CN113033309B - 一种基于信号下采样及一维卷积神经网络的故障诊断方法 - Google Patents

一种基于信号下采样及一维卷积神经网络的故障诊断方法 Download PDF

Info

Publication number
CN113033309B
CN113033309B CN202110210495.0A CN202110210495A CN113033309B CN 113033309 B CN113033309 B CN 113033309B CN 202110210495 A CN202110210495 A CN 202110210495A CN 113033309 B CN113033309 B CN 113033309B
Authority
CN
China
Prior art keywords
signal
layer
data
neural network
convolutional neural
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.)
Active
Application number
CN202110210495.0A
Other languages
English (en)
Other versions
CN113033309A (zh
Inventor
王华庆
苑博威
宋浏阳
王芃鑫
李石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202110210495.0A priority Critical patent/CN113033309B/zh
Publication of CN113033309A publication Critical patent/CN113033309A/zh
Application granted granted Critical
Publication of CN113033309B publication Critical patent/CN113033309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12Classification; Matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133Distances to prototypes
    • G06F18/24137Distances to cluster centroïds
    • G06F18/2414Smoothing the distance, e.g. radial basis function networks [RBFN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于信号下采样及一维卷积神经网络的故障诊断方法,包括以下步骤:(1)通过加速度传感器采集旋转机械故障源附近的振动信号;(2)将采集到的振动信号根据序列样本尺寸截断获得截断信号后,对数据进行标准化处理,使不同类别数据的振幅值统一到同一范围中;(3)针对标准化处理后的信号样本,根据基于稀疏‑低秩分解的信号下采样方法构造一维序列样本;(4)将步骤(3)中所得的一维序列样本输入所述改进的卷积神经网络进行训练,网络经过多次训练迭代后收敛后计算训练精度;(5)根据训练的预测准确率调整网络参数,直至准确率达到稳定后,确定一维卷积神经网络模型用以故障诊断。

Description

一种基于信号下采样及一维卷积神经网络的故障诊断方法
技术领域
本发明涉及一种传动部件故障诊断方法,特别涉及一种基于信号下采样及改进的的一维卷积神经网络的故障诊断方法,属于故障诊断技术领域。
背景技术
随着工业发展进程中信息化、智能化的不断加深,传统工业也进入了大数据智能时代,随之而来的是海量数据持续、快速、多样化、高密度的产生,这也对传统故障诊断方法提出了新的挑战。传统故障诊断的人工先验知识与模式识别的模式早已不能满足现在的需求,取而代之的是智能方法特征提取与深度学习模型相结合的新模式。到2020年底,全球将有超百亿台设备实现数据共享,而这无疑将大大增强数据驱动的故障诊断方法的泛化能力。最近,深度学习已广泛应用于计算机视觉、自然语义识别、音频识别、生物信息学及故障诊断等等方向。深度学习能充分挖掘数据中的特征信息与样本结构分布之间的关联,基于深度学习的故障诊断逐渐成为众多科学领域中炙手可热的研究方向,其中,卷积神经网络是深度学习中一种最具代表性的模式识别网络。
旋转机械是现代化工业生产中的重要组成部分,具有种类繁多、结构复杂、工作环境恶劣等特点,这就导致针对旋转机械的故障诊断是必要的,也是极其困难的。常见的故障诊断系统包括两个关键步骤,分别是数据处理(特征提取),以及故障识别。基本上,传统的故障诊断方法往往包含两个关键性环节:数据预处理即特征提取与降噪、故障模式识别。然而,在故障诊断技术发展前期,由于缺乏足够的判别方法,导致对于故障模式的识别存在一定困难。随着技术方法的不断发展,基于人工智能的机械设备故障诊断开始蓬勃发展,该类方法在特征提取与模式识别两大方面均存在着巨大优势,目前已被广泛应用于工业领域的实际应用之中。传统的智能诊断模型主要针对有监督学习领域,通过将数据导入层结构中,在每一层之中实现对输入特征的提取,并将得到的高层特征传递至下一层,最终实现基于特征的分类。该类模型主要包括:支持向量机(SVM)、K近邻算法(KNN)、决策树、朴素贝叶斯、遗传算法、人工神经网络(ANN)等。在实际应用中,传统的智能诊断模型受限于其运算能力和迭代方式的缺陷,往往无法解决复杂工况下的模式识别问题。
在过去几年中,相比传统的机器学习方法,深度学习已被广泛应用在故障诊断领域并取得了一定进展。卷积神经网络(CNN)是一种专门处理具有类似结构数据的神经网络,比如时间序列的数据和图像数据,本方法是一种基于信号下采样与一维卷积神经网络的故障诊断方法,提出的大数据量含噪原始信号下采样法能够高效的将数据转化为一维时间序列样本,不同故障状态低秩信息差异性较大,此外提出的改进的一维卷积神经网络更加适合处理时间序列信号,相比传统一维卷积神经网络运算速度更快,而且具有更高的预测准确率。
发明内容
本发明的目的在于提供了一种基于大数据量含噪信号下采样的方法,传感器采集得到的原始数据经过稀疏-低秩分解,将仅保留有效成分的低秩信息矩阵转置为一列数据段后通过随机抽样方法实现下采样,得到一维时间序列样本。藉由此下采样方法处理,原始信号中的主要特征得到突出,使得不同类型故障数据差异化较大,也为后续基于深度学习的模式识别工作提供了相匹配的数据样本。
为实现上述目的,本发明采用的技术方案为一种新型的基于大数据量含噪信号下采样方法及深度学习诊断方法,基于稀疏-低秩分解的方法能够有效提取出不同种类故障的特征信息,无需专家经验及繁琐的参数设置。同时提出了一种经过改进的一维卷积神经网络,该网络能够充分提取一维样本中的隐藏信息,使模型具有较好的泛化能力与准确性。主要步骤如下:S1通过加速度传感器采集旋转机械故障源附近的振动信号;S2将采集到的振动信号根据序列样本尺寸截断获得截断信号后,对数据进行标准化处理,使不同类别数据的振幅值统一到同一范围中;S3针对标准化处理后的信号样本,根据本发明所提出的基于稀疏-低秩分解的信号下采样方法构造一维序列样本;S4将S3中所得的一维序列样本输入所述改进的卷积神经网络进行训练,网络经过多次训练迭代后收敛后计算训练精度;S5根据训练的预测准确率调整网络参数,直至准确率达到稳定后,确定一维卷积神经网络模型用以故障诊断。
