CN112733612A - 一种跨领域的旋转机械故障诊断模型建立方法及其应用 - Google Patents
一种跨领域的旋转机械故障诊断模型建立方法及其应用 Download PDFInfo
- Publication number
- CN112733612A CN112733612A CN202011502339.3A CN202011502339A CN112733612A CN 112733612 A CN112733612 A CN 112733612A CN 202011502339 A CN202011502339 A CN 202011502339A CN 112733612 A CN112733612 A CN 112733612A
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault diagnosis
- domain
- model
- rotary machine
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 108010063499 Sigma Factor Proteins 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000012800 visualization Methods 0.000 description 11
- 238000013508 migration Methods 0.000 description 9
- 230000005012 migration Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种跨领域的旋转机械故障诊断模型建立方法及其应用，属于机械故障诊断技术领域，模型建立方法包括：获取旋转机械在不同工况、不同状态下的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；不同状态包括正常状态和故障状态；不同工况包括目标工况，目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据；基于神经网络建立分类模型，利用源域数据对分类模型进行训练，并在训练结束后，对分类模型的参数进行优化调整，以最小化源域数据和目标域数据分布间的差异；将优化调整之后的分类模型，作为旋转机械故障诊断模型。本发明有效提高了模型的诊断精度，并且能够适应复杂工况下的故障诊断。
Description
技术领域
本发明属于机械故障诊断技术领域，更具体地，涉及一种跨领域的旋转机械故障诊断模型建立方法及其应用。
背景技术
旋转机械是机械设备的重要组成部分之一，已广泛用于现代制造和工业过程中，其运行状态直接影响整个机械系统性能。由于长期运行在高温高压恶劣环境以及变速变负载工作条件下，旋转机械关键部件可能会遭受损坏或发生故障，将严重损坏机械系统，并耗费大量维护成本。因此，开展旋转机械故障诊断方法研究十分重要。
由于采集信号中往往包含大量噪声将影响诊断结果，因此，采用适当的信号预处理方法可提高诊断精度。常见信号处理方法主要包括：经验模态分解、局部均值分解、小波包分解等，但是这些方法仍然存在一个问题：计算得到的子信号频率分辨率不精细，且子信号频带重叠，而故障信息主要反映在频率分量及其幅度的变化中，这样不利于后续的故障特征信息提取。
原始数据经过预处理后，需要进行特征提取及故障识别。深度学习方法由于能够从数据中自动学习具有代表性的特征，不需要太多的专业知识，并在机械故障诊断领域取得了成功应用。但是深度学习模型仍然存在两个不足：1)通常要假设训练和测试集的数据分布相同，然而，旋转机械所处的工作环境通常是恶劣和复杂的，转速和负载会不断变化，导致获得的训练和测试集数据存在分布差异，降低深度学习模型诊断性能；2)深度学习要有大量带有故障信息的标记数据，然而，在实际工业生产中，机器不能长时间处于故障状态，很难获得大量的故障数据，相应地，模型的诊断结果质量较差。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种跨领域的旋转机械故障诊断模型建立方法及其应用，其目的在于，解决现有深度学习模型诊断结果质量差，且难以适用于复杂工况的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种跨领域的旋转机械故障诊断模型建立方法，包括：
预处理步骤：对于待处理的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；
