CN116484172A - 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 - Google Patents
一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 Download PDFInfo
- Publication number
- CN116484172A CN116484172A CN202310063113.5A CN202310063113A CN116484172A CN 116484172 A CN116484172 A CN 116484172A CN 202310063113 A CN202310063113 A CN 202310063113A CN 116484172 A CN116484172 A CN 116484172A
- Authority
- CN
- China
- Prior art keywords
- module
- scale
- branch
- scale network
- convolution
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000011176 pooling Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 9
- 230000005284 excitation Effects 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 28
- 238000001125 extrusion Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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强鲁棒性多尺度网络的机械故障诊断方法和系统，故障诊断方法包括如下步骤：获取机械设备不同健康状态下的原始振动信号；对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。该方法能够有效的提高故障诊断的精度，充分利用振动信号多尺度的性质，尤其在样本量不平衡和强噪声干扰情况下也能高效地提取故障特征，实现不同故障状态的智能诊断。
Description
技术领域
本发明涉及机械故障诊断领域，尤其涉及一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统。
背景技术
随着高端智能制造技术的迅猛发展，旋转机械已经成为智能制造系统中不可缺少的工程设备，其健康状况对系统可靠性和生产率有重大影响，一旦发生故障，将给企业带来巨大的财产损失甚至人员伤亡。因此，为了避免故障的发生，开发有效的、通用的旋转机械故障诊断方法具有重要的科学意义和工程价值。
传统的故障诊断方法分为两个步骤，首先，采用特征提取方法提取振动信号中敏感的故障特征，其次，将这些故障特征输入到机器学习算法中进行故障诊断。虽然传统的故障诊断方法可以完成故障类型的诊断，但仍存在两个弊端：一、这些故障诊断方法的性很大程度上取决于凭借人工经验提取到的故障特征；二、这些方法在处理噪声环境下的振动信号和复杂工况下的振动信号，需要耗费较长的时间且诊断精度无法达到满意的效果。相比于传统的故障诊断方法，卷积神经网络集特征提取和特征识别于一体，降低了人工提取特征出错的风险，节约了故障诊断时间。但是，卷积神经网络通常只采用单一尺度的卷积核，在特征提取的过程中，可能会丢失一些故障特征。此外，在样本量不平衡和强噪声干扰情况下，无法提取主要的故障特征。
发明内容
本方案针对上文提出的问题和需求，提出一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。
本发明的一个目的在于提出一种基于强鲁棒性多尺度网络的机械故障诊断方法，包括如下步骤：
S10：获取机械设备不同健康状态下的原始振动信号；
S20：对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
S30：构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
S40：将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
S50：将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
另外，根据本发明的基于强鲁棒性多尺度网络的机械故障诊断方法，还可以具有如下技术特征：
在本发明的一个示例中，
所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合将这些特征向量拼接成一个大的一维向量；
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别。
在本发明的一个示例中，所述多尺度模块还包括：挤压激励模块，
所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加。
在本发明的一个示例中，所述卷积池化模块的表达式为：
式中，W和b分别表示卷积激活层的权重和偏置，x表示输入信号，ReLU()表示激活操作，y表示经过激活操作的输出，r×1表示最大池化的局部区域，yi表示局部区域的特征值，si表示最大池化的输出结果。
在本发明的一个示例中，所述多尺度模块中的卷积激活运算的表达式为：
式中，代表多尺度模块第j分支的第i个卷积激活层的输出特征图，当i＝0时，/>代表卷积池化模块的输出特征图，i1，i2，i3分别代表各个分支的卷积激活层序号；/>代表第j分支的第i个卷积激活层。
在本发明的一个示例中，所述特征识别模块中softmax分类器的表达式为：
式中，Zj表示第j个神经元在输出层的对数，N表示故障的类别数，Qj表示对应神经元输出的概率。
在本发明的一个示例中，QHAdam优化器的优化表达式为：
式中，θ表示网络模型待更新的参数，α表示学习率，g表示损失函数对参数θ的梯度，t表示更新步长，m′t+1和s′t+1校正后的一阶矩和二阶矩，ò是一个非常小的常数，避免分母出现为零的情况，ν1和ν2为影响参数θt更新的系数。
本发明的另一个目的在于提出一种基于强鲁棒性多尺度网络的机械故障诊断系统，其特征在于，包括：
信号检测单元，用于获取机械设备不同健康状态下的原始振动信号；
信号处理单元，用于对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
模型构建单元，用于构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
模型优化单元，用于将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
故障诊断单元，用于将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
在本发明的一个示例中，所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合操作将这些特征向量拼接成一个大的一维向量；
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别。
在本发明的一个示例中，所述多尺度模块还包括：挤压激励模块，
所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加。
下文中将结合附图对实施本发明的最优实施例进行更加详尽的描述，以便能容易理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。
图1为根据本发明实施例的基于强鲁棒性多尺度网络的机械故障诊断方法的流程图；
图2为根据本发明实施例的强鲁棒性多尺度网络模型结构示意图；
图3为根据本发明实施例的挤压激励模块结构示意图；
图4为根据本发明实施例的轴承的原始振动信号的时域波形；
图5为根据本发明实施例的轴承原始振动信号经归一化后振动信号的时域波形；
图6为根据本发明实施例的不同信噪比下5种方法的识别结果；
图7为根据本发明实施例的样本比例不平衡下5种方法的识别结果；
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
需要说的是，本发明中所涉及的卷积激活层、池化层和挤压激励模块等均为Matlab中关于深度学习的工具包中的函数。
根据本发明第一方面的一种基于强鲁棒性多尺度网络的机械故障诊断方法，如图1所示，包括如下步骤：
S10：获取机械设备不同健康状态下的原始振动信号；例如，在机械设备的待监测部件的表面安装加速度传感器，采集不同故障状态的原始振动信号。
S20：对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
也就是说，首先，对原始振动数据进行归一化处理，减少了同类型样本数据的差异；然后，将每一类归一化后的数据按照相同的点数划分出多个样本，并构成一个大的样本集；最后，按照一定的比例将大的样本集划分为训练集和测试集。
S30：构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
如图2所示，所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；需要说明的是，在卷积池化模块采用较大的卷积核可以对输入信号进行快速的特征提取，降低特征维度。
其中，所述卷积池化模块的表达式为：
式中，W和b分别表示卷积激活层的权重和偏置，x表示输入信号，ReLU()表示激活操作，y表示经过激活操作的输出，r×1表示最大池化的局部区域，yi表示局部区域的特征值，si表示最大池化的输出结果。
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合将这些特征向量拼接成一个大的一维向量；
所述多尺度模块还包括：挤压激励模块(SE模块)，
如图3所示，所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加；也就是说，靠后的支路上的浅层分支经过挤压激励模块加权的特征图与靠前支路的深层分支卷积后的特征图叠加；这里的残差连接指的是由一个支路引出的SE模块与其引入的另一个支路的卷积激活层之间进行求和运算。
例如，如图2所示，多尺度模块是由三条不同分支组成，第一条支路采用小卷积核进行三次卷积激活操作，第二支路采用中等卷积核进行两次卷积激活操作，第三条支路采用大卷积核进行一次卷积激活操作，为了保证在故障样本量较少的情况下，也能够学习到主要特征并且使特征更加明显，在浅层分支中嵌入挤压激励模块，同时，通过残差连接，将浅层分支经过挤压激励模块加权的特征图与深层分支卷积后的特征图叠加，促使深层分支学习到更多互补性的特征，提高网络的特征学习性能，利用GAP将每个分支输出的特征映射转换为一维向量，再通过特征融合操作将这些特征向量拼接成一个大的一维向量。
其中，所述多尺度模块中的卷积激活运算的表达式为：
式中，代表多尺度模块第j分支的第i个卷积激活层的输出特征图，当i＝0时，/>代表卷积池化模块的输出特征图，i1，i2，i3分别代表各个分支的卷积激活层序号；/>代表第j分支的第i个卷积激活层。
在多尺度模块的之后嵌入挤压激励模块，挤压激励模块表达式为：
式中，表示第j分支第i个挤压激励模块的运算，/>表示挤压激励操作后相对应的输出特征。
将和/>的输出特征进行残差连接，将/>和/>的输出特征进行残差连接，将和/>的输出特征进行残差连接，
GAP操作和特征融合操作表达式为：
Z＝Concatenate(η1,η2,η3)
式中，η1，η2，η3分别代表每条分支经过GAP操作得到的一维特征向量，Concatenate()表示特征融合操作，Z表示融合后的一维特征向量。
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别；
其中，所述特征识别模块中softmax分类器的表达式为：
式中，Zj表示第j个神经元在输出层的对数，N表示故障的类别数，Qj表示对应神经元输出的概率。
S40：将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
将训练集输入到强鲁棒性的多尺度网络中训练。在训练过程中，采用QHAdam优化器严格控制强鲁棒性多尺度网络模型的损失值，并通过反向传播调整模型的参数，使模型快速稳定的收敛。
其中，QHAdam优化器的优化表达式为：
式中，θ表示网络模型待更新的参数，α表示学习率，g表示损失函数对参数θ的梯度，t表示更新步长，m′t+1和s′t+1校正后的一阶矩和二阶矩，ò是一个非常小的常数，避免分母出现为零的情况，ν1和ν2为影响参数θt更新的系数。
S50：将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
该方法首先利用安装在待监测零部件表面的加速度传感器采集不同故障类型原始振动信号；其次，对原始振动信号进行归一化处理，并划分出训练集和测试集；然后，构建一个由卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；接着，将训练集输入到强鲁棒性多尺度网络模型训练，并采用QHAdam优化器来调整模型的参数；最后，将测试集输入到训练好的强鲁棒性多尺度网络模型中测试，实现故障状态的智能诊断；该方法所构建的网络模型具有良好的收敛性，大大提高训练效率，而且能够有效的提高故障诊断的精度，充分利用振动信号多尺度的性质，尤其在样本量不平衡和强噪声干扰情况下也能提取故障特征，实现故障状态的智能诊断。
