CN117473872B - 一种基于fft编码和l-cnn滚动轴承故障诊断方法 - Google Patents
一种基于fft编码和l-cnn滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN117473872B CN117473872B CN202311494001.1A CN202311494001A CN117473872B CN 117473872 B CN117473872 B CN 117473872B CN 202311494001 A CN202311494001 A CN 202311494001A CN 117473872 B CN117473872 B CN 117473872B
- Authority
- CN
- China
- Prior art keywords
- fft
- data
- cnn
- noise
- signal
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005096 rolling process Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 108091006146 Channels Proteins 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 24
- 238000001228 spectrum Methods 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 20
- 238000002474 experimental method Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000002679 ablation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Discrete Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于FFT编码和L‑CNN滚动轴承故障诊断方法,包括:获取原始轴承故障振动数据,提取原始轴承故障振动数据中的不同频段的本征模态分量,计算每个本征模态分量对应的排列熵值,根据排列熵值进行小波阈值去噪,获取降噪重构的时域信号;将降噪重构的时域信号进行快速傅里叶变换,获得信号对应的频谱信号和相位角,根据预设规则重构所述频域信号,保留相位角特征的频域数据,根据振幅范围,绘制不同故障类型数据的FFT‑x热力图;构建改进的轻量化卷积神经网络模型L‑CNN,将FFT‑x热力图中的编码数据输入L‑CNN模型中进行处理与诊断,获得故障诊断结果。本发明降低了人力成本,提高了诊断准确率。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于FFT编码和L-CNN滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械的重要组成部分之一,由于载荷的不断冲击,滚动轴承容易出现裂纹和点蚀,会给整个设备运行带来安全隐患,甚至造成无法挽回的损失,因此需要对轴承故障进行更高效诊断,确保旋转机械的稳定运行。
由于物联网的快速发展,传感器被应用到旋转机械轴承数据采集系统,监测不同位置的轴承振动信号,技术人员可以通过挖掘和分析大量可用的历史数据来进行滚动轴承的故障诊断。基于轴承振动信号,传统的轴承故障诊断步骤主要包括数据预处理,特征提取,数据分类三个环节。数据预处理方法主要包括小波变换,局部均值分解,经验模态分解,变分经验模态分解等,这些方法能够有效地保留轴承故障信号中的有效信息,同时降低噪声的影响,提高轴承故障诊断的准确性和可靠性。从时间序列提取轴承振动信号的峰值、均值、标准差、斜度和峭度等特征后,通过机器学习的方法如随机森林,支持向量机,极限学习机进行滚动轴承故障诊断。通过这些方法可以有效地诊断轴承故障。然而,传统的方法大多依赖人的经验提取故障特征信息,因此往往存在诊断精度低,鲁棒性差等缺点。
现有技术中提出的深度学习概念,解决了传统诊断方法中人工提取特征的困难,并增强了适应能力,越来越多的学者将其应用到故障诊断领域中。例如,一种深度卷积神经网络算法,用于对一维振动信号进行故障识别,在故障诊断中取得良好的效果。一种多通道输入增强故障特征的方法,以提高一维卷积神经网络诊断性能。与单通道卷积神经网络相比,故障诊断准确率显著提高。现有技术中比较了卷积神经网络对一维和二维数据的分类性能,与一维卷积神经网络的信号输入方法相比,二维卷积神经网络可以实现更高的精度和鲁棒性。由于振动信号存在噪声,具有非平稳性的特点且卷积神经网络在处理二维数据具有较大优势。将轴承振动信号转化为灰度图,并结合卷积神经网络实现对旋转机械的故障诊断。通过循环谱将诊断信号转化为二维图像作为卷积神经网络的输入进行故障诊断。一种将马尔可夫迁移场应用于轴承诊断时序数据转图像的方法。一种轻量化模型和格拉姆角场相结合的轴承故障诊断方法,进一步提高了卷积神经网络诊断的性能。
以上方法中,将一维振动数据转二维图像基于卷积神经网络轴承诊断方法提高了故障诊断准确率,但过于依赖编码图像分辨率和模型学习能力。一维振动数据转为图像分辨率过大以及模型结构复杂会导致计算量大幅提升,严重影响诊断速度。一维振动数据转为图像分辨率过小以及模型特征学习能力低会导致信号出现信息模糊和特征丢失,严重影响诊断精度。因此,本发明提出一种基于FFT(快速傅里叶变换)编码和L-CNN(改进的轻量化卷积神经网络)滚动轴承故障诊断方法。
发明内容
针对卷积神经网络故障诊断方法在滚动轴承诊断准确率低、诊断速度慢的问题,提出一种基于FFT编码和L-CNN滚动轴承故障诊断方法。
为实现上述目的,本发明提供了一种基于FFT编码和L-CNN滚动轴承故障诊断方法,包括:
获取原始轴承故障振动数据,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,计算每个所述本征模态分量对应的排列熵值,根据所述排列熵值进行小波阈值去噪,获取降噪重构的时域信号;
将所述降噪重构的时域信号进行快速傅里叶变换,获得时域信号对应的频域信号和相位角,根据预设规则重构所述频域信号,保留所述相位角特征的频域数据,根据振幅范围,绘制不同故障类型数据的FFT-x热力图;
构建改进的轻量化卷积神经网络模型L-CNN,将所述FFT-x热力图中的编码数据输入L-CNN模型中进行处理与诊断,获得故障诊断结果。
优选地,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,包括:
S1.1、将具有正态分布的高斯白噪声添加到所述原始轴承故障振动数据中获取第i个信号yi(t),将所述第i个信号yi(t)通过EMD分解获得yi(t)的第一个本征模态函数IMF1(t)和残差分量r1(t);
S1.2、将所述残差分量r1(t)作为原始数据对重构r1(t)+β1E1(ωi(t)进行分解获得本征模态函数IMF2(t)和残差分量r2(t),其中,E1为EMD分解,β1为高斯白噪声标准差,ωi(t)为高斯白噪声;
S1.3、重复所述S1.2,获得第(k+1)个本征模态函数IMFk+1(t)和第k个残差分量rk(t)。
优选地,根据所述排列熵值进行小波阈值去噪,包括:
根据所述排列熵值判断每个本征模态分量的含噪程度,通过所述含噪程度将各个所述本征模态分量划分为有效IMF和含噪IMF;
基于所述含噪IMF的数据特征选择小波基和分解层数对含有噪声的轴承故障振动数据进行分解,计算小波系数,选择Sqtwolog阈值计算每个所述小波系数对应的阈值并对所述小波系数进行量化处理;
将量化后的小波系数进行小波反变换获取降噪的IMF,再由所述有效IMF和所述降噪的IMF重构轴承振动信号,获得所述降噪重构信号。
优选地,计算所述小波系数的方法为:
其中,ICWT为小波系数,a为尺度函数,b为位置函数,t为延迟时间;
计算每个所述小波系数对应的阈值的方法为:
其中,th为每个小波系数对应的阈值,mid为经过分解后各频带系数的中间值,N为小波系数长度。
优选地,所述绘制不同故障类型数据的FFT-x热力图,包括:
将所述降噪重构的时域信号通过快速傅里叶变换分解为若干单一谐波分量,获取信号各谐波幅值、相位、功率与频域的关系;
当所述相位角所在区间为一、二象限时,频域数值为正值,当所述相位角在三、四象限时,频域数值为负值,按此特性重构所述频域信号,根据重构频域信号的振幅特性,设置边界为(-150,150)进行热力图编码。
优选地,所述重构频域信号的表达式为:
其中,F(x)为重构频域信号,f(x)为原始轴承频域信号,θ为相位角。
优选地,将所述FFT-x热力图中的编码数据输入所述L-CNN模型中进行处理与诊断,包括:
使用不同大小的卷积核从不同尺度下捕捉所述FFT-x编码数据不同级别的特征,将捕捉到的特征经过ECA注意力机制由全局平均池化、一维卷积、通道乘法和空间复制结构对每个通道的重要性加权;
通过深度可分离卷积处理输入FFT-x编码图颜色特征的通道维度和空间维度,获取特征图,利用ChannelSplit模块和Channelshuffle模块将所述特征图在不同深度和不同组之间交换通道顺序,改变通道排列方式,基于残差和深度可分离卷积进一步提取数据特征,最后通过平均池化和两个全连接层输出故障诊断结果。
优选地,评估所述改进的轻量化卷积神经网络模型的目标函数为交叉熵损失函数:
Loss为模型损失值,yi为模型故障分类预测值,为模型分类真实值。
与现有技术相比,本发明具有如下优点和技术效果:
本发明通过FFT-x编码表现不同轴承故障类型的频域数据特征的差异性,并由改进的轻量化卷积神经网络对图像特征自主学习诊断,省去了从原始数据中提取故障特征信息所需的繁琐信号处理工作,降低了人力成本,提高了诊断准确率。
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为本发明实施例的一种基于FFT编码和L-CNN滚动轴承故障诊断方法流程图;
图2为本发明实施例的正常轴承频谱图;
图3为本发明实施例的内圈磨损频谱图;
图4为本发明实施例的外圈磨损频谱图;
图5为本发明实施例的滚动体缺滚珠频谱图;
图6为本发明实施例的正常轴承FFT-X谱示意图;
图7为本发明实施例的内圈磨损FFT-X谱示意图;
图8为本发明实施例的外圈磨损FFT-X谱示意图;
图9为本发明实施例的滚动体缺失FFT-X谱示意图;
图10为本发明实施例的正常轴承热力图;
图11为本发明实施例的内圈磨损热力图;
图12为本发明实施例的外圈磨损热力图;
图13为本发明实施例的滚动体缺失热力图;
图14为本发明实施例的CEEMDAN-PE-WTD-FFT-x编码流程图;
图15为本发明实施例的L-CNN模型结构图;
图16为本发明实施例的四种类型轴承信号CEEMDAN分解图,其中(a)为正常轴承信号CEEMDAN分解图,(b)为轴承内圈故障信号CEEMDAN分解图,(c)为轴承外圈故障信号CEEMDAN分解图,(d)为轴承滚动体故障信号CEEMDAN分解图;
图17为本发明实施例的基于L-CNN四种编码数据集诊断混淆矩阵示意图,其中(a)GADF编码示意图,(b)为GASF编码示意图,(c)为MTF编码示意图,(d)为FFT-x编码示意图;
图18为本发明实施例的编码实验对比示意图。
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。
本发明提出了一种基于FFT编码和L-CNN滚动轴承故障诊断方法,如图1,包括:
获取原始轴承故障振动数据,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,计算每个所述本征模态分量对应的排列熵值,根据所述排列熵值进行小波阈值去噪,获取降噪重构信号;
将所述降噪重构信号进行快速傅里叶变换,通过快速傅里叶变换获得频谱和相位角特征融合的频域数据,保留所有序列特征数据获得轴承振动信号的FFT-x编码数据,并根据所述FFT-x编码数据的振幅范围,绘制不同故障类型数据的FFT-x热力图;
构建改进的轻量化卷积神经网络模型L-CNN,将所述FFT-x编码数据输入所述L-CNN模型中进行处理与诊断,获得故障诊断结果。
具体包括:
1、轴承振动信号分析
滚动轴承的主要组成部分包括轴承外圈、轴承内圈、滚动体以及保持架。
轴承发生故障时,零部件在故障点部位互相之间会产生周期性的碰撞,引发指数衰减振荡并产生振动频率的激励,其中轴承振动信号的频率与其故障种类转速及其尺寸大小有很大的关联。滚动轴承特征故障特征频率计算如式(1)~(5)所示:
(1)滚动轴承内圈旋转频率f:
f=n/60 (1);
(2)滚动轴承滚动体经过内圈上一点某一损伤点的振动频率fi:
(3)滚动轴承滚动体经过外圈上一点某一损伤点的振动频率fo:
(4)滚动轴承滚动体上的某一损伤点经过内圈或者外圈的频率fr:
(5)滚动轴承保持架旋转频率fb:
式(1)~(5)中,d为滚动体直径,D为轴承节径,a为轴承公称接触角,N为滚动体个数,f为内圈转动频率与外圈频率之差的绝对值,n为振动阶数。
滚动轴承特征故障频率特征是通过轴承振动信号进行诊断的重要依据。
2、CEEMDAN-PE-WTD去噪方法
CEEMDAN可以有效的提取出轴承振动信号不同频段的本征模态分量(IntrinsicMode Function,IMF),每个IMF代表不同的振动特征,能够更好的实现轴承振动信号时频分析。
CEEMDAN的步骤如下:
(1)将具有正态分布的高斯白噪声添加到原始轴承振动数据中获得第i个信号yi(t),如式(6):
yi(t)=y(t)+β0ωi(t),t=1,2,...,n (6)
其中,y(t)为轴承振动原始数据,β0为高斯白噪声标准差;ωi(t)为高斯白噪声;n为轴承信号数据样本数量。
(2)yi(t)通过EMD分解获得yi(t)的第一个本征模态函数IMF1(t)和残差分量r1(t):
r1(t)=y(t)-IMF1(t) (8)
其中,I为添加噪声次数。
(3)将r1(t)作为原始数据对重构r1(t)+β1E1(ωi(t)进行分解获得第二模态函数IMF2(t)和残差分量r2(t):
r2(t)=r1(t)-IMF2 (10)
(4)重复步骤3,获得第(k+1)个模态函数IMFk+1(t)和第k个残差分量rk(t):
rk(t)=rk-1(t)-IMFk(t) (12)
(5)将轴承振动信号分解为:
由于外部环境,轴承自身因素以及信噪采集设备本身的噪声的影响,轴承振动数据集存在噪声必不可免,需要利用噪声分析技术和降噪算法对数据进行处理提取有效信息。信号经过CEEMDAN分解后分别计算每个IMF的PE(排列熵)值,PE是测量IMF随机性的参数,通过计算IMF的PE值Hpe(m),判断每个IMF的含噪程度。根据含噪程度,将IMF划分为有效IMF和含噪IMF,将含噪的IMF通过小波分解计算小波系数,小于某个阈值的小波系数置为零从而达到降噪的目的。
首先将一组长度为N的IMF进行相空间重构,得到矩阵Y。
其中,m为嵌入维数,t为延迟时间,K为重构分量的数量。
其次,将重构分量按照升序重新排列。然后计算每种符号序列出现的次数除以m!种不同的符号序列出现的总次数作为该符号序列出现的概率Pj。
IMF排列熵的计算公式如下:
Hpe(m)=-∑m!Pjlog(Pj) (15)
其中,ln(m!)为排列熵的最大值。熵值Hpe(m)越小说明IMF所含噪声相对更少,反之,IMF所含噪声更多。根据含噪IMF数据特征选择合适的小波基和分解层数对含有噪声的信号进行分解,计算小波系数。如式(17)所示:
其中,ICWT为小波系数,a为尺度函数,b为位置函数。
然后,选择Sqtwolog阈值计算每个小波系数对应的阈值th并对小波系数量化处理。具体公式如下:
其中,mid为经过分解后各频带系数的中间值,N为小波系数长度。
阈值函数:
其中,ωj,k为小波系数,a=0时为硬阈值函数,a=1时为软阈值函数。
最后,将量化后的小波系数进行小波反变换得到降噪的IMF,再由有效IMF和降噪的IMF重构轴承振动信号。
3、快速傅里叶变换编码
频域分析是信号特征分析中必不可少的部分,为了分析CEEMDAN-PE-WTD去噪重构信号特征,将信号通过离散傅里叶变换分解为若干单一的谐波分量,获得信号各谐波幅值、相位、功率等与频域的关系。计算离散傅里叶变换时,基于分治策略和对称性质将输入序列分为偶数位置和奇数位置的两个子序列,把每个时域点进行加权处理并对正弦和余弦函数的乘积求和。
对于时序数据x(n)的离散傅里叶变换表达式为:
x(n)={x0,x1,…xN-1},0<<n<N (20)
其中:e为自然对数的底数;i为虚数单位;k=0,1,…,N-1。
FFT则是将离散傅里叶变换分解为稀疏因子的乘积,快速计算离散傅里叶变换,将原本需要O(N^2)时间复杂度的离散傅里叶变换降低为O(NlogN)的时间复杂度,极大地提高了计算效率。轴承频域数据f(x)和相位角θ表达式由快速傅里叶变换数据的实部R和虚部I计算得出:
通过FFT获得的四种轴承振动数据的频谱如图2-图5所示。
基于FFT编码是一种以图片处理技术提取和表示轴承频域信号种特征的方法,为了更好地表达轴承振动信号频域特性,首先需要对时域信号去均值和归一化去除信号中的直流分量,然后通过快速傅里叶变换获得频谱和相位角特征融合的频域数据,最后保留所有序列特征数据得到轴承振动信号的FFT-x谱。根据相位角θ所在象限判定轴承频域数据f(x)方向得到特征融合数据F(x)表达式为:
四种类型轴承FFT-x谱如图6-图9所示。
根据四种故障类型轴承的FFT-x数据振幅范围,绘制边界为(-150,150)热力图,将频率谱数据特征以图像的方式进行呈现。不同故障类型数据FFT-x热力图如图10-图13所示。
CEEMDAN-PE-WTD-FFT-x编码方法流程如图14所示。
4、轻量化卷积神经网络
卷积神经网络采用卷积核计算提取数据特征,是一种前馈神经网络,深度学习的代表算法之一。在快速傅里叶编码和轻量化卷积神经网络故障轴承故障诊断方法中,为了更准确、更高效地提取信号特征,采用改进的L-CNN模型诊断对滚动轴承故障信号数据进行诊断。L-CNN通过多尺度卷积、ECA注意力机制、深度可分离卷积、ShuffleNet等网络结构将原始数据映射到隐藏层的特征空间,自动从复杂的数据中提取特征,特征提取相比较人工提取更加准确,速度更快,数据分类精度更高。模型结构如图15所示。
首先,将FFT-x编码数据集输入L-CNN模型中,使用3×3和5×5大小的卷积核从不同尺度下捕捉输入数据不同级别的特征。捕捉到的特征经过ECA注意力机制由全局平均池化、一维卷积、通道乘法和空间复制等结构实现对每个通道的重要性加权,提高模型不同大小或层次的感知能力和卷积模块特征提取能力。其次,通过深度可分离卷积处理输入特征的通道维度和空间维度,在加强模型特征提取能力的同时减少参数量和计算量,提高模型计算效率。然后,利用ChannelSplit模块和Channelshuffle模块将输入特征图在不同深度和不同组之间交换通道顺序,改变通道排列方式,提高特征多样性,通过残差和深度可分离卷积进一步提取数据特征。最后通过平均池化和两个全连接层输出故障诊断结果。
模型采用Adam优化器,模型权重训练更新公式为:
其中,w代表模型权重,t表示次数,为mt的纠正,/>为vt的纠正。
β1,β2是常数,控制指数衰减,mt是梯度的指数移动值,通过梯度一阶求导求得;vt是梯度的二阶矩求得。
mt=β1*mt-1+(1-β1)*gt (28)
