CN114298110B - 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 - Google Patents
基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114298110B CN114298110B CN202111642929.0A CN202111642929A CN114298110B CN 114298110 B CN114298110 B CN 114298110B CN 202111642929 A CN202111642929 A CN 202111642929A CN 114298110 B CN114298110 B CN 114298110B
- Authority
- CN
- China
- Prior art keywords
- model
- frequency
- 1dcnn
- rolling bearing
- fault
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 91
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 38
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims abstract 9
- 235000011941 Tilia x europaea Nutrition 0.000 claims abstract 9
- 239000004571 lime Substances 0.000 claims abstract 9
- 230000006870 function Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统,属于设备故障诊断技术领域,同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;对振动信号做包络解调得到包络信号,同时将转速信号转换为广义解调算子;然后利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;利用LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。本发明克服了智能诊断模型样本需求大以及可解释性差的问题,在时变转速工况下具有识别度高、样本依赖性小的优点,实际应用强。
Description
技术领域
本发明涉及设备故障诊断技术领域,具体涉及一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统。
背景技术
滚动轴承是旋转机械中的重要组成部分,故障率极高,且大多数情况下在变转速工况下运行,故障冲击间隔随时间变化而变化,传统的匀转速工况下的故障诊断方法不再适用,这给故障诊断带来了巨大的挑战。因此,探究滚动轴承在时变转速工况下的故障健康状况,并建立合适的滚动轴承状态监测模型,可以有效的避免故障带来的经济损失和人员安全隐患。
随着深度学习技术的发展,越来越多的智能故障诊断算法被提出,并且在大数据样本下取得了较好的分类效果。然而考虑到实际情况,在时变转速的条件下的原始数据往往是不多的,同时当前的滚动轴承智能故障诊断模型在可解释性方面存在欠缺,模型的预测结果无法使工程人员信服,不能做出正确的诊断决策。因此,结合故障诊断知识,做到特征与模型的结合,对增强模型的可解释能力和泛化能力具有十分重要的意义。
在现有技术中,雷亚国等人提出了一种基于正则化稀疏模型的智能故障诊断方法,该方法先计算轴承振动信号的包络谱及其故障敏感频率,然后基于故障诊断理论知识获取故障类型诊断结果。该技术克服了一般智能诊断方法的可解释性差、模型可移植性差的问题,但该方法有效的前提是轴承转速是匀速,其无法应对时变转速工况下的智能故障诊断问题。王鹏等人提出了一种时变转速下的旋转机械智能故障诊断方法,该方法采用角域重采样的方法消除转速波动的影响,将非平稳的时域信号转换为平稳的角域信号,然后将角域信号做归一化后输入LSTM(长短期记忆)神经网络模型中,其变转速数据的训练集和测试集比例为375:125,结果表明可以有效的识别变转速下故障类型。然而该方法并不具有可解释功能,对预测出的故障结果无法用故障理论知识做出合理的说明,同时其对样本的需求量较大。Wang等人同样为了解决时变转速对智能故障诊断带来的影响,提出了阶次跟踪算法结合自适应卷积神经网络的方法,并在变转速齿轮箱数据中得到了验证,文章中采用的训练集和测试集较大,分别为480和120,同样模型复杂、可解释功能欠缺。Jia等人为了探究卷积神经网络学习到了什么这一问题,从而理解智能故障诊断模型,利用神经元最大激活算法来剖析卷积神经网络,结果表明卷积核是以类似于滤波器的作用来做分类任务的,而且当层数越深,卷积核也就越复杂。但是该方法并没有说明卷积神经网络是以哪些故障特征来指导模型做出预测结果的这一问题。
发明内容
本发明的目的在于提供一种在时变转速工况下,可实现智能滚动轴承故障诊断模型的样本依赖度小、结构简单、可解释性强的基于可解释1DCNN模型的时变转速下滚动轴承故障诊断方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种基于可解释1DCNN模型的滚动轴承故障诊断方法,包括如下步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
优选的,滚动轴承原始振动信号和转速信号数据包括时变转速下滚动轴承正常、外圈故障、内圈故障、滚动体故障以及复合故障的原始振动信号和转速信号数据。
优选的,在所述步骤2中:包络信号计算公式为:其中x(t)为原始振动信号;广义解调算子为:/>其中,/>为转速信号的瞬时相位,f0为转速信号的初始频率。
优选的,在所述步骤3中,利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量的具体方法为:
步骤31:根据滚动轴承故障诊断知识,滚动轴承各个部位的故障特征频率计算公式如下:
其中,fr为转速信号得到的转速频率,f0为滚动轴承外圈故障特征频率,fi为内圈故障特征频率,fb为滚动体故障特征频率,Z为滚动体个数,D为轴承节圆直径,d为滚动体直径,a为接触角;
步骤32:敏感频率带为:
Zf=[2πf-Ω1,2πf+Ω2]
其中,f为频率点,取值为fr,2fr,fo,2fo,3fo,fi,2fi,3fi,fb,2fb,3fb,Ω1,Ω2分别为区间的左右频率点;
步骤33:结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换,具体公式为:
其中,sk(t)为第k个敏感频率带内的广义解调算子;
步骤34:分别截取每个敏感频率带内的频率特征,并将所有的频率特征累加,公式为:
其中,hk(f)为单个敏感频率带内的特征向量,公式为:
其中,fs为采样频率。
优选的,在所述步骤4中,构造的1DCNN模型先通过第一卷积层的大卷积核对输入的频率特征做特征提取操作,然后采用第一Dropout层对提取到的特征做随机丢失处理;然后采用第二卷积层和第二Dropout层对特征做深度提取操作;最后,通过全连接层和Softmax激活函数计算每个样本故障类型的概率结果,输出最大概率值对应的标签进行分类处理,模型的正向传播过程为:
yi=conv(K,xi)
其中,xi为第i层卷积的输入向量,i的取值为1和2,conv(·)代表卷积操作,K为卷积核的权重,yi为第i层卷积的输出值;为第i层Dropout运算结果,p为丢包率,rj为伯努利分布;/>为模型的输出最大概率值对应的分类标签。
优选的,在所述步骤5中,LIME用来解释1DCNN模型的分类结果,其目标函数为:
其中,f为需要解释的1DCNN模型,g为LIME构造的可解释模型,πx为构建的数据集中的样本与给定样本之间的距离,Ω(g)为g的模型复杂度,L为最小化损失函数;
样本周围扰动前后的样本相似度πx定义为:
上述目标函数可以改写为:
其中,f(z)为扰动样本在被解释模型中的预测值,以该预测值为目标,g(z′)为LIME构建模型中的预测值,通过该模型的来解释1DCNN的预测结果。
第二方面,本发明提供一种基于可解释1DCNN模型的滚动轴承故障诊断系统,包括:
采集模块,用于采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
转换模块,用于对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
提取模块,用于利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
测试模块,用于将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
解释模块,用于利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
第四方面,本发明提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
第五方面,本发明提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
本发明有益效果:只需要输入滚动轴承自身参数信息即可,无需对振动信号和转速信号做特殊的预处理,即可提出时变转速下的轴承故障特征信息;提出的1DCNN网络网络结构简单,不需要复杂的训练过程就可以在测试集上达到96%以上的故障识别精度;实现了智能故障诊断模型的可解释性,揭示了模型的预测机理,使得模型的预测结果更加可信、可靠。
术语解释:
1DCNN是一维卷积神经网络的缩写形式,其经常用来解决轴承故障类型分类问题;时变转速表示物体的一种运动状态,具体理解为转速随着时间的变化而变化;滚动轴承是旋转机械的一种零部件,其具有承重和带动设备旋转的功能;故障诊断也可以称之为故障识别,是针对滚动轴承健康状态情况而展开的工作,目的是识别出每种信号对应的健康状态情况,从而为工程人员提供决策部署的有效依据。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于可解释1DCNN模型的滚动轴承故障诊断方法流程示意图。
图2为本发明实施例所述的可解释特征在振动信号频谱图中的位置示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种基于可解释1DCNN模型的滚动轴承故障诊断系统,该系统包括:
采集模块,用于采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
转换模块,用于对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
提取模块,用于利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
测试模块,用于将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
解释模块,用于利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
本实施例1中,利用上述的基于可解释1DCNN模型的滚动轴承故障诊断系统,实现了基于可解释1DCNN模型的滚动轴承故障诊断方法,包括如下步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
具体的,滚动轴承原始振动信号和转速信号数据包括时变转速下滚动轴承正常、外圈故障、内圈故障、滚动体故障以及复合故障的原始振动信号和转速信号数据。
具体的在所述步骤2中:包络信号计算公式为:其中x(t)为原始振动信号;广义解调算子为:/>其中,/>为转速信号的瞬时相位,f0为转速信号的初始频率。
优选的,在所述步骤3中,利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量的具体方法为:
步骤31:根据滚动轴承故障诊断知识,滚动轴承各个部位的故障特征频率计算公式如下:
其中,fr为转速信号得到的转速频率,f0为滚动轴承外圈故障特征频率,fi为内圈故障特征频率,fb为滚动体故障特征频率,Z为滚动体个数,D为轴承节圆直径,d为滚动体直径,a为接触角;
步骤32:敏感频率带为:
Zf=[2πf-Ω1,2πf+Ω2]
其中,f为频率点,取值为fr,2fr,fo,2fo,3fo,fi,2fi,3fi,fb,2fb,3fb,Ω1,Ω2分别为区间的左右频率点;
步骤33:结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换,具体公式为:
其中,sk(t)为第k个敏感频率带内的广义解调算子;
步骤34:分别截取每个敏感频率带内的频率特征,并将所有的频率特征累加,公式为:
其中,hk(f)为单个敏感频率带内的特征向量,公式为:
其中,fs为采样频率。
具体的,在所述步骤4中,构造的1DCNN模型先通过第一卷积层的大卷积核对输入的频率特征做特征提取操作,然后采用第一Dropout层对提取到的特征做随机丢失处理;然后采用第二卷积层和第二Dropout层对特征做深度提取操作;最后,通过全连接层和Softmax激活函数计算每个样本故障类型的概率结果,输出最大概率值对应的标签进行分类处理,模型的正向传播过程为:
yi=conv(K,xi)
其中,xi为第i层卷积的输入向量,i的取值为1和2,conv(·)代表卷积操作,K为卷积核的权重,yi为第i层卷积的输出值;为第i层Dropout运算结果,p为丢包率,rj为伯努利分布;/>为模型的输出最大概率值对应的分类标签。
在所述步骤5中,LIME用来解释1DCNN模型的分类结果,其目标函数为:
其中,f为需要解释的1DCNN模型,g为LIME构造的可解释模型,πx为构建的数据集中的样本与给定样本之间的距离,Ω(g)为g的模型复杂度,L为最小化损失函数;
样本周围扰动前后的样本相似度πx定义为:
上述目标函数可以改写为:
其中,f(z)为扰动样本在被解释模型中的预测值,以该预测值为目标,g(z′)为LIME构建模型中的预测值,通过该模型的来解释1DCNN的预测结果。
实施例2
如图1所示,本实施例2中一种基于可解释1DCNN模型的时变转速下滚动轴承故障诊断方法,包括以下步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子:
包络信号计算公式为:其中x(t)为原始振动信号;广义解调算子为:/>其中,/>为转速信号的瞬时相位,f0为转速信号的初始频率;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量:
步骤31:根据滚动轴承故障诊断知识,滚动轴承各个部位的故障特征频率计算公式如下:
其中,fr为转速信号得到的转速频率,f0为滚动轴承外圈故障特征频率,fi为内圈故障特征频率,fb为滚动体故障特征频率,Z为滚动体个数,D为轴承节圆直径,d为滚动体直径,a为接触角;
步骤32:敏感频率带为:
Zf=[2πf-Ω1,2πf+Ω2]
其中,f为频率点,取值为fr,2fr,fo,2fo,3fo,fi,2fi,3fi,fb,2fb,3fb,Ω1,Ω2分别为区间的左右频率点;
步骤33:结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换,具体公式为:
其中,sk(t)为第k个敏感频率带内的广义解调算子;
步骤34:分别截取每个敏感频率带内的频率特征,并将所有的频率特征累加,公式为:
其中,hk(f)为单个敏感频率带内的特征向量,公式为:
其中,fs为采样频率。
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN
中做测试,输出诊断结果:
构造的1DCNN模型先通过第一卷积层的大卷积核对输入的频率特征做特征提取操作,然后采用第一Dropout层对提取到的特征做随机丢失处理;然后采用第二卷积层和第二Dropout层对特征做深度提取操作;最后,通过全连接层和Softmax激活函数计算每个样本故障类型的概率结果,输出最大概率值对应的标签进行分类处理,模型的正向传播过程为:
yi=conv(K,xi)
其中,xi为第i层卷积的输入向量,i的取值为1和2,conv(·)代表卷积操作,K为卷积核的权重,yi为第i层卷积的输出值;为第i层Dropout运算结果,p为丢包率,rj为伯努利分布;/>为模型的输出最大概率值对应的分类标签,即最终的诊断结果;
步骤5:利用LIME(Local interpretable model-agnostic explanations)对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释:
LIME用来解释1DCNN模型的分类结果,其目标函数为:
其中,f为需要解释的1DCNN模型,g为LIME构造的可解释模型,πx为构建的数据集中的样本与给定样本之间的距离,Ω(g)为g的模型复杂度,L为最小化损失函数;
样本周围扰动前后的样本相似度πx定义为:
上述目标函数可以改写为:
其中,f(z)为扰动样本在被解释模型中的预测值,以该预测值为目标,g(z′)为LIME构建模型中的预测值,通过该模型的来解释1DCNN的预测结果。
本实施例2中,选取MFS-PK5M机械故障仿真实验台中的滚动轴承故障实验数据集为例对本发明进行验证。
该实验台由交流驱动电机控制,通过加速度传感器和速度编码器获取振动信号和转速信号。采样频率为200kHz。此外,转速编码器(EPC型号775)每转循环数为1024。实验采用的滚动轴承参数如表1所示。滚动轴承一共有五种健康状况:(1)正常,(2)外圈故障,(3)内圈故障,(4)滚珠故障,(5)复合故障。每种健康状况下有升速和降速两种变化情况,一共是10中健康状态。每种状态下的训练数据和测试数据样本个数分别为100和50。
表1
为了验证本实施例2的智能故障诊断方法,将本实施例2提出的1DCNN模型替换为SVM、MLP、1DCNN、以及TICNN模型进行对比分析,为了降低每次实验带来的误差带来的影响,在模型测试阶段,对每种模型分别进行5次独立不重复实验,计算5次实验的平均值作为最终的诊断结果,如表2所示。对表2分析可知,本实施例所提出的诊断方法的测试精度明显由于对比方法。特别是和具有域自适应能力的TICNN模型相比,所提1DCNN模型在诊断精度上更高,而且模型的稳定性更好。测试结果证明了本实施例提出的方法在时变转速工况下故障诊断中的优越性。
表2
为了验证所提方法的可解释能力,采用滚动轴承内圈升速故障下样本做分析,LIME对提出的1DCNN模型给出了15个带有权重的频率特征值用来解释1DCNN模型的预测结果,这15个频率特征值均指向标签为5这一种预测结果,即内圈升速故障。同时,可以看出在这15个频率特征值中128,807,1628,2441这四个点分别对应与振动信号频率图中的fr,fi,2fi,3fi的位置,这与滚动轴承内圈故障理论高度一致,如图2所示。证明了本实施例提出的方法具有对模型的可解释能力。
实施例3
本发明实施例3提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行基于可解释1DCNN模型的滚动轴承故障诊断方法,该方法包括如下流程步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
实施例4
本发明实施例4提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现基于可解释1DCNN模型的滚动轴承故障诊断方法,该方法包括如下流程步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
实施例5
本发明实施例5提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的基于可解释1DCNN模型的滚动轴承故障诊断方法,该方法包括如下步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。
综上所述,本发明实施例所述的基于可解释1DCNN模型的时变转速下滚动轴承故障诊断方法,同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;对振动信号做包络解调得到包络信号,同时将转速信号转换为广义解调算子;然后利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;利用LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释。克服了智能诊断模型样本需求大以及可解释性差的问题,在时变转速工况下具有识别度高、样本依赖性小的优点,实际应用强。
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,本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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,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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于可解释1DCNN模型的滚动轴承故障诊断方法,其特征在于,包括如下步骤:
步骤1:同时采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
步骤2:对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
步骤3:利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
步骤4:将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
步骤5:利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释;
其中,
滚动轴承原始振动信号和转速信号数据包括时变转速下滚动轴承正常、外圈故障、内圈故障、滚动体故障以及复合故障的原始振动信号和转速信号数据;
在所述步骤2中:包络信号计算公式为:其中x(t)为原始振动信号;广义解调算子为:/>其中,/>为转速信号的瞬时相位,f0为转速信号的初始频率;
在所述步骤3中,利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量的具体方法为:
步骤31:根据滚动轴承故障诊断知识,滚动轴承各个部位的故障特征频率计算公式如下:
其中,fr为转速信号得到的转速频率,f0为滚动轴承外圈故障特征频率,fi为内圈故障特征频率,fb为滚动体故障特征频率,Z为滚动体个数,D为轴承节圆直径,d为滚动体直径,a为接触角;
步骤32:敏感频率带为:
Zf=[2πf-Ω1,2πf+Ω2]
其中,f为频率点,取值为fr,2fr,fo,2fo,3fo,fi,2fi,3fi,fb,2fb,3fb,Ω1,Ω2分别为区间的左右频率点;
步骤33:结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换,具体公式为:
其中,sk(t)为第k个敏感频率带内的广义解调算子;
步骤34:分别截取每个敏感频率带内的频率特征,并将所有的频率特征累加,公式为:
其中,hk(f)为单个敏感频率带内的特征向量,公式为:
其中,fs为采样频率;
在所述步骤4中,构造的1DCNN模型先通过第一卷积层的大卷积核对输入的频率特征做特征提取操作,然后采用第一Dropout层对提取到的特征做随机丢失处理;然后采用第二卷积层和第二Dropout层对特征做深度提取操作;最后,通过全连接层和Softmax激活函数计算每个样本故障类型的概率结果,输出最大概率值对应的标签进行分类处理,模型的正向传播过程为:
yi=conv(K,xi)
其中,xi为第i层卷积的输入向量,i的取值为1和2,conv()代表卷积操作,K为卷积核的权重,yi为第i层卷积的输出值;zi为第i层Dropout运算结果,p为丢包率,rj为伯努利分布;为模型的输出最大概率值对应的分类标签;
在所述步骤5中,LIME用来解释1DCNN模型的分类结果,其目标函数为:
其中,f为需要解释的1DCNN模型,g为LIME构造的可解释模型,πx为构建的数据集中的样本与给定样本之间的距离,Ω(g)为g的模型复杂度,L为最小化损失函数;
样本周围扰动前后的样本相似度πx定义为:
上述目标函数改写为:
其中,f(z)为扰动样本在被解释模型中的预测值,以该预测值为目标,g(z’)为LIME构建模型中的预测值,通过该模型的来解释1DCNN的预测结果。
2.一种基于可解释1DCNN模型的滚动轴承故障诊断系统,其特征在于,包括:
采集模块,用于采集多组滚动轴承振动信号和转速信号数据,并将数据划分为训练集和测试集;
转换模块,用于对训练集中的振动信号做包络解调得到包络信号,将对应的转速信号转换为广义解调算子;
提取模块,用于利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量;
测试模块,用于将一维频率特征输入到1DCNN模型中做训练,将测试集中得到的频率特征向量输入到1DCNN中做测试,输出诊断结果;
解释模块,用于利用机器学习解释模型LIME对1DCNN模型做分析,得到带有权重的特征值,对模型的诊断结果做出解释;
其中,
滚动轴承原始振动信号和转速信号数据包括时变转速下滚动轴承正常、外圈故障、内圈故障、滚动体故障以及复合故障的原始振动信号和转速信号数据;
在所述步骤2中:包络信号计算公式为:其中x(t)为原始振动信号;广义解调算子为:/>其中,/>为转速信号的瞬时相位,f0为转速信号的初始频率;
在所述步骤3中,利用广义解调算子在敏感频率带内对包络信号做广义解调,得到频率特征向量的具体方法为:
步骤31:根据滚动轴承故障诊断知识,滚动轴承各个部位的故障特征频率计算公式如下:
其中,fr为转速信号得到的转速频率,f0为滚动轴承外圈故障特征频率,fi为内圈故障特征频率,fb为滚动体故障特征频率,Z为滚动体个数,D为轴承节圆直径,d为滚动体直径,a为接触角;
步骤32:敏感频率带为:
Zf=[2πf-Ω1,2πf+Ω2]
其中,f为频率点,取值为fr,2fr,fo,2fo,3fo,fi,2fi,3fi,fb,2fb,3fb,Ω1,Ω2分别为区间的左右频率点;
步骤33:结合广义解调算子和敏感频率带对包络信号做广义傅里叶变换,具体公式为:
其中,sk(t)为第k个敏感频率带内的广义解调算子;
步骤34:分别截取每个敏感频率带内的频率特征,并将所有的频率特征累加,公式为:
其中,hk(f)为单个敏感频率带内的特征向量,公式为:
其中,fs为采样频率;
在所述步骤4中,构造的1DCNN模型先通过第一卷积层的大卷积核对输入的频率特征做特征提取操作,然后采用第一Dropout层对提取到的特征做随机丢失处理;然后采用第二卷积层和第二Dropout层对特征做深度提取操作;最后,通过全连接层和Softmax激活函数计算每个样本故障类型的概率结果,输出最大概率值对应的标签进行分类处理,模型的正向传播过程为:
yi=conv(K,xi)
其中,xi为第i层卷积的输入向量,i的取值为1和2,conv()代表卷积操作,K为卷积核的权重,yi为第i层卷积的输出值;zi为第i层Dropout运算结果,p为丢包率,rj为伯努利分布;为模型的输出最大概率值对应的分类标签;
在所述步骤5中,LIME用来解释1DCNN模型的分类结果,其目标函数为:
其中,f为需要解释的1DCNN模型,g为LIME构造的可解释模型,πx为构建的数据集中的样本与给定样本之间的距离,Ω(g)为g的模型复杂度,L为最小化损失函数;
样本周围扰动前后的样本相似度πx定义为:
上述目标函数改写为:
其中,f(z)为扰动样本在被解释模型中的预测值,以该预测值为目标,g(z’)为LIME构建模型中的预测值,通过该模型的来解释1DCNN的预测结果。
3.一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
4.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
5.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1所述的基于可解释1DCNN模型的滚动轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642929.0A CN114298110B (zh) | 2021-12-29 | 2021-12-29 | 基于可解释1dcnn模型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 |
---|---|---|---|
CN202111642929.0A CN114298110B (zh) | 2021-12-29 | 2021-12-29 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298110A CN114298110A (zh) | 2022-04-08 |
CN114298110B true CN114298110B (zh) | 2024-04-19 |
Family
ID=80970737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642929.0A Active CN114298110B (zh) | 2021-12-29 | 2021-12-29 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298110B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114838936B (zh) * | 2022-04-13 | 2023-04-18 | 北京交通大学 | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 |
CN117871096A (zh) * | 2024-03-11 | 2024-04-12 | 昆明理工大学 | 一种滚动轴承故障模拟实验装置及故障在线诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112284735A (zh) * | 2020-10-21 | 2021-01-29 | 兰州理工大学 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220058240A9 (en) * | 2019-08-27 | 2022-02-24 | Nec Laboratories America, Inc. | Unsupervised multivariate time series trend detection for group behavior analysis |
-
2021
- 2021-12-29 CN CN202111642929.0A patent/CN114298110B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112284735A (zh) * | 2020-10-21 | 2021-01-29 | 兰州理工大学 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
Also Published As
Publication number | Publication date |
---|---|
CN114298110A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Principi et al. | Unsupervised electric motor fault detection by using deep autoencoders | |
Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
Li et al. | Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism | |
Abid et al. | Robust interpretable deep learning for intelligent fault diagnosis of induction motors | |
Meng et al. | Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
Liu et al. | Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples | |
Pei et al. | Rotating machinery fault diagnosis through a transformer convolution network subjected to transfer learning | |
CN108171263A (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
He et al. | A novel bearing fault diagnosis method based on gaussian restricted boltzmann machine | |
CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
Chang et al. | One-dimensional fully decoupled networks for fault diagnosis of planetary gearboxes | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Chen et al. | A new method of fault feature extraction based on hierarchical dispersion entropy | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
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 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
Laala et al. | Bearing faults classification based on wavelet transform and artificial neural network | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
Yadav et al. | Variable dropout one-dimensional cnn for vibration-based shaft unbalance detection in industrial machinery | |
Zhong et al. | Fault diagnosis of motor bearing using self-organizing maps |
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 |