CN113191240A - 轴承故障诊断的多任务深度神经网络方法及装置 - Google Patents
轴承故障诊断的多任务深度神经网络方法及装置 Download PDFInfo
- Publication number
- CN113191240A CN113191240A CN202110441167.1A CN202110441167A CN113191240A CN 113191240 A CN113191240 A CN 113191240A CN 202110441167 A CN202110441167 A CN 202110441167A CN 113191240 A CN113191240 A CN 113191240A
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault
- neural network
- module
- deep 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 92
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F2218/08—Feature extraction
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明适用于检测技术领域，提供了一种轴承故障诊断的多任务深度神经网络方法及装置，该方法包括：采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；创建轴承样本集；搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括特征提取模块和频谱生成模块；故障诊断任务执行模块包括特征提取模块和故障分类模块；将轴承样本集输入至多任务深度神经网络中训练；采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。通过上述方法，本申请能够让神经网络在故障识别过程中，使隐层神经网络学到振动信号频谱中的特征，以此提高神经网络轴承故障诊断的鲁棒性。
Description
技术领域
本发明属于检测技术领域，尤其涉及一种轴承故障诊断的多任务深度神经网络方法及装置。
背景技术
随着经济的发展，机械设备朝着高速化、大型化发展，轴承是机械设备中最重要的部件之一，如果轴承发生故障会严重危害机械设备的可靠性，造成生产停滞，甚至威胁生命安全。虽然已有一些深度学习方法应用于轴承故障诊断方法，但是生产环境中采集到的振动信号常常包含大量的噪声，故障特征常常被噪声淹没，因此故障识别结果准确性较差。
发明内容
有鉴于此，本发明实施例提供了一种轴承故障诊断的多任务深度神经网络方法及装置，以解决现有技术中因振动信号噪声引起的故障识别结果准确性差的问题。
本发明实施例的第一方面提供了一种轴承故障诊断的多任务深度神经网络方法，包括：
采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；
将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；
搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；故障诊断任务执行模块包括顺序连接的特征提取模块和故障分类模块；
将轴承样本集输入至多任务深度神经网络中完成网络训练；
采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
本发明实施例的第二方面提供了一种轴承故障诊断的多任务深度神经网络装置，包括：
频谱提取模块，用于采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；
样本生成模块，用于将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；
模型搭建模块，用于搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；故障诊断任务执行模块包括顺序连接的特征提取模块和故障分类模块；
训练模块，用于将轴承样本集输入至多任务深度神经网络中完成网络训练；
故障诊断模块，用于采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上轴承故障诊断的多任务深度神经网络方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上轴承故障诊断的多任务深度神经网络方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例首先采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；然后将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集；接着搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；故障诊断任务执行模块包括顺序连接的特征提取模块和故障分类模块；最后将轴承样本集输入至多任务深度神经网络中完成网络训练；采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。通过上述方法，本实施例通过在深度神经网络的训练阶段引入辅助任务，能够让神经网络在学习从振动信号到故障类型映射的过程中，使隐层神经网络学到振动信号频谱中的特征，以此提高神经网络轴承故障诊断的鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的轴承故障诊断的多任务深度神经网络方法的流程示意图；
图2是本发明实施例提供的具有辅助任务的多任务深度神经网络结构的示意图；
图3是本发明实施例提供的轴承故障诊断的多任务深度神经网络装置的结构示例图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，在一个实施例中，图1示出了本实施例提供的一种轴承故障诊断的多任务深度神经网络方法的实现流程，其过程详述如下：
S101：采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱。
在一个实施例中，故障类型包括内圈故障、外圈故障、滚动体故障和无故障。
在本实施例中，故障类型可以包括内圈故障、外圈故障、滚动体故障和健康无故障，每种故障类型又可以收集轻度故障、中度故障和严重故障三种信号。因此，包含正常轴承振动信号在内，本实施例共收集到10种故障类型的轴承振动信号。
在一个实施例中，图1中S101的具体实现流程包括：
采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；
