CN114021275B - 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 - Google Patents
一种基于深度卷积模糊系统的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114021275B CN114021275B CN202111273866.6A CN202111273866A CN114021275B CN 114021275 B CN114021275 B CN 114021275B CN 202111273866 A CN202111273866 A CN 202111273866A CN 114021275 B CN114021275 B CN 114021275B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- fuzzy system
- layer
- rolling bearing
- convolution
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度卷积模糊系统的滚动轴承故障诊断方法,利用若干个低维模糊系统以及卷积窗口处理进行弱估计量的预测,将这些预测结果再次代入更深层的模糊系统进行预测,经过逐层计算最终得出计算的结果。采集滚动轴承的振动信号;计算振动信号的前五个多尺度模糊熵作为信号;将故障特征向量分为训练集和测试集;利用训练集对深度卷积模糊系统进行训练并用训练好的模型对测试集进行预测;根据预测结果识别滚动轴承的工作状态与故障类型。本发明在识别轴承故障状态上具有更高的准确率和速度的优点。
Description
技术领域
本发明涉及一种滚动轴承故障诊断技术,特指一种基于深度卷积模糊系统的滚动轴承故障诊断方法。
技术背景
随着现代工业的发展,机械设备越来越复杂,然而,机械设备由于复杂的运行条件以及长时间的运作,不免出现各种问题,这些问题若不被发现可能会造成机械设备停运,严重时甚至会导致人员重大伤亡,其中,滚动轴承是旋转机械中关键的部件之一,其运行状态往往决定着整台机器的性能。因此,滚动轴承的故障诊断有重要的意义。
目前,算法对故障信号的分类已经代替了传统的经验诊断方法,其中主要的故障诊断方法有神经网络、支持向量机、聚类分析等等,通过对故障信号的特征提取,对不同的故障信号加以分类。近年来随着卷积神经网络等深度学习算法在故障诊断领域的应用,对机械故障识别的准确率也得到了很大的提高。
然而,随着大数据的到来,很多轴承信号无法及时处理,主要原因是目前深度神经网络的训练算法在应用于大数据时,计算量很大,就卷积神经网络而言,其可能需要很长时间才能收敛。算法的时间耗费过长是一个需要解决的问题,因此目前在寻找高准确率算法的同时,计算速度也成为了一个很大的衡量标准。针对滚动轴承故障诊断算法数据大,处理速度慢的问题,本发明提出一种基于深度卷积模糊系统的滚动轴承故障诊断方法,具有保证准确率高且速度快,识别故障效率高的优点。
发明内容
本发明是针对传统神经网络计算量大,运行时间长等问题,提出了一种基于深度卷积模糊系统的滚动轴承故障诊断方法,利用若干个低维模糊系统以及卷积窗口处理进行弱估计量的预测,将这些预测结果再次代入更深层的模糊系统进行预测,经过逐层计算最终得出计算的结果。
一种基于深度卷积模糊系统的滚动轴承故障诊断方法,具体包括如下步骤:
(1)、测量滚动轴承的振动信号;
(2)、计算轴承振动信号的多尺度模糊熵,选取前五个尺度上的模糊熵作为轴承故障特征向量;
(3)、将得到的轴承故障特征分为训练样本和测试样本;
(4)、确定深度卷积模糊系统算法的移动窗口大小;
(5)、创建模糊集合,计算训练样本中输入量和输出量关于模糊集合的最大隶属度,通过隶属度构造用于测试样本预测的参数;
(6)、利用计算得到的参数和隶属度,使用模糊系统得出弱估计量;
(7)、将上一层计算的弱估计量作为输入量代入下一层模糊系统中,逐层计算直至顶层输出测试样本;
(8)、根据预测结果识别滚动轴承的工作状态与故障类型。
本发明的有益效果在于:
(1)、对滚动轴承的故障诊断有很高的准确率且可解释性较强;
(2)、相较于传统的故障诊断方法,本发明的耗时较短,识别效率得到了提高;
附图说明
图1深度卷积模糊系统算法的结构图;
图2本发明中模糊集合的运算方式;
图3本发明中使用各类故障信号的波形图;
图4本发明基于深度卷积模糊系统的滚动轴承故障诊断流程图;
图5本发明基于多尺度模糊熵和深度卷积模糊系统的识别结果图;
图6本发明所提方法与其他方法的识别结果对比。
具体实施方式
本发明为了克服传统故障诊断算法计算量大,耗时久的问题,其主要建模思想是将每个低维模糊系统看作输出变量的弱估计量;采用逐层方式和卷积窗口处理高维输入空间,大大加快了计算的速度。具体采用以下技术方案:
1.深度卷积模糊系统算法
深度卷积模糊系统算法的结构如图1所示,采用逐层方式和卷积窗口处理高维输入空间,将系统分为L级,假设将信号的特征作为深度卷积模糊系统的输入向量,并且输出故障类型y。每一级都由nl(l=0,1,2,...,L-1)个模糊系统/>(i=1,2,...,nl, l=0,1,2,...,L-1)组成。现取部分输入向量作为起始,代入模糊系统中计算出弱估计量/>随后类似卷积神经网络的卷积核,通过长度为m的移动窗口进行位移,计算后续的弱估计量,得到第一层的结果/>并将其看作下一层输入变量的弱估计量,经过L-1级计算后,顶层L只有一个模糊系统/>它结合了第L-1层的输出得到最终一维向量作为结果。窗口大小通常为小数值,如3、4或5。具体计算的定义如下:
(1)确定移动窗口大小,移动窗口可以采用多种移动方案。它可以从开始一次移动n个变量直至/>已覆盖。例如一次移动一个变量,得到如下结果:
…
其中(n=1,2,...,nl-m+1)表示输入模糊系统向量的合集。
(2)由上式可得在l+1层中共有nl-m+1个量作为输入的向量,即
nl+1=nl-(m-1)
记起始输入向量总数为n0,则
nl=n0-(l+1)(m-1) (2)
(3)现假设有N组训练集,其中表示第k个训练集, k=1,2,…,N,/>为输入的特征向量,y(k)为输出向量,即预测的故障种类,模糊系统/>(i=1,2,…,nl,l=0,1,2,...,L-1)的构造如下。对于每个输入变量至模糊系统/>定义模糊集合A1,A2,…,Aq为中心等距分布,q为模糊集合的元素个数,对于数组(j1,...,jm),令j1,...,jm=1,2,...,q,端点Min(xj)和Max(xj)代表训练数据中第j个特征向量的最大和最小值。结构如图2 所示,将每个训练集中全部特征量依次都找出模糊集合A1,A2,…,Aq中隶属的最大值,即
…
(4)随机给定输入量的隶属度参数为初始值,而输出量的隶属度参数/>等于零。由式(3)的结果找出最大的隶属度,即式(4)所示
(5)对于每个训练集都重复3和4,得到最终和/>并计算
(6)将式(4)结果代入式(5)作为模糊系统输入输出关系
(7)由于得
(8)将(7)代入(6)中分母得到
本文深度卷积模糊系统的公式为(8)所示
2.信号特征提取及参数选择
针对信号的特征提取,传统时域特征提取方法很难准确地提取轴承的故障特征信息,因此采用多尺度模糊熵的计算方法。多尺度模糊熵是基于模糊熵而定义的。模糊熵是对时间序列复杂性和无规则程度的度量,多尺度模糊熵则在模糊熵的基础上引入了尺度因子的概念,使得其可以在不同尺度的时间序列中都可以进行复杂性和无规则程度的度量,也因此可以包含更多的信息,通过多尺度模糊熵的特征提取,可以增加神经网络等算法故障分类的准确率。
本文将使用信号前5个多尺度模糊熵为特征,作为5个输入向量,由于模糊熵值的计算取决于嵌入维数m、相似容限r、序列长度N以及模糊函数的梯度n。综合考虑数据的长度,噪声的敏感性等因素,取m=2,r=0.2SD,N=2048。在应用本发明进行实验时,将5个特征参数分为3组,移动窗口设置为1,每个模糊系统输入三个特征计算弱估计量,经过两层的计算得出最后的结果,为了保证计算的快速和精确性,下文实验中的模糊集合数量取 20。
3.实例验证
为了进一步说明深度卷积模糊系统对滚动轴承故障诊断的有效性,对实际的轴承故障分类进行了分析。采用模糊熵的特征提取方法,并使用深度卷积模糊系统训练提取的特征,为了证明算法的有效性,另使用BP神经网络,卷积神经网络以及自编码器这些具有广泛应用的算法,通过改变训练集和测试集的数量进行对比,最后,分别计算故障分类的准确率以及算法所使用的时间。
3.1试验数据
本文采用的试验数据来自于美国凯斯西储大学的轴承数据中心,测试轴承型号为SKF 6205-2RS JEM深沟球轴承,利用电火花加工技术布置故障尺寸不同的单点故障。轴承转速为1797r/min,采样频率为12kHz,包含正常状态、内圈故障、外圈故障和滚动体故障以及不同故障尺寸共10种故障类型,每个数据长度为2048点,具体如表1所示试验数据集。各类故障信号的波形图如图3所示。
表1
3.2试验结果与分析
利用多尺度模糊熵分析上述十种不同滚动轴承状态下振动数据,将计算出的多尺度模糊熵作为输入向量输入深度卷积模糊系统中,故障类别作为输出量进行预测,利用深度卷积模糊系统的滚动轴承故障诊断步骤如图4所示。具体包括如下步骤:
(1)、测量滚动轴承的振动信号;
(2)、计算轴承振动信号的多尺度模糊熵,选取前五个尺度上的模糊熵作为轴承故障特征向量;
(3)、将得到的轴承故障特征分为训练样本和测试样本;
(4)、确定深度卷积模糊系统算法的移动窗口大小;
(5)、创建模糊集合,计算训练样本中输入量和输出量关于模糊集合的最大隶属度,通过隶属度构造用于测试样本预测的参数;
(6)、利用计算得到的参数和隶属度,使用模糊系统得出弱估计量;
(7)、将上一层计算的弱估计量作为输入量代入下一层模糊系统中,逐层计算直至顶层输出测试样本;
(8)、根据预测结果识别滚动轴承的工作状态与故障类型。
十种轴承状态每种状态选取50组数据,为了研究算法在不同训练样本数量情况下的效果,对训练集分别取5、10、15、20个样本进行训练,其余用于测试集,共500组样本,把不同数量的训练样本输入深度卷积模糊系统,用训练好的模型预测测试数据,不同数量的训练集实验十次,最后取平均值得到测试的结果。不同数量的训练集得到的识别结果如图5所示,在训练集数量取5、10、15、20时,深度卷积模糊系统对测试集预测的准确率分别为98.27%、99.43%、99.69%、99.47%。为了突出该算法的优越性,利用同样的数据分别建立BP神经网络,卷积神经网络以及自编码器预测模型,并进行分类识别。识别结果见图6,具体数值见表2,所有算法的准确率均没有高于深度卷积模糊系统的准确率,其中最高的为卷积神经网络,准确率分别为89.77%、86.63%、91.85%、99.17%。同时为了证明深度卷积模糊系统算法的高效性,将这些算法耗费的时间进行了统计,结果如表3所示,单位为秒(s),深度卷积模糊系统耗费的时间为0.1475s,0.1368s,0.1303s,0.1295s,在各个样本数量中都是最快的,可以看出,卷积神经网络的耗费时间远远高于深度卷积模糊系统,其主要原因是卷积神经网络随着训练集的增加,运算量上升很大,相比之下,在5、10时,BP神经网络的速度虽然与深度卷积模糊系统接近,但是BP神经网络的准确率却远远低于深度卷积模糊系统。综上,一系列对比结果说明了深度卷积模糊系统相比传统的深度网络拥有更高的准确率和速度,能更快更准确地识别不同的轴承故障状态。
表2
表3
Claims (1)
1.一种基于深度卷积模糊系统的滚动轴承故障诊断方法,其特征在于训练速度快,准确率高,具体包括如下步骤:
(1)、测量滚动轴承的振动信号;
(2)、计算轴承振动信号的多尺度模糊熵,选取前五个尺度上的模糊熵作为轴承故障特征向量;
(3)、将得到的轴承故障特征分为训练样本和测试样本;
(4)、确定深度卷积模糊系统算法的移动窗口大小:深度卷积模糊系统算法的结构,采用逐层方式和卷积窗口处理高维输入空间,将系统分为L级,假设将信号的特征 作为深度卷积模糊系统的输入向量,并且输出故障类型y;每一级都由nl(l=0,1,2,...,L-1)个模糊系统/>组成;现取部分输入向量作为起始,代入模糊系统中计算出弱估计量/>随后类似卷积神经网络的卷积核,通过长度为m的移动窗口进行位移,计算后续的弱估计量,得到第一层的结果/>并将其看作下一层输入变量的弱估计量,经过L-1级计算后,顶层L只有一个模糊系统/>它结合了第L-1层的输出/>得到最终一维向量作为结果;
(5)、创建模糊集合,计算训练样本中输入量和输出量关于模糊集合的最大隶属度,通过隶属度构造用于测试样本预测的参数;
(6)、利用计算得到的参数和隶属度,使用模糊系统得出弱估计量;
(7)、将上一层计算的弱估计量作为输入量代入下一层模糊系统中,逐层计算直至顶层输出测试样本;
(8)、根据预测结果识别滚动轴承的工作状态与故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273866.6A CN114021275B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273866.6A CN114021275B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021275A CN114021275A (zh) | 2022-02-08 |
CN114021275B true CN114021275B (zh) | 2023-08-08 |
Family
ID=80059069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111273866.6A Active CN114021275B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021275B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114941890B (zh) * | 2022-05-24 | 2024-04-30 | 日照安泰科技发展有限公司 | 一种基于图像和深度模糊的中央空调故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107228766A (zh) * | 2017-05-22 | 2017-10-03 | 上海理工大学 | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
-
2021
- 2021-10-29 CN CN202111273866.6A patent/CN114021275B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107228766A (zh) * | 2017-05-22 | 2017-10-03 | 上海理工大学 | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
朱丹宸 ; 张永祥 ; 潘洋洋 ; 朱群伟 ; .基于多传感器信号和卷积神经网络的滚动轴承故障诊断.振动与冲击.2020,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114021275A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109978134B (zh) | 一种基于快速集成卷积神经网络的故障预测方法 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
Tang et al. | A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA | |
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 | |
CN112834221A (zh) | 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
CN111476323A (zh) | 一种轴承故障分类方法及系统 | |
CN112179653A (zh) | 滚动轴承振动信号盲源分离方法、装置及计算机设备 | |
CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN114061957A (zh) | 一种柴油机主轴承的健康评估方法 | |
CN114861880A (zh) | 基于空洞卷积神经网络的工业设备故障预测方法及装置 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114925809B (zh) | 基于lstm的印刷机轴承故障诊断方法及装置 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 |
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 |