小损失来衡量最优模型。滤波级包含卷积层，池化层等2个基本单元，而分类级一般由全连接层组成。
卷积层：卷积层使用卷积核对输入信号(或特征)的局部区域进行卷积运算，并产生相应的特征。卷积层最重要的特点是权值共享，即同一个卷积核将以固定的步长遍历一次输入，权值共享减少了卷积层的网络参数，避免了由于参数过多造成的过拟合。对一维输入信号X∈RL，一维卷积神经网络的卷积层使用K个宽度为w的卷积核ωi∈RW(i＝1，2，...，K)对其进行一维卷积，其输出
out_puti＝f(∑X*ωi+bi) i＝1，2，...，K
式中，*代表卷积核与输入的卷积运算，f为非线性激活函数，选用ReLU函数，bi为每个通道的偏置，K为输出后的通道数。
池化层：选用最大池化方法，池化层进行的是降采样操作，主要目的是减少神经网络的参数。对数据T∈RL，池化后输出
其中输入向量划分为n部分，Ti∈RL表示表示第i个特征张量，W是池化窗口的大小，S为步长。
全连接层：全连接层是将滤波级提取出的特征进行分类，参数为权重ω和偏差b，f为非线性激活函数，对输入P∈Rm，全连接层的输出为δ＝f(ωP+b)
分类器层：最后输出层采用的是激活函数是Softmax函数。Softmax函数的目的是将输入的神经元转化为和为1的概率分布，这样做有利于后续的多分类目标函数的建立Softmax，得到输入数据的标签分布
损失函数：采用交叉熵函数，假设卷积神经网络的实际输出的Softmax值为q，其目标分布p为one-hot类型的向量，即当目标类别为j时，Pj＝1时，否则Pj＝0。则损失函数表达式如下式：
式中m为输入的小批量(mini-batch)的大小。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种基于1D-CNN的滚动轴承故障诊断方法，其特征在于，包括如下步骤：
S1：分别获取滚动轴承设备的内圈故障、外圈故障、滚动体故障和正常状态下的振动信号数据；
S2：对上述振动信号数据进行预处理操作，包括截取上述四类振动信号数据获得模型所需的四类样本、四类样本分别标注标签、和对标注的样本进行划分为训练集和验证集；
S3：建立1D-CNN初始模型，利用预处理后的训练集训练所述初始模型，获得滚动轴承故障诊断模型；用验证集检验滚动轴承故障诊断模型的诊断性能；
S4：实时采集滚动轴承设备的振动信号，对振动信号进行截取获得样本，将样本输入滚动轴承故障诊断模型中，得到滚动轴承设备的故障诊断结果。
2.根据权利要求1所述的一种基于1D-CNN的滚动轴承故障诊断方法，其特征在于：所述步骤S1中的振动信号数据，是先人工在滚动轴承设备的内圈、外圈和滚动体上布置单点故障，再通过分别设置在轴承设备的内圈、外圈和滚动体的加速度传感器采集得到。
3.根据权利要求1所述的一种基于1D-CNN的滚动轴承故障诊断方法，其特征在于：其特征在于，步骤S2进一步包括：
S21：对所述每类振动信号均进行相同的操作获得四类样本，方法如下：
截取振动信号数据获得样本，截取方式为：选定振动信号数据长度L作为样本长度，步长偏移为s，若数据集共有n个数据，则可以得到[n-(L-s)]个样本。
S22：对所述四类样本标注标签，标签采用one-hot编码，标注情况为：外圈故障标签[10 0 0]、内圈故障标签[0 1 0 0]、滚动体故障标签[0 0 1 0]、正常状态标签[0 0 0 1]；
S23：将完成上述两步的数据样本划分为训练集和验证集。
4.根据权利要求1所述的一种基于1D-CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S3进一步包括：
把步骤S2所得到的训练集输入到建立的1D-CNN初始模型结构开始训练模型，训练集训练好模型后，验证集输入训练好的模型，输出模型诊断结果，与验证集实际故障类型对比，是否相符；模型训练过程中采用Adam学习率自适应算法，通过模型在验证集上的最小损失来衡量最优模型，保存最优模型结构和参数，获得训练好的滚动轴承故障状态诊断模型。
5.根据权利要求4所述的一种基于1D-CNN的滚动轴承故障诊断方法，其特征在于，建立的1D-CNN初始模型包括：一维卷积层、一维池化层、全连接层和分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011393184.4A CN112577745A (zh) | 2020-12-02 | 2020-12-02 | 一种基于1d-cnn的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011393184.4A CN112577745A (zh) | 2020-12-02 | 2020-12-02 | 一种基于1d-cnn的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112577745A true CN112577745A (zh) | 2021-03-30 |
Family
ID=75126956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011393184.4A Pending CN112577745A (zh) | 2020-12-02 | 2020-12-02 | 一种基于1d-cnn的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112577745A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949591A (zh) * | 2021-03-31 | 2021-06-11 | 上海电力大学 | 一种基于深度自编码器的滚动轴承故障诊断方法 |
| CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN115270896A (zh) * | 2022-09-28 | 2022-11-01 | 西华大学 | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 |
| CN115406655A (zh) * | 2022-08-29 | 2022-11-29 | 桂林电子科技大学 | 轴承智能故障诊断模型建立方法及系统 |
| CN117056814A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
| CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
| CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
| CN111595582A (zh) * | 2020-05-26 | 2020-08-28 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承故障诊断方法 |
-
2020
- 2020-12-02 CN CN202011393184.4A patent/CN112577745A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
| CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
| CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
| CN111595582A (zh) * | 2020-05-26 | 2020-08-28 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHILEI DU ET AL.: "Research on Rolling Bearing Condition Monitoring Method Based on Deep Learning", 《CHINESE AUTOMATION CONGRESS(CAC)》 * |
| 蒙志强 等: "基于改进卷积神经网络的滚动轴承故障诊断", 《组合机床与自动化加工技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949591A (zh) * | 2021-03-31 | 2021-06-11 | 上海电力大学 | 一种基于深度自编码器的滚动轴承故障诊断方法 |
| CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN113033910B (zh) * | 2021-04-09 | 2023-06-09 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN115406655A (zh) * | 2022-08-29 | 2022-11-29 | 桂林电子科技大学 | 轴承智能故障诊断模型建立方法及系统 |
| CN115270896A (zh) * | 2022-09-28 | 2022-11-01 | 西华大学 | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 |
| CN117056814A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
| CN117056814B (zh) * | 2023-10-11 | 2024-01-05 | 国网山东省电力公司日照供电公司 | 一种变压器声纹振动故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577745A (zh) | 一种基于1d-cnn的滚动轴承故障诊断方法 | |
| CN109084980B (zh) | 基于均等分割的轴承故障预测方法及装置 | |
| CN110210381A (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
| Guo et al. | Deep convolution feature learning for health indicator construction of bearings | |
| CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
| CN112417954A (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
| CN111964908A (zh) | 一种基于mwdcnn的变工况下轴承故障诊断方法 | |
| CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
| CN102663264A (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
| CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN115452376B (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| CN114993669A (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
| CN114357594A (zh) | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 | |
| CN112465045A (zh) | 一种基于孪生神经网络的供应链例外事件检测方法 | |
| CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
| CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
| CN117556317A (zh) | 一种基于时频图像的转动轴承故障诊断方法 | |
| CN113449465B (zh) | 一种用于滚动轴承的寿命预测方法 | |
| CN114492534A (zh) | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 | |
| CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN117909800A (zh) | 基于可解释的隐式扩散模型的旋转机械设备故障诊断方法 | |
| CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
| CN108763728B (zh) | 用并联型深度神经网络分层特征提取的机械故障诊断方法 | |
| CN115436057A (zh) | 一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210330 |
|
| WD01 | Invention patent application deemed withdrawn after publication |