CN116416497A - 一种轴承故障诊断系统及方法 - Google Patents
一种轴承故障诊断系统及方法 Download PDFInfo
- Publication number
- CN116416497A CN116416497A CN202310413117.1A CN202310413117A CN116416497A CN 116416497 A CN116416497 A CN 116416497A CN 202310413117 A CN202310413117 A CN 202310413117A CN 116416497 A CN116416497 A CN 116416497A
- Authority
- CN
- China
- Prior art keywords
- data
- bearing
- image
- convolution
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000010339 dilation Effects 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002902 bimodal effect Effects 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轴承故障诊断系统及方法,包括采集轴承的图像数据以及振动信号数据并进行处理,获得轴承故障检测数据集;划分训练集和测试集,构建深度学习融合模型,基于训练集对深度学习融合模型进行训练,获得初始融合模型;将测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;将轴承运行的实时数据输入目标融合模型进行故障检测,获得故障检测结果。本发明使用双模态深度学习融合模型,同时接收轴承图像数据和振动信号数据信息输入,通过模型训练对轴承故障进行检测,能有效整合两种检测方式的优点,弥补两种检查手段的不足之处,检测效率高,诊断效果好。
Description
技术领域
本发明属于故障诊断领域,尤其涉及一种轴承故障诊断系统及方法。
背景技术
随着现代工业技术的飞速发展,使得机器设备日益庞大和复杂。机器和设备如果出现缺陷,无法及时发现并修复缺陷的话,将影响工厂的生产效率,并会带来安全风险和重大经济损失。因此,如何及时、准确地诊断机械缺陷已成为重要的研究课题。滚动轴承应用广泛,是旋转机械重要的支撑部件,也是易损部件,滚动轴承的故障会影响机械运行并损坏机器。因此,进行滚动轴承早期故障监测及诊断是减少运维损失、保证设备运行安全的有效途径,具有重要的工程意义。
目前,通过信号振动监测是进行轴承故障诊断的常用手段。但传统的对轴承振动信号分析的方法,大都基于固定的基函数来分解信号,普遍缺乏对轴承的各种故障特征的自适应提取能力,使得滚动轴承的早期微弱故障特征淹没在其他振动成分中难以提取。深度学习能够通过神经网络从图像中提取多层次多维度深层特征进行分析,因此,倘若将基于轴承图像与振动信号的深度学习融合模型进行联合故障检测分析可显著改善轴承故障的整体检出率,提高诊断的准确度。
发明内容
为实现上述目的,本发明提供了如下方案:一种轴承故障诊断系统及方法,其中,一种轴承故障诊断方法包括:
采集轴承的图像数据以及振动信号数据,并对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
将所述轴承故障检测数据集划分训练集和测试集;
构建深度学习融合模型,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;
将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
优选地,对所述图像数据和振动信号数据进行处理的过程包括,对采集的轴承运行图像进行图像分割裁剪和灰度处理后,进行图像特征提取;
以及基于小波包分解对原始振动信号进行预处理,得到特征向量,并进行归一化处理。
优选地,对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括,
基于ITK软件沿轴承边界手动描绘ROI,并对边界进行确定,完成对轴承运行图像的图像分割;将完成分割的轴承图像进行ROI标注,以故障ROI最短径的30%为外扩边界对轴承图像进行裁剪,获得图像分割裁剪后的轴承图像;
将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1,求出图像连通区域面积最大的部分,保留连通区域所在的图像;然后,统计裁剪后图片的直方图分布,计算所述直方图统计后每个灰度数目的均值,记为Mc;将灰度值大于2倍Mc的值置为零,筛选图像中不全为零的行和列进行保留,获得裁剪无关区域后的灰度图像。
优选地,对裁剪无关区域后的灰度图像进行特征提取的过程包括,
对所述灰度图像数据进行卷积处理得到第一特征图数据,对所述第一特征图数据进行深度可分离卷积得到第二特征图数据,对所述第二特征图数据的特征通道进行均分,得到第一均分数据和第二均分数据,对所述第二均分数据进行卷积和相邻通道分离,得到第一相似特征数据和第二相似特征数据,对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接,得到第一特征数据,将所述第一特征数据和所述第一均分数据进行拼接,得到第二特征数据,基于第二特征数据获取第三特征图数据,基于第三特征图数据得到目标类别数目数据,基于目标类别数目数据,获得不同类型的图像数据。
优选地,将所述轴承故障检测数据集划分训练集和测试集之前还包括,采用随机匹配的策略,将处理后的图像数据和振动信号数据进行随机匹配,完成数据配对,获得模型输入数据。
