CN117708574B - 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 - Google Patents
一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN117708574B CN117708574B CN202410145747.XA CN202410145747A CN117708574B CN 117708574 B CN117708574 B CN 117708574B CN 202410145747 A CN202410145747 A CN 202410145747A CN 117708574 B CN117708574 B CN 117708574B
- Authority
- CN
- China
- Prior art keywords
- physical information
- frequency
- embedded
- time
- rolling bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005096 rolling process Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 230000036541 health Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002775 capsule Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,包括:通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线;参考转速曲线,计算等角度采样时间点,对原始时域振动信号进行插值重采样,得到角度域信号;利用巴特沃兹滤波对角度域信号进行带通滤波,滤除低频噪声,得到滤波后的角度域信号;利用包络提取与快速傅里叶变换技术,对滤波后的角度域信号提取信号包络阶次谱,得到滚动轴承特征;将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中,得到振动信号的故障检测结果。本发明结合机理分析方法和深度学习方法,实现轴承健康状态的识别。
Description
技术领域
本发明涉及滚动轴承故障监测技术领域,尤其涉及一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法。
背景技术
滚动轴承是许多机械装备中的关键零部件之一,广泛应用于农业机械、铁路运输、轻纺工业等工程场景中。然而滚动轴承的实际工况一般具有高速重载的特点,并且工作时间长、工作环境恶劣,使轴承极易损坏。若能实时监测轴承状态,并及时有效的发现早期故障,可以避免意外停机和重大事故,帮助维修人员快速定位问题开展维修,节约维保成本。
目前已有很多基于信号处理的方法可以分析轴承振动信息监测并诊断轴承故障。然而这类方法依赖专家知识与人工诊断。随着深度学习技术的发展,越来越多的研究者将深度学习技术应用至轴承故障诊断问题上,从而避免对专家知识的依赖,且实现了较高的准确率。然而实际情况中,轴承往往工作在变转速的工况下,这将导致数据分布的改变,大幅降低深度学习模型的诊断准确率。这制约了深度学习模型在实际工业场景中的应用。
发明专利CN202010178652.X发明了一种基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法。通过谱峭度图判断最优解调中心频率及解调带宽,对原始时域信号进行包络解调得到包络信号,利用转速脉冲信号对包络信号进行角度域重采样,得到角度域平稳信号后进行FFT得到阶次谱,通过对比阶次谱与理论故障特征阶次实现轴承的故障诊断。然而上述方法依赖于现场采集的转速脉冲信号进行计算阶次跟踪,对数据采集设备提出了较高要求。另外,上述方法依赖人工进行故障的判定,准确率受专家经验的影响。
发明专利CN202311277320.7发明了一种基于动态卷积胶囊神经网络的滚动轴承故障诊断方法。以滚动轴承振动的频域信号作为输入,构建了包含卷积层、池化层、初级胶囊层、分类胶囊层的深度神经网络模型。在训练过程中将不同故障类型、故障程度以及负载的数据作为训练集,并添加不同信噪比的白噪声,使模型可以在不同工况下完成对轴承故障类型与程度的端到端的故障诊断。然而上述方法没有考虑到转速对振动频率成分的影响,若诊断时轴承转速与训练数据的转速不同,将导致模型诊断准确率的下降。此外,上述方法完全由数据驱动,模型没有物理信息的引导,可能学习到不具有泛化性的故障特征。
现有技术没有做到现有故障诊断知识与深度学习方法很好的结合,在转速变化的情况下仍需要依赖转速的脉冲信号进行信号处理并人工判断故障类型,而深度学习方法则完全由数据驱动,缺少物理信息的帮助,难以应对转速变化情况下的故障诊断。深度学习方法如果能融合物理信息,其诊断准确率还有提升空间。
发明内容
技术目的:针对现有技术中的缺陷,本发明公开了一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,结合机理分析方法和深度学习方法,将已有的轴承故障诊断知识嵌入到深度学习模型中,再用卷积神经网络自动学习包络谱中学习信号特征与故障模式对应关系,来实现轴承健康状态的识别,可以引导卷积神经网络更好地学习故障特征。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,包括以下步骤:
步骤S1、通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线;
步骤S2、参考转速曲线,计算等角度采样时间点,对原始时域振动信号进行插值重采样,得到角度域信号;
步骤S3、利用巴特沃兹滤波对角度域信号进行带通滤波,滤除低频噪声,得到滤波后的角度域信号;
步骤S4、利用包络提取与快速傅里叶变换技术,对滤波后的角度域信号提取信号包络阶次谱,得到滚动轴承特征;
步骤S5、将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中,得到振动信号的故障检测结果。
优选地,所述步骤S1包括以下步骤:
步骤S11、对振动信号进行短时傅里叶变换,得到振动信号的时频谱;
步骤S12、对振动信号的时频谱计算幅值最大时的频率值;
步骤S13、计算当前时刻的频率估计值;
步骤S14、令时刻为时频谱上的下一时刻,重复步骤S12和S13,直至时频谱上所以时刻都被计算,得到一组频率估计值集合/>,即作为所提取的转速曲线。
优选地,幅值最大时的频率值计算过程为:给定上一时刻,即时刻的频率/>,在时频谱的/>时刻,在/>范围内寻找幅值极大值对应的频率/>,对于振动信号起始时刻/>,需要给定初始频率估计值/>;当前时刻,即/>时刻的频率/>的计算公式为:,
其中,表示寻找幅值极大值的频率范围大小。
优选地,所述当前时刻的频率估计值计算过程为:在当前时刻,即时刻围绕频率取2K个点,其中,K需要根据频率分辨率选取,根据幅值计算加权平均值作为/>时刻的频率估计值;用/>表示频谱的频率间隔,其计算公式为:,
其中,为当前时刻的频率估计值,/>表示时频谱在/>时刻频率为/>时的幅值。
优选地,所述步骤S5中,嵌入物理信息的卷积神经网络的训练过程包括:
建立嵌入物理信息的卷积神经网络,利用轴承故障数据提取相应的滚动轴承故障特征训练嵌入物理信息的卷积神经网络,使嵌入物理信息的卷积神经网络从滚动轴承故障特征与故障模式对应关系,实现轴承的智能故障诊断;其中滚动轴承故障特征通过步骤S1至步骤S4处理得到。
优选地,所述步骤S5中,嵌入物理信息的卷积神经网络包含物理信息层,根据理论的故障特征阶次对包络解调阶次谱进行加权,物理信息层的公式表达为:
,
其中,表示物理信息层输出,/>表示输入的轴承故障特征,/>表示向量的元素乘法,/>分别表示内圈、外圈、滚动体故障对应的加权向量。
优选地,所述加权向量根据权重函数计算获取,其计算公式为:
,
其中,为故障/>对应的加权向量,/>取/>,分别对应内圈故障、外圈故障、滚动体故障,/>为第m个要加权的阶次,m为包络解调阶次谱中的阶次个数;其中,权重函数的计算公式为:
,
其中,为权重函数,s表示要加权的阶次,/>表示故障/>的理论故障特征阶次,/>均表示权重函数的形状参数,N为权重函数要加权的谐波个数。
优选地,所述权重函数的形状参数在嵌入物理信息的卷积神经网络中反向传播训练时被学习,权重函数的形状参数更新公式包括:
,
其中,表示学习率,/>为损失函数/>对权重函数/>的偏导,权重函数对形状参数的偏导如下:
。
优选地,所述步骤S5中嵌入物理信息的卷积神经网络通过卷积核进一步提取故障特征;然后经过批归一化层,归一化特征分布,加快模型收敛;之后,通过池化层提取池化范围内的最大值;最后,通过全连接层与softmax激活函数计算输入样本属于各个类别的概率,取最大概率的类别作为轴承健康状态,轴承健康状态包括健康状态、内圈故障、外圈故障、滚动体故障四类,取最大概率的状态作为轴承诊断结果,并作为输出的轴承健康状态信息。
优选地,嵌入物理信息的卷积神经网络模型的正向传播过程如下:
,
其中,表示嵌入物理信息的卷积神经网络模型中第q层输出的第p个特征图,q为嵌入物理信息的卷积神经网络的层数;特征图表示从数据中提取到的特征,/>表示第层的特征图,/>表示第/>层第/>个输入特征图到第/>个输入特征图的卷积核权值,/>表示卷积运算,/>为ReLu激活函数,/>,/>分别表示第q层第p个特征图的乘法偏置和加法偏置,/>表示最大池化函数,/>表示第j个神经元输出值,D表示当前全连接层的神经元数量,/>表示第i个神经元输入到第j个神经元的权重,/>表示第i个神经元的输入值,/>表示加法偏置;/>表示softmax函数输出的第c类别的概率值,Z表示最后一层神经元组成的向量,C表示类别数量。
有益效果:本发明使用振动信号提取转速曲线,通过对转频附近频谱的加权平均得到更高分辨率的频率,不需要依赖编码器脉冲等键相信号,同时,本发明结合机理分析方法和深度学习方法,将已有的轴承故障诊断知识嵌入到深度学习模型中,再用卷积神经网络自动学习包络谱中学习信号特征与故障模式对应关系,来实现轴承健康状态的识别,可以引导卷积神经网络更好地学习故障特征。
附图说明
图1为本发明流程示意图;
图2为本发明所提取转速与实际转速对比示意图
图3为本发明嵌入物理信息的卷积神经网络结构示意图
图4为本发明故障特征阶次为5.43的内圈故障权重函数图像示意图;
图5为本发明不同权重函数加权后的包络解调阶次谱示意图。
具体实施方式
以下结合附图对本发明的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法做进一步的说明和解释。
如附图1所示,一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,包括以下步骤:
步骤S1、通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线;包括以下步骤:
步骤S11、对振动信号进行短时傅里叶变换,得到振动信号的时频谱;其中振动信号为原始时域信号,在本发明的一些实施例中可以通过将振动加速度传感器吸附于对被测试滚动轴承的轴承座上获取振动信号,振动信号的时频谱的计算公式为:
,
其中,为振动信号,长度不限,/>表示短时傅里叶变换,/>为振动信号的时频谱,表示/>时刻,频率/>对应的幅值;
步骤S12、计算时频谱中当前时刻幅值最大对应的频率/>;给定上一时刻,即时刻的频率/>,在时频谱的/>时刻,在/>范围内寻找幅值极大值对应的频率,其中,/>表示寻找幅值极大值的频率范围大小,需要根据转速变化速率以及时频谱的时间分辨率给出。对于振动信号起始时刻/>,需要给定初始频率估计值/>;当前时刻,即/>时刻的频率/>的计算公式为:,
步骤S13、计算当前时刻的频率估计值:在当前时刻,即时刻围绕频率/>取2K个点,其中,K需要根据频率分辨率选取,根据幅值计算加权平均值作为/>时刻的频率估计值;若用/>表示频谱的频率间隔,其计算公式为:,
其中,为当前时刻的频率估计值,/>表示时频谱在/>时刻频率为/>时的幅值。
步骤S14、令时刻为时频谱上的下一时刻,重复步骤S12和S13,直至时频谱上所以时刻都被计算,得到一组频率估计值集合/>,即作为所提取的转速曲线,在本发明的一些实施例中,提取的转速曲线与实际转速曲线示意图如附图2所示;
本发明的步骤S1中,通过S12中计算时频谱中当前时刻幅值最大对应的频率,以及S13中根据分辨率选取个2K点计算当前时刻的频率估计值,可以不依赖于键相信号来提取高分辨率的转速曲线,降低了对现场数据采集设备的要求,同时便于后续提取更精确的包络解调阶次谱,减少转速变化的影响,从而提升嵌入物理信息的卷积神经网络的故障检测结果的准确性。
步骤S2、参考提取的转速曲线,计算等角度采样时间点,对原始时域振动信号进行插值重采样,得到角度域信号。
步骤S3、利用巴特沃兹滤波对角度域信号进行带通滤波,滤除低频噪声,得到滤波后的角度域信号。
步骤S4、利用包络提取与快速傅里叶变换技术,对滤波后的角度域信号提取信号的包络解调阶次谱,包含以下步骤:
步骤S41、使用希尔伯特变换方法计算出解析信号:
,
其中,表示离散振动信号,即步骤S3中得到的滤波后的角度域信号,/>希尔伯特变换,j表示虚数单位。
步骤S42、计算解析信号的模长,得到信号包络线/>:
,
步骤S43、对包络线进行快速傅里叶变换,得到包络解调阶次谱:
,
步骤S5、将包络解调阶次谱作为滚动轴承故障特征输入至训练后的嵌入物理信息的卷积神经网络中,得到振动信号的故障检测结果;所述嵌入物理信息的卷积神经网络的训练过程包括:
建立嵌入物理信息的卷积神经网络,利用轴承振动数据提取相应的滚动轴承故障特征训练嵌入物理信息的卷积神经网络,使嵌入物理信息的卷积神经网络学习滚动轴承故障特征与故障模式对应关系,实现轴承的智能故障诊断。其中滚动轴承故障特征通过步骤S1至步骤S4处理得到;嵌入物理信息的卷积神经网络的训练采用小批梯度下降方法优化模型参数,并使用动量法加快模型收敛速度。
所述步骤S5中嵌入物理信息的卷积神经网络包含物理信息层,网络结构如附图3所示,所述物理信息层用于根据输入的理论故障特征阶次对包络解调阶次谱,即滚动轴承故障特征进行加权,权重函数如下:
,
其中,为权重函数,s表示要加权的阶次,/>表示故障/>的理论故障特征阶次,/>可以取/>,分别对应内圈故障、外圈故障、滚动体故障,理论故障特征阶次的计算为现有技术,对应的计算公式见文献:滚动轴承的振动监测和分析方法的研究,均表示权重函数的形状参数,N为权重函数要加权的谐波个数,一般取2或3;在本发明的一些实施例中,理论故障特征阶次为5.43的内圈故障权重函数图像如附图4所示。
根据权重函数计算加权向量,其计算公式为:
,
其中,为故障/>对应的加权向量,/>为第m个要加权的阶次,m为包络解调阶次谱中的阶次个数;
物理信息层的公式表达为:
,
其中,表示物理信息层输出,/>表示输入的轴承故障特征,/>表示向量的元素乘法,/>分别表示内圈、外圈、滚动体故障对应的加权向量,即通过/>的计算公式分别计算/>,在本发明的一些实施例中,物理信息层输出的加权向量示意图如附图5所示。
权重函数的形状参数在嵌入物理信息的卷积神经网络中反向传播训练时被学习,权重函数的形状参数更新公式包括:
,
其中,表示学习率,/>为损失函数/>对权重函数/>的偏导,权重函数对形状参数的偏导如下:
