CN114742098A - 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 - Google Patents
基于时频图和多尺度cnn的滚动轴承的故障诊断方法 Download PDFInfo
- Publication number
- CN114742098A CN114742098A CN202210288591.1A CN202210288591A CN114742098A CN 114742098 A CN114742098 A CN 114742098A CN 202210288591 A CN202210288591 A CN 202210288591A CN 114742098 A CN114742098 A CN 114742098A
- Authority
- CN
- China
- Prior art keywords
- time
- fault
- rolling bearing
- unbalanced
- frequency diagram
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims abstract description 4
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- QHPJWPQRZMBKTG-UHFFFAOYSA-N ethyl 2-[2-methoxy-4-[(4-oxo-2-sulfanylidene-1,3-thiazolidin-5-ylidene)methyl]phenoxy]acetate Chemical compound C1=C(OC)C(OCC(=O)OCC)=CC=C1C=C1C(=O)NC(=S)S1 QHPJWPQRZMBKTG-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于时频图和多尺度CNN的滚轴轴承的故障诊断方法，首先通过加速度传感器采集到滚动轴承不同故障下的原始振动信号，并构建不平衡数据集；分别对上述某类型的原始振动数据样本进行广义S变换生成时频图样本，将时频图样本随机分成训练集和测试集；构建多尺度CNN模型，并将训练集输入到卷积神经网络中进行训练；将训练好的模型进行测试集故障识别。本发明使用时频图克服了非平稳信号时域或者频域分析不足的问题，同时使用多尺度CNN网络自动提取更有代表性的特征和识别，在不平衡样本的情况下也能达到较高的识别精度。
Description
技术领域
本发明属于自动控制技术领域，具体涉及一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法。
背景技术
在不同类型的机械部件中，滚动轴承是旋转机构的关键部件，其在不同载荷作用下不同位置的失效直径等健康状况对旋转机构的性能、稳定性和寿命有显著影响。作为各种机械装置中使用最为广泛的一种机械部件，其是否正常运行将直接影响整台机器的性能
传统信号处理方法大多基于静态假设，仅能在时域或频域分析信号的统计特征，并不能揭示联合时频域的瞬时特征。然而时频表示能描述时频域的能量分布和时变特征，它是非稳态信号最完整的表达方法，因此用时频图作为神经网络的输入对机械故障诊断具有重要的作用。深度学习通过建立深层模型，摆脱了对大量信号处理技术与诊断经验的依赖，实现大量数据下故障特征的自适应提取与健康状况的智能诊断。其中CNN(Convolutional Neural Networks)减少了对故障诊断先验知识的依赖性，然而传统CNN的卷积核只有一个尺度，导致其难以提取具有较强鲁棒性的多尺度特征适应不同类型故障，也难以自适应不同的故障数据集。相较于传统CNN，多尺度CNN具有更丰富的视野域和泛化能力，能够同时对信号的全局性信息和局部特征进行提取。采用多尺度卷积网络用于提取数据的多尺度特征，使提取特征更具代表性。
发明内容
为了解决滚动轴承故障样本不平衡情况下故障识别率低的问题，本发明提供了种基于时频图和多尺度CNN的滚轴轴承不平衡样本下的故障诊断方法，方法可有效提高对不平衡样本的识别准确率；
为了达到上述技术目的，本发明是通过以下技术方案实现的：一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，包括以下步骤：
S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动条不同故障和故障程度的振动信号数据，采集的数据同样包含9种故障类型和无故障类型，同时划分不平衡数据集；
S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；
S3：构建多尺度CNN网络模型并设置超参数；
S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断；
优选的，所述S1中，具体10种不同类型包括类型内圈、外圈和滚动体在不同损伤程度下的各3种故障和无故障样本，不平衡数据集根据IMR不平衡比(imbalance ratio，IMR)来设置；
优选的，所述S2中一维数据大小设置为512个数据，广义S变换计算公式为：
其中：
为高斯窗函数，且σ＝1/|f|，p取0.78；
为了更加快速准确的进行故障识别，时频图大小压缩至64×64；
优选的，所述S3中多尺度CNN模型使用inception模块，超参数设置为损失函数为分类交叉熵，训练方式为min-batch，batch_size＝48，迭代次数为50次。
本发明的有益效果是：
本发明使用时频图作为CNN模型训练数据可提取到丰富的时频特征，多尺度CNN模型能够同时对信号的全局性信息和局部特征进行提取，有效提高对不平衡样本的识别准确率。
附图说明
图1一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法流程图
图2是本发明的不同故障下的广义S变换时频图
图3是本发明的实施例中构建的多尺度CNN神经网络结构图
图4是本发明的实施例中inception模块图
具体实施方式
为了对本发明的技术方案及技术效果做出清楚完整的描述，通过以下实施例进行说明；
实施例1
一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，具体步骤如下：
S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动体不同故障和故障程度的振动信号数据，采集的数据同样包含9种多种故障类型和无故障类型，同时划分不平衡数据集；
S1.1：具体类型包括类型内圈、外圈和滚动体在不同损伤程度下的各3种故障和无故障样本，不平衡数据集根据IMR不平衡比(imbalance ratio，IMR)来设置；
S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；
S2.1：一维数据大小设置为512个数据，广义S变换计算公式为：
其中：
为高斯窗函数，且σ＝1/|f|，p取0.78；
为了更加快速准确的进行故障识别，时频图大小压缩至64×64；
S3：构建多尺度CNN网络模型并设置超参数，网络结构如图3所示，在最后一层卷积层后加入inception模块；
S3.1：多尺度CNN模型使用inception模块，超参数设置为损失函数为分类交叉熵，训练方式为min-batch，batch_size＝48，迭代次数为50次；
S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断。
实施例2
作为本发明的一个具体实施例，实验轴承是深沟球轴承，型号为6205-2RSH，实验中转速为1797r/min，采样频率为25.6kHz，负载为5000N。每组数据采集20s，采集间隔为3s。采集的数据同样包含9种故障类型和无故障类型，所有故障通过线切割的方法分别在测试轴承不同部分切一个与轴线平行的窄缝；具体类型如表1：
表1
表2不平衡数据集组成
| IMR | 1:1 | 2/3 | 1/2 | 1/10 |
| IR0.2 | 300 | 200 | 150 | 30 |
| IR0.4 | 300 | 200 | 150 | 30 |
| IR0.6 | 300 | 200 | 150 | 30 |
| OR0.2 | 300 | 200 | 150 | 30 |
| OR0.4 | 300 | 200 | 150 | 30 |
| OR0.6 | 300 | 200 | 150 | 30 |
| B0.2 | 300 | 200 | 150 | 30 |
| B0.4 | 300 | 200 | 150 | 30 |
| B0.6 | 300 | 200 | 150 | 30 |
| NC | 2700 | 2700 | 2700 | 2700 |
表中不平衡比分别为1、2/3、1/2、1/10，所有训练集正常样本数为2700个。IMR＝1时，滚动轴承正常状态与故障状态的样本数量均为总样本数量的50％，此时数据集正常和故障的比例为1:1，同时故障状态又分为9种；IMR＝2/3时，滚动轴承故障状态的样本数量下降，正常状态的样本数量逐渐增多，此时训练集为轻度不平衡数据集；IMR＝1/2时，正常状态的样本数量是故障状态的样本数量的2倍，此时训练集为中度不平衡数据集；IMR＝1/10时，正常状态的样本数量是故障状态的样本数量的10倍，此时训练集为极度不平衡数据集。为了便于比较，每种不平衡比下的测试集样本数目保持一致，为每种状态50，共计500个测试样本。
表3实验结果
| IMR | 1:1 | 2:3 | 1:2 | 1:10 |
| 识别准确率 | 99.60％ | 99.20％ | 98.96％ | 98.88％ |
从表3中可以看到IMR不管在那种情况下，提出方法的识别准确率都在99.8％以上，基本能够完全识别滚动轴承的故障类型，满足实际工程的需求。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，包括以下步骤：
S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动体不同故障和故障程度的振动信号数据，采集的数据同样包含多种故障类型和无故障类型，同时划分不平衡数据集；
S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；
S3：构建多尺度CNN网络模型并设置超参数；
S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断。
2.根据权利要求1所述一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，所述S1中，具体类型包括类型内圈、外圈和滚动体在不同损伤程度下的各3种故障和无故障样本，不平衡数据集根据IMR不平衡比(imbalance ratio，IMR)来设置。
3.根据权利要求1所述一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，所述S2中一维数据大小设置为512个数据，广义S变换计算公式为：
其中：
为高斯窗函数，且σ＝1/|f|，p取0.78；
为了更加快速准确的进行故障识别，时频图大小压缩至64×64。
4.根据权利要求1所述一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，所述S3中多尺度CNN模型使用inception模块，超参数设置为损失函数为分类交叉熵，训练方式为min-batch，batch_size＝48，迭代次数为50次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288591.1A CN114742098A (zh) | 2022-03-22 | 2022-03-22 | 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288591.1A CN114742098A (zh) | 2022-03-22 | 2022-03-22 | 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114742098A true CN114742098A (zh) | 2022-07-12 |
Family
ID=82277520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210288591.1A Pending CN114742098A (zh) | 2022-03-22 | 2022-03-22 | 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742098A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117760731A (zh) * | 2023-12-19 | 2024-03-26 | 江南大学 | 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统 |
-
2022
- 2022-03-22 CN CN202210288591.1A patent/CN114742098A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117760731A (zh) * | 2023-12-19 | 2024-03-26 | 江南大学 | 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109596326B (zh) | 基于优化结构卷积神经网络的旋转机械故障诊断方法 | |
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm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 | |
| CN109406118B (zh) | 一种基于层次卷积神经网络的机械故障预测方法 | |
| 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 | |
| CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN112668459B (zh) | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 | |
| CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
| CN111476323B (zh) | 一种轴承故障分类方法及系统 | |
| CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
| CN114742098A (zh) | 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 | |
| CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
| 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 | |
| CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
| CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN115326398B (zh) | 一种基于模糊宽度学习模型的轴承故障诊断方法 | |
| CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
| Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis |
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 |