设定β1=0.9,β2=0.999,学习率lr为0.001,通过Adam反向传播,优化整个模型的权重和偏置,降低模型分类损失。
评估模型目标函数为交叉熵损失函数:
Loss为模型损失值,yi为模型故障分类预测值,为模型分类真实值。
5、验证
在这一部分中使用了两个数据集来验证CEEMDAN-PE-WTD降噪方法,快速傅里叶变换图像编码和轻量化卷积神经网络模型滚动轴承故障诊断的可行性和泛化能力。所有实验代码是在Pycharm中用python3.7,环境配置为tensorflow2.6.0编写,在一台配有CPU(Intel(R)Core(TM)i5-12490F@3.00GHz)和GPU(NVIDIA GeForce RTX3060Ti 8G)计算机上进行实验。
为了验证基于FFT编码和L-CNN滚动轴承故障诊断方法的优越性,采用了来自广东省石化装备重点实验室大型石化旋转机械多级离心机故障诊断平台采集的轴承故障数据。这些故障轴承的转速达到了每分钟1024转,采样频率设定为1024Hz。使用了EMT390传感器来对正常轴承、轴承内圈磨损、轴承外圈磨损,以及滚动体缺失这四种轴承故障类型的数据各采集了1024000个振动信号样本。这些样本将用于数据降噪实验、数据编码实验、模型对比实验,消融实验和诊断方法对比实验。
为了进一步验证算法模型的泛化能力,选择西储大学轴承故障开源数据集进行实验。选择其中驱动端0.007英寸故障直径,采样频率为12KHz,电机转速为1797r/min,负载为0HP的轴承振动数据。这些数据包括了正常轴承,轴承外圈故障,轴承内圈故障,滚动体缺失四种类型轴承振动数据。该数据集用于算法泛化验证实验。
5.1、数据降噪试验
首先,分别对四种类型的轴承振动信号切分进行CEEMDAN信号分解,得到IMFs,将原始的一维振动信号转化为多维振动信号,以便后续处理,分解后的结果如图16(a)-(d)所示。
信号分解后的IMFs从高频到低频依次排列,通过计算每个IMF的PE值判别分量中具有噪声比重,将PE值大于0.5的分量视为含噪分量并对其进行小波阈值分解降噪,以便提取原始信号信息。不同轴承振动信号分解的IMFs对应的PE值计算结果如表1所示。
表1
将含噪IMFs提取出来进一步使用小波阈值降噪分解量化处理,小波阈值参数设置sym4作为小波基,Sqtwolog阈值,硬阈值函数,分解层数为3。对原始信号添加方差为0.01的噪声得到含噪信号y,通过降噪处理得到新的IMFs分量,再将IMFs分量重构得到降噪处理后的信号。如表2所示,为了充分反映降噪前后轴承信差异计算重构信号信噪比(SNR)和均方误差(MSE)两个指标证明该方法的有效性。
信号均方误差公式定义为未去噪信号xi和去噪信号x′i的平方差,公式如下:
信噪比公式定义如下:
为了展示CEEMDAN-PE-WTD的优越性,将传统小波阈值降噪与之进行比较,其中传统小波阈值降噪选择和CEEMDAN-PE-WTD相同参数设置。两种降噪方法对四种轴承振动信号降噪效果如表2所示。
表2
CEEMDAN-PE-WTD方法重构信号的MSE和传统小波阈值降噪重构信号的MSE几乎一致,从SNR指标可以看出两种方法对原始信号都具有较好的降噪作用。但相比之下CEEMDAN-PE-WTD方法降噪效果更好,四种轴承振动信号通过CEEMDAN-PE-WTD方法降噪重构信号的SNR和传统小波阈值降噪重构信号的SNR比平均提升1.19。
5.2、数据编码实验
原始的一维轴承振动信号按照窗口长2048,步长为1024平滑重叠采样的方式进行编码,对四种故障类型数据分别进行格拉姆角和场(Gram‘s Angular Sum Field,GASF)编码,格拉姆角差场(Gram‘s Angular Difference Field,GADF)编码,马尔可夫迁移场(Markov Transition Field,MTF)编码,以及FFT-x编码。每种编码方式分别转换分辨率大小为32×32,64×64,128×128,256×256,512×512图像数据,图像位深同为32,验证图像分辨率对诊断结果的影响。把原始数据以四种编码方式,且每种编码方式又处理成5种分辨率的情况下,将其构建20个图像数据集,每个数据集四种故障类型共4000张图片。按照7:2:1比例切分数据生成训练集、验证集、测试集送入卷积神经网络模型训练并分类。神经网络模型采用MobileNetV1[28],参数设定优化器为Adam,学习率为0.001,Batchsize为16,训练150轮次,评价指标为测试集准确率,模型对每个Batchsize数据的训练时间和诊断时间。不同像素大小下四种编码数据集诊断结果对比如表3所示。
从表3可知,当编码分辨率大小为32×32时,GASF、GADF和MTF三种编码方式都出现了信号特征丢失的现象,导致模型诊断精度较低。相比之下,FFT-x编码方法在保持快速诊断速度下具有更高的诊断准确性,而在相同的诊断精度下,其诊断速度更快。FFT-x编码数据集在诊断时间同为6ms的情况下实现准确率为98.25%,比GADF、GASF和MTF分别提高了4.75%、8.5%、3.75%。
