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 PDFInfo
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000005096 rolling process Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
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
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
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:
s.t.∑kuk=f;
其中,λ表示拉格朗日乘子;α表示二次惩罚因子;
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
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。
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。
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)
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)
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 |
-
2022
- 2022-05-26 CN CN202210584154.4A patent/CN115114954A/zh active Pending
Patent Citations (4)
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)
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 |