CN116858541B - 基于密集特征重用的轴承早期故障诊断方法及系统 - Google Patents
基于密集特征重用的轴承早期故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116858541B CN116858541B CN202311118929.XA CN202311118929A CN116858541B CN 116858541 B CN116858541 B CN 116858541B CN 202311118929 A CN202311118929 A CN 202311118929A CN 116858541 B CN116858541 B CN 116858541B
- Authority
- CN
- China
- Prior art keywords
- dense
- layer
- reuse
- bearing
- neural network
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轴承故障诊断技术领域，提供了一种基于密集特征重用的轴承早期故障诊断方法及系统，所述方法包括：建立所述轴承的振动信号样本数据集；对所述振动信号样本数据集进行预处理；按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN并进行训练；将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。本发明有效利用了网络结构所有卷积层产生的早期故障特征，提高特征复用率，解决了深层模型中有用信息丢失的问题，从而提高强噪声环境下轴承早期故障诊断的准确率。
Description
技术领域
本发明涉及轴承故障诊断技术领域，具体涉及一种基于密集特征重用的轴承早期故障诊断方法及系统。
背景技术
轴承是旋转机械中关键部件之一，其健康状态直接影响设备的整体性能，对其早期故障进行有效诊断不仅能够及时排除设备故障隐患，而且对提高设备运行的经济性和可靠性意义重大。然而，早期故障信号具有非线性、非平稳、故障特征微弱等特点，用传统的故障诊断方法难以提取。目前，轴承早期故障诊断主要分为基于信号处理的方法以及基于模式识别的方法，上述方法存在许多不足：例如自适应能力较弱、需要专家依据经验进行故障诊断增加了工程生产的成本、在轴承的早期故障信号被强噪声淹没的情况下信号卷积去噪过程中损失有效的早期故障特征信息造成故障诊断准确率较低。
发明内容
针对以上问题，本发明提供了一种基于密集特征重用的轴承早期故障诊断方法及系统。本发明设计密集连接机制使输入信号在稠密神经网络的每个卷积层与已有特征信息进行重构，通过原始信息及逐层加强的特征信息，实现振动信号的重用，完整保留信号的故障特征，提高了故障诊断准确率。
第一方面，本发明的实施例提供了一种基于密集特征重用的轴承早期故障诊断方法，所述方法包括：
建立所述轴承的振动信号样本数据集；
对所述振动信号样本数据集进行预处理；
按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN，其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入。
进一步的，其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn-1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn-1) 表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；
利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
实时采集轴承的振动信号并输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。
进一步的，其中，所述对所述振动信号样本数据集进行预处理包括：通过短时傅里叶变换STFT将所述振动信号样本数据转换成二维时频图谱；
所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，训练所述基于密集特征重用的神经网络模型DFRN。
进一步的，其中，所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成，所述密集块中的非线性转换函数为 BN +ReLU + 1×1 Conv + BN + ReLU + 3×3 Conv的结构；所述过渡层由1×1的卷积和2×2的Avg Pooling构成；对于所述密集块所提取的早期故障特征，采用平均池化的采样函数以改变特征的尺寸大小和特征的降维，最后经过全局池化输入到全连接层，通过全连接层与故障类型建立对应关系，从而实现早期故障诊断。
进一步的，其中，所述密集块中允许任意两个非相邻卷积层之间跨层连接，每个卷积层都可以访问网络的全局状态，并且每个卷积层将提取的早期故障特征添加到全局状态中。
进一步的，其中，所述基于密集特征重用的神经网络模型DFRN具有4个密集块的网络结构，初始层由7x7 conv和3x3 max pool组成，每个密集块内含有4个密集连接的卷积层，增长率设置为12，密集块中核大小为3×3的卷积层，输入的每一侧用一个像素进行零填充，以保持特征映射大小不变。
进一步的，其中，所述方法包括：
对所述所述振动信号样本数据集按照比例7：3划分为训练集和测试集，在用于构造测试集的轴承原始振动信号上添加高斯白噪声。
第二方面，本发明实施例提供了一种基于密集特征重用的轴承早期故障诊断系统，所述系统包括：
建立单元，用于建立所述轴承的振动信号样本数据集；
预处理单元，用于对所述振动信号样本数据集进行预处理；
构建单元，用于按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；
其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn-1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn-1) 表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；
训练单元，用于利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
输入单元，用于将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断；
输出单元，用于输出所述轴承的早期故障诊断类型。
第三方面，本发明实施例提供了一种电子设备，包括处理器、存储器、通信总线以及通信接口，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，执行以实现第一方面所述的基于密集特征重用的轴承早期故障诊断方法的程序。
与现有技术相比，本发明取得了以下有益技术效果：
1、本发明设计密集连接机制使输入信号在每个卷积层与已有特征信息进行重构，通过原始信息及逐层加强的特征信息，实现振动信号的重用，完整保留信号的故障特征；
2、本发明将深层特征与浅层特征进行了融合，加强了特征的重复利用，即使在强噪声环境下也能充分提取到轴承的早期故障特征；
3、本发明的DFRN通过网络结构层的任意两层之间的连接，加强特征信息的传递，减轻网络结构层次加深所导致的梯度消失问题，能够防止网络过深导致性能退化以及陷入局部最优问题；
4、本发明的DFRN更有效的利用了网络结构所有卷积层产生的早期故障特征，提高特征复用率，解决深层模型中有用信息丢失的问题，从而提高强噪声环境下轴承早期故障诊断的准确率；
5、本发明对先验知识的依赖性较小，更适用于实际工程生产，并且在不同程度的噪声环境下设计实验，验证了基于特征重用稠密神经网络对于噪声有较好的鲁棒性。
附图说明
图1是特征重用过程的原理图；
图2 (a)为传统CNN逐层特征提取方式的原理图；
图2 (b)为本发明采用的密集特征重用的原理图；
图3为本发明的基于密集特征重用的神经网络模型DFRN的结构示意图；
图4为本发明一实施例提供的基于密集特征重用的轴承早期故障诊断方法的流程示意图；
图5为本发明一实施例提供的基于密集特征重用的轴承早期故障诊断系统的单元模块示意图；
图6为本发明一实施例提供的电子设备的示意图。
具体实施方式
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
卷积神经网络每一个卷积层提取的特征直接作为下一层的输入，逐层提取早期故障特征。然而，在层层传递中，浅层的有效信息可能会连同背景噪声一起被过滤掉，而每一层只能从上一层获得数据的结构， 使得丢失的信息无法补充。
为防止在最终故障诊断决策中错过最初的有效信息，避免特征信息的损失， 本发明使用特征重用的方法，对不同层次模块的特征进行重用， 弥补浅层特征信息的丢失， 以达到使最终生成的特征更加全面的目标。
如图1所示，假设特征的大小用N×C×H×W表示， 其中， N为batch size大小， C为通道数，H为特征高度， W为特征宽度。若当前结构的输入特征尺寸为N×C0×H0×W0， 生成的特征大小为N×C1×H1×W1， 重用部分的比例为P。
本发明采用的密集特征重用的过程是复合函数和特征串联构成了L层卷积，如图2(b)所示。与图2(a)中传统CNN逐层特征提取方式的差异在于，本发明基于密集特征重用的神经网络（FR-DenseNet、DFRN）的每一个卷积层都直接连接不同深度的卷积层，接收前一层额外输入的早期故障特征，并将其特征发送到后续卷积层，并将这些早期故障特征，按通道级联的方式在channel维度上进行合并。按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，此结果将作为下一层的输入。
密集特征可重用结构一方面多次利用不同层级的特征，增加了输出多样性和后续层的输入多样性，能较为完整保留早期故障特征信息，使最终生成的特征更加全面。另一方面，在不同层间创建短路连接，使深层卷积和浅层卷积的相关性更强，输出端的损失值能够更有效的约束浅层参数的优化方向，网络收敛迅速。
参见图3所示，为本发明的基于密集特征重用的神经网络模型DFRN的结构示意图。本发明采用密集链接机制，构建基于密集特征重用的神经网络DFRN，采用输入层、输出层和多个卷积层构成DFRN的主体结构，建立每个卷积层与输入层的有向连接，允许任意两个非相邻卷积层之间跨层连接，设计密集连接机制使输入信号在每个卷积层与已有特征信息进行重构，通过原始信息及逐层加强的特征信息，实现振动信号的重用，完整保留信号的故障特征。
下面结合附图对具体实施进行详细说明。
参照图4所示，本发明一实施例提供的一种基于密集特征重用的轴承早期故障诊断方法100，所述方法100包括：
S110：建立所述轴承的振动信号样本数据集；
其中，以滚动轴承为例进行加速寿命实验，实验使用LDK UER204型号的滚动轴承，通过两个加速度计测量记录每个被测轴承的水平和垂直方向上的振动信号。采样频率和采样间隔分别为25.6 kHz和1 min，每次采样持续时间为1.28 s。分别在第一工况（转速2400r/min，径向力10/kN）、第二工况（转速2400r/min，径向力10/kN）、第三工况（转速2400r/min，径向力10/kN）的条件下进行测试，建立所述滚动轴承的振动信号样本数据集。
优选的，载荷作用在水平方向时，该方向的振动信号包含更多故障信息，本发明的实验样本数据使用水平方向的数据集。
S120：对所述振动信号样本数据集进行预处理；
其中，所述对所述振动信号样本数据集进行预处理包括：通过短时傅里叶变换STFT将一维的所述振动信号样本数据转换成二维时频图谱；
S130：按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN，如图2所示是本发明DRFN的结构；
其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn-1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn-1) 表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作。
S140：所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
具体的，所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，其中故障类型例如包括内圈故障、外圈故障、保持架故障，训练所述基于密集特征重用的神经网络模型DFRN。
S150：实时采集轴承的振动信号并输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。
根据本实施例，本发明提出的一种基于密集特征重用的轴承早期故障诊断方法，通过构建DFRN模型并训练得到轴承早期故障诊断模型，该模型通过网络结构层的任意两层之间的连接，加强特征信息的传递，减轻网络结构层次加深所导致的梯度消失问题，能够防止网络过深导致性能退化以及陷入局部最优问题。另外，DFRN更有效的利用了网络结构所有卷积层产生的早期故障特征，提高特征复用率，解决了深层模型中有用信息丢失的问题，从而提高强噪声环境下轴承早期故障诊断的准确率。
可选的，在一些实施例中，参见图3所示，所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成，所述密集块中的非线性转换函数为 BN + ReLU + 1×1 Conv + BN + ReLU + 3×3 Conv的结构；所述过渡层由1×1的卷积和2×2的Avg Pooling构成；对于所述密集块所提取的早期故障特征，采用平均池化的采样函数以改变特征的尺寸大小和特征的降维，最后经过全局池化输入到全连接层，通过全连接层与故障类型建立对应关系，从而实现早期故障诊断。
进一步的，其中，所述密集块中允许任意两个非相邻卷积层之间跨层连接，每个卷积层都可以访问网络的全局状态，并且每个卷积层将提取的早期故障特征添加到全局状态中。
根据本实施例，本发明提出的一种基于密集特征重用的轴承早期故障诊断方法中，构造密集块，块中允许任意两个非相邻卷积层之间跨层连接，每个卷积层都可以访问网络的“集体知识”，以此丰富后续层输入的特征细节，加强各层之间的信息流。一方面，深层特征与浅层特征进行了融合，加强了特征的重复利用，即使在强噪声环境下也能充分提取到轴承的早期故障特征。另一方面，我们可以将这些“集体知识”视为网络的全局状态，每个卷积层都会将提取的早期故障特征添加到全局状态中，使网络较大限度的保留早期故障信息。
可选的，所述基于密集特征重用的神经网络模型DFRN具有4个密集块的网络结构，初始层由7x7 conv和3x3 max pool组成，每个密集块内含有4个密集连接的卷积层，增长率设置为12，密集块中核大小为3×3的卷积层，输入的每一侧用一个像素进行零填充，以保持特征映射大小不变。本实施例设计的密集块中的卷积核尺寸和数目都比较小，这样网络训练参数会相对减少，易于训练。
可选的，在一实施例中，所述利用预处理后的样本数据集训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，其中故障类型例如包括内圈故障、外圈故障、保持架故障，训练所述基于密集特征重用的神经网络模型DFRN。
本发明的模型训练和测试环境选用为6核，32G内存，11th Gen Intel(R) Core(TM) i5-11400处理器，编程环境为pytorch，python3.8，模型训练采用 Adam 自适应学习率优化算法。
可选的，在轴承全寿命周期实验数据中，轴承早期故障阶段的样本有限，可采用重叠采样的方法来扩展数据集。
滑动窗口大小为2048，滑动步长（偏移量）为100。从起始位置开始，每次向后滑动100个采样点，滑动窗口采集2048个采样点到依次构建数据样本。通过STFT转换成时频图，每类样本各有2156个样本，数据集共有8624个样本。按照比例7：3划分为训练集和测试集。
可选的，在一实施例中，在用于构造测试集的轴承原始振动信号上添加高斯白噪声。
为了模拟实际的工程生产中不同程度的环境噪声对轴承振动信号的影响，在用于构造测试集的振动信号上添加了例如0dB、-1dB、-2dB、-3dB、-4dB的高斯白噪声。轴承原始的振动信号在添加高斯白噪声的高斯白噪声后，早期故障特征被强噪声淹没，人眼几乎无法辨析出原振动信号的早期故障特征。因此，从受强噪声污染的振动信号种提取出有效的早期故障信息，难度很大。
根据该实施例，在轴承原始的振动信号在添加高斯白噪声来构造测试集，能够准确模拟轴承的实际工程环境，能够更准确地测试和验证模型的准确性。
参照图5所示，是本发明实施例提供的基于密集特征重用的轴承早期故障诊断系统200的单元模块示意图，所述系统200包括：
建立单元210，用于建立所述轴承的振动信号样本数据集；
预处理单元211，用于对所述振动信号样本数据集进行预处理；
构建单元212，用于按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；
其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn-1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn-1) 表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；
训练单元213，用于利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
输入单元214，用于将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断；
输出单元215，用于输出所述轴承的早期故障诊断类型。
详细地，本发明实施例提供的基于密集特征重用的轴承早期故障诊断系统200中所述的各单元模块在使用时采用与前述实施例中所述的基于密集特征重用的轴承早期故障诊断方法中的所有步骤，并能够产生相同的技术效果，这里不再赘述。
根据本实施例，本发明提供的基于密集特征重用的轴承早期故障诊断系统，通过构建DFRN模型并训练得到轴承早期故障诊断模型，该模型通过网络结构层的任意两层之间的连接，加强特征信息的传递，减轻网络结构层次加深所导致的梯度消失问题，能够防止网络过深导致性能退化以及陷入局部最优问题。另外，DFRN更有效的利用了网络结构所有卷积层产生的早期故障特征，提高特征复用率，解决了深层模型中有用信息丢失的问题，从而提高强噪声环境下轴承早期故障诊断的准确率。
通过对本发明进行测试实验验证，相比于CNN、ResNet、BiLSTM等模型，本发明的DFRN模型的在不同程度噪声环境下的得到的轴承早期故障诊断准确率明显高于上述现有模型。相较于其他方法，本发明的DFRN模型的能够有效地从受强噪声污染的原始信号中提取故障特征，具有较强的故障诊断能力，在强噪声环境下的轴承早期故障诊断上效果好、故障诊断准确率高，且具有更好的鲁棒性。
如图6所示，本发明一实施例提供的电子设备300的示意性框图。如图6所示，是本发明一实施例提供的电子设备300的结构示意图。所述电子设备300可以包括处理器310、存储器311、通信总线312以及通信接口313，还可以包括存储在所述存储器311中并可在所述处理器310上运行的计算机程序，执行以实现基于密集特征重用的轴承早期故障诊断方法的程序。
所述处理器310对上述指令的具体实现方法可参考附图及对应实施例中相关步骤的描述，并能够产生相同的技术效果，这里不再赘述。
其中，所述处理器310在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器310是所述电子设备300的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器311内的程序或者模块（例如执行基于密集特征重用的轴承早期故障诊断方法程序等），以及调用存储在所述存储器311内的数据，以执行电子设备的各种功能和处理数据。
所述存储器311至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器311在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器311在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器311还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器311不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种康复医学科下的教学课程在线推荐方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线312可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器311以及至少一个处理器310等之间的连接通信。
所述通信接口313用于上述电子设备300与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.基于密集特征重用的轴承早期故障诊断方法，其特征在于，所述方法包括：
建立所述轴承的振动信号样本数据集；
对所述振动信号样本数据集进行预处理；
按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成；
其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn−1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn−1)表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；
利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
实时采集轴承的振动信号并输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。
2.根据权利要求1所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，其中，所述对所述振动信号样本数据集进行预处理包括：通过短时傅里叶变换STFT将所述振动信号样本数据转换成二维时频图谱；
所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，训练所述基于密集特征重用的神经网络模型DFRN。
3.根据权利要求1所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，其中，所述密集块中的非线性转换函数为 BN + ReLU + 1×1 Conv + BN + ReLU + 3×3Conv的结构；所述过渡层由1×1的卷积和2×2的Avg Pooling构成；对于所述密集块所提取的早期故障特征，采用平均池化的采样函数以改变特征的尺寸大小和特征的降维，最后经过全局池化输入到全连接层，通过全连接层与故障类型建立对应关系，从而实现早期故障诊断。
