CN115859091B - 一种轴承故障特征的提取方法、电子设备及存储介质 - Google Patents

Abstract

本发明提出一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。包括以下步骤：S1.将机械振动信号输入至多任务卷积神经网络中，进行卷积层和批归一化层的权重参数的优化；S2.多任务卷积神经网络输出包括两条支路；S3.将时域指标和包络谱指标求和计算损失函数；S4.对多任务卷积神经网络进行训练，得到最优的权重和学习参数；S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。本发明解决了现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题。

Description

一种轴承故障特征的提取方法、电子设备及存储介质

技术领域

本申请涉及一种轴承故障特征提取方法，尤其涉及一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。

背景技术

滚动轴承是旋转机械的核心元件，并且是容易发生故障的元件之一。通常，将加速度传感器安装在机械外壳上来监测机械的运行状况，并通过诊断信号诊断轴承故障。由于早期的轴承故障引起的异常振动幅度较小，故障信号会被淹没在机械运行时产生的正常振动中。

针对上述问题，有研发人员提出一种滚动轴承故障振动信号分析方法(CN114441172A)，该方法包括S1获得原始振动信号，计算特征频率；S2初始化粒子群算法的参数，设定寻优滤波器长度的范围及迭代次数；S3初始化滤波器，对振动信号采用基于平方包络谱的盲反卷积进行滤波处理，得滤波信号；S4计算滤波信号的故障特征频率比，将故障特征频率比的最大值作为粒子群算法的适应度函数，更新粒子群算法中粒子的速度和位置；S5重复步骤S3至S4，至粒子的最佳位置不发生改变或者达设定迭代次数，输出最优滤波器长度；S6获得最优滤波器长度对应的滤波器滤波后的信号，对滤波后的信号进行包络分析，识别故障类型。

虽然该方法可在强噪声和谐波干扰条件下提取滚动轴承的故障特征。但是，该方法存在粒子群算法受随机初始化参数和解空间限制的问题，不利于寻找复杂的非凸优化问题的全局最优解。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题，本发明提供一种轴承故障特征的提取方法、电子设备及存储介质

方案一：一种轴承故障特征的提取方法，包括以下步骤：

S1.将机械振动信号输入至多任务卷积神经网络中，经过一维卷积层和批归一化层，进行卷积层和批归一化层的权重参数的优化；

S2.多任务卷积神经网络输出包括两条支路；第一条支路为计算时域指标K₁，第二条支路计算包络谱指标K₂；

S3.将时域指标K₁和包络谱指标K₂求和计算损失函数；

S4.对多任务卷积神经网络进行训练，使用深度学习优化器优化多任务卷积神经网络权重，优化损失函数到最小值，迭代至前后误差小于0.0001后停止迭代，得到最优的权重和学习参数；

S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。

优选的，卷积层优化的方法是：将卷积层设置为无偏置卷积、单卷积核，卷积步长为1，设置补零保持输入和输出长度一致，表达式如下：

式中，Conv1D为一维卷积层，_y为输入的轴承故障振动信号，假设全信号长度为N，则y＝[y(1)，y(2)，...，y(n)]，n＝N，W为卷积层权重矩阵，

为卷积层输出。

优选的，批归一化层的权重参数的优化方法是：表示式如下：

式中，BN为批归一化层，n为采样的离散点信号，μ为输入的均值，σ为输入的标准差，γ、β为可学习参数；x(n)为卷积神经网络恢复的单点轴承故障振动信号，对全部离散点信号进行操作，完成全信号的计算。

优选的，第一条支路计算时域指标的方法是：选用峭度作为时域指标，表达式如下：

优选的，第二条支路计算包络谱指标的方法是：

S21.将神经网络的输出计算希尔伯特变换Hilbert，得到信号的包络e，表达式如下：

e＝|x+iHilbert(x)|

式中，i为复数标记；

S22.将信号的包络输出进行傅里叶变换，得到信号的包络谱，表达式如下：

es＝|FFT(e)|

式中，FFT()为傅里叶变换；

S23选用G-L1/L2计算包络谱指标，表达式如下：

式中，λ为尺度因子，用于调整两个指标平衡，设置为0.01，es(n)为信号的包络谱。

优选的，将时域指标K₁和包络谱指标K₂求和计算损失函数，表达式如下：

式中，λ为尺度因子，用于调整两个指标平衡，设置为0.01。

方案二：一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述一种轴承故障特征的提取方法的步骤。

方案三：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种轴承故障特征的提取方法。

本发明的有益效果如下：本发明结合了时域和包络谱盲反卷积的优化指标，使其相互约束，克服了两类方法各自的缺陷，使反卷积恢复的信号在时域和频域上都具有显著的故障特征，并且在多个故障信号下都具有稳定的表现，本发明从测量的振动信号中提取早期的故障信号特征，即使在强噪声环境下，也能准确的提取到故障信号特征。一方面，本发明可直接作为振动信号的提取方法，对振动信号监测设备采集到的信号直接提取；另一方面，本发明可作为轴承故障诊断模型的前处理方法，增强故障诊断模型在复杂工况下的表现。本发明相较于使用粒子群算法优化滤波器系数，利用深度学习神经网络进行优化问题的求解，解决了粒子群算法受随机初始化参数和解空间限制的问题，有利于寻找复杂的非凸优化问题的全局最优解。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为一种轴承故障特征的提取方法流程示意图；

图2为典型轴承故障振动信号的频域特征示意图；

图3为原始信号时域波形图和频域波形示意图；

图4为盲反卷积处理后的时域波形图和频域波形示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1、参照图1-图4说明本实施方式，一种轴承故障特征的提取方法，包括以下步骤：

S1.将机械振动信号输入至多任务卷积神经网络中，经过一维卷积层和批归一化层，进行卷积层和批归一化层的权重参数的优化；

具体的，机械振动信号由加速度传感器安装在机械外壳上来监测机械的运行状况获取；

卷积层优化的方法是：将卷积层设置为无偏置卷积、单卷积核，卷积步长为1，设置补零保持输入和输出长度一致，表达式如下：

式中，Conv1D为一维卷积层，y为输入的轴承故障振动信号，假设全信号长度为N，则y＝[y(1)，y(2)，...，y(n)]，n＝N，W为卷积层权重矩阵，

为卷积层输出。

优选的，批归一化层的权重参数的优化方法是：表示式如下：

式中，BN为批归一化层，n为采样的离散点信号，μ为输入的均值，σ为输入的标准差，γ、β为可学习参数；x(n)为卷积神经网络恢复的单点轴承故障振动信号，对全部离散点信号进行操作，完成全信号的计算。

S2.多任务卷积神经网络输出包括两条支路；第一条支路为计算时域指标，第二条支路计算包络谱指标；第一条支路与第二条支路为并行关系；

第一条支路计算时域指标的方法是：

选用峭度作为时域指标，表达式如下：

第二条支路计算包络谱指标的方法是：

S21.将神经网络的输出计算希尔伯特变换Hilbert，得到信号的包络e，表达式如下：

e＝|x+iHilbert(x)|

式中，i为复数标记；

S22.将信号的包络输出进行傅里叶变换，得到信号的包络谱，表达式如下：

es＝|FFT(e)|

式中，FFT()为傅里叶变换；

S23选用G-L1/L2计算包络谱指标，表达式如下：

式中，λ为尺度因子，用于调整两个指标平衡，设置为0.01，es(n)为信号的包络谱。

S3.将时域指标K₁和包络谱指标K₂求和计算损失函数，表达式如下：

式中，λ为尺度因子，用于调整两个指标平衡，设置为0.01；

S4.对多任务卷积神经网络进行训练，使用深度学习优化器优化多任务卷积神经网络权重，优化损失函数到最小值，迭代至前后误差小于0.0001后停止迭代，得到最优的权重和学习参数，即多任务卷积神经网络训练到最优；

S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。

本发明结合了时域和包络谱盲反卷积的优化指标，使其相互约束，克服了两类方法各自的缺陷，使反卷积恢复的信号在时域和频域上都具有显著的故障特征，并且在多个故障信号下都具有稳定的表现。首先，相比于时域盲反卷积技术，多任务神经网络的频域优化支路提供了故障的频域特征，约束了时域指标不会提取到单一的尖峰脉冲。其次，相比于包络谱盲反卷积技术，多任务神经网络的时域指标限制了频域指标的过拟合，避免其丢失过多的故障频率成分。

本发明的盲反卷积方法(Blind deconvolution)使用卷积神经网络代替传统的盲反卷积滤波器，在训练过程中优化损失函数得到最优的神经网络参数(滤波器系数)，其优势是相比传统方法，不需要单独设计模块计算故障信号的特征频率，实现对任意轴承故障振动信号的特征提取。