。
嵌入物理信息的卷积神经网络包括依次连接的物理信息层、第一卷积层、第一批归一化层、第一最大池化层、第二卷积层、第二批归一化层、第二最大池化层、全连接层和softmax函数层;其中物理信息层的输入为理论故障特征阶次和滚动轴承故障特征,softmax函数层输出轴承健康状态信息,即所述步骤S5中嵌入物理信息的卷积神经网络通过卷积核进一步提取故障特征;然后经过批归一化层,归一化特征分布,加快模型收敛;之后,通过池化层提取池化范围内的最大值;最后,通过全连接层与softmax激活函数计算输入的轴承故障特征样本属于各个健康状态的概率,轴承健康状态包括健康状态、内圈故障、外圈故障、滚动体故障四类,取最大概率的状态作为轴承诊断结果,并作为输出的轴承健康状态信息。卷积神经网络模型的正向传播过程如下:
,
其中,表示嵌入物理信息的卷积神经网络模型中第q层输出的第p个特征图,q为嵌入物理信息的卷积神经网络的层数,它可以表示神经网络从数据中提取到的特征,,表示第/>层的特征图,/>表示第/>层第/>个输入特征图到第/>个输入特征图的卷积核权值,/>表示卷积运算,/>为ReLu激活函数,/>,/>分别表示第q层第p个特征图的乘法偏置和加法偏置,/>表示最大池化函数,/>表示第j个神经元输出值,D表示当前全连接层的神经元数量,/>表示第i个神经元输入到第j个神经元的权重,/>表示第i个神经元的输入值,/>表示加法偏置;/>表示softmax函数输出的第c类别的概率值,Z表示最后一层神经元组成的向量,C表示类别数量,在本发明的一些实施例中,类别为健康状态、内圈故障、外圈故障、滚动体故障四类,/>。
在本发明的一些实施例中,嵌入物理信息的卷积神经网络包括两层卷积层,每层卷积层中进行卷积、归一化、最大池化操作,网络参数如表1所示,损失函数选用交叉熵损失函数,小批梯度下降批量选择64,采用动量法加快收敛。
表1 嵌入物理信息的卷积神经网络网络参数
本发明使用振动信号提取转速曲线,通过对转频附近频谱的加权平均得到更高分辨率的转频,不需要依赖编码器脉冲等键相信号,此外,本发明采用了计算阶次跟踪技术,可以降低转速变化对算法的影响,在变化的转速下本技术方案仍能有效地诊断轴承故障。同时,本发明结合机理分析方法和深度学习方法,将已有的轴承故障诊断知识嵌入到深度学习模型中,再用卷积神经网络自动学习包络谱中学习信号特征与故障模式对应关系,来实现轴承健康状态的识别,可以引导卷积神经网络更好地学习故障特征。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤S1、通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线;
步骤S2、参考转速曲线,计算等角度采样时间点,对原始时域振动信号进行插值重采样,得到角度域信号;
步骤S3、利用巴特沃兹滤波对角度域信号进行带通滤波,滤除低频噪声,得到滤波后的角度域信号;
步骤S4、利用包络提取与快速傅里叶变换技术,对滤波后的角度域信号提取信号包络阶次谱,得到滚动轴承特征;
步骤S5、将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中,得到振动信号的故障检测结果;
所述步骤S5中,嵌入物理信息的卷积神经网络包含物理信息层,根据理论的故障特征阶次对包络解调阶次谱进行加权,物理信息层的公式表达为:
,
其中,表示物理信息层输出,/>表示输入的轴承故障特征,/>表示向量的元素乘法,分别表示内圈、外圈、滚动体故障对应的加权向量;
所述加权向量根据权重函数计算获取,其计算公式为:
,
其中,为故障/>对应的加权向量,/>取/>,分别对应内圈故障、外圈故障、滚动体故障,/>为第m个要加权的阶次,m为包络解调阶次谱中的阶次个数;其中,权重函数的计算公式为:
,
其中,为权重函数,s表示要加权的阶次,/>表示故障/>的理论故障特征阶次,/>均表示权重函数的形状参数,N为权重函数要加权的谐波个数。
2.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于:所述步骤S1包括以下步骤:
步骤S11、对振动信号进行短时傅里叶变换,得到振动信号的时频谱;
步骤S12、对振动信号的时频谱计算幅值最大时的频率值;
步骤S13、计算当前时刻的频率估计值;
步骤S14、令时刻为时频谱上的下一时刻,重复步骤S12和S13,直至时频谱上所以时刻都被计算,得到一组频率估计值集合/>,即作为所提取的转速曲线。
3.根据权利要求2所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于,幅值最大时的频率值计算过程为:给定上一时刻,即时刻的频率/>,在时频谱的/>时刻,在/>范围内寻找幅值极大值对应的频率/>,对于振动信号起始时刻/>,需要给定初始频率估计值/>;当前时刻,即/>时刻的频率/>的计算公式为:,
其中,表示寻找幅值极大值的频率范围大小。
