CN116644273A - 基于可释性乘法卷积网络的故障诊断方法及系统 - Google Patents
基于可释性乘法卷积网络的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116644273A CN116644273A CN202310656136.7A CN202310656136A CN116644273A CN 116644273 A CN116644273 A CN 116644273A CN 202310656136 A CN202310656136 A CN 202310656136A CN 116644273 A CN116644273 A CN 116644273A
- Authority
- CN
- China
- Prior art keywords
- convolution
- fault diagnosis
- multiplication
- feature
- multiplicative
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 30
- 239000010410 layer Substances 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 239000006247 magnetic powder Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007620 mathematical function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000006249 magnetic particle Substances 0.000 claims 1
- 239000000523 sample Substances 0.000 description 31
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于故障诊断技术领域,具体公开了一种基于可释性乘法卷积网络的故障诊断方法及系统,该方法包括如下步骤:采集设备不同健康状态下的振动信号,并构建频谱样本数据集;设计乘法特征分离器、卷积特征提取器和鉴别器,得到可释性乘法卷积故障诊断评估模型;将频谱样本数据集作为可释性乘法卷积故障诊断评估模型的输入,更新优化可释性乘法卷积故障诊断评估模型。采用本技术方案,通过乘法特征分离器、卷积特征提取器和鉴别器,使模型基于故障信息做出科学合理的决策与辨识,以此达到模型可释的目的。
Description
技术领域
本发明属于故障诊断技术领域,涉及一种基于可释性乘法卷积网络的故障诊断方法及系统。
背景技术
近些年来,随着科学技术的不断革新壮大以及社会工业化的迅猛发展,越来越多的工业产业化系统被装载在大型工业生产场合,在这种应用环境下创造了无可替代的巨大生产力,因而这些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素都有可能造成这些系统设备故障的产生甚至是失效,因此国家和企事业单位越来越关注对这些重要系统设备的状态检测以及故障诊断方面工作。
传统的智能故障诊断模型存在两个主要缺陷:
(1)传统的智能故障诊断模型完全从数据出发,缺乏对设备振动信号潜在产生机理的深入剖析,导致模型结构并不能很好地适配振动信号的数据特征;
(2)传统的智能故障诊断模型通过深层堆叠来增加模型的故障辨识能力,却使得高层的更加抽象,没有明确的物理意义,模型也因此缺乏解释。
以上问题对模型的决策机制和结果提出了许多质疑,使得研究学者和技术人员难以理解智能故障诊断模型是依据何种数据特征做出科学合理的决策,也限制了智能故障诊断技术的进一步发展与工业应用。
发明内容
本发明的目的在于提供一种基于可释性乘法卷积网络的故障诊断方法及系统,以解决模型也因此缺乏解释的问题。
为了达到上述目的,本发明的基础方案为:一种基于可释性乘法卷积网络的故障诊断方法,包括如下步骤:
采集设备不同健康状态下的振动信号,并构建频谱样本数据集;