对于旋转机械内部的滚动轴承，如果出现内圈、外圈或滚子故障(参照图2)，随着轴承的周期性旋转，会产生周期性的非平稳冲击信号，在时域上表现为稀疏的循环脉冲信号，在频域上表现为稀疏的故障特征频率及其高次谐波。但是，在工业现场的强噪声干扰下，振动信号的故障特征往往被噪声淹没，表现为稀疏性很差的混合信号，因此，使用反卷积方法优化滤波器旨在从噪声中提取稀疏性强的故障信号特征。本发明设计的损失函数，使用峭度K₁表征时域信号的稀疏性，即峭度越大，信号越稀疏；使用包络谱指标K₂表征信号频域的稀疏性，l₁/l₂正则化指标越小，信号的频域越稀疏。本发明提出的损失函数实现了在时域和频域上同时优化信号的稀疏性特征，使输入信号恢复与故障相关的特征信息，实现故障信号的特征提取。

结合图3-图4说明本实施的技术方案：

测量内圈故障的振动信号，其内圈故障特征频率(BPFI)为47Hz，采样频率为20kHz；对该振动信号加载-15dB噪声，模拟强噪声环境，得到的原始信号时域和频域波形图如图2所示。由图2(a)可知，噪声严重干扰了故障信号特征，时域上无法识别到清晰的瞬态冲击；图2(b)可知，噪声影响了轴承故障特征频率，使其在特征频率点没有明显的高能量尖峰。将被测信号输入多任务神经网络训练，神经网络通过两个支路，同时优化其时域指标K₁和频域指标K₂，网络迭代至前后误差小于0.0001后停止迭代，使损失函数K最小。训练完成后保存模型参数W，γ，β。重新将被测信号输入训练完成的网络中进行测试，网络输出恢复后的轴承故障信号，如图3。其中，图3(a)表现出清晰的轴承故障特征，即循环脉冲信号。图3(b)在频域上内圈故障特征频率及其高次谐波位置出现了明显的尖峰。

实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例3、计算机可读存储介质实施例

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (4)

1.一种轴承故障特征的提取方法，其特征在于，包括以下步骤：

S1.将机械振动信号输入至多任务卷积神经网络中，经过一维卷积层和批归一化层，进行卷积层和批归一化层的权重参数的优化；

批归一化层的权重参数的优化方法是：表示式如下：

式中，BN为批归一化层，n为采样的离散点信号，μ为输入的均值，σ为输入的标准差，γ、β为可学习参数；x(n)为卷积神经网络恢复的单点轴承故障振动信号，对全部离散点信号进行操作，完成全信号的计算；

S2.多任务卷积神经网络输出包括两条支路；第一条支路为计算时域指标K₁，第二条支路计算包络谱指标K₂；

第一条支路计算时域指标的方法是：选用峭度作为时域指标，表达式如下：

第二条支路计算包络谱指标的方法是：

S21.将神经网络的输出计算希尔伯特变换Hilbert，得到信号的包络e，表达式如下：

e＝|x+iHilbert(x)|

式中，i为复数标记；

S22.将信号的包络输出进行傅里叶变换，得到信号的包络谱，表达式如下：

es＝|FFT(e)|

式中，FFT()为傅里叶变换；

S23选用G-L1/L2计算包络谱指标，表达式如下：

式中，es(n)为信号的包络谱；

S3.将时域指标K₁和包络谱指标K₂求和计算损失函数；

将时域指标K₁和包络谱指标K₂求和计算损失函数，表达式如下：

式中，λ为尺度因子，用于调整两个指标平衡，设置为0.01；

S4.对多任务卷积神经网络进行训练，使用深度学习优化器优化多任务卷积神经网络权重，优化损失函数到最小值，迭代至前后误差小于0.0001后停止迭代，得到最优的权重和学习参数；

S5.将被测信号输入至S4训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。

2.根据权利要求1所述的一种轴承故障特征的提取方法，其特征在于，卷积层优化的方法是：将卷积层设置为无偏置卷积、单卷积核，卷积步长为1，设置补零保持输入和输出长度一致，表达式如下：

式中，Conv1D为一维卷积层，y为输入的轴承故障振动信号，假设全信号长度为N，则y＝[y(1)，y(2)，...，y(n)]，n＝N，W为卷积层权重矩阵，

为卷积层输出。

3.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1或2所述的一种轴承故障特征的提取方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1或2所述的一种轴承故障特征的提取方法。

Images