CN115859165A - 一种基于深度学习的滚动轴承智能故障诊断方法 - Google Patents
一种基于深度学习的滚动轴承智能故障诊断方法 Download PDFInfo
- Publication number
- CN115859165A CN115859165A CN202211494236.6A CN202211494236A CN115859165A CN 115859165 A CN115859165 A CN 115859165A CN 202211494236 A CN202211494236 A CN 202211494236A CN 115859165 A CN115859165 A CN 115859165A
- Authority
- CN
- China
- Prior art keywords
- sdp
- rolling bearing
- images
- image
- fault diagnosis
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于深度学习的滚动轴承智能故障诊断方法,涉及设备智能化故障诊断技术领域。该方法基于对称点模式(SDP)方法转换得到滚动轴承运行状态的SDP图像,并通过基于卷积块注意模块的深度残差网络(CBAM‑DRN)故障诊断模型对滚动轴承进行故障诊断与分类。其中SDP技术将振动信号转换为图像进行可视化,可以避免常规时频图像受其固有缺陷限制而导致故障特征缺失的问题;DRN可以对滚动轴承故障特征进行充分提取,并且能够避免深层次网络可能出现的训练困难、梯度消失等问题;CBAM可以使诊断模型关注图像中特征更为显著的部分,避免非特征部分的干扰。本发明提出的基于深度学习的滚动轴承智能故障诊断方法具有较高的诊断准确率,而且拥有较好的稳定性与泛化性。
Description
技术领域
本发明涉及设备智能化故障诊断技术领域,具体提供一种基于深度学习的滚动轴承智能故障诊断方法。
背景技术
大型机械设备普遍存在振动故障,振动故障会影响机械设备正常运转,增加检修维护成本,严重时甚至会造成机械损毁并出现巨大的经济损失或造成人员伤亡。在机械设备中,滚动轴承是重要的组成部件,同时也是最常出现故障的部件之一,滚动轴承发生故障可能会引起整个机械系统偏离正常工作状态,甚至导致停机、停产、设备损坏。因此开展滚动轴承的故障诊断研究对保障机械设备的长期稳定运行有着重要的作用并且具有非常重要的科学意义和应用前景。
以往研究针对卷积神经网络(CNN)适用于图像识别的特性,利用短时傅里叶变换(STFT)、小波变换(WT)、Wigner-Vill分布(WVD)等时频分析方法将滚动轴承振动信号转化为特征图像来对滚动轴承进行故障诊断,这种方式将滚动轴承的故障诊断问题转化为对滚动轴承振动信号图像的多分类问题,是一种有效且准确的诊断方式。但是由于Gabor变换、短时傅里叶变换(STFT)、小波变换(WT)等线性时频分析方法的时频分辨率不稳定,以Wigner-Vill分布(WVD)为代表的非线性时频分析方法易受到固有交叉项干扰的影响。上述问题都会影响滚动轴承特征图像的质量,使得故障诊断精度降低。同时,随着滚动轴承振动信号监测数据量与日俱增,以往研究使用的CNN网络仅包含有限的几个卷积层与池化层,其结构简单,模型的性能有限,不适用于处理大量的轴承运行振动数据。因此需要开展智能化的滚动轴承故障诊断方法研究,以提高滚动轴承故障诊断的精度与处理大批量数据的能力。
发明内容
针对上述问题,本发明提出一种基于深度学习的滚动轴承智能故障诊断方法。该方法基于对称点模式(SDP)方法转换得到滚动轴承运行状态的SDP图像,并通过基于卷积块注意模块的深度残差网络(CBAM-DRN)故障诊断模型对滚动轴承进行故障诊断与分类。
为达到上述目的,本发明采用以下技术方案:
(1)通过安装在滚动轴承设备上的振动加速度传感器获取滚动轴承某一状态下的振动信号,所述状态为滚动轴承正常状态或各种典型故障类型下的运行状态;
(2)选取最优SDP参数,并利用SDP技术对每种状态的样本数据进行计算,将其转换为极坐标下的SDP图像;
(3)随机抽取若干不同状态下的SDP图像作为训练图像集,其余各组作为待检测的测试图像集;
(4)将训练图像输入到CBAM-DRN诊断模型中对SDP图像进行特征提取与故障分类,训练完毕后对诊断模型进行保存,然后利用测试图像集对CBAM-DRN诊断模型进行测试;
(5)根据测试结果来调整诊断模型,最终得到最优的诊断模型,从而实现对任意时间下滚动轴承的运行状态进行有无故障和故障种类的判断。
使用基于深度学习的滚动轴承智能故障诊断方法对滚动轴承的运行状态进行诊断,具体诊断过程如下:
(1)通过安装在滚动轴承设备上的振动加速度传感器获取滚动轴承某一状态下的振动信号,得到滚动轴承运行时的时间序列X={x1,x2,...,xi,...,xn}。