设计乘法特征分离器、卷积特征提取器和鉴别器,得到可释性乘法卷积故障诊断评估模型;
将频谱样本数据集作为可释性乘法卷积故障诊断评估模型的输入,更新优化可释性乘法卷积故障诊断评估模型。
本基础方案的工作原理和有益效果在于:可释性乘法卷积故障诊断评估模型包括三层,具有轻量化的显著优点。为了使可释性乘法卷积故障诊断评估模型基于故障信息做出科学合理的决策与辨识,在模型第一层,设计了乘法特征分离器,用于分离振动信号中的故障敏感信息,从而保证后续特征提取与决策均是基于所提取的故障信息而进行,以此达到模型可释的目的。
进一步,构建频谱样本数据集的具体方法如下:
采集设备不同健康状态下的振动信号,设置采样频率为Fs,健康状态的分类数目为K;
将每条振动信号分割为多个振动样本,每个振动样本的长度为L=Fs,设置振动样本对应的采样时长;
对每个振动样本进行FFT变换,得到其对应的频谱样本为x∈R1×L,并记录样本标签。
操作简单,获取频谱样本,便于后续使用。
进一步,设计乘法特征分离器的方法为:
乘法特征分离器包含数个解析乘法滤波核,用于分离谱样本中的故障敏感特征,每个乘法滤波核具有两个可学习参数:中心频率ωc及带宽惩罚系数λ,乘法特征分离器的第k个乘法滤波器核对应的特征图hk为:
hk=M(ωck,λk)·X(ω)
其中,X(ω)为频谱样本组成的训练集,ω是频率;M(·)为乘法滤波核;ωck和λk分别为第k个乘法滤波器核的中心频率和带宽惩罚系数;
设乘法特征分离器的深度为N,及乘法滤波核的个数为N,将N个特征图堆叠为乘法特征分离器的输出映射H:
H=[h1;h2;…;hN]。
利用解析乘法滤波核,分离振动信号中的故障敏感信息,从而保证后续特征提取与决策均是基于所提取的故障信息而进行。
进一步,为使每个乘法滤波核分离更加判别性的故障信息,提高特征图的多样性,在乘法特征分离器中引入抗混叠策略,第k个特征图hk重写为:
其中,hi表示第i个特征图。
在乘法特征分离器中引入抗混叠策略,迫使每个滤波核分离更加判别性的故障信息,提高特征图的多样性。
进一步,为了实现特征分离,乘法滤波核设计解析式可采用:
和/或
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;ωc是中心频率参数。
结构简单,利于使用。
进一步,设计卷积特征提取器的方法如下:
构造一个1维卷积层,用于提取乘法特征分离器输出映射特征图H中的高维特征,卷积核的输出通道为64,卷积操作表示为:
y=ReLU(wconv*H+bconv)
其中,wconv和bconv分别是卷积特征提取器的权重与偏置;ReLU(·)是激活函数,其激活准则为:
其中,y表示卷积层输出的节点响应;
通过自适应最大池化函数AdptiveMaxPooling(·)对特征y进行降维,保留最大的10个输出节点,池化过程为:
其中,yl是第l个通道的卷积输出向量,表示卷积层第l个通道经自适应最大池化后的第i个输出;
将卷积特征提取器各通道输出Zl平坦化特征向量:
y←Fltten({yl}),l=1,2,...,64
其中,Z∈R640×1是平坦后的特征向量,Fltten表示平坦化处理。
提取所需的特征向量,利于后续故障诊断。
进一步,设计鉴别器的方法如下:
利用单层全连接层,将卷积特征提取器中的特征向量Z降维至分类数目K:
p=wfcZ+bfc
其中,wfc和bfc分别是全连接层的权重矩阵与偏置向量;p∈RK×1是可释性乘法卷积故障诊断评估模型的推理结果;
每类健康状态的评估概率为:
其中,为第i类健康状态评估概率值,Pj表示全连接层输出端的第j个神经元的输出值,及第j类故障的预测概率;e表示自然指数;Pi表示全连接层输出端的第i个神经元的输出值,及第i类故障的预测概率。
通过鉴别器,得到故障诊断结果,操作简单。
进一步,更新可释性乘法卷积故障诊断评估模型的方法如下:
以交叉熵损失函数作为可释性乘法卷积故障诊断评估模型优化函数,通过最小化交叉熵损失,对可释性乘法卷积故障诊断评估模型进行更新,更新函数为:
其中,X是频谱样本组成的训练集,θ={ωc,λ,wconv,bconv,wfc,bfc}是可释性乘法卷积故障诊断评估模型的模型参数,ωc和λ分别为乘法特征分离器的中心频率和带宽惩罚系数,wconv和bconv分别是卷积特征提取器的权重与偏置,wfc和bfc分别是鉴别器的权重矩阵与偏置向量;和/>分别是真实故障标签值与预测标签值,K是健康状态的分类数目;argmin为数学函数表示符号;
根据链式求导法则,逐层计算模型参数的梯度并更新,第一层的乘法特征分离器参数更新:
其中,是偏导算子,η是学习率;L为振动样本的长度;/>为健康状态评估概率值;p∈RK×1是可释性乘法卷积故障诊断评估模型的推理结果;y表示卷积层输出的节点响应;H为乘法特征分离器的输出映射;/>和/>是滤波核解析表达式对频率参数和带宽惩罚系数参数的偏导;ωci和λi分别为第i个乘法滤波器核的中心频率和带宽惩罚系数,M表示乘法滤波核;
对于维纳滤波核和高斯滤波核,其偏导分别计算:
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;αi和σci分别为第i个维纳滤核的带宽惩罚系数和第i个高斯滤波核的带宽惩罚系数,ω表示频率。
优化模型,增强模型故障诊断的准确度。
本发明还提供一种基于可释性乘法卷积网络的故障诊断系统,包括数据采集模块和故障诊断模块,所述数据采集模块用于采集设备不同健康状态下的振动信号,数据采集模块的输出端与故障诊断模块的输入端连接,所述故障诊断模块执行本发明所述方法,进行故障诊断。
利用该系统对设备进行故障诊断,操作简单,利于使用。
本发明还提供一种齿轮箱故障测试系统,包括二级齿轮箱、磁粉制动器、载荷控制器、远程终端、电机和本发明所述故障诊断系统;
所述磁粉制动器通过联轴器与二级齿轮箱连接,所述载荷控制器的输出端与磁粉制动器的控制端连接;
所述远程终端的第一控制信号输出端与载荷控制器连接,远程终端的第二控制信号输出端通过放大器后与电机的控制端连接,所述电机的转动轴与二级齿轮箱连接;
所述故障诊断系统的数据采集模块与二级齿轮箱连接,用于采集二级齿轮箱内故障齿轮的振动信号。
齿轮箱故障测试系统利用故障诊断系统探查齿轮故障,利于故障排查、设备维护。
附图说明
图1是本发明基于可释性乘法卷积网络的故障诊断方法的流程示意图;
图2是本发明齿轮箱故障测试系统的结构示意图;
图3是本发明齿轮箱故障测试系统的可释性验证中健康频谱样本示意图;
图4是本发明齿轮箱故障测试系统的可释性验证中裂纹故障频谱样本示意图;
图5是本发明齿轮箱故障测试系统的可释性阐述示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明公开了一种基于可释性乘法卷积网络(MCN)的故障诊断方法,结合振动信号的多尺度特征,提出一种可释性的乘法卷积网络(MCN)架构。如图1所示,该方法包括如下步骤:
采集设备不同健康状态下的振动信号,并构建频谱样本数据集;
设计乘法特征分离器、卷积特征提取器和鉴别器,得到可释性乘法卷积故障诊断评估模型;
将频谱样本数据集作为可释性乘法卷积故障诊断评估模型的输入,更新优化(当达到最大迭代步数或交叉熵损失小于0.0001时,停止更新)可释性乘法卷积故障诊断评估模型。
本发明的一种优选方案中,构建频谱样本数据集的具体方法如下:
采集设备不同健康状态下的振动信号,设置采样频率为Fs,健康状态的分类数目为K;
将每条振动信号分割为多个振动样本,每个振动样本的长度为L=Fs,设置振动样本对应的采样时长为1s,保障FFT变换后的频谱分辨率;
对每个振动样本进行FFT变换,给每个样本标记一个标签,如下0、1、2、3、4,得到其对应的频谱样本为x∈R1×L,并记录样本标签。样本标签对应故障分类编号,以齿轮故障辨识为例,如果频谱样本对应的健康状态包括正常、剥落、齿根裂纹、齿面点蚀、断齿,共5类,则标签对应为0、1、2、3、4。
本发明的一种优选方案中,设计乘法特征分离器的方法为:
乘法特征分离器包含数个解析乘法滤波核,用于分离谱样本中的故障敏感特征。每个乘法滤波核具有两个可学习参数:中心频率ωc及带宽惩罚系数λ,乘法特征分离器的第k个乘法滤波器核对应的特征图hk为:
hk=M(ωck,λk)·X(ω)
其中,X(ω)为频谱样本组成的训练集,ω为频率,频谱样本可以表示为频率的离散函数;M(·)为乘法滤波核;ωck和λk分别为第k个乘法滤波器核的中心频率和带宽惩罚系数;
设乘法特征分离器的深度为N,及乘法滤波核的个数为N,将N个特征图堆叠为乘法特征分离器的输出映射H:
H=[h1;h2;…;hN]。
为了实现特征分离,乘法滤波核设计解析式可采用:
和/或
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;ωc是中心频率参数。
利用解析乘法滤波核,分离振动信号中的故障敏感信息,从而保证后续特征提取与决策均是基于所提取的故障信息而进行。
本发明的一种优选方案中,为了迫使每个滤波核分离更加判别性的故障信息,提高特征图的多样性。在乘法特征分离器中引入抗混叠策略,第k个特征图hk重写为:
其中,hi表示第i个特征图,纬度为1×L。
本发明的一种优选方案中,设计卷积特征提取器的方法如下:
构造一个1维卷积层,用于提取乘法特征分离器输出映射特征图H中的高维特征,卷积核的输出通道为64,卷积操作表示为:
y=ReLU(wconv*H+bconv)
其中,wconv和bconv分别是卷积特征提取器的权重与偏置;ReLU(·)是激活函数,其激活准则为:
其中,y表示卷积层输出的节点响应;
通过自适应最大池化函数AdptiveMaxPooling(·)对特征y进行降维,保留最大的10个输出节点,池化过程为:
其中,yl是第l个通道的卷积输出向量,表示卷积层第l个通道经自适应最大池化后的第i个输出;
将卷积特征提取器各通道输出Zl平坦化特征向量:
y←Fltten({yl}),l=1,2,...,64
其中,Z∈R640×1是平坦后的特征向量,Fltten表示平坦化处理。平坦化处理,是把经过池化后的64个卷积层通道的输出按顺序拼接,拼接后的维度为1×640。
本发明的一种优选方案中,设计鉴别器的方法如下:
利用单层全连接层,将卷积特征提取器中的特征向量Z降维至分类数目K,运算过程为:
p=wfcZ+bfc
其中,wfc和bfc分别是全连接层的权重矩阵与偏置向量;p∈RK×1是可释性乘法卷积故障诊断评估模型的推理结果;
每类健康状态的评估概率为:
其中,为第i类健康状态评估概率值,Pj表示全连接层输出端的第j个神经元的输出值,及第j类故障的预测概率;e表示自然指数;Pi表示全连接层输出端的第i个神经元的输出值,及第i类故障的预测概率。
本发明的一种优选方案中,更新可释性乘法卷积故障诊断评估模型的方法如下:
以交叉熵损失函数作为可释性乘法卷积故障诊断评估模型优化函数,通过最小化交叉熵损失,对可释性乘法卷积故障诊断评估模型进行更新,更新函数为:
其中,X是频谱样本组成的训练集,θ={ωc,λ,wconv,bconv,wfc,bfc}是可释性乘法卷积故障诊断评估模型的模型参数,ωc和λ分别为乘法特征分离器的中心频率和带宽惩罚系数,wconv和bconv分别是卷积特征提取器的权重与偏置,wfc和bfc分别是鉴别器的权重矩阵与偏置向量;和/>分别是真实故障标签值与预测标签值,真实故障标签是数据预处理时已知的,以齿轮故障辨识为例,如果频谱样本对应的健康状态包括正常、剥落、齿根裂纹、齿面点蚀、断齿,共5类(K=5),则真实标签分别为0、1、2、3、4。在数据预处理时,由相应振动信号得到的谱样本的真实标签便是已知的。K是健康状态的分类数目;argmin为数学函数表示符号,其下方为优化参数,其后接的损失函数表达式;
根据链式求导法则,逐层计算模型参数的梯度并更新,第一层的乘法特征分离器参数更新:
其中,是偏导算子,η是学习率;L为振动样本的长度;/>为健康状态评估概率值;p∈RK×1是可释性乘法卷积故障诊断评估模型的推理结果;y表示卷积层输出的节点响应;H为乘法特征分离器的输出映射;/>和/>是滤波核解析表达式对频率参数和带宽惩罚系数参数的偏导;ωci和λi分别为第i个乘法滤波器核的中心频率和带宽惩罚系数,M表示乘法滤波核;
对于维纳滤波核和高斯滤波核,其偏导分别计算:
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;αi和σci分别为第i个维纳滤核的带宽惩罚系数和第i个高斯滤波核的带宽惩罚系数,ω表示频率。
本发明还提供一种基于可释性乘法卷积网络的故障诊断系统,包括数据采集模块和故障诊断模块,数据采集模块用于采集设备不同健康状态下的振动信号,数据采集模块的输出端与故障诊断模块的输入端电性连接,所述故障诊断模块执行本发明所述方法,进行故障诊断。利用该系统对设备进行故障诊断,操作简单,利于使用。
本发明还提供一种齿轮箱故障测试系统,如图2所示,包括二级齿轮箱、磁粉制动器、载荷控制器、远程终端、电机和本发明所述故障诊断系统。磁粉制动器通过联轴器与二级齿轮箱连接,在联轴器上设有转速-扭矩传感器,转速-扭矩传感器的信号输出端与远程终端的信号输入端电性连接。载荷控制器的输出端与磁粉制动器的控制端连接。远程终端的第一控制信号输出端与载荷控制器电性连接,远程终端的第二控制信号输出端通过放大器后与电机的控制端电性连接,电机的转动轴与二级齿轮箱的转动轴固定连接,远程终端可采用电脑等设备。故障诊断系统的数据采集模块与二级齿轮箱电性连接,用于采集二级齿轮箱内故障齿轮的振动信号。故障齿轮上设有加速度传感器,用于采集相应加速度信号,利于控制。
例如,二级齿轮箱中齿轮的健康状态包括正常、裂纹、剥落、点蚀和断齿,输入转速从200rpm到1100prm变化,转速梯度50rpm,振动信号采集频率Fs=2560Hz。可释性验证:将1100rpm转速下的健康频谱样本与裂纹故障频谱样本输入可释性乘法卷积故障诊断评估模型,对比训练前后的维纳滤波核及其输出特征图,如图3和图4所示,图中fr1、fm1和fm2是轴频与齿轮啮合频率,可以发现他们的幅值信息、带框是故障敏感的。而通过训练,维纳滤波核在频域故障知识的驱动下精准收敛到这些频带,以便提取故障相关的频域知识,用于指导MCN模型做出可解释的、有根据的决策。如图5所示,基于二分类的MCN故障诊断模型可释性阐述,(a)为二分类的MCN中均匀初始化维纳滤波核,MCN设置了8个滤波核,滤波核中心频率在关注带宽范围内是均匀间隔的,在各自中心频率处具有单位幅值响应。(b)为学习后的滤波核及其对健康谱样本的特征映射,(c)为学习后的滤波核及其对裂纹故障谱样本的特征映射。(b)和(c)中的虚线描述的是学习后的滤波核,实线描述的是8个滤波核映射得到的模态。图(b)与图(c)的差异是:图(b)把测试集中的健康谱样本输入到训练后的二分类MCN中得到的特征映射;图(c)是把测试集中的裂纹故障谱样本输入到训练后的二分类MCN中得到的特征映射。因此,(b)(c)两图中虚线位置相同,描述的都是学习后的维纳滤波核,而模态(实线)不同,因为输入的测试谱样本不同。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于可释性乘法卷积网络的故障诊断方法,其特征在于,包括如下步骤:
采集设备不同健康状态下的振动信号,并构建频谱样本数据集;
设计乘法特征分离器、卷积特征提取器和鉴别器,得到可释性乘法卷积故障诊断评估模型;
将频谱样本数据集作为可释性乘法卷积故障诊断评估模型的输入,更新优化可释性乘法卷积故障诊断评估模型。
2.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,构建频谱样本数据集的具体方法如下:
采集设备不同健康状态下的振动信号,设置采样频率为Fs,健康状态的分类数目为K;
将每条振动信号分割为多个振动样本,每个振动样本的长度为L=Fs,设置振动样本对应的采样时长;
对每个振动样本进行FFT变换,得到其对应的频谱样本为x∈R1×L,并记录样本标签。
3.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,设计乘法特征分离器的方法为:
乘法特征分离器包含数个解析乘法滤波核,用于分离谱样本中的故障敏感特征,每个乘法滤波核具有两个可学习参数:中心频率ωc及带宽惩罚系数λ,乘法特征分离器的第k个乘法滤波器核对应的特征图hk为:
hk=M(ωck,λk)·X(ω)
其中,X(ω)为频谱样本组成的训练集,ω为频率;M(·)为乘法滤波核;ωck和λk分别为第k个乘法滤波器核的中心频率和带宽惩罚系数;
设乘法特征分离器的深度为N,及乘法滤波核的个数为N,将N个特征图堆叠为乘法特征分离器的输出映射H:
H=[h1;h2;…;hN]。
4.如权利要求3所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,为使每个乘法滤波核分离更加判别性的故障信息,提高特征图的多样性,在乘法特征分离器中引入抗混叠策略,第k个特征图hk重写为:
其中,hi表示第i个特征图。
5.如权利要求3所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,为了实现特征分离,乘法滤波核设计解析式可采用:
和/或
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;ωc是中心频率参数。
6.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,设计卷积特征提取器的方法如下:
构造一个1维卷积层,用于提取乘法特征分离器输出映射特征图H中的高维特征,卷积核的输出通道为64,卷积操作表示为:
y=ReLU(wconv*H+bconv)
其中,wconv和bconv分别是卷积特征提取器的权重与偏置;ReLU(·)是激活函数,其激活准则为:
其中,y表示卷积层输出的节点响应;
通过自适应最大池化函数AdptiveMaxPooling(·)对特征y进行降维,保留最大的10个输出节点,池化过程为:
其中,yl是第l个通道的卷积输出向量,表示卷积层第l个通道经自适应最大池化后的第i个输出;
将卷积特征提取器各通道输出yl平坦化特征向量y:
y←Flatten({yl}),l=1,2,...,64
其中,Z∈R640×1是平坦后的特征向量,Flatten表示平坦化处理。
7.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,设计鉴别器的方法如下:
利用单层全连接层,将卷积特征提取器中的特征向量Z降维至分类数目K:
p=wfcZ+bfc
其中,wfc和bfc分别是全连接层的权重矩阵与偏置向量;p∈RK×1是可释性乘法卷积故障诊断评估模型的推理结果;
每类健康状态的评估概率为:
其中,为第i类健康状态评估概率值,Pj表示全连接层输出端的第j个神经元的输出值,及第j类故障的预测概率;e表示自然指数;Pi表示全连接层输出端的第i个神经元的输出值,及第i类故障的预测概率。
8.如权利要求1所述的基于可释性乘法卷积网络的故障诊断方法,其特征在于,更新可释性乘法卷积故障诊断评估模型的方法如下:
以交叉熵损失函数作为可释性乘法卷积故障诊断评估模型优化函数,通过最小化交叉熵损失,对可释性乘法卷积故障诊断评估模型进行更新,更新函数为:
其中,X是频谱样本组成的训练集,θ={ωc,λ,wconv,bconv,wfc,bfc}是可释性乘法卷积故障诊断评估模型的模型参数,ωc和λ分别为乘法特征分离器的中心频率和带宽惩罚系数,wconv和bconv分别是卷积特征提取器的权重与偏置,wfc和bfc分别是鉴别器的权重矩阵与偏置向量;和/>分别是真实故障标签值与预测标签值,K是健康状态的分类数目;argmin为数学函数表示符号;
根据链式求导法则,逐层计算模型参数的梯度并更新,第一层的乘法特征分离器参数更新:
其中,是偏导算子,η是学习率;L为振动样本的长度;/>为健康状态评估概率值;p∈RK ×1是可释性乘法卷积故障诊断评估模型的推理结果;y表示卷积层输出的节点响应;H为乘法特征分离器的输出映射;/>和/>是滤波核解析表达式对频率参数和带宽惩罚系数参数的偏导;ωci和λi分别为第i个乘法滤波器核的中心频率和带宽惩罚系数,M表示乘法滤波核;
对于维纳滤波核和高斯滤波核,其偏导分别计算:
其中,W(·)和G(·)分别表示维纳滤波核和高斯滤波核,α和σ分别是它们的带宽惩罚系数;αi和σci分别为第i个维纳滤核的带宽惩罚系数和第i个高斯滤波核的带宽惩罚系数,ω表示频率。
9.一种基于可释性乘法卷积网络的故障诊断系统,其特征在于,包括数据采集模块和故障诊断模块,所述数据采集模块用于采集设备不同健康状态下的振动信号,数据采集模块的输出端与故障诊断模块的输入端连接,所述故障诊断模块执行权利要求1-8之一所述方法,进行故障诊断。