S1故障原始信号的采集;
针对目标故障机械设备在真实工况下的各类运行状态,在计算机,加速度传感器,测试设备构成的系统中执行以下步骤。通过安装在设备故障源附近的加速度传感器,以一定的采样频率及采样时间,分别采集每种工况状态下的振动加速度信号。将加速度传感器采集到的振动信号导入计算机,利用计算机MATLAB软件进行数据预处理。
S2振动信号的预处理;
对采集到的设备状态信号进行信号预处理,通过零-均值化方法使不同状态下的信号振幅值变为同一数量级。
(1)根据公式(1)处理si,将原始数据数据进行标准化处理后转化为统一度量的值。获得转换后的数据zi
其中,μ(si)表示截断数据si的平均值,δ(si)表示截断数据si的标准差。
(2)根据公式(2)求得由zi计算得到包含故障信号中有效信息成分的低秩矩阵A与应当被舍弃的稀疏噪声矩阵E。
其中,A表示原始信号经分解后得到的,包含各类别故障有效特征信息的低秩信息矩阵,对其进行后续的下采样方法处理后即可得到所述一维样本序列;E表示包含原始信号中噪声等干扰成分的稀疏矩阵;X表示n维的原始信号X={x1,x2,...,xn};||A||*表示低秩信息矩阵的核范数;||E||1表示稀疏噪声矩阵的1范数;λ表示值大于0的平衡参数。
S3基于信号稀疏-低秩分解的信号下采样方法构造样本;
为获得尺寸m大小的所述实测故障类别一维样本序列的训练样本集,首先对经过步骤(2)实现标准化处理的的振动数据进行稀疏-低秩分解运算,通过将含有噪声的原始信息矩阵分解为两部分,被舍弃的部分为包含噪声等干扰成分的稀疏矩阵,被保留并进行进一步处理的为包含原始信号中有效特征成分及信号结构信息的低秩信息矩阵。若,每个信号长度为m的si,i=1,...,m,其中i表示信号采样点序号,对原始信号做k次等间隔随机抽样,得到训练数据集样本k=1,...,n,其中n为训练数据集中包含的样本数。此外,为了使样本数据更好的涵盖整体原始数据中所包含的全部特征信息,应调整m与n的值,使m×n的大小应当尽可能接近原始信号所包含采样点数的大小。
S4通过改进的一维卷积神经网络模型完成分类;
所建立的一维卷积神经网络模型结构包括五层,分别是输入层、批量标准化层、卷积层、池化层和全连接层。卷积神经网络模型的训练步骤如下:
(1)在Python软件环境中的Pytorch框架下,采用所提出的信号下采样方法构造的一维样本序列,作为卷积神经网络的输入数据。
(2)设置卷积神经网络的各项初始化参数,如批量输入样本数目,卷积核个数,卷积核尺寸等参数,各层的权值矩阵及偏置项随机初始化网络模型包括批量标准化层,第一层卷积层,第一层池化层(下采样层);第二层卷积层,第二层池化层(下采样层);第三层卷积层,第三层池化层(下采样层);第四层卷积层,第四层池化层(下采样层);全剧平均池化层依次连接。
(3)根据采集信号的故障种类设置样本标签作为网络的输出训练网络,网络迭代训练100次。在按列排列的一维样本序列中,不同类别的样本在其最后一位用分别用数字0、1、2、3表示其各自的标签,在输出层同样用数字表达的标签进行对照,根据各个标签出现的概率分布值大小进行排序,从而得到预测的分类结果。
S5网络参数的调整;
每一个完整的训练环节完成后,根据输出的最终预测准确率不断调整批量输入样本数目,重新训练网络。当预测准确率不再提升后确定中网络各项参数,确定网络模型用于故障诊断。
与现有技术相比,本发明具有如下有益效果。
本发明是一种基于大数据量含噪信息下采样及改进的一维卷积神经网络模型的故障诊断方法,原始振动信号通过数据标准化的预处理后,将不同类别数据变换到相同数量级上,根据信号的特点提取主要冲击成分,过滤噪声等干扰成分。不同设备状态数据的低秩信息矩阵各有不同,为后续智能识别奠定基础。该信号下采样方法仅需要设定样本尺寸与数据集包含样本数,无需专业领域的知识。同时,提出了一种经过改进的卷积神经网络并将其应用在故障诊断领域,首个卷积层通过大尺寸卷积核捕捉样本特征。通过采用改进的含有随机参数的激活函数,有效提高了网络的非线性表达能力。采用一维样本输入便于卷积神经网络网络实现对轴承、齿轮等时序故障信息进行模式识别。
附图说明
图1是本发明的基于信号下采样及一维卷积神经网络的智能诊断方法流程图。
图2是水泵故障设备试验台的机构简图及传感器安装位置。
图3是本发明的大数据量含噪信号下采样方法流程图。
图4是本发明的基于信号下采样及一维卷积神经网络的故障诊断方法涉及的一维卷积神经网络结构图。
图5是本方法所提出模型的预测准确率拟合曲线。
图6是所提方法分类混淆矩阵。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
图1为本发明的基于信号下采样及一维卷积神经网络的智能诊断方法流程图,流程包括:(1)通过安装在目标设备外壳的加速度传感器采集传感器信号;(2)原始含噪信号数据预处理,将不同类别数据经标准化变换至同一数量级;(3)将预处理后的数据通过稀疏-低秩分解得到包含原始信号中有效成分的低秩信息,对其采用随机抽样方法构造一维样本序列数据;(4)根据一维输入样本尺寸初步设定网络结构,输入网络进行训练;(5)根据网络模型训练的结果不断微调整卷积神经网络批量输入数目。下面结合流程图对信号下采样及一维卷积神经网络的故障诊断方法原理进行详细说明,在计算机,加速度传感器,测试设备构成的系统中执行以下步骤。
本发明针对测试的水泵设备的四种工况包括:正常运转时的工况(NM)、发生气蚀现象时的工况(CT)、叶轮不平衡状态下的工况(IM)、主轴轴不对中状态下的工况(SM)。在计算机,加速度传感器,测试设备构成的系统中执行以下步骤。通过三个空间位置正交的加速度传感器分别采集每种工况状态下垂直于水泵泵体三处不同位置的振动加速度信号,其采样频率是50kHz。
对不同类别数据的每一类原始信号进行稀疏-低秩分解,得到相应的低秩信息矩阵,将低秩信息矩阵转置为数据段。从低秩信息数据段上随机选择起点,每个信号长度为m的i=1,...,m,其中i表示信号采样点序号,对原始信号做k次等间隔随机抽样,得到训练数据集样本/>k=1,...,n,其中n为训练数据集中包含的样本数。此处定义m=1024,n=1000。基于稀疏-低秩分解的信号下采样方法流程如图3。
所述步骤2)中处理si,将原始数据数据进行标准化处理后转化为统一度量的值。获得转换后的数据zi
其中,μ(si)表示截断数据si的平均值,δ(si)表示截断数据si的标准差。
所述步骤2)中求得由zi计算得到包含故障信号中有效信息成分的低秩矩阵A与应当被舍弃的稀疏噪声矩阵E。
其中,A表示原始信号经分解后得到的,包含各类别故障有效特征信息的低秩信息矩阵,对其进行后续的下采样方法处理后即可得到所述一维样本序列;E表示包含原始信号中噪声等干扰成分的稀疏矩阵;X表示n维的原始信号X={x1,x2,...,xn};||A||*表示低秩信息矩阵的核范数;||E||1表示稀疏噪声矩阵的1范数;λ表示值大于0的平衡参数。
