CN116701912B - 基于一维卷积神经网络的轴承故障诊断方法及系统 - Google Patents

基于一维卷积神经网络的轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN116701912B
CN116701912B CN202310707691.8A CN202310707691A CN116701912B CN 116701912 B CN116701912 B CN 116701912B CN 202310707691 A CN202310707691 A CN 202310707691A CN 116701912 B CN116701912 B CN 116701912B
Authority
CN
China
Prior art keywords
record
bearing fault
bearing
neural network
convolutional neural
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.)
Active
Application number
CN202310707691.8A
Other languages
English (en)
Other versions
CN116701912A (zh
Inventor
张永平
罗煜坤
徐森
郭乃瑄
孟海涛
陈朝峰
邵星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Original Assignee
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yancheng Institute of Technology, Yancheng Institute of Technology Technology Transfer Center Co Ltd filed Critical Yancheng Institute of Technology
Priority to CN202310707691.8A priority Critical patent/CN116701912B/zh
Publication of CN116701912A publication Critical patent/CN116701912A/zh
Application granted granted Critical
Publication of CN116701912B publication Critical patent/CN116701912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Nonlinear Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供基于一维卷积神经网络的轴承故障诊断方法及系统，其中，方法包括：步骤1：采集轴承故障数据；步骤2：划分轴承故障数据，获得训练集、验证集和测试集；步骤3：设置第一一维卷积神经网络；步骤4：根据训练集对第一一维卷积神经网络进行模型训练；步骤5：根据验证集，获取轴承故障诊断模型；步骤6：将测试集输入轴承故障诊断模型，获得轴承故障诊断结果。本发明的基于一维卷积神经网络的轴承故障诊断方法及系统，直接将轴承故障数据输入第一一维卷积神经网络，无需将一维信号转换成二维信号，避免了信号转换过程中信号的失真以及有用信息的丢失，提升了后续模型特征学习的丰富性，故障诊断精度也更高。

Description

基于一维卷积神经网络的轴承故障诊断方法及系统
技术领域
本发明涉及轴承故障诊断技术领域，特别涉及基于一维卷积神经网络的轴承故障诊断方法及系统。
背景技术
随着机器学习研究的不断兴起，智能故障诊断算法逐渐成为故障诊断领域的主流算法。目前，二维卷积神经网络广泛运用于故障诊断领域，但是，基于二维卷积神经网络的故障诊断需要将一维信号转换为二维矩阵，再将二维矩阵输入二维卷积神经网络，获得故障诊断结果，需要注意的是，将一维信号转换成二维信号时依赖于经验，且转换过程中可能存在扭曲、变形甚至有用信息的丢失导致特征学习不足和精度低等问题。
因此，亟需一种基于一维卷积神经网络的轴承故障诊断方法及系统。
发明内容
本发明目的之一在于提供了基于一维卷积神经网络的轴承故障诊断方法，直接将轴承故障数据输入第一一维卷积神经网络，无需将一维信号转换成二维信号，避免了信号转换过程中信号的失真以及有用信息的丢失，提升了后续模型特征学习的丰富性，故障诊断精度也更高。
本发明实施例提供的基于一维卷积神经网络的轴承故障诊断方法，包括：
步骤1：采集轴承故障数据；
步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集；
步骤3：设置第一一维卷积神经网络；
步骤4：根据训练集对第一一维卷积神经网络进行模型训练；
步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；
步骤6：将测试集输入轴承故障诊断模型，获得轴承故障诊断结果。
优选的，步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集，包括：
将轴承故障数据进行随机打乱，获得待划分数据；
划分待划分数据，获得训练集、验证集和测试集。
优选的，划分待划分数据，获得训练集、验证集和测试集，包括：
根据预设的第一数据划分比例划分待划分数据，获取训练集；
根据预设的第二数据划分比例划分待划分数据，获取验证集；
根据预设的第三数据划分比例划分待划分数据，获取测试集。
优选的，步骤3：设置第一一维卷积神经网络，包括：
用全局平均池化层代替预设的CNN网络模型的全连接层，同时，用预设的非线性SVM代替CNN网络模型中的Softmax分类器。
优选的，步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型，包括：
根据验证集，对第一一维卷积神经网络进行迭代；
根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型。
优选的，根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型，包括：
步骤501：实时解析迭代结果，获取当前正在进行迭代的第一一维卷积神经网络，并作为第二一维卷积神经网络；
步骤502：根据验证集，获取一次迭代完成后的第二一维卷积神经网络的损失误差和准确率；
步骤503：当迭代次数达到预设的第一阈值时，判断是否存在至少一个第二一维卷积神经网络的损失误差和准确率达到预设的第二阈值；
步骤504：若是，将第二一维卷积神经网络作为第三一维卷积神经网络；
步骤505：基于预设的最优模型判断规则，根据第三一维卷积神经网络的损失误差和准确率，确定第三一维卷积神经网络中性能最优的第三一维卷积神经网络，并作为轴承故障诊断模型；
步骤506：若否，则继续迭代第一一维卷积神经网络，重复步骤501至步骤505，直至获得轴承故障诊断模型。
优选的，步骤1：采集轴承故障数据，包括：
基于大数据，获取多个第一轴承故障记录；
对第一轴承故障记录进行筛选，获得轴承故障数据；
其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：
获取第一轴承故障记录中的第一轴承的第一轴承参数；
获取需要进行轴承故障诊断的第二轴承的第二轴承参数；
获取第一轴承参数和第二轴承参数的匹配程度；
若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；
获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；
若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；
获取第三轴承故障记录的第一可用值；
若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；
若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；
获取第五轴承故障记录的第二可用值；
若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；
整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。
优选的，获取第三轴承故障记录的第一可用值，包括：
获取第三轴承故障记录的机器诊断模型；
解析机器诊断模型，获取机器诊断模型的诊断参数；
根据诊断参数的参数类型的不同，获取诊断依据表征向量；
根据诊断依据表征向量对应表征的不同的依据类型，获取诊断参数的全面值；
根据每一参数类型的诊断参数，获取规范表征向量；
根据规范表征向量，获取诊断参数的规范值；
赋予全面值预设的第一权重值，获得第一加和值，并与对应第三轴承故障记录关联；
赋予规范值预设的第二权重值，获得第二加和值，并与对应第三轴承故障记录关联；
累加计算第三轴承故障记录关联的第一加和值和第二加和值，获得第一可用值。
优选的，获取第五轴承故障记录的第二可用值，包括：
确定第五轴承故障记录的记录人员；
获取记录人员的历史故障报告记录；
获取历史故障报告记录的及时性检验方案；
根据及时性检验方案，对历史故障报告记录进行及时性检验，获得历史故障报告记录的报告及时值；
若报告及时值大于等于预设的第六阈值，将对应报告及时值作为第三加和值，并与对应记录人员关联；
若报告及时值小于第六阈值，对历史故障报告记录进行记录拆分，获得第一记录项；
获取第一记录项的记录项属性；
根据记录项属性，确定第一记录项中进行不及时原因陈述的第二记录项；
提取第二记录项的记录语义；
将记录语义输入预设的合理性陈述判定模型，获取合理值；
查询预设的合理值-更新系数库，确定对应报告及时值的更新系数；
根据更新系数对相应报告及时值进行更新，获得第四加和值，并与对应记录人员关联；
累加记录人员关联的第三加和值和第四加和值，获得记录人员对应的第五轴承故障记录的第二可用值。
本发明实施例提供的基于一维卷积神经网络的轴承故障诊断系统，包括：
数据采集子系统，用于采集轴承故障数据；
数据划分子系统，用于对轴承故障数据进行划分，获得训练集、验证集和测试集；
网络设置子系统，用于设置第一一维卷积神经网络；
模型训练子系统，用于根据训练集对第一一维卷积神经网络进行模型训练；
模型获取子系统，用于根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；
诊断子系统，用于将测试集输入轴承故障诊断模型，获得轴承故障诊断结果。
本发明的有益效果为：
本发明直接将轴承故障数据输入第一一维卷积神经网络，无需将一维信号转换成二维信号，避免了信号转换过程中信号的失真以及有用信息的丢失，提升了后续模型特征学习的丰富性，故障诊断精度也更高。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于一维卷积神经网络的轴承故障诊断方法的示意图；
图2为本发明实施例中基于一维卷积神经网络的轴承故障诊断模型的确定过程；
图3为本发明实施例中基于一维卷积神经网络的轴承故障诊断系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了基于一维卷积神经网络的轴承故障诊断方法，如图1所示，包括：
步骤1：采集轴承故障数据；轴承故障数据为：轴承振动信号；
步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集；训练集为：轴承故障数据中用于后续模型训练的数据；验证集为：轴承故障数据中用于调节模型训练的超参数的数据；测试集用于评估已经训练的神经网络模型的故障诊断的准确性；一般的，使用70％的轴承故障数据作为训练集，20％的轴承故障数据作为验证集以及10％的轴承故障数据作为测试集；
步骤3：设置第一一维卷积神经网络；设置时，获取预设的卷积神经网络模型，用全局平均池化层代替卷积神经网络模型中的全连接层，并用预设的非线性支持向量机代替卷积神经网络模型中的Softmax分类器；全局平均池化层用于对卷积神经网络模型最后一层卷积操作输出的特征图取全局平均值；全连接层为卷积神经网络模型中将前面各层提取到的特征信息进行整合和分类的网络层级；非线性支持向量机用于引入核函数将输入空间映射到高维特征空间中，从而实现对复杂数据集的有效划分；Softmax分类器为卷积神经网络模型中的对离散型数据进行分类的分类器；
步骤4：根据训练集对第一一维卷积神经网络进行模型训练；模型训练属于现有技术范畴，不作赘述；
步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；根据验证集判断第一一维卷积神经网络是否训练收敛时，通过验证集判断对应第一一维卷积神经网络的损失误差和准确率，损失误差为：第一一维卷积神经网络在训练过程中产生的预测结果(例如：预测故障)与实际结果(例如：实际故障)之间的差异，准确率为：第一一维卷积神经网络在预测过程中正确分类的样本数量与总样本数量之间的比例；
步骤6：将测试集输入轴承故障诊断模型，获得轴承故障诊断结果。轴承故障诊断结果为，例如：疲劳断裂，又例如：摩擦卡死。
上述技术方案的工作原理及有益效果为：
本申请对采集的轴承故障数据进行数据划分，分别获得训练集、验证集和测试集，同时，设置第一一维卷积神经网络，利用训练集训练第一一维卷积神经网络，并根据验证集对训练完成的第一一维卷积神经网络进行验证，确定性能最优的轴承故障诊断模型，将测试集输入轴承故障诊断模型获得轴承故障诊断结果。
本申请直接将轴承故障数据输入第一一维卷积神经网络，无需将一维信号转换成二维信号，避免了转换过程中信号的失真以及有用信息的丢失，提升了后续模型特征学习的丰富性，故障诊断精度也更高。
在一个实施例中，步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集，包括：
将轴承故障数据进行随机打乱，获得待划分数据；待划分数据为：轴承故障数据经过打乱之后的数据；
划分待划分数据，获得训练集、验证集和测试集。训练集用于后续模型训练；验证集用于验证训练中的模型的损失误差和准确率，若未达到收敛，则模型继续迭代；测试集用于输入最终训练获得的轴承故障诊断模型，获得轴承故障诊断结果。
上述技术方案的工作原理及有益效果为：
本申请将轴承数据随机打乱后再进行划分，获取训练集、验证集和测试集，减少了数据划分的偏差。
在一个实施例中，划分待划分数据，获得训练集、验证集和测试集，包括：
根据预设的第一数据划分比例划分待划分数据，获取训练集；预设的第一数据划分比例优选70％，也可由人工自行设置；
根据预设的第二数据划分比例划分待划分数据，获取验证集；预设的第二数据划分比例优选20％，也可由人工自行设置；
根据预设的第三数据划分比例划分待划分数据，获取测试集。预设的第二数据划分比例优选10％，也可由人工自行设置。
上述技术方案的工作原理及有益效果为：
本申请根据不同的数据划分比例划分待划分数据，待划分数据的利用更合理。
在一个实施例中，步骤3：设置第一一维卷积神经网络，包括：
用全局平均池化层代替预设的CNN网络模型的全连接层，同时，用预设的非线性SVM代替CNN网络模型中的Softmax分类器。预设的CNN网络模型为：卷积神经网络模型；全局平均池化层用于对卷积神经网络模型最后一层卷积操作输出的特征图取全局平均值；全连接层为卷积神经网络模型中将前面各层提取到的特征信息进行整合和分类的网络层级；非线性SVM用于引入核函数将输入空间映射到高维特征空间中，从而实现对复杂数据集的有效划分；Softmax分类器为卷积神经网络模型中的对离散型数据进行分类的分类器；
上述技术方案的工作原理及有益效果为：
本申请用全局平均池化层代替CNN网络模型的全连接层，同时，用非线性SVM代替CNN网络模型中的Softmax分类器，提高了第一一维卷积神经网络的泛化能力和模型准确率。
在一个实施例中，步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型，包括：
根据验证集，对第一一维卷积神经网络进行迭代；神经网络迭代时，将验证集输入第一一维卷积神经网络，根据获得的输出与实际的误差，调整第一一维卷积神经网络的节点权重，通过多次迭代，第一一维卷积神经网络能够学习如何更好的适应任务以及提升性能；
根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型。根据迭代结果，将迭代的第一一维卷积神经网络中的最优模型作为轴承故障诊断模型。
上述技术方案的工作原理及有益效果为：
本申请根据验证集，对第一一维神经网络模型进行迭代，确定迭代结果中性能最优的第一一维神经网络模型作为轴承故障诊断模型(轴承故障诊断模型的确定过程如图2所示)，提高了轴承故障诊断模型确定的合理性。
在一个实施例中，根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型，包括：
步骤501：实时解析迭代结果，获取当前正在进行迭代的第一一维卷积神经网络，并作为第二一维卷积神经网络；
步骤502：根据验证集，获取一次迭代完成后的第二一维卷积神经网络的损失误差和准确率；损失误差为：第二一维卷积神经网络的预测结果和实际结果之间的差异；准确率为：正确分类的样本数量与总样本数量之间的比例；
步骤503：当迭代次数达到预设的第一阈值时，判断是否存在至少一个第二一维卷积神经网络的损失误差和准确率达到预设的第二阈值；预设的第一阈值由人工预先设置，例如：20；预设的第二阈值由人工预先设置，例如：准确率为95％；
步骤504：若是，将第二一维卷积神经网络作为第三一维卷积神经网络；
步骤505：基于预设的最优模型判断规则，根据第三一维卷积神经网络的损失误差和准确率，确定第三一维卷积神经网络中性能最优的第三一维卷积神经网络，并作为轴承故障诊断模型；最优模型判断规则为：第三一维卷积神经网络的损失误差越小以及准确率越高，对应第三一维卷积神经网络越有可能作为轴承故障诊断模型；
步骤506：若否，则继续迭代第一一维卷积神经网络，重复步骤501至步骤505，直至获得轴承故障诊断模型。
上述技术方案的工作原理及有益效果为：
本申请根据验证集验证，获取的第二一维卷积神经网络的损失误差和准确率，每次达到规定的迭代次数时，判断已经迭代的第二一维卷积神经网络中是否存在达到要求的模型，若存在，引入最优模型判断规则，获取达到要求的第三一维卷积神经网络中性能最优的第三一维卷积神经网络作为轴承故障诊断模型，在保证轴承故障诊断模型的精度的同时，迭代效率也更高。
在一个实施例中，步骤1：采集轴承故障数据，包括：
基于大数据，获取多个第一轴承故障记录；大数据技术属于现有技术范畴，不作赘述；第一轴承故障记录为：大数据获取的轴承发生故障的记录，上述记录可以是人工记录，也可以是机器记录；
对第一轴承故障记录进行筛选，获得轴承故障数据；轴承故障数据为：用于后续模型训练的轴承振动信号；
其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：
获取第一轴承故障记录中的第一轴承的第一轴承参数；第一轴承为：第一轴承故障记录中的轴承；第一轴承参数为：第一轴承的内径、外径、宽度和基本额定动载荷等；
获取需要进行轴承故障诊断的第二轴承的第二轴承参数；第二轴承为：需要进行轴承故障诊断的设备中的轴承；第二轴承参数为：第二轴承的内径、外径、宽度和基本额定动载荷等；
获取第一轴承参数和第二轴承参数的匹配程度；匹配程度具体为：获取同一轴承参数类型的第一轴承参数和第二轴承参数的参数误差，查询上述轴承参数类型对应预设的参数误差-匹配值对照库，确定参数误差对应的匹配值，累加计算匹配值，获得匹配程度；
若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；预设的第三阈值由人工预先设置；
获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；机器记录为：设备自动识别并记录的轴承故障记录；人工记录为：由轴承设备的管理人员记录的轴承故障记录；
若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；
获取第三轴承故障记录的第一可用值；第一可用值表征机器记录的第三轴承故障记录的可用程度，第一可用值越大，对应第三轴承故障记录越可用于后续第一一维卷积神经网络的训练、验证和测试；
若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；预设的第四阈值由人工预先设置；第四轴承故障记录为：可以用于后续第一一维卷积神经网络的训练、验证和测试的机器记录的轴承故障记录；
若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；
获取第五轴承故障记录的第二可用值；第二可用值表征人工记录的第五轴承故障记录的可用程度，第二可用值越大，对应第五轴承故障记录越可用于后续第一一维卷积神经网络的训练、验证和测试；
若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；预设的第五阈值由人工预先设置；第六轴承故障记录为：可以用于后续第一一维卷积神经网络的训练、验证和测试的人工记录的轴承故障记录；
整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。
上述技术方案的工作原理及有益效果为：
本申请根据获取的第一轴承故障记录中的第一轴承的第一轴承参数和需要进行轴承故障诊断的第二轴承的第二轴承参数的匹配程度，确定适合第二轴承参照的第二轴承故障记录；引入第二轴承故障记录的记录类型，根据记录类型的不同，分别确定记录类型为机器记录的第三轴承故障记录的第一可用值以及记录类型为人工记录的第五轴承故障记录的第二可用值，筛选第一可用值大于第四阈值的第四轴承故障记录，同时，筛选第二可用值大于第五阈值的第六轴承故障记录，整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据，极大提高了轴承故障数据的可用程度。
在一个实施例中，获取第三轴承故障记录的第一可用值，包括：
获取第三轴承故障记录的机器诊断模型；机器诊断模型为：第三轴承故障记录对应设备中用于轴承故障诊断的人工智能模型；
解析机器诊断模型，获取机器诊断模型的诊断参数；诊断参数为：机器诊断模型的输入参数，例如：轴承振动信号的何种时域信息；
根据诊断参数的参数类型的不同，获取诊断依据表征向量；参数类型为：诊断参数的参数种类，例如：轴承振动信号的时域信息；诊断依据表征向量为：描述诊断参数的诊断依据的向量；
根据诊断依据表征向量对应表征的不同的依据类型，获取诊断参数的全面值；依据类型为：诊断依据表征向量表征的依据的种类；获取全面值，确定人工预先设置的依据类型集，根据诊断依据表征向量表征的依据类型的和依据类型集，确定依据类型集中和诊断依据表征向量表征的依据类型一致的依据类型的第一数目，同时，获取依据类型集中的依据类型的总数目，并作为第二数目；用第一数目除以第二数目获得全面比值，再将全面比值乘以一预设常数(例如：100)，获得全面值；
根据每一参数类型的诊断参数，获取规范表征向量；规范表征向量获取时，根据每一参数类型的诊断参数，提取诊断规范特征(例如：进行何种数据处理)，再根据诊断规范特征构建规范表征向量；
根据规范表征向量，获取诊断参数的规范值；规范值确定时，根据规范表征向量和预设规范表征向量-规范值判定库确定；
赋予全面值预设的第一权重值，获得第一加和值，并与对应第三轴承故障记录关联；第一权重值由人工预先设置；第一加和值越大，对应第三轴承故障记录的机器诊断模型的诊断依据越全面；
赋予规范值预设的第二权重值，获得第二加和值，并与对应第三轴承故障记录关联；第二权重值由人工预先设置；第二加和值越大，对应第三轴承故障记录的机器诊断模型的诊断越规范；
累加计算第三轴承故障记录关联的第一加和值和第二加和值，获得第一可用值。
上述技术方案的工作原理及有益效果为：
本申请获取第三轴承故障记录的机器诊断模型的诊断参数，根据诊断参数的参数类型的不同，确定诊断依据表征向量，根据诊断依据表征向量的不同的依据类型，确定诊断参数的全面值；根据每一参数类型的诊断参数，获取规范表征向量，确定规范表征向量对应的规范值；赋予全面值预设的第一权重值获得第一加和值，同时，赋予规范值预设的第二权重值获得第二加和值，对第三轴承故障记录关联的第一加和值和第二加和值进行求和，获得第一可用值，进一步提高了第一可用值的精准程度。
在一个实施例中，获取第五轴承故障记录的第二可用值，包括：
确定第五轴承故障记录的记录人员；记录人员为：记录第五轴承故障记录的工作人员；
获取记录人员的历史故障报告记录；历史故障报告记录为：记录人员历史上获取的所有故障报告记录；
获取历史故障报告记录的及时性检验方案；及时性检验方案为：对历史故障报告记录报告的及时程度进行检验的策略；
根据及时性检验方案，对历史故障报告记录进行及时性检验，获得历史故障报告记录的报告及时值；报告及时值为一数值，报告及时值越大，对应历史故障报告记录报告的越及时，越有利于后续的故障诊断；
若报告及时值大于等于预设的第六阈值，将对应报告及时值作为第三加和值，并与对应记录人员关联；预设的第六阈值由人工预先设置，若报告及时值符合要求，则与对应记录人员关联；
若报告及时值小于第六阈值，对历史故障报告记录进行记录拆分，获得第一记录项；若报告及时值不符合要求，需要分析报告不及时的原因；
获取第一记录项的记录项属性；记录项属性为：记录项的记录类型；
根据记录项属性，确定第一记录项中进行不及时原因陈述的第二记录项；确定第二记录项时，解析记录项属性获取解析语义，确定解析语义为进行不及时原因陈述的解析语义的记录项属性对应的第一记录项，并作为第二记录项；
提取第二记录项的记录语义；记录语义为：第二记录项的记录内容对应的内容语义；
将记录语义输入预设的合理性陈述判定模型，获取合理值；预设的合理性陈述判定模型为：预先设置的用于判断陈述是否合理的人工智能模型；
查询预设的合理值-更新系数库，确定对应报告及时值的更新系数；预设的合理值-更新系数库为：包含一一对应的合理值和更新系数的对应关系的数据库；
根据更新系数对相应报告及时值进行更新，获得第四加和值，并与对应记录人员关联；更新时，更新系数和对应报告及时值相乘，获得第四加和值；
累加记录人员关联的第三加和值和第四加和值，获得记录人员对应的第五轴承故障记录的第二可用值。
上述技术方案的工作原理及有益效果为：
本申请获取第五轴承记录的记录人员的历史故障报告记录，并获取历史故障报告记录的及时性检验方案，根据及时性检验方案，确定历史故障报告记录的报告及时值，当报告及时值达到要求的第六阈值时，直接将报告及时值作为第三加和值，否则，根据拆分的历史故障报告记录的第一记录项的记录项属性，确定进行不及时原因陈述的第二记录项，获取第二记录项的记录语义并输入引入的合理性陈述判定模型，获取合理值，提升了合理值的精确性；引入合理值-更新系数库，确定不达要求的报告及时值的更新系数，进一步提高了更新系数的准确程度和规范程度，利用更新系数对相应报告及时值进行更新获得第四加和值，第四加和值的确定过程更全面，累加记录人员关联的第三加和值和第四加和值，获得第二可用值，第二可用值的获取更适宜。
本发明实施例提供了基于一维卷积神经网络的轴承故障诊断系统，如图3所示，包括：
数据采集子系统1，用于采集轴承故障数据；
数据划分子系统2，用于对轴承故障数据进行划分，获得训练集、验证集和测试集；
网络设置子系统3，用于设置第一一维卷积神经网络；
模型训练子系统4，用于根据训练集对第一一维卷积神经网络进行模型训练；
模型获取子系统5，用于根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；
诊断子系统6，用于将测试集输入轴承故障诊断模型，获得轴承故障诊断结果。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.基于一维卷积神经网络的轴承故障诊断方法，其特征在于，包括：
步骤1：采集轴承故障数据；
步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集；
步骤3：设置第一一维卷积神经网络；
步骤4：根据训练集对第一一维卷积神经网络进行模型训练；
步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；
步骤6：将测试集输入轴承故障诊断模型，获得轴承故障诊断结果；
步骤1：采集轴承故障数据，包括：
基于大数据，获取多个第一轴承故障记录；
对第一轴承故障记录进行筛选，获得轴承故障数据；
其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：
获取第一轴承故障记录中的第一轴承的第一轴承参数；
获取需要进行轴承故障诊断的第二轴承的第二轴承参数；
获取第一轴承参数和第二轴承参数的匹配程度；
若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；
获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；
若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；
获取第三轴承故障记录的第一可用值；
若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；
若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；
获取第五轴承故障记录的第二可用值；
若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；
整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。
2.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集，包括：
将轴承故障数据进行随机打乱，获得待划分数据；
划分待划分数据，获得训练集、验证集和测试集。
3.如权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，划分待划分数据，获得训练集、验证集和测试集，包括：
根据预设的第一数据划分比例划分待划分数据，获取训练集；
根据预设的第二数据划分比例划分待划分数据，获取验证集；
根据预设的第三数据划分比例划分待划分数据，获取测试集。
4.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤3：设置第一一维卷积神经网络，包括：
用全局平均池化层代替预设的CNN网络模型的全连接层，同时，用预设的非线性SVM代替CNN网络模型中的Softmax分类器。
5.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型，包括：
根据验证集，对第一一维卷积神经网络进行迭代；
根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型。
6.如权利要求5所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型，包括：
步骤501：实时解析迭代结果，获取当前正在进行迭代的第一一维卷积神经网络，并作为第二一维卷积神经网络；
步骤502：根据验证集，获取一次迭代完成后的第二一维卷积神经网络的损失误差和准确率；
步骤503：当迭代次数达到预设的第一阈值时，判断是否存在至少一个第二一维卷积神经网络的损失误差和准确率达到预设的第二阈值；
步骤504：若是，将第二一维卷积神经网络作为第三一维卷积神经网络；
步骤505：基于预设的最优模型判断规则，根据第三一维卷积神经网络的损失误差和准确率，确定第三一维卷积神经网络中性能最优的第三一维卷积神经网络，并作为轴承故障诊断模型；
步骤506：若否，则继续迭代第一一维卷积神经网络，重复步骤501至步骤505，直至获得轴承故障诊断模型。
7.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，获取第三轴承故障记录的第一可用值，包括：
获取第三轴承故障记录的机器诊断模型；
解析机器诊断模型，获取机器诊断模型的诊断参数；
根据诊断参数的参数类型的不同，获取诊断依据表征向量；
根据诊断依据表征向量对应表征的不同的依据类型，获取诊断参数的全面值；
根据每一参数类型的诊断参数，获取规范表征向量；
根据规范表征向量，获取诊断参数的规范值；
赋予全面值预设的第一权重值，获得第一加和值，并与对应第三轴承故障记录关联；
赋予规范值预设的第二权重值，获得第二加和值，并与对应第三轴承故障记录关联；
累加计算第三轴承故障记录关联的第一加和值和第二加和值，获得第一可用值。
8.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，获取第五轴承故障记录的第二可用值，包括：
确定第五轴承故障记录的记录人员；
获取记录人员的历史故障报告记录；
获取历史故障报告记录的及时性检验方案；
根据及时性检验方案，对历史故障报告记录进行及时性检验，获得历史故障报告记录的报告及时值；
若报告及时值大于等于预设的第六阈值，将对应报告及时值作为第三加和值，并与对应记录人员关联；
若报告及时值小于第六阈值，对历史故障报告记录进行记录拆分，获得第一记录项；
获取第一记录项的记录项属性；
根据记录项属性，确定第一记录项中进行不及时原因陈述的第二记录项；
提取第二记录项的记录语义；
将记录语义输入预设的合理性陈述判定模型，获取合理值；
查询预设的合理值-更新系数库，确定对应报告及时值的更新系数；
根据更新系数对相应报告及时值进行更新，获得第四加和值，并与对应记录人员关联；
累加记录人员关联的第三加和值和第四加和值，获得记录人员对应的第五轴承故障记录的第二可用值。
9.基于一维卷积神经网络的轴承故障诊断系统，其特征在于，包括：
数据采集子系统，用于采集轴承故障数据；
数据划分子系统，用于对轴承故障数据进行划分，获得训练集、验证集和测试集；
网络设置子系统，用于设置第一一维卷积神经网络；
模型训练子系统，用于根据训练集对第一一维卷积神经网络进行模型训练；
模型获取子系统，用于根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；
诊断子系统，用于将测试集输入轴承故障诊断模型，获得轴承故障诊断结果；
数据采集子系统执行如下操作：
基于大数据，获取多个第一轴承故障记录；
对第一轴承故障记录进行筛选，获得轴承故障数据；
其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：
获取第一轴承故障记录中的第一轴承的第一轴承参数；
获取需要进行轴承故障诊断的第二轴承的第二轴承参数；
获取第一轴承参数和第二轴承参数的匹配程度；
若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；
获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；
若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；
获取第三轴承故障记录的第一可用值；
若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；
若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；
获取第五轴承故障记录的第二可用值；
若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；
整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。
CN202310707691.8A 2023-06-14 2023-06-14 基于一维卷积神经网络的轴承故障诊断方法及系统 Active CN116701912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310707691.8A CN116701912B (zh) 2023-06-14 2023-06-14 基于一维卷积神经网络的轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310707691.8A CN116701912B (zh) 2023-06-14 2023-06-14 基于一维卷积神经网络的轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN116701912A CN116701912A (zh) 2023-09-05
CN116701912B true CN116701912B (zh) 2023-11-14

Family

ID=87833621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310707691.8A Active CN116701912B (zh) 2023-06-14 2023-06-14 基于一维卷积神经网络的轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN116701912B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766100A (zh) * 2019-12-02 2020-02-07 珠海格力电器股份有限公司 轴承故障诊断模型构建方法、诊断方法及电子设备
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN111126680A (zh) * 2019-12-11 2020-05-08 浙江大学 一种基于时间卷积神经网络的道路断面交通流量预测方法
CN111610026A (zh) * 2020-06-28 2020-09-01 盐城工学院 一种基于深度聚类的旋转机械故障诊断方法
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN112577747A (zh) * 2020-12-07 2021-03-30 东南大学 一种基于空间池化网络的滚动轴承故障诊断方法
CN113203566A (zh) * 2021-04-06 2021-08-03 上海吞山智能科技有限公司 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN114330439A (zh) * 2021-12-28 2022-04-12 盐城工学院 一种基于卷积神经网络的轴承诊断方法
WO2022077901A1 (zh) * 2020-10-13 2022-04-21 同济大学 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN114861815A (zh) * 2022-05-25 2022-08-05 合肥工业大学 基于改进DBN-MobileNetV2的轴承故障诊断方法及系统
CN114964777A (zh) * 2022-05-11 2022-08-30 盐城工学院 一种滚动轴承故障检测方法
CN115219197A (zh) * 2022-07-09 2022-10-21 西安邮电大学 一种轴承故障智能诊断方法、系统、介质、设备及终端
CN116168356A (zh) * 2023-04-26 2023-05-26 威海海洋职业学院 一种基于计算机视觉的车辆损伤判别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN110766100A (zh) * 2019-12-02 2020-02-07 珠海格力电器股份有限公司 轴承故障诊断模型构建方法、诊断方法及电子设备
CN111126680A (zh) * 2019-12-11 2020-05-08 浙江大学 一种基于时间卷积神经网络的道路断面交通流量预测方法
CN111610026A (zh) * 2020-06-28 2020-09-01 盐城工学院 一种基于深度聚类的旋转机械故障诊断方法
WO2022077901A1 (zh) * 2020-10-13 2022-04-21 同济大学 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN112577747A (zh) * 2020-12-07 2021-03-30 东南大学 一种基于空间池化网络的滚动轴承故障诊断方法
CN113203566A (zh) * 2021-04-06 2021-08-03 上海吞山智能科技有限公司 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN114330439A (zh) * 2021-12-28 2022-04-12 盐城工学院 一种基于卷积神经网络的轴承诊断方法
CN114964777A (zh) * 2022-05-11 2022-08-30 盐城工学院 一种滚动轴承故障检测方法
CN114861815A (zh) * 2022-05-25 2022-08-05 合肥工业大学 基于改进DBN-MobileNetV2的轴承故障诊断方法及系统
CN115219197A (zh) * 2022-07-09 2022-10-21 西安邮电大学 一种轴承故障智能诊断方法、系统、介质、设备及终端
CN116168356A (zh) * 2023-04-26 2023-05-26 威海海洋职业学院 一种基于计算机视觉的车辆损伤判别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An Improved Fault Diagnosis Using 1D-Convolutional Neural Network Model;Chih-Cheng Chen 等;《electronics》;1-19 *
Bearing Fault Detection by One-Dimensional Convolutional Neural Networks;Levent Eren;《Mathematical Problems in Engineering》;1-10 *
一种改进一维卷积神经网络的轴承故障诊断方法;潘琳鑫 等;《软件导刊》;38-42 *
基于深度学习与支持向量机的滚动轴承故障诊断研究;金江涛 等;《热能动力工程》;第37卷(第6期);176-184 *
基于深度学习的电机轴承微小故障智能诊断方法;宫文峰 等;《仪器仪表学报》;第41卷(第1期);195-205 *
潘琳鑫 等.一种改进一维卷积神经网络的轴承故障诊断方法.《软件导刊》.2022,38-42. *

Also Published As

Publication number Publication date
CN116701912A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
KR102361343B1 (ko) 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법
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
CN111256965B (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN113688558B (zh) 一种基于大数据库样本的汽车行驶工况构建方法及系统
CN112756759B (zh) 点焊机器人工作站故障判定方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN110968069A (zh) 风力发电机组的故障预测方法、相应的装置及电子设备
CN116599857B (zh) 一种适用于物联网多场景的数字孪生应用系统
CN111079861A (zh) 一种基于图像快速处理技术的配电网电压异常诊断方法
CN112785015B (zh) 基于案例推理的装备故障诊断方法
CN113065223B (zh) 一种塔桅集群数字孪生模型多等级概率修正方法
CN115756919A (zh) 一种面向多维数据的根因定位方法及系统
CN117726240B (zh) 一种基于卷积神经网络的质量评价分类方法及系统
CN114818353A (zh) 一种基于故障特征关系图谱的列控车载设备故障预测方法
CN116416884A (zh) 一种显示器模组的测试装置及其测试方法
CN114648060A (zh) 基于机器学习的故障信号规范化处理及分类方法
CN116701912B (zh) 基于一维卷积神经网络的轴承故障诊断方法及系统
CN117782198A (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN115860141A (zh) 一种自动化机器学习交互式黑箱可视建模方法及系统
CN113886592A (zh) 一种电力信息通信系统运维数据的质量检测方法
CN116150692A (zh) 基于云平台和改进孤立森林的电网故障诊断方法和系统
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN117371861B (zh) 基于数字化的家政服务质量智能分析方法及系统
CN114580101B (zh) 一种旋转机械剩余使用寿命预测方法及系统
CN117421229A (zh) 一种hdfs吞吐性能的评估装置及方法

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