4.根据权利要求3所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，其中，所述密集块中允许任意两个非相邻卷积层之间跨层连接，每个卷积层都可以访问网络的全局状态，并且每个卷积层将提取的早期故障特征添加到全局状态中。
5.根据权利要求3或4所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，所述基于密集特征重用的神经网络模型DFRN具有4个密集块的网络结构，初始层由7x7conv和3x3 max pool组成，每个密集块内含有4个密集连接的卷积层，增长率设置为12，密集块中核大小为3×3的卷积层，输入的每一侧用一个像素进行零填充，以保持特征映射大小不变。
6.根据权利要求1所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，对所述所述振动信号样本数据集按照比例7：3划分为训练集和测试集，在用于构造测试集的轴承原始振动信号上添加高斯白噪声。
7.基于密集特征重用的轴承早期故障诊断系统，其特征在于，所述系统包括：
建立单元，用于建立所述轴承的振动信号样本数据集；
预处理单元，用于对所述振动信号样本数据集进行预处理；
构建单元，用于按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成；
其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：
，
其中，xn为第n层的输出，xn-1为第n-1层的输出，Pn表示重用算法， Pn(xn−1) 表示在第n层输出中选取第n-1层的前1/P 通道的特征作为重用特征，Rn为主体网络的运算，Rn(xn−1)表示将第n-1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；
训练单元，用于利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；
输入单元，用于将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断；
输出单元，用于输出所述轴承的早期故障诊断类型。
8.一种电子设备，包括处理器、存储器、通信总线以及通信接口，还包括存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序执行以实现权利要求1-6任一项所述的基于密集特征重用的轴承早期故障诊断方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118929.XA CN116858541B (zh) | 2023-09-01 | 2023-09-01 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118929.XA CN116858541B (zh) | 2023-09-01 | 2023-09-01 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116858541A CN116858541A (zh) | 2023-10-10 |
| CN116858541B true CN116858541B (zh) | 2023-12-01 |
Family
ID=88221883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311118929.XA Active CN116858541B (zh) | 2023-09-01 | 2023-09-01 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116858541B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011033538A (ja) * | 2009-08-04 | 2011-02-17 | Mitsubishi Electric Corp | ガス絶縁開閉装置の部分放電診断方法および部分放電診断装置 |
| KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
| 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 |
| CN113820123A (zh) * | 2021-08-18 | 2021-12-21 | 北京航空航天大学 | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 |
| CN114441173A (zh) * | 2021-12-28 | 2022-05-06 | 东南大学 | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 |
| CN116467577A (zh) * | 2023-03-27 | 2023-07-21 | 三峡大学 | 基于mtf和改进密集连接网络的风机齿轮箱故障诊断方法 |
| CN116484513A (zh) * | 2022-01-13 | 2023-07-25 | 湖南工业大学 | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11487996B2 (en) * | 2019-06-03 | 2022-11-01 | Dell Products L.P. | Real-time predictive maintenance of hardware components using a stacked deep learning architecture on time-variant parameters combined with a dense neural network supplied with exogeneous static outputs |
-
2023
- 2023-09-01 CN CN202311118929.XA patent/CN116858541B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011033538A (ja) * | 2009-08-04 | 2011-02-17 | Mitsubishi Electric Corp | ガス絶縁開閉装置の部分放電診断方法および部分放電診断装置 |
| 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 |
| KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
| CN113820123A (zh) * | 2021-08-18 | 2021-12-21 | 北京航空航天大学 | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 |
| CN114441173A (zh) * | 2021-12-28 | 2022-05-06 | 东南大学 | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 |
| CN116484513A (zh) * | 2022-01-13 | 2023-07-25 | 湖南工业大学 | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 |
| CN116467577A (zh) * | 2023-03-27 | 2023-07-21 | 三峡大学 | 基于mtf和改进密集连接网络的风机齿轮箱故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Multiscale Dense Convolutional Networks for Intelligent Fault Diagnosis of Rolling Bearing;Yadong Xu等;《2021 8th International Conference on Dependable Systems and Their Applications (DSA)》;全文 * |
| 基于深度学习的滚动轴承的故障诊断及预测;孟祥峰;《 CNKI优秀硕士学位论文全文库》(第8期);第37-40页第3.4节 * |
| 基于稠密卷积网络的轴承故障诊断;徐文学等;《噪声与振动控制》;第40卷(第4期);第81-83页第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116858541A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112649198B (zh) | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 | |
| CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
| CN108171701B (zh) | 基于u网络和对抗学习的显著性检测方法 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| CN113468996B (zh) | 一种基于边缘细化的伪装物体检测方法 | |
| CN112712528B (zh) | 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法 | |
| CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
| CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
| CN116912257B (zh) | 基于深度学习的混凝土路面裂缝识别方法及存储介质 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN116858541B (zh) | 基于密集特征重用的轴承早期故障诊断方法及系统 | |
| CN112307965B (zh) | 一种滚动轴承施封锁丢失和折断故障检测方法 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
| CN115982965A (zh) | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 | |
| Zhu et al. | Modal-adaptive gated recoding network for RGB-D salient object detection | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
| CN114722697A (zh) | 一种基于机器学习的掘进机控制参数确定方法及其装置 | |
| CN113052060A (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
| CN112712015A (zh) | 一种人体关键点识别方法、装置、智能终端及存储介质 | |
| CN112309063A (zh) | 混合光纤入侵信号特征谱提取方法及装置 | |
| CN114662680B (zh) | 一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统 |
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 |