4.根据权利要求2所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于,所述当前时刻的频率估计值计算过程为:在当前时刻,即时刻围绕频率/>取2K个点,其中,K需要根据频率分辨率选取,根据幅值计算加权平均值作为/>时刻的频率估计值;用/>表示频谱的频率间隔,其计算公式为:,
其中,为当前时刻的频率估计值,/>表示时频谱在/>时刻频率为时的幅值。
5.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于:所述步骤S5中,嵌入物理信息的卷积神经网络的训练过程包括:
建立嵌入物理信息的卷积神经网络,利用轴承故障数据提取相应的滚动轴承故障特征训练嵌入物理信息的卷积神经网络,使嵌入物理信息的卷积神经网络从滚动轴承故障特征与故障模式对应关系,实现轴承的智能故障诊断;其中滚动轴承故障特征通过步骤S1至步骤S4处理得到。
6.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于:所述权重函数的形状参数在嵌入物理信息的卷积神经网络中反向传播训练时被学习,权重函数的形状参数更新公式包括:
,
其中,表示学习率,/>为损失函数/>对权重函数/>的偏导,权重函数对形状参数的偏导如下:
。
7.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于:所述步骤S5中嵌入物理信息的卷积神经网络通过卷积核进一步提取故障特征;然后经过批归一化层,归一化特征分布,加快模型收敛;之后,通过池化层提取池化范围内的最大值;最后,通过全连接层与softmax激活函数计算输入样本属于各个类别的概率,取最大概率的类别作为轴承健康状态,轴承健康状态包括健康状态、内圈故障、外圈故障、滚动体故障四类,取最大概率的状态作为轴承诊断结果,并作为输出的轴承健康状态信息。
8.根据权利要求7所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法,其特征在于:嵌入物理信息的卷积神经网络模型的正向传播过程如下:
,
其中,表示嵌入物理信息的卷积神经网络模型中第q层输出的第p个特征图,q为嵌入物理信息的卷积神经网络的层数;特征图表示从数据中提取到的特征,/>表示第/>层的特征图,/>表示第/>层第/>个输入特征图到第/>个输入特征图的卷积核权值,/>表示卷积运算,/>为ReLu激活函数,/>,/>分别表示第q层第p个特征图的乘法偏置和加法偏置,/>表示最大池化函数,/>表示第j个神经元输出值,D表示当前全连接层的神经元数量,/>表示第i个神经元输入到第j个神经元的权重,/>表示第i个神经元的输入值,/>表示加法偏置;/>表示softmax函数输出的第c类别的概率值,Z表示最后一层神经元组成的向量,C表示类别数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145747.XA CN117708574B (zh) | 2024-02-02 | 2024-02-02 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145747.XA CN117708574B (zh) | 2024-02-02 | 2024-02-02 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708574A CN117708574A (zh) | 2024-03-15 |
CN117708574B true CN117708574B (zh) | 2024-04-12 |
Family
ID=90162707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145747.XA Active CN117708574B (zh) | 2024-02-02 | 2024-02-02 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708574B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004059399A2 (en) * | 2002-12-30 | 2004-07-15 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN111224840A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 具有故障诊断性能的网关系统及其方法 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
CN113269221A (zh) * | 2021-02-24 | 2021-08-17 | 国家能源集团宿迁发电有限公司 | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN114199569A (zh) * | 2020-09-17 | 2022-03-18 | 舍弗勒技术股份两合公司 | 用于轴承的故障诊断方法和计算机可读介质 |
CN114659790A (zh) * | 2022-03-14 | 2022-06-24 | 浙江工业大学 | 一种变转速风电高速轴轴承故障的识别方法 |
CN115856623A (zh) * | 2022-12-13 | 2023-03-28 | 淮阴工学院 | 一种基于均匀度与峰度计算的电机故障诊断方法 |
CN116842364A (zh) * | 2023-07-04 | 2023-10-03 | 国能大渡河枕头坝发电有限公司 | 一种异步电机滚动轴承故障方法 |
CN117030268A (zh) * | 2023-10-07 | 2023-11-10 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
-
2024
- 2024-02-02 CN CN202410145747.XA patent/CN117708574B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004059399A2 (en) * | 2002-12-30 | 2004-07-15 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN111224840A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 具有故障诊断性能的网关系统及其方法 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
CN114199569A (zh) * | 2020-09-17 | 2022-03-18 | 舍弗勒技术股份两合公司 | 用于轴承的故障诊断方法和计算机可读介质 |
CN113269221A (zh) * | 2021-02-24 | 2021-08-17 | 国家能源集团宿迁发电有限公司 | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN114659790A (zh) * | 2022-03-14 | 2022-06-24 | 浙江工业大学 | 一种变转速风电高速轴轴承故障的识别方法 |
CN115856623A (zh) * | 2022-12-13 | 2023-03-28 | 淮阴工学院 | 一种基于均匀度与峰度计算的电机故障诊断方法 |
CN116842364A (zh) * | 2023-07-04 | 2023-10-03 | 国能大渡河枕头坝发电有限公司 | 一种异步电机滚动轴承故障方法 |
CN117030268A (zh) * | 2023-10-07 | 2023-11-10 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum;Xiaolong Wang等;《Measurement Science and Technology》;20190207;第30卷(第3期);035003 * |
基于智能制造装备数字化的典型应用;陈天启;《一重技术》;20231231(第06期);69-72 * |
无转速阶次跟踪的滚动轴承故障诊断方法;韩佳霖等;《西南交通大学学报》;20220805;1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708574A (zh) | 2024-03-15 |
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 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
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 | |
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 | |
CN113567131B (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN114818774A (zh) | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114659790A (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
Zhang et al. | Fault diagnosis using unsupervised transfer learning based on adversarial network | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
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 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 |
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 |