建立深度卷积神经网络模型用以实现故障类型的识别。,设置卷积神经网络的各项初始化参数,如网络层数,批量标准化层,卷积层,池化层和全连接层的参数,所述步骤4)描述的网络结构如图4。卷积核的权值矩阵及偏置项随机初始化。网络模型包括第一层卷积层C1,第一层池化层P1;第二层卷积层C2,第二层池化层P2;第三层卷积层C3,第三层池化层P3;第四层卷积层C4,第四层池化层P4;全连接层依次连接。批量标准化层设定通道数为8,被用于避免归一化时被除数为0的常量eqs=1e-5,用于计算均值与方差的动量参数momentum=0.1,选择进行缩放操作并记录训练过程的均值与方差。卷积层中卷积核尺寸设定为1×3,池化层中的滤波器大小设定为1×2,卷积核个数从第一层到第四层分别为8,16,32,32。各层的权值矩阵及偏置项随机初始化。全连接层节点设定为256。其中首层每一批次输入一维序列数据8个(即卷积核个数为8个),尺寸为1024×1。四种状态的信号分别每种选取1000段作为训练样本,四种状态训练样本共计4000段训练样本。输出层根据采集信号时记录的故障种类设置样本标签作为网络的输出。
所述步骤4)中网络训练,卷积层及瓶颈层的计算公式为:
其中,第l层的第i个样本序列,/>为所述神经网络内特定尺寸滤波器,其通过在目标样本上滑动,将其二者重叠部分处数值对应相乘后求和作为一次“卷积”运算的输出,/>是第l层的第j个偏置项,f是激活函数,/>为卷积运算的输出值,/>表示输入的数据集合。
卷积层之后的激活函数采用RReLU函数。非线性激活函数作用于某一层神经节点的故障信号特征样本序列输入及其一一对应的权重乘积之和,以相对复杂的非线性映射输出至下一层中,提高了网络对更深层次特征的学习能力。其计算公式为:
where
aij~U(l,u),l<u and l,u∈[0,1)
其中,xi表示第i个训练样本的输入,yi表示第i个训练样本的输出,U(l,u)为一个均匀分布的区间,aij为激活函数负值部分的斜率,其下标表示可以在不同通道中取不同的数值,Δaij表示aij的更新量,μ表示动量系数,ε为设定的学习率。相较于传统激活函数,PReLU函数不会导致神经元节点“坏死”,可以更好的保证网络结构的有效性与稳定性。
池化层采用最大池化函数,计算公式为:
其中,表示第j个样本序列中m位置输出,Nm表示计算区域,/>表示第i个权值矩阵,一定尺寸的权值矩阵在卷积层输出的特征样本序列上滑动,仅选取重叠区域之内的最大像素值所谓该区域的输出值。
网络经过softmax分类器输出模式识别结果,计算公式为:
其中Sj表示第j类的概率值,T为故障类别个数,ak表示输入的全连接层向量。网络输出的预测类别是计算得到的全体输出中概率分布最大的类别,网络输出预测类别为argmax(Sj)。
所述步骤5)中网络迭代训练100次,训练过程采用自适应随机梯度下降算法以及反向传播算法,参考文献Adam:A Method for Stochastic Optimization,训练环节根据预测准确率调整批量输入数量与学习率等超参数。本方法所提出模型的训练过程准确率拟合曲线如图5所示。
测试网络的性能阶段,四种状态的信号分别每种选取400个作为测试样本,共计1600个测试样本,该测试样本与训练样本中完全不包含任何相同内容。将共计1600个测试样本作为输入数据输入到已经训练完成的网络中,获得预测输出类别。预测的分类混淆矩阵如图6,混淆矩阵的横坐标表示样本的预测类别值,纵坐标表示样本的实际状态。
为了说明基于信号下采样及一维卷积神经网络的故障诊断方法的优势,与其他方法进行对比,分别是SVM与DBN,每种网络运行十次取平均预测准确率作为对比结果。其中,SVM:将核函数设置为RBF核函数,惩罚项C设置为4,支持向量影响半径的倒数设置为0.1,迭代次数设置为200次;DBN:DBN模型由三层RBM构成。单元的数量分别为600、300和60,迭代次数为100。迭代次数设置为100次。从表1中可以看出通过本文所提方法可以有效识别设备故障类型,相比传统方法预测准确率更高,网络稳定性更好。
表1.不同模型下故障诊断预测结果

