CN115270853A - 一种基于深度学习的轴承故障诊断自适应输入方法及系统 - Google Patents

一种基于深度学习的轴承故障诊断自适应输入方法及系统 Download PDF

Info

Publication number
CN115270853A
CN115270853A CN202210736744.4A CN202210736744A CN115270853A CN 115270853 A CN115270853 A CN 115270853A CN 202210736744 A CN202210736744 A CN 202210736744A CN 115270853 A CN115270853 A CN 115270853A
Authority
CN
China
Prior art keywords
bearing
frequency
adaptive input
fault diagnosis
self
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
CN202210736744.4A
Other languages
English (en)
Inventor
程尧
刘磊
张卫华
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210736744.4A priority Critical patent/CN115270853A/zh
Publication of CN115270853A publication Critical patent/CN115270853A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

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

Abstract

本发明提供了一种基于深度学习的轴承故障诊断自适应输入方法及系统，属于故障诊断技术领域，该方法包括：获取参数；根据获取的参数，计算得到自适应输入长度Na；根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。本发明通过计算深度学习模型的自适应输入长度以及通过包络谱截取频率样本点，并将该频率样本点作为卷积神经网络的输入，以使深度学习模型能够在不同应用条件下保持故障诊断精度的稳定。解决了现有基于深度学习模型的轴承故障诊断方法使用固定输入长度导致深度学习模型在不同应用场景下故障诊断精度波动较大的问题。

Description

一种基于深度学习的轴承故障诊断自适应输入方法及系统
技术领域
本发明属于故障诊断技术领域，尤其涉及一种基于深度学习的轴承故障诊断自适应输入方法及系统。
背景技术
基于深度学习的轴承故障诊断算法主要包括用时域信号、频域信号或时频信号作为模型输入。由于噪声的存在，使得时域信号可能被噪声淹没，从而恶化模型诊断性能。因此，越来越多的研究者开始使用频域信号或者时频信号作为深度学习模型输入。这些基于频域或时频信号的轴承故障诊断深度学习模型的输入长度是固定的，而不同应用场景下轴承结构参数各异且采样频率不同，固定的输入长度带来的固定频率分辨率可能使得故障特征信息不能被提取到，从而影响模型在不同应用场景下的诊断精度稳定性。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于深度学习的轴承故障诊断自适应输入方法及系统，解决了现有基于深度学习模型的轴承故障诊断方法使用固定输入长度导致模型在不同应用场景下诊断精度波动较大的问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于深度学习的轴承故障诊断自适应输入方法，包括以下步骤：
S1、参数获取：将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k；
S2、计算自适应输入长度：根据获取的参数，计算得到自适应输入长度Na；
S3、计算自适应输入数据：根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
进一步地，所述步骤S1包括以下步骤：
S101、数据采集：将加速度传感器加装于待采集轴承上，按照采样频率fs以采集轴承运转过程中的原始振动信号，并记录轴承转速fr；
S102、确定模型的输入长度：根据已设计的卷积神经网络输入尺寸，确定模型的输入长度L；
S103、确定轴承参数：获取轴承的结构参数，其中，所述结构参数包括：轴承的滚子数z、轴承的滚动直径d、轴承节径D以及接触角α；
S104、确定轴承故障特征频率的倍频数：根据实际需求，确定轴承故障特征频率的倍频数k。
再进一步地，所述自适应长度Na的表达式如下：
Figure BDA0003715816360000021
再进一步地，所述步骤S3包括以下步骤：
S301、自适应采样：将原始振动信号按照自适应输入长度Na进行重采样，截取Na个原始振动信号；
S302、计算包络谱：计算截取的Na个原始振动信息的包络谱；
S303、截取数据点：截取包络谱计算结果的前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
本发明还提供了一种基于深度学习的轴承故障诊断自适应输入系统，包括：
参数获取模块，用于将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k；
计算自适应输入长度模块，用于根据获取的参数，计算得到自适应输入长度Na；
计算自适应输入数据模块，用于根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
本发明的有益效果：
(1)本发明为了解决现有基于深度学习模型的轴承故障诊断方法使用固定输入长度导致深度学习模型在不同应用场景下故障诊断精度波动较大的问题，本发明通过计算模型的自适应输入长度以及通过包络谱截取频率样本点，并将该频率样本点作为卷积神经网络的输入，以使深度学习模型能够在不同应用条件下保持故障诊断精度的稳定。
(2)本发明利用包络谱实现对轴承振动信号在频域的全局解调，将故障特征频率从高频部分中解调出来，并恢复其在频谱中本来的位置，提高了轴承故障诊断的精度。
(3)本发明通过计算自适应输入长度，将其与不同应用环境下的各变形成映射关系，提高了模型能够在不同应用条件下保持故障诊断精度的稳定。
附图说明
图1为本发明的方法流程图。
图2为本发明的流程框架示意图。
图3为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1-图2所示，本发明提供了一种基于深度学习的轴承故障诊断自适应输入方法，其实现方法如下：
S1、参数获取：将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k，其实现方法如下：
S101、数据采集：将加速度传感器加装于待采集轴承上，按照采样频率fs以采集轴承运转过程中的原始振动信号，并记录轴承转速fr；
S102、确定模型的输入长度：根据已设计的卷积神经网络输入尺寸，确定模型的输入长度L；
S103、确定轴承参数：获取轴承的结构参数，其中，所述结构参数包括：轴承的滚子数z、轴承的滚动直径d、轴承节径D以及接触角α；
S104、确定轴承故障特征频率的倍频数：根据实际需求，确定轴承故障特征频率的倍频数k；
S2、计算自适应输入长度：根据获取的参数，计算得到自适应输入长度Na；
S3、计算自适应输入数据：根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入，其实现方法如下：
S301、自适应采样：将原始振动信号按照自适应输入长度Na进行重采样，截取Na个原始振动信号；
S302、计算包络谱：计算截取的Na个原始振动信息的包络谱；
S303、截取数据点：截取包络谱计算结果的前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
本实施例中，假设轴承的结构参数如下：z表示滚动体个数，d表示滚动体直径，D表示轴承节径，α为接触角，假设某一应用条件下的轴承转速为fr，采样频率为fs，不同应用条件下轴承的结构参数和应用条件下的轴承转速和采样频率是不一样的。由于基于深度学习的轴承故障诊断网络的输入长度是固定的，为了让模型能够在不同应用条件下保持诊断精度的稳定，就必须使得设计的网络固定输入长度与不同应用环境下的各变量形成一个映射关系，该映射关系就是本发明的关键。
本实施例中，轴承的局部损坏会周期性地激起一系列的瞬态脉冲，由这些重复的瞬态脉冲产生的轴承特征频率是表征轴承故障存在和区分故障类型的重要特征，这些轴承的故障特征频率可以根据轴承的结构参数而计算出来。轴承的内圈、外圈、滚动体、保持架的故障特征频率分别用fin,fout,fball,fcage表示，它们的计算公式如下：
Figure BDA0003715816360000051
Figure BDA0003715816360000052
Figure BDA0003715816360000053
Figure BDA0003715816360000061
为了方便阐述，本发明中以1维卷积神经网络为例，假设某一设计好的1维卷积神经网络接受的固定输入长度为1×L。常用的基于频率特征的深度学习模型是将长度为2L的原始振动信息进行快速傅里叶变换(FFT)以得到长度为L的频率特征，然后将提取的频率特征作为模型输入。由于长度L的选取是一个固定值，如果某个应用场景下的采样频率极高，就会使得频域特征的分辨率太粗继而可能漏掉故障特征频率，从而使模型提取不到有效故障特征而降低模型在此应用场景下诊断精度。
轴承故障信号具有明显的调制特性，调制后会使得故障特征频率搬移至高频部分，从而增加了轴承故障诊断难度。包络谱分析采用希尔伯特变换实现对轴承振动信号在频域的全局解调，即将故障特征频率从高频部分中解调出来恢复其在频谱中的本来位置。因此，本发明中并不使用FFT来得到频域特征，而是通过包络谱分析解调来得到频域特征。
由于模型的输入长度是L，输入信号类型为包络谱分析后的频域特征，那么就要通过包络谱得到前L个频率样本点，由于包络谱是解调信号，因此要保证所有故障都被诊断出来，则这L个包络谱频率样本点的频带BW只需包括最大的轴承故障特征频率，而轴承内圈故障特征频率是最大的。因此有：
BW＝kfin (5)
式中，k表示要取的轴承故障特征频率的倍频数。由于设计好的1维卷积神经网络的输入长度为L，即包括L个频率样本点，假设频率分辨率为Δf，那么这L个频率样本点的频带BW又可以用如下公式计算：
BW＝LΔf (6)
频率分辨率的计算公式如下：
Figure BDA0003715816360000071
式中，Na表示待计算的自适应输入长度。结合公式(1)、(5)、(6)和(7)可以得到自适应输入长度Na的计算公式：
Figure BDA0003715816360000072
从公式中可以得出，自适应输入长度包括轴承转速、采样频率和轴承结构等参数，因此具有自适应不同应用场景的特性。
本实施例中，自适应输入长度算法的应用流程如下：1)首先通过公式(8)得到自适应输入长度Na；2)然后从原始时域信号中截取Na个原始振动信息；3)然后计算这Na个原始振动信号的包络谱；4)截取包络谱的前L个频率样本点作为1维卷积神经网络输入。由于截取的这L个频率样本包括是通过包络谱计算，属于解调信号，通过上面的推导可以知道，这个解信号包含所有故障特征频率，因此能保证提取到所有故障特征频率，通过公式(7)可以看出频率分辨率会根据自适应输入长度变化而变化从而保证所有故障特征频率被提取到，从而达到保证轴承提出的一维卷积神经网络在各应用环境下的诊断精度。
实施例2
如图3所示，本发明提供了一种基于深度学习的轴承故障诊断自适应输入系统，包括：
参数获取模块，用于将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k；
计算自适应输入长度模块，用于根据获取的参数，计算得到自适应输入长度Na；
计算自适应输入数据模块，用于根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
如图3所示实施例提供的基于深度学习的轴承故障诊断自适应输入系统可以执行上述方法实施例基于深度学习的轴承故障诊断自适应输入方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。
本发明实施例中，本申请可以根据基于深度学习的轴承故障诊断自适应输入方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。
本发明实施例中，基于深度学习的轴承故障诊断自适应输入系统为了实现基于深度学习的轴承故障诊断自适应输入方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本发明通过以上设计，虽然模型的输入依然固定，但是固定的输入长度中包含了应用场景下的自适应信息，即考虑了轴承结构参数、轴承转速和采样频率等因素，从而保证了同一个网络在不同应用场景下，不需改变网络结构，依然能保证模型提取到轴承的故障特征信息，从而保障同一轴承故障诊断模型在不同应用场景下的诊断精度稳定性，解决了现有基于深度学习模型的轴承故障诊断方法使用固定输入长度导致深度学习模型在不同应用场景下故障诊断精度波动较大的问题。

Claims (5)

1.一种基于深度学习的轴承故障诊断自适应输入方法，其特征在于，包括以下步骤：
S1、参数获取：将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k；
S2、计算自适应输入长度：根据获取的参数，计算得到自适应输入长度Na；
S3、计算自适应输入数据：根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
2.根据权利要求1所述的基于深度学习的轴承故障诊断自适应输入方法，其特征在于，所述步骤S1包括以下步骤：
S101、数据采集：将加速度传感器加装于待采集轴承上，按照采样频率fs以采集轴承运转过程中的原始振动信号，并记录轴承转速fr；
S102、确定模型的输入长度：根据已设计的卷积神经网络输入尺寸，确定模型的输入长度L；
S103、确定轴承参数：获取轴承的结构参数，其中，所述结构参数包括：轴承的滚子数z、轴承的滚动直径d、轴承节径D以及接触角α；
S104、确定轴承故障特征频率的倍频数：根据实际需求，确定轴承故障特征频率的倍频数k。
3.根据权利要求2所述的基于深度学习的轴承故障诊断自适应输入方法，其特征在于，所述自适应长度Na的表达式如下：
Figure FDA0003715816350000011
4.根据权利要求3所述的基于深度学习的轴承故障诊断自适应输入方法，其特征在于，所述步骤S3包括以下步骤：
S301、自适应采样：将原始振动信号按照自适应输入长度Na进行重采样，截取Na个原始振动信号；
S302、计算包络谱：计算截取的Na个原始振动信息的包络谱；
S303、截取数据点：截取包络谱计算结果的前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
5.一种基于深度学习的轴承故障诊断自适应输入系统，其特征在于，包括：
参数获取模块，用于将加速度传感器加装于待采集轴承上，并分别获取采样频率fs、轴承转速fr、模型的输入长度L、轴承的结构参数以及轴承故障特征频率的倍频数k；
计算自适应输入长度模块，用于根据获取的参数，计算得到自适应输入长度Na；
计算自适应输入数据模块，用于根据自适应输入长度Na，通过包络谱截取前L个频率样本点，并将截取包络谱的L个频率样本点作为卷积神经网络的输入，完成轴承故障诊断的自适应输入。
CN202210736744.4A 2022-06-27 2022-06-27 一种基于深度学习的轴承故障诊断自适应输入方法及系统 Pending CN115270853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210736744.4A CN115270853A (zh) 2022-06-27 2022-06-27 一种基于深度学习的轴承故障诊断自适应输入方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210736744.4A CN115270853A (zh) 2022-06-27 2022-06-27 一种基于深度学习的轴承故障诊断自适应输入方法及系统

Publications (1)

Publication Number Publication Date
CN115270853A true CN115270853A (zh) 2022-11-01

Family

ID=83763813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210736744.4A Pending CN115270853A (zh) 2022-06-27 2022-06-27 一种基于深度学习的轴承故障诊断自适应输入方法及系统

Country Status (1)

Country Link
CN (1) CN115270853A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370851A (zh) * 2023-08-31 2024-01-09 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370851A (zh) * 2023-08-31 2024-01-09 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法
CN117370851B (zh) * 2023-08-31 2024-04-16 西南交通大学 基于无监督迁移学习的自适应输入长度轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN107941510B (zh) 基于等角度双重采样的滚动轴承故障特征的提取方法
CN109520738B (zh) 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN105784366A (zh) 一种变转速下的风电机组轴承故障诊断方法
Ma et al. Early fault diagnosis of rotating machinery based on composite zoom permutation entropy
CN104655380A (zh) 一种旋转机械设备故障特征提取方法
CN113654798A (zh) 故障诊断方法、装置及电子设备
CN103424258A (zh) 一种滚动轴承的故障诊断方法
CN114705426A (zh) 一种滚动轴承早期故障诊断方法
CN115270853A (zh) 一种基于深度学习的轴承故障诊断自适应输入方法及系统
CN110084208B (zh) 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法
CN109682600A (zh) 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法
CN113405823A (zh) 一种基于迭代扩展本征模态分解的旋转机械故障诊断方法
CN109946081A (zh) 一种用于变转速下滚动轴承打滑时的故障诊断方法
CN112345248B (zh) 一种滚动轴承的故障诊断方法及装置
Shi et al. An improved Viterbi algorithm for adaptive instantaneous angular speed estimation and its application into the machine fault diagnosis
Wu et al. A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation
Li et al. Use of vibration signal to estimate instantaneous angular frequency under strong nonstationary regimes
Yi et al. High-order synchrosqueezing superlets transform and its application to mechanical fault diagnosis
CN110987431A (zh) 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法
CN116358873B (zh) 滚动轴承故障诊断方法、装置、设备及介质
CN112345247B (zh) 一种滚动轴承的故障诊断方法及装置
CN117571316A (zh) 一种复合故障诊断方法及系统
CN117828447A (zh) 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法
CN116451019A (zh) 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法
CN114757060B (zh) 一种基于形态学函数构建尺度空间的轴承故障诊断方法

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