优选地,构建深度学习融合模型的过程包括一维扩张卷积模块、LSTM模块和全连接神经网络模块,训练过程使用交叉熵CE作为损失函数,使用后向传播算法对模型进行优化。
优选地,所述一维扩张卷积模块是在时间维度上做卷积,首先是从66通道通过一次一维卷积变成128通道,起到上采样作用,后面六层一维扩张卷积则是保持128通道,通过卷积不断扩大感受野,得到初步特征图;
输入数据:T×66的序列,时序长度为T,特征向量的数量为66;
上采样层:128个长度为5的卷积核,扩张系数为1,输入为T×66,输出为T×128;
第一层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;
第二层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;
第三层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128;
第四层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;
第五层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;
第六层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128。
优选地,所述LSTM模块用于进一步提取时序特征;
输入为T×128,输出为T×128;
第一层全连接层:输入为1×128,输出维度为1×64;
第二层全连接层:输入为1×64,输出为1×32;
第三层全连接层:输入为1×32,输出为1×16;
第四层全连接层:输入为1×16,输出为1×8,8为分类数量;
所述全连接神经网络模块,在计算前将HiddenEmbeddingResize形成长向量,再送入全连接神经网络,最后通过softmax层输出最终故障检测识别结果。
还提供一种轴承故障诊断系统,包括,
数据采集模块,用于采集轴承的图像数据以及振动信号数据;
数据处理模块,与所述数据采集模块连接,用于对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
模型构建模块,与所述数据处理模块连接,用于构建深度学习融合模型;
模型训练模块,与所述模型构建模块连接,用于将所述轴承故障检测数据集划分训练集和测试集,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
故障检测模块,与所述模型训练模块连接,用于将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
与现有技术相比,本发明具有如下优点和技术效果:
本发明使用双模态深度学习融合模型,同时接收轴承图像数据和振动信号数据信息输入,通过模型训练对轴承故障进行检测,能有效整合两种检测方式的优点,弥补两种检查手段的不足之处,检测效率高,诊断效果好。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,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为本发明实施例的方法流程图;
图2为本发明实施例的系统结构示意图。
具体实施方式
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。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本发明所提供的一种轴承故障诊断方法,包括,
采集轴承的图像数据以及振动信号数据,并对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
将所述轴承故障检测数据集划分训练集和测试集;
构建深度学习融合模型,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;
将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
进一步地优化方案,对所述图像数据和振动信号数据进行处理的过程包括,对采集的轴承运行图像进行图像分割裁剪和灰度处理后,进行图像特征提取;
以及基于小波包分解对原始振动信号进行预处理,得到特征向量,并进行归一化处理。
进一步地优化方案,对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括,
基于ITK软件沿轴承边界手动描绘ROI,并对边界进行确定,完成对轴承运行图像的图像分割;将完成分割的轴承图像进行ROI标注,以故障ROI最短径的30%为外扩边界对轴承图像进行裁剪,获得图像分割裁剪后的轴承图像;
将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1,求出图像连通区域面积最大的部分,保留连通区域所在的图像;然后,统计裁剪后图片的直方图分布,计算所述直方图统计后每个灰度数目的均值,记为Mc;将灰度值大于2倍Mc的值置为零,筛选图像中不全为零的行和列进行保留,获得裁剪无关区域后的灰度图像。
进一步地优化方案,对裁剪无关区域后的灰度图像进行特征提取的过程包括,
对所述灰度图像数据进行卷积处理得到第一特征图数据,对所述第一特征图数据进行深度可分离卷积得到第二特征图数据,对所述第二特征图数据的特征通道进行均分,得到第一均分数据和第二均分数据,对所述第二均分数据进行卷积和相邻通道分离,得到第一相似特征数据和第二相似特征数据,对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接,得到第一特征数据,将所述第一特征数据和所述第一均分数据进行拼接,得到第二特征数据,基于第二特征数据获取第三特征图数据,基于第三特征图数据得到目标类别数目数据,基于目标类别数目数据,获得不同类型的图像数据。
进一步地,对输入的灰度图像进行步长为2,卷积核大小为3*3的普通卷积,扩充特征通道数目,得到下采样1半的第一特征图数据,而后进行一次批量归一化操作和一次Relu函数激活操作;将上述特征图进行步长为2,卷积核大小为3*3的深度可分离卷积,将特征图下采样一半,再进行一次批量归一化,而后进行1*1的卷积处理,再用Relu函数激活;第二特征图数据;
具体地,将第二特征图数据的特征通道进行均分,得到第一均分数据和第二均分数据,保留一份,第二份送入N个Block进行卷积操作,N为超参数;
首先每两个相邻通道分离出其中一个,得到两组相似特征,即第一相似特征数据和第二相似特征数据,保留第一组作为上文特征,第二组继续卷积;将第二相似特征数据首先进行3*3的深度可分离卷积,再进行一次批量归一化,而后进行1*1的卷积,最后用Relu函数激活;将两个特征进行拼接,然后在将第一份特征与拼接后的特征再次拼接为一组特征;然后将拼接后的特征进行通道混洗,重新组合;
重复3次,得到下采样32倍的第三特征图数据,将第一相似特征数据最后两个维度进行全局平均池化后将中得到的特征图经过一个全连接层,将特征数目变换为目标类别数目。
本实施例通过研究卷积神经网络中不同的结构在提取图像特征过程中所起的作用,探究更高效的特征提取结构,提出了一种轻量级的、快速的图像特征提取网络。第一,通过减少批量归一化操作和激活函数来减少密集的访存,但不会减弱特征提取能力。第二,通过调整通道数目,使每层卷积核的输入通道数目等于输出通道数目,由此可以使得内存访问成本最小。第三,减少1*1的卷积核的使用,可以减少参数量和计算量,通过通道混洗等操作减少弥补减少层数带来的精度损失。第四,将相邻的通道交替分离为两部分,将其中一部分通道跳过部分卷积层以加快梯度传递,提高收敛速度,同时可以保留部分早期特征,防止性能退化,另一部分继续进行正常的卷积操作。使用了更少的批量归一化和激活函数,以及去除了最大池化层,能够对图像数据进行快速推理的同时保留了一些上文提取的特征信息,也不会产生更多的内存消耗和计算量,使得模型提取特征更加高效。
进一步地优化方案,将所述轴承故障检测数据集划分训练集和测试集之前还包括,采用随机匹配的策略,将处理后的图像数据和振动信号数据进行随机匹配,完成数据配对,获得模型输入数据。
进一步地优化方案,构建深度学习融合模型的过程包括一维扩张卷积模块、LSTM模块和全连接神经网络模块,训练过程使用交叉熵CE作为损失函数,使用后向传播算法对模型进行优化。
进一步地优化方案,所述一维扩张卷积模块由六层卷积层组成,基础卷积核的大小为5,每层的扩张系数分别为:2,4,6,2,4,6,每一层都加入skip connection结构以提高网络性能和训练梯度的稳定性。整个模块是在时间维度上做卷积,首先是从66通道通过一次一维卷积变成128通道,起到上采样作用,后面六层一维扩张卷积则是保持128通道,通过卷积不断扩大感受野,得到初步特征图。输入数据:T×66的序列,时序长度为T,特征向量的数量为66;上采样层:128个长度为5的卷积核,扩张系数为1,输入为T×66,输出为T×128;
第一层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;第二层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;第三层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128;第四层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;第五层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;
第六层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128。
所述LSTM模块,起到进一步提取时序特征的作用,与RNN相比,它不仅能够有效解决长序列处理能力依赖的问题,还能基于长短期记忆网络的特点来自行学习时序特征,哪些时序特征需要短期记忆,哪些需要长期记忆,进而在时序下对不同特征能够更好提取。它为单向的LSTM,输入维度为128,输出维度为128,激活函数为leaky-Relu,系数为0.2。将计算结果的最后一个单元取出送入全连接神经网络模块运算。LSTM层:输入为T×128,输出为T×128;第一层全连接层:输入为1×128,输出维度为1×64;第二层全连接层:输入为1×64,输出为1×32;第三层全连接层:输入为1×32,输出为1×16;第四层全连接层:输入为1×16,输出为1×8,8为分类数量。
所述全连接神经网络模块,在计算前会将HiddenEmbeddingResize形成(1,T×hidden_size)的长向量,再送入全连接神经网络,最后过一个softmax层得到最终故障检测识别结果。
如图2所示,本实施例还提供一种轴承故障诊断系统,包括,
数据采集模块,用于采集轴承的图像数据以及振动信号数据;
数据处理模块,与所述数据采集模块连接,用于对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
模型构建模块,与所述数据处理模块连接,用于构建深度学习融合模型;
模型训练模块,与所述模型构建模块连接,用于将所述轴承故障检测数据集划分训练集和测试集,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
故障检测模块,与所述模型训练模块连接,用于将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种轴承故障诊断方法,其特征在于,包括:
采集轴承的图像数据以及振动信号数据,并对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
将所述轴承故障检测数据集划分训练集和测试集;
构建深度学习融合模型,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;
将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
2.根据权利要求1所述的轴承故障诊断方法,其特征在于,
对所述图像数据和振动信号数据进行处理的过程包括,对采集的轴承运行图像进行图像分割裁剪和灰度处理后,进行图像特征提取;
以及基于小波包分解对原始振动信号进行预处理,得到特征向量,并进行归一化处理。
3.根据权利要求2所述的轴承故障诊断方法,其特征在于,
对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括,
基于ITK软件沿轴承边界手动描绘ROI,并对边界进行确定,完成对轴承运行图像的图像分割;将完成分割的轴承图像进行ROI标注,以故障ROI最短径的30%为外扩边界对轴承图像进行裁剪,获得图像分割裁剪后的轴承图像;
将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1,求出图像连通区域面积最大的部分,保留连通区域所在的图像;然后,统计裁剪后图片的直方图分布,计算所述直方图统计后每个灰度数目的均值,记为Mc;将灰度值大于2倍Mc的值置为零,筛选图像中不全为零的行和列进行保留,获得裁剪无关区域后的灰度图像。
4.根据权利要求3所述的轴承故障诊断方法,其特征在于,
对裁剪无关区域后的灰度图像进行特征提取的过程包括,
对所述灰度图像数据进行卷积处理得到第一特征图数据,对所述第一特征图数据进行深度可分离卷积得到第二特征图数据,对所述第二特征图数据的特征通道进行均分,得到第一均分数据和第二均分数据,对所述第二均分数据进行卷积和相邻通道分离,得到第一相似特征数据和第二相似特征数据,对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接,得到第一特征数据,将所述第一特征数据和所述第一均分数据进行拼接,得到第二特征数据,基于第二特征数据获取第三特征图数据,基于第三特征图数据得到目标类别数目数据,基于目标类别数目数据,获得不同类型的图像数据。
5.根据权利要求1所述的轴承故障诊断方法,其特征在于,
将所述轴承故障检测数据集划分训练集和测试集之前还包括,采用随机匹配的策略,将处理后的图像数据和振动信号数据进行随机匹配,完成数据配对,获得模型输入数据。
6.根据权利要求1所述的轴承故障诊断方法,其特征在于,
构建深度学习融合模型的过程包括一维扩张卷积模块、LSTM模块和全连接神经网络模块,训练过程使用交叉熵CE作为损失函数,使用后向传播算法对模型进行优化。
7.根据权利要求6所述的轴承故障诊断方法,其特征在于,
所述一维扩张卷积模块是在时间维度上做卷积,首先是从66通道通过一次一维卷积变成128通道,起到上采样作用,后面六层一维扩张卷积则是保持128通道,通过卷积不断扩大感受野,得到初步特征图;
输入数据:T×66的序列,时序长度为T,特征向量的数量为66;
上采样层:128个长度为5的卷积核,扩张系数为1,输入为T×66,输出为T×128;
第一层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;
第二层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;
第三层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128;
第四层扩张卷积:128个长度为5的卷积核,扩张系数为2,输入为T×128,输出为T×128;
第五层扩张卷积:128个长度为5的卷积核,扩张系数为4,输入为T×128,输出为T×128;
第六层扩张卷积:128个长度为5的卷积核,扩张系数为6,输入为T×128,输出为T×128。
8.根据权利要求6所述的轴承故障诊断方法,其特征在于,
所述LSTM模块用于进一步提取时序特征;
输入为T×128,输出为T×128;
第一层全连接层:输入为1×128,输出维度为1×64;
第二层全连接层:输入为1×64,输出为1×32;
第三层全连接层:输入为1×32,输出为1×16;
第四层全连接层:输入为1×16,输出为1×8,8为分类数量;
所述全连接神经网络模块,在计算前将HiddenEmbeddingResize形成长向量,再送入全连接神经网络,最后通过softmax层输出最终故障检测识别结果。
9.一种轴承故障诊断系统,其特征在于,包括,
数据采集模块,用于采集轴承的图像数据以及振动信号数据;
数据处理模块,与所述数据采集模块连接,用于对所述图像数据和振动信号数据进行处理,获得轴承故障检测数据集;
模型构建模块,与所述数据处理模块连接,用于构建深度学习融合模型;
模型训练模块,与所述模型构建模块连接,用于将所述轴承故障检测数据集划分训练集和测试集,基于所述训练集对所述深度学习融合模型进行训练,获得初始融合模型;将所述测试集输入初始网络模型进行测试,将优化集结果最好的模型进行保存,获得目标融合模型;
故障检测模块,与所述模型训练模块连接,用于将轴承运行的实时数据输入所述目标融合模型进行故障检测,获得故障检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413117.1A CN116416497B (zh) | 2023-04-17 | 2023-04-17 | 一种轴承故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413117.1A CN116416497B (zh) | 2023-04-17 | 2023-04-17 | 一种轴承故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116416497A true CN116416497A (zh) | 2023-07-11 |