Claims (3)

1.一种基于信号下采样及一维卷积神经网络的故障诊断方法,其特征在于:该方法包括如下步骤:
S1通过加速度传感器采集旋转机械故障源附近的振动信号;S2将采集到的振动信号根据序列样本尺寸截断获得截断信号后,对数据进行标准化处理,使不同类别数据的振幅值统一到同一范围中;S3针对标准化处理后的信号样本,根据基于稀疏-低秩分解的信号下采样方法构造一维序列样本;S4将S3中所得的一维序列样本输入所述改进的卷积神经网络进行训练,网络经过多次训练迭代后收敛后计算训练精度;S5根据训练的预测准确率调整网络参数,直至准确率达到稳定后,确定一维卷积神经网络模型用以故障诊断;
振动信号的预处理过程如下:
对采集到的设备状态信号进行信号预处理,通过零-均值化方法使不同状态下的信号振幅值变为同一数量级;
根据公式(1)处理si,将原始数据数据进行标准化处理后转化为统一度量的值;获得转换后的数据zi
其中,μ(si)表示截断数据si的平均值,δ(si)表示截断数据si的标准差;
根据公式(2)求得由zi计算得到包含故障信号中有效信息成分的低秩矩阵A与应当被舍弃的稀疏噪声矩阵E;
其中,A表示原始信号经分解后得到的,包含各类别故障有效特征信息的低秩信息矩阵,对其进行后续的下采样方法处理后即可得到所述一维样本序列;E表示包含原始信号中噪声干扰成分的稀疏矩阵;X表示n维的原始信号X={x1,x2,...,xn};||A||*表示低秩信息矩阵的核范数;||E||1表示稀疏噪声矩阵的1范数;λ表示值大于0的平衡参数;
基于信号稀疏-低秩分解的信号下采样方法构造样本过程如下:
为获得尺寸m大小的所述实测故障类别一维样本序列的训练样本集,首先对经过S2实现标准化处理的的振动数据进行稀疏-低秩分解运算,通过将含有噪声的原始信息矩阵分解为两部分,被舍弃的部分为包含噪声干扰成分的稀疏矩阵,被保留并进行进一步处理的为包含原始信号中有效特征成分及信号结构信息的低秩信息矩阵;若每个信号长度为m的si,i=1,...,m,其中i表示信号采样点序号,对原始信号做k次等间隔随机抽样,得到训练数据集样本其中n为训练数据集中包含的样本数;为了使样本数据更好的涵盖整体原始数据中所包含的全部特征信息,调整m与n的值,使m×n的大小接近原始信号所包含采样点数的大小;
通过改进的一维卷积神经网络模型完成分类;
所建立的一维卷积神经网络模型结构包括五层,分别是输入层、批量标准化层、卷积层、池化层和全连接层;卷积神经网络模型的训练步骤如下:
(1)在Python软件环境中的Pytorch框架下,采用所提出的信号下采样方法构造的一维样本序列,作为卷积神经网络的输入数据;
(2)设置卷积神经网络的各项初始化参数,批量输入样本数目,卷积核个数,卷积核尺寸参数,各层的权值矩阵及偏置项随机初始化网络模型包括批量标准化层,第一层卷积层,第一层池化层;第二层卷积层,第二层池化层;第三层卷积层,第三层池化;第四层卷积层,第四层池化层;全剧平均池化层依次连接;
(3)根据采集信号的故障种类设置样本标签作为网络的输出训练网络,网络迭代训练100次;在按列排列的一维样本序列中,不同类别的样本在其最后一位用分别用数字0、1、2、3表示其各自的标签,在输出层同样用数字表达的标签进行对照,根据各个标签出现的概率分布值大小进行排序,从而得到预测的分类结果。
2.根据权利要求1所述的一种基于信号下采样及一维卷积神经网络的故障诊断方法,其特征在于:故障原始信号的采集过程如下:
针对目标故障机械设备在真实工况下的各类运行状态,在计算机,加速度传感器,测试设备构成的系统中执行以下步骤;通过安装在设备故障源附近的加速度传感器,设置采样频率及采样时间,采集每种工况状态下的振动加速度信号;将加速度传感器采集到的振动信号导入计算机,利用计算机MATLAB软件进行数据预处理。
3.根据权利要求1所述的一种基于信号下采样及一维卷积神经网络的故障诊断方法,其特征在于:网络参数的调整过程如下:每一个完整的训练环节完成后,根据输出的最终预测准确率不断调整批量输入样本数目,重新训练网络;当预测准确率不再提升后确定中网络各项参数,确定网络模型用于故障诊断。
CN202110210495.0A 2021-02-25 2021-02-25 一种基于信号下采样及一维卷积神经网络的故障诊断方法 Active CN113033309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110210495.0A CN113033309B (zh) 2021-02-25 2021-02-25 一种基于信号下采样及一维卷积神经网络的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110210495.0A CN113033309B (zh) 2021-02-25 2021-02-25 一种基于信号下采样及一维卷积神经网络的故障诊断方法

Publications (2)

Publication Number Publication Date
CN113033309A CN113033309A (zh) 2021-06-25
CN113033309B true CN113033309B (zh) 2023-12-19

Family

ID=76461630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110210495.0A Active CN113033309B (zh) 2021-02-25 2021-02-25 一种基于信号下采样及一维卷积神经网络的故障诊断方法

Country Status (1)

Country Link
CN (1) CN113033309B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113261932B (zh) * 2021-06-28 2022-03-04 山东大学 基于ppg信号和一维卷积神经网络的心率测量方法及装置
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN113624466B (zh) * 2021-07-08 2023-10-03 中南民族大学 汽轮机转子故障诊断方法、装置、设备及存储介质
CN113762072B (zh) * 2021-07-27 2024-04-19 新绎健康科技有限公司 一种基于互相关性的对步态信号进行识别的方法及系统
CN113947129B (zh) * 2021-08-03 2022-06-14 西南交通大学 车轮失圆状态智能识别ai模型训练使用方法、设备及介质
CN114136619A (zh) * 2021-10-27 2022-03-04 国家能源集团宿迁发电有限公司 一种基于卷积自编码的变工况下滚动轴承故障诊断方法
CN114509158B (zh) * 2022-01-04 2023-05-30 东南大学 一种声振融合的叶片裂纹故障检测方法及应用
CN114818815B (zh) * 2022-05-05 2024-08-09 西安交通大学 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统
CN114970645B (zh) * 2022-07-27 2023-04-07 中国工业互联网研究院 基于5g边云协同的民用航空发动机故障诊断系统及方法
CN116522998A (zh) * 2023-06-16 2023-08-01 嘉洋智慧安全科技(北京)股份有限公司 信息处理方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111079781A (zh) * 2019-11-07 2020-04-28 华南理工大学 基于低秩与稀疏分解的轻量化卷积神经网络图像识别方法
CN112101082A (zh) * 2020-11-16 2020-12-18 华南理工大学 一种基于改进低秩稀疏分解的旋转机械故障诊断方法
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932480B (zh) * 2018-06-08 2022-03-15 电子科技大学 基于1d-cnn的分布式光纤传感信号特征学习与分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079781A (zh) * 2019-11-07 2020-04-28 华南理工大学 基于低秩与稀疏分解的轻量化卷积神经网络图像识别方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN112101082A (zh) * 2020-11-16 2020-12-18 华南理工大学 一种基于改进低秩稀疏分解的旋转机械故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于SLRMD与多分类SVM的变压器故障诊断方法;刘宇芳;姜斌;易辉;;机械设计与制造工程(12);全文 *
基于一维卷积神经网络的滚动轴承自适应故障诊断算法;曲建岭;余路;袁涛;田沿平;高峰;;仪器仪表学报(07);全文 *
基于多尺度卷积策略CNN的滚动轴承故障诊断;张明德;卢建华;马婧华;;重庆理工大学学报(自然科学)(06);全文 *

Also Published As

Publication number Publication date
CN113033309A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033309B (zh) 一种基于信号下采样及一维卷积神经网络的故障诊断方法
Zhang et al. Fault diagnosis of rotating machinery based on recurrent neural networks
Wang et al. Deep separable convolutional network for remaining useful life prediction of machinery
Shao et al. Highly accurate machine fault diagnosis using deep transfer learning
Zhao et al. An effective automatic system deployed in agricultural Internet of Things using Multi-Context Fusion Network towards crop disease recognition in the wild
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
Wang et al. A convolutional neural network method based on Adam optimizer with power-exponential learning rate for bearing fault diagnosis
Moussafir et al. Design of efficient techniques for tomato leaf disease detection using genetic algorithm-based and deep neural networks
Zhang et al. Chromosome classification with convolutional neural network based deep learning
Zhang et al. Fault detection and recognition of multivariate process based on feature learning of one-dimensional convolutional neural network and stacked denoised autoencoder
CN113486578A (zh) 一种工业过程中设备剩余寿命的预测方法
Ye et al. Multi-level features fusion network-based feature learning for machinery fault diagnosis
Pan et al. A novel symplectic relevance matrix machine method for intelligent fault diagnosis of roller bearing
Qian Exploration of machine algorithms based on deep learning model and feature extraction
CN116150747A (zh) 基于cnn和sltm的入侵检测方法及装置
CN116881841A (zh) 一种基于F1-score多级决策分析的混合模型故障诊断方法
Chen et al. Deep convolutional network for citrus leaf diseases recognition
Li et al. A lightgbm-based multi-scale weighted ensemble model for few-shot fault diagnosis
Zhang et al. Intelligent fault diagnosis of rolling bearing using the ensemble self‐taught learning convolutional auto‐encoders
Yuan et al. Bearing Fault Diagnosis Based on Improved Locality‐Constrained Linear Coding and Adaptive PSO‐Optimized SVM
Bi et al. K-means clustering optimizing deep stacked sparse autoencoder
Ge et al. Remaining useful life prediction using deep multi-scale convolution neural networks
Fu et al. Self-stacking random weight neural network with multi-layer features fusion
CN115146689A (zh) 一种基于深度学习的动力系统高维测量数据降维方法
Bhuvaneswari et al. Disease Detection in Plant Leaf using LNet Based on Deep Learning

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