数据集构建步骤：获取旋转机械在不同工况、不同状态下的振动信号，并对所获取的振动信号执行预处理步骤，得到不同工况下的二维时频图像；不同状态包括正常状态和故障状态；不同工况包括目标工况，目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据；
模型建立步骤：基于神经网络建立分类模型，利用源域数据对分类模型进行训练，并在训练结束后，对分类模型的参数进行优化调整，以最小化源域数据和目标域数据分布间的差异；将优化调整之后的分类模型，作为旋转机械故障诊断模型。
本发明同时收集目标工况和非目标工况下的数据，目标工况下的数据构成目标域数据，非目标工况下的数据构成源域数据，在建立旋转机械故障诊断模型时，先利用源域数据训练模型，训练完成后，再对模型参数进行优化调整，以最小化源域数据和目标域数据分布间的差异，在此过程中，实现了特征迁移，使得模型能够很好地适应训练数据与实际数据之间的分布差异，有效提高了模型的诊断精度，并且能够适应复杂工况下的故障诊断。
进一步地，预处理步骤中，对于待处理的振动信号，滤除其中的噪声，包括：
通过傅里叶变换将振动信号转换至频域下，利用一个或多个不同的滤波器进行滤波操作，以滤除振动信号中的噪声分量，得到不同频带下振动信号；
通过傅里叶反变换将不同频带下的振动信号分别转换至时域下并相加，从而重构得到滤除噪声后的振动信号；
其中，不同滤波器的频带不同。
本发明将原始振动信号转换至频域下之后，利用多滤波器将频域下的振动信号中，有效信号成分集中的子频带保留，而将噪声集中的频带滤除，实现降噪，由此能够有效滤除振动信号中的噪声，进一步提高模型的诊断精度；复杂工况下，采集的原始信号中的噪声干扰更为明显，本发明利用多滤波器对振动信号中的噪声进行有效滤除，进一步保证了所建立的模型可适用于复杂工况下的故障诊断。
进一步地，预处理步骤中，通过频率切片小波变换对滤除噪声后的振动信号进行时频变换，得到二维时频图。
本发明将去噪后的振动信号转换为时频图像，转换得到的二维信号包含时域和频域信息，反映了振动信号的频率随时间变化的关系，便于故障诊断模型提取特征；频率切片小波变换通过引入频率切片函数和尺度因子，实现了信号在时频域的联合分布，同时考虑了低频和高频部分，本发明利用频率切片小波变换实现时频变换，所得到的二维图像包含了足够的故障特征，能够有效提高模型的诊断精度。
进一步地，频率切片小波变换的计算公式为：
其中，t表示时间，ω表示角频率，η为时频分辨系数，σ为尺度因子，σ≠0，η＞0，
f(t)表示振动信号，
表示f(t)的傅里叶变换，u表示评估频率；
为
的共轭函数，
为p(t)的傅里叶变换，p(t)表示频率切片函数。
本发明在利用频率切片小波变换实现时频变换时，将频率切片小波变换的能量系数设定为1，能够获得最优的诊断结果。
进一步地，模型建立步骤中，以平方距离或者高斯核距离衡量源域数据和目标域数据分布间的差异。
本发明利用平方距离或高斯核距离能够准确衡量源域数据和目标域数据分布间的差异，保证模型参数的优化效果。
进一步地，分类模型为ResNet50。
按照本发明的另一个方面，提供了一种基于上述跨领域的旋转机械故障诊断模型建立方法的旋转机械故障诊断方法，包括：
获取旋转机械在目标工况下的振动信号，利用预处理步骤将其转换为二维时频图像，记为目标图像；
将目标图像输入利用本发明提供的上述跨领域的旋转机械故障诊断模型建立方法得到的旋转机械故障诊断模型，由旋转机械故障诊断模型输出旋转机械的状态。
按照本发明的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的跨领域的旋转机械故障诊断模型建立方法，和/或本发明提供的旋转机械故障诊断方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明同时收集目标工况和非目标工况下的数据，分别作为目标域数据和源域数据，在建立旋转机械故障诊断模型时，先利用源域数据训练模型，训练完成后，再对模型参数进行优化调整，以最小化源域数据和目标域数据分布间的差异，在此过程中，实现了特征迁移，使得模型能够很好地适应训练数据与实际数据之间的分布差异，有效提高了模型的诊断精度，并且能够适应复杂工况下的故障诊断。
(2)本发明将原始振动信号转换至频域下之后，利用多滤波器将频域下的振动信号中，有效信号成分集中的子频带保留，而将噪声集中的频带滤除，实现降噪，由此能够有效滤除振动信号中的噪声，进一步提高模型的诊断精度，并进一步保证了所建立的模型可适用于复杂工况下的故障诊断。
(3)本发明利用频率切片小波变换实现时频变换，所得到的二维图像包含了足够的故障特征，能够有效提高模型的诊断精度；在其优选方案中，将频率切片小波变换的能量系数设置为1，能够获得最优的诊断精度。
(4)本发明通过特征迁移的方式建立故障诊断模型，所建立的模型能能够具有较好的泛化能力。
(5)本发明利用源域数据训练模型，基于源域数据和目标域数据分布间的差异在模型训练结束后对模型参数进行优化调整，最终得到的模型层次浅，仅利用较少的故障数据即可使模型获得较好的诊断效果。
附图说明
图1为本发明实施例提供的跨领域的旋转机械故障诊断模型建立方法流程图；
图2为本发明实施例提供的利用多滤波器去噪的示意图；
图3为本发明实施例提供的利用多滤波器去噪后的时域与频域子信号图；其中，(a)为时域信号图，(b)为频域子信号图；
图4为本发明实施例提供的利用局部均值分解后的时域与频域子信号图；其中，(a)为时域信号图，(b)为频域子信号图；
图5为本发明实施例提供的旋转机械故障诊断模型示意图；
图6为本发明实施例提供的不同诊断方法对于诊断任务A→C下的特征可视化图；其中，(a)为AlexNet对应的特征可视化图，(b)为ResNet对应的特征可视化图，(c)为深度混淆方法(DCC)对应的特征可视化图，(d)为本发明实施例提供的旋转机械故障诊断方法对应的特征可视化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
为了解决现有的旋转机械故障诊断方法诊断结果质量差、难以适用于复杂工况的技术问题，本发明提供了一种跨领域的旋转机械故障诊断模型建立方法及其应用，其整体思路在于：同时采集目标工况和非目标工况下的数据，分别作为目标域数据和源域数据，通过采集的数据进行去噪和时频变换，使所得到的时频图像中包含足够多的故障特征；利用源域数据对模型进行训练，并在训练结束后，对模型参数进行优化调整，使源域数据和目标域数据分布间的差异最小化，由此使得模型能够准确实现目标工况下的故障诊断，并且可适用于复杂工况。
以下为实施例。
实施例1：
一种跨领域的旋转机械故障诊断模型建立方法，如图1所示，包括：预处理步骤、数据集构建步骤和模型建立步骤。
如图1所示，本实施例中，预处理步骤包括：
对于待处理的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；
振动信号的噪声分布在特定低频段和高频段，基于振动信号中的噪声分布特性，作为一种优选的实施方式，本实施例的预处理步骤中，对于待处理的振动信号，滤除其中的噪声，如图2所示，包括：
通过傅里叶变换将振动信号转换至频域下；针对离散的振动信号x(i)，傅里叶变换为：
其中，N表示振动信号采样周期，i表示时间变量；
将振动信号转换至频域下之后，利用一个或多个不同的滤波器进行滤波操作，以滤除振动信号中的噪声分量，得到不同频带下振动信号；利用滤波器对频域下的振动信号进行滤波操作，可保留频域信号中的一部分频率分量，而滤除其他分量，具体公式如下：
其中，X*(k)表示保留的频率分量，H(k)表示滤波器，ks和ke分别表示滤波器H(k)的频带下界和上界；可选的，本实施例中，滤波器的数量为n，分别表示为H1(k)～Hn(k)，不同滤波器的频带范围不同，使用不同滤波器滤波得到的信号分别表示为x1(k)～xn(k)；在实际应用中，所使用的滤波器数量及各滤波器的频带可根据旋转机械实际的运行环境，预先通过实验分析出噪声分布的具体频带，再相应设定，以保证在去噪过程中，能够有效滤除噪声同时保留有效信号；
滤波之后，通过傅里叶反变换将不同频带下的振动信号分别转换至时域下并相加，从而重构得到滤除噪声后的振动信号；如图2所示，经过傅里叶反变换之后，各频带的信号H1(k)～Hn(k)相应被转换至时域下，得到x1(i)～xn(i)，将这些信号相加，即可重构得到去噪之后的振动信号；
本实施例利用多滤波器对频域下的振动信号进行分解，相比于传统的分解方法，如小波包分解、经验模态分解、局部均值分解等，分解得到的子信号在频谱上没有混叠，能够有效滤除信号中的噪声，保证后续的故障诊断效果；图3中的(a)所示为旋转机械在某一工况、某一状态下的时域振动信号，图3中的(b)所示为利用多滤波器对图3中的(a)所示的时域振动信号进行分解后得到的子信号示意图；图4中的(a)所示为旋转机械在某一工况、某一状态下的时域振动信号，图4中的(b)所示为利用局部均值分解对图4中的(a)所示的时域振动信号进行分解后得到的子信号示意图；对比图3和图4所示结果可以看出，本实施例利用多滤波器进行分解，信号在频域范围内被充分分解了。
复杂工况下，采集的原始信号中的噪声干扰更为明显，本实施例利用多滤波器对振动信号中的噪声进行有效滤除，进一步保证了所建立的模型可适用于复杂工况下的故障诊断。
应当说明的是，以上利用多滤波器对振动信号进行去噪的方式，仅为本发明优选的实施方式，不应理解为对本发明的唯一限定，在本发明其他的一些实施例中，在故障诊断精度可满足应用需求的情况下，也可以使用小波包分解、经验模态分解、局部均值分解等其他的分解与重构方法实现噪声滤除。
