CN113465924A - 一种基于改进bp神经网络的轴承故障诊断方法及系统 - Google Patents

一种基于改进bp神经网络的轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN113465924A
CN113465924A CN202110688403.XA CN202110688403A CN113465924A CN 113465924 A CN113465924 A CN 113465924A CN 202110688403 A CN202110688403 A CN 202110688403A CN 113465924 A CN113465924 A CN 113465924A
Authority
CN
China
Prior art keywords
neural network
fault
wavelet packet
optimized
energy characteristics
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
Application number
CN202110688403.XA
Other languages
English (en)
Inventor
吕雅琼
周倩雯
赵文琴
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110688403.XA priority Critical patent/CN113465924A/zh
Publication of CN113465924A publication Critical patent/CN113465924A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于改进BP神经网络的轴承故障诊断方法及系统，该方法包括：获取包含标注信息的训练样本集，将训练样本集输入至优化BP神经网络，输出预测故障类型；根据实际故障类型和预测故障类型确定损失函数，根据损失函数的值调整优化BP神经网络的参数直至满足收敛条件，将训练完备的优化BP神经网络进行存储；获取待测振动信号，并提取对应的小波包能量特征，输入至训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。本发明利用小波包变换从原始数据中提取故障特征，提高了BP神经网络在机械设备故障诊断上的效率和性能，实现高效的监测过程和诊断过程。

Description

一种基于改进BP神经网络的轴承故障诊断方法及系统
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于改进BP神经网络的轴承故障诊断方法及系统。
背景技术
随着工业4.0的发展，机械设备逐渐变得复杂化、一体化、和自动化。一旦某个元部件出现故障，将导致整个设备无法工作甚至生产线停工，更严重的将会危害员工生命安全。因此，不得不高度重视设备的可靠性、可维护性和安全性。
特别是工业界中存在着各种各样的生产，制造，加工设备，设备的安全维护是企业所面临的问题也是研究的重要课题。机械设备中大部分都是旋转机械，而滚动轴承是各类旋转机械中最常用的通用零部件之一，起着承受、传递载荷、保障设备可靠运行的关键作用。与此同时，滚动轴承的工作环境较为恶劣，且受到多种载荷的多重作用，也是机械设备中最易发生故障的零件之一。据统计，旋转机械的故障有30％是由轴承故障引起的，它的好坏对机器的工作状况影响极大。随着物联网技术的发展，可以使用各种传感器对现代物流设备进行状态监测，很便利地获知其各类信息，然后利用数据挖掘技术从这些信息提取出故障信号与故障部位之间的关系，进而实现准确的预测。但如何从海量数据中提取关键特征，为故障诊断提高可靠输入信息，从而提高故障诊断的准确率是面临的新问题。
发明内容
有鉴于此，有必要提供一种基于改进BP神经网络的轴承故障诊断方法及系统，用以解决现有技术中故障诊断的准确度不足的问题。
本发明提供一种基于改进BP神经网络的轴承故障诊断方法，包括：
获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
进一步地，所述优化BP神经网络包括输出层、隐藏层和输出层，采用AdaBelief优化器进行优化。
进一步地，所述采用AdaBelief优化器进行优化包括：
通过如下公式计算梯度的第一指数移动平均：
mt＝β1mt-1+(1-β1)gt
其中，gt表示第t步时的梯度，mt表示第t步时的第一指数移动平均，mt-1表示第t-1步时的第一指数移动平均，β1表示第一预设超参数；
根据第t步时的梯度gt和第t步时的第一指数移动平均mt，确定第t步时的第二指数移动平均，通过如下公式表示：
st＝β2st-1+(1-β2)(gt-mt)2
其中，st表示第t步时的第二指数移动平均，st-1表示第t-1步时的第二指数移动平均，β2表示第二预设超参数；
分别计算第t步时的第一指数移动平均mt和第t步时的第二指数移动平均st的修正量，通过如下公式表示：
Figure BDA0003124041170000031
Figure BDA0003124041170000032
其中，
Figure BDA0003124041170000033