针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。
在本实施例中，滑动窗的窗口大小可以选择2000，步长可以选择500。
S102：将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签。
在本实施例中，将频谱作为对应轴承振动信号的辅助任务标签，故障类型作为对应轴承振动信号的主任务标签，建立轴承样本。
S103：搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；故障诊断任务执行模块包括顺序连接的特征提取模块和故障分类模块。
在本实施例中，特征提取模块主要包括高斯噪声层、卷积层、扁平层和全连接层；频谱生成模块主要包括全连接层，故障分类模块主要包括全连接层。
在一个实施例中，图2示出了具有辅助任务的多任务深度神经网络结构。其中，特征提取模块A1包括依次连接的输入层input_1、高斯噪声层gaussian_1、卷积层convld_1、第一批标准化层batch_normalization_1、第一激活函数层p_re_lu_1、扁平层flatten_1、Dropout层、第一全连接层dense1、第二批标准化层batch_normalization_2和第二激活函数层p_re_lu_2；
频谱生成模块A2包括依次连接的第二全连接层dense2、第三批标准化层batch_normalization_3、第三激活函数层p_re_lu_3和第三全连接层dense3；
故障分类模块A3包括依次连接的第四全连接层dense4和第五全连接层dense5；
特征提取模块A1的第二激活函数层p_re_lu_2的输出分别与频谱生成模块A2的第二全连接层dense2的输入及故障分类模块A3的第四全连接层dense4的输入连接。
高斯噪声层的作用是为输入数据增加高斯噪声，其计算公式为：
其中，
为加噪后的数据，x为输入数据，z为高斯噪声，z的概率密度函数为：
其中，μ为z的均值，σ为z的标准差。
卷积层的计算公式为：
其中，xi为第i个通道的输出，k为卷积核长度；v(c)为输入数据数据第c个位置的值；w(c)i为第i个通道卷积核权重的第c个位置的值；bi为第i个通道的偏置。
批标准化层的计算公式为：
其中，x代表输入批标准化层的数据，Var()为取均值，E()为计算标准差，∈为一个极小的正数，以防止分母为0，γ和β分别为批标准化层的两个可学习参数，在神经网络训练结束后确定。
扁平层的作用为将卷积神经网络输出的多个一维特征首尾相接拼接成一个一维特征以适合全连接层输入。
Dropout层的作用是在训练阶段将上一层的神经元以一定的比例丢弃，以达到正则化的目的，避免神经网络过拟合。
全连接层的计算方式为：
h＝wx+b
其中，h为全连接层输出的特征，w为权值向量，x为输入全连接层的特征，b为偏置。
具体地，特征提取模块A1的输入层input_1的大小与轴承振动信号段长度相同；频谱生成模块A2输入层的大小与特征提取模块A1最后一层的输出相同，频谱生成模块A2最后一层的大小应与轴承振动信号段的频谱长度相同；故障诊断模块输入层的大小与特征提取模块A1最后一层的输出相同，故障诊断模块最后一层的大小应与故障类型数量相同。根据实际情况确定多任务深度神经网络中各网络层的超参数，如卷积核的大小、步长，连接层中神经元的数量等，各网络层的超参数如表1所示。
表1
在本实施例中，激活函数层采用PReLU激活函数增强非线性能力，PReLU的计算方式为：
式中的ai由动量方法更新：
其中，μ是动量，∈是学习率，ε是损失函数。
在本实施例中，故障诊断模块最后一层神经元使用的softmax激活函数的计算方式为：
式中，yp为输出的激活值，xp为第p个神经元的输出值，n为神经元的数量，xq为第q个神经元的输出值。
在一个实施例中，多任务深度神经网络的损失函数为：
其中，第一项是L2损失函数，第二项为交叉熵损失函数，N表示频谱长度，fw表示轴承振动信号段的频谱中频率为w时对应的幅值，
表示频谱生成模块A2输出的生成频谱中频率为w时对应的幅值，M表示故障类型的数量，
表示轴承振动信号段对应第l类故障类型的概率，yl为故障分类模块A3输出的轴承振动信号段对应第l类故障类型的概率，μ表示L2损失函数的权重，σ表示交叉熵损失函数的权重。
S104：将轴承样本集输入至多任务深度神经网络中完成网络训练。
S105：采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
在一个实施例中，S105包括：
在多任务深度神经网络完成网络训练后，去掉多任务深度神经网络中的频谱生成模块A2和特征提取模块A1中的高斯噪声层gaussian_1和Dropout层，并将去掉高斯噪声层gaussian_1和Dropout层的故障诊断任务执行模块作为故障诊断模型对待测轴承进行故障诊断。
在本实施例中，使用轴承振动信号段作为输入，频谱和故障类型作为输出训练有辅助任务的多任务深度学习网络。辅助任务使用L2损失函数，故障诊断任务使用交叉熵损失函数，使用Adam优化器在学习率为0.003的情况下迭代训练，训练300代后损失不再下降，则网络训练完成，去掉多任务深度学习模型中的频谱生成模块A2，保留余下的网络层，余下的网络层即为故障诊断模型。
具体地，特征提取模块A1中的高斯噪声层gaussian_1只在网络训练阶段时起作用，对每次输入神经网络的训练样本增加均值为0的方差为某个数值的高斯噪声，可以达到数据增强的作用。如此，每次输入的噪声都不相同，神经网络就会学习到更多的输入数据中不变的本质特征，从而在训练过程中提高模型的鲁棒性。在故障诊断模型实际应用时则去掉高斯噪声层gaussian_1。
同样地，特征提取模块A1中的Dropout层只在网络训练阶段时起作用，在每次前向传播的时候，让其之前一层的神经元以一定的概率p停止工作，即不输出值，这样可以使模型不会太依赖某些局部的特征，增强模型的鲁棒性。在故障诊断模型实际应用时则去掉Dropout层。
从上述实施例可知，本实施例首先采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；然后将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集；接着搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块A1和频谱生成模块A2；故障诊断任务执行模块包括顺序连接的特征提取模块A1和故障分类模块A3；最后将轴承样本集输入至多任务深度神经网络中完成网络训练；采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。通过上述方法，本实施例通过在深度神经网络的训练阶段引入辅助任务，能够让神经网络在学习从振动信号到故障类型映射的过程中，使隐层神经网络学到振动信号频谱中的特征，以此达到正则化的目的，提高神经网络轴承故障诊断的鲁棒性和泛化性，可以第一时间诊断故障轴承，为轴承健康管理提供便利。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，如图3所示，图3示出了本实施例提供的一种轴承故障诊断的多任务深度神经网络装置，其包括：