故障诊断方法整体上分为三类：根据均值、方差等时域信号进行诊断，根据谱峭度等频域信号进行诊断，以及根据时频域信息进行诊断；本实施例将去噪后的振动信号转换为时频图像，转换得到的二维信号包含时域和频域信息，反映了振动信号的频率随时间变化的关系，便于故障诊断模型提取特征；作为一种优选的实施方式，本实施例的预处理步骤中，通过频率切片小波变换对滤除噪声后的振动信号进行时频变换，得到二维时频图；
信号f(t)的频率切片小波变换为：
其中，σ为尺度因子(σ≠0)；λ为能量系数(λ≠0)；
为
的共轭函数，
为p(t)的傅里叶变换，p(t)表示频率切片函数；由Parseval方程，可将上式转化到时域，变为
频率切片小波变换通过引入频率切片函数和尺度因子，实现了信号在时频域的联合分布，同时考虑了低频和高频部分，本实施例利用频率切片小波变换实现时频变换，所得到的二维图像包含了足够的故障特征，能够有效提高模型的诊断精度；
为了进一步优化故障诊断结果，本实施例在利用频率切片小波变换对滤除噪声后的振动信号进行时频变换时，设定能量系数λ＝1，尺度因子
相应地，频率切片小波变换的计算公式为：
其中，t表示时间，ω表示角频率，η为时频分辨系数，σ为尺度因子；f(t)表示振动信号，
为f(t)的傅里叶变换，u表示评估频率；
为
的共轭函数，
为p(t)的傅里叶变换，p(t)表示频率切片函数。
应当说明的是，以上利用频率切片小波变换实现时频变换的方式，仅为本发明优选的实施方式，不应理解为对本发明唯一的限定，在本发明其他的一些实施例中，在故障诊断精度可满足应用需求的情况下，也可以使用小波包变换等其他时频变换方法。
如图1所示，本实施例中，数据集构建步骤包括：
获取旋转机械在不同工况、不同状态下的振动信号，并对所获取的振动信号执行预处理步骤，得到不同工况下的二维时频图像；不同状态包括正常状态和故障状态，故障状态进一步可分为内圈缺陷、滚珠缺陷、外圈缺陷等不同的状态；不同工况包括目标工况，目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据。
如图1所示，本实施例中，模型建立步骤包括：
基于神经网络建立分类模型，利用源域数据对分类模型进行训练，并在训练结束后，对分类模型的参数进行优化调整，以最小化源域数据和目标域数据分布间的差异；将优化调整之后的分类模型，作为旋转机械故障诊断模型；
作为一种可选的实施方式，本实施例中，所建立的分类模型为ResNet50；
为了准确衡量源域数据和目标域数据分布间的差异，作为一种可选的实施方式，本实施例中，以平方距离衡量源域数据和目标域数据分布间的差异，以Xs表示源域数据集经模型提取的特征，以Xt表示目标域数据经模型提取的特征，则源域数据和目标域数据之间的平方距离可表示如下：
其中，
为重构核希尔伯特空间，k(·,·)表示高斯核函数，φ表示从原始空间到希尔伯特空间的映射函数，
表示Xs中的第i个元素，
表示Xt中的第j个元素，ns和nt分别标示Xs和Xt的长度；高斯核函数表示为：
k(Xs,Xt)＝exp(-||Xs-Xt||/2δ2)
其中，δ表示高斯核函数的宽度参数。
可选地，本实施例中，模型训练的主要参数如表1所示：
表1
经过上述训练及参数的优化调整后，本实施例所建立的旋转机械故障诊断模型如图5所示，首先输入层为3*224*224，即3个通道，图片尺寸为224*224；然后进入卷积层，卷积层通过滑窗计算卷积核，即为提取数据特征，卷积核大小为7*7，卷积核个数为64，步长为2，输出是64*112*112；接下来是池化层，同样采用滑窗对数据的每一个深度切片单独处理，减少尺度，即压缩特征；随后经过四层Bottleneck模块；最后通过全连接层，连接所有特征，将输出值送给分类器，得到诊断结果；结合图5左侧所示的模型结构可以看出，本实施例建立的旋转机械故障诊断模型中，仅包含四层Bottleneck模块；结合图5右侧所示的Bottleneck模块的具体结构可以看出，本实施例所建立的旋转机械故障诊断模型中，每一个Bottleneck模块仅包含少量的Block结构。由此可知，本实施例所建立的模型层数较浅，仅需使用少量的故障数据，即可获得较好的模型训练效果，保证旋转机械故障诊断精度。
实施例2：
一种基于上述实施例1提供的跨领域的旋转机械故障诊断模型建立方法的旋转机械故障诊断方法，包括：
获取旋转机械在目标工况下的振动信号，利用预处理步骤将其转换为二维时频图像，记为目标图像；
将目标图像输入利用上述实施例1提供的跨领域的旋转机械故障诊断模型建立方法得到的旋转机械故障诊断模型，由旋转机械故障诊断模型输出旋转机械的状态。
实施例3：
一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的跨领域的旋转机械故障诊断模型建立方法，和/或上述实施例2提供的旋转机械故障诊断方法。