根据本发明第二方面的一种基于强鲁棒性多尺度网络的机械故障诊断系统，包括：
信号检测单元，用于获取机械设备不同健康状态下的原始振动信号；
信号处理单元，用于对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
模型构建单元，用于构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
模型优化单元，用于将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
故障诊断单元，用于将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
首先，该系统信号检测单元获取机械设备不同健康状态下的原始振动信号；然后，由信号处理单元对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；接着，由模型构建单元构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；再由模型优化单元将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；最后，由故障诊断单元将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断；该故障诊断系统所构建的网络模型具有良好的收敛性，大大提高训练效率，而且能够有效的提高故障诊断的精度，充分利用振动信号多尺度的性质，尤其在样本量不平衡和强噪声干扰情况下也能提取故障特征，实现故障状态的智能诊断。
在本发明的一个示例中，所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合操作将这些特征向量拼接成一个大的一维向量；
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别。
在本发明的一个示例中，所述多尺度模块还包括：挤压激励模块，
所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块(SE模块)加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加；
通过设置挤压激励模块促使深层分支学习到更多互补性的特征，提高该系统的网络的特征学习性能。
具体案例
数据来源：将圣朗格瓦尔工程技术学院实验室采集的轴承数据作为验证数据。实验轴承为圆柱滚子轴承(NBC:NU205E)，在数据采集的过程中，电机为轴提供恒定转速2050转/分，加载装置垂直方向加载200N负载，数据采集系统在70kHz采样频率下采集一系列故障振动信号和一个无缺陷振动信号，其中，详细的故障信息如表1所示，采集到的原始振动信号时域波形如图4所示。
表1为圆柱滚子轴承详细的故障信息列表
首先，对原始振动数据进行归一化处理，减少了同类型样本数据的差异，归一化后的时域波形如图5所示，然后，将每一类归一化后的数据以4096个采样点为基准划分出150个样本，共计1800个样本，1200个样本用于训练，600个样本用于测试。其次，将训练样本输入到强鲁棒性多尺度网络模型中训练，并配置强鲁棒性多尺度网络模型的基本参数，具体地，卷积池化模块采用7*1的卷积核，多尺度模块三条支路分别采用3*1、5*1和7*1的卷积核，特征识别模块中softmax分类层的神经元点数为12，模型的批量大小和迭代次数分别为32和200。在训练过程中采用QHAdam优化模型，可以促使强鲁棒性多尺度网络模型快速且平稳的收敛，QHAdam优化器的学习率为0.001，ν1和ν2分别为0.7和1。最后，将未知的测试样本输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断，获得故障诊断结果。
为了验证本发明方法在噪声环境下进行故障诊断的可行性和优越性，将本发明方法和CNN、CNN-SE、MPE-SVM、MK-ResCNN分别用于分析不同信噪比的振动数据。其中，CNN表示卷积神经网络，CNN-SE表示卷积神经网络与挤压扩张网络串联结合的智能诊断算法，MPE-SVM表示融合多尺度排列熵与支持向量机的智能诊断算法，MK-ResCNN表示多尺度核残差网络。
图6展示了不同信噪比下五种方法的诊断结果，从图6中可以看出，MPE-SVM在有噪声的环境下无法进行故障诊断，随着信噪比值的下降，CNN、CNN-SE和MK-ResCNN三种方法的故障诊断性能急剧衰减，而本发明方法在信噪比值为-12dB情况下，依然保持95％以上的故障诊断精度。根据上述对比分析可知，在噪声环境下，本发明方法比其他诊断方法具有较强的鲁棒性。
为了验证本发明方法在样本量不平衡情况下的可靠性和优越性，采用CNN、CNN-SE、MPE-SVM、MK-ResCNN和本发明方法在样本量不平衡的数据集上开展对比实验，样本量不平衡比例设置如表2所示，图7展示了在不同样本比例下五种方法各运行十次的平均诊断精度和标准差，从图7中可以观察到，在样本量平衡情况下，五种方法均能获得良好的诊断效果，而在样本量不平衡情况下，本发明方法的诊断准确率均高于其他四种方法，且标准差也是最小的，尤其是在样本量极端不平衡(20:1)情况下，本发明方法的诊断准确率相比于CNN-SE的提高了近55个点。根据对比实验可知，本发明方法可以有效的解决样本量不平衡问题，能够从较小的样本量中学习到敏感的故障特征。
表2为样本量不平衡比例设置列表
需要说明的是，本发明方法选择了3个尺度，但不局限于3个尺度，可以选择2个尺度、4个尺度甚至更高尺度。为了说明本发明方法的尺度设计的合理性，针对不平衡比例为2:1的数据集，分别研究了2个尺度的网络和4个尺度网络的性能，在训练轮次相同的情况下，依据如表3所示的不同尺度网络的诊断结果，从表3中可以清晰的看出，当尺度设计为2个尺度时，诊断准确率无法达到最佳，随着尺度的增加，多尺度网络的训练时间逐渐增加，而诊断准确率并没有随着尺度的增加而提高，当尺度为3时，诊断准确率达到了100％。因此，综合考虑时间成本和诊断准确率，本发明方法的尺度设计为3个尺度是合理的，也是最优的。
表3为不同尺度网络的诊断列表
上文中参照优选的实施例详细描述了本发明所提出的基于强鲁棒性多尺度网络的机械故障诊断方法和系统的示范性实施方式，然而本领域技术人员可理解的是，在不背离本发明理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本发明提出的各种技术特征、结构进行多种组合，而不超出本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (10)
1.一种基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，包括如下步骤：
S10：获取机械设备不同健康状态下的原始振动信号；
S20：对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
S30：构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
S40：将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
S50：将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
2.根据权利要求1所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合将这些特征向量拼接成一个大的一维向量；
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别。
3.根据权利要求2所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
所述多尺度模块还包括：挤压激励模块，
所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加。
4.根据权利要求1所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
所述卷积池化模块的表达式为：
式中，W和b分别表示卷积激活层的权重和偏置，x表示输入信号，ReLU()表示激活操作，y表示经过激活操作的输出，r×1表示最大池化的局部区域，yi表示局部区域的特征值，si表示最大池化的输出结果。
5.根据权利要求1所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
所述多尺度模块中的卷积激活运算的表达式为：
式中，代表多尺度模块第j分支的第i个卷积激活层的输出特征图，当i＝0时，/>代表卷积池化模块的输出特征图，i1，i2，i3分别代表各个分支的卷积激活层序号；/>代表第j分支的第i个卷积激活层。
6.根据权利要求1所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
所述特征识别模块中softmax分类器的表达式为：
式中，Zj表示第j个神经元在输出层的对数，N表示故障的类别数，Qj表示对应神经元输出的概率。
7.根据权利要求1所述的基于强鲁棒性多尺度网络的机械故障诊断方法，其特征在于，
QHAdam优化器的优化表达式为：
式中，θ表示网络模型待更新的参数，α表示学习率，g表示损失函数对参数θ的梯度，t表示更新步长，m′t+1和s′t+1校正后的一阶矩和二阶矩，是一个非常小的常数，避免分母出现为零的情况，ν1和ν2为影响参数θt更新的系数。
8.一种基于强鲁棒性多尺度网络的机械故障诊断系统，其特征在于，包括：
信号检测单元，用于获取机械设备不同健康状态下的原始振动信号；
信号处理单元，用于对原始振动信号进行归一化处理，并将归一化后的数据以相同的采样点数划分出训练集和测试集；
模型构建单元，用于构建一个由依次串接的卷积池化模块、多尺度模块和特征识别模块组成的强鲁棒性多尺度网络模型；
模型优化单元，用于将训练集输入到强鲁棒性多尺度网络模型中训练，并采用QHAdam优化器优化强鲁棒性多尺度网络模型；
故障诊断单元，用于将测试集输入到训练好的强鲁棒性多尺度网络模型中进行故障诊断。
9.根据权利要求8所述的基于强鲁棒性多尺度网络的机械故障诊断系统，其特征在于，
所述卷积池化模块包括依次串接的卷积激活层和池化层，配置为对输入信号进行快速的特征提取以降低特征维度；
所述多尺度模块包括多条依次并联的支路，每条支路包括多个依次串接的卷积激活层，每条支路的卷积激活层数依次减少，所述多尺度模块配置为利用全局平均池化运算(GAP)将每个支路输出的特征映射转换为一维向量，再通过特征融合操作将这些特征向量拼接成一个大的一维向量；
所述特征识别模块配置为将多尺度模块融合的特征输入并进行识别。
10.根据权利要求8所述的基于强鲁棒性多尺度网络的机械故障诊断系统，其特征在于，
所述多尺度模块还包括：挤压激励模块，
所述挤压激励模块嵌入在相邻的并联支路之间并通过残差连接，配置为将其中一条支路的浅层分支经过挤压激励模块加权的特征图与其中另一条支路的深层分支卷积后的特征图叠加。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310063113.5A CN116484172B (zh) | 2023-01-19 | 2023-01-19 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310063113.5A CN116484172B (zh) | 2023-01-19 | 2023-01-19 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116484172A true CN116484172A (zh) | 2023-07-25 |
| CN116484172B CN116484172B (zh) | 2024-01-30 |
Family
ID=87220208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310063113.5A Active CN116484172B (zh) | 2023-01-19 | 2023-01-19 | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484172B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112132813A (zh) * | 2020-09-24 | 2020-12-25 | 中国医学科学院生物医学工程研究所 | 基于改进的UNet网络模型的皮肤超声影像分割方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| US20210166129A1 (en) * | 2019-12-02 | 2021-06-03 | International Business Machines Corporation | Multi-scale object detection with a trained neural network |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| CN114897292A (zh) * | 2022-03-28 | 2022-08-12 | 南京林业大学 | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 |
| CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN115205363A (zh) * | 2022-07-15 | 2022-10-18 | 广东恒利混凝土制品有限公司 | 基于改进ResNet网络的传送带实时判空检测方法与系统 |
-
2023
- 2023-01-19 CN CN202310063113.5A patent/CN116484172B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| US20210166129A1 (en) * | 2019-12-02 | 2021-06-03 | International Business Machines Corporation | Multi-scale object detection with a trained neural network |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112132813A (zh) * | 2020-09-24 | 2020-12-25 | 中国医学科学院生物医学工程研究所 | 基于改进的UNet网络模型的皮肤超声影像分割方法 |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| US20220309674A1 (en) * | 2021-03-26 | 2022-09-29 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on u-net |
| CN114897292A (zh) * | 2022-03-28 | 2022-08-12 | 南京林业大学 | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 |
| CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
| CN115205363A (zh) * | 2022-07-15 | 2022-10-18 | 广东恒利混凝土制品有限公司 | 基于改进ResNet网络的传送带实时判空检测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| DEQIANG HE: "A rolling bearing fault diagnosis method using novel lightweight neural network", MEASUREMENT SCIENCE AND TECHNOLOGY, no. 32, pages 1 - 8 * |
| 鄢小安: "基于参数自适应特征模态分解的滚动轴承故障诊断方法", 仪器仪表学报, vol. 43, no. 10, pages 252 - 260 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116484172B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN113469281B (zh) | 一种工业齿轮箱多源信息融合故障诊断方法 | |
| CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
| CN110333076B (zh) | 基于CNN-Stacking的轴承故障诊断方法 | |
| CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN116127383A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
| CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
| Li et al. | A novel feature extraction method based on discriminative graph regularized autoencoder for fault diagnosis | |
| CN116484172B (zh) | 一种基于强鲁棒性多尺度网络的机械故障诊断方法和系统 | |
| CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| Sonmez et al. | A new deep learning model combining CNN for engine fault diagnosis | |
| Liu et al. | Fault diagnosis of satellite flywheel bearing based on convolutional neural network | |
| CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
| CN116028893A (zh) | 一种智能化数据监测方法、系统及电子设备 | |
| CN116756483A (zh) | 目标工况数据不可用下的机械故障诊断方法、装置及设备 | |
| CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| Xiang et al. | An Intelligent Fault Diagnosis Method of Rolling Bearing with Wide Convolution Kernel Network | |
| Rahman et al. | Enhanced fault diagnosis in motor bearings: Leveraging optimized wavelet transform and non-local attention |
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 |