CN114330439B - 一种基于卷积神经网络的轴承诊断方法 - Google Patents
一种基于卷积神经网络的轴承诊断方法 Download PDFInfo
- Publication number
- CN114330439B CN114330439B CN202111624693.8A CN202111624693A CN114330439B CN 114330439 B CN114330439 B CN 114330439B CN 202111624693 A CN202111624693 A CN 202111624693A CN 114330439 B CN114330439 B CN 114330439B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- diagnosis
- credit
- feature
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于卷积神经网络的轴承诊断方法，其中，方法包括：步骤S1：配置卷积神经网络；步骤S2：获取轴承数据；步骤S3：将轴承数据输入至配置好的卷积神经网络，进行轴承诊断；步骤S4：获取轴承诊断结果，并进行输出。本发明的基于卷积神经网络的轴承诊断方法，最大化利用每一个卷积核，在原始数据和提取特征的卷积核数量、大小方面做到最好的权衡，能下小样本的数据量的条件下提高计算速度的同时还能提升准确率，降低了人力成本。
Description
技术领域
本发明涉及信息提取技术领域，特别涉及一种基于卷积神经网络的轴承诊断方法。
背景技术
目前，使用机器学习算法来诊断轴承故障，自20世纪90年代被广泛应用，但是传统的机器学习算法的准确率低，人工特征表示复杂繁琐等问题现已被深度学习算法所替代。深度学习算法具有特征提取能力强等优点。
截止目前的深度学习算法在小数据量样本的前提下都难以达到较高的准确率，并且巨大的计算量很难让算法在计算能力匮乏的嵌入式设备中达到高效的计算以至于难以实时的检测轴承的故障。国内外不乏有将卷积神经网络和SVM等机器学习算法结合的网络结构，但这些结构的转换会导致提取出的特征部分未利用或丢失，从而浪费计算能力；
另外，人工进行轴承诊断人力成本较大。
发明内容
本发明目的之一在于提供了一种基于卷积神经网络的轴承诊断方法，在深度学习软件构建一种新型的卷积神经网络可有效解决现有的轴承故障诊断方法在小样本条件下正确率低下的问题，其网络结构是一种端对端的网络结构从特征提取到分类可做到高效转换。网络结构在不进行过深的结构堆叠的同时减少了计算的参数量，进而加快了运算时间；结构有多个卷积核并行排列增加其感受野；结构有卷积核进行单独原始数据提取并融合至更深的卷积核。本发明可以最大化利用每一个卷积核，在原始数据和提取特征的卷积核数量、大小方面做到最好的权衡，能下小样本的数据量的条件下提高计算速度的同时还能提升准确率；降低了人力成本。
本发明实施例提供的一种基于卷积神经网络的轴承诊断方法，包括：
步骤S1：配置卷积神经网络；
步骤S2：获取轴承数据；
步骤S3：将所述轴承数据输入至配置好的卷积神经网络，进行轴承诊断；步骤S4：获取轴承诊断结果，并进行输出。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为1*1。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为3*3。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为5*5。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为11*11。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为18*18。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为20*20。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为23*23。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为29*29。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，11*11；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，11*11，17*17；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，9*9，11*11，13*13；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，8*8，9*9，10*10，11*11，13*13；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
优选的，步骤S2：获取轴承数据，包括：
以12KHz采样频率采样轴承数据。
优选的，基于卷积神经网络的轴承诊断方法，还包括：
对所述卷积神经网络进行补充训练；
其中，对所述卷积神经网络进行补充训练，包括：
获取人工进行轴承诊断的多个第一诊断事件；
获取所述第一诊断事件的诊断小组，同时，获取所述诊断小组产生对应所述第一诊断事件的诊断类型，所述诊断类型包括：主动诊断和被动诊断；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为主动诊断时，获取对应所述第一诊断事件的诊断类型；
获取所述诊断类型对应的经验校验策略；
对所述诊断小组进行人员组成分析，获得多个第一诊断人；
依次遍历所述第一诊断人，每次遍历时，将遍历到的所述第一诊断人作为第二诊断人；
获取所述第二诊断人的经验信息；
基于所述经验校验策略，对所述经验信息进行校验，获取校验值；
获取所述第二诊断人对应于对应所述第一诊断事件的诊断权重；
获取所述诊断权重对应的校验阈值；
若所述校验值小于等于所述校验阈值，剔除对应所述第一诊断事件；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为被动诊断时，获取对应所述诊断小组的信用信息；
将所述信用信息拆分成多个第一信用项；
获取所述第一信用项的产生时间点；
构建时间轴线，基于所述产生时间点，将所述第一信用项对应设置于所述时间轴线上；
对所述第一信用项进行特征提取，获得多个第一信用特征；
获取预设的不良信用特征库，将所述第一信用特征与所述不良信用特征库中的第一不良信用特征进行匹配，若匹配符合，将匹配符合的第一不良信用特征作为第二不良信用特征，同时，将对应所述第一信用项作为第二信用项；
获取所述第二不良信用特征对应的至少一个补充匹配信息；
依次遍历所述补充匹配信息，每次遍历时，提取遍历到的所述补充匹配信息中的补充方向、补充范围和第一待匹配特征；
确定所述时间轴线上所述第二信用项的所述补充方向上所述补充范围内的所述第一信用项，并作为第三信用项；
确定所述第三信用项对应的所述第一信用特征，并作为第二信用特征；
将所述第二信用特征与所述第一待匹配特征进行匹配，若匹配符合，将匹配符合的第一待匹配特征作为第二待匹配特征；
获取所述第二待匹配特征对应的补充不良程度值，同时，获取所述第二不良信用特征对应的不良程度值；
遍历均结束后，累加计算所述补充不良程度值和所述不良程度值，获得不良程度值和；
若所述不良程度值和大于等于预设的不良程度阈值，剔除对应所述第一诊断事件；
当需要剔除的所述第一诊断事件均剔除后，将剔除剩余的所述第一诊断事件作为第二诊断事件；
将所述第二诊断事件作为补充训练样本输入至所述卷积神经网络，进行补充训练。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于卷积神经网络的轴承诊断方法的示意图；
图2为本发明实施例中激活函数的示意图；
图3为本发明实施例中搭建出优选的Multiscale Block(多尺度卷积结构)的示意图；
图4为本发明实施例中残差结构的示意图；
图5为本发明实施例中总体优选结构细节的示意图；
图6为本发明实施例中一维振动信号的示意图；
图7为本发明实施例中二维灰度图像的示意图；
图8为本发明实施例中技术路线的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，如图1所示，包括：
步骤S1：配置卷积神经网络；
步骤S2：获取轴承数据；
步骤S3：将所述轴承数据输入至配置好的卷积神经网络，进行轴承诊断；
步骤S4：获取轴承诊断结果，并进行输出。
上述技术方案的工作原理及有益效果为：
配置卷积神经网络(提前准备大量人工进行轴承诊断的记录，输入至卷积神经网络，配置时，设定卷积核的大小即可)，将获取的轴承数据(例如：内径、外径和厚度等)输入配置好的卷积神经网络，进行轴承诊断，最后获取轴承诊断结果，进行输出；
在深度学习软件构建一种新型的卷积神经网络可有效解决现有的轴承故障诊断方法在小样本条件下正确率低下的问题，卷积神经网络的网络结构是一种端对端的网络结构从特征提取到分类可做到高效转换；网络结构在不进行过深的结构堆叠的同时减少了计算的参数量，进而加快了运算时间；网络结构有多个卷积核并行排列增加其感受野；结构有卷积核进行单独原始数据提取并融合至更深的卷积核；本发明可以最大化利用每一个卷积核，在原始数据和提取特征的卷积核数量、大小方面做到最好的权衡，能下小样本的数据量的条件下提高计算速度的同时还能提升准确率，降低了人力成本。
本申请的卷积神经网络的工作流程如下：
首先是一个标准的卷积过程，包括卷积核提取特征，标准化数据，激活函数如图2所示的CBA block，首先是一个卷积层用来扩充原始数据的维度，接着是数据的归一化，最后经过激活函数处理；
Googlenet的inception结构引入三个不同尺度的卷积核用来特征提取，从而丰富特征的类型，加深网络结构的宽度，这样就能在有限的深度下提升网络结构的特征提取能力。基于这个灵感，通过实验我们搭建出优选的Multiscale scale；
最终通过实验我们搭建出优选的Multiscale Block(多尺度卷积结构)，如图3所示，经过实验，发现当卷积个数为8个时，模型最优，并且每个卷积模块都是由CBA block组合而成；
在提取数据特征的过程中，随着网络结构的加深，浅层信息逐渐淡化，进而导致模型准确率下降。为了避免上述现象，我们在第二个Multiscale Block中加入resnet中的残差模块，即将上一层的特征在维度上进行组合，这使得concat的后一层，既包含了浅层特征，也包含了卷积提取的深层特征，能大大增加模型的分类能力。为了探寻最优结果实施了一些案例如下各实施例所示；
从案例中发现残差模块中的卷积核大小也对网络的准确率有影响，最终通过案例发现，优选结构如图4所示。从图中可看出整体结构包含了两块multicale结构，用residual_path来表示是否使用残差模块，由于第一个multicale结构靠近输入数据，所以不需进行残差连接，而第二层multicale远离初始层则将residual_path设置成True以表示使用residual结构用来对原始数据扩充成卷积后的数据相同维度，然后进行数值相加。这样使最终输出的特征数据己能包含浅层也能包含深层数据；
通过如下的实例，可得出总体优选结构细节，如图5所示。即图4的细化。
所提模型适用于任何轴承的振动信号特征提取，在此以CWUC轴承数据集振动信号为例
CWUC轴承数据集原始振动信号如图6所示。
每一个不同类别的信号都相差较大，很适合作为输入的原始信号，模型也能通过此信号诊断出故障类型，在此我们使用一维转二维的方法，将振动图像转化成二维灰度图像，便于输入神经网络,其转化后的样式如图7所示。
同样的包含轴承故障振动信号的数据集，都可作为新数据集用来训练网络，检验网络的可靠性。
其整个技术路线如图8所示。首先将一维振动信号归一化和reshape成二维的灰度图像，然后再将数据集分割成training set、validation set、testing set这三个部分。训练集喂入搭建好的模型中，每次迭代都由数据正向传播和反向更新参数判断模型的收敛性，如果不收敛则继续增加迭代轮数，如果收敛则保存所有训练次数中最优参数，将验证集和测试集送入最优参数的特征提取器中提取特征，最终使用softmax来进行分类。
综上所述，可以看到随着并行卷积核的数量增多，故障诊断的精度会随之提高，但当个数过多时正确率出现了下降的趋势，深浅层卷积核大小的不同也是同样的到达一定的顶峰最后下降的趋势，当两种结构相结合后方能达到最优模型结构。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为1*1。
上述技术方案的工作原理及有益效果为：
并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为1*1。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为45％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为3*3。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为3*3。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为29％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为5*5。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为5*5。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为27％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为11*11。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为11*11。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为47％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为85％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为18*18。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为18*18。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为76％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为20*20。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为20*20。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为76％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为23*23。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为23*23。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为75％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为29*29。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5；所述深浅层卷积核大小为29*29。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为62％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5，7*7；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为92％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，11*11；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5，7*7，11*11；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为94％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，11*11，17*17；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5，7*7，11*11，17*17；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为93％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，9*9，11*11，13*13；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5，7*7，9*9，11*11，13*13；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为95％。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5，7*7，8*8，9*9，10*10，11*11，13*13；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
上述技术方案的工作原理及有益效果为：
所述并行卷积核对应大小为1*1，3*3，5*5，7*7，8*8，9*9，10*10，11*11，13*13；所述深浅层卷积核大小为17*17。实验时，轴承端数据采样频率为12KHz，相同实验做10次取最高准确率为90％。
综上所述，可以看到随着并行卷积核的数量增多，诊断的精度会随之提高，但当个数过多时正确率出现了下降的趋势，深浅层卷积核大小的不同也是同样的到达一定的顶峰最后下降的趋势，当两种结构相结合后方能达到最优模型结构。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，步骤S2：获取轴承数据，包括：
以12KHz采样频率采样轴承数据。
上述技术方案的工作原理及有益效果为：
轴承端数据采样频率为12KHz。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，还包括：
对所述卷积神经网络进行补充训练；
其中，对所述卷积神经网络进行补充训练，包括：
获取人工进行轴承诊断的多个第一诊断事件；
获取所述第一诊断事件的诊断小组，同时，获取所述诊断小组产生对应所述第一诊断事件的诊断类型，所述诊断类型包括：主动诊断和被动诊断；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为主动诊断时，获取对应所述第一诊断事件的诊断类型；
获取所述诊断类型对应的经验校验策略；
对所述诊断小组进行人员组成分析，获得多个第一诊断人；
依次遍历所述第一诊断人，每次遍历时，将遍历到的所述第一诊断人作为第二诊断人；
获取所述第二诊断人的经验信息；
基于所述经验校验策略，对所述经验信息进行校验，获取校验值；
获取所述第二诊断人对应于对应所述第一诊断事件的诊断权重；
获取所述诊断权重对应的校验阈值；
若所述校验值小于等于所述校验阈值，剔除对应所述第一诊断事件；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为被动诊断时，获取对应所述诊断小组的信用信息；
将所述信用信息拆分成多个第一信用项；
获取所述第一信用项的产生时间点；
构建时间轴线，基于所述产生时间点，将所述第一信用项对应设置于所述时间轴线上；
对所述第一信用项进行特征提取，获得多个第一信用特征；
获取预设的不良信用特征库，将所述第一信用特征与所述不良信用特征库中的第一不良信用特征进行匹配，若匹配符合，将匹配符合的第一不良信用特征作为第二不良信用特征，同时，将对应所述第一信用项作为第二信用项；
获取所述第二不良信用特征对应的至少一个补充匹配信息；
依次遍历所述补充匹配信息，每次遍历时，提取遍历到的所述补充匹配信息中的补充方向、补充范围和第一待匹配特征；
确定所述时间轴线上所述第二信用项的所述补充方向上所述补充范围内的所述第一信用项，并作为第三信用项；
确定所述第三信用项对应的所述第一信用特征，并作为第二信用特征；
将所述第二信用特征与所述第一待匹配特征进行匹配，若匹配符合，将匹配符合的第一待匹配特征作为第二待匹配特征；
获取所述第二待匹配特征对应的补充不良程度值，同时，获取所述第二不良信用特征对应的不良程度值；
遍历均结束后，累加计算所述补充不良程度值和所述不良程度值，获得不良程度值和；
若所述不良程度值和大于等于预设的不良程度阈值，剔除对应所述第一诊断事件；
当需要剔除的所述第一诊断事件均剔除后，将剔除剩余的所述第一诊断事件作为第二诊断事件；
将所述第二诊断事件作为补充训练样本输入至所述卷积神经网络，进行补充训练。
上述技术方案的工作原理及有益效果为：
为了提升卷积神经网络进行轴承诊断的诊断能力，需要对其进行补充训练；在进行补充训练时，可以基于大量人工进行轴承诊断的记录实现，即将其作为补充训练样本输入至卷积神经网络中；因此，本申请获取第一诊断事件(人工进行轴承诊断的记录)，但是，为了保证第一诊断事件的数量足够且在数据共享(大数据)的趋势下，第一诊断事件的来源丰富(例如：可有不同公司的共享云端获取)，因此，需要对第一诊断事件的来源可靠性进行充分验证；因此，本申请获取对应诊断小组，诊断小组产生第一诊断事件的诊断类型分为主动诊断(诊断小组主动要提供诊断记录)和被动诊断(系统自动分配给轴承数据类型对应的诊断小组)，若诊断类型为主动诊断，需要对诊断小组的诊断能力进行验证，依次遍历人员组成中的第二诊断人，获取经验信息(例如：历史上参与过哪些类型的轴承诊断)，获取诊断类型对应的经验校验策略(例如：诊断类型为内径是否合格，校验策略则校验诊断人是否参加过多次内径诊断)，对经验信息进行校验，获取校验值，校验值越大，诊断人越合格，但是，第二诊断人对应于第一诊断事件的诊断权重(诊断权重越大，诊断人参与越多，对诊断事件中结果的得出贡献越大)各不相同，是否合格需要基于诊断权重分情况进行评价，获取诊断权重对应的校验阈值(诊断权重越大，校验阈值越大)，若校验值小于等于校验阈值，说明不合格，剔除对应第一诊断事件；当诊断类型为被动诊断时，需要对诊断小组进行信用验证，获取信用信息，拆分成第一信用项在时间轴线上对应设置；提取出第一信用特征，并与预设的不良信用特征库(包含大量不良信用特征的数据库，不良信用特征具体为：例如：发布虚假诊断事件)，中的第一不良信用特征进行匹配，若匹配符合，获取匹配符合的第二不良信用特征对应的补充匹配信息，补充匹配信息包含补充方向(例如：前、后)、补充范围(例如：10天内)和第一待匹配特征(例如：再次发布虚假诊断事件)，补充匹配信息的设置包括但不限于验证诊断小组是否在时间不久后或时间不久前是否多次发生不良信用事件，进行多重不良程度值累加；基于补充匹配信息，确定第三信用项，提取出第二信用特征，并与第一待匹配特征进行匹配，若匹配符合，获取匹配符合的第二待匹配特征的补充不良程度值，同时，获取第二不良信用特征对应的不良程度值；累加计算获取不良程度值和；若不良程度值和大于等于预设的不良程度阈值，说明信用不良，剔除对应所述第一诊断事件；
本发明实施例对所述卷积神经网络进行补充训练，可以提升卷积神经网络的轴承诊断能力；在进行补充训练时，基于诊断类型的不同，对第一诊断事件的来源的可靠性进行细致化验证，提升了卷积神经网络补充训练的训练质量，在数据共享的趋势下，更具有适用性。
本发明实施例提供了一种基于卷积神经网络的轴承诊断方法，获取所述诊断权重对应的校验阈值，通过如下公式进行获取：
其中，γ为所述校验阈值，β0为预设的校验阈值初始值，α为所述诊断权重，α0为预设的诊断权重阈值，ε为预设的修正系数。
上述技术方案的工作原理及有益效果为：
诊断权重应与校验阈值呈正相关，设置修正系数，用户可根据希望的校验严格程度进行设置；
本发明实施例通过如上公式快速获取校验阈值，提升了系统的工作效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于卷积神经网络的轴承诊断方法，其特征在于，包括：
步骤S1：配置卷积神经网络；
步骤S2：获取轴承数据；
步骤S3：将所述轴承数据输入至配置好的卷积神经网络，进行轴承诊断；
步骤S4：获取轴承诊断结果，并进行输出；
其中，步骤S1：配置卷积神经网络，包括：
首先是一个标准的卷积过程CBA，然后经一个multiscale层处理，再经一个Concat层处理，接着经另一个multiscale层处理，再经另一个Concat层处理，最后依次经平均池化层Averagepooling和分类层Softmax处理；
其中，第二个multiscale层中包含残差模块；
其中，标准的卷积过程CBA包括：一个卷积层Conv2D、数据的归一化BatchNormalization以及激活函数Activation；
所述方法还包括：
对所述卷积神经网络进行补充训练；
其中，对所述卷积神经网络进行补充训练，包括：
获取人工进行轴承诊断的多个第一诊断事件；
获取所述第一诊断事件的诊断小组，同时，获取所述诊断小组产生对应所述第一诊断事件的诊断类型，所述诊断类型包括：主动诊断和被动诊断；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为主动诊断时，获取对应所述第一诊断事件的诊断类型；
获取所述诊断类型对应的经验校验策略；
对所述诊断小组进行人员组成分析，获得多个第一诊断人；
依次遍历所述第一诊断人，每次遍历时，将遍历到的所述第一诊断人作为第二诊断人；
获取所述第二诊断人的经验信息；
基于所述经验校验策略，对所述经验信息进行校验，获取校验值；
获取所述第二诊断人对应于对应所述第一诊断事件的诊断权重；
获取所述诊断权重对应的校验阈值；
若所述校验值小于等于所述校验阈值，剔除对应所述第一诊断事件；
当所述诊断小组产生对应所述第一诊断事件的诊断类型为被动诊断时，获取对应所述诊断小组的信用信息；
将所述信用信息拆分成多个第一信用项；
获取所述第一信用项的产生时间点；
构建时间轴线，基于所述产生时间点，将所述第一信用项对应设置于所述时间轴线上；
对所述第一信用项进行特征提取，获得多个第一信用特征；
获取预设的不良信用特征库，将所述第一信用特征与所述不良信用特征库中的第一不良信用特征进行匹配，若匹配符合，将匹配符合的第一不良信用特征作为第二不良信用特征，同时，将对应所述第一信用项作为第二信用项；
获取所述第二不良信用特征对应的至少一个补充匹配信息；
依次遍历所述补充匹配信息，每次遍历时，提取遍历到的所述补充匹配信息中的补充方向、补充范围和第一待匹配特征；
确定所述时间轴线上所述第二信用项的所述补充方向上所述补充范围内的所述第一信用项，并作为第三信用项；
确定所述第三信用项对应的所述第一信用特征，并作为第二信用特征；
将所述第二信用特征与所述第一待匹配特征进行匹配，若匹配符合，将匹配符合的第一待匹配特征作为第二待匹配特征；
获取所述第二待匹配特征对应的补充不良程度值，同时，获取所述第二不良信用特征对应的不良程度值；
遍历均结束后，累加计算所述补充不良程度值和所述不良程度值，获得不良程度值和；
若所述不良程度值和大于等于预设的不良程度阈值，剔除对应所述第一诊断事件；
当需要剔除的所述第一诊断事件均剔除后，将剔除剩余的所述第一诊断事件作为第二诊断事件；
将所述第二诊断事件作为补充训练样本输入至所述卷积神经网络，进行补充训练。
2.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为1*1。
3.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为3*3。
4.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为5*5。
5.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为11*11。
6.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为17*17。
7.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为18*18。
8.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：
将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；
将卷积神经网络中深浅层卷积核的大小设定为20*20。
9.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S2：获取轴承数据，包括：
以12KHz采样频率采样轴承数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111624693.8A CN114330439B (zh) | 2021-12-28 | 2021-12-28 | 一种基于卷积神经网络的轴承诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111624693.8A CN114330439B (zh) | 2021-12-28 | 2021-12-28 | 一种基于卷积神经网络的轴承诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114330439A CN114330439A (zh) | 2022-04-12 |
| CN114330439B true CN114330439B (zh) | 2023-04-07 |
Family
ID=81015221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111624693.8A Active CN114330439B (zh) | 2021-12-28 | 2021-12-28 | 一种基于卷积神经网络的轴承诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330439B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310599B (zh) * | 2023-05-17 | 2023-08-15 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
| CN116701912B (zh) * | 2023-06-14 | 2023-11-14 | 盐城工学院 | 基于一维卷积神经网络的轴承故障诊断方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
| CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7209860B2 (en) * | 2003-07-07 | 2007-04-24 | Snap-On Incorporated | Distributed expert diagnostic service and system |
| CN106885697B (zh) * | 2017-03-17 | 2019-09-20 | 华东交通大学 | 基于fcm-hmm的滚动轴承的性能退化评估方法 |
| US20210061027A1 (en) * | 2017-10-26 | 2021-03-04 | Applied Mechatronic Products | Apparatus and method for vehicular monitoring, analysis, and control |
| CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
| CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
| CN111353373B (zh) * | 2019-11-29 | 2023-08-04 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
| CN111444871A (zh) * | 2020-04-01 | 2020-07-24 | 北京信息科技大学 | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 |
| CN112052902B (zh) * | 2020-04-16 | 2023-05-23 | 北京信息科技大学 | 滚动轴承故障诊断方法、系统、计算机程序及存储介质 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 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 |
| CN112733292A (zh) * | 2021-01-07 | 2021-04-30 | 西安建筑科技大学 | 一种基于Spark的并行卷积神经网络轴承故障诊断方法 |
| CN113283578B (zh) * | 2021-04-14 | 2024-07-23 | 南京大学 | 一种基于标记风险控制的数据去噪方法 |
| CN113255882B (zh) * | 2021-04-30 | 2022-11-04 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113670610B (zh) * | 2021-06-09 | 2022-10-04 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
-
2021
- 2021-12-28 CN CN202111624693.8A patent/CN114330439B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
| CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114330439A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114330439B (zh) | 一种基于卷积神经网络的轴承诊断方法 | |
| CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
| KR101964412B1 (ko) | 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN106951499A (zh) | 一种基于翻译模型的知识图谱表示方法 | |
| CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
| CN110731773B (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
| CN108959895A (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
| CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
| 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 | |
| CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
| CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
| CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
| CN111767277A (zh) | 数据处理方法和装置 | |
| CN117332367A (zh) | 基于机理数据融合的小样本旋转机械智能诊断方法 | |
| CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
| Chen et al. | Intelligent teaching evaluation system integrating facial expression and behavior recognition in teaching video | |
| CN112146880B (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
| CN116721071B (zh) | 一种基于弱监督的工业产品表面缺陷检测方法及装置 | |
| CN116665922A (zh) | 一种医患通信方法及系统 | |
| CN110765908A (zh) | 基于深度学习的级联式癌细胞检测系统 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| CN116668068A (zh) | 基于联合联邦学习的工控异常流量检测方法 | |
| CN114781427B (zh) | 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 |
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 |