CN116416497B CN116416497B (zh) | 2024-01-23 |
Family
ID=87059362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310413117.1A Active CN116416497B (zh) | 2023-04-17 | 2023-04-17 | 一种轴承故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416497B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933145A (zh) * | 2023-09-18 | 2023-10-24 | 北京交通大学 | 工业设备中的部件的故障确定方法及相关设备 |
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN117235583A (zh) * | 2023-11-13 | 2023-12-15 | 国网浙江省电力有限公司双创中心 | 一种gis断路器执行机构的监测方法及系统 |
CN117571321A (zh) * | 2023-11-24 | 2024-02-20 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
-
2023
- 2023-04-17 CN CN202310413117.1A patent/CN116416497B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN116992365B (zh) * | 2023-08-02 | 2024-03-08 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN116933145A (zh) * | 2023-09-18 | 2023-10-24 | 北京交通大学 | 工业设备中的部件的故障确定方法及相关设备 |
CN116933145B (zh) * | 2023-09-18 | 2023-12-01 | 北京交通大学 | 工业设备中的部件的故障确定方法及相关设备 |
CN117235583A (zh) * | 2023-11-13 | 2023-12-15 | 国网浙江省电力有限公司双创中心 | 一种gis断路器执行机构的监测方法及系统 |
CN117235583B (zh) * | 2023-11-13 | 2024-01-30 | 国网浙江省电力有限公司双创中心 | 一种gis断路器执行机构的监测方法及系统 |
CN117571321A (zh) * | 2023-11-24 | 2024-02-20 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
CN117571321B (zh) * | 2023-11-24 | 2024-04-30 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116416497B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
CN109829891B (zh) | 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法 | |
CN110059698B (zh) | 用于街景理解的基于边缘稠密重建的语义分割方法及系统 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN112990077A (zh) | 基于联合学习与光流估计的面部动作单元识别方法及装置 | |
CN116502135A (zh) | 一种轴承故障诊断方法及系统 | |
CN112633132A (zh) | 基于二维振动图像增强的轴承故障诊断方法及系统 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN114037684B (zh) | 一种基于yolov5和注意力机制模型的疵点检测方法 | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
CN117036266A (zh) | 一种基于知识蒸馏的工业图像异常检测方法及系统 | |
CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统 | |
CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
CN115100402A (zh) | 小样本分割模型、小目标检测方法、系统、介质及设备 | |
CN114861718A (zh) | 基于改进深度残差算法的轴承故障诊断方法及系统 | |
CN112683533A (zh) | 一种用于轴承故障诊断的信号增强方法及系统 | |
CN117576567B (zh) | 一种使用多层级差异特征自适应融合的遥感图像变化检测方法 | |
CN118070176A (zh) | 一种基于并行二维卷积神经网络的电机轴承故障分类方法 | |
CN116453039A (zh) | 一种基于轻量级深度学习技术列车车辆故障图像智能分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |