CN115017945A - 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 - Google Patents
基于增强型卷积神经网络的机械故障诊断方法和诊断系统 Download PDFInfo
- Publication number
- CN115017945A CN115017945A CN202210567779.XA CN202210567779A CN115017945A CN 115017945 A CN115017945 A CN 115017945A CN 202210567779 A CN202210567779 A CN 202210567779A CN 115017945 A CN115017945 A CN 115017945A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- training
- module
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于增强型卷积神经网络的机械故障诊断方法和诊断系统,诊断方法包括如下步骤:采集机械设备不同故障类型的原始振动信号;对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
Description
技术领域
本发明涉及机械故障诊断领域,尤其涉及一种基于增强型卷积神经网络的机械故障诊断方法和诊断系统。
背景技术
随着工业化时代的发展,旋转机械广泛应用于民用和军用领域。由于旋转机械的关键零部件通常在高速、重载环境下运行,其健康状态影响着整个机械设备的运行,一旦发生故障,很容易导致整个机械设备瘫痪,甚至会引发灾难性的安全事故。因此,为了提高机械设备的安全性,减少经济损失,对旋转机械关键零部件进行故障诊断具有重要意义。
目前,基于信号处理的机械故障诊断方法有很多,常用的故障诊断方法包括BP神经网络、K近邻算法、支持向量机等。虽然以上方法在故障识别方面取得了较大进展,但需要人工进行故障特征提取。此外,当振动信号含有噪声,且数据量较大时,会增加这些方法的计算量,从而导致诊断效率降低,甚至影响诊断精度。深度学习理论为解决这些问题提供了一种有效的途径,其中卷积神经网络作为应用最成功的深度学习模型之一,越来越受到人们的密切关注。然而,当采用传统卷积神经网络对振动数据进行处理时,它容易出现过拟合问题,且面临大量样本时,其计算效率不高。
发明内容
本方案针对上文提出的问题和需求,提出一种基于增强型卷积神经网络的机械故障诊断方法,由于采取了如下技术特征而能够实现上述技术目的,并带来其他多项技术效果。
本发明的一个目的在于提出一种基于增强型卷积神经网络的机械故障诊断方法,包括如下步骤:
S10:采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;
S20:对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
S30:搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
S40:将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
S50:将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
另外,根据本发明的基于增强型卷积神经网络的机械故障诊断方法,还可以具有如下技术特征:
在本发明的一个示例中,所述步骤S20包括:
首先,采用变分模态提取方法对采集到的原始振动信号进行预处理;然后,采用不同故障信号的主要模态分量构建一个特征样本集;最后,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
在本发明的一个示例中,所述变分模态提取的具体表达式为:
X(n)=Ud(n)+Rr(n)
式中,X(n)为原始振动信号,Ud(n)为提取的主要模态分量,Rr(n)为残差分量。
在本发明的一个示例中,在所述步骤S30中,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将特征加权模块输出的特征矩阵Z转换为一个一维向量V1D,将一维向量V1D输入到softmax分类器中进行故障类型识别。
在本发明的一个示例中,在由四个卷积池化操作依次串接组成的特征提取中,
第一个卷积池化操作采用宽卷积核对输入特征进行卷积,剩余三个卷积池化操作使用窄卷积核对输入特征进行卷积。
在本发明的一个示例中,在所述特征加权模块中,
所述自注意力机制的表达式为:
Q=Y4·WQ,K=Y4·WK,V=Y4·WV
式中,Y4为输入的特征矩阵,即第四个卷积池化操作输出的特征矩阵,dk为尺度因子,WQ,WK,WV为网络模型训练过程中学习到的参数矩阵,Q,K,V为Y4经过线性变换得到的矩阵,Z为经过自注意力机制加权后得到的特征矩阵,Attention(·)和softmax(·)分别为MATLAB工具箱中的自注意力函数和柔性最大值函数。
在本发明的一个示例中,在步骤S40中,所述采用早停法提前结束训练包括:
当第t次迭代过程中验证集的泛化损失值Lossval(t)超过给定阈值ε时,对增强型卷积神经网络模型的训练过程实施停止,其具体表达式为:
本发明的另一个目的在于提出一种基于增强型卷积神经网络的机械故障诊断系统,包括:
采集模块,配置为采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;
处理模块,配置为采用变分模态提取方法对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
模型搭建模块,配置为搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
训练模块,配置为将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练,否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
故障识别模块,配置为将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
在本发明的一个示例中,所述处理模块包括:
预处理单元,采用变分模态提取方法对采集到的原始振动信号进行预处理;
构建样本单元,采用不同故障信号的主要模态分量构建一个特征样本集;
划分单元,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
在本发明的一个示例中,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将特征加权模块输出的特征矩阵Z转换为一个一维向量V1D,然后将一维向量V1D输入到softmax分类器中进行故障类型识别。
下文中将结合附图对实施本发明的最优实施例进行更加详尽的描述,以便能容易理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下文中将对本发明实施例的附图进行简单介绍。其中,附图仅仅用于展示本发明的一些实施例,而非将本发明的全部实施例限制于此。
图1为根据本发明实施例的故障诊断方法的整体流程图;
图2为根据本发明实施例的增强型卷积神经网络模型的结构示意图;
图3为根据本发明实施例的卷积池化操作的结构示意图;
图4为某一轴承内圈振动信号变分模态提取后的信号;
图5为10种原始振动信号的时域波形;
图6为不同方法的诊断结果图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚,下文中将结合本发明具体实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同部件。需要说明的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
一方面,由于现场机械设备在复杂、多变的工作环境中运行,其采集的振动信号中蕴含着大量的噪声和其他干扰源信息,因此,采用传统故障诊断方法对强噪声背景下的振动信号进行处理时,通常难以获得满意的诊断精度。而且,当面对大量数据样本时,传统故障诊断方法需要耗费大量的计算时间。另一方面,采用传统卷积神经网络进行设备故障识别时,容易出现过拟合问题。因此,为了解决以上问题,本发明公开了一种基于增强型卷积神经网络的机械故障诊断方法,不仅能够解决传统卷积神经网络中存在的过拟合问题,而且具有识别精度高、运算速度快和鲁棒性强等优点。
需要说的是,本发明中所涉及的卷积层、批量归一化层、激活层、池化层、softmax分类器等均为MATLAB中关于深度学习的工具包中的函数。
根据本发明第一方面的一种基于增强型卷积神经网络的机械故障诊断方法,如图1至图3所示,包括如下步骤:
S10:采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;例如,在机械关键零部件上安装加速度传感器,采集不同故障类型的原始振动信号。
S20:对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
S30:搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
S40:将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练,否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
S50:将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
也就是说,首先,利用加速度传感器采集旋转机械中关键零部件的不同故障类型原始振动信号;其次,采用变分模态提取方法提取原始振动信号中的主要模态分量构建成一个大的特征样本集,并按一定比例随机划分为训练集、验证集和测试集;然后,由特征提取模块、特征加权模块和特征分类模块进行依次串接,形成一种增强型卷积神经网络模型;接着,将训练集和验证集输入到增强型卷积神经网络模型中进行训练和更新参数,并采用早停法提前结束训练,将已训练好的网络模型进行保存;最后,将测试集输入到已训练好的增强型卷积神经网络模型中进行测试,实现设备故障类型的准确识别。该故障诊断方法通过采用变分模态提取方法对原始振动信号进行降噪预处理,并建立一种增强型卷积神经网络模型对降噪后的数据集进行训练和测试,不仅能够解决传统卷积神经网络中存在的过拟合问题,而且能够很大程度上提升传统故障诊断方法的识别精度和运算效率,具有很好的应用前景。
在本发明的一个示例中,所述步骤S20包括:
首先,采用变分模态提取方法对采集到的原始振动信号进行预处理,不仅可以提取主要的模态分量,而且能去除一部分噪声干扰信息;然后,采用不同故障信号的主要模态分量构建一个特征样本集;最后,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
在本发明的一个示例中,所述变分模态提取的具体表达式为:
X(n)=Ud(n)+Rr(n)
式中,X(n)为原始振动信号,Ud(n)为提取的主要模态分量,Rr(n)为残差分量。
在本发明的一个示例中,在所述步骤S30中,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;也就是说,将第一个卷积池化操作的输出Y1作为第二个卷积池化操作的输入,将第二个卷积池化操作的输出Y2作为第三个卷积池化操作的输入,将第三个卷积池化操作的输出Y3作为第四个卷积池化操作的输入,将第四卷积池化操作的输出Y4(即特征提取模块的输出)作为特征加权模块的输入。