(2)利用SDP技术对时间序列X={x1,x2,...,xi,...,xn}进行转换,针对于时间序列X={x1,x2,...,xi,...,xn},X中的任意点i都可以转变为极坐标空间中的一个点,通过改变初始线的旋转角度,一组信号(xi,x(i+L))就可以形成极坐标下的镜面对称点图像,具体的计算公式如下:
式中,xmax为采样数据的最大值,xmin为采样数据的最小值,L为时间间隔(通常取值在1-10之间),θ为初始线旋转角度(取值为360m/n,m=1,…,n,其中nn为镜像对称平面的个数,通常取6),g为角度放大因子(通常取小于θ的值)。
得到滚动轴承正常状态、多种典型故障状态下的SDP图像,计算每一类状态之间的SDP图像的相关系数。对于两张大小为m×n的图像,其相关系数R可以表示为:
式中,A、B为图像的二维灰度矩阵。计算得到的不同图像的相关系数取值范围在0到1之间,R=0表示两张图像完全不同,R=1表示两张图像完全相同。
为了选择最优的SDP参数来生成SDP图像,使得滚动轴承不同运行状态的SDP图像之间的差异性最大,选择将四种故障状态的SDP图像的相关系数之和作为图像评价指标,可以表示为:
选择相关系数之和最小的一组SDP参数作为最优参数来对滚动轴承振动信号进行转换处理,得到滚动轴承各运行状态下的SDP图像。
(3)随机抽取若干不同状态下的SDP图像作为训练图像集,其余各组作为待检测的测试图像集;
(4)将训练图像输入到CBAM-DRN诊断模型中对SDP图像进行特征提取与故障分类,训练完毕后对诊断模型进行保存,然后利用测试图像集对CBAM-DRN诊断模型进行测试。
其中DRN模型采用18层的残差卷积网络作为基础模型,在其基础上结合CBAM注意力机制对输入的SDP图像进行特征提取与故障诊断,CBAM-DRN中的卷积层用于特征提取,通过卷积核对前一层输出的特征矢量进行卷积操作,从而学习全面的特征表示,数学模型可以描述为:
激活层采用修正线性单元(rectified linear unit,ReLU)激活函数,公式化表达如下:
模型中的快捷连接执行恒等映射。模型采用零填充方法以增加维度,使卷积前后的特征图尺寸保持大小一致。
故障诊断模型的损失函数为交叉熵损失函数,具体计算公式为:
(5)根据测试结果来调整诊断模型,最终得到最优的诊断模型,从而实现对任意时间下滚动轴承的运行状态进行有无故障和故障种类的判断。
本发明的有益效果:
本发明提出的基于深度学习的滚动轴承智能故障诊断方法具有以下显著优点:
(1)SDP技术将振动信号转换为图像进行可视化,可以避免常规时频图像受其固有缺陷限制而导致故障特征缺失的问题;
(2)DRN可以对滚动轴承故障特征进行充分提取,并且能够避免深层次网络可能出现的训练困难、梯度消失等问题;
(3)CBAM注意力机制可以使诊断模型关注图像中特征更为显著的部分,避免非特征部分的干扰。
(4)提出的基于深度学习的滚动轴承智能故障诊断方法具有较高的诊断准确率,而且拥有较好的稳定性与泛化性
下面结合附图和具体实施方式对本发明作进一步详细说明:
附图说明:
图1为基于深度学习的滚动轴承智能故障诊断方法诊断示意图。
图2为SDP方法原理图。
图3为本发明提供的滚动轴承故障诊断方法诊断结果图。
具体实施方式:
如图1所示,本发明提供的一种基于深度学习的滚动轴承智能故障诊断方法,,包含以下步骤:
(1)通过安装在滚动轴承设备上的振动加速度传感器获取滚动轴承某一状态下的振动信号,得到滚动轴承运行时的时间序列X={x1,x2,...,xi,...,xn}。
(2)如图2所示,利用SDP技术对时间序列X={x1,x2,...,xi,...,xn}进行转换,针对于时间序列X={x1,x2,...,xi,...,xn},X中的任意点i都可以转变为极坐标空间中的一个点,通过改变初始线的旋转角度,一组信号(xi,x(i+L))就可以形成极坐标下的镜面对称点图像,具体的计算公式如下:
式中,xmax为采样数据的最大值,xmin为采样数据的最小值,L为时间间隔(通常取值在1-10之间),θ为初始线旋转角度(取值为360m/n,m=1,…,n,其中nn为镜像对称平面的个数,通常取6),g为角度放大因子(通常取小于θ的值)。3.得到滚动轴承正常状态、多种典型故障状态下的SDP图像,计算每一类状态之间的SDP图像的相关系数。对于两张大小为m×n的图像,其相关系数R可以表示为:
式中,A、B为图像的二维灰度矩阵。计算得到的不同图像的相关系数取值范围在0到1之间,R=0表示两张图像完全不同,R=1表示两张图像完全相同。为了选择最优的SDP参数来生成SDP图像,使得滚动轴承不同运行状态的SDP图像之间的差异性最大,选择将四种故障状态的SDP图像的相关系数之和作为图像评价指标,可以表示为:
(3)随机抽取若干不同状态下的SDP图像作为训练图像集,其余各组作为待检测的测试图像集;
(4)将训练图像输入到CBAM-DRN诊断模型中对SDP图像进行特征提取与故障分类,训练完毕后对诊断模型进行保存,然后利用测试图像集对CBAM-DRN诊断模型进行测试。
其中DRN模型采用18层的残差卷积网络作为基础模型,在其基础上结合CBAM注意力机制对输入的SDP图像进行特征提取与故障诊断,CBAM-DRN中的卷积层用于特征提取,通过卷积核对前一层输出的特征矢量进行卷积操作,从而学习全面的特征表示,数学模型可以描述为:
激活层采用修正线性单元(rectified linear unit,ReLU)激活函数,公式化表达如下:
模型中的快捷连接执行恒等映射。模型采用零填充方法以增加维度,使卷积前后的特征图尺寸保持大小一致。
故障诊断模型的损失函数为交叉熵损失函数,具体计算公式为:
(5)根据测试结果来调整诊断模型,最终得到最优的诊断模型,从而实现对任意时间下滚动轴承的运行状态进行有无故障和故障种类的判断。图3是使用效果的对比,图3中的(a)是目前常用的卷积神经网络分类结果,未使用本发明的优化处理,图3中的(b)是利用本发明的处理结果,从混淆矩阵的对比可以看出,使用本发明之后,使得混淆矩阵取得了更好的结果(对角线上表示每一类的分类效果)。
需要指出的是,以上所述实施实例用于进一步说明本发明,实施实例不应被视为限制本发明的范围。
Claims (3)
1.一种基于深度学习的滚动轴承智能故障诊断方法,其特征在于,包含以下步骤:
(1)通过安装在滚动轴承设备上的振动加速度传感器获取滚动轴承某一状态下的振动信号,所述状态为滚动轴承正常状态或各种典型故障类型下的运行状态;
(2)选取最优SDP参数,并利用SDP技术对每种状态的样本数据进行计算,将其转换为极坐标下的SDP图像;
(3)随机抽取若干不同状态下的SDP图像作为训练图像集,其余各组作为待检测的测试图像集;
(4)将训练图像输入到CBAM-DRN诊断模型中对SDP图像进行特征提取与故障分类,训练完毕后对诊断模型进行保存,然后利用测试图像集对CBAM-DRN诊断模型进行测试;
(5)根据测试结果来调整诊断模型,最终得到最优的诊断模型,从而实现对任意时间下滚动轴承的运行状态进行有无故障和故障种类的判断。
2.一种使用如权利要求1所述的基于深度学习的滚动轴承智能故障诊断方法,其特征在于,所述步骤(2)中利用SDP技术对滚动轴承运行时的振动信号进行转化处理,其具体步骤如下:
利用SDP技术对振动信号时间序列X={x1,x2,...,xi,...,xn}进行转换,针对于时间序列X={x1,x2,...,xi,...,xn},X中的任意点i都可以转变为极坐标空间中的一个点,通过改变初始线的旋转角度,一组信号(xi,x(i+L))就可以形成极坐标下的镜面对称点图像,具体的计算公式如下:
式中,xmax为采样数据的最大值,xmin为采样数据的最小值,L为时间间隔(通常取值在1-10之间),θ为初始线旋转角度(取值为360m/n,m=1,…,n,其中nn为镜像对称平面的个数,通常取6),g为角度放大因子(通常取小于θ的值)。
得到滚动轴承正常状态、多种典型故障状态下的SDP图像,计算每一类状态之间的SDP图像的相关系数。对于两张大小为m×n的图像,其相关系数R可以表示为:
式中,A、B为图像的二维灰度矩阵。计算得到的不同图像的相关系数取值范围在0到1之间,R=0表示两张图像完全不同,R=1表示两张图像完全相同。
为了选择最优的SDP参数来生成SDP图像,使得滚动轴承不同运行状态的SDP图像之间的差异性最大,选择将四种故障状态的SDP图像的相关系数之和作为图像评价指标,可以表示为:
选择相关系数之和最小的一组SDP参数作为最优参数来对滚动轴承振动信号进行转换处理,得到滚动轴承各运行状态下的SDP图像。
3.一种使用如权利要求1所述的基于深度学习的滚动轴承智能故障诊断方法,其特征在于,所述步骤4中将训练图像输入到CBAM-DRN诊断模型中对SDP图像进行特征提取与故障分类,其中DRN模型采用18层的残差卷积网络作为基础模型,在其基础上结合CBAM注意力机制对输入的SDP图像进行特征提取与故障诊断。所使用的SDP技术将振动信号转换为图像进行可视化,可以避免常规时频图像受其固有缺陷限制而导致故障特征缺失的问题。使用的DRN可以对滚动轴承故障特征进行充分提取,并且能够避免深层次网络可能出现的训练困难、梯度消失等问题。使用的CBAM注意力机制可以使诊断模型关注图像中特征更为显著的部分,避免非特征部分的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494236.6A CN115859165A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的滚动轴承智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494236.6A CN115859165A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的滚动轴承智能故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859165A true CN115859165A (zh) | 2023-03-28 |