以下结合不同转速条件，以及复杂工况这两个具体的应用实例对本发明所能取得的有益效果做进一步的解释说明。
应用实例1：
此应用实例对本发明在不同转速条件下的有效性进行验证；使用美国凯斯西储大学(CWRU)轴承数据中心的轴承数据集进行验证。滚动轴承的故障类型为正常、内圈缺陷、外圈缺陷和滚珠缺陷，其中，故障严重程度通过电火花加工模拟，其故障直径分别为7、14、21(mil)。采集驱动电机端6点钟位置的振动信号，采样频率为12kHz。实验选取的数据共有4种工况，四种工况分别简记为A、B、C、D，每种工况下有10种轴承状态，轴承状态的详细情况如表2所示。该方法建立了不同工作工况下的转移故障诊断方法。如表3所示，每个数据集在每种工况下包含1000个样本，每个样本的长度为1200。实验进行了12个跨领域故障诊断任务，分别是：A→B，A→C，A→D，B→A，B→C，B→D，C→，C→B，C→D，D→A和D→C。
表2
表3
具体步骤如下：
(1)数据采集和傅里叶多滤波器分解和重构
每个轴承状态在每个工况下都有100个数据样本，实验所用的数据集共有4000个数据样本，其中每个数据样本的长度为1200个数据点。对实验数据集进行傅里叶多滤波器分解和重构，将信号频段划分为6段。
(2)对重构信号进行时频变换
对重构后的信号进行频率切片小波变换，得到二维时频图像。频率切片小波变换则通过引入频率切片函数和尺度因子，可实现对信号在时域和频域上的联合分布，且可以兼顾低频段和高频段的时频分辨率。
(3)诊断模型构建
基于ResNet50构建深度领域自适应神经网络模型，最大均值差异(MMD)被用来最小化源域和目标域数据分布间的差异。
(4)状态识别
将原始振动信号经过步骤(1)和(2)的处理得到二维时频图像，代入经步骤(3)构建的旋转机械故障诊断模型，得到相应的故障诊断结果；实验中，具体采用了三种现有的旋转机械故障诊断方法作为上述实施例2的对比方法，这三种对比方法具体是两个深度卷积神经网络AlexNet和ResNet，以及深度混淆方法(DCC)；不同方法的诊断结果如表4所示；根据表4所示的结果可以看出，本发明实施例2所提供的旋转机械故障诊断方法在A→C和B→C两个任务中的准确率达到100％，平均诊断准确率达到99.48％，明显高于其余三组对比方法。
表4
不同方法对于任务A→C这一故障诊断任务的特征可视化图如附图6所示，其中，Label0～Label9分别表示10种状态，(a)为AlexNet对应的特征可视化图，(b)为ResNet对应的特征可视化图，(c)为深度混淆方法(DCC)对应的特征可视化图，(d)为本发明实施例提供的旋转机械故障诊断方法对应的特征可视化图，从图中观察到前三种方法的特征可视化图存在混叠现象，即不同的故障类型没有很好地分开，本发明提供的故障诊断方法将不同故障类型的数据很好地分离开，结果表明本发明实施例2所提供的旋转机械故障诊断方法具有较好的诊断性能。
应用实例2：
此应用实例，用于对复杂工况下本发明的有效性进行验证；由于CWRU轴承数据集的四个工况在速度上相似，工况相近，无法验证本发明实施例2所提供的旋转机械故障诊断方法在复杂工况下的有效性，因此使用具有更复杂工况下的实际数据集来进一步验证本发明所提出方法的有效性。应用实例2使用德国帕德伯恩大学(Paderborn University)提供的KAT轴承数据集对所提方法进行验证，实验平台由电磁制动器、扭矩传感器、单级减速器、制动控制器和伺服电机组成。轴承健康状况为正常(N)、内圈故障(IRF)和外圈故障(ORF)，采样频率为64kHz，考虑到负载转矩和径向力不同，将数据集分为A、B、C三种工况，如表5所示，并设置六个跨领域的诊断任务：A→B，A→C，B→A，B→C，C→A和C→B。
表5
此应用实例2在应用实例1中使用的三种对比方法基础上，附加另外两种传统迁移学习方法作为对比方法，分别是联合分布适应方法(JDA)和迁移联合匹配方法(TJM)。诊断结果精度如表6所示，根据图6所示结果可以看出，本发明实施例2提供的旋转机械故障诊断方法的平均准确率为99.39％，明显优于其他方法；在6个迁移实验中，每个实验重复十次，结果表明本发明实施例2提供的旋转机械故障诊断方法的分类精度最高。传统方法中TJM和JDA的平均准确率分别约为73.89％、80.39％和80.78％，说明了浅层结构网络不能从振动信号中提取有效特征，导致分类精度较低；对于不采用域自适应方法的AlexNet、ResNet和DDC方法的准确率高于JDA和TJM等传统迁移学习方法，但是仍然存在诊断错误，由此可知，本发明实施例2所提供的旋转机械故障诊断方法能够有效实现复杂工况下的故障诊断，并且鲁棒性好。
表6
总体而言，本发明根据傅里叶多滤波器、频率切片变换与跨领域特征自适应迁移的特点，实现了从非平稳信号中削弱噪声，提取高质量的故障特征，有效地解决了旋转机械故障诊断中的复杂工况问题。本发明所提出的方法是基于傅里叶多滤波器、时频转换和跨领域迁移模型的旋转机械故障诊断方法，以滚动轴承为实例验证，在实际应用过程中，可推广到一般旋转机械、加工制造、设备维护等，具有良好的工程实用性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种跨领域的旋转机械故障诊断模型建立方法，其特征在于，包括：
预处理步骤：对于待处理的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；
数据集构建步骤：获取所述旋转机械在不同工况、不同状态下的振动信号，并对所获取的振动信号执行所述预处理步骤，得到不同工况下的二维时频图像；所述不同状态包括正常状态和故障状态；所述不同工况包括目标工况，所述目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据；
模型建立步骤：基于神经网络建立分类模型，利用所述源域数据对所述分类模型进行训练，并在训练结束后，对所述分类模型的参数进行优化调整，以最小化所述源域数据和所述目标域数据分布间的差异；将优化调整之后的分类模型，作为所述旋转机械故障诊断模型。
2.如权利要求1所述的跨领域的旋转机械故障诊断模型建立方法，其特征在于，所述预处理步骤中，对于待处理的振动信号，滤除其中的噪声，包括：
通过傅里叶变换将振动信号转换至频域下，利用一个或多个不同的滤波器进行滤波操作，以滤除振动信号中的噪声分量，得到不同频带下振动信号；
通过傅里叶反变换将不同频带下的振动信号分别转换至时域下并相加，从而重构得到滤除噪声后的振动信号；
其中，不同滤波器的频带不同。
3.如权利要求1或2所述的跨领域的旋转机械故障诊断模型建立方法，其特征在于，所述预处理步骤中，通过频率切片小波变换对滤除噪声后的振动信号进行时频变换，得到二维时频图。
4.如权利要求3所述的跨领域的旋转机械故障诊断模型建立方法，其特征在于，所述频率切片小波变换的计算公式为：
其中，t表示时间，ω表示角频率，η为时频分辨系数，σ为尺度因子，σ≠0，η＞0，
f(t)表示振动信号，
表示f(t)的傅里叶变换，u表示评估频率；
为
的共轭函数，
为p(t)的傅里叶变换，p(t)表示频率切片函数。
5.如权利要求1或2所述的跨领域的旋转机械故障诊断模型建立方法，其特征在于，所述模型建立步骤中，以平方距离或者高斯核距离衡量所述源域数据和所述目标域数据分布间的差异。
6.如权利要求1或2所述的跨领域的旋转机械故障诊断模型建立方法，其特征在于，所述分类模型为ResNet50。
7.一种基于权利要求1-6任一项所述的跨领域的旋转机械故障诊断模型建立方法的旋转机械故障诊断方法，其特征在于，包括：
获取所述旋转机械在所述目标工况下的振动信号，利用所述预处理步骤将其转换为二维时频图像，记为目标图像；
将所述目标图像输入利用权利要求1-6任一项所述的跨领域的旋转机械故障诊断模型建立方法得到的旋转机械故障诊断模型，由所述旋转机械故障诊断模型输出所述旋转机械的状态。
8.一种计算机可读存储介质，其特征在于，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行权利要求1-6任一项所述的跨领域的旋转机械故障诊断模型建立方法，和/或权利要求7所述的旋转机械故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011502339.3A CN112733612A (zh) | 2020-12-18 | 2020-12-18 | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011502339.3A CN112733612A (zh) | 2020-12-18 | 2020-12-18 | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112733612A true CN112733612A (zh) | 2021-04-30 |
Family
ID=75602951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011502339.3A Pending CN112733612A (zh) | 2020-12-18 | 2020-12-18 | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733612A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343855A (zh) * | 2021-06-09 | 2021-09-03 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914703A (zh) * | 2020-07-20 | 2020-11-10 | 哈尔滨工业大学 | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 |
-
2020
- 2020-12-18 CN CN202011502339.3A patent/CN112733612A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914703A (zh) * | 2020-07-20 | 2020-11-10 | 哈尔滨工业大学 | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343855A (zh) * | 2021-06-09 | 2021-09-03 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 |
| CN113343855B (zh) * | 2021-06-09 | 2022-09-16 | 西南交通大学 | 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
| CN113834656B (zh) * | 2021-08-27 | 2024-04-30 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
| CN110866365B (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| Yan et al. | Wavelets for fault diagnosis of rotary machines: A review with applications | |
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN108830129A (zh) | 一种机械设备故障信号特征提取方法 | |
| CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
| CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
| CN111738068B (zh) | 一种转速波动工况下的传动轴故障诊断方法和系统 | |
| CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
| CN110487547B (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
| CN109918417B (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN110455530B (zh) | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 | |
| CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
| Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| 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 | |
| CN113326782B (zh) | 基于包络谱形态拟合的滚动轴承故障特征自动提取方法 | |
| CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
| CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
| CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN113639985B (zh) | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 | |
| CN113310684B (zh) | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 |
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 |