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将特征加权模块输出的特征矩阵Z转换为一个一维向量V1D,将一维向量V1D输入到softmax分类器中进行故障类型识别。
在本发明的一个示例中,在由四个卷积池化操作依次串接组成的特征提取中,
第一个卷积池化操作采用宽卷积核对输入特征进行卷积,可以有效的滤除噪声,剩余三个卷积池化操作使用窄卷积核对输入特征进行卷积,改善学习到的特征。
在本发明的一个示例中,在所述特征提取模块中,
批量归一化层的表达式为:
池化层的表达式为:
在本发明的一个示例中,在所述特征加权模块中,
所述自注意力机制的表达式为:
Q=Y4·WQ,K=Y4·WK,V=Y4·WV
式中,Y4为输入的特征矩阵,即第四个卷积池化操作输出的特征矩阵,dk为尺度因子,WQ,WK,WV为网络模型训练过程中学习到的参数矩阵,Q,K,V为Y4经过线性变换得到的矩阵,Z为经过自注意力机制加权后得到的特征矩阵,Attention(·)和softmax(·)分别为MATLAB工具箱中的自注意力函数和柔性最大值函数。
在本发明的一个示例中,在所述特征分类模块中,
全局平均池化层的表达式为:
在本发明的一个示例中,在所述特征分类模块中,
Softmax分类器的表达式为:
式中,zo(j)表示第j个神经元在输出层的对数,M表示故障的类别数,Q表示输出的概率。
在本发明的一个示例中,在步骤S40中,所述采用早停法提前结束训练包括:
当第t次迭代过程中验证集的泛化损失值Lossval(t)超过给定阈值ε时,对增强型卷积神经网络模型的训练过程实施停止,其具体表达式为:
通过在增强型卷积神经网络模型的训练过程中引入早停法,不仅能够有效地避免网络模型的过拟合问题,而且还可以提高网络模型的训练速度,进而提升整个深度网络模型的故障识别性能。
根据本发明第二方面的一种基于增强型卷积神经网络的机械故障诊断系统,包括:
采集模块,配置为采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;
处理模块,配置为采用变分模态提取方法对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
模型搭建模块,配置为搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
训练模块,配置为将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练,否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
故障识别模块,配置为将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
在本发明的一个示例中,所述处理模块包括:
预处理单元,采用变分模态提取方法对采集到的原始振动信号进行预处理;
构建样本单元,采用不同故障信号的主要模态分量构建一个特征样本集;
划分单元,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
在本发明的一个示例中,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将特征加权模块输出的特征矩阵Z转换为一个一维向量V1D,将一维向量V1D输入到softmax分类器中进行故障类型识别。
具体实施例
本案例采用美国凯斯西储大学实验室的6205-2RS轴承振动数据集对提出方法进行验证。所选数据是在电机转速1772r/min和采样频率12kHz情况下采集到的,采集的位置为电机驱动端,所选数据包含10种不同的轴承健康状态,分别为正常状态、内圈故障直径0.1778mm、内圈故障直径0.3556mm、内圈故障直径0.5334mm、外圈故障直径0.1778mm、外圈故障直径0.3556mm、外圈故障直径0.5334mm、滚动体故障直径0.1778mm、滚动体故障直径0.3556mm和滚动体故障直径0.5334mm,这些故障直径均是由电火花机加工出来的。每种轴承健康状态的振动数据选择300个样本,每个样本的采样点数为2048,共选取了3000个样本。图4显示了10种轴承健康状态下振动数据的时域波形。
首先,采用变分模态提取方法对原始轴承振动信号进行降噪预处理,获得的主要模态分量如图5所示。同时,将这些获得的主要模态分量构成特征样本集,并按照7:2:1的比例将特征样本集随机划分为训练集、验证集和测试集;然后,将训练集和验证集输入到增强型卷积神经网络模型中进行训练和更新网络参数,并采用早停法提前结束训练。表1列出了增强型卷积神经网络模型的基本参数。具体地,选择交叉熵损失函数作为目标函数,利用Adam优化器进行连续迭代优化,使目标函数的损失值最小,Adam优化器的初始学习率设为0.001,小批量设为64,最大迭代次数设为500。最后,将测试集输入到已训练好的增强型卷积神经网络模型中进行故障类型识别,获得故障诊断结果。
表1增强型卷积神经网络模型的基本参数
为了验证本发明提出方法的有效性和优越性,采用提出方法与几种代表性诊断方法对添加不同信噪比噪声的振动数据进行分析。具体地,所选的代表性诊断方法分别为K近邻算法、支持向量机、深度神经网络和长短记忆网络。为了保证算法对比的公平性,每种方法运行10次,取10次准确率的平均值作为最终诊断结果。不同算法的诊断结果如图6所示。从图6可以明显看出,在不同信噪比下,提出方法的平均诊断精度均高于其他4种方法。当信噪比大于-6dB时,提出方法的平均诊断精度能够达到100%。此外,当信噪比为-14dB时,提出方法的平均诊断精度仍能达到80%以上。因此,综上对比可知,相比几种代表性诊断方法,本发明提出的方法具有更好的诊断性能和更强的鲁棒性。
上文中参照优选的实施例详细描述了本发明所提出的基于增强型卷积神经网络的机械故障诊断方法的示范性实施方式,然而本领域技术人员可理解的是,在不背离本发明理念的前提下,可以对上述具体实施例做出多种变型和改型,且可以对本发明提出的各种技术特征、结构进行多种组合,而不超出本发明的保护范围,本发明的保护范围由所附的权利要求确定。
Claims (10)
1.一种基于增强型卷积神经网络的机械故障诊断方法,其特征在于,包括如下步骤:
S10:采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;
S20:对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
S30:搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
S40:将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
S50:将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
2.根据权利要求1所述的基于增强型卷积神经网络的机械故障诊断方法,其特征在于,
所述步骤S20包括:
首先,采用变分模态提取方法对采集到的原始振动信号进行预处理;然后,采用不同故障信号的主要模态分量构建一个特征样本集;最后,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
3.根据权利要求2所述的基于增强型卷积神经网络的机械故障诊断方法,其特征在于,
所述变分模态提取的具体表达式为:
X(n)=Ud(n)+Rr(n)
式中,X(n)为原始振动信号,Ud(n)为提取的主要模态分量,Rr(n)为残差分量。
4.根据权利要求1所述的基于增强型卷积神经网络的机械故障诊断方法,其特征在于,
在所述步骤S30中,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将特征加权模块输出的特征矩阵Z转换为一个一维向量V1D,将一维向量V1D输入到softmax分类器中进行故障类型识别。
5.根据权利要求4所述的基于增强型卷积神经网络的机械故障诊断方法,其特征在于,
在由四个卷积池化操作依次串接组成的特征提取中,
第一个卷积池化操作采用宽卷积核对输入特征进行卷积,剩余三个卷积池化操作使用窄卷积核对输入特征进行卷积。
8.一种基于增强型卷积神经网络的机械故障诊断系统,其特征在于,包括:
采集模块,配置为采集机械设备不同故障类型的原始振动信号X(n),n为信号的采样点数;
处理模块,配置为采用变分模态提取方法对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;
模型搭建模块,配置为搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;
训练模块,配置为将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练,否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;
故障识别模块,配置为将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
9.根据权利要求8所述的基于增强型卷积神经网络的机械故障诊断系统,其特征在于,
所述处理模块包括:
预处理单元,采用变分模态提取方法对采集到的原始振动信号进行预处理;
构建样本单元,采用不同故障信号的主要模态分量构建一个特征样本集;
划分单元,将所述特征样本集按照一定的比例随机划分为训练集、验证集和测试集。
10.根据权利要求8所述的基于增强型卷积神经网络的机械故障诊断系统,其特征在于,
所述特征提取模块由四个卷积池化操作依次串接组成,用于学习具有判别性的故障信息,每一个卷积池化操作包括依次串接的一个卷积层、一个批量归一化层、一个激活层和一个池化层;其中,当前卷积池化操作的输出作为下一个卷积池化操作的输入;
所述特征加权模块采用自注意力机制对经过四次卷积池化操作得到的特征进行自适应加权;
所述特征分类模块由全局平均池化层和分类层串接组成,采用全局平均池化将加权后的特征矩阵转换为一个一维向量,将一维向量输入到softmax分类器中进行故障类型识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567779.XA CN115017945A (zh) | 2022-05-24 | 2022-05-24 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567779.XA CN115017945A (zh) | 2022-05-24 | 2022-05-24 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017945A true CN115017945A (zh) | 2022-09-06 |
Family
ID=83069498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210567779.XA Pending CN115017945A (zh) | 2022-05-24 | 2022-05-24 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017945A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796238A (zh) * | 2022-12-02 | 2023-03-14 | 中国地质大学(武汉) | 基于隐式数据增强的小样本机械故障诊断方法及装置 |
CN115905976A (zh) * | 2022-11-11 | 2023-04-04 | 东北林业大学 | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 |
CN116010805A (zh) * | 2023-03-24 | 2023-04-25 | 昆明理工大学 | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
CN116257038A (zh) * | 2023-05-15 | 2023-06-13 | 深圳市瓴鹰智能科技有限公司 | 基于轻量级卷积神经网络的舵机控制与诊断方法、装置 |
CN116484172A (zh) * | 2023-01-19 | 2023-07-25 | 南京林业大学 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
CN116541768A (zh) * | 2023-07-05 | 2023-08-04 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及计算机可读存储介质 |
CN117540202A (zh) * | 2023-09-13 | 2024-02-09 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311342B1 (en) * | 2016-04-14 | 2019-06-04 | XNOR.ai, Inc. | System and methods for efficiently implementing a convolutional neural network incorporating binarized filter and convolution operation for performing image classification |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
CN111024147A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 |
CN111797567A (zh) * | 2020-06-09 | 2020-10-20 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112668459A (zh) * | 2020-12-25 | 2021-04-16 | 合肥工业大学 | 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 |
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 |
US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
CN113159159A (zh) * | 2021-04-15 | 2021-07-23 | 东北大学 | 一种基于改进cnn的小样本图像分类方法 |
CN113343591A (zh) * | 2021-07-16 | 2021-09-03 | 浙江大学 | 基于自注意力网络的产品关键零件寿命端到端预测方法 |
CN113611354A (zh) * | 2021-07-05 | 2021-11-05 | 河南大学 | 一种基于轻量级深度卷积网络的蛋白质扭转角预测方法 |
CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN114386526A (zh) * | 2022-01-18 | 2022-04-22 | 郑州轻工业大学 | 旋转机械故障的联合卷积神经网络诊断方法 |
CN114463677A (zh) * | 2022-01-19 | 2022-05-10 | 北京工业大学 | 一种基于全局注意力的安全帽配戴检测方法 |
-
2022
- 2022-05-24 CN CN202210567779.XA patent/CN115017945A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311342B1 (en) * | 2016-04-14 | 2019-06-04 | XNOR.ai, Inc. | System and methods for efficiently implementing a convolutional neural network incorporating binarized filter and convolution operation for performing image classification |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
CN111024147A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的元件安装检测方法、装置、电子设备及存储介质 |
CN111797567A (zh) * | 2020-06-09 | 2020-10-20 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112668459A (zh) * | 2020-12-25 | 2021-04-16 | 合肥工业大学 | 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 |
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 |
CN113159159A (zh) * | 2021-04-15 | 2021-07-23 | 东北大学 | 一种基于改进cnn的小样本图像分类方法 |
CN113611354A (zh) * | 2021-07-05 | 2021-11-05 | 河南大学 | 一种基于轻量级深度卷积网络的蛋白质扭转角预测方法 |
CN113343591A (zh) * | 2021-07-16 | 2021-09-03 | 浙江大学 | 基于自注意力网络的产品关键零件寿命端到端预测方法 |
CN113865868A (zh) * | 2021-08-24 | 2021-12-31 | 东南大学 | 基于时频域表达的滚动轴承故障诊断方法 |
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN114386526A (zh) * | 2022-01-18 | 2022-04-22 | 郑州轻工业大学 | 旋转机械故障的联合卷积神经网络诊断方法 |
CN114463677A (zh) * | 2022-01-19 | 2022-05-10 | 北京工业大学 | 一种基于全局注意力的安全帽配戴检测方法 |
Non-Patent Citations (3)
Title |
---|
YADONG XU: "Hierarchical Multiscale Dense Networks for Intelligent Fault Diagnosis of Electromechanical Systems", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT ( VOLUME: 71)》, 21 February 2022 (2022-02-21) * |
孙靖超: "基于优化深度双向自编码网络的舆情情感识别研究", 《情报杂志》, 10 June 2020 (2020-06-10) * |
颉潭成;陈孟会;徐彦伟;李先锋;: "卷积神经网络在轴承故障识别的应用", 制造业自动化, no. 01, 25 January 2020 (2020-01-25) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905976A (zh) * | 2022-11-11 | 2023-04-04 | 东北林业大学 | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 |
CN115796238A (zh) * | 2022-12-02 | 2023-03-14 | 中国地质大学(武汉) | 基于隐式数据增强的小样本机械故障诊断方法及装置 |
CN116484172A (zh) * | 2023-01-19 | 2023-07-25 | 南京林业大学 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
CN116484172B (zh) * | 2023-01-19 | 2024-01-30 | 南京林业大学 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
CN116010805A (zh) * | 2023-03-24 | 2023-04-25 | 昆明理工大学 | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
CN116257038A (zh) * | 2023-05-15 | 2023-06-13 | 深圳市瓴鹰智能科技有限公司 | 基于轻量级卷积神经网络的舵机控制与诊断方法、装置 |
CN116541768A (zh) * | 2023-07-05 | 2023-08-04 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及计算机可读存储介质 |
CN117540202A (zh) * | 2023-09-13 | 2024-02-09 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
CN117540202B (zh) * | 2023-09-13 | 2024-05-14 | 南京林业大学 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
CN106682688B (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN112183581A (zh) | 基于自适应迁移神经网络的半监督机械故障诊断方法 | |
CN110991424A (zh) | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 | |
CN110617966A (zh) | 一种基于半监督生成对抗网络的轴承故障诊断方法 | |
CN110866365A (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
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 | |
CN109827776B (zh) | 轴承故障检测方法及系统 | |
CN109978134B (zh) | 一种基于快速集成卷积神经网络的故障预测方法 | |
CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
CN110647867A (zh) | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
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 | |
CN116720130A (zh) | 一种基于知识与数据融合的轴承故障诊断方法 | |
CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
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 |
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 |