Family
ID=85666739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211494236.6A Pending CN115859165A (zh) | 2022-11-25 | 2022-11-25 | 一种基于深度学习的滚动轴承智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859165A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595444A (zh) * | 2023-07-19 | 2023-08-15 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
CN117909854A (zh) * | 2024-03-20 | 2024-04-19 | 东北大学 | 基于多模态对比嵌入的零样本复合故障诊断方法 |
-
2022
- 2022-11-25 CN CN202211494236.6A patent/CN115859165A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595444A (zh) * | 2023-07-19 | 2023-08-15 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
CN116595444B (zh) * | 2023-07-19 | 2023-09-26 | 北京大学第一医院 | 一种基于深度学习的医疗器械的故障类别检测方法和系统 |
CN117909854A (zh) * | 2024-03-20 | 2024-04-19 | 东北大学 | 基于多模态对比嵌入的零样本复合故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A multi-scale convolution neural network for featureless fault diagnosis | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN108709745B (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
WO2017128455A1 (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
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 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN111709292A (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN112836346B (zh) | 基于cn和pca的电机故障诊断方法、电子设备及介质 | |
CN115859165A (zh) | 一种基于深度学习的滚动轴承智能故障诊断方法 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN112990259A (zh) | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 | |
CN114800041A (zh) | 一种刀具状态监测方法及其监测装置 | |
CN112149804B (zh) | 一种新型卷积神经网络模型及应用 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN115828088A (zh) | 基于深度学习的高压并联电抗器振动异常故障诊断方法 | |
CN112345251B (zh) | 基于信号分辨率增强的机械智能故障诊断方法 | |
CN115901259A (zh) | 基于二维图像与cnn的滚动轴承弱故障诊断方法 | |
CN113758708A (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
Xu et al. | Auto Parts Defect Detection Based on Few-shot Learning | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
CN111652170A (zh) | 基于二通道残差深度神经网络的二次雷达信号处理方法 |
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 |