10.一种齿轮箱故障测试系统,其特征在于,包括二级齿轮箱、磁粉制动器、载荷控制器、远程终端、电机和权利要求9所述故障诊断系统;
所述磁粉制动器通过联轴器与二级齿轮箱连接,所述载荷控制器的输出端与磁粉制动器的控制端连接;
所述远程终端的第一控制信号输出端与载荷控制器连接,远程终端的第二控制信号输出端通过放大器后与电机的控制端连接,所述电机的转动轴与二级齿轮箱连接;
所述故障诊断系统的数据采集模块与二级齿轮箱连接,用于采集二级齿轮箱内故障齿轮的振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656136.7A CN116644273A (zh) | 2023-06-05 | 2023-06-05 | 基于可释性乘法卷积网络的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656136.7A CN116644273A (zh) | 2023-06-05 | 2023-06-05 | 基于可释性乘法卷积网络的故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644273A true CN116644273A (zh) | 2023-08-25 |
Family
ID=87639730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310656136.7A Pending CN116644273A (zh) | 2023-06-05 | 2023-06-05 | 基于可释性乘法卷积网络的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233520A (zh) * | 2023-11-16 | 2023-12-15 | 青岛澎湃海洋探索技术有限公司 | 基于改进Sim-GAN的AUV推进系统故障检测评估方法 |
-
2023
- 2023-06-05 CN CN202310656136.7A patent/CN116644273A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233520A (zh) * | 2023-11-16 | 2023-12-15 | 青岛澎湃海洋探索技术有限公司 | 基于改进Sim-GAN的AUV推进系统故障检测评估方法 |
CN117233520B (zh) * | 2023-11-16 | 2024-01-26 | 青岛澎湃海洋探索技术有限公司 | 基于改进Sim-GAN的AUV推进系统故障检测评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
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 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
Pandhare et al. | Convolutional neural network based rolling-element bearing fault diagnosis for naturally occurring and progressing defects using time-frequency domain features | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN116644273A (zh) | 基于可释性乘法卷积网络的故障诊断方法及系统 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116223020A (zh) | 基于Li-MDCCAN的齿轮箱智能故障诊断方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 |
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 |