表3
5.3、模型对比实验
为了避免图像分辨率过小导致轴承振动信号特征丢失过多所带来的影响,选用分辨率大小为64×64的FFT-x编码数据集。将搭建的L-CNN模型和具有代表性的Xceptption、EfficinetNetB0到EfficinetNetB7、MobileNetV1、MobileNetV2、MobileNetV3轻量化神经网络模型进行对比,评价指标为模型的诊断精度、损失值、训练参数量、前向传播运算次数、模型大小。不同轻量化卷积神经网络模型诊断对比如表4所示。
表4
从表4可知,相比较与其他轻量化卷积神经网络模型,L-CNN模型占用内存为5MB,同比MobileV1减少了33MB,训练参数比MobileV1减少了2714M,交叉熵损失值减少了0.0925。为了进一步验证L-CNN模型诊断的泛化能力,采用L-CNN模型对GADF,GASF,MTF,FFT-x四种编码方式下分辨率大小为64×64数据集进行对照实验。四种编码数据集诊断混淆矩阵如图17(a)-(d)所示。
L-CNN模型对GADF编码数据集诊断准确率为94.25%,同比MobileNetV1提升0.75%。GASF编码数据集诊断准确率为92.75%,同比MobileNetV1提升3%。MTF编码数据集诊断准确率为95.00%,同比MobileNetV1提升0.5%,FFT-x编码数据集诊断准确率为98.25%。L-CNN模型同比MobileNetV1模型训练参数减少84%,训练速度提高20%,进一步验证了L-CNN模型诊断的优越性。
5.4、消融试验
为了进一步验证降噪和编码的有效性,分别测试基于FFT编码中结合相位角特征、CEEMDAN-PE-WTD降噪方法、重叠采样等步骤对诊断精度的影响。消融实验基于L-CNN模型,模型测试集分类准确率对比结果如表5所示。
表5
从表5中可知,轴承一维振动数据通过FFT编码后诊断准确率为97.50%。在结合相位角特征后,增强了数据特征多样性,诊断准确率提高了0.5%。对数据进行重叠采样,使得采样数据更加丰富,诊断准确率提高了0.25%。轴承一维振动数据经过CEEMDAN-PE-WTD方法去噪后,减少了噪声对原始信号的干扰,诊断准确率提高了0.5%。最终采用FFT-x编码生成的数据集在L-CNN模型上可以将故障诊断准确率提高到98.75%。验证了基于FFT编码和L-CNN滚动轴承故障诊断方法的优越性。
5.5、诊断方法对比实验
为了进一步验证本发明所提算法的优越性,将极限学习机(Extreme LearningMachine,ELM)、二维卷积神经网络(2DCNN)和一维卷积神经网络(1DCNN)三种模型对原始轴承一维时间振动信号的诊断结果进行了对比,并将L-CNN模型对FFT-x、GADF、GASF和MTF编码数据集的诊断结果进行了对比。实验结果如表6所示。
表6
降噪后的FFT-x编码方法故障分类准确率最高,实现诊断准确率98.75%。证明CEEMDAN-PE-WTD去噪方法和FFT-x编码在滚动轴承故障分类的有效性。
5.6、算法泛化验证试验
将西储大学一维轴承振动数据按照窗口长2048,步长为1024平滑重叠采样,然后对四种故障类型轴承振动数据分别进行GASF编码,GADF编码,MTF编码,FFT-x编码。编码图像分辨率大小为64×64,位深32。每类编码数据集包含正常轴承200张图片,外圈磨损,内圈磨损,滚动体缺失各100张图片。按照7:2:1划分训练集,测试集,验证集,基于L-CNN模型分类诊断实验,实验结果如图18所示。
L-CNN模型对图像分辨率同为64×64的GADF编码数据集诊断准确率为85.58%,GASF编码数据集诊断准确率为65.38%,MTF编码数据集诊断准确率为97.12%,FFT-x码数据集诊断准确率为99.00%,FFT-x编码数据集相比GADF、GASF、MTF诊断精度分别提高了13.42%、33.62%、1.88%。因此得出,在相同诊断速度的情况下,FFT-x编码方式诊断准确率最高。
本发明提出一种基于FFT编码和L-CNN滚动轴承故障诊断方法,通过FFT-x编码表现不同轴承故障类型的频域数据特征的差异性,并由改进的轻量化卷积神经网络对图像特征自主学习诊断。省去了从原始数据中提取故障特征信息所需的繁琐信号处理工作,降低了人力成本。此外,与其他流行的卷积神经网络诊断方法相比所提方法能实现更高的诊断准确率。在实验室数据集上,本方法方法实现了98.75%故障诊断准确率,相比二维卷积神经网络诊断方法,准确率提高了10.75%。相比一维卷积神经网络诊断方法,准确率提高了6.25%。在西储大学轴承数据集中,图像编码分辨率为64×64的情况下,FFT-x编码实现了99.00%诊断准确率,相比GASF编码方式诊断准确率提高33.62%。
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 (6)