表示第t步时的第一指数移动平均mt对应的第一修正量，
Figure BDA0003124041170000034
表示第t步时的第二指数移动平均st对应的第二修正量；
根据第一修正量
Figure BDA0003124041170000035
和第二修正量
Figure BDA0003124041170000036
更新权重，通过如下公式表示：
Figure BDA0003124041170000037
其中，ω表示权重，α表示第三超参数，∈表示预设常数。
进一步地，所述小波包能量特征的提取过程包括：
对所述振动信号进行小波包分解，确定对应的分解形式；
根据所述分解形式再对小波包系数进行重构，确定重构信号集合；
根据所述重构信号集合，确定对应的信号能量特征，其中，所述信号能量特征构成所述小波包能量特征。
进一步地，所述分解形式通过如下公式表示：
Figure BDA0003124041170000038
其中，
Figure BDA0003124041170000039
和
Figure BDA00031240411700000310
表示第j+1级小波包系数，h0，2l-k和h1，2l-k：表示对应的分解系数，
Figure BDA00031240411700000311
表示第j级小波包系数。
进一步地，所述小波包系数重构通过如下公式表示：
Figure BDA00031240411700000312
其中，
Figure BDA00031240411700000313
和
Figure BDA00031240411700000314
表示第j+1级小波包系数，g0，l-k和g1，l-k表示对应的重构系数，
Figure BDA00031240411700000315
表示第j级小波包系数。
进一步地，所述根据所述重构信号集合，确定对应的信号能量特征包括：
设第m层小波包系数集合为
Figure BDA0003124041170000041
对各个小波包系数进行重构得到所述重构信号集合为
Figure BDA0003124041170000042
按照如下公式计算重构信号的能量：
Figure BDA0003124041170000043
其中，n表示小波包系数的顺序(n＝0，1，2…2m-1)；s表示重构后信号的点数；Dmnk：表示第n个频谱的重构信号的第k个点的幅值；
分别求出2m.个重构信号的能量，得到信号能量特征的集合
Figure BDA0003124041170000044
其中，Em0，Em1，….，
Figure BDA0003124041170000045
分别为对应的信号能量特征。
进一步地，当m设为3时，采用db5小波基进行3层小波包变换，对应的所述信号能量特征为8个，对应的故障类型包括滚动体故障、内圈故障、外圈故障以及保持架故障。
进一步地，所述训练样本集的构建过程包括：
收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；
将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；
将所述训练样本集按预设比例分成训练集和测试集。
本发明还提供了一种基于改进BP神经网络的轴承故障诊断系统，包括：
数据库建立单元，用于收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；还用于将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；还用于将所述训练样本集按预设比例分成训练集和测试集；
数据查询单元，用于获取用户的查询信息，并根据所述查询信息在所述关系型数据库进行搜索，进行对应的可视化处理；
获取单元，用于获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
训练单元，用于根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
诊断单元，用于获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
与现有技术相比，本发明的有益效果包括：首先，对训练样本集进行有效的获取，提取故障信号的小波包能量特征作为输入，对应的标签为实际故障类型，将训练样本集输入至优化BP神经网络；然后，根据训练样本集标注的实际故障类型和优化BP神经网络输出的预测故障类型之间形成的误差，进行对优化BP神经网络的训练，直至网络收敛；最后，对待测故障信号提取小波包能量特征，再将小波包能量特征输入至训练完备的优化BP神经网络，以此对其故障类型进行高效准确的预测。综上，本发明采集轴承不同故障状态下的信号，利用小波包变换从原始数据中提取故障特征，输入优化BP神经网络，实现对机械设备的实时故障诊断，提高了BP神经网络在机械设备故障诊断上的效率和性能，实现高效的监测过程和诊断过程。
附图说明
图1为本发明提供的基于改进BP神经网络的轴承故障诊断方法一实施例的流程示意图；
图2为本发明提供的小波包能量特征提取一实施例的流程示意图；
图3为本发明提供的训练样本集构建一实施例的流程示意图；
图4为本发明提供的基于改进BP神经网络的轴承故障诊断系统一实施例的结构示意图；
图5为本发明提供的数据查询界面一实施例的界面示意图；
图6为本发明提供的训练界面一实施例的界面示意图；
图7为本发明提供的诊断界面一实施例的界面示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明实施例提供了一种基于改进BP神经网络的轴承故障诊断方法，结合图1来看，图1为本发明提供的基于改进BP神经网络的轴承故障诊断方法一实施例的流程示意图，包括步骤S1至步骤S3，其中：
在步骤S1中，获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
在步骤S2中，根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
在步骤S3中，获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
在本发明实施例中，首先，对训练样本集进行有效的获取，提取故障信号的小波包能量特征作为输入，对应的标签为实际故障类型，将训练样本集输入至优化BP神经网络；然后，根据训练样本集标注的实际故障类型和优化BP神经网络输出的预测故障类型之间形成的误差，进行对优化BP神经网络的训练，直至网络收敛；最后，对待测故障信号提取小波包能量特征，再将小波包能量特征输入至训练完备的优化BP神经网络，以此对其故障类型进行高效准确的预测。
作为优选的实施例，所述优化BP神经网络包括输出层、隐藏层和输出层，采用AdaBelief优化器进行优化。作为具体实施例，本发明实施例利用优化BP神经网络的优化设计，完成网络的快速训练，提高网络性能。
作为优选的实施例，所述采用AdaBelief优化器进行优化包括：
通过如下公式计算梯度的第一指数移动平均：
mt＝β1mt-1+(1-β1)gt
其中，gt表示第t步时的梯度，mt表示第t步时的第一指数移动平均，mt-1表示第t-1步时的第一指数移动平均，β1表示第一预设超参数；
根据第t步时的梯度gt和第t步时的第一指数移动平均mt，确定第t步时的第二指数移动平均，通过如下公式表示：
st＝β2st-1+(1-β2)(gt-mt)2
其中，st表示第t步时的第二指数移动平均，st-1表示第t-1步时的第二指数移动平均，β2表示第二预设超参数；
分别计算第t步时的第一指数移动平均mt和第t步时的第二指数移动平均st的修正量，通过如下公式表示：
Figure BDA0003124041170000071
Figure BDA0003124041170000072
其中，
Figure BDA0003124041170000073
表示第t步时的第一指数移动平均mt对应的第一修正量，
Figure BDA0003124041170000074
表示第t步时的第二指数移动平均st对应的第二修正量；
根据第一修正量
Figure BDA0003124041170000075
和第二修正量
Figure BDA0003124041170000076
更新权重，通过如下公式表示：
Figure BDA0003124041170000077
其中，ω表示权重，α表示第三超参数，∈表示预设常数。
作为具体实施例，本发明实施例采用AdaBelief优化器进行优化，对神经网络进行离线训练，提高网络性能，保证故障诊断的准确性。
作为优选的实施例，结合图2来看，图2为本发明提供的小波包能量特征提取一实施例的流程示意图，包括步骤S021至步骤S023，其中：
在步骤S021中，对所述振动信号进行小波包分解，确定对应的分解形式；
在步骤S022中，根据所述分解形式再进行小波包系数重构，确定重构信号集合；
在步骤S023中，根据所述重构信号集合，确定对应的信号能量特征，其中，所述信号能量特征构成所述小波包能量特征。
作为具体实施例，本发明实施例利用小波包对故障信号进行提取处理，更为高效地反馈故障信号的特征，再将对应的小波包能量特征作为网络输入，保证了识别的高效性和准确性。
作为优选的实施例，所述分解形式通过如下公式表示：
Figure BDA0003124041170000081
其中，
Figure BDA0003124041170000082
和
Figure BDA0003124041170000083
表示第j+1级小波包系数，h0，2l-k和h1，2l-k：表示对应的分解系数，
Figure BDA0003124041170000084
表示第j级小波包系数。
作为具体实施例，本发明实施例利用小波包对故障信号进行有效的分解，一般为3层分解。
作为优选的实施例，所述小波包重构通过如下公式表示：
Figure BDA0003124041170000085
其中，
Figure BDA0003124041170000086
和
Figure BDA0003124041170000087
表示第j+1级小波包系数，g0，l-k和g1，l-k表示对应的重构系数，
Figure BDA0003124041170000091
表示第j级小波包系数。
作为具体实施例，本发明实施例利用小波包，对故障信号进行有效的重构，形成相应的重构信号。
作为优选的实施例，所述根据所述重构信号集合，确定对应的信号能量特征包括：
设第m层小波包系数集合为
Figure BDA0003124041170000092
对各个小波包系数进行重构得到所述重构信号集合为
Figure BDA0003124041170000093
按照如下公式计算重构信号的能量：
Figure BDA0003124041170000094
其中，n表示小波包系数的顺序(n＝0，1，2…2m-1)；s表示重构后信号的点数；Dmnk：表示第n个频谱的重构信号的第k个点的幅值；
分别求出2m.个重构信号的能量，得到信号能量特征的集合
Figure BDA0003124041170000095
其中，Em0，Em1，….，
Figure BDA0003124041170000096
分别为对应的信号能量特征。
作为具体实施例，本发明实施例根据重构信号，计算其信号能量，形成信号能量特征的集合，即小波包能量特征，作为网络的有效输入。
作为优选的实施例，当m设为3时，采用db5小波基进行3层小波包变换，对应的所述信号能量特征为8个，对应的故障类型包括滚动体故障、内圈故障、外圈故障以及保持架故障。
作为具体实施例，本发明实施例采用db5小波基进行3层小波包变换，进行3层的小波分解和重构，形成对应的8个信号能量特征，这8个信号能量特征形成对应的小波包能量特征作为网络输入，对应的标签为滚动体故障、内圈故障、外圈故障以及保持架故障，以此保证网络的有效检测。
在本发明一个具体实施例中，优化BP神经网络模型包括一个输入层，一个隐藏层，一个输出层。输入为提取的8个特征值，所以输入节点为8个；输出为轴承的四种故障类型：滚动体故障、内圈故障、外圈故障以及保持架故障，所以输出节点为4个；激活函数采用sigmoid函数；采用AdaBelief优化器优化BP神经网络，AdaBelief兼具良好的泛化性和快速收敛性。
作为优选的实施例，结合图3来看，图3为本发明提供的训练样本集构建一实施例的流程示意图，包括步骤S031至步骤S033，其中：
在步骤S031中，收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；
在步骤S032中，将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；
在步骤S033中，将所述训练样本集按预设比例分成训练集和测试集。
作为具体实施例，本发明实施例利用小波包能量特征的提取和故障类型的标注，形成有效的训练样本集，保证对网络的训练效果。
在本发明一个具体的实施例中，采集轴承不同故障状态下的信号，并将原始数据与相应标签储存到数据库；利用小波包变换从原始数据中提取故障特征，并储存到数据库中，形成样本库，并将样本库中数据按一定比例分为训练集和测试集；采用AdaBelief优化器优化BP神经网络，将训练集中带标签的特征数据输入AdaBelief-BP神经网络(优化BP神经网络)，对神经网络进行离线训练，并用测试集中数据进行测试；将收集的实时振动信号输入训练好的模型，实现对机械设备的实时故障诊断。
本发明实施例还提供了一种基于改进BP神经网络的轴承故障诊断系统，结合图4来看，图4为本发明提供的基于改进BP神经网络的轴承故障诊断系统一实施例的结构示意图，基于改进BP神经网络的轴承故障诊断系统400包括：
数据库建立单元401，用于收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；还用于将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；还用于将所述训练样本集按预设比例分成训练集和测试集；
数据查询单元402，用于获取用户的查询信息，并根据所述查询信息在所述关系型数据库进行搜索，进行对应的可视化处理；
获取单元403，用于获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
训练单元404，用于根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
诊断单元405，用于获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
在本发明实施例中，设置数据库建立单元，对关系型数据库进行有效建立，存储训练样本集的信息；设置数据查询单元，便于用户的查询；设置获取单元，对训练样本集进行有效的获取和输入；设置训练单元，对优化BP神经网络进行有效的训练；设置诊断单元，利用训练完备的优化BP神经网络，对待测振动信号进行故障诊断。
在本发明一个具体的实施例中，进行轴承故障诊断软件设计，实现监测过程和诊断过程的可视化，其中：
数据库建立单元401，具体用于在轴承不同故障类型下收集到的振动信号数据及其对应标签(标签为故障类型以及相应图片)存储到关系型数据库Mysql。在所建立的数据库下建立各个类型故障的数据表，数据表别名为：数据编号，轴承型号，采集频率，转速，传感器位置及采集方向，通道，故障类型。数据库分为训练集，测试集，训练集为带标签的数据用来训练神经网络，测试集用来测试模型的最终效果；
数据查询单元402，具体用于建立故障诊断软件与数据库之间的连接，可直接通过软件的数据查询功能，访问数据库中的历史数据。结合图5来看，图5为本发明提供的数据查询界面一实施例的界面示意图，左边表格显示原始数据信息；上方显示该数据的标签，轴承型号，采集频率等信息；并将原始振动信号转化为时域图以及频域图，实现数据的可视化；
获取单元403和训练单元404，结合图6来看，图6为本发明提供的训练界面一实施例的界面示意图，上面是菜单栏，选择特征数据；左侧可以选择模型的参数(学习率，批量数，输入特征数，分类数)，因为不同的数据，最佳的模型参数不一样，可在诊断之前，先训练模型；右侧显示训练图像；利用数据库中的验证集验证训练好的模型，并显示故障诊断点图；
诊断单元405，结合图7来看，图7为本发明提供的诊断界面一实施例的界面示意图，可直接调用特征提取算法—小波包变换，提取原始数据特征，如上面是菜单栏，可以选择算法参数，例如小波分解层数以及小波基；左边是原始数据展示，以表格形式展示；左边图显示原始时域图，右边的图显示进行小波包变换之后的图像；下方显示提取的特征值，以及保存功能，可以选择保存的形式以及位置，将提取的小波包能量特征直接输入训练完备的优化BP神经网络，实现故障诊断。
需要说明的是，上述系统满足非专业人员的监测需求，降低企业用人成本，不仅提高了BP神经网络在机械设备故障诊断上的效率和性能，还进行轴承故障诊断软件设计，实现监测过程和诊断过程的可视化，提高该方法在实际工程中的应用。
本发明公开了一种基于改进BP神经网络的轴承故障诊断方法及系统，首先，对训练样本集进行有效的获取，提取故障信号的小波包能量特征作为输入，对应的标签为实际故障类型，将训练样本集输入至优化BP神经网络；然后，根据训练样本集标注的实际故障类型和优化BP神经网络输出的预测故障类型之间形成的误差，进行对优化BP神经网络的训练，直至网络收敛；最后，对待测故障信号提取小波包能量特征，再将小波包能量特征输入至训练完备的优化BP神经网络，以此对其故障类型进行高效准确的预测。
本发明技术方案，采集轴承不同故障状态下的信号，利用小波包变换从原始数据中提取故障特征，输入优化BP神经网络，实现对机械设备的实时故障诊断，提高了BP神经网络在机械设备故障诊断上的效率和性能，实现高效的监测过程和诊断过程。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于改进BP神经网络的轴承故障诊断方法，其特征在于，包括：
获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
2.根据权利要求1所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述优化BP神经网络包括输出层、隐藏层和输出层，采用AdaBelief优化器进行优化。
3.根据权利要求2所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述采用AdaBelief优化器进行优化包括：
通过如下公式计算梯度的第一指数移动平均：
mt＝β1mt-1+(1-β1)gt
其中，gt表示第t步时的梯度，mt表示第t步时的第一指数移动平均，mt-1表示第t-1步时的第一指数移动平均，β1表示第一预设超参数；
根据第t步时的梯度gt和第t步时的第一指数移动平均mt，确定第t步时的(gt-mt)2第二指数移动平均st，通过如下公式表示：
st＝β2st-1+(1-β2)(gt-mt)2
其中，st表示第t步时的第二指数移动平均，st-1表示第t-1步时的(gt-1-mt-1)2第二指数移动平均，β2表示第二预设超参数；
分别计算第t步时的第一指数移动平均mt和第t步时的第二指数移动平均st的修正量，通过如下公式表示：
Figure FDA0003124041160000021
Figure FDA0003124041160000022
其中，
Figure FDA0003124041160000023
表示第t步时的第一指数移动平均mt对应的第一修正量，
Figure FDA0003124041160000024
表示第t步时的第二指数移动平均st对应的第二修正量；
根据第一修正量
Figure FDA0003124041160000025
和第二修正量
Figure FDA0003124041160000026
更新权重，通过如下公式表示：
Figure FDA0003124041160000027
其中，ω表示权重，α表示第三超参数，∈表示预设常数。
4.根据权利要求1所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述小波包能量特征的提取过程包括：
对所述振动信号进行小波包分解，确定对应的分解形式；
根据所述分解形式再进行小波包系数重构，确定重构信号集合；
根据所述重构信号集合，确定对应的信号能量特征，其中，所述信号能量特征构成所述小波包能量特征。
5.根据权利要求3所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述分解形式通过如下公式表示：
Figure FDA0003124041160000028
其中，
Figure FDA0003124041160000029
和
Figure FDA00031240411600000210
表示第j+1级小波包系数，h0，2l-k和h1，2l-k表示对应的分解系数，
Figure FDA00031240411600000211
表示第j级小波包系数。
6.根据权利要求3所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述小波包重构通过如下公式表示：
Figure FDA0003124041160000031
其中，
Figure FDA0003124041160000032
和
Figure FDA0003124041160000033
表示第j+1级小波包系数，g0，l-k和g1，l-k表示对应的重构系数，
Figure FDA0003124041160000034
表示第j级小波包系数。
7.根据权利要求3所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述根据所述重构信号集合，确定对应的信号能量特征包括：
设第m层小波包系数集合为
Figure FDA0003124041160000035
对各个小波包系数进行重构得到所述重构信号集合为
Figure FDA0003124041160000036
按照如下公式计算重构信号的能量：
Figure FDA0003124041160000037
其中，n表示小波包系数的顺序(n＝0，1，2…2m-1)；s表示重构后信号的点数；Dmnk表示第n个频谱的重构信号的第k个点的幅值；
分别求出2m个重构信号的能量，得到信号能量特征的集合
Figure FDA0003124041160000038
其中，
Figure FDA0003124041160000039
分别为对应的信号能量特征。
8.根据权利要求7所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，当m设为3时，采用db5小波基进行3层小波包变换，对应的所述信号能量特征为8个，对应的故障类型包括滚动体故障、内圈故障、外圈故障以及保持架故障。
9.根据权利要求1所述的基于改进BP神经网络的轴承故障诊断方法，其特征在于，所述训练样本集的构建过程包括：
收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；
将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；
将所述训练样本集按预设比例分成训练集和测试集。
10.一种基于改进BP神经网络的轴承故障诊断系统，其特征在于，包括：
数据库建立单元，用于收集轴承不同故障类型下收集到的振动信号及对应的实际故障类型，将所述实际故障类型作为对应的标注信息；还用于将所述振动信号和对应的所述实际故障类型存储到关系型数据库，并在所述关系型数据库中建立各个实际故障类型的数据表；还用于将所述训练样本集按预设比例分成训练集和测试集；
数据查询单元，用于获取用户的查询信息，并根据所述查询信息在所述关系型数据库进行搜索，进行对应的可视化处理；
获取单元，用于获取包含标注信息的训练样本集，将所述训练样本集输入至优化BP神经网络，输出预测故障类型，其中，所述训练样本集包括轴承在不同故障状态下的振动信号对应的小波包能量特征，所述标注信息为所述振动信号对应的实际故障类型；
训练单元，用于根据所述实际故障类型和所述预测故障类型，确定损失函数，根据所述损失函数的值调整所述优化BP神经网络的参数直至满足收敛条件，完成对所述优化BP神经网络的训练，并将训练完备的优化BP神经网络进行存储；
诊断单元，用于获取待测振动信号，并提取对应的小波包能量特征，输入至所述训练完备的优化BP神经网络中，识别预测故障类型，进行故障诊断。
CN202110688403.XA 2021-06-21 2021-06-21 一种基于改进bp神经网络的轴承故障诊断方法及系统 Pending CN113465924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688403.XA CN113465924A (zh) 2021-06-21 2021-06-21 一种基于改进bp神经网络的轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688403.XA CN113465924A (zh) 2021-06-21 2021-06-21 一种基于改进bp神经网络的轴承故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN113465924A true CN113465924A (zh) 2021-10-01

Family

ID=77869097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688403.XA Pending CN113465924A (zh) 2021-06-21 2021-06-21 一种基于改进bp神经网络的轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113465924A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114684217A (zh) * 2022-03-16 2022-07-01 武汉理工大学 一种轨道交通健康监测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567783A (zh) * 2012-02-10 2012-07-11 广西电网公司电力科学研究院 并联混合型电能质量调节器专家故障分析与诊断方法
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN110133538A (zh) * 2019-05-16 2019-08-16 合肥工业大学 一种anpc三电平逆变器开路故障诊断方法及实验平台
CN112651426A (zh) * 2020-12-01 2021-04-13 华北电力大学（保定） 一种风电机组滚动轴承故障诊断方法
CN112648221A (zh) * 2019-10-10 2021-04-13 天津科技大学 一种基于小波-神经网络的风机故障诊断方法
CN112784479A (zh) * 2021-01-12 2021-05-11 河海大学 一种洪水流量预测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567783A (zh) * 2012-02-10 2012-07-11 广西电网公司电力科学研究院 并联混合型电能质量调节器专家故障分析与诊断方法
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN110133538A (zh) * 2019-05-16 2019-08-16 合肥工业大学 一种anpc三电平逆变器开路故障诊断方法及实验平台
CN112648221A (zh) * 2019-10-10 2021-04-13 天津科技大学 一种基于小波-神经网络的风机故障诊断方法
CN112651426A (zh) * 2020-12-01 2021-04-13 华北电力大学（保定） 一种风电机组滚动轴承故障诊断方法
CN112784479A (zh) * 2021-01-12 2021-05-11 河海大学 一种洪水流量预测的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114684217A (zh) * 2022-03-16 2022-07-01 武汉理工大学 一种轨道交通健康监测系统及方法
CN114684217B (zh) * 2022-03-16 2024-03-01 武汉理工大学 一种轨道交通健康监测系统及方法

Similar Documents

Publication Publication Date Title
WO2022037068A1 (zh) 一种机床轴承故障诊断方法
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
CN110554657B (zh) 一种数控机床运行状态健康诊断系统及诊断方法
CN112508105B (zh) 一种采油机故障检测与检索方法
CN110457786B (zh) 基于深度置信网络的卸船机关联规则故障预测模型方法
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN113538353B (zh) 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN110487547A (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
CN114091349A (zh) 一种基于多源领域自适应的滚动轴承寿命预测方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Oh et al. Fault detection for lubricant bearing with CNN
CN113984389B (zh) 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法
CN113465924A (zh) 一种基于改进bp神经网络的轴承故障诊断方法及系统
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
CN112949097A (zh) 一种基于深度迁移学习的轴承剩余寿命预测模型和方法
CN116933003A (zh) 基于DaNet的无人机发动机的剩余使用寿命预测方法
CN113537010B (zh) 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法
CN115640531A (zh) 一种基于残差学习与注意力机制融合的故障诊断方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN110967184B (zh) 基于振动信号分布特征识别的变速箱故障检测方法和系统
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
Yang et al. Machinery fault detection using autoencoder and online sequential extreme learning machine

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: 20211001

RJ01 Rejection of invention patent application after publication