频谱提取模块，用于采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；
样本生成模块，用于将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；
模型搭建模块，用于搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块A1和频谱生成模块A2；故障诊断任务执行模块包括顺序连接的特征提取模块A1和故障分类模块A3；
训练模块，用于将轴承样本集输入至多任务深度神经网络中完成网络训练；
故障诊断模块，用于采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
在一个实施例中，频谱提取模块包括：
重采样单元，用于采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；
频谱提取单元，用于针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。
在一个实施例中，故障类型包括内圈故障、外圈故障、滚动体故障和无故障。
在一个实施例中，特征提取模块A1包括依次连接的输入层input_1、高斯噪声层gaussian_1、卷积层convld_1、第一批标准化层batch_normalization_1、第一激活函数层p_re_lu_1、扁平层flatten_1、Dropout层、第一全连接层dense1、第二批标准化层batch_normalization_2和第二激活函数层p_re_lu_2；
频谱生成模块A2包括依次连接的第二全连接层dense2、第三批标准化层batch_normalization_3、第三激活函数层p_re_lu_3和第三全连接层dense3；
故障分类模块A3包括依次连接的第四全连接层dense4和第五全连接层dense5；
特征提取模块A1的第二激活函数层p_re_lu_2的输出分别与频谱生成模块A2的第二全连接层dense2的输入及故障分类模块A3的第四全连接层dense4的输入连接。
在一个实施例中，多任务深度神经网络的损失函数为：
其中，第一项是L2损失函数，第二项为交叉熵损失函数，N表示频谱长度，fw表示轴承振动信号段的频谱中频率为w时对应的幅值，
表示频谱生成模块A2输出的生成频谱中频率为w时对应的幅值，M表示故障类型的数量，
表示轴承振动信号段对应第l类故障类型的概率，yl为故障分类模块A3输出的轴承振动信号段对应第l类故障类型的概率，μ表示L2损失函数的权重，σ表示交叉熵损失函数的权重。
在一个实施例中，故障诊断模块150包括：
在多任务深度神经网络完成网络训练后，去掉所述特征提取模块中的高斯噪声层、Dropout层和所述频谱生成模块，并将去掉高斯噪声层和Dropout层的故障诊断任务执行模块作为故障诊断模型对待测轴承进行故障诊断。
从上述实施例可知，本实施例首先采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；然后将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集；接着搭建具有辅助任务的多任务深度神经网络，多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，辅助任务执行模块包括顺序连接的特征提取模块A1和频谱生成模块A2；故障诊断任务执行模块包括顺序连接的特征提取模块A1和故障分类模块A3；最后将轴承样本集输入至多任务深度神经网络中完成网络训练；采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。通过上述方法，本实施例通过在深度神经网络的训练阶段引入辅助任务，能够让神经网络在学习从振动信号到故障类型映射的过程中，使隐层神经网络学到振动信号频谱中的特征，以此提高神经网络轴承故障诊断的鲁棒性。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个轴承故障诊断的多任务深度神经网络方法实施例中的步骤，例如图1所示的步骤101至105。或者，处理器40执行计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块110至150的功能。
计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在终端设备4中的执行过程。
终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备4的内部存储单元，例如终端设备4的硬盘或内存。存储器41也可以是终端设备4的外部存储设备，例如终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种轴承故障诊断的多任务深度神经网络方法，其特征在于，包括：
采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；
将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，所述轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；
搭建具有辅助任务的多任务深度神经网络，所述多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，所述辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；所述故障诊断任务执行模块包括顺序连接的所述特征提取模块和故障分类模块；
将所述轴承样本集输入至所述多任务深度神经网络中完成网络训练；
采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
2.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱，包括：
采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；
针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。
3.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述故障类型包括内圈故障、外圈故障、滚动体故障和无故障。
4.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述特征提取模块包括依次连接的输入层、高斯噪声层、卷积层、第一批标准化层、第一激活函数层、扁平层、Dropout层、第一全连接层、第二批标准化层和第二激活函数层；
所述频谱生成模块包括依次连接的第二全连接层、第三批标准化层、第三激活函数层和第三全连接层；
所述故障分类模块包括依次连接的第四全连接层和第五全连接层；
所述特征提取模块的第二激活函数层的输出分别与所述频谱生成模块的第二全连接层的输入及所述故障分类模块的第四全连接层的输入连接。
5.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述多任务深度神经网络的损失函数为：
其中，N表示频谱长度，fw表示轴承振动信号段的频谱中频率为w时对应的幅值，
表示频谱生成模块输出的生成频谱中频率为w时对应的幅值，M表示故障类型的数量，
表示轴承振动信号段对应第l类故障类型的概率，yl为故障分类模块输出的轴承振动信号段对应第l类故障类型的概率，μ表示L2损失函数的权重，σ表示交叉熵损失函数的权重。
6.如权利要求5所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断，包括：
在多任务深度神经网络完成网络训练后，去掉所述特征提取模块中的高斯噪声层、Dropout层和所述频谱生成模块，并将去掉高斯噪声层和Dropout层的故障诊断任务执行模块作为故障诊断模型对待测轴承进行故障诊断。
7.一种轴承故障诊断的多任务深度神经网络装置，其特征在于，包括：
频谱提取模块，用于采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；
样本生成模块，用于将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，所述轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；
模型搭建模块，用于搭建具有辅助任务的多任务深度神经网络，所述多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，所述辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；所述故障诊断任务执行模块包括顺序连接的所述特征提取模块和故障分类模块；
训练模块，用于将所述轴承样本集输入至所述多任务深度神经网络中完成网络训练；
故障诊断模块，用于采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。
8.如权利要求7所述的轴承故障诊断的多任务深度神经网络装置，其特征在于，所述频谱提取模块包括：
重采样单元，用于采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；
频谱提取单元，用于针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441167.1A CN113191240B (zh) | 2021-04-23 | 2021-04-23 | 轴承故障诊断的多任务深度神经网络方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441167.1A CN113191240B (zh) | 2021-04-23 | 2021-04-23 | 轴承故障诊断的多任务深度神经网络方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191240A true CN113191240A (zh) | 2021-07-30 |
| CN113191240B CN113191240B (zh) | 2022-04-08 |
Family
ID=76978178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110441167.1A Active CN113191240B (zh) | 2021-04-23 | 2021-04-23 | 轴承故障诊断的多任务深度神经网络方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191240B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN113962251A (zh) * | 2021-09-14 | 2022-01-21 | 中国兵器工业信息中心 | 一种无人机的故障检测方法、装置、电子设备及存储介质 |
| CN114662680A (zh) * | 2022-05-24 | 2022-06-24 | 杭州云智声智能科技有限公司 | 一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统 |
| WO2023082427A1 (zh) * | 2021-11-11 | 2023-05-19 | 烟台杰瑞石油服务集团股份有限公司 | 故障诊断方法、诊断模型构建方法、装置、设备和介质 |
| 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 |
| CN117232846A (zh) * | 2023-09-15 | 2023-12-15 | 广东海洋大学 | 基于粗粒度的船用涡轮增压器故障诊断方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
| CN109951243A (zh) * | 2017-12-20 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 一种频谱预测方法、系统及电子设备 |
| CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
-
2021
- 2021-04-23 CN CN202110441167.1A patent/CN113191240B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
| CN109951243A (zh) * | 2017-12-20 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 一种频谱预测方法、系统及电子设备 |
| CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| FERNANDO SALAZAR-VILLANUEVA ET AL: "Spectral Analysis for Identifying Faults in Induction Motors by Means of Sound", 《23RD INTERNATIONAL CONFERENCE ON ELECTRONICS》 * |
| 张文风 等: "基于Dropout-CNN的滚动轴承故障诊断研究", 《轻工机械》 * |
| 王震 等: "一种用于故障分类与预测的多任务特征共享神经网络", 《仪器仪表学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113639993A (zh) * | 2021-08-17 | 2021-11-12 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN113639993B (zh) * | 2021-08-17 | 2022-06-07 | 燕山大学 | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 |
| CN113962251A (zh) * | 2021-09-14 | 2022-01-21 | 中国兵器工业信息中心 | 一种无人机的故障检测方法、装置、电子设备及存储介质 |
| WO2023082427A1 (zh) * | 2021-11-11 | 2023-05-19 | 烟台杰瑞石油服务集团股份有限公司 | 故障诊断方法、诊断模型构建方法、装置、设备和介质 |
| US11886178B2 (en) | 2021-11-11 | 2024-01-30 | Yantai Jereh Oilfield Services Group Co., Ltd. | Fault diagnosis method, method for building fault diagnosis model, equipment, device and medium |
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN113869286B (zh) * | 2021-12-01 | 2022-02-25 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断系统及故障诊断方法 |
| CN114662680A (zh) * | 2022-05-24 | 2022-06-24 | 杭州云智声智能科技有限公司 | 一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统 |
| CN117232846A (zh) * | 2023-09-15 | 2023-12-15 | 广东海洋大学 | 基于粗粒度的船用涡轮增压器故障诊断方法、装置及设备 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113191240B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191240B (zh) | 轴承故障诊断的多任务深度神经网络方法及装置 | |
| Zhang et al. | A hybrid attention improved ResNet based fault diagnosis method of wind turbines gearbox | |
| Zhang et al. | Deep residual learning-based fault diagnosis method for rotating machinery | |
| Malhotra et al. | TimeNet: Pre-trained deep recurrent neural network for time series classification | |
| Liu et al. | Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples | |
| Zheng et al. | Generalized refined composite multiscale fuzzy entropy and multi-cluster feature selection based intelligent fault diagnosis of rolling bearing | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN111160139A (zh) | 心电信号的处理方法、装置及终端设备 | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
| Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
| CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
| CN113345463B (zh) | 基于卷积神经网络的语音增强方法、装置、设备及介质 | |
| CN109635864B (zh) | 一种基于数据的容错控制方法及装置 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN111680642A (zh) | 一种地形分类方法及装置 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| Chao et al. | A novel convolutional neural network with multiscale cascade midpoint residual for fault diagnosis of rolling bearings | |
| Yang et al. | An end-to-end denoising autoencoder-based deep neural network approach for fault diagnosis of analog circuit | |
| CN117556344B (zh) | 基于多源信息融合的球磨机传动系统故障诊断方法与系统 | |
| CN117949821B (zh) | 一种异步电机故障诊断方法及相关设备 | |
| Mello et al. | Ensemble of metric learners for improving electrical submersible pump fault diagnosis | |
| Huang et al. | Deep continuous convolutional networks for fault diagnosis | |
| Wang et al. | Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis |
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 |