CN113776834B - 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 - Google Patents

基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN113776834B
CN113776834B CN202111179309.8A CN202111179309A CN113776834B CN 113776834 B CN113776834 B CN 113776834B CN 202111179309 A CN202111179309 A CN 202111179309A CN 113776834 B CN113776834 B CN 113776834B
Authority
CN
China
Prior art keywords
discrete cosine
feature
coherence
rolling bearing
cycle
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
CN202111179309.8A
Other languages
English (en)
Other versions
CN113776834A (zh
Inventor
张法业
姚鹏
姜明顺
张雷
贾磊
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202111179309.8A priority Critical patent/CN113776834B/zh
Publication of CN113776834A publication Critical patent/CN113776834A/zh
Application granted granted Critical
Publication of CN113776834B publication Critical patent/CN113776834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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

Landscapes

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

Abstract

本发明提供了一种基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统，属于机械装备故障诊断技术领域，所述方法包括：获取滚动轴承的时域振动信号；对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果；本发明基于离散余弦循环谱相干特征和改进的卷积神经网络模型，能够在数据不平衡与工况变化等数据分布变化条件下实现滚动轴承故障的精确和快速诊断。

Description

基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统
技术领域
本发明涉及机械装备故障诊断技术领域，特别涉及一种基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
旋转机械是现代工业中应用非常广泛的设备。而轴承作为旋转机械的关键部件，其健康状况对旋转机械的运行效果，稳定性和使用寿命具有重要影响。但由于恶劣的工作环境和突变的负载，轴承的健康状况随着时间推移会不断恶化。同时安装错误、润滑不良、碎片污染、磨损等因素也会导致轴承结构发生损伤。若不能及时发现故障并进行维护，可能引发机械设备崩溃，导致经济损失甚至人员伤亡。因此轴承故障诊断成为几年来的热点话题。
基于机器学习和深度学习的智能故障诊断方法，降低了对专业诊断知识的依赖，因此在复杂机械设备的故障诊断中得到了广泛的应用。传统机器学习方法如SVM、ANN、KNN等虽然实现速度快，但模型结构过于简单，无法充分提取数据中的高维特征，因此诊断准确率往往不高。而卷积神经网络(ConvolutionalNeuralNetwork，CNN)作为最经典的深度学习模型，因其具有强大的特征提取能力和灵活易修改的结构，在各类故障诊断任务中得到了广泛应用。
目前基于CNN的故障诊断方法大都假设训练集和测试集服从相同的数据分布，而未考虑诊断方法的域适应能力，虽然取得了较好的诊断效果，但在执行新的诊断任务时，由于数据不平衡和工况变化的影响，使得新任务中的数据分布与训练集存在差异，这将导致诊断方法的效果严重恶化；此外，实际采集到的轴承振动信号包含大量噪声，这将污染甚至掩盖微弱的故障信息，因此需要使用高效的信号处理技术提取更明显的故障特征，但目前使用的信号处理方法一方面无法提取高质量特征，另一方面处理过程计算量大、效率低。以上因素都阻碍了诊断方法在实际工业环境中的应用。
发明内容
为了解决现有技术的不足，本发明提供了一种基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统，能够在数据不平衡与工况变化等数据分布变化条件下实现滚动轴承故障的精确、快速诊断。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于离散余弦循环谱相干的滚动轴承故障诊断方法。
一种基于离散余弦循环谱相干的滚动轴承故障诊断方法，包括以下过程：
获取滚动轴承的时域振动信号；
对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果。
进一步的，对时域振动信号提取离散余弦循环谱相干特征，包括：
根据获取的时域振动信号和循环频率，基于谱相关密度的周期图估计方法，构建离散余弦谱密度估计函数；
分别调用三次离散余弦谱密度估计函数，第一次调用时输入的循环频率为覆盖需要遍历故障频率范围的向量，另外两次调用时循环频率的值设置为0，第一次得到的离散余弦谱密度DCTCSD为二维特征矩阵，另外两次得到的为一维特征向量，根据得到的向量计算相干性。
进一步的，构建离散余弦谱密度估计函数，包括：
将输入的连续采集的振动信号每M个采样点截为一个样本，再对各段样本按每N个采样点分为一组，记为x(n)，相邻组之间有预设重叠区域，计算样本包含的总组数G；
将x(n)乘以汉宁窗，使信号两端平滑衰减到0，得到加窗后的信号y(n)；
根据周期图估计方法，构造两组数据y1,y2，y1(n)＝y(n)·e-jπαn，y2(n)＝y(n)·ej παn；
对y1,y2进行傅里叶变换，得到其在频域中的表现形式Y1(f)和Y2(f)；
谱相关密度
Figure BDA0003296539990000031
*表示共轭；
对所得结果进行离散余弦变换；
对G组数据均遍历执行以上步骤，并将所得结果累加，得到该段样本的离散余弦谱密度DCTCSD。
更进一步的，相干性的计算，包括：
Figure BDA0003296539990000032
其中，α为循环频率，是一个覆盖需要遍历故障频率范围的向量，DCTCSD(α,f)为第一次调用时得到的二维矩阵，DCTCSD(0,f)和DCTCSD(0,f-α)为另外两次调用时得到的一维特征向量。
进一步的，将标准化方法Mode Normalization(MN)嵌入到卷积神经网络模型的各卷积层之后对数据进行标准化，包括：
通过门控网络对输入赋予不同权重将其划分为不同模态；
计算各组模态的均值和方差；
根据得到的均值和方差进行标准化，得到输入样本xi的标准化输出yik；
将各模态的yik加权求和，进行仿射变换得到xi的标准化结果。
进一步的，将Effificient Channel Attention(ECA)嵌入卷积神经网络模型的卷积层与全连接层之间，对提取的待分类特征进行特征增强，包括：
设ECA输入特征X的尺寸为[H,W,C]，H,W,C分别代表特征图的高度、宽度、通道数；
使用全局平均池化进行特征降维得到1*C的均值向量μ；
使用大小为k，设定步长的一维卷积核对均值向量μ执行卷积操作，数据边缘使用零补充；
再将所得结果通过softmax进行归一化，得到各通道的注意力权重。
进一步的，卷积神经网络模型的全连接层之间穿插使用Dropout层，按照预设比例随机丢弃神经元。
本发明第二方面提供了一种滚动轴承故障诊断系统。
一种滚动轴承故障诊断系统，包括：
数据获取模块，被配置为：获取滚动轴承的时域振动信号；
特征提取模块，被配置为：对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
故障诊断模块，被配置为：根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的方法、系统、介质及电子设备，基于离散余弦循环谱相干特征和改进的卷积神经网络模型，能够在数据不平衡与工况变化等数据分布变化条件下实现滚动轴承故障的精确和快速诊断。
2、本发明所述的方法、系统、介质及电子设备，在CNN的训练时，使用离散余弦循环谱相干特征对不同故障类型的轴承振动信号提取了独特的故障模式，既降低了CNN的特征学习难度，又极大限度的保留了轴承不同故障类型的特征信息。
3、本发明所述的方法、系统、介质及电子设备，通过MN对数据的分模态标准化，以及具有局部跨通道特性ECA对数据沿通道维的特征增强，显著增强了诊断方法的准确率与域适应能力，提高了故障诊断方法在实际工业环境中的应用效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于DCTCSCoh和CNN的滚动轴承故障诊断方法流程图。
图2为本发明实施例1提供的滚动轴承故障测试试验台。
图3为本发明实施例1提供的不同故障类型的DCTCSCoh特征图。
图4为本发明实施例1提供的MN流程图。
图5为本发明实施例1提供的ECA流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种离散余弦循环谱相干特征(Discrete CosineTransformCyclic Spectral Coherence，DCTCSCoh)，并基于此提出了一种基于DCTCSCoh和CNN的新型滚动轴承故障诊断方法，如图1所示，包括：
获取滚动轴承的时域振动信号；
对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果。
具体的，二维离散余弦循环谱相干特征图的提取以及预设卷积神经网络模型的训练，包括以下内容：
步骤1：采集滚动轴承不同故障类型的时域振动信号；每种故障类型采集H组样本，每组样本具有h个采样数据点。
步骤2：对每种故障类型的振动信号提取离散余弦循环谱相干特征DCTCSCoh，得到各故障类型的二维DCTCSCoh特征图。
步骤3：构建基于CNN的新型轴承故障诊断模型。
引入Mode Normalization(MN)对模型中的特征进行分模态标准化，降低由数据分布差异引起的内部协变偏移，增强模型的域适应能力；引入注意力机制EffificientChannel Attention(ECA)，对模型提取的待分类特征沿通道维进行特征增强，使模型更关注与分类相关的重要信息，提高模型的诊断准确率与泛化能力。
步骤4：使用各类型DCTCSCoh构建不平衡数据集与变工况数据集，验证所提出诊断方法在数据分布变化条件下的诊断效果。
所述步骤1中，在不同故障类型滚动轴承的运行状态下，采用加速度传感器采集被检测轴承的振动信号。
所述步骤2中，首先需对循环平稳信号进行了解：循环平稳信号本身不具有周期性，但其由周期运动的设备产生，并包含由隐藏周期性所携带的额外信息，因此这类信号具有二阶循环平稳特性。
在轴承运转过程中，发生的点蚀故障会对其他部件产生周期性冲击，且随着轴承的运转，点蚀绝对位置产生周期性变化，从而发生调频现象。故轴承振动信号通常具有二阶周期性，对其隐藏的周期性进行研究可分析轴承故障。
本实施例着眼于周期图法求谱相关密度函数，对其流程进行了改进，引入了离散余弦变换，突出增强了故障频率分量在特征图中的作用，并削弱了噪声的干扰；此外，本实施例对传统相干性公式进行修改，提出更适用于本实施例的相干性公式。
详细处理步骤如下：
步骤2.1：离散余弦谱密度估计函数设计
基于谱相关密度的周期图估计方法，构建离散余弦谱密度估计函数。函数输入为采集的振动信号和循环频率α，输出为离散余弦谱密度DCTCSD。函数的具体操作步骤如下(当输入α为向量时，每次也是从中取一个值用于计算，因此下述步骤中的α可视为一个常数)。
步骤2.1.1：将输入的连续采集的振动信号每M个采样点截为一个样本，再对各段样本按每N个采样点分为一组，记为x(n)，因后续要进行傅里叶变换，为避免频谱泄露，使相邻组之间有
Figure BDA0003296539990000081
的重叠区域，计算该样本包含的总组数G。
步骤2.1.2：将x(n)乘以汉宁窗，使信号两端平滑衰减到0，汉宁窗可表示为：
Figure BDA0003296539990000082
加窗后的信号y(n)为：
y(n)＝x(n)w(n)
步骤2.1.3：根据周期图估计方法，构造两组数据y1,y2，此处执行的乘法为元素级乘法，α为输入的循环频率。
y1(n)＝y(n)·e-jπαn
y2(n)＝y(n)·ejπαn
对y1,y2进行傅里叶变换，得到其在频域中的表现形式：
Figure BDA0003296539990000091
Figure BDA0003296539990000092
对上述两组特征按如下公式执行元素级乘法得到谱相关密度，*表示共轭，使得得到的结果全为实数。
Figure BDA0003296539990000093
步骤2.1.4：对所得结果进行离散余弦变换：
Figure BDA0003296539990000094
其中，F为频谱范围，D为离散余弦变换后的输出系数。离散余弦变换具有极强的能量集中特性，能将信号的大多数能量都集中到离散余弦变换后的低频部分，因此可以较好的抑制噪声等因素的干扰。前面所乘系数对DCT变换矩阵进行补偿，使其为正交矩阵，因此离散余弦变换还具有较好的去相关性作用。
步骤2.1.5：对G组数据均遍历执行以上步骤，并将所得结果累加，得到该段样本的离散余弦谱密度DCTCSD。
步骤2.2：计算相干性
分别调用三次离散余弦谱密度估计函数，第一次调用时输入的循环频率α为一覆盖需要遍历故障频率范围的向量；另外两次调用时α的值设置为0。因此第一次得到的DCTCSD为二维特征图，另外两次得到的为一维向量。
本实施例对所得结果按下式计算相干性：
Figure BDA0003296539990000101
最终得到本段样本的二维DCTCSCoh特征图。
所述步骤3中，对传统的CNN模型LeNet-5进行改造，构建了一种新型的CNN模型。
步骤3.1：将标准化方法MN嵌入到各卷积层之后对数据进行标准化，减少由数据分布差异引起的内部协变量偏移。MN首先通过门控网络对输入赋予不同权重将其划分为不同模态。设Batchsize为N的数据中第i个样本为xi。xi输入门控网络后，会得到值在[0，1]之间、和为1的K个门控权重gk(xi)。计算该批量中所有样本对应gk的和，记为Nk。
Figure BDA0003296539990000102
Figure BDA0003296539990000103
使用不同的gk(xi)对xi赋予权重，划分出K组模态，然后计算各组模态的均值μk和方差
Figure BDA0003296539990000104
Figure BDA0003296539990000105
Figure BDA0003296539990000106
之后使用各模态的统计量分别进行标准化，在标准化时注意乘以对应的门控权重gk(xi)，得到xi的标准化输出yik。最后将各模态的yik求和，并进行仿射变换得到xi的标准化结果MN(xi)。
Figure BDA0003296539990000111
Figure BDA0003296539990000112
其中，α,β为仿射变换的可学习参数，N个样本都经过上述处理，即得到分模态标准化后的数据。
门控网络的参数随模型其他参数一同学习，以获得更好的模态划分效果。在各模态内，使用各自的统计量对数据进行标准化，再将各模态的标准化结果加权求和得到总标准化输出，如此保证模型具有较好的分类效果和泛化能力。
步骤3.2：将ECA嵌入卷积层与全连接层之间，对提取的待分类特征进行特征增强。
设ECA输入特征X的尺寸为[H,W,C]，H,W,C分别代表特征图的高度、宽度、通道数。首先使用全局平均池化g(·)进行特征降维得到1*C的均值向量μ。
全局平均池化公式为：
Figure BDA0003296539990000113
使用大小为k，步长为1的一维卷积核对均值向量μ执行卷积操作，数据边缘使用零补充；再将所得结果通过softmax进行归一化，得到各通道的注意力权重。第i个通道的权重ωi为：
ωi＝σ(kel*μik)
其中，μik表示μ中通道i的k个邻域；kel表示一维卷积核；*表示卷积运算；σ表示softmax激活函数。
一维卷积的使用引入了局部跨通道特性，在计算各通道注意力权重时引入了其临近通道的作用，能够得到更好的生成注意力权重。
步骤3.3：CNN模型后端的全连接层参数量巨大，在模型训练时往往会导致过拟合。因此在全连接层之间穿插使用Dropout层，按照一定比例随机丢弃神经元来达到抑制过拟合的目的。
所述步骤4中，利用各故障类型的DCTCSCoh构建两种数据分布变化的数据集，验证诊断方法的故障诊断效果。
步骤4.1：实际工业场景中轴承多数时候都处于正常状态，即便发生故障各故障类型的发生频率也不相同。这就使得采集到的不同故障类型样本量不同，且正常状态的样本量多于故障状态。因此实际诊断任务时的数据(相当于测试集)与模型的训练集数据分布不同。故设计数据不平衡数据集对诊断方法在数据不平衡条件下的诊断效果进行评估。
步骤4.2：轴承的负载需要根据生产的需要而不断改变，因此不同时间采集到的数据包含的工况成分不同，而不同工况下的振动信号的数据特性存在差异，这就使得执行诊断任务时的数据(相当于测试集)与模型训练集的数据分布不同。故设计变工况数据集对诊断方法在负载工况变化条件下的诊断效果进行评估。
具体的示例如下：
(1)原始数据的准备
滚动轴承振动信号的原始数据来自于图2所示的滚动轴承测试实验平台。该试验平台由变频调速三相交流异步电动、转矩转速传感器(两个)、径向加载装置、故障测试轴承、磁粉制动器和控制设备(未显示)构成。使用电火花加工技术在轴承上设置单点故障。传感器的采样频率为48KHz。
选取由驱动端采集到的10种不同故障类型轴承振动数据为研究对象，数据除正常状态(NC)外，还包含内圈故障(IF)，滚动体故障(BF)，外圈故障(OF)；每种故障类型包含0.1778mm、0.3556mm、0.5334mm三种损伤直径的数据，以内圈故障为例，分别记为IF7、IF14、IF21。因此实验数据共包含10种故障类型(NC，BF7，BF14，BF21，IF7，IF14，IF21，OF7，OF14，OF21)。此外，每种故障类型均包含1772rpm(1hp)，1750rpm(2hp)，1730rpm(3hp)三种负载工况条件下的数据。
(2)振动信号的DCTCSCoh特征提取
经过验证，本实施例最终采用每24000个采样点提取一组DCTCSCoh。对DCTCSCoh提取过程中的关键参数进行如下设置：每组小数据长度与窗函数长度相同为224个采样点，循环频率α的范围为[1，448]。将同一故障类型下不同工况的DCTCSCoh记为相同故障类型，则实验数据共包含10种故障类型，每种故障类型包含60组DCTCSCoh(每种负载工况条件下均有20组DCTCSCoh)。各类型DCTCSCoh的详细信息如表1所示。
表1：各故障类型DCTCSCoh详细信息
负载(hp) 转速(rpm) 故障类型 样本数 标签
1&2&3 1772&1750&1730 NC 20&20&20 1
1&2&3 1772&1750&1730 BF7 20&20&20 2
1&2&3 1772&1750&1730 BF14 20&20&20 3
1&2&3 1772&1750&1730 BF21 20&20&20 4
1&2&3 1772&1750&1730 IF7 20&20&20 5
1&2&3 1772&1750&1730 IF14 20&20&20 6
1&2&3 1772&1750&1730 IF21 20&20&20 7
1&2&3 1772&1750&1730 OF7 20&20&20 8
1&2&3 1772&1750&1730 OF14 20&20&20 9
1&2&3 1772&1750&1730 OF21 20&20&20 10
不同故障类型的DCTCSCoh如图3所示。对于内圈故障IN7，能够清晰地看出在内圈故障频率157Hz及其二倍频314Hz附近具有明显的亮纹，表明存在该类型的轴承故障；这一现象在外圈故障OU7(故障频率为104Hz)中也有明显展示。随着损伤直径的增大，IN14与IN21不再具有IN7所示的明显特征，因为损伤直径增大后会振动信号会受到更多的杂波干扰，使得原有的特征被污染。OU14与OU21也是这样。但这并不意味着诊断方法的失效，因为可明显看出IN14与IN21与其他故障类型相比仍具有独特的特征形式，加之CNN强大的高阶特征挖掘能力，仍能对各类型故障进行准确分类。由于滚动体故障信号的传导路径较为复杂，因此BF7，BF14，BF21的DCTCSCoh特征图中不具有某一频率的明显特征，但使用本实施例提出的基于CNN的诊断模型仍能很好的进行识别。
(3)基于CNN的轴承故障诊断模型的训练与测试
搭建基于CNN的故障诊断模型，对模型各层的参数进行如下设置：对于卷积层，为保持特征提取能力的同时减少参数量，将卷积核的尺寸设置为3*3，步长设置为1，卷积核的数量分别设置为16和32，数据边缘使用零填充。对于最大池化层，池化窗口大小设置为2*2，步长为2。对于全连接层，分别设置其神经元为256和126；模型最后使用softmax层，设置分类数量为10，对应轴承的10种故障类型。Droupout层的dropout rate设置为0.2。模型中所用的激活函数层均为ReLU。
MN的流程图如图4所示，其门控网络划分的模态数为须事先设定的超参数，本实施例将其设置为2。ECA的流程图如图5所示，其一维卷积核的尺寸设置为3。模型使用Adam优化算法来更新模型参数，学习率设置为0.0001。模型训练周期为200个epoch，batchsize设置为8。
(3-1)数据不平衡条件下的诊断效果
构建三组不平衡数据集评估诊断方法的故障诊断效果，并设置一组平衡数据集作为对照。详细设置如表2所示。为确保对不同训练集训练得到的模型，都能以相同数据量的测试集进行评估，测试集中各类型占比均取为50％。
表2：不平衡数据集详细信息
Figure BDA0003296539990000151
在每种数据集上进行10次实验并对各次准确率求均值作为最终准确率。得到四种数据集上的最终准确率为99.86％，99.73％，99.66％，99.63％。可见本实施例在数据不平衡条件下仍具有极好的故障诊断效果。
(3-2)工况变化条件下的诊断效果
使用一种负载条件下的数据训练模型并用另外两种负载条件下的数据进行测试，验证本实施例在工况变化条件下的诊断效果。数据集如表3所示，其中V1，V2，V3分别代表负载为3hp，2hp，1hp下的数据。此外，为进一步凸显DCTCSCoh的特征提取能力，将其与其他2种特征提取方法进行对比，在6组变工况实验下的结果如表4所示。
表3：变工况数据集详细信息
Figure BDA0003296539990000161
表4：变工况条件下不同特征提取方法的诊断准确率对比
V1/V2 V1/V3 V2/V1 V2/V3 V3/V1 V3/V2 平均准确率
WT 88.55％ 84.95％ 84.75％ 98.55％ 88.55％ 97.90％ 90.54％
STFT 98.80％ 94.95％ 93.20％ 99.43％ 96.05％ 98.95％ 96.90％
DCTCSCoh 98.44％ 98.80％ 98.80％ 99.95％ 98.95％ 98.44％ 98.91％
实施例2：
本发明实施例2提供了一种滚动轴承故障诊断系统，包括：
数据获取模块，被配置为：获取滚动轴承的时域振动信号；
特征提取模块，被配置为：对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
故障诊断模块，被配置为：根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果。
所述系统的工作方法与实施例1提供的滚动轴承故障诊断方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，包括以下过程：
获取滚动轴承的时域振动信号；
对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果；
对时域振动信号提取离散余弦循环谱相干特征，包括：
根据获取的时域振动信号和循环频率，基于谱相关密度的周期图估计方法，构建离散余弦谱密度估计函数；
分别调用三次离散余弦谱密度估计函数，第一次调用时输入的循环频率为覆盖需要遍历故障频率范围的向量，另外两次调用时循环频率的值设置为0，第一次得到的离散余弦谱密度为二维特征矩阵，另外两次得到的为一维特征向量，根据得到的向量计算相干性；
构建离散余弦谱密度估计函数，包括：
将输入的连续采集的振动信号每M个采样点截为一个样本，再对各段样本按每N个采样点分为一组，记为x(n)，相邻组之间有预设重叠区域，计算样本包含的总组数G；
将x(n)乘以汉宁窗，使信号两端平滑衰减到0，得到加窗后的信号y(n)；
根据周期图估计方法，构造两组数据y1,y2，y1(n)＝y(n)·e-jπαn，y2(n)＝y(n)·ejπαn；
对y1,y2进行傅里叶变换，得到其在频域中的表现形式Y1(f)和Y2(f)；
谱相关密度
Figure FDA0003715114320000011
*表示共轭；
对所得结果进行离散余弦变换；
对G组数据均遍历执行以上步骤，并将所得结果累加，得到该段样本的离散余弦谱密度；
相干性的计算，包括：
Figure FDA0003715114320000021
其中，α为循环频率，是一个覆盖需要遍历故障频率范围的向量，DCTCSD(α,f)为第一次调用时得到的二维矩阵，DCTCSD(0,f)和DCTCSD(0,f-α)为另外两次调用时得到的一维特征向量；
所述预设卷积神经网络模型的训练包括：
构建基于CNN的新型轴承故障诊断模型；
引入Mode Normalization(MN)对模型中的特征进行分模态标准化，降低由数据分布差异引起的内部协变偏移，增强模型的域适应能力；引入注意力机制Effificient ChannelAttention(ECA)，对模型提取的待分类特征沿通道维进行特征增强，使模型更关注与分类相关的重要信息，提高模型的诊断准确率与泛化能力。
2.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，
将标准化方法MN嵌入到卷积神经网络模型的各卷积层之后对数据进行标准化，包括：
通过门控网络对输入赋予不同权重将其划分为不同模态；
计算各组模态的均值和方差；
根据得到的均值和方差进行标准化，得到输入样本xi的标准化输出yik；
将各模态的yik加权求和，进行仿射变换得到xi的标准化结果。
3.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，
将ECA嵌入卷积神经网络模型的卷积层与全连接层之间，对提取的待分类特征进行特征增强，包括：
设ECA输入特征X的尺寸为[H,W,C]，H,W,C分别代表特征图的高度、宽度、通道数；
使用全局平均池化进行特征降维得到1*C的均值向量μ；
使用大小为k，设定步长的一维卷积核对均值向量μ执行卷积操作，数据边缘使用零补充；
将所得结果通过softmax进行归一化，得到各通道的注意力权重。
4.如权利要求1所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法，其特征在于，
卷积神经网络模型的全连接层之间穿插使用Dropout层，按照预设比例随机丢弃神经元。
5.一种滚动轴承故障诊断系统，其特征在于，包括：
数据获取模块，被配置为：获取滚动轴承的时域振动信号；
特征提取模块，被配置为：对时域振动信号提取离散余弦循环谱相干特征，得到二维离散余弦循环谱相干特征图；
故障诊断模块，被配置为：根据二维离散余弦循环谱相干特征图与预设卷积神经网络模型，得到最终的诊断结果；
对时域振动信号提取离散余弦循环谱相干特征，包括：
根据获取的时域振动信号和循环频率，基于谱相关密度的周期图估计方法，构建离散余弦谱密度估计函数；
分别调用三次离散余弦谱密度估计函数，第一次调用时输入的循环频率为覆盖需要遍历故障频率范围的向量，另外两次调用时循环频率的值设置为0，第一次得到的离散余弦谱密度为二维特征矩阵，另外两次得到的为一维特征向量，根据得到的向量计算相干性；
构建离散余弦谱密度估计函数，包括：
将输入的连续采集的振动信号每M个采样点截为一个样本，再对各段样本按每N个采样点分为一组，记为x(n)，相邻组之间有预设重叠区域，计算样本包含的总组数G；
将x(n)乘以汉宁窗，使信号两端平滑衰减到0，得到加窗后的信号y(n)；
根据周期图估计方法，构造两组数据y1,y2，y1(n)＝y(n)·e-jπαn，y2(n)＝y(n)·ejπαn；
对y1,y2进行傅里叶变换，得到其在频域中的表现形式Y1(f)和Y2(f)；
谱相关密度
Figure FDA0003715114320000041
*表示共轭；
对所得结果进行离散余弦变换；
对G组数据均遍历执行以上步骤，并将所得结果累加，得到该段样本的离散余弦谱密度；
相干性的计算，包括：
Figure FDA0003715114320000042
其中，α为循环频率，是一个覆盖需要遍历故障频率范围的向量，DCTCSD(α,f)为第一次调用时得到的二维矩阵，DCTCSD(0,f)和DCTCSD(0,f-α)为另外两次调用时得到的一维特征向量；
所述预设卷积神经网络模型的训练包括：
构建基于CNN的新型轴承故障诊断模型；
引入Mode Normalization(MN)对模型中的特征进行分模态标准化，降低由数据分布差异引起的内部协变偏移，增强模型的域适应能力；引入注意力机制Effificient ChannelAttention(ECA)，对模型提取的待分类特征沿通道维进行特征增强，使模型更关注与分类相关的重要信息，提高模型的诊断准确率与泛化能力。
6.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一项所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于离散余弦循环谱相干的滚动轴承故障诊断方法中的步骤。
CN202111179309.8A 2021-10-11 2021-10-11 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 Active CN113776834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111179309.8A CN113776834B (zh) 2021-10-11 2021-10-11 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111179309.8A CN113776834B (zh) 2021-10-11 2021-10-11 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113776834A CN113776834A (zh) 2021-12-10
CN113776834B true CN113776834B (zh) 2022-09-02

Family

ID=78855155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111179309.8A Active CN113776834B (zh) 2021-10-11 2021-10-11 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113776834B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488950B (zh) * 2022-02-09 2023-02-28 无锡微茗智能科技有限公司 机床机械部件动态保护方法及数控机床设备
CN116417013B (zh) * 2023-06-09 2023-08-25 中国海洋大学 水下推进器故障诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614895A (zh) * 2018-10-29 2019-04-12 山东大学 一种基于attention特征融合的多模态情感识别的方法
CN111563521A (zh) * 2019-02-14 2020-08-21 埃森哲环球解决方案有限公司 特定于场所的异常检测

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107144428B (zh) * 2017-03-17 2019-02-22 北京交通大学 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法
FR3076348B1 (fr) * 2017-12-28 2020-01-17 Safran Procede et dispositif de surveillance d'un roulement equipant un dispositif tournant
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109580224A (zh) * 2018-12-28 2019-04-05 北京中科东韧科技有限责任公司 滚动轴承故障实时监测方法
CN109840505A (zh) * 2019-02-03 2019-06-04 湖南工业大学 一种面向全寿命周期轮对踏面的故障诊断方法
CN110017991B (zh) * 2019-05-13 2020-03-31 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN110243603B (zh) * 2019-05-30 2020-11-24 沈阳化工大学 基于Welch转换-径向基神经网的滚动轴承故障诊断方法
CN110738115B (zh) * 2019-09-12 2022-11-15 浙江大学 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法
CN110987434A (zh) * 2019-12-18 2020-04-10 中国民航大学 一种基于去噪技术的滚动轴承早期故障诊断方法
CN112729804B (zh) * 2020-12-31 2022-11-29 北京昊鹏智能技术有限公司 旋转机械故障诊断方法和装置
CN113029569B (zh) * 2021-03-11 2022-04-29 北京交通大学 一种基于循环强度指数的列车轴承自主故障识别方法
CN113192532A (zh) * 2021-03-29 2021-07-30 安徽理工大学 一种基于mfcc-cnn的矿井提升机故障声学分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614895A (zh) * 2018-10-29 2019-04-12 山东大学 一种基于attention特征融合的多模态情感识别的方法
CN111563521A (zh) * 2019-02-14 2020-08-21 埃森哲环球解决方案有限公司 特定于场所的异常检测

Also Published As

Publication number Publication date
CN113776834A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113776834B (zh) 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统
Ali et al. Machine learning-based fault diagnosis for single-and multi-faults in induction motors using measured stator currents and vibration signals
Al-Bugharbee et al. A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling
CN110276416B (zh) 一种滚动轴承故障预测方法
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
Gryllias et al. A Support Vector Machine approach based on physical model training for rolling element bearing fault detection in industrial environments
CN112798280B (zh) 一种滚动轴承故障诊断方法及系统
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
Abdelkrim et al. Detection and classification of bearing faults in industrial geared motors using temporal features and adaptive neuro-fuzzy inference system
CN111797567A (zh) 一种基于深度学习网络的轴承故障分类方法及系统
Głowacz et al. Recognition of rotor damages in a DC motor using acoustic signals
Pinheiro et al. Vibration analysis in turbomachines using machine learning techniques
CN112001314A (zh) 变速提升机的早期故障检测方法
CN111076934A (zh) 一种基于s变换诊断轴承潜在故障的方法
Vijay et al. Evaluation of effectiveness of wavelet based denoising schemes using ANN and SVM for bearing condition classification
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
Ferreira et al. An application of machine learning approach to fault detection of a synchronous machine
Moosavian et al. A Comparison Between ANN, SVM and Least Squares SVM: Application in Multi-Fault Diagnosis of Rolling Element Bearing.
CN113776835B (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
Sadoughi et al. A physics-based deep learning approach for fault diagnosis of rotating machinery
CN114298110A (zh) 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统
Fa-jun et al. Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification
CN116086807A (zh) 一种用于滚动轴承的故障判断方法和相关产品
CN112132069A (zh) 一种基于深度学习的滚动轴承微弱故障智能诊断方法

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