CN115114954A - 基于VMD-DenseNet的滚动轴承故障诊断方法 - Google Patents

基于VMD-DenseNet的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN115114954A
CN115114954A CN202210584154.4A CN202210584154A CN115114954A CN 115114954 A CN115114954 A CN 115114954A CN 202210584154 A CN202210584154 A CN 202210584154A CN 115114954 A CN115114954 A CN 115114954A
Authority
CN
China
Prior art keywords
densenet
vmd
model
denseblock
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
Application number
CN202210584154.4A
Other languages
English (en)
Inventor
邓艾东
董路南
马天霆
刘洋
凌峰
王寅杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202210584154.4A priority Critical patent/CN115114954A/zh
Publication of CN115114954A publication Critical patent/CN115114954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于VMD‑DenseNet的滚动轴承故障诊断方法,涉及滚动轴承故障诊断技术领域,解决了强噪声下的滚动轴承故障诊断效率较低的技术问题,其技术方案要点是将VMD模型和DenseNet网络相结合,两者的适配性很好,通过VMD模型的分解,筛选相关模态,进而重构信号,能够实现初步降噪;DenseNet网络设置了多个DenseBlock块实现特征重用,加强了特征之间的传递,最后通过Softmax层完成故障分类。该VMD‑DenseNet模型对含有不同强度噪声的振动信号均能有效提取故障特征,具有良好的诊断性能,准确率更高、训练参数较少、收敛速度快、鲁棒性好。

Description

基于VMD-DenseNet的滚动轴承故障诊断方法
技术领域
本申请涉及滚动轴承故障诊断技术领域,尤其涉及一种基于VMD-DenseNet的滚动轴承故障诊断方法。
背景技术
随着科学技术的不断发展,机械设备成为许多生产过程的关键部件,旋转机械设备对于制造业的发展十分重要。滚动轴承是大型旋转机械中的关键部件,在设备运行过程中,滚动轴承承受巨大的负载,容易发生故障,资料显示,在旋转机械故障中40%以上是轴承故障一旦发生故障将会导致整个系统的停机,对生产过程的安全运行造成巨大的影响。因此,对滚动轴承进行故障诊断,提前发现异常并进行调整,预防事故发生。具有重大的意义。
滚动轴承故障诊断方法已经有了一定的发展,但目前依然面临很多挑战。如:需要人为提取传统特征,针对不同工况下的故障需要提取不同的特征,这将会需要更多专家经验。随着深度学习的不断发展,不再需要人工提取特征,可以利用深度网络自动提取特征进而实现故障诊断。但是,传统的深度学习网络只能利用单一的特征,无法提取振动信号更深层次的特征,导致诊断效率不高。除此之外,在强噪声条件下故障特征被噪声淹没,难以提取有效的特征信息,无法高效完成滚动轴承故障诊断。
发明内容
本申请提供了一种基于VMD-DenseNet的滚动轴承故障诊断方法,其技术目的是实现强噪声下的滚动轴承故障诊断。
本申请的上述技术目的是通过以下技术方案得以实现的:
一种基于VMD-DenseNet的滚动轴承故障诊断方法,包括:
S1:选取滚动轴承的第一振动数据,对所述第一振动数据进行预处理,然后将强噪声信号加入到预处理后的所述第一振动数据中,得到第二振动数据;
S2:对所述第二振动数据进行样本切分,以3:1的比例切分为训练集和测试集;
S3:将训练集和测试集分别输入到VMD模型进行初步降噪;
S4:将初步降噪后的训练集的数据转换为二维图像并输入到DenseNet网络中,对DenseNet网络进行训练和参数更新,直至DenseNet网络收敛结束训练,得到训练后的DenseNet网络模型;
S5:将初步降噪后的测试集输入到DenseNet网络模型对故障进行诊断,得到诊断结果。
本申请的有益效果在于:
本申请设计了适用于强噪声下滚动轴承故障诊断的VMD-DenseNet网络,实现了强噪声下故障特征自动提取,能够较好的应用于强噪声下滚动轴承故障诊断,准确率更高、训练参数较少、收敛速度快、鲁棒性好。
本申请将VMD模型和DenseNet网络相结合,两者的适配性很好,通过VMD模型的分解,筛选相关模态,进而重构信号,能够实现初步降噪;DenseNet网络设置了多个DenseBlock块实现特征重用,加强了特征之间的传递,最后通过Softmax层完成故障分类。该VMD-DenseNet模型对含有不同强度噪声的振动信号均能有效提取故障特征,具有良好的诊断性能。
附图说明
图1为本申请实施例的流程图;
图2为本申请实施例的原始振动数据、加入噪声后的数据、VMD模型降噪后的折线图;
图3为本申请实施例的VMD-DenseNet网络结构示意图;
图4为本申请实施例的与其他模型诊断准确率对比图;
图5为本申请实施例的不同噪声下诊断准确率对比图;
图6是本申请实施例的VMD-DenseNet网络训练过程中的训练集损失函数图;
图7为本申请实施例的VMD-DenseNet网络训练过程中的验证集准确率图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
本实施例为一种基于VMD-DenseNet的滚动轴承故障诊断方法,参见图1,包括以下步骤:
S1:选取凯斯西储大学(CWRU)滚动轴承振动数据集,对该振动数据集进行预处理,然后将预处理后的数据中加入-4dB强噪声信号。
表1
Figure BDA0003662819700000021
S2:将加入强噪声信号后的数据进行切分,按照1:3划分为训练集和测试集。每个样本的数据长度为1024,训练集样本数为450,测试集样本数为150。数据类型包括正常、内圈故障、滚动体故障、外圈故障四种类型数据,其中,三类故障数据又分别包括三种不同故障尺寸,具体如表1所示。
S3:将训练集样本和测试集样本分别输入VMD模型,VMD模型中K为4,α为2000。经过VMD模型分解会得到4个IMF,利用皮尔逊相关系数法选取相关性较高的3个模态进行信号重构。图2为原始振动信号、加入噪声后的信号、VMD模型降噪后的信号折线图,从图2可以看到加噪之后原始振动信号被噪声淹没,经过VMD模型降噪后的信号折线图已经比较接近原始振动信号,体现了VMD分解降噪的作用。
本实施例所述的VMD模型的分解数学模型如下:
(1)构建变分模型,表示为:
Figure BDA0003662819700000031
s.t.∑kuk=f;
Figure BDA0003662819700000032
Figure BDA0003662819700000033
其中,λ表示拉格朗日乘子;α表示二次惩罚因子;
通过交替方向乘子法搜索鞍点,不断更新每个模态分量
Figure BDA0003662819700000034
中心频率
Figure BDA0003662819700000035
及拉格朗日乘子λn+1,表示为:
Figure BDA0003662819700000036
Figure BDA0003662819700000037
当满足
Figure BDA0003662819700000038
时,停止更新迭代;其中,ε表示相邻项的差的二范数平方,且ε=10-7
S4:将初步降噪后的训练集数据转换为二维图像,大小为32×32,并输入DenseNet网络中,对DenseNet网络进行模型训练和参数更新,网络部分参数例如:epoch取100,learning rate为0.001,损失函数选用交叉熵损失函数。DenseNet网络的结构参数如表2所示。
所述DenseNet网络包括3个DenseBlock块和2个Transition层,每个Transition层设在两个DenseBlock块之间,每个DenseBlock块中的层数为2。所述DenseBlock块用于特征提取,所述Transition层用于模型降维。
每个DenseBlock块的输入包括前面所有层的输出,然后通过加深网络层数和加宽网络结构的方式,并采用特征重用和旁路设置的方法进行特征提取。每个DenseBlock块中总的链接数量表示为:L(L+1)/2,L表示层数且L=2。
所述DenseBlock块在所述Transition层之间的计算公式表示为:
xl=Hl([x0,x1,x2,…,xl-1]);
其中:xl表示第l层网络的输出;Hl表示非线性变换函数,Hl的操作依次包括:归一化批处理、非线性变换、1×1卷积、归一化批处理、非线性变换、3×3卷积。
表2
Figure BDA0003662819700000041
S5:将初步降噪后的测试集的样本输入到训练好的DenseNet网络模型中,得到诊断的结果。
VMD-DenseNet的结构图如图3所示。
为了验证本申请所提出的VMD-DenseNet模型的性能,采用了以下几个模型作为对比:FD-CNN、ICNN、CNN、VMD-CNN、DenseNet。将相同的实验数据分别输入不同网络模型中,获得各自的诊断准确率,如图4所示。
在SNR=-4dB环境下,所有对比模型准确率均在80%以上。其中CNN诊断准确率最低,说明在强噪声下诊断效果较差。VMD-CNN准确率提升6.82%,体现了VMD在降噪方面的优势。FD-CNN和ICNN均是在CNN基础上进行改进的模型,准确率分别提升12.46%和15.35%。而DenseNet网络模型基于自身强大的特征提取能力,能够达到相对较高的准确率,准确率为96.13%,体现了DenseNet网络模型的优越性。本申请所提方法VMD-DenseNet结构有着最高的诊断准确率,VMD模型初步降噪后,再结合DenseNet网络强大的特征提取能力,准确率提高到99.53%,能够有效地实现强噪声下的滚动轴承故障诊断。
为了更好地体现本实施例VMD-DenseNet结构的优越性,改变噪声的大小,在-10dB-0dB的强噪声范围内,验证VMD-DenseNet结构的准确率。由于ICNN、DenseNet以及本申请所提方法的诊断准确率相对较高。对这三种模型进行比较,准确率对比如图5所示。
对比可知,本实施例的VMD-DenseNet结构诊断准确率最高。在信噪比为-10dB时,DenseNet模型和ICNN模型诊断准确率分别为95.17%和85.39%,相比于本申请所提模型准确率并不高,说明本实施例VMD-DenseNet结构在强噪声下有较好的诊断性能;在信噪比为-6dB时,本实施例的VMD-DenseNet结构准确率依然最高,ICNN模型诊断准确率有了很大提升,准确率为95.17%,DenseNet模型诊断准确率为96.35,本实施例模型准确率为99.25%。随着信噪比的不断增加,诊断准确率主要取决于模型自身特征提取的能力,各模型的诊断准确率逐渐趋近于100%。通过分析可知,本实施例的VMD-DenseNet结构在强噪声下具有较好的诊断性能,依赖于VMD分解的降噪,以及DenseNet网络强大的特征提取能力。
图6为本实施例VMD-DenseNet结构训练集损失函数随迭代次数的变化情况,图7为验证集准确率随迭代次数的变化情况,可以看出,训练开始时损失函数较大,验证集准确率较低,随着训练的进行损失函数迅速减小,准确率迅速增加,当迭代次数达到100轮时,损失函数基本稳定,准确率也达到稳定。
以上为本申请示范性实施例,本申请的保护范围由权利要求书及其等效物限定。

Claims (4)

1.一种基于VMD-DenseNet的滚动轴承故障诊断方法,其特征在于,包括:
S1:选取滚动轴承的第一振动数据,对所述第一振动数据进行预处理,然后将强噪声信号加入到预处理后的所述第一振动数据中,得到第二振动数据;
S2:对所述第二振动数据进行样本切分,以3∶1的比例切分为训练集和测试集;
S3:将训练集和测试集分别输入到VMD模型进行初步降噪;
S4:将初步降噪后的训练集的数据转换为二维图像并输入到DenseNet网络中,对DenseNet网络进行训练和参数更新,直至DenseNet网络收敛结束训练,得到训练后的DenseNet网络模型;
S5:将初步降噪后的测试集输入到DenseNet网络模型对故障进行诊断,得到诊断结果。
2.如权利要求1所述的故障诊断方法,其特征在于,所述VMD模型包括:
(1)构建变分模型,表示为:
Figure FDA0003662819690000011
s.t.∑kuk=f;
其中,uk表示各模态分量;ωk表示各模态分量的中心频率;δ(t)表示脉冲函数;k表示模态数;
(2)对所述变分模型进行求解,将变分模型转换为无约束变分求解问题,表示为:
Figure FDA0003662819690000012
其中,λ表示拉格朗日乘子;α表示二次惩罚因子;
通过交替方向乘子法搜索鞍点,不断更新每个模态分量
Figure FDA0003662819690000013
中心频率
Figure FDA0003662819690000014
及拉格朗日乘子λn+1,表示为:
Figure FDA0003662819690000015
Figure FDA0003662819690000016
当满足
Figure FDA0003662819690000017
时,停止更新迭代;其中,ε表示相邻项的差的二范数平方,且ε=10-7
3.如权利要求1所述的故障诊断方法,其特征在于,所述DenseNet网络包括3个DenseBlock块和2个Transition层,每个Transition层设在两个DenseBlock块之间,每个DenseBlock块中的层数为2;所述DenseBlock块用于特征提取,所述Transition层用于模型降维;
每个DenseBlock块的输入包括前面所有层的输出,且每个DenseBlock块中总的链接数量表示为:L(L+1)/2,L表示层数且L=2;
所述DenseBlock块在所述Transition层之间的计算公式表示为:
xl=Hl([x0,x1,x2,…,xl-1]);
其中:xl表示第l层网络的输出;Hl表示非线性变换函数,Hl的操作依次包括:归一化批处理、非线性变换、1×1卷积、归一化批处理、非线性变换、3×3卷积。
4.如权利要求3所述的故障诊断方法,其特征在于,对DenseNet网络进行训练时,损失函数为选择交叉熵损失函数。
CN202210584154.4A 2022-05-26 2022-05-26 基于VMD-DenseNet的滚动轴承故障诊断方法 Pending CN115114954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210584154.4A CN115114954A (zh) 2022-05-26 2022-05-26 基于VMD-DenseNet的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584154.4A CN115114954A (zh) 2022-05-26 2022-05-26 基于VMD-DenseNet的滚动轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN115114954A true CN115114954A (zh) 2022-09-27