1.一种基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,包括:
获取原始轴承故障振动数据,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,计算每个所述本征模态分量对应的排列熵值,根据所述排列熵值进行小波阈值去噪,获取降噪重构的时域信号;
将所述降噪重构的时域信号进行快速傅里叶变换,获得时域信号对应的频域信号和相位角,根据预设规则重构所述频域信号,保留所述相位角特征的频域数据,根据振幅范围,绘制不同故障类型数据的FFT-x热力图;
所述绘制不同故障类型数据的FFT-x热力图,包括:
将所述降噪重构的时域信号通过快速傅里叶变换分解为若干单一谐波分量,获取信号各谐波幅值、相位、功率与频域的关系;
当所述相位角所在区间为一、二象限时,频域数值为正值,当所述相位角在三、四象限时,频域数值为负值,按此特性重构所述频域信号,根据重构频域信号的振幅特性,设置边界为(-150,150)进行热力图编码;
构建改进的轻量化卷积神经网络模型L-CNN,将所述FFT-x热力图中的编码数据输入L-CNN模型中进行处理与诊断,获得故障诊断结果;
将所述FFT-x热力图中的编码数据输入所述L-CNN模型中进行处理与诊断,包括:
使用不同大小的卷积核从不同尺度下捕捉所述FFT-x编码数据不同级别的特征,将捕捉到的特征经过ECA注意力机制由全局平均池化、一维卷积、通道乘法和空间复制结构对每个通道的重要性加权;
通过深度可分离卷积处理输入FFT-x编码图颜色特征的通道维度和空间维度,获取特征图,利用ChannelSplit模块和ChannelShuffle模块将所述特征图在不同深度和不同组之间交换通道顺序,改变通道排列方式,基于残差和深度可分离卷积进一步提取数据特征,最后通过平均池化和两个全连接层输出故障诊断结果。
2.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,提取所述原始轴承故障振动数据中的不同频段的本征模态分量,包括:
S1.1、将具有正态分布的高斯白噪声添加到所述原始轴承故障振动数据中获取第i个信号yi(t),将所述第i个信号yi(t)通过EMD分解获得yi(t)的第一个本征模态函数IMF1(t)和残差分量r1(t);
S1.2、将所述残差分量r1(t)作为原始数据对重构r1(t)+β1E1(ωi(t)进行分解获得本征模态函数IMF2(t)和残差分量r2(t),其中,E1为EMD分解,β1为高斯白噪声标准差,ωi(t)为高斯白噪声;
S1.3、重复所述S1.2,获得第(k+1)个本征模态函数IMFk+1(t)和第k个残差分量rk(t)。
3.根据权利要求2所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,根据所述排列熵值进行小波阈值去噪,包括:
根据所述排列熵值判断每个本征模态分量的含噪程度,通过所述含噪程度将各个所述本征模态分量划分为有效IMF和含噪IMF;
基于所述含噪IMF的数据特征选择小波基和分解层数对含有噪声的轴承故障振动数据进行分解,计算小波系数,选择Sqtwolog阈值计算每个所述小波系数对应的阈值并对所述小波系数进行量化处理;
将量化后的小波系数进行小波反变换获取降噪的IMF,再由所述有效IMF和所述降噪的IMF重构轴承振动信号,获得所述降噪重构信号。
4.根据权利要求3所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,计算所述小波系数的方法为:
其中,ICWT为小波系数,a为尺度函数,b为位置函数,t为延迟时间;
计算每个所述小波系数对应的阈值的方法为:
其中,th为每个小波系数对应的阈值,mid为经过分解后各频带系数的中间值,N为小波系数长度。
5.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,所述重构频域信号的表达式为:
其中,F(x)为重构频域信号,f(x)为原始轴承频域信号,θ为相位角。
6.根据权利要求1所述的基于FFT编码和L-CNN滚动轴承故障诊断方法,其特征在于,评估所述改进的轻量化卷积神经网络模型的目标函数为交叉熵损失函数:
Loss为模型损失值,yi为模型故障分类预测值,为模型分类真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494001.1A CN117473872B (zh) | 2023-11-10 | 2023-11-10 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494001.1A CN117473872B (zh) | 2023-11-10 | 2023-11-10 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473872A CN117473872A (zh) | 2024-01-30 |
CN117473872B true CN117473872B (zh) | 2024-06-11 |
Family
ID=89632711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311494001.1A Active CN117473872B (zh) | 2023-11-10 | 2023-11-10 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473872B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
CN116269259A (zh) * | 2023-02-27 | 2023-06-23 | 重庆邮电大学 | 一种基于改进bp神经网络的人体呼吸心跳检测方法 |
CN116662855A (zh) * | 2023-05-31 | 2023-08-29 | 祐樘(南京)软件科技有限公司 | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 |
-
2023
- 2023-11-10 CN CN202311494001.1A patent/CN117473872B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
CN116269259A (zh) * | 2023-02-27 | 2023-06-23 | 重庆邮电大学 | 一种基于改进bp神经网络的人体呼吸心跳检测方法 |
CN116662855A (zh) * | 2023-05-31 | 2023-08-29 | 祐樘(南京)软件科技有限公司 | 基于自适应交叉融合对抗学习网络汽车轮毂轴承诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117473872A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866365B (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
Youcef Khodja et al. | Rolling element bearing fault diagnosis for rotating machinery using vibration spectrum imaging and convolutional neural networks | |
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN110210381A (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN114266339A (zh) | 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法 | |
CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
CN115060494A (zh) | 一种滚动轴承的故障诊断方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 | |
CN113865872A (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN117473872B (zh) | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 | |
Cui et al. | Synchronous odd symmetric transform for rolling bearing fault diagnosis | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
CN115984606A (zh) | 一种基于ceemdan去噪的行星齿轮故障诊断方法及系统 | |
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 | |
CN116522237A (zh) | 一种基于并行卷积神经网络的滚动轴承故障诊断方法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 |
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 |