CN114112398A - 一种变速工况下滚动轴承故障诊断方法 - Google Patents
一种变速工况下滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114112398A CN114112398A CN202111410111.6A CN202111410111A CN114112398A CN 114112398 A CN114112398 A CN 114112398A CN 202111410111 A CN202111410111 A CN 202111410111A CN 114112398 A CN114112398 A CN 114112398A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional
- training
- 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.)
- Pending
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
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种变速工况下滚动轴承故障诊断方法,通过对正交方向振动信号的阶谱分析构建不受转速影响的阶谱特征,利用多层卷积神经网络提取阶谱特征中有效故障特征,最后通过全连接神经网络层决策故障类型,包括:利用双通道加速度传感器测取滚动轴承在不同转速工况时水平方向的振动信号和垂直方向的振动信号;对测取的双通道振动信号进行预处理,区分不同的故障类型,设置一定的重叠长度,将每种故障类型的双通道振动信号重叠截断成长度相同的若干段;构建阶谱特征矩阵;搭建一维卷积神经网络;对搭建的一维卷积神经网络进行训练;对训练过的一维卷积神经网络进行测试,计算出类别诊断正确率和总诊断正确率。本发明在变速工况故障诊断方面具有显著的优势。
Description
技术领域
本发明涉及信号分析与故障诊断技术,尤其是涉及一种基于卷积神经网络的滚动轴承智能诊断方法。
背景技术
作为旋转机械设备的关键部件,滚动轴承起着支撑和传动的重要作用。由于工况的复杂性,滚动轴承也是经常发生故障的部件,因此,对其进行及时故障诊断对保障机械设备的安全运行有着重要意义。近年来,基于数据驱动的智能诊断技术在滚动轴承诊断领域得到了迅速应用,取得了许多成功的诊断案例。然而,实际工程应用中,这些智能诊断技术仍然面临一些挑战,如:当旋转设备工作在变速工况时,如何高效利用多传感器数据、如何提取准确表达故障的特征、如何构建合适的诊断决策网络等方面需要进一步完善。
申请公布号CN112254964A的发明专利申请公开了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,采集滚动轴承驱动端的一维振动信号;将步骤一中采集到的每一个监测振动信号进行标准化处理;搭建快速多尺度卷积神经网络模型;对快速多尺度卷积神经网络模型进行训练;采集当前滚动轴承的加速度振动信号并处理得到样本的测试集;将步骤五中的样本测试集输入至步骤四中训练好的快速多尺度卷积神经网络模型,从而输出滚动轴承的故障诊断结果。授权公告号CN110595775B的发明专利公开了一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法,首先采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号,并根据各个加速度振动信号所对应的故障状态设置故障状态标签,对每个加速度振动信号进行标准化处理,作为训练样本对多分支多尺度卷积神经网络模型进行训练,多分支多尺度卷积神经网络模型包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层,然后采集滚动轴承当前的加速度振动信号,送入多分支多尺度卷积神经网络模型进行故障诊断。
卷积神经网络模型用于滚动轴承故障检测,可以有效提高滚动轴承的故障诊断性能。但当旋转设备工作在变速工况时,如何提取准确表达故障的特征、如何构建合适的诊断决策网络,对准确进行滚动轴承故障判断有较大的提升空间。
发明内容
本发明针对现有技术滚动轴承诊断方法的不足,提出一种变速工况下滚动轴承故障诊断方法。在不借助于待诊断轴承的参数情况下,通过卷积神经网络的卷积层和池化层交替运算,有效提取阶谱特征矩阵中故障特征信息,有效避免了转速变化对轴承故障诊断的影响。
本发明采用的技术方案:
一种变速工况下滚动轴承故障诊断方法,通过对正交方向振动信号的阶谱分析构建不受转速影响的阶谱特征,利用多层卷积神经网络提取阶谱特征中的有效故障特征,最后通过全连接神经网络层决策故障类型,步骤如下:
S1,利用双通道加速度传感器测取不同故障类型下的滚动轴承在不同转速工况时,水平方向的振动信号和垂直方向的振动信号;
S2,对测取的不同故障类型下的双通道振动信号进行预处理,区分不同的故障类型,具体做法为:设置一定的重叠长度,将每种故障类型的双通道振动信号重叠截断成若干段,使每段长度相同;
S3,构建阶谱特征矩阵;
S4,搭建一维卷积神经网络;
S5,对步骤S4搭建的一维卷积神经网络进行训练;
S6,对步骤S5训练过的一维卷积神经网络进行测试,计算出类别诊断正确率和总诊断正确率。其中步骤3-6具体过程及步骤为:
步骤3:构建阶谱特征矩阵:
步骤3.1:利用(1)式构成复信号
zi=xi+jyi (1)
其中:i为经步骤2得到的各段振动信号的序号,zi为构成的复信号,xi和yi分别为经步骤2得到的每段水平方向的振动信号和垂直方向的振动信号,j为虚单位,满足j2=-1;
步骤3.2:利用(2)式求取阶谱
其中:k为阶谱的阶次,O(k)为阶次k的谱值,l和L分别为复信号zi中数据点序号和复信号zi中总数据点数,zil为复信号zi中第l个数据值,w为角频率,fr和Fs分别为滚动轴承的转动频率和振动信号的采样频率;
步骤3.3:利用(3)式计算各阶次的正进半径和反进半径
其中:Rp(k)和Rr(k)分别为阶次k的正进半径和反进半径,|O(k)|和|O(L-k)|分别表示取O(k)和O(L-k)的复数模;
步骤3.4:利用(4)式计算各阶次的斜率
其中:tg(k)为阶次k的斜率,OR(k)和OI(k)分别表示取O(k)的实部和虚部,OR(L-k)和OI(L-k)分别表示取O(L-k)的实部和虚部;
步骤3.5:将Rp(k)、Rr(k)和tg(k)合并为向量(Rp(k)Rr(k)tg(k));
步骤3.6:从k=1开始,重复步骤3.2-3.5,直到k=K结束,其中K为阶次的最大值,
在应用中设定K的具体值。将所有k=1,…,K得到的向量合并,得到的矩阵
步骤3.7:对得到的矩阵的每列按(5)式进行规范化处理,
规范化处理后得到的矩阵,即为此样本(复信号zi)的阶谱特征矩阵,在后面的步骤中会将此阶谱特征矩阵输入到卷积神经网络中。
重复步骤3,直到处理完所有采集的振动信号停止,得到一系列各种故障类型的阶谱特征矩阵样本。
步骤4:搭建一维卷积神经网络,该网络特征有:
4.1:第1层为输入层,包含3个K×1的列向量节点,分别接收来自步骤3的阶谱特征矩阵的第1列、第2列和第3列;
4.2:第2层至第9层为4个卷积层和4个池化层,卷积层和池化层交替出现;
4个卷积层的卷积运算按(6)式进行,
式(6)中:q和m分别为卷积层序号和神经元序号,和分别为第q个卷积层的第m个神经元的输出和第q个卷积层的第m个神经元的偏值,c和C分别为第q-1个卷积层的通道序号和通道总数,为第q-1个卷积层的第c个通道的输出,为第q-1个卷积层的第c个通道与第q个卷积层的第m个神经元之间的连接权重,f(·)表示激活函数,取ReLU函数;
ReLU(Rectified Linear Unit,修正线性单元),又称线性整流函数,是人工神经网络中常用的一种激活函数,通常指代以斜坡函数及其变种为代表的非线性函数,其表达式为
4个池化层的池化运算按(8)式进行
(8)式中:q和j分别为卷积层的序号和池化块的序号,r、s和i分别为池化块的数据宽度、跨步步长和池化块中数据的序号,c'q,j为第q个卷积层中第j个池化块的输出,cq,(j-1)×s+i表示在第q个卷积层中第j个池化块内池化操作前的第i个数据值,表示取第q个卷积层中第j个池化块内的最大数据值。
4.3:第10层和第11层分别为平展层和随机失活层。平展层的具体操作描述为:将第9层(即最后一个池化层)输出的各通道数据首尾相接,组成一个列向量;随机失活层的具体操作描述为:设定失活概率为50%,将第10层输出列向量中的数据元素,随机选取50%元素得以保留,另外的50%元素删除。
4.4:第12层和第13层均为全连接层,其包含的神经元数量分别为144和5。全连接层的运算按(9)式进行
(9)式中:m为全连接层中神经元的序号,ym和bm分别为全连接层中第m个神经元的输出和偏值,i和I分别为全连接层输入数据的序号和输入数据的总数,xi为全连接层中第i个输入数据,wm,i为全连接层中第i个输入数据与第m个神经元的连接权重,f(·)为激活函数。
第12层的激活函数f(·)取ReLU(即(7)式),第13层的激活函数f(·)取Softmax,如(10)式
(10)式中,ti为激活函数f(·)的输入,i和M分别为神经元的序号和总数,f(ti)激活函数f(·)的输出,e为自然常数(e=2.718281828…)。
步骤5:对步骤4搭建的一维卷积神经网络进行训练,训练步骤如下:
步骤5.1:按(11)式设定训练目标函数
式(11)中:i和N分别为训练样本的序号和总数,τi和ti分别为第i个训练样本的目标类别向量和经步骤4搭建的卷积神经网络输出的类别向量,c和C分别为训练样本的类别序号和训练样本的类别总数,tc为经步骤4搭建的卷积神经网络输出的归属为第c类的类别向量,Θ表示目标函数值。
步骤5.2:在经步骤3处理后得到的一系列阶谱特征矩阵样本中,从每种故障类型中均随机选取一定数目,作为训练样本。
步骤5.3:选用自适应矩估计算法(Adam)对步骤4搭建的一维卷积神经网络进行训练。训练前设定的参数有:批处理数、初始学习率、最大迭代数、训练停止的目标函数值变化率。以步骤5.2选取的训练样本作为输入,对步骤4搭建的一维卷积神经网络进行训练,每次迭代过程中更新4个卷积层的各卷积核系数和偏值、2个全连接层的各神经元之际的连接权重和偏置,直到目标函数值的变化率<训练停止的目标函数值变化率,整个训练结束。
步骤6:对步骤5训练过的一维卷积神经网络进行测试,测试的实施步骤为:
步骤6.1在经步骤5.2所选剩余的各种故障类型的阶谱特征矩阵样本中,随机选取一定数目,作为测试样本。
步骤6.2每个测试样本依次输入到经步骤5训练的一维卷积神经网络中,得到的输出即为每个测试样本的诊断结果。输出的类别向量与该测试样本的目标类别向量一致时,该类别的测试诊断正确数加1,否则,该类别的测试诊断正确数不变。测试完所有的测试样本,分别按(12)式和(13)式计算出类别诊断正确率和总诊断正确率,
其中:c和C分别为测试样本的类别序号和测试样本的类别总数,nc和Nc分别为第c类别的测试样本诊断正确数和第c类别的测试样本总数,ηc和η分别为第c类别的诊断正确率和总诊断正确率。
发明有益效果:
1、本发明变速工况下滚动轴承故障诊断方法,对测取的双通道振动信号进行预处理,区分不同的故障类型,通过设置一定的重叠长度,将每种故障类型的双通道振动信号重叠截断成若干段,使每段长度相同;通过阶谱分析构成的阶谱特征矩阵作为卷积神经网络的输入对滚动轴承故障进行诊断,有效避免了转速变化的影响。
2、本发明变速工况下滚动轴承故障诊断方法,在不借助于待诊断轴承的参数情况下,滚动轴承工作在变速工况时,通过卷积神经网络的卷积层和池化层交替运算,有效提取了阶谱特征矩阵中故障特征信息,并可以可视化的观察到提取的主要特征的聚类分布情况,为变速工况下滚动轴承的智能诊断提供了一种有效的技术手段。
3、本发明变速工况下滚动轴承故障诊断方法,利用双通道加速度传感器测取滚动轴承在不同转速工况时水平方向的振动信号和垂直方向的振动信号;有效利用滚动轴承正交方向的振动数据,通过搭建的基于深度学习的卷积神经网络实施高正确率的智能诊断;在变速工况故障诊断方面具有显著的优势。
附图说明
图1所示是本发明变速工况下滚动轴承故障诊断方法的整体流程图;
图2所示是搭建的卷积神经网络结构图;
图3所示是各类别测试样本的诊断混合矩阵情况。
图4是可视化的经第12层的全连接层输出的前2个主成分的分布情况。
具体实施方式
为了使发明创造实现其发明目的的技术构思及优点更加清楚明白,下面结合附图对本发明的技术方案作进一步的详细描述。应当理解的是,以下各实施例仅用以解释和说明本发明的优选实施方式,不应当构成对本发明要求专利保护的范围的限定。
实施例1
参见图1,本发明变速工况下滚动轴承故障诊断方法,通过对正交方向振动信号的阶谱分析构建不受转速影响的阶谱特征,利用多层卷积神经网络提取阶谱特征中有效故障特征,最后通过全连接神经网络层决策故障类型,步骤如下:
S1,利用双通道加速度传感器测取滚动轴承在不同转速工况时,水平方向的振动信号和垂直方向的振动信号;
S2,对测取的双通道振动信号进行预处理,区分不同的故障类型,设置一定的重叠长度,将每种故障类型的双通道振动信号重叠截断成若干段,使每段长度相同;
S3,构建阶谱特征矩阵;
S4,搭建一维卷积神经网络;
S5,对步骤S4搭建的一维卷积神经网络进行训练;
S6,对步骤S5训练过的一维卷积神经网络进行测试,计算出类别诊断正确率和总诊断正确率。
本发明基于卷积神经网络的滚动轴承智能诊断方法,有效利用滚动轴承正交方向的振动数据,通过对正交方向振动信号的阶谱分析构建不受转速影响的阶谱特征,利用多层卷积神经网络提取阶谱特征中有效故障特征,最后通过全连接神经网络层决策故障类型,为滚动轴承在变速工况下智能诊断提供了一种有效的技术方案。
实施例2
参见图1-图4,本实施例选用型号为N205EM滚动轴承做试验对象,对本发明实现方案进一步做具体描述。
试验的故障类别包括五种:无故障、内环磨损、外环磨损、外环断裂和保持架断裂。每种故障类别的滚动轴承安装在型号为QPZZ-Ⅱ旋转机械振动故障试验平台上,分别工作在两种转速工况下:2100r/min和2400r/min。
步骤1:利用安装在该型号轴承滚珠跑道外环外壁的压电型双通道加速度传感器,分别测取这五种故障类型下的滚动轴承在两种转速工况时,水平方向的振动信号和垂直方向的振动信号,其采样频率为12KHz,每种转速下采集时长为1min。
步骤2:对每种故障类型的双通道振动信号进行预处理,具体做法为:
设置重叠长度为300个数据点,将每种故障类型的双通道振动信号重叠截断成若干段,使每段长度相同均为2048个数据点。
步骤3:构建阶谱特征矩阵,具体步骤为:
步骤3.1:利用(1)式构成复信号
zi=xi+jyi (1)
其中:i为经步骤2得到的各段振动信号的序号,zi为构成的复信号,xi和yi分别为经步骤2得到的每段水平方向的振动信号和垂直方向的振动信号,j为虚单位,满足j2=-1;
步骤3.2:利用(2)式求取阶谱
其中:k为阶谱的阶次,O(k)为阶次k的谱值,l和L(本实施例中,L=2048)分别为复信号zi中数据点序号和复信号zi中总数据点数,zil为复信号zi中第l个数据值,w为角频率,fr为滚动轴承的转频(本实施例中转速=2100r/min时,转频取35Hz;转速=2400r/min时,转频取40Hz),Fs为振动信号的采样频率(本实施例中采样频率为12KHz);
步骤3.3:利用(3)式计算各阶次的正进半径和反进半径
其中:Rp(k)和Rr(k)分别为阶次k的正进半径和反进半径,|O(k)|和|O(L-k)|分别表示取O(k)和O(L-k)的复数模;
步骤3.4:利用(4)式计算各阶次的斜率
其中:tg(k)为阶次k的斜率,OR(k)和OI(k)分别表示取O(k)的实部和虚部,OR(L-k)和OI(L-k)分别表示取O(L-k)的实部和虚部;
步骤3.5:将Rp(k)、Rr(k)和tg(k)合并为向量(Rp(k)Rr(k)tg(k));
步骤3.7:对前述得到的矩阵每列按(5)式进行规范化处理,
规范化处理后得到的矩阵,即为此样本(复信号zi)的阶谱特征矩阵,在后面的步骤中会将此阶谱特征矩阵输入到卷积神经网络中。
重复步骤3,直到处理完所有采集的振动信号停止,得到一系列各种故障类型的阶谱特征矩阵样本。
步骤4:搭建一维卷积神经网络,该网络特征有:
4.1:第1层为输入层,包含3个2000×1的列向量节点,分别接收来自步骤3的谱阶特征矩阵的第1列、第2列和第3列;
4.2:第2层至第9层为4个卷积层和4个池化层,卷积层和池化层交替出现。其中:第1个卷积层的核函数宽度和通道数分别设定为24和32;第2个卷积层的核函数宽度和通道数分别设定为18和64;第3个卷积层的核函数宽度和通道数分别设定为15和64;第4个卷积层的核函数宽度和通道数分别设定为12和128;4个卷积层和4个池化层的跨步步长均设定为2。
4个卷积层的卷积运算按(6)式进行,
式(6)中:q和m分别为卷积层序号和神经元序号,和分别为第q个卷积层的第m个神经元的输出和第q个卷积层的第m个神经元的偏值,c和C分别为第q-1个卷积层的通道序号和通道总数,为第q-1个卷积层的第c个通道的输出,为第q-1个卷积层的第c个通道与第q个卷积层的第m个神经元之间的连接权重,f(·)表示激活函数,取ReLU函数;所述ReLU函数表达式为:
4个池化层的池化运算按(8)式进行
(8)式中:q和j分别为卷积层的序号和池化块的序号,r、s和i分别为池化块的数据宽度、跨步步长和池化块中数据的序号,c'q,j为第q个卷积层中第j个池化块的输出,cq,(j-1)×s+i表示在第q个卷积层中第j个池化块内池化操作前的第i个数据值,表示取第q个卷积层中第j个池化块内的最大数据值。
4.3:第10层和第11层分别为平展层和随机失活层。平展层的具体操作为:将第9层(即最后一个池化层)输出的各通道数据首尾相接,组成一个列向量;随机失活层的具体操作为:设定失活概率为50%,将第10层输出列向量中的数据元素,随机选取50%元素得以保留,另外的50%元素删除。
4.4:第12层和第13层均为全连接层,其包含的神经元数量分别为144和5。全连接层的运算按(9)式进行
(9)式中:m为全连接层中神经元的序号,ym和bm分别为全连接层中第m个神经元的输出和偏值,i和I分别为全连接层输入数据的序号和输入数据的总数,xi为全连接层中第i个输入数据,wm,i为全连接层中第i个输入数据与第m个神经元的连接权重,f(·)为激活函数。
第12层的激活函数f(·)取ReLU,第13层的激活函数f(·)取Softmax,如(10)式
(10)式中,ti为激活函数f(·)的输入,i和M分别为神经元的序号和总数,f(ti)激活函数f(·)的输出,e为自然常数(e=2.718281828…)。
通过上述步骤,搭建结构如图2所示的卷积神经网络,卷积神经网络结构参数见表1。
表1:搭建的卷积神经网络结构参数
步骤5:对步骤4搭建的一维卷积神经网络进行训练,训练步骤如下:
步骤5.1:按(11)式设定训练目标函数
式(11)中:i和N分别为训练样本的序号和总数,τi和ti分别为第i个训练样本的目标类别向量和经步骤4搭建的卷积神经网络输出的类别向量,c和C分别为训练样本的类别序号和训练样本的类别总数(本实施例中,类别总数C=5),tc为经步骤4搭建的卷积神经网络输出的归属为第c类的类别向量,Θ表示目标函数值。
步骤5.2:在经步骤3处理后得到的一系列阶谱特征矩阵样本中,从每种故障类型中均随机选取一定数目(本实施例中,每种故障类型的两种转速下各随机选取1330个,所以每种故障类型的训练样本数为2660个),作为训练样本。
为了训练样本的广泛适用性,选取的样本数量数目不小于1000个。
步骤5.3:选用自适应矩估计算法Adam(Adaptive Moment Estimation,是一种常用于卷积神经网络训练的基于一阶梯度的随机目标函数优化算法)对步骤4搭建的一维卷积神经网络进行训练。训练前设定的参数有:批处理数、初始学习率、最大迭代数、训练停止的目标函数值变化率。本实施例中,批处理数为256、初始学习率为0.001、最大迭代数为50、训练停止的目标函数值变化率为1%。
以步骤5.2选取的训练样本作为输入,对步骤4搭建的一维卷积神经网络进行训练,每次迭代过程中更新4个卷积层的各卷积核系数和偏值、2个全连接层的各神经元之际的连接权重和偏置,直到目标函数值的变化率<训练停止的目标函数值变化率,整个训练结束。
步骤6:对步骤5训练过的一维卷积神经网络进行测试,测试的实施步骤为:
步骤6.1在经步骤5.2所选剩余的各种故障类型的阶谱特征矩阵样本中,随机选取一定数目作为测试样本。本实施例中,每种故障类型的两种转速下剩余的阶谱特征矩阵中,各随机选取200个,所以每种故障类型的训练样本数为400个,具体数据如表2所示。
表2:每种故障类型中训练样本和测试样本的数量情况
步骤6.2每个测试样本依次输入到经步骤5训练的一维卷积神经网络中,得到的输出即为每个测试样本的诊断结果。输出的类别向量与该测试样本的目标类别向量一致时,该类别的测试诊断正确数加一,否则,该类别的测试诊断正确数不变。
测试完所有的测试样本,分别按式(12)、(13)计算出类别诊断正确率和总诊断正确率,
其中:c和C分别为测试样本的类别序号和测试样本的类别总数,nc和Nc分别为第c类别的测试样本诊断正确数和第c类别的测试样本总数,ηc和η分别为第c类别的诊断正确率和总诊断正确率。本实施例中,C=5,Nc=400。
图3显示了各类别测试样本的诊断混合矩阵情况,目标类别:1-无故障、2-内环磨损、3-外环磨损、4-外环断裂、5-保持架断裂。由图3可以看出,各类别的诊断正确率均达到了98%以上,其中无故障类别的诊断正确率最高,达到了100%,诊断正确率最低的类别为外环断裂故障,为395/400=98.75%。表3列出了总体诊断正确率为1984/2000=99.2%。
表3:各类别测试样本的诊断正确率和总诊断正确率
由此可以看出,本发明诊断方法对变转速工况下的滚动轴承的故障诊断的有效性。
为了进一步验证所搭建的卷积神经网络对变转速工况下滚动轴承的故障特征提取能力,图4可视化了经第12层的全连接层输出的前2个主成分的分布情况,可以看出,五种故障类别的聚类效果良好,由此验证了所搭建的卷积神经网络对变转速工况下滚动轴承的故障特征的提取有效性。
Claims (6)
1.一种变速工况下滚动轴承故障诊断方法,采用基于卷积神经网络的智能诊断方法,通过对正交方向振动信号的阶谱分析构建不受转速影响的阶谱特征,构建多层卷积神经网络提取阶谱特征中有效故障特征,最后通过全连接神经网络层决策故障类型,其特征在于,包括步骤如下:
S1,利用双通道加速度传感器测取滚动轴承在不同转速工况时,水平方向的振动信号和垂直方向的振动信号;
S2,对测取的双通道振动信号进行预处理,区分不同的故障类型,设置一定的重叠长度,将每种故障类型的双通道振动信号重叠截断成若干段,使每段长度相同;
S3,构建阶谱特征矩阵;
S4,搭建一维卷积神经网络;
S5,对步骤S4搭建的一维卷积神经网络进行训练;
S6,对步骤S5训练过的一维卷积神经网络进行测试,计算出类别诊断正确率和总诊断正确率。
2.根据权利要求1所述的变速工况下滚动轴承故障诊断方法,其特征在于:步骤S3中,构建谱阶特征矩阵的过程如下:
步骤3.1:利用(1)式构成复信号
zi=xi+jyi (1)
其中:i为经步骤S2得到的各段振动信号的序号,zi为构成的复信号,xi和yi分别为经步骤S2得到的每段水平方向的振动信号和垂直方向的振动信号,j为虚单位,满足j2=-1;
步骤3.2:利用(2)式求取谱阶
其中:k为谱阶的阶次,O(k)为阶次k的谱值,l和L分别为复信号zi中数据点序号和复信号zi中总数据点数,zil为复信号zi中第l个数据值,w为角频率,fr和Fs分别为滚动轴承的转动频率和振动信号的采样频率;
步骤3.3:利用(3)式计算各阶次的正进半径和反进半径
其中:Rp(k)和Rr(k)分别为阶次k的正进半径和反进半径,|O(k)|和|O(L-k)|分别表示取O(k)和O(L-k)的复数模;
步骤3.4:利用(4)式计算各阶次的斜率
其中:tg(k)为阶次k的斜率,OR(k)和OI(k)分别表示取O(k)的实部和虚部,OR(L-k)和OI(L-k)分别表示取O(L-k)的实部和虚部;
步骤3.5:将Rp(k)、Rr(k)和tg(k)合并为向量(Rp(k)Rr(k)tg(k));
步骤3.6:从k=1开始,重复步骤3.2-3.5,直到k=K结束,其中K为阶次的最大值,K的具体值在应用中设定;将所有k=1,…,K得到的向量合并,得到矩阵
步骤3.7:对得到的矩阵的每列按(5)式进行规范化处理,
规范化处理后得到的矩阵即为此样本、即复信号zi的阶谱特征矩阵,然后将此阶谱特征矩阵输入到卷积神经网络中;
重复步骤上述过程,直到处理完所有采集的振动信号停止,得到一系列各种故障类型的阶谱特征矩阵样本。
3.根据权利要求2所述的变速工况下滚动轴承故障诊断方法,其特征在于:步骤S4,搭建一维卷积神经网络的过程如下,该卷积神经网络特征有:
4.1:第1层为输入层,包含3个K×1的列向量节点,分别接收来自步骤S3的谱阶特征矩阵的第1列、第2列和第3列;
4.2:第2层至第9层为4个卷积层和4个池化层,卷积层和池化层交替出现;
其中:第1个卷积层的核函数宽度和通道数分别设定为24和32;第2个卷积层的核函数宽度和通道数分别设定为18和64;第3个卷积层的核函数宽度和通道数分别设定为15和64;第4个卷积层的核函数宽度和通道数分别设定为12和128;4个卷积层和4个池化层的跨步步长均设定为2;
4个卷积层的卷积运算按(6)式进行,
(6)式中:q和m分别为卷积层序号和神经元序号,和分别为第q个卷积层的第m个神经元的输出和第q个卷积层的第m个神经元的偏值,c和C分别为第q-1个卷积层的通道序号和通道总数,为第q-1个卷积层的第c个通道的输出,为第q-1个卷积层的第c个通道与第q个卷积层的第m个神经元之间的连接权重,f(·)表示激活函数,取ReLU函数,其表达式为:
(7)式中:t表示激活函数的输入值,f(t)为激活函数的输出值;
4个池化层的池化运算按(8)式进行
(8)式中:q和j分别为卷积层的序号和池化块的序号,r、s和i分别为池化块的数据宽度、跨步步长和池化块中数据的序号,c'q,j为第q个卷积层中第j个池化块的输出,cq,(j-1)×s+i表示在第q个卷积层中第j个池化块内池化操作前的第i个数据值,表示取第q个卷积层中第j个池化块内的最大数据值;
4.3:第10层和第11层分别为平展层和随机失活层;
4.4:第12层和第13层均为全连接层,其包含的神经元数量分别为144和5;全连接层的运算按(9)式进行
(9)式中:m为全连接层中神经元的序号,ym和bm分别为全连接层中第m个神经元的输出和偏值,i和I分别为全连接层输入数据的序号和输入数据的总数,xi为全连接层中第i个输入数据,wm,i为全连接层中第i个输入数据与第m个神经元的连接权重,f(·)为激活函数;
第12层的激活函数f(·)取ReLU(即(7)式),第13层的激活函数f(·)取Softmax,如(10)式
(10)式中,ti为激活函数f(·)的输入,i和M分别为神经元的序号和总数,f(ti)为激活函数f(·)的输出,e为自然常数,e=2.718281828…。
4.根据权利要求3所述的变速工况下滚动轴承故障诊断方法,其特征在于:前述步骤4.3中,平展层的具体操作为:将最后一个池化层、即第9层输出的各通道数据首尾相接,组成一个列向量;随机失活层的具体操作为:设定失活概率为50%,将第10层输出列向量中的数据元素,随机选取50%元素得以保留。
5.根据权利要求3或4所述的变速工况下滚动轴承故障诊断方法,其特征在于:步骤S5:对步骤S4搭建的一维卷积神经网络进行训练的步骤如下:
步骤5.1:按(11)式设定训练目标函数
(11)式中:i和N分别为训练样本的序号和总数,τi和ti分别为第i个训练样本的目标类别向量和经步骤S4搭建的卷积神经网络输出的类别向量,c和C分别为训练样本的类别序号和训练样本的类别总数,tc为经步骤S4搭建的卷积神经网络输出的归属为第c类的类别向量,Θ表示目标函数值;
步骤5.2:在经步骤S3处理后得到的一系列阶谱特征矩阵样本中,从每种故障类型中均随机选取一定数目作为训练样本;
步骤5.3:以步骤5.2选取的训练样本作为输入,选用自适应矩估计算法对步骤S4搭建的一维卷积神经网络进行训练,每次迭代过程中更新4个卷积层的各卷积核系数和偏值、2个全连接层的各神经元之际的连接权重和偏置,直到目标函数值的变化率<训练停止的目标函数值变化率,整个训练结束;训练前设定的参数有:批处理数、初始学习率、最大迭代数、训练停止的目标函数值变化率。
6.根据权利要求5所述的变速工况下滚动轴承故障诊断方法,其特征在于:步骤S6,对步骤S5训练过的一维卷积神经网络进行测试的步骤为:
步骤6.1在经步骤5.2所选剩余的各种故障类型的阶谱特征矩阵样本中,随机选取一定数目,作为测试样本;
步骤6.2每个测试样本依次输入到经步骤S5训练的一维卷积神经网络中,得到的输出即为每个测试样本的诊断结果;
输出的类别向量与该测试样本的目标类别向量一致时,该类别的测试诊断正确数加1,否则,该类别的测试诊断正确数不变;测试完所有的测试样本,分别按(12)式和(13)式计算出类别诊断正确率和总诊断正确率,
其中:c和C分别为测试样本的类别序号和测试样本的类别总数,nc和Nc分别为第c类别的测试样本诊断正确数和第c类别的测试样本总数,ηc和η分别为第c类别的诊断正确率和总诊断正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410111.6A CN114112398A (zh) | 2021-11-25 | 2021-11-25 | 一种变速工况下滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410111.6A CN114112398A (zh) | 2021-11-25 | 2021-11-25 | 一种变速工况下滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114112398A true CN114112398A (zh) | 2022-03-01 |
Family
ID=80372947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410111.6A Pending CN114112398A (zh) | 2021-11-25 | 2021-11-25 | 一种变速工况下滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112398A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310498A (zh) * | 2022-10-12 | 2022-11-08 | 青岛明思为科技有限公司 | 一种基于神经网络的变转速工况下旋转机械故障分类方法 |
CN115389247A (zh) * | 2022-11-01 | 2022-11-25 | 青岛睿发工程咨询服务合伙企业(有限合伙) | 一种基于速度自适应自编码器的旋转机械故障监测方法 |
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
-
2021
- 2021-11-25 CN CN202111410111.6A patent/CN114112398A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
CN115310498A (zh) * | 2022-10-12 | 2022-11-08 | 青岛明思为科技有限公司 | 一种基于神经网络的变转速工况下旋转机械故障分类方法 |
CN115310498B (zh) * | 2022-10-12 | 2023-02-03 | 青岛明思为科技有限公司 | 一种基于神经网络的变转速工况下旋转机械故障分类方法 |
CN115389247A (zh) * | 2022-11-01 | 2022-11-25 | 青岛睿发工程咨询服务合伙企业(有限合伙) | 一种基于速度自适应自编码器的旋转机械故障监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
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 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110617966A (zh) | 一种基于半监督生成对抗网络的轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN110232435B (zh) | 一种自适应深度置信网络滚动轴承故障诊断方法 | |
CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN110455530B (zh) | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN116595317A (zh) | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
CN113790890B (zh) | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN113916535A (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 |
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 |