Family

ID=83326155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210584154.4A Pending CN115114954A (zh) 2022-05-26 2022-05-26 基于VMD-DenseNet的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN115114954A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118312823A (zh) * 2024-04-02 2024-07-09 广东汇邦智能装备有限公司 一种混合知识蒸馏剪枝压缩网络的轴承故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443242A (zh) * 2019-07-31 2019-11-12 新华三大数据技术有限公司 读数框检测方法、目标识别模型训练方法及相关装置
CN111413091A (zh) * 2020-04-02 2020-07-14 天津大学 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法
CN112903294A (zh) * 2021-01-07 2021-06-04 泰华宏业(天津)智能科技有限责任公司 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法
CN113642508A (zh) * 2021-08-27 2021-11-12 中国航空工业集团公司上海航空测控技术研究所 基于参数自适应vmd与优化svm的轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443242A (zh) * 2019-07-31 2019-11-12 新华三大数据技术有限公司 读数框检测方法、目标识别模型训练方法及相关装置
CN111413091A (zh) * 2020-04-02 2020-07-14 天津大学 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法
CN112903294A (zh) * 2021-01-07 2021-06-04 泰华宏业(天津)智能科技有限责任公司 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法
CN113642508A (zh) * 2021-08-27 2021-11-12 中国航空工业集团公司上海航空测控技术研究所 基于参数自适应vmd与优化svm的轴承故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118312823A (zh) * 2024-04-02 2024-07-09 广东汇邦智能装备有限公司 一种混合知识蒸馏剪枝压缩网络的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN110633792B (zh) 端到端基于卷积循环神经网络的轴承健康指标构建方法
CN108875918B (zh) 一种基于适配共享深度残差网络的机械故障迁移诊断方法
CN111337256B (zh) 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法
CN109946080B (zh) 一种基于嵌入式循环网络的机械设备健康状态识别方法
CN113705424A (zh) 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法
CN116358871B (zh) 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN116416497B (zh) 一种轴承故障诊断系统及方法
CN114970628B (zh) 样本不均衡下基于生成对抗网络的转动部件故障诊断方法
CN110909802A (zh) 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN112132102B (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN115114954A (zh) 基于VMD-DenseNet的滚动轴承故障诊断方法
CN113435321A (zh) 一种主轴轴承状态评估方法、系统、设备及可读存储介质
CN112101659A (zh) 一种基于堆叠去噪自编码器的复杂装备寿命预测方法
CN105513048A (zh) 基于子带信息熵度量的图像质量评价方法
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
CN118114118A (zh) 一种基于cndt的典型武器装备故障诊断方法
CN116296127B (zh) 基于多传感器信像映射的阀门泄漏故障诊断方法
CN113269702A (zh) 基于跨尺度特征融合的低曝光静脉图像增强方法
CN109859141B (zh) 一种深立井井壁图像去噪方法
CN117112991A (zh) 一种基于改进深度残差收缩网络的轴承故障诊断方法
CN112149804A (zh) 一种新型卷积神经网络模型及应用
CN116821762A (zh) 一种基于多尺度图注意力融合网络的机械故障诊断方法
CN116451028A (zh) 一种基于图像深度学习的轴承缺陷检测方法
CN116296396A (zh) 一种基于混合注意力机制残差网络的滚动轴承故障诊断方法
CN112883886A (zh) 一种并行加速的vmd-svpso-bp神经网络故障诊断方法

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