CN112766331A - 一种基于多通道cnn多元信息融合的轴承故障诊断方法 - Google Patents
一种基于多通道cnn多元信息融合的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112766331A CN112766331A CN202110020601.9A CN202110020601A CN112766331A CN 112766331 A CN112766331 A CN 112766331A CN 202110020601 A CN202110020601 A CN 202110020601A CN 112766331 A CN112766331 A CN 112766331A
- Authority
- CN
- China
- Prior art keywords
- data
- bearing
- layer
- convolution
- channel
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process 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
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Abstract
一种基于多通道CNN多元信息融合的轴承故障诊断方法,包括利用采样频率相同的加速度计采集轴承时域振动信号,得到网络所需数据集;对采集来的数据按照时段,将轴承双侧振动数据成对组合,变成一个含有两通道的振动数据,并依据轴承损坏状态进行贴标处理;构建多信息融合的卷积神经网络,其中,所述网络结构具有多个双通道卷积核,所述双通道卷积核包含卷积操作和求和操作来对输入的数据进行数据融合,评估训练后的模型,并将其应用于待诊断的轴承数据中。本发明在不改变卷积神经网络本身结构的前提下实现了多信息融合,并且增加了轴承诊断模型的精度。
Description
技术领域
本发明涉及滚动轴承故障检测技术领域,特别涉及一种基于多通道CNN多元信息融合的轴承故障诊断方法。
背景技术
随着我国工业现代化的不断发展,工业机电设备日益复杂,这使得机器检测的地位不断提升。为了保证设备的正常运转,减小由于机电设备故障而带来的经济损失,人们对于更快、更准、更稳定的故障检测方法的研究从未停止。由于滚动轴承是机电设备中不可或缺的零件,所以对轴承的故障检测也是十分重要的。近年来,由于机器学习的兴起,以及智能化算法面向训练数据的特征,可以在保证准确率的前提下大大缩减人工成本,因而出现了大量的智能化故障检测技术。
然而工业环境复杂,工业现场干扰源多,单凭借单一信息元来作为机器学习算法的输入难免会受到外界干扰,因而也出现了大量的基于多信息融合的神经网络模型。不过此类模型大都不能借助网络本身实现多信息融合,其结构复杂,使得网络模型计算时间大大增加。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于多通道CNN多元信息融合的轴承故障诊断方法,不仅提高了网络的诊断准确率而且还利用网络自身实现了多信息融合,大大减少多信息融合的计算过程。
为了实现上述目的,本发明采用的技术方案是:
一种基于多通道CNN多元信息融合的轴承故障诊断方法,包括以下步骤:
步骤一:
在轴承两端布置加速度计,用采样频率相同的加速度计采集轴承时域振动信号,得到网络所需数据集;
步骤二:
对步骤一轴承双侧采集而来的振动数据依据其损坏状况进行贴标签处理,其中将相同时段内轴承双侧的振动信号编为一对数据;
步骤三:
搭建多信息融合的卷积神经网络模型,并用步骤二中贴完标签的成对数据对其进行模型训练,其中,所述网络结构具有多个双通道卷积核,所述双通道卷积核包含卷积操作和求和操作;
步骤四:
对训练后的模型在使用测试数据集进行测试,用以评估该模型,并将其应用于准备诊断的轴承数据上。
所述步骤一中采样方式为将两个同采样频率的加速度计分别放置于待诊断的轴承两侧。
所属步骤二中打标签的方式是将同时段内轴承双侧振动数据成对组合,变成一个含有两通道的振动数据。
所述步骤三具体为:
(3-1):模型的输入数据为双通道数据,网络的第一层卷积核也是含有双通道的卷积核,其数量为32个,卷积核大小为20×1×2,步长为8×1,并对该层使用padding进行补0填充,该层卷积核对输入的双通道数据进行数据融合,包含卷积操作和求和操作;所述卷积计算为拥有相同通道数的输入数据和卷积核对应维度进行卷积;所述加法运算为输入数据经过一个卷积核计算后,该结果的多通道数据相对应位置的值进行加法运算;
所述卷积和加法计算为:
池化层的输入为上层卷积层的计算输出;
接下的两层同样也为卷积层同池化层的交替出现;
(3-2):通过将上一层数据进行伸展,并输入到神经元为700的全连接层;
(3-3):通过引入Dropout来随机的对某些神经元处以失效,在深度学习模型种通过加入Dropout层可以有效提升训练效果;
(3-4):通过使用输出为10个的Softmax层来匹配对轴承数据集所打的标签;其算法表述如下:
式中m--为输入的小批量(mini-batch)的大小,当目标类别是j时,pj=1,否则为q;
(3-5):将打好标签不同损坏程度的数据输入到多信息融合的卷积神经网络中训练模型。
本发明的有益效果:
本发明将由布置在轴承两端的加速度计所搜集的轴承振动信号作为多通道数据输入到网络模型中;在卷积阶段利用卷积神经网络自身计算多通道数据的计算方式来进行数据融合,从而使得网络模型不仅利用到了多通道数据而且还没有增加网络模型的计算过程并且达到了比单通道网络模型更高且更稳定的准确率。
附图说明
图1为本方法算法流程图。
图2为多通道卷积神经网络数据融合模型示意图。
图3为Dropout结构说明图。
图4为使用一维卷积核和二维卷积核对轴承诊断精度的折线图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1,本发明的一种基于多通道CNN多元信息融合的轴承故障诊断方法,包括:
(1)使用两个分别布置于轴承两端的加速度计收集轴承在不同损坏情况下振动的时域信号;
此实施例中,直接使用凯斯西储大学公开的轴承数据集来描述本发明的具体实施步骤。
该数据集提供了频率分别是12kHz和48kHz为采样频率的近驱动端加速度计以及远离驱动端加速度计收集而来的轴承振动信号,数据集中包含有正常轴承振动数据以及使用电火花损坏过的外圈损坏的轴承数据、内圈损坏的轴承数据以及滚动体损坏的轴承数据,其损坏直径均包含0.007mils、0.014mils和0.021mils。
(2)对上述采集来的双侧轴承振动数据依据其损伤直径进行贴标签处理,如下表1;
表1实验数据集
上表将损伤状态分为10种,每种损伤状态均选取同一时段内放置在轴承两侧的加速度计收集的轴承振动信号作为样本,即每个实验样本为二维数组包含近驱动端与远离驱动端加速度计所测量的时域信号。其中每种状态训练数据集选取6600对,测试数据集选取1000对。
(3)搭建多信息融合的卷积神经网络模型,并将已经打好标签的轴承振动数据用以训练该模型,其中所述信息融合的卷积神经网络模型包括多个含有两通道的卷积核。
(3-1)模型的输入数据为双通道数据,因而网络的第一层卷积核也是含有双通道的卷积核,其数量为32个,卷积核大小为20×1×2,步长为8×1,并对该层使用padding进行补0填充。该层卷积核可以对输入的双通道数据进行数据融合如图2。其包含卷积操作和求和操作;所述卷积计算为拥有相同通道数的输入数据和卷积核对应维度进行卷积;所述加法运算为输入数据经过一个卷积核计算后,该结果的多通道数据相对应位置的值进行加法运算。
所述卷积和加法计算为:
池化层的输入为上层卷积层的计算输出,主要是为了在保证数据特征的前提下,减少计算参数,从而避免模型过拟合。该池化层使用最大值池化。
接下的两层同样也为卷积层同池化层的交替出现。
(3-2)通过将上一层数据进行伸展,并输入到神经元为700的全连接层;
(3-3)通过引入Dropout来随机的对某些神经元处以失效,从而避免因参数众多而出现过拟合现象。如图3所示,在深度学习模型种通过加入Dropout层可以有效提升训练效果;
(3-4)通过使用输出为10个的Softmax层来匹配对轴承数据集所打的标签;其算法表述如下:
式中m--为输入的小批量(mini-batch)的大小,当目标类别是j时,pj=1,否则为q。
(3-5)将打好标签不同损坏程度的数据输入到多信息融合的卷积神经网络中训练模型。
(4)将测试数据集输入到训练好的模型中,并通过结果来对模型进行评估;模型在一维卷积核和二维卷积核的精度对比如图4,通过准确率是否提升来检查模型是否合理,是否出现过拟合或者欠拟合等情况,从而决定是否需要对模型做小幅度调整。
以上所提实施例仅用于解释本发明的整体技术方案而非仅限于此,尽管使用实施例对发明做了详细说明,但本领域技术人员应当理解,可以通过替换、微修改,而不脱离本发明技术方案的设计宗旨和范围,均应涵盖在本发明的权利要求之中。该发明没有详细介绍的技术、构造以及形状均是公知技术。
Claims (4)
1.一种基于多通道CNN多元信息融合的轴承故障诊断方法,其特征在于,包括以下步骤:
步骤一:
在轴承两端布置加速度计,用采样频率相同的加速度计采集轴承时域振动信号,得到网络所需数据集;
步骤二:
对轴承双侧采集而来的振动数据依据其损坏状况进行贴标签处理,其中将相同时段内轴承双侧的振动信号编为一对数据;
步骤三:
搭建多信息融合的卷积神经网络模型,并用步骤二中贴完标签的成对数据对其进行模型训练,其中,所述网络结构具有多个双通道卷积核,所述双通道卷积核包含卷积操作和求和操作;
步骤四:
对训练后的模型在使用测试数据集进行测试,用以评估该模型,并将其应用于准备诊断的轴承数据上。
2.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法,其特征在于,所述步骤一中采样方式为将两个同采样频率的加速度计分别放置于待诊断的轴承两侧。
3.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法,其特征在于,所属步骤二中打标签的方式是将同时段内轴承双侧振动数据成对组合,变成一个含有两通道的振动数据。
4.根据权利要求1所述的一种基于多通道CNN多元信息融合的轴承故障诊断方法,其特征在于,所述步骤三具体为:
(3-1):模型的输入数据为双通道数据,网络的第一层卷积核也是含有双通道的卷积核,其数量为32个,卷积核大小为20×1×2,步长为8×1,并对该层使用padding进行补0填充,该层卷积核对输入的双通道数据进行数据融合,包含卷积操作和求和操作;所述卷积计算为拥有相同通道数的输入数据和卷积核对应维度进行卷积;所述加法运算为输入数据经过一个卷积核计算后,该结果的多通道数据相对应位置的值进行加法运算;
所述卷积和加法计算为:
池化层的输入为上层卷积层的计算输出;
接下的两层同样也为卷积层同池化层的交替出现;
(3-2):通过将上一层数据进行伸展,并输入到神经元为700的全连接层;
(3-3):通过引入Dropout来随机的对某些神经元处以失效,在深度学习模型种通过加入Dropout层可以有效提升训练效果;
(3-4):通过使用输出为10个的Softmax层来匹配对轴承数据集所打的标签;其算法表述如下:
式中m--为输入的小批量(mini-batch)的大小,当目标类别是j时,pj=1,否则为q;
(3-5):将打好标签不同损坏程度的数据输入到多信息融合的卷积神经网络中训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020601.9A CN112766331A (zh) | 2021-01-07 | 2021-01-07 | 一种基于多通道cnn多元信息融合的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020601.9A CN112766331A (zh) | 2021-01-07 | 2021-01-07 | 一种基于多通道cnn多元信息融合的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766331A true CN112766331A (zh) | 2021-05-07 |
Family
ID=75700788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020601.9A Pending CN112766331A (zh) | 2021-01-07 | 2021-01-07 | 一种基于多通道cnn多元信息融合的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186617A (zh) * | 2021-11-23 | 2022-03-15 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
CN107560849B (zh) * | 2017-08-04 | 2020-02-18 | 华北电力大学 | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
-
2021
- 2021-01-07 CN CN202110020601.9A patent/CN112766331A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560849B (zh) * | 2017-08-04 | 2020-02-18 | 华北电力大学 | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
Non-Patent Citations (1)
Title |
---|
叶壮等: "基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法", 《振动与冲击》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186617A (zh) * | 2021-11-23 | 2022-03-15 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
CN114186617B (zh) * | 2021-11-23 | 2022-08-30 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A convolutional neural network based on a capsule network with strong generalization for bearing fault diagnosis | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
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 | |
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
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 | |
CN106226074A (zh) | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 | |
CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
CN113095413A (zh) | 变工况故障诊断方法、系统、存储介质及设备 | |
CN116502135A (zh) | 一种轴承故障诊断方法及系统 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN113869286A (zh) | 一种自适应多任务智能故障诊断模型及故障诊断方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN115392333A (zh) | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 | |
CN112766331A (zh) | 一种基于多通道cnn多元信息融合的轴承故障诊断方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN114241271B (zh) | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 | |
Hou et al. | Multiple sensors fault diagnosis for rolling bearing based on variational mode decomposition and convolutional 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |