CN113537010B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113537010B CN113537010B CN202110759209.6A CN202110759209A CN113537010B CN 113537010 B CN113537010 B CN 113537010B CN 202110759209 A CN202110759209 A CN 202110759209A CN 113537010 B CN113537010 B CN 113537010B
- Authority
- CN
- China
- Prior art keywords
- training
- network
- fault
- samples
- data
- 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
Links
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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明是一种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,适用于非平衡小样本情况,属诊断技术领域。该方法将样本划分为训练集与测试集,使用GASF对训练集信号编码而得到单通道图;再将单通道图作为样本训练WGAN‑GP网络,得到样本对应的生成器网络;之后,根据迁移训练的原理,利用ImageNet预训练的残差网络卷积层作为特征提取层构造残差分类网络。进而,进行训练:使用生成器网络生成的样本对全连接层进行训练;使用实际样本作为训练集依次训练全连接层和特征提取层;对整个残差网络进行微调。将训练好的模型存储,调用即可完成诊断,准确率不低于99.4%。
Description
技术领域
本申请涉及一种能够在非平衡小样本情况下诊断十五相异步电动机滚动轴承故障的方法,属诊断技术领域。
背景技术
因其高可靠性、容错运行等诸多优点,十五相异步电动机已经应用于舰船、潜艇等特殊领域,滚动轴承则以压倒性优势应用于十五相异步电动机。滚动轴承由外滚道、内滚道、保持架以及在它们之间转动的滚动体组成。在正常工作条件下,疲劳失效从微小裂纹开始,并逐渐扩展,继而引起材料碎片脱落,导致故障。因此,十五相异步电动机滚动轴承的故障诊断具有重要意义。
就目前而言,振动信号频谱分析是最为准确、可靠的十五相异步电动机滚动轴承故障诊断方法。该方法采集滚动轴承的时域振动信号并变换至频域,进而将频域振动信号与滚动轴承所固有的频域振动特性对比,以判断滚动轴承故障发生与否及其类型(例如,保持架故障、内滚道故障、外滚道故障)。
自2000年以来,机器学习方法应运而生并迅速获得广泛应用,这为故障诊断开辟了新的思路。通常,基于机器学习的轴承故障诊断方法可以分为三个步骤:首先,对信号预处理以凸显故障特征;其次,选择合适的模型进行训练与优化;最后,对实际采集到的数据进行故障诊断。
常用的机器学习算法有支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)等,这些机器学习算法非线性较弱而难以提取深层特征,且严重依赖于预处理算法的特征凸显效果,因此对于复杂的分类问题往往无能为力。而十五相异步电动机滚动轴承故障包括保持架故障、内滚道故障、外滚道故障及其交织等复杂情况,恰恰就是复杂的分类问题。因此,对于十五相异步电动机滚动轴承故障诊断而言,上述常用的机器学习算法并不适用,或者,无法取得理想的效果。
更加重要的是,由于对轴承故障无法生成高质量的模拟数据,而工程实际中轴承故障相对于正常状态是小概率事件,采集实际的轴承故障信号的机会并不充分,因此获得的轴承正常和故障样本通常不平衡、故障样本的总量偏少。而常用的机器学习算法不能很好地处理非平衡小样本的情况,自然也就不能理想地用于十五相异步电动机滚动轴承的故障诊断。
发明内容
为了克服上述现有技术的不足,本申请提供一种基于GASF(格拉米角场)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,该方法能够利用少量的振动信号而生成高质量且充分的样本,并使用迁移学习训练残差分类器网络实现非平衡小样本下的十五相异步电动机滚动轴承故障诊断。
本申请所采用的技术方案是:
一种基于GASF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,它包括以下步骤:
a.首先进行系统的实验,测取十五相异步电动机滚动轴承的振动信号。
这一工作针对十五相异步电动机滚动轴承的正常、保持架故障、内滚道故障、外滚道故障四种状态逐一进行,并且每一种状态均涵盖十五相异步电动机的负载变化(满载、半载、空载)。
将十五相异步电动机滚动轴承的正常、保持架故障、内滚道故障、外滚道故障四种状态依次标记为0、1、2、3。通过这一工作,获取了大量的振动数据。正常状态(状态0)下,满载、半载、空载每种负载状况下的数据为20000组、三种负载状况共有数据60000组。考虑到故障轴承不适合长时间运行,所以对每一故障状态下的满载、半载、空载三种负载状况仅分别测取973组数据。例如,对保持架故障(状态1),分别在满载、半载、空载三种负载状况下各测取973组数据,获得保持架故障数据2919组。对于内滚道故障(状态2)、外滚道故障(状态3)也如上各测取数据2919组。每组数据的采样时长为40s、采样频率25kHz。
b.此时正常样本远多于故障样本,极度不均匀、正常样本过多,直接进行深度学习会导致神经网络分类器对正常样本的特征学习过多而忽视故障样本。所以对整个数据集进行下采样,即随机丢弃正常样本的多余部分,使得正常、保持架故障、内滚道故障、外滚道故障四种状态下的样本数量一致。
此时,正常状态数据60000组,保持架故障、内滚道故障、外滚道故障数据各2919组。使用python的imbalanced-learn库中的RandomUnderSampler函数对四种状态下的整个数据集进行随机下采样,获得正常样本2919组、保持架故障样本2919组、内滚道故障样本2919组、外滚道故障样本2919组。总计11676组样本。
c.对于每一组数据,使用8阶低通巴特沃斯滤波器以12kHz为截止频率进行滤波,以减少噪音。
d.对于滤波后的每一组数据,采用1024点滑动窗方法计算振动瞬时信号vs的有效值Vs,通过分析有效值的变化趋势,提取其最平稳亦即波动最小的4096点数据作为1个数据片段,共提取11676个数据片段作为样本。
上述采用1024点滑动窗方法计算振动瞬时信号vs的有效值Vs的方法是:选取振动瞬时信号vs中的连续1024点,计算其有效值(k表示采样点的序号);对于所选取的vs中的连续1024点,保留后1023点,顺序递补vs中的后面1点(第1025点),从而再次获得vs中的连续1024点,再次计算其有效值,以此类推,确定vs的有效值变化趋势。
e.将所有样本按照70%、30%的比例划分为训练集与测试集。
f.针对每一样本,使用埃蒙·基奥等人提出的分段近似聚合算法(PiecewiseAggregate Approximation,PAA)进行降维,将其从4096点降维至256个点。降维过程依旧保持标签与样本一一对应。
g.经过降维后的样本为如下形式{x1,…,xn}的时序数据,n为降维后的数据长度即256,x1表示该样本第1点的数据,其余类推。使用公式φi=arccos(xi)(i=1,2,…,n)计算样本每一点的反余弦函数值后获得序列{φ1,…,φn}(arccos表示反余弦函数,φ1表示x1的反余弦函数值,其余类推),对该反余弦函数序列进行如下编码获得伪格拉姆矩阵:
其中,φi,j=φi+φj,G即可视作单通道图。对降维后长度为256点的11676个样本,使用上述格拉米角场算法进行编码,获得11676个长宽均为256的单通道图。
h.本申请选择带有梯度惩罚的基于Wasserstein(瓦瑟斯坦)距离的WGAN-GP(生成对抗网络)作为生成模型。构造四个WGAN-GP网络,分别对应四种不同的训练样本。使用标签为0的样本训练对应的生成对抗网络,每10个循环观察生成器的样本质量,在训练500个循环后模型收敛,观察到生成样本质量已满足需要。对于标签1、2、3对应的样本与生成对抗网络,依次按上述流程进行训练。在训练完成后就获得了分别对应0、1、2、3四种状态的格拉米角场单通道图的生成器。使用这四个生成器对滚动轴承的0、1、2、3四种状态的每一种状态均生成3万个样本,总计12万个生成样本,并作为预训练集。
Wasserstein距离又称为Earth-Mover距离(推土机距离),用于衡量两个概率分布之间的距离,当两个概率分布的支撑集没有重叠或者重叠非常少时,仍然能反映两个分布的远近。对抗生成网络模型就是使生成器的概率分布尽可能接近实际样本的概率分布,所以基于该距离的对抗生成网络更容易训练且生成样本的模式丰富,而加入梯度惩罚项有利于加速训练。
i.构造残差分类网络。使用tensorflow2中在公共人脸数据集ImageNet上预训练完成的由微软研究院提出的50层残差网络Resnet50V2的卷积层作为特征提取层,之后依次连接二维全局池化层、全连接层、输出全连接层(均由tensorflow2提供),构成适用于滚动轴承故障分类的残差分类网络。这里,tensorflow2是一个由谷歌开源的深度学习框架。
j.对于残差分类网络进行预训练。首先冻结特征提取层参数,使用步骤h中生成的样本进行预训练,在达到精度指标(本申请中选取85%的测试准确率作为该指标)后即可结束预训练。
k.对预训练完成的网络,使用实际训练集,按照以下步骤进行训练:1)冻结特征提取层参数,训练全连接层;2)冻结全连接层,训练卷积特征提取层;3)对整个网络进行最终微调。在训练过程中,当网络准确度提升较小时(5个训练循环后“分类准确率”这一训练指标的提升均低于0.01%)即可认为网络收敛。本申请引入early-stopping机制监控网络的收敛情况,该机制由tensorflow2框架提供,可以在网络训练过程中监控到训练指标(本申请选择“分类准确率”)提升较小的情况而判断网络收敛并提前结束训练。
l.使用tensorflow2框架的save方法将网络模型保存为h5格式(由tensorflow2框架提供)的文件(包含网络结构与权重参数),需要时直接加载该文件、调用即可(使用tensorflow2框架提供的tensorflow.keras.models.load_model函数)。
m.使用测试集评价训练完成的残差分类网络。
n.将实际十五相异步电动机滚动轴承的振动信号经过步骤c的滤波、步骤d的截取、步骤f的分段近似聚合与步骤g的GASF编码后输入到已经训练完成的模型中(加载步骤l中的h5格式的文件)即可进行故障诊断。
本申请最显著的优点就是:通过使用GASF算法对时序信号进行编码,保留了信号时域特征,提高了卷积神经网络的分类性能。并且,使用WGAN-GP网络生成GASF样本图,充分扩充了训练样本,改善了非平衡数据下分类网络的性能。在训练上,采用预训练的残差网络作为分类网络的特征提取层,利用分层训练微调的方法进行训练,在保证分类准确率的前提下大幅地降低了训练的时间代价,在测试集上获得了高准确率。本申请基于残差分类网络的诊断模型可以封装、保存,在实际使用时仅需对其进行调用即可,符合工程实际的实时性要求。
附图说明
图1是GASF算法流程图;
图2是WGAN-GP结构简图;
图3是WGAN-GP网络结构图;
图4是残差分类网络结构图,其中:网络输出为1×4矩阵,[1 0 0 0]对应样本类别0,[0 1 0 0]对应样本类别1,[0 0 1 0]对应样本类别2,[0 0 0 1]对应样本类别3;
图5是残差分类网络训练流程图;
图6是四类故障实际样本的GASF图;
图7是样本0对应的WGAN-GP训练过程生成器与评分器的损失;
图8是WGAN-GP训练过程生成的样本。
图文中所用各符号的意义:PAA、分段近似聚合算法;GASF、格拉米角场;GRAM、格拉姆;Wasserstein、瓦瑟斯坦;Resnet50V2、由微软研究院提出的50层残差网络;WGAN-GP、生成对抗网络。
具体实施方式
下面结合附图对本申请做进一步说明:
将6206型滚动轴承安装于十五相异步电动机上,且在轴承承载位置安装振动加速度传感器而采集振动信号。预先使用线切割机分别在轴承内滚道、外滚道、保持架切割出宽度1毫米的凹槽模拟故障轴承。设置正常状态对应标签0,内滚道故障状态对应标签1,外滚道故障状态对应标签2,保持架故障状态对应标签3。
启动十五相异步电动机后,针对正常状态,分别在满载、半载、空载状况下,各采集数据20000组、三种负载状况共有数据60000组;针对保持架故障状态,分别在满载、半载、空载状况下,各采集数据973组、三种负载状况共有数据2919组;对于内滚道故障状态、外滚道故障状态如上各测取数据2919组。每组数据的采样时长为40s、采样频率25kHz。
对采集到的非平衡数据集,使用python的imbalanced-learn库中的RandomUnderSampler函数对采集到的包含四种状态的数据集进行随机下采样,获得正常样本2919组、保持架故障样本2919组、内滚道故障样本2919组、外滚道故障样本2919组,总计11676组样本。
对所有的11676组振动数据,逐组使用低通巴特沃斯滤波器进行滤波,滤波器阶数为8,截止频率接近采样频率的一半为12kHz。
对于滤波后的每一组振动数据,采用1024点滑动窗方法计算振动瞬时信号vs的有效值Vs,通过分析有效值的变化趋势,提取其最平稳亦即波动最小的4096点数据作为1个数据片段,总计获得11676个数据片段,并以之作为样本。
将这11676个样本的70%作为训练集、30%作为测试集,测试集与训练集内不同类别的样本数量大致均衡。
对每一样本,按图1所示GASF算法流程图进行处理。首先使用PAA算法进行数据降维,将4096长度的时间序列降维为256长度的序列。对256长度的序列使用GASF进行编码获得长宽均为256的单通道图,此时获得11676个大小为256×256的单通道图。至此,样本的预处理完成。图6是四类故障实际样本的GASF示例图。
按图2、图3所示WGAN-GP算法及结构图,基于tensorflow2,构造WGAN-GP模型。梯度惩罚项设置为10,批大小设置为8。设计WGAN-GP网络生成器接受1×100大小的随机高斯噪声作为输入,向后连接8个反卷积层,参数如表1所示。
表1WGAN-GP网络生成器参数
设计评分器接受256×256的单通道图片作为输入,向后连接5个卷积层、一个二维全局平均池化层、一个展平层以及一个输出全连接层,卷积层参数如表2所示:
表2WGAN-GP网络评分器参数
其中,relu与LeakyReLU都是常用的神经网络激活函数,均由tensorflow2框架提供,relu称为修正线性单元,LeakyReLU是relu的特殊版本。填充方式same与valid亦由tensorflow2的二维卷积函数实现并提供。
使用Nvidia公司的型号为RTX-3090的图形计算卡对WGAN-GP网络进行训练,图7是样本0对应的WGAN-GP训练过程中生成器与评分器的损失曲线。使用训练好的四个WGAN-GP模型,生成每个类别3万个样本、总计12万个样本,构成预训练集。图8是WGAN-GP训练过程中,不同循环次数时生成的样例。
残差分类网络结构如图4所示。输入层接受256×256×3的三通道图,所以将GASF单通道图在每个通道上复制构成三通道图。使用在ImageNet上预训练的Resnet50V2模型的卷积层作为本残差分类网络的特征提取层,上层依次连接二维全局池化层、全连接层、输出层构成分类网络。按图5所示流程进行网络训练,使用tensorflow2框架提供的Adam优化器进行优化并引入early-stopping机制在网络学习速度降低到判断阀值(本申请选择5个训练循环后分类准确率提升均低于0.01%作为判断阀值)时提前结束训练——首先,使用WGAN-GP网络生成的12万个样本,冻结残差分类网络的特征提取层进行训练,学习率设为0.01并训练5个循环,训练后在测试集上评估模型准确率约93%;之后,使用实际样本构成的训练集,仅对全连接层进行训练,学习率设为0.005并训练16个循环,训练后在测试集上评估模型准确率约95%;再冻结全连接层,在实际样本的训练集上仅仅对特征提取层进行训练,学习率设制为0.001且训练10个循环,训练后在测试集上评估模型准确率约98%;最后仍然在实际样本构成的训练集上,对整个分类网络进行微调,学习率设制为0.001且训练5个循环。对经过上述步骤分层迁移训练的残差分类网络进行评估,分类准确率达到99.4%,参见表3。
表3残差分类网络测试集评估
将训练好的残差分类模型使用保存tensorflow2框架的save方法保存为h5格式(由tensorflow2框架提供)的文件,需要调用时直接加载该文件即可。
为了测试本申请方法的实际效果,针对正常状态(标签0)、内滚道故障状态(标签1)、外滚道故障状态(标签2)、保持架故障状态(标签3),另行测取了40组数据(每种状态10组,负载状况随机设置为空载或半载或满载)。使用本申请方法对上述40组数据进行“盲测”,结果如表4所示。由表4可以看出,本申请方法具有高准确度。
表4残差分类网络“盲测”评估
Claims (5)
1.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,其特征是:它首先对按25kHz频率采集、时长40s、总计11676组的振动瞬时数据,即,正常状态下60000组经下采样而得到2919组,保持架故障状态、内滚道故障状态、外滚道故障状态下各2919组,这四种状态下的振动瞬时数据的组数相同,逐组使用8阶低通巴特沃斯滤波器以12kHz为截止频率进行滤波,以减少噪音;之后,对于滤波后的每一组数据,采用1024点滑动窗方法计算其有效值,通过分析有效值的变化趋势,提取其最平稳亦即波动最小的4096点数据作为1个数据片段,共提取11676个数据片段作为样本,并将所有样本按照70%、30%的比例划分为训练集与测试集;针对每一样本,使用分段近似聚合算法进行降维,将其从4096点降维至256个点;对降维后长度为256点的11676个样本,使用GASF,即格拉米角场算法进行编码,获得11676个长宽均为256的单通道图;选择带有梯度惩罚的基于Wasserstein距离的WGAN-GP生成对抗网络作为生成模型,使用正常状态,标签0、保持架故障状态,标签1、内滚道故障状态,标签2、外滚道故障状态,标签3下的样本训练与之对应的WGAN-GP网络直至收敛,即得到4个对应的格拉米角场单通道图的生成器,分别使用这四个生成器对滚动轴承0、1、2、3四种状态的每一种状态均生成3万个样本,总计12万个生成样本,以之作为预训练集;使用tensorflow2中在公共人脸数据集ImageNet上预训练完成的残差网络Resnet50V2的卷积层作为特征提取层,依次连接二维全局池化层、全连接层、输出全连接层,构成适用于滚动轴承故障分类的残差分类网络;对于残差分类网络依次进行预训练和实际训练;使用tensorflow2框架的save方法将网络模型持久化,以便调用;使用测试集评价训练完成的残差分类网络;将实际十五相异步电动机滚动轴承的振动信号经过滤波、截取、分段近似聚合与GASF编码后输入到已经训练完成的模型中即可进行故障诊断。
2.根据权利要求1所述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,本方法包括以下步骤:
a.进行实验以测取十五相异步电动机滚动轴承的振动信号,实验针对十五相异步电动机滚动轴承的正常状态,标记为0、保持架故障状态,标记为1、内滚道故障状态,标记为2、外滚道故障状态,标记为3四种状态逐一进行,并且每一种状态均涵盖十五相异步电动机的负载变化,即,满载、半载、空载,从而获取了大量的振动数据,对于状态0,满载、半载、空载每种负载状况下的数据为20000组,三种负载状况共60000组,而对于状态1、状态2、状态3,分别在满载、半载、空载三种负载状况下各测取973组数据,获得状态1、状态2、状态3下的数据各2919组,以上每组数据的采样时长均为40s、采样频率均为25kHz;
b.此时正常样本远多于故障样本,极度不均匀、正常样本过多,直接进行深度学习会导致神经网络分类器对正常样本的特征学习过多而忽视故障样本,所以对整个数据集进行下采样,即随机丢弃正常样本的多余部分,使得正常、保持架故障、内滚道故障、外滚道故障四种状态下的样本数量一致,即正常状态数据60000组,保持架故障、内滚道故障、外滚道故障数据各2919组,使用python的imbalanced-learn库中的RandomUnderSampler函数对四种状态下的整个数据集进行随机下采样,获得正常样本2919组、保持架故障样本2919组、内滚道故障样本2919组、外滚道故障样本2919组,总计11676组样本;
c.对于每一组数据,使用8阶低通巴特沃斯滤波器以12kHz为截止频率进行滤波,以减少噪音;
d.对于滤波后的每一组数据,采用1024点滑动窗方法计算振动瞬时信号的有效值,通过分析有效值的变化趋势,提取其最平稳亦即波动最小的4096点数据作为1个数据片段,共提取11676个数据片段作为样本,这里采用1024点滑动窗方法计算振动瞬时信号的有效值的方法是:选取振动瞬时信号vs中的连续1024点,计算其有效值对于所选取的vs中的连续1024点,保留后1023点,顺序递补vs中的后面1点,即第1025点,从而再次获得vs中的连续1024点,再次计算其有效值,以此类推,确定vs的有效值变化趋势;
e.将所有样本按照70%、30%的比例划分为训练集与测试集;
f.针对每一样本,使用分段近似聚合算法进行降维,将其从4096点降维至256个点,降维过程依旧保持标签与样本一一对应;
g.对降维后长度为256点的11676个样本,使用GASF算法进行编码,获得11676个长宽均为256的单通道图,降维后的样本为如下形式{x1,…,xn}的时序数据,n为256,x1表示该样本第1点的数据,其余类推,使用公式φi=arccos(xi),i=1,2,…,n,计算样本每一点的反余弦函数值后获得序列{φ1,…,φn},对该反余弦函数序列进行如下编码获得伪格拉姆矩阵
其中,φi,j=φi+φj,该矩阵即为单通道图;
h.选择带有梯度惩罚的基于Wasserstein距离的WGAN-GP生成对抗网络作为生成模型,构造四个WGAN-GP网络,分别对应四种不同的训练样本,使用标签为0的样本训练对应的生成对抗网络,每10个循环观察生成器的样本质量,在训练500个循环后模型收敛,观察到生成样本质量已满足需要,对于标签1、2、3对应的样本与生成对抗网络,依次按上述流程进行训练,从而获得分别对应0、1、2、3四种状态的格拉米角场单通道图的生成器,进而使用这四个生成器对滚动轴承的0、1、2、3四种状态的每一种状态均生成3万个样本,总计12万个生成样本,并作为预训练集;
i.构造残差分类网络,使用tensorflow2中在公共人脸数据集ImageNet上预训练完成的50层残差网络Resnet50V2的卷积层作为特征提取层,之后依次连接二维全局池化层、全连接层、输出全连接层,构成适用于滚动轴承故障分类的残差分类网络;
j.对于残差分类网络进行预训练,首先冻结特征提取层参数,使用步骤h中生成的样本进行预训练,在达到精度指标后即可结束预训练,选取85%的测试准确率作为该指标;
k.对预训练完成的网络,使用实际训练集,按照以下步骤进行训练:1)冻结特征提取层参数,训练全连接层,2)冻结全连接层,训练卷积特征提取层,3)对整个网络进行最终微调,在训练过程中,当网络准确度提升较小时,即5个训练循环后“分类准确率”这一训练指标的提升均低于0.01%时,即可认为网络收敛,引入early-stopping机制监控网络的收敛情况,该机制由tensorflow2框架提供,在网络训练过程中监控到训练指标“分类准确率”提升较小的情况而判断网络收敛并提前结束训练;
l.使用tensorflow2框架的save方法将网络模型保存为h5格式的文件,需要时直接加载该文件、调用即可;
m.使用测试集评价训练完成的残差分类网络;
n.将实际十五相异步电动机滚动轴承的振动信号经过步骤c的滤波、步骤d的截取、步骤f的分段近似聚合与步骤g的GASF编码后输入到已经训练完成的模型中即可进行故障诊断。
3.根据权利要求1所述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,其特征是:选择带有梯度惩罚的基于Wasserstein距离的WGAN-GP生成对抗网络作为生成模型,梯度惩罚项设置为10,批大小设置为8,设计WGAN-GP网络生成器接受1×100大小的随机高斯噪声作为输入,向后连接8个反卷积层;设计评分器接受256×256的单通道图片作为输入,向后连接5个卷积层、一个二维全局平均池化层、一个展平层以及一个输出全连接层。
4.根据权利要求1所述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,其特征是:对于残差分类网络进行预训练,首先冻结特征提取层参数,使用格拉米角场算法编码所获得11676个长宽均为256的单通道图作为样本进行训练,在达到精度指标后即可结束预训练。
5.根据权利要求1所述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,其特征是:对于残差分类网络进行实际训练,使用实际训练集按照以下步骤进行:1)冻结特征提取层参数,训练全连接层;2)冻结全连接层,训练卷积特征提取层;3)对整个网络进行最终微调,在训练过程中,当网络准确度提升较小时,即5个训练循环后“分类准确率”这一训练指标的提升均低于0.01%,即可认为网络收敛,引入early-stopping机制监控网络的收敛情况,该机制由tensorflow2框架提供,在网络训练过程中监控到训练指标“分类准确率”提升较小的情况而判断网络收敛并提前结束训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759209.6A CN113537010B (zh) | 2021-07-05 | 2021-07-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759209.6A CN113537010B (zh) | 2021-07-05 | 2021-07-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537010A CN113537010A (zh) | 2021-10-22 |
CN113537010B true CN113537010B (zh) | 2023-09-01 |
Family
