CN113865872B - 基于小波包重构成像和cnn的轴承故障诊断方法 - Google Patents
基于小波包重构成像和cnn的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113865872B CN113865872B CN202111295295.6A CN202111295295A CN113865872B CN 113865872 B CN113865872 B CN 113865872B CN 202111295295 A CN202111295295 A CN 202111295295A CN 113865872 B CN113865872 B CN 113865872B
- Authority
- CN
- China
- Prior art keywords
- layer
- time domain
- domain signal
- vibration time
- wavelet packet
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003384 imaging method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 20
- 239000004973 liquid crystal related substance Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000005096 rolling process Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 150
- 238000013527 convolutional neural network Methods 0.000 description 41
- 238000004088 simulation Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 239000002356 single layer Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种基于小波包重构成像和CNN的轴承故障诊断方法，其步骤为：对每个通道样本集的每个轴承振动时域信号计算其小波包重构信号并做短时傅里叶变换，得到所有振动时域信号的时频谱图像作为每个通道的训练集；构建并训练深浅层特征融合CNN网络；将每个传感器采集的待检测的轴承振动时域信号的时频谱图输入到利用该通道训练集训练好的深浅层特征融合CNN网络中，输出故障类型。本发明对轴承振动时域信号的处理，消除了振动时域信号采集过程中干扰分量的影响，构建的深浅层特征融合CNN网络能够学习更丰富的故障特征信息，有效的提高了对转速变化的轴承故障诊断正确率。
Description
技术领域
本发明属于机械技术领域，更进一步涉及机械故障诊断技术领域中的一种基于小波包重构成像和卷积神经网络CNN(convolutional neural network)的轴承故障诊断方法。本发明可用于对轴承故障进行自动诊断。
背景技术
轴承是旋转机械中使用最广泛的组件，直接影响旋转机械的健康状态。在实际的生产中，轴承零部件会因众多原因出现不同程度的损伤，例如疲劳剥落、腐蚀磨损、塑性形变等。随着深度学习的快速发展，现代旋转机械设备的故障诊断方法得到蓬勃发展，以卷积神经网络、深度自编码器等自动特征学习的深度学习技术在故障诊断领域得到广泛应用。但是这些方法在轴承故障诊断领域的发展仍有不足，首先，现有技术大多用于固定转速的轴承故障诊断，其次，现有技术未消除轴承振动时域信号采集过程中干扰分量的影响，且只能学习单层的特征图像，导致故障诊断正确率下降。
杭州电子科技大学在其申请的专利文献“一种基于一维卷积神经网络的轴承故障诊断方法”(申请号202110308444.1，申请公布号：CN 113052062 A，申请日期2021.03.23)中公开了一种利用一维卷积神经网络对滚动轴承的故障进行诊断的方法。该方法的步骤是：首先，将轴承振动时域信号按照设定的样本信号长度分割为一系列样本信号，将样本信号与相应的故障类型标签一起构建为样本数据集，并将该数据集划分为包含1800rpm转速下的训练集、验证集和测试集；然后，通过构建的一维卷积神经网络学习训练集中的故障特征，并完成故障特征提取及故障分类，获得基于一维卷积神经网络的轴承故障诊断模型；最后，将测试集输入到训练好的故障诊断模型中，自动提取故障特征，诊断出轴承的故障类型。该方法存在的不足之处是，由于该方法中的训练集仅包含1800rpm转速下的轴承故障振动信号，导致所构建的滚动轴承故障诊断模型更适用于固定转速下的故障诊断，对于变转速的滚动轴承，无法进行故障诊断。
Ma Ping等作者在其发表的论文“A novel bearing fault diagnosis methodbased on 2D image representation and 2D image representation and transferlearning-convolutional neural network”(Measurement Science and Technology，2019(30)，055402(16pp)；doi:10.1088/1361-6501/ab0793)中提出了一种基于迁移学习卷积神经网络TLCNN(transfer learning-convolutional neural network)的轴承故障诊断方法。该方法的步骤是：首先，对只有四种转速且转速差异较小的轴承振动时域信号做频率切片小波变换FSWT(frequency slice wavelet transform)将其变换为二维时频图像；其次，利用提出的TLCNN模型对二维时频图像进行特征提取及故障分类，实现轴承的故障诊断。该方法存在的不足之处是，由于该方法直接对轴承振动时域信号做FSWT变换，未消除振动时域信号采集过程中干扰分量的影响，导致该方法中的二维时频图像故障特征不明显，且该方法中的TLCNN模型只能学习单层的特征图像，对于相似的二维时频图像无法学习更细节的信息，导致该方法中TLCNN模型故障诊断正确率降低。
发明内容
本发明的目的在于针对上述现有技术的不足，提供一种基于小波包重构成像和CNN的轴承故障诊断方法，用于解决现有技术滚动轴承故障诊断模型更适用于轴承转速固定的故障诊断和现有技术未消除振动时域信号在采集过程中受干扰分量的影响及故障诊断模型只能学习单层特征图像，导致故障诊断模型故障诊断正确率下降的问题。
实现本发明目的的技术思路是，本发明所采集的轴承振动时域信号的转速共包含273种，转速的范围为1000rpm至10000rpm，该轴承振动时域信号的转速分布范围广，能够覆盖变转速滚动轴承在实际生产中的转速范围，解决了现有技术更适用于转速固定及转速变化较小的轴承进行故障诊断。本发明对振动时域信号进行3层小波包分解，计算第3层中每个节点在该层总能量的占比，选取第3层中所有节点能量中占比大于0.1的节点，然后利用小波包重构公式，得到该振动时域信号的小波包重构时域信号。对小波包重构时域信号做短时傅里叶变换，得到该小波包重构时域信号的时频谱图像。基于轴承振动时域信号和干扰信号在小波包分解后具有不同的统计特性：轴承振动时域信号对应着能量占比较大的节点，干扰信号对应着能量占比较小的节点，滤除节点能量小于0.1的节点能够消除振动时域信号采集过程中受干扰信号的影响。本发明构建的深浅层特征融合CNN网络中使用了残差模块和深浅层特征融合模块，其中残差模块使深浅层特征融合CNN网络只用学习输入和输出的差别部分，能够降低深浅层特征融合CNN网络的学习难度，深浅层特征融合模块将深层和浅层的特征图在深度上进行融合，解决了现有技术只能学习单层特征图像。
为了实现上述目的，本发明采用的技术方案包括如下步骤：
步骤1，生成样本集：
(1a)利用至少八个加速度传感器，每个加速度传感器对应一个通道，每个传感器采集至少五种故障类型的轴承振动时域信号，每种故障类型采集至少包含273种转速的振动时域信号，转速的范围为1000rpm至10000rpm；
(1b)将每个加速度传感器采集的每种故障类型中的每个振动时域信号标注标签；
(1c)将每个加速度传感器采集的所有故障类型的轴承振动时域信号及其对应的标签组成样本集；
步骤2，计算每个样本集中每个振动时域信号的小波包系数：
(2a)将每个样本集中的每个振动时域信号，等分为100个振动时域信号，得到100帧振动时域信号；
(2b)利用离散小波变换公式，计算每帧振动时域信号在小波包分解中第1层第1个节点的小波包系数；
(2c)利用小波包分解公式，计算每帧振动时域信号的第3层中每个节点的小波包系数；
步骤3，计算每个样本集中每帧振动时域信号的小波包重构时域信号：
(3a)利用能量公式，计算每帧振动时域信号第3层中所有节点的总能量；
(3b)利用能量占比公式，计算每帧振动时域信号第3层中每个节点的能量在该层总能量所占比例，得到该帧振动时域信号第3层中每个节点的能量占比；
(3c)选取每帧振动时域信号第3层中所有节点能量中占比大于0.1的节点，利用小波包重构公式，得到该帧振动时域信号的小波包重构时域信号；
步骤4，对每个样本集中小波包重构时域信号重构图像生成训练集：
对每个样本集中每个轴承振动时域信号的小波包重构时域信号做短时傅里叶变换，得到该小波包重构时域信号的时频谱图像，其分辨率大小为64×64，将所有的时频谱图像与其对应的标签组成训练集；
步骤5，构建深浅层特征融合CNN网络：
搭建一个深浅层特征融合CNN网络，其结构依次为：输入层、第1卷积层，第1批归一化层，第1激活层，第1残差模块，第2激活层，第2卷积层，第2批归一化层，第3激活层，第1深浅层特征融合模块，第4激活层，第3卷积层，第3批归一化层，第5激活层，第2残差模块，第6激活层，第2深浅层特征融合模块，第7激活层，第1全连接层，第2全连接层，softmax层；
将输入层的输入通道数设置为1，可通过的图像大小设置为64×64；将第1至第3卷积层的卷积核大小依次设置为：3×3×1、3×3×96、3×3×128，步长均设置为2，卷积核数量依次设置为：96、64、32；将第1至第3批归一化层的样本数均设置为100；第1至第7激活层均采用线性整流函数ReLU(Rectified Linear Unit)；第1和第2全连接层的神经元数目依次设置为：128、5；
所述的第1残差模块和第2残差模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、addition层；
将第1、第2残差模块中第1卷积层的卷积核大小依次设置：3×3×96、3×3×32，步长均设置为1，卷积核的数量依次设置为：128、96；将第1、第2残差模块中第2卷积层的卷积核大小依次设置为：3×3×128、3×3×96，步长均设置为1，卷积核的数量依次设置为：96、32；将第1、第2残差模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2残差模块中的第1激活层均采用线性整流函数；
所述的第1深浅层特征融合模块和第2深浅层特征融合模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、concat层；
将第1、第2深浅层特征融合模块中第1卷积层的卷积核大小均设置为3×3×64，步长均设置为1，卷积核的数量均设置为：96；将第1、第2深浅层特征融合模块中第2卷积层的卷积核大小均设置为：3×3×96，步长均设置为1，卷积核的数量均设置为：64；将第1、第2深浅层特征融合模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2深浅层特征融合模块中第1激活层均采用线性整流函数；
步骤6，训练深浅层特征融合CNN网络：
将每个通道训练集样本按每批次100个样本依次输入到深浅层特征融合CNN网络中，使用梯度下降算法迭代更新网络参数，直到损失函数收敛为止，得到每个通道训练集训练好的深浅层特征融合CNN网络；
步骤7，对轴承故障进行诊断：
采用于步骤2、3、4相同的方法，对每个传感器采集的待检测的轴承振动时域信号处理后，得到该振动时域信号的时频谱图像，并输入到利用该通道训练集训练好的深浅层特征融合CNN网络中，输出轴承故障类型。
本发明与现有技术相比，具有如下优点：
第一，本发明生成样本集时，采集的轴承振动时域信号转速范围在1000rpm至10000rpm，能够覆盖实际生产中变转速滚动轴承的转速变化范围，克服了现有技术中轴承振动时域信号只包含固定转速，无法对转速变化的轴承进行故障诊断的问题，使得本发明不仅适用于对固定转速的轴承进行故障诊断，而且还可用于对转速变化的滚动轴承进行故障诊断。
第二，本发明在生成训练集时，对样本集中的轴承振动时域信号计算其小波包重构时域信号，再对重构时域信号做短时傅里叶变换，得到其时频谱图像，克服了现有技术未消除轴承振动时域信号采集过程中受干扰分量影响，导致轴承振动时域信号的故障特征不明显，影响轴承故障诊断正确率的问题，使得本发明的训练集中时频谱图像包含的故障特征不会被干扰分量淹没，有利于深浅层特征融合CNN网络进行故障特征提取，提高了深浅层特征融合CNN网络进行轴承故障诊断的准确率。
第三，本发明在构建CNN网络时，构建的深浅层特征融合CNN网络主要包含残差和深浅层特征融合两个模块，深浅层特征融合CNN网络能够学习深层和浅层融合的特征图像，该特征图像的故障特征信息更细节、更丰富，克服了现有技术的故障诊断模型只能学习单层特征图像导致故障诊断正确率下降的问题，使得本发明有效地提高了故障诊断的正确率。
附图说明
图1为本发明的流程图；
图2为本发明的深浅层特征融合CNN网络结构示意图；
图3为本发明仿真实验中轴承故障类型的时频谱图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步的详细描述。
参照图1，对本发明的实现步骤作进一步的详细描述。
步骤1，生成样本集。
利用至少八个加速度传感器，每个加速度传感器对应一个通道，每个传感器采集至少五种故障类型的轴承振动时域信号，每种故障类型采集至少包含273种转速的振动时域信号，转速的范围为1000rpm至10000rpm。
所述的五种故障类型的轴承振动时域信号指的是：滚动体故障、保持架故障、内圈故障、外圈故障和正常状态。采样频率为20kHz，每个振动时域信号的时长为10s。
将每个加速度传感器采集的每种故障类型中的每个振动时域信号标注标签。
所述的每个振动时域信号标注标签指的是：使用“独热码(one-hot)”编码方式对每个振动时域信号的故障类型进行标注，得到5维的向量，其中滚动体故障标注为0，保持架故障标注为1，内圈故障标注为2，外圈故障标注为3，正常状态标注为4。例如，当轴承的运行状态为正常状态时，将时域信号的标签可编码为([0,0,0,0,1])。
将每个加速度传感器采集的所有故障类型的轴承振动时域信号及其对应的标签组成样本集。
步骤2，计算每个样本集中每个振动时域信号的小波包系数。
将每个样本集中的每个振动时域信号，等分为100个振动时域信号，得到100帧振动时域信号。
每个样本集中的每个振动时域信号经过等分后，最后得到的每个样本集中共包含67900个振动时域信号，每个振动时域信号的时长为0.1s。
利用下述离散小波变换公式，计算每帧振动时域信号在小波包分解中第1层第1个节点的小波包系数：
其中，表示第c个通道第n帧振动时域信号在第1层第1个节点的小波包系数，c＝0,1,...,7，fn,c(t)表示第c个通道第t个时刻的第n帧振动时域信号，t＝1,2,...,2000,n＝1,2,...,100，ψn,c(·)表示第c个通道第t个时刻的第n帧振动时域信号的db3小波基函数，*表示共轭操作。
利用小波包分解公式，计算每帧振动时域信号的第3层中每个节点的小波包系数。
所述振动时域信号的小波包分解，实质上是将振动时域信号在整个空间展开的过程，从数据结构来看，它是一种二叉树结构。每帧振动时域信号进行3层小波包分解，将其分解到8个节点上，每个节点代表一个频带，不同故障类型的振动时域信号在8个频带的能量分布是不相同的。
所述的小波包分解公式如下：
其中，表示第c个通道第n帧振动时域信号第3层中第q个节点的小波包系数，q＝{2,4,6,8}，∑表示求和操作，<·>表示内积操作，/>表示第c个通道第t个时刻的第n帧振动时域信号在小波包分解中第2层第k个节点的小波函数，k＝{1,2,3,4}，/>表示第c个通道第n帧振动时域信号在小波包分解中第3层第q个节点的小波函数，/>表示第c个通道第n帧振动时域信号第2层中第k个节点的小波包系数，/>表示第c个通道第n帧振动时域信号第3层第o个节点的小波包系数，o＝{1,3,5,7}，/>表示第c个通道第n帧振动时域信号在小波包分解中第3层第o个节点的小波函数。
步骤3，计算每个样本集中每帧振动时域信号的小波包重构时域信号。
利用下述能量公式，计算每帧振动时域信号第3层中所有节点的总能量：
其中，表示第c个通道第n帧振动时域信号第3层中所有节点的总能量，|·|表示取绝对值操作。
利用能量占比公式，计算每帧振动时域信号第3层中每个节点的能量在该层总能量所占比例，得到该帧振动时域信号第3层中每个节点的能量占比。
所述的能量占比公式如下：
其中，表示第c个通道第n帧振动时域信号第3层第j个节点能量在该层总能量的占比，j＝1,2,...,8。
选取每帧振动时域信号第3层中所有节点能量中占比大于0.1的节点，利用小波包重构公式，得到该帧振动时域信号的小波包重构时域信号。
所述的节点选取原则是基于轴承振动时域信号和干扰信号在小波包分解后具有不同的统计特性：轴承振动时域信号对应着能量占比较大的节点，干扰信号对应着能量占比较小的节点，滤除节点能量占比小于0.1的节点能够消除振动时域信号采集过程中受干扰信号的影响。
所述的小波包重构公式如下：
其中，表示第c个通道第t个时刻的第n帧振动时域信号的小波包重构时域信号，/>表示第c个通道第n帧振动时域信号第3层中所有节点能量中占比大于0.1的第q个节点的小波包系数，/>表示第c个通道第n帧振动时域信号第3层中所有节点能量中占比大于0.1的第o个节点的小波包系数。
步骤4，对每个样本集中小波包重构时域信号重构图像生成训练集。
对每个样本集中每个轴承振动时域信号的小波包重构时域信号做短时傅里叶变换，得到该小波包重构时域信号的时频谱图像，其分辨率大小为64×64，将所有的时频谱图像与其对应的标签组成训练集。
所述的短时傅里叶变换，采用长度为128个采样点的汉宁窗，重叠点数为99个采样点。
步骤5，构建深浅层特征融合CNN网络。
参照图2，对本发明构建的深浅层特征融合CNN网络的结构作进一步的详细描述。
搭建一个深浅层特征融合CNN网络，其结构依次为：输入层、第1卷积层，第1批归一化层，第1激活层，第1残差模块，第2激活层，第2卷积层，第2批归一化层，第3激活层，第1深浅层特征融合模块，第4激活层，第3卷积层，第3批归一化层，第5激活层，第2残差模块，第6激活层，第2深浅层特征融合模块，第7激活层，第1全连接层，第2全连接层，softmax层。
将输入层的输入通道数设置为1，可通过的图像大小设置为64×64；将第1至第3卷积层的卷积核大小依次设置为：3×3×1、3×3×96、3×3×128，步长均设置为2，卷积核数量依次设置为：96、64、32；将第1至第3批归一化层的样本数均设置为100；第1至第7激活层均采用线性整流函数ReLU(Rectified Linear Unit)；第1和第2全连接层的神经元数目依次设置为：128、5。
所述的第1残差模块和第2残差模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、addition层；
将第1、第2残差模块中第1卷积层的卷积核大小依次设置：3×3×96、3×3×32，步长均设置为1，卷积核的数量依次设置为：128、96；将第1、第2残差模块中第2卷积层的卷积核大小依次设置为：3×3×128、3×3×96，步长均设置为1，卷积核的数量依次设置为：96、32；将第1、第2残差模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2残差模块中的第1激活层均采用线性整流函数。
所述的第1深浅层特征融合模块和第2深浅层特征融合模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、concat层。
将第1、第2深浅层特征融合模块中第1卷积层的卷积核大小均设置为3×3×64，步长均设置为1，卷积核的数量均设置为：96；将第1、第2深浅层特征融合模块中第2卷积层的卷积核大小均设置为：3×3×96，步长均设置为1，卷积核的数量均设置为：64；将第1、第2深浅层特征融合模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2深浅层特征融合模块中第1激活层均采用线性整流函数。
步骤6，训练深浅层特征融合CNN网络。
将每个通道训练集样本按每批次100个样本依次输入到深浅层特征融合CNN网络中，使用梯度下降算法迭代更新网络参数，直到损失函数收敛为止，得到每个通道训练集训练好的深浅层特征融合CNN网络。
所述的损失函数如下：
其中，Ei,c表示第c个通道训练集中第i批所有样本的平均损失值，i＝1,2,...,675，r表示标签类别的序号，r＝{0,1,2,3,4}，表示第c个通道训练集中第i批的第m个样本输入到深浅层特征融合CNN网络后softmax层第l个神经元的输出，l＝0,1,...,4，m表示批样本中样本的序号，m＝1,2,...,100,log表示对数操作，/>表示第c个通道训练集中第i批的第m个样本的独热码，当该样本的故障类型属于标注的任意一种故障类型时，否则，/>
步骤7，对轴承故障进行诊断。
采用于步骤2、3、4相同的方法，对每个传感器采集的待检测的轴承振动时域信号处理后，得到该振动时域信号的时频谱图像，并输入到利用该通道训练集训练好的深浅层特征融合CNN网络中，输出轴承故障类型。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的实验硬件配置为：CPU：Intel E5-2620×2；GPU：GTX Titan Xp；内存：128GB；
本发明的仿真实验的软件平台：Linux操作系统和Matlab 2019b。
2.仿真内容及其结果分析：
本发明仿真实验所使用的轴承振动时域信号是由八个加速度传感器采集得到的。八个传感器在SB25轴承试验机上的位置是根据距离轴承振动故障源的远近不同依次设置，编号为：0、1、7、4、6、3、2、5。每个加速度传感器采集273个轴承振动时域信号，每个振动时域信号对应一个转速，转速的范围为：1000rpm至10000rpm，共有5种故障类型，采样频率为20kHz，采集时长为10s。
每个加速度传感器对应一个通道，通道的编号依次为：0、1、2至7，八个通道所采集的轴承振动时域信号幅度是不同的。通道0、1和7的振动时域信号幅度相对较大，对应的振动时域信号的故障特征更为明显，故障诊断正确率更高。通道2、3、4、5、6的振动时域信号幅度相对较小，对应的振动时域信号的故障特征较弱，故障诊断正确率相对较低。
采用本发明的方法对每个通道采集得到的每个轴承振动时域信号，计算每个振动时域信号的小波包重构时域信号，并对该重构时域信号做短时傅里叶变换，得到该轴承振动时域信号的时频谱图像，得到所有通道的轴承振动时域信号的时频谱图像。
结合图3，对本发明仿真实验中通道0的样本集中三种故障类型和正常状态的轴承振动时域信号的小波包重构时域信号做短时傅里叶变换，得到三种故障类型和正常状态的小波包重构时域信号的时频谱图作进一步描述。
图3(a)是距离轴承振动故障源编号为0的加速度传感器采集的滚动体故障的振动时域信号的时频谱图。图3(b)是距离轴承振动故障源编号为0的加速度传感器采集的正常状态的振动时域信号的时频谱图。图3(c)是距离轴承振动故障源编号为0的加速度传感器采集的外圈故障的振动时域信号的时频谱图。图3(d)是距离轴承振动故障源编号为0的加速度传感器采集的内圈故障的振动时域信号的时频谱图。
从每个通道中所有的轴承振动时域信号时频谱图像中随机选取50％的时频谱图像组成训练集，将剩余的50％的时频谱图像组成测试集，得到每个通道的训练集和测试集。
本发明的仿真实验，将每个通道的训练集按通道编号顺序分别输入到本发明和三个现有技术(LeNet诊断方法、多尺度卷积神经网络MSCNN诊断方法、动态加权密集连接网络诊断方法)的网络中进行训练，每个通道训练集对应的一个训练好的网络，共得到32个训练好的网络。
在仿真实验中，采用的三个现有技术是指：
现有技术LeNet分类方法是指李恒等人在“基于短时短时傅里叶变换和卷积神经网络的轴承故障诊断方法.，振动与冲击，2018，37(19):124-131”中提出的轴承故障诊断的分类方法，简称LeNet诊断方法。
现有技术多尺度卷积神经网络MSCNN分类方法是指邢蓉等人在“基于MSCNN与STFT的滚动轴承故障诊断研究.，机械传动，2020，44(7)：41-45”中提出的轴承故障诊断的分类方法，简称多尺度卷积神经网络MSCNN诊断方法。
现有技术动态加权密集连接网络分类方法是指熊鹏等人在“基于动态加权密集连接网络的变转速行星齿轮故障诊断.，机械工程学报，2019，44(7)：41-45”中提出的轴承故障诊断的分类方法，简称动态加权密集连接网络诊断方法。
将每个通道的测试集按通道编号顺序分别输入到该通道本发明和三个现有技术训练好的网络中，输出每种方法的所检测出的故障类型。
为了验证本发明的仿真效果，利用评价指标每个通道总体诊断精度OA对每个通道的测试集按通道编号顺序，分别输入到该通道训练好的四个网络中进行故障诊断的结果进行评价。
利用下面公式，计算每个通道总体诊断精度OA，将所有计算结果绘制成表1：
表1.仿真实验的四种方法中八个通道诊断结果定量分析表
结合表1可以看出，本发明的通道0、1的总体诊断精度OA高达100％，通道2的总体诊断精度也达到了99.3％，该指标高于现有轴承故障诊断方法，证明本方法可以得到更高的故障诊断精度。
为了验证本发明的仿真效果，将通道2的测试集分别输入到利用通道2的训练集训练好的四个网络中进行故障诊断，得到该通道在四种方法下的故障诊断结果。
利用下述的两个评价指标(每类诊断精度、Kappa系数)分别对每种方法的故障诊断结果进行评价。
利用下面公式，计算5种故障类型的故障诊断精度，Kappa系数，将所有计算结果绘制成表2：
其中，Po表示通道2的总体诊断精度OA；假设每种故障类型的样本个数分别为a1,a2,...,az，z为故障类型总数，而诊断出来的每种故障类型的样本个数分别为b1,b2,...,bc，总样本个数为N，则有Pe＝(a1×b1+a2×b2+...+ac×bc)/(N×N)。
表2.仿真实验的四种方法中通道2诊断结果定量分析表
结合表2可以看出四种方法中通道2的故障诊断结果，本发明的Kappa系数为0.993，明显高于现有技术的其他三个方法，证明本方法可以得到更高的故障诊断精度。
以上仿真实验表明：本发明采集的轴承振动时域信号，能够覆盖实际生产中变转速滚动轴承的转速变化范围，适用于变转速轴承的故障诊断，解决了现有技术中轴承故障诊断模型仅适用于固定转速的轴承故障诊断，利用振动时域信号的小波包重构时域信号并对其做短时傅里叶变换，得到的时频谱图像，能够消除振动时域信号采集过程中干扰分量的影响，使时频谱图像的故障特征更加明显，有利于提高轴承故障诊断的正确率，利用搭建的深浅层特征融合CNN网络，能够学习深层和浅层融合的特征图像，解决了现有技术中只能学习单层的特征图像，导致故障诊断结果降低的问题，是一种非常适用的轴承故障诊断方法。
Claims (9)
1.一种基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，通过小波包重构成像对轴承振动信号进行成像得到时频谱图像，构建深浅层特征融合CNN网络对图像进行故障特征学习；该方法的步骤包括如下：
步骤1，生成样本集：
(1a)利用至少八个加速度传感器，每个加速度传感器对应一个通道，每个加速度传感器采集至少五种故障类型的轴承振动时域信号，每种故障类型采集至少包含273种转速的振动时域信号，转速的范围为1000rpm至10000rpm；
(1b)将每个加速度传感器采集的每种故障类型中的每个振动时域信号标注标签；
(1c)将每个加速度传感器采集的所有故障类型的轴承振动时域信号及其对应的标签组成样本集；
步骤2，计算每个样本集中每个振动时域信号的小波包系数：
(2a)将每个样本集中的每个振动时域信号，等分为100个振动时域信号，得到100帧振动时域信号；
(2b)利用离散小波变换公式，计算每帧振动时域信号在小波包分解中第1层第1个节点的小波包系数；
(2c)利用小波包分解公式，计算每帧振动时域信号的第3层中每个节点的小波包系数；
步骤3，计算每个样本集中每帧振动时域信号的小波包重构时域信号：
(3a)利用能量公式，计算每帧振动时域信号第3层中所有节点的总能量；
(3b)利用能量占比公式，计算每帧振动时域信号第3层中每个节点的能量在该层总能量所占比例，得到该帧振动时域信号第3层中每个节点的能量占比；
(3c)选取每帧振动时域信号第3层中所有节点能量中占比大于0.1的节点，利用小波包重构公式，得到该帧振动时域信号的小波包重构时域信号；
步骤4，对每个样本集中的小波包重构时域信号重构图像生成训练集：
对每个样本集中每个轴承振动时域信号的小波包重构时域信号做短时傅里叶变换，得到该小波包重构时域信号的时频谱图像，其分辨率大小为64×64，将所有的时频谱图像与其对应的标签组成训练集；
步骤5，构建深浅层特征融合CNN网络：
搭建一个深浅层特征融合CNN网络，其结构依次为：输入层、第1卷积层，第1批归一化层，第1激活层，第1残差模块，第2激活层，第2卷积层，第2批归一化层，第3激活层，第1深浅层特征融合模块，第4激活层，第3卷积层，第3批归一化层，第5激活层，第2残差模块，第6激活层，第2深浅层特征融合模块，第7激活层，第1全连接层，第2全连接层，softmax层；
将输入层的输入通道数设置为1，可通过的图像大小设置为64×64；将第1至第3卷积层的卷积核大小依次设置为：3×3×1、3×3×96、3×3×128，步长均设置为2，卷积核数量依次设置为：96、64、32；将第1至第3批归一化层的样本数均设置为100；第1至第7激活层均采用线性整流函数ReLU(Rectified Linear Unit)；第1和第2全连接层的神经元数目依次设置为：128、5；
所述的第1残差模块和第2残差模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、addition层；
将第1、第2残差模块中第1卷积层的卷积核大小依次设置：3×3×96、3×3×32，步长均设置为1，卷积核的数量依次设置为：128、96；将第1、第2残差模块中第2卷积层的卷积核大小依次设置为：3×3×128、3×3×96，步长均设置为1，卷积核的数量依次设置为：96、32；将第1、第2残差模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2残差模块中的第1激活层均采用线性整流函数；
所述的第1深浅层特征融合模块和第2深浅层特征融合模块的结构完全相同，其结构依次为：第1卷积层、第1批归一化层、第1激活层、第2卷积层、第2批归一化层、concat层；
将第1、第2深浅层特征融合模块中第1卷积层的卷积核大小均设置为3×3×64，步长均设置为1，卷积核的数量均设置为：96；将第1、第2深浅层特征融合模块中第2卷积层的卷积核大小均设置为：3×3×96，步长均设置为1，卷积核的数量均设置为：64；将第1、第2深浅层特征融合模块中第1批归一化层和第2批归一化层的样本数均设置为100；第1、第2深浅层特征融合模块中第1激活层均采用线性整流函数；
步骤6，训练深浅层特征融合CNN网络：
将每个通道训练集样本按每批次100个样本依次输入到深浅层特征融合CNN网络中，使用梯度下降算法迭代更新网络参数，直到损失函数收敛为止，得到每个通道训练集训练好的深浅层特征融合CNN网络；
步骤7，对轴承故障进行诊断：
采用与步骤2、3、4相同的方法，对每个传感器采集的待检测的轴承振动时域信号处理后，得到该振动时域信号的时频谱图像，并输入到利用该通道训练集训练好的深浅层特征融合CNN网络中，输出轴承故障类型。
2.根据权利要求1所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(1a)中所述的五种故障类型的轴承振动时域信号指的是：滚动体故障、保持架故障、内圈故障、外圈故障和正常状态。
3.根据权利要求1所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(1b)中所述的每个振动时域信号标注标签指的是：使用“独热码(one-hot)”编码方式对每个振动时域信号的故障类型进行标注，得到5维的向量，其中滚动体故障标注为0，保持架故障标注为1，内圈故障标注为2，外圈故障标注为3，正常状态标注为4。
4.根据权利要求1所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(2b)中所述的离散小波变换公式如下：
其中，表示第c个通道第n帧振动时域信号在第1层第1个节点的小波包系数，c＝0,1,...,7，fn,c(t)表示第c个通道第t个时刻的第n帧振动时域信号，t＝1,2,...,2000,n＝1,2,...,100，ψn,c(·)表示第c个通道第t个时刻的第n帧振动时域信号的db3小波基函数，*表示共轭操作。
5.根据权利要求1所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(2c)中所述的小波包分解公式如下：
其中，表示第c个通道第n帧振动时域信号第3层中第q个节点的小波包系数，q＝{2,4,6,8}，∑表示求和操作，<·>表示内积操作，/>表示第c个通道第t个时刻的第n帧振动时域信号在小波包分解中第2层第k个节点的小波函数，k＝{1,2,3,4}，/>表示第c个通道第n帧振动时域信号在小波包分解中第3层第q个节点的小波函数，/>表示第c个通道第n帧振动时域信号第2层中第k个节点的小波包系数，/>表示第c个通道第n帧振动时域信号第3层第o个节点的小波包系数，o＝{1,3,5,7}，/>表示第c个通道第n帧振动时域信号在小波包分解中第3层第o个节点的小波函数。
6.根据权利要求5所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(3a)中所述的能量计算公式如下：
其中，表示第c个通道第n帧振动时域信号第3层中所有节点的总能量，|·|表示取绝对值操作。
7.根据权利要求6所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(3b)中所述的能量占比公式如下：
其中，表示第c个通道第n帧振动时域信号第3层第j个节点能量在该层总能量的占比，j＝1,2,...,8。
8.根据权利要求7所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤(3c)中所述的小波包重构公式如下：
其中，表示第c个通道第t个时刻的第n帧振动时域信号的小波包重构时域信号，表示第c个通道第n帧振动时域信号第3层中所有节点能量中占比大于0.1的第q个节点的小波包系数，/>表示第c个通道第n帧振动时域信号第3层中所有节点能量中占比大于0.1的第o个节点的小波包系数。
9.根据权利要求1所述的基于小波包重构成像和CNN的轴承故障诊断方法，其特征在于，步骤6中所述的损失函数如下：
其中，Ei,c表示第c个通道训练集中第i批所有样本的平均损失值，i＝1,2,...,678，r表示标签类别的序号，r＝{0,1,2,3,4}，表示第c个通道训练集中第i批的第m个样本输入到深浅层特征融合CNN网络后softmax层第l个神经元的输出，l＝0,1,...,4，m表示批样本中样本的序号，m＝1,2,...,100,log表示对数操作，/>表示第c个通道训练集中第i批的第m个样本的独热码，当该样本的故障类型属于标注的任意一种故障类型时，/>否则，/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111295295.6A CN113865872B (zh) | 2021-11-03 | 2021-11-03 | 基于小波包重构成像和cnn的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111295295.6A CN113865872B (zh) | 2021-11-03 | 2021-11-03 | 基于小波包重构成像和cnn的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113865872A CN113865872A (zh) | 2021-12-31 |
| CN113865872B true CN113865872B (zh) | 2023-07-28 |
Family
ID=78986975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111295295.6A Active CN113865872B (zh) | 2021-11-03 | 2021-11-03 | 基于小波包重构成像和cnn的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113865872B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781427B (zh) * | 2022-03-17 | 2024-05-14 | 华电河南新能源发电有限公司 | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 |
| CN116012260B (zh) * | 2023-02-23 | 2023-07-04 | 杭州电子科技大学 | 一种基于深度Retinex的低光图像增强方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 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 |
| CN112304611A (zh) * | 2020-09-14 | 2021-02-02 | 江苏大学 | 一种基于深度学习的轴承故障的诊断方法 |
-
2021
- 2021-11-03 CN CN202111295295.6A patent/CN113865872B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 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 |
| CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
| CN112304611A (zh) * | 2020-09-14 | 2021-02-02 | 江苏大学 | 一种基于深度学习的轴承故障的诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于深度学习的电机轴承故障诊断方法;王春雷;路小娟;;兰州交通大学学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113865872A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Appana et al. | Reliable fault diagnosis of bearings with varying rotational speeds using envelope spectrum and convolution neural networks | |
| He et al. | A new hybrid deep signal processing approach for bearing fault diagnosis using vibration signals | |
| CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
| Chen et al. | Deep neural networks-based rolling bearing fault diagnosis | |
| Wang et al. | A multi-scale convolution neural network for featureless fault diagnosis | |
| CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
| CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| Lu et al. | A generic intelligent bearing fault diagnosis system using convolutional neural networks with transfer learning | |
| CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN111458144B (zh) | 一种基于卷积神经网络的风力发电机故障诊断方法 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| Tao et al. | Fault diagnosis of rolling bearing using deep belief networks | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| Dang et al. | A fault diagnosis method for one-dimensional vibration signal based on multiresolution tlsDMD and approximate entropy | |
| Grezmak et al. | Multi-stream convolutional neural network-based fault diagnosis for variable frequency drives in sustainable manufacturing systems | |
| Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
| Zhang et al. | Intelligent fault diagnosis of rolling bearings based on continuous wavelet transform-multiscale feature fusion and improved channel attention mechanism | |
| 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 | |
| Kulevome et al. | Rolling bearing fault diagnostics based on improved data augmentation and ConvNet | |
| Pan et al. | Intelligent fault diagnosis of rolling bearing via deep-layerwise feature extraction using deep belief network |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240329 Address after: 710000 Room 01, 10th Floor, Block B2, Phase 2, Xi'an Software New City R&D Base, No. 156, Tianguba Road, High-tech Zone, Xi'an City, Shaanxi Province Patentee after: Shaanxi Jinhe information Polytron Technologies Inc. Country or region after: China Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University Country or region before: China |