CN113933054B - 一种滚动轴承故障监测诊断方法、设备、介质及处理器 - Google Patents
一种滚动轴承故障监测诊断方法、设备、介质及处理器 Download PDFInfo
- Publication number
- CN113933054B CN113933054B CN202111111614.3A CN202111111614A CN113933054B CN 113933054 B CN113933054 B CN 113933054B CN 202111111614 A CN202111111614 A CN 202111111614A CN 113933054 B CN113933054 B CN 113933054B
- Authority
- CN
- China
- Prior art keywords
- fault
- key frame
- neural network
- time
- rolling bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005096 rolling process Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 239000012634 fragment Substances 0.000 claims description 51
- 238000003062 neural network model Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承故障监测诊断方法、设备、介质及处理器,方法为首先对不同健康状态下采集的轴承数据进行切割划分样本,利用短时傅里叶变换对样本进行预处理,然后利用一维卷积神经网络提取样本的低层次特征,接着门控循环单元分析低层次特征得到时频域特征,输出设备状态监测结果并将时频域特征作为粗分类器的输入,得到故障粗分类结果;在训练的过程中利用故障关键帧数据,以解决轴承运转状态下的数据极不平衡问题,降低时间跨度长对梯度的影响,使得深度学习模型能精准地监测轴承的实时状态。本发明不需要大量先验知识来手动地提取特征,通过深度学习模型的实时监测实现在线故障实时诊断,节省大量人力物力,提高生产效率。
Description
技术领域
本发明属于机械故障诊断和计算机人工智能技术领域,尤其涉及一种基于关键帧检测模型的滚动轴承故障监测诊断方法、设备、介质及处理器。
背景技术
近年来,随着工业的发展,对机械设备长时间安全可靠地运行要求也越来越高。为了避免重大的经济损失和人身伤害,机械故障诊断技术的发展与应用成为了提高机械系统安全稳定性的重要手段。机械故障诊断技术是通过监视设备的运行状态,确定故障发生的位置并及时地排查安全隐患。因此,为了防止灾难性的事故发生,加强机械设备的状态监测,及时准确地识别出故障显得尤为重要。
滚动轴承作为旋转机械的关键部件之一,其健康状态直接影响着整个旋转机械的稳定性。但同时,滚动轴承长时间处于高温、重载、高速等恶劣的工作情况之下,容易发生磨损、裂纹、断裂等故障,严重危害整个旋转系统的安全运行。因此,研究滚动轴承的状态信息和相应的机械故障诊断技术对保障机械设备安全可靠地运行、提高生产工作效率、保护人身安全具有积极而又重大的意义。
大量研究表明,轴承振动数据是进行机械故障诊断的有效依据。传统的机械故障诊断方法有基于振动信号提取故障特征频率、短时傅里叶变换、经验模式分解、稀疏表示方法等。这些传统的机械故障诊断方法通常依赖于一定的先验知识,需要专业的信号处理技术和人为手动地提取合适的特征,并不适用于处理海量的振动数据时。
针对传统机械故障诊断方法存在的不足,深度学习方法被广泛地应用于机械故障诊断领域。基于人工智能的机械故障诊断框架一般包括数据采集、模型建立、模型训练和模型验证四个阶段。基于深度学习的机械故障诊断方法能够自动提取特征,加速计算速度,满足处理大数据时代背景下海量信息的需求。同时,深度学习模型不需要人工提取特征,深度学习模型能够自动学习特征而不需要大量的先验知识,计算机技术的发展也推动了基于深度学习的机械故障诊断技术的迅猛发展。
现有的机械故障诊断技术大多侧重于单一部件的RUL趋势预测或单纯的故障分类,并且取得了突出的成果。解决元件的退化曲线有一定意义,然而不同尺寸、不同位置的原件退化曲线遵循的规律并不固定,统一的退化模型的不易构建。另一方面,分类问题通常在已发生故障的某一时刻检测故障的类别,从时序上并未考虑故障突发的持续过程。同时,实际工况下,正常运行的轴承产生的数据几乎都是正常数据,可以看作设备的环境音,而故障数据非常稀疏,对突发故障的检测可以转化为触发词识别问题。
发明内容
本发明的目的在于针对突发故障检测提供了一种滚动轴承故障监测诊断方法、设备、介质及处理器,为实际工况下对滚动轴承故障进行准确有效诊断提供实际应用方案。
为解决上述技术问题,实现上述技术效果,本发明通过以下技术方案实现:
一种滚动轴承故障监测诊断方法,包括以下步骤:
步骤1、采集不同健康状态的滚动轴承振动数据,并对采集到的滚动轴承振动数据进行切割,形成一维样本;
步骤2、对切割形成的一维样本做短时傅里叶变换(STFT)处理,形成二维片段,并按正常数据在前故障数据在后,故障突发时机任意的实际规律,将短时傅里叶变换(STFT)处理后的二维片段拼接为固定长度的关键帧片段,在训练阶段将关键帧片段送入参数初始化的深度关键帧识别神经网络模型;
步骤3、训练过程中,先由深度关键帧识别神经网络模型中的一维卷积神经网络提取关键帧片段的低层次特征,再由深度关键帧识别神经网络模型中的深层门控循环单元(GRU)在提取到的低层次特征的基础上进一步分析得到高层次特征,输出故障状态,最后预测故障突发时刻与真实标签对比获得损失,利用对应的优化函数降低损失,训练深度关键帧识别神经网络模型参数;
步骤4、训练过程中,用滚动轴承振动数据的二维片段单独训练故障粗分类网络模型,利用对应的优化函数训练故障粗分类网络模型参数;测试过程中,将故障突发时间点所对应的滚动轴承振动数据的二维片段作为输入,输入到故障粗分类网络模型中,故障粗分类网络模型输出对突发故障的粗分类结果;至此深度关键帧识别神经网络模型和故障粗分类网络模型均已训练完毕,构成深度神经网络诊断模型;
步骤5、将测试样本集输入到已训练好的深度神经网络诊断模型中,通过实际的输出的预测值与粗分类标签值来定性、定量化判断该测试样本故障突发时间点及故障类型;状态预测曲线与实际状态曲线对比,分类标签与实际标签做对比,得到诊断效果与分类精度。
进一步的,所述步骤1具体如下:
步骤1.1、建立固定工况下的不平衡数据集,数据集以其工作轴承命名;采集多种健康状态下的滚动轴承振动数据,滚动轴承振动数据中正常状态数据远多于故障数据;
步骤1.2、以连续N个采样点为一个样本长度,切割采集到的滚动轴承振动数据制作一维样本数据集,一维样本数据集的尺寸为(N,1)。
进一步的,所述步骤2具体如下:
步骤2.1、对步骤1.2所获得的一维样本数据集中的故障数据片段做短时傅里叶变换(STFT)处理,根据具体情况更改短时傅里叶变换(STFT)的窗长和步长参数,将时域信号转变为时频域信号,形成故障数据二维片段;
记某一时刻信号为d(a),窗长为ω,步长为τ,信号的短时傅里叶变换公式为:
Sd(ω,a)=∫(d(τ)m(τ-a)e-2πaτ)dτ (1)
其中,m(τ-a)为分析窗函数;
步骤2.2、对短时傅里叶变换之后的故障数据二维片段按照正常数据在前故障数据在后,故障突发时机任意的实际规则进行拼接,即一旦故障发生,故障发生后的信号中不再包含正常信号;
首先,选取固定的拼接个数α,其中包含p个随机抽取的正常信号,(α-p)个随机抽取的单一故障信号,p∈[0,α],并在时间维度进行横向拼接,拼接后的单个新数据称为一个关键帧片段,将随机拼接的若干关键帧片段组成训练数据集,用于训练参数初始化的深度关键帧识别神经网络模型。
进一步的,所述步骤3具体如下:
步骤3.1、将步骤2.2得到的拼接完成的关键帧片段的时频域信号作为一维卷积神经网络的输入,由一维卷积神经网络提取关键帧片段的低层次特征,一维卷积神经网络的输出为关键帧片段的低层次特征;
步骤3.2、将一维卷积神经网络的输出的关键帧片段的低层次特征作为深层门控循环单元(GRU)的输入,由深层门控循环单元(GRU)分析得到关键帧片段的高层次特征,输出故障状态;
检测深层门控循环单元(GRU)的输入Xt,则t时刻的隐层输出可以表示为:
ht=(1-zt)ht-1+zth′t (2)
其中,h’t为上一时刻隐层状态,表示为:
h′t=tanh(Wxt+rt⊙Uht-1) (3)
其中,W和U为一对权重参数,影响重置门与更新门,rt表示重置门,zt表示更新门,其定义如下公式所示:
rt=σ(W(r)xt+U(r)ht-1) (4)
zt=σ(W(z)xt+U(z)ht-1) (5)
最终输出Yt为深层门控循环单元(GRU)最后一层的隐层输出,即设备的状态标签,1为异常,0为正常;
步骤3.3、每个epoch中(1个epoch等于使用训练集中的全部样本训练一次),将训练输出与实际标签对比,得到深度关键帧识别神经网络模型的损失,并利用对应的优化函数降低损失,对深度关键帧识别神经网络模型参数进行优化。
进一步的,所述步骤4具体如下:
训练过程中,单独使用经过短时傅里叶变换(STFT)处理的滚动轴承振动数据的二维片段数据集训练双向长短期记忆网络,作为故障粗分类网络模型;双向长短期记忆网络的输入为故障突发时间点所对应的滚动轴承振动数据的二维片段,输出为故障类别标签;
双向长短期记忆网络总体框架与长短期记忆网络(LSTM)相同,由u时刻的输入Iu,细胞状态Cu,临时细胞状态隐层状态Su,遗忘门fu,记忆门mu,输出门ou组成;
长短期记忆网络(LSTM)的计算过程为:在u时刻,分别通过遗忘门fu,记忆门mu,输出门ou对前一时刻隐层状态Su-1和当前输入Iu进行过滤,丢弃无用信息,更新有用信息至临时细胞状态再将临时细胞状态/>与前一时刻细胞状态Cu-1整合,获得最终状态Cu及细胞输出Ou;
遗忘门fu的计算过程如下公式所示:
fu=σ(Wf·[Su-1,Iu]+bf) (6)
其中,W,b为网络参数;
输入记忆门mu的信息为前一时刻隐层状态Su和当前时刻输入Iu,输出记忆门的值mu以及临时细胞状态计算过程如下公式所示:
mu=σ(Wm·[Su-1,Iu]+bf) (7)
随后,更新当前时刻的细胞状态,计算过程如下公式所示:
最后,确定细胞的输出值Ou及当前隐层状态Su,计算过程如下公式所示:
Ou=σ(Wo·[Su-1,Iu]+bo) (10)
Su=Ou*tanh(Cu) (11)。
进一步的,所述步骤5具体如下:
步骤5.1、将测试样本集输入到已训练好的由深度关键帧识别神经网络模型和故障粗分类网络模型构成的深度神经网络诊断模型中,首先通过深度关键帧识别神经网络模型中的一维卷积神经网络进行测试样本关键帧片段的低层次特征提取,输出的测试样本关键帧片段的低层次特征提取作为后续深层门控循环单元(GRU)的输入;
步骤5.2、然后将一维卷积神经网络输出的测试样本关键帧片段的低层次特征输入深度关键帧识别神经网络模型中的深层门控循环单元(GRU),由深层门控循环单元(GRU)进一步学习特征,分析得到测试样本关键帧片段的高层次特征,并输出对测试样本关键帧片段状态的检测结果,设定二值准确率的阈值,对某一时刻轴承状态的预测值高于阈值则输出1,判断为轴承发生突发异常,低于阈值则输出0,判定轴承处于正常工作状态;
步骤5.3、检测过程中,当深度关键帧识别神经网络模型检测到输出标签持续为1的异常特征后,将这一特征片段对应的原始样本送入基于双向长短期记忆网络的故障粗分类网络模型,由故障粗分类网络模型输出对故障类别的粗分类结果,验证该深度神经网络诊断模型的优越性。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述滚动轴承故障监测诊断方法对应的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个可执行的计算机程序,所述计算机程序被处理器执行时,实现上述滚动轴承故障监测诊断方法对应的步骤。
一种处理器,所述处理器用于运行计算机程序,所述计算机程序运行时,执行上述滚动轴承故障监测诊断方法对应的步骤。
本发明的有益效果为:
1、本发明在利用一维卷积神经网络、门控循环单元及双向长短期记忆网络学习模型的基础上,结合关键帧学习方法,实时识别检测机械设备突发故障;因此本发明不需要大量的先验知识来手动地提取特征,而是借助计算机硬件加速神经网络的训练,通过实时监测实现对设备健康状态的及时预测,达到在线故障实时诊断的效果,从而节省大量的人力物力,提高生产工作效率,为实际工况下对滚动轴承故障进行准确有效诊断提供实际应用方案。
2、本发明针对滚动轴承故障的实时诊断和分类,提出了一种突发故障检测模型,侧重于沿时间轴跟踪设备状态,快速实现故障类型的粗略分类,所提出的方法试图增强网络的可解释性,并权衡趋势预测任务和分类任务,该方法的运作模式类似于设备的语音激活模式;使用单向GRU网络进行激活,目的是在实现相对准确率的同时快速识别,提出的网络可以对模拟的突变数据提供及时的响应并继续激活;同时构建双向LSTM结构对短断层片段进行处理,确保完全学习到故障的不同特征进行分类;这极大地增加模型的可解释性与通用性,可广泛地应用于机械、冶金、电力、航空等复杂系统的多变工况下的故障诊断任务。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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。在附图中:
图1为本发明实施例中所采用的滚动轴承数据生成试验台的结构示意图;
图2为本发明滚动轴承故障监测诊断方法的步骤流程图;
图3是本发明所采用的深度关键帧识别神经网络模型的故障诊断流程示意图;
图4为本发明实施例中轴承不同健康状态的振动信号时域图;
图5为本发明实施例中轴承不同健康状态的振动信号时频域图;
图6为本发明实施例中对实验数据的故障触发诊断结果示意图;
图7为本发明实施例中对实验数据的故障粗分类诊断结果示意图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。此处所作说明用来提供对本发明的进一步理解,构成本申请的一部分,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。
本发明的实验数据采用实验室自制的轴承数据集,参见图1所示,数据采集系统为一组自制的滚动轴承数据生成试验台,所述滚动轴承数据生成试验台主要由电机1、联轴器2、正常轴承3、转轴4、测试轴承5、加速度传感器6、缓冲器装置7、功率计8和加载系统9组成,轴承型号为6205-2RS SKF,电机1通过联轴器2驱动转轴4同时在正常轴承3和测试轴承5中转动,加载系统9通过电火花加工技术(EDM),利用功率计8、缓冲器装置7、转轴4在测试轴承5的滚子、内圈和外圈引入故障,最后利用加速度传感器6采集测试轴承5的振动数据,采样频率是10KHz。
参见图2所示,本发明的滚动轴承故障监测诊断方法,包括以下步骤:
步骤1、采集不同健康状态的滚动轴承振动数据,并对采集到的滚动轴承振动数据进行切割,形成一维样本;
步骤2、对切割形成的一维样本做短时傅里叶变换(STFT)处理,形成二维片段,并按正常数据在前故障数据在后,故障突发时机任意的实际规律,将短时傅里叶变换(STFT)处理后的二维片段拼接为固定长度的关键帧片段,在训练阶段将关键帧片段送入参数初始化的深度关键帧识别神经网络模型;
步骤3、训练过程中,先由深度关键帧识别神经网络模型中的一维卷积神经网络提取关键帧片段的低层次特征,再由深度关键帧识别神经网络模型中的深层门控循环单元(GRU)在提取到的低层次特征的基础上进一步分析得到高层次特征,输出故障状态,最后预测故障突发时刻与真实标签对比获得损失,利用对应的优化函数降低损失,训练深度关键帧识别神经网络模型参数;
步骤4、训练过程中,用滚动轴承振动数据的二维片段单独训练故障粗分类网络模型,利用对应的优化函数训练故障粗分类网络模型参数;测试过程中,将故障突发时间点所对应的滚动轴承振动数据的二维片段作为输入,输入到故障粗分类网络模型中,故障粗分类网络模型输出对突发故障的粗分类结果;至此深度关键帧识别神经网络模型和故障粗分类网络模型均已训练完毕,构成深度神经网络诊断模型;
步骤5、将测试样本集输入到已训练好的深度神经网络诊断模型中,通过实际的输出的预测值与粗分类标签值来定性、定量化判断该测试样本故障突发时间点及故障类型;状态预测曲线与实际状态曲线对比,分类标签与实际标签做对比,得到诊断效果与分类精度。
作为其中一个优选的实施例,所述步骤1具体如下:
步骤1.1、建立固定工况下的不平衡数据集,数据集以其工作轴承命名;采集多种健康状态下的滚动轴承振动数据,滚动轴承振动数据中正常状态数据远多于故障数据;
本实施例采用了四种不同类别的轴承数据:“正常”、“内圈故障”、“外圈故障”、“滚子故障”,并分别用N,IF,OF,BF来表示;通过电火花加工技术(EDM)分别在测试轴承的滚子、内圈和外圈设置单点故障,故障程度为0.3mm;
步骤1.2、以连续N个采样点为一个样本长度,切割采集到的滚动轴承振动数据制作一维样本数据集,一维样本数据集的尺寸为(N,1);
本实施例中,N取2048,切割后“正常”、“内圈故障”、“外圈故障”、“滚子故障”这4个样本的时域信号参见图4所示。
作为其中一个优选的实施例,所述步骤2具体如下:
步骤2.1、对步骤1.2所获得的一维样本数据集中的故障数据片段做短时傅里叶变换(STFT)处理,根据具体情况更改短时傅里叶变换(STFT)的窗长和步长参数,将时域信号转变为时频域信号,形成故障数据二维片段;
记某一时刻信号为d(a),窗长为ω,步长为τ,信号的短时傅里叶变换公式为:
Sd(ω,a)=∫(d(τ)m(τ-a)e-j2πat)dτ (1)
其中,m(τ-a)为分析窗函数;
步骤2.2、对短时傅里叶变换之后的故障数据二维片段按照正常数据在前故障数据在后,故障突发时机任意的实际规则进行拼接,即一旦故障发生,故障发生后的信号中不再包含正常信号;
首先,选取固定的拼接个数α,其中包含p个随机抽取的正常信号,(α-p)个随机抽取的单一故障信号,p∈[0,α],并在时间维度进行横向拼接,拼接后的单个新数据称为一个关键帧片段,将随机拼接的若干关键帧片段组成训练数据集,用于训练参数初始化的深度关键帧识别神经网络模型。
本实施例中,短时傅里叶变换后“正常”、“内圈故障”、“外圈故障”、“滚子故障”这4个样本的时频域信号参见图5所示。
作为其中一个优选的实施例,所述步骤3具体如下:
本实施例建立的深度学习模型是深度关键帧识别神经网络模型的故障诊断流程参见图3所示;
步骤3.1、将步骤2.2得到的拼接完成的关键帧片段的时频域信号作为一维卷积神经网络的输入,由一维卷积神经网络提取关键帧片段的低层次特征,一维卷积神经网络的输出为关键帧片段的低层次特征;
步骤3.2、将一维卷积神经网络的输出的关键帧片段的低层次特征作为深层门控循环单元(GRU)的输入,由深层门控循环单元(GRU)分析得到关键帧片段的高层次特征,输出故障状态;
检测深层门控循环单元(GRU)的输入Xt,则t时刻的隐层输出可以表示为:
ht=(1-zt)ht-I+zth′t (2)
其中,h’t为上一时刻隐层状态,表示为:
h′t=tanh(Wxt+rt⊙Uht-I) (3)
其中,W和U为一对权重参数,影响重置门与更新门,rt表示重置门,zt表示更新门,其定义如下公式所示:
rt=σ(W(r)xt+U(r)ht-I) (4)
zt=σ(W(z)xt+U(z)ht-I) (5)
最终输出Yt为深层门控循环单元(GRU)最后一层的隐层输出,即设备的状态标签,1为异常,0为正常;
步骤3.3、每个epoch中(1个epoch等于使用训练集中的全部样本训练一次),将训练输出与实际标签对比,得到深度关键帧识别神经网络模型的损失,并利用对应的优化函数降低损失,对深度关键帧识别神经网络模型参数进行优化。
作为其中一个优选的实施例,所述步骤4具体如下:
训练过程中,单独使用经过短时傅里叶变换(STFT)处理的滚动轴承振动数据的二维片段数据集训练双向长短期记忆网络,作为故障粗分类网络模型;双向长短期记忆网络的输入为故障突发时间点所对应的滚动轴承振动数据的二维片段,输出为故障类别标签;
双向长短期记忆网络总体框架与长短期记忆网络(LSTM)相同,由u时刻的输入Iu,细胞状态Cu,临时细胞状态隐层状态Su,遗忘门fu,记忆门mu,输出门ou组成;
长短期记忆网络(LSTM)的计算过程为:在u时刻,分别通过遗忘门fu,记忆门mu,输出门ou对前一时刻隐层状态Su-1和当前输入Iu进行过滤,丢弃无用信息,更新有用信息至临时细胞状态再将临时细胞状态/>与前一时刻细胞状态Cu-1整合,获得最终状态Cu及细胞输出Ou;
遗忘门fu的计算过程如下公式所示:
fu=σ(Wf·[Su-I,Iu]+bf) (6)
其中,W,b为网络参数;
输入记忆门mu的信息为前一时刻隐层状态Su和当前时刻输入Iu,输出记忆门的值mu以及临时细胞状态计算过程如下公式所示:
mu=σ(Wm·[Su-I,Iu]+bf) (7)
随后,更新当前时刻的细胞状态,计算过程如下公式所示:
最后,确定细胞的输出值Ou及当前隐层状态Su,计算过程如下公式所示:
Ou=σ(Wo·[Su-I,Iu]+bo) (10)
Su=Ou*tanh(Cu) (11)。
作为其中一个优选的实施例,所述步骤5具体如下:
步骤5.1、将测试样本集输入到已训练好的由深度关键帧识别神经网络模型和故障粗分类网络模型构成的深度神经网络诊断模型中,首先通过深度关键帧识别神经网络模型中的一维卷积神经网络进行测试样本关键帧片段的低层次特征提取,输出的测试样本关键帧片段的低层次特征提取作为后续深层门控循环单元(GRU)的输入;
步骤5.2、然后将一维卷积神经网络输出的测试样本关键帧片段的低层次特征输入深度关键帧识别神经网络模型中的深层门控循环单元(GRU),由深层门控循环单元(GRU)进一步学习特征,分析得到测试样本关键帧片段的高层次特征,并输出对测试样本关键帧片段状态的检测结果,设定二值准确率的阈值,对某一时刻轴承状态的预测值高于阈值则输出1,判断为轴承发生突发异常,低于阈值则输出0,判定轴承处于正常工作状态;
步骤5.3、检测过程中,当深度关键帧识别神经网络模型检测到输出标签持续为1的异常特征后,将这一特征片段对应的原始样本送入基于双向长短期记忆网络的故障粗分类网络模型,由故障粗分类网络模型输出对故障类别的粗分类结果,验证该深度神经网络诊断模型的优越性。参见图6-7所示,图6表示本实施例中对实验数据的故障触发诊断结果示意图,图7表示本实施例中对实验数据的故障粗分类诊断结果示意图。
本发明的计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述滚动轴承故障监测诊断方法对应的步骤。
本发明的计算机可读存储介质,所述计算机可读存储介质中存储有至少一个可执行的计算机程序,所述计算机程序被处理器执行时,实现上述滚动轴承故障监测诊断方法对应的步骤。
本发明的处理器,所述处理器用于运行计算机程序,所述计算机程序运行时,执行上述滚动轴承故障监测诊断方法对应的步骤。
综上所述,本发明基于卷积神经网络和循环神经网络算法设计了一套滚动轴承故障实时监测诊断方法、设备、存储介质及处理器,与传统的深度学习方法相比,本发明更合符工业应用的实际场景,可满足变工况下故障诊断的需求。
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 (9)
1.一种滚动轴承故障监测诊断方法,其特征在于,包括以下步骤:
步骤1、采集不同健康状态的滚动轴承振动数据,并对采集到的滚动轴承振动数据进行切割,形成一维样本;
步骤2、对切割形成的一维样本做短时傅里叶变换处理,形成二维片段,并按正常数据在前故障数据在后,故障突发时机任意的实际规律,将短时傅里叶变换处理后的二维片段拼接为固定长度的关键帧片段,在训练阶段将关键帧片段送入参数初始化的深度关键帧识别神经网络模型;
步骤3、训练过程中,先由深度关键帧识别神经网络模型中的一维卷积神经网络提取关键帧片段的低层次特征,再由深度关键帧识别神经网络模型中的深层门控循环单元在提取到的低层次特征的基础上进一步分析得到高层次特征,输出故障状态,最后预测故障突发时刻与真实标签对比获得损失,利用对应的优化函数降低损失,训练深度关键帧识别神经网络模型参数;
步骤4、训练过程中,用滚动轴承振动数据的二维片段单独训练故障粗分类网络模型,利用对应的优化函数训练故障粗分类网络模型参数;测试过程中,将故障突发时间点所对应的滚动轴承振动数据的二维片段作为输入,输入到故障粗分类网络模型中,故障粗分类网络模型输出对突发故障的粗分类结果;至此深度关键帧识别神经网络模型和故障粗分类网络模型均已训练完毕,构成深度神经网络诊断模型;
步骤5、将测试样本集输入到已训练好的深度神经网络诊断模型中,通过实际的输出的预测值与粗分类标签值来定性、定量化判断该测试样本故障突发时间点及故障类型;状态预测曲线与实际状态曲线对比,分类标签与实际标签做对比,得到诊断效果与分类精度。
2.根据权利要求1所述的滚动轴承故障监测诊断方法,其特征在于,所述步骤1包括:
步骤1.1、建立固定工况下的不平衡数据集,数据集以其工作轴承命名;采集多种健康状态下的滚动轴承振动数据,滚动轴承振动数据中正常状态数据远多于故障数据;
步骤1.2、以连续N个采样点为一个样本长度,切割采集到的滚动轴承振动数据制作一维样本数据集,一维样本数据集的尺寸为(N,1)。
3.根据权利要求2所述的滚动轴承故障监测诊断方法,其特征在于,所述步骤2包括:
步骤2.1、对步骤1.2所获得的一维样本数据集中的故障数据片段做短时傅里叶变换处理,更改短时傅里叶变换的窗长和步长参数,将时域信号转变为时频域信号,形成故障数据二维片段;
记某一时刻信号为d(a),窗长为ω,步长为τ,信号的短时傅里叶变换公式为:
Sd(ω,a)=∫(d(τ)m(τ-a)e-j2πaτ)dτ (1)
其中,m(τ-a)为分析窗函数;
步骤2.2、对短时傅里叶变换之后的故障数据二维片段按照正常数据在前故障数据在后,故障突发时机任意的实际规则进行拼接,即一旦故障发生,故障发生后的信号中不再包含正常信号;
首先,选取固定的拼接个数α,其中包含p个随机抽取的正常信号,(α-p)个随机抽取的单一故障信号,p∈[0,α],并在时间维度进行横向拼接,拼接后的单个新数据称为一个关键帧片段,将随机拼接的若干关键帧片段组成训练数据集,用于训练参数初始化的深度关键帧识别神经网络模型。
4.根据权利要求3所述的滚动轴承故障监测诊断方法,其特征在于,所述步骤3包括:
步骤3.1、将步骤2.2得到的拼接完成的关键帧片段的时频域信号作为一维卷积神经网络的输入,由一维卷积神经网络提取关键帧片段的低层次特征,一维卷积神经网络的输出为关键帧片段的低层次特征;
步骤3.2、将一维卷积神经网络的输出的关键帧片段的低层次特征作为深层门控循环单元的输入,由深层门控循环单元分析得到关键帧片段的高层次特征,输出故障状态;
检测深层门控循环单元的输入Xt,则t时刻的隐层输出可以表示为:
ht=(1-zt)ht-1+zth′t (2)
其中,h’t为上一时刻隐层状态,表示为:
h′t=tanh(Wxt+rt⊙Uht-1) (3)
其中,W和U为一对权重参数,影响重置门与更新门,rt表示重置门,zt表示更新门,其定义如下公式所示:
rt=σ(W(r)xt+U(r)ht-1) (4)
zt=σ(W(z)xt+U(z)ht-1) (5)
最终输出Yt为深层门控循环单元最后一层的隐层输出,即设备的状态标签,1为异常,0为正常;
步骤3.3、每个epoch中,将训练输出与实际标签对比,得到深度关键帧识别神经网络模型的损失,并利用对应的优化函数降低损失,对深度关键帧识别神经网络模型参数进行优化。
5.根据权利要求1所述的滚动轴承故障监测诊断方法,其特征在于,所述步骤4包括:
训练过程中,单独使用经过短时傅里叶变换处理的滚动轴承振动数据的二维片段数据集训练双向长短期记忆网络,作为故障粗分类网络模型;双向长短期记忆网络的输入为故障突发时间点所对应的滚动轴承振动数据的二维片段,输出为故障类别标签;
双向长短期记忆网络总体框架由u时刻的输入Iu,细胞状态Cu,临时细胞状态隐层状态Su,遗忘门fu,记忆门mu,输出门ou组成;
其计算过程为:在u时刻,分别通过遗忘门fu,记忆门mu,输出门ou对前一时刻隐层状态Su-1和当前输入Iu进行过滤,丢弃无用信息,更新有用信息至临时细胞状态再将临时细胞状态/>与前一时刻细胞状态Cu-1整合,获得最终状态Cu及细胞输出Ou;
遗忘门fu的计算过程如下公式所示:
fu=σ(Wf·[Su-1,Iu]+bf) (6)
其中,W,b为网络参数;
输入记忆门mu的信息为前一时刻隐层状态Su和当前时刻输入Iu,输出记忆门的值mu以及临时细胞状态计算过程如下公式所示:
mu=σ(Wm·[Su-1,Iu]+bf) (7)
随后,更新当前时刻的细胞状态,计算过程如下公式所示:
最后,确定细胞的输出值Ou及当前隐层状态Su,计算过程如下公式所示:
Ou=σ(Wo·[Su-1,Iu]+bo) (10)
Su=Ou*tanh(Cu) (11)。
6.根据权利要求5所述的滚动轴承故障监测诊断方法,其特征在于,所述步骤5包括:
步骤5.1、将测试样本集输入到已训练好的由深度关键帧识别神经网络模型和故障粗分类网络模型构成的深度神经网络诊断模型中,首先通过深度关键帧识别神经网络模型中的一维卷积神经网络进行测试样本关键帧片段的低层次特征提取,输出的测试样本关键帧片段的低层次特征提取作为后续深层门控循环单元的输入;
步骤5.2、然后将一维卷积神经网络输出的测试样本关键帧片段的低层次特征输入深度关键帧识别神经网络模型中的深层门控循环单元,由深层门控循环单元进一步学习特征,分析得到测试样本关键帧片段的高层次特征,并输出对测试样本关键帧片段状态的检测结果,设定二值准确率的阈值,对某一时刻轴承状态的预测值高于阈值则输出1,判断为轴承发生突发异常,低于阈值则输出0,判定轴承处于正常工作状态;
步骤5.3、检测过程中,当深度关键帧识别神经网络模型检测到输出标签持续为1的异常特征后,将这一特征片段对应的原始样本送入基于双向长短期记忆网络的故障粗分类网络模型,由故障粗分类网络模型输出对故障类别的粗分类结果,验证该深度神经网络诊断模型的优越性。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上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,实现权利要求1-6中任一项所述滚动轴承故障监测诊断方法对应的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个可执行的计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-6中任一项所述滚动轴承故障监测诊断方法对应的步骤。
9.一种处理器,所述处理器用于运行计算机程序,其特征在于,所述计算机程序运行时,执行权利要求1到6中任一项所述滚动轴承故障监测诊断方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111614.3A CN113933054B (zh) | 2021-09-23 | 2021-09-23 | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111614.3A CN113933054B (zh) | 2021-09-23 | 2021-09-23 | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113933054A CN113933054A (zh) | 2022-01-14 |
CN113933054B true CN113933054B (zh) | 2024-04-09 |
Family
ID=79276456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111111614.3A Active CN113933054B (zh) | 2021-09-23 | 2021-09-23 | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933054B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563186B (zh) * | 2022-01-21 | 2023-01-06 | 苏州大学 | 滚动轴承类不平衡故障诊断方法及系统 |
CN114742108B (zh) * | 2022-04-20 | 2022-12-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
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 |
KR20210067108A (ko) * | 2019-11-29 | 2021-06-08 | 한국생산기술연구원 | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 |
CN113240016A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨理工大学 | 一种基于深度学习的滚动轴承故障诊断方法 |
-
2021
- 2021-09-23 CN CN202111111614.3A patent/CN113933054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20210067108A (ko) * | 2019-11-29 | 2021-06-08 | 한국생산기술연구원 | 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN113240016A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨理工大学 | 一种基于深度学习的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法;李恒;张氢;秦仙蓉;孙远韬;;振动与冲击;20181015(第19期);132-139 * |
Also Published As
Publication number | Publication date |
---|---|
CN113933054A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
Sobie et al. | Simulation-driven machine learning: Bearing fault classification | |
CN113933054B (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
CN108646725B (zh) | 基于动态加权的双模型故障诊断方法 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN115982896B (zh) | 一种轴承保持架的寿命检测方法及装置 | |
CN111898686A (zh) | 基于门控循环单元网络的轴承故障识别方法 | |
Kumar et al. | Fault diagnosis of bearings through vibration signal using Bayes classifiers | |
Yoon et al. | Full ceramic bearing fault diagnosis using LAMSTAR neural network | |
Xu | Research on bearing fault diagnosis base on deep learning | |
Zheng et al. | Rotating machinery fault prediction method based on Bi-LSTM and attention mechanism | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
CN111368379B (zh) | 一种改进hwpso-wphm模型的滚动轴承可靠度评估方法和系统 | |
Li et al. | Deep learning based end-to-end rolling bearing fault diagnosis | |
Liu et al. | A sudden fault detection network based on Time-sensitive gated recurrent units for bearings | |
Mandava | A novel lightweight customized convolution neural network for bearing fault classification | |
Medina et al. | A LSTM neural network approach using vibration signals for classifying faults in a gearbox | |
Tai et al. | A Physics-based Model-data-driven Method for Spindle Health Diagnosis, Part III: Model Training and Fault Detection | |
McCormick et al. | Rotating machine condition classification using artificial neural networks | |
CN116106008B (zh) | 一种基于分类器差异软权自适应网络的故障诊断方法 |
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 |