ID=78126785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759209.6A Active CN113537010B (zh) | 2021-07-05 | 2021-07-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537010B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441169B (zh) * | 2021-12-02 | 2024-02-09 | 北京科锐特科技有限公司 | 一种三相异步电动机滚动轴承外滚道故障检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944842A (zh) * | 2012-11-30 | 2013-02-27 | 华北电力大学(保定) | 一种笼型异步电动机转子断条故障检测方法 |
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN111337243A (zh) * | 2020-02-27 | 2020-06-26 | 上海电力大学 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
CN112836719A (zh) * | 2020-12-11 | 2021-05-25 | 南京富岛信息工程有限公司 | 一种融合二分类和三元组的示功图相似性检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286279B (zh) * | 2019-06-05 | 2021-03-16 | 武汉大学 | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
-
2021
- 2021-07-05 CN CN202110759209.6A patent/CN113537010B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944842A (zh) * | 2012-11-30 | 2013-02-27 | 华北电力大学(保定) | 一种笼型异步电动机转子断条故障检测方法 |
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN111337243A (zh) * | 2020-02-27 | 2020-06-26 | 上海电力大学 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
CN112836719A (zh) * | 2020-12-11 | 2021-05-25 | 南京富岛信息工程有限公司 | 一种融合二分类和三元组的示功图相似性检测方法 |
Non-Patent Citations (1)
Title |
---|
一种GAF-CNN行星齿轮箱故障诊断方法;庞新宇等;《北京理工大学学报》;第40卷(第11期);第1161-1167页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537010A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
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 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
CN113962314A (zh) | 一种基于联邦学习的非侵入式企业负荷分解方法 | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
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 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN111042917A (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
CN113887666A (zh) | 一种基于Transformer的复合材料缺陷检测方法及系统 | |
CN107622251A (zh) | 一种飞机燃油泵信号退化特征提取方法及装置 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN113033601B (zh) | 用于双转子不对中故障识别的dbn参数选取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |