CN117909668A - 基于卷积神经网络的轴承故障诊断方法及系统 - Google Patents

基于卷积神经网络的轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN117909668A
CN117909668A CN202410312932.3A CN202410312932A CN117909668A CN 117909668 A CN117909668 A CN 117909668A CN 202410312932 A CN202410312932 A CN 202410312932A CN 117909668 A CN117909668 A CN 117909668A
Authority
CN
China
Prior art keywords
feature
frequency band
space
fault
frequency
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.)
Granted
Application number
CN202410312932.3A
Other languages
English (en)
Other versions
CN117909668B (zh
Inventor
刘永斌
柯诤浩
周远远
汪航
樊中鼎
刘先增
曹正
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202410312932.3A priority Critical patent/CN117909668B/zh
Publication of CN117909668A publication Critical patent/CN117909668A/zh
Application granted granted Critical
Publication of CN117909668B publication Critical patent/CN117909668B/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
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • G06F18/2163—Partitioning the feature space
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明适用于旋转机械设备关键部件轴承智能故障诊断领域，提供了一种基于卷积神经网络的轴承故障诊断方法及系统，所述方法包括以下步骤：将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号；基于多小波感知核进行特征提取和融合，即对信号进行分解、特征指标计算、相应频段特征指标整合和融合特征空间构建；对融合特征空间划分，并通过已训练的轴承故障诊断模型对特征空间进行深度特征校准和挖掘；对校准后的深度特征进行故障识别，输出轴承诊断结果。本发明解决了强背景噪声下诊断模型故障特征识别率差的问题，降低噪声影响，提高诊断精度。

Description

基于卷积神经网络的轴承故障诊断方法及系统
技术领域
本发明属于旋转机械设备关键部件轴承智能故障诊断领域，涉及基于卷积神经网络的轴承故障诊断方法及系统，尤其涉及一种基于多小波感知核卷积神经网络的轴承故障诊断方法及系统。
背景技术
机械设备以更加智能和复杂的方式发展，这导致机械设备、装置和基本组件之间的关系越来越复杂，它们相互影响，形成一个不可分割的整体。机械设备中任何一个部件的故障都会影响整个系统的性能，如运行精度、在役寿命和使用可靠性等。轴承是旋转机械系统中的关键部件，轴承的健康状态是决定机械系统是否正常运行的因素之一。由于工作环境的多变以及各种制造和人为因素，轴承成为主要故障源之一。随着深度学习技术的快速发展，基于深度学习的轴承智能故障诊断研究对于机械设备的健康管理具有重要意义。
常规轴承故障诊断研究是利用轴承运行过程中的监测数据进行的，其中振动分析方法是研究的重要手段。轴承的振动信号蕴含着丰富的机器健康信息，有效的特征提取方法有助于提高轴承诊断模型的诊断精度。然而，这项工作面临强背景噪声特性与诊断模型的高精度要求之间存在矛盾的挑战。
发明内容
本发明实施例的目的在于提供一种基于卷积神经网络的轴承故障诊断方法，能够解决了强背景噪声下诊断模型故障特征识别率差的问题，降低噪声影响，提高诊断精度。
本发明实施例是这样实现的，一种基于卷积神经网络的轴承故障诊断方法，所述方法包括以下步骤：
将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号，得到第一振动信号；
预处理具体有：（1）对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；（2）对归一化处理后的数据进行异常突变值检测和去除，降低计算复杂度，减少异常突变值对数据处理的影响。
基于多小波感知核进行特征提取和融合，包括对第一振动信号进行分解、特征指标计算、频段特征指标整合、融合特征空间构建；
具体地，（1）构造多种不同尺度不同类型的多小波感知核，对第一振动信号进行全频段多尺度多层次分解，获取信号从低频至高频的多个频带分量；（2）利用平滑移动采样方法分割每个频带分量数据，计算提升多小波信息熵，作为原始信号特征空间；（3）对所有频带分量的原始信号特征空间进行对应整合，获取低频段频带簇空间和高频段频带簇空间；（4）利用特征降维方法将对应频带分量的频带簇空间进行融合，得到从低频至高频的融合特征空间。
对融合特征空间进行划分，得到训练特征空间和测试特征空间，并通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘，其中深度特征校准包括：将训练特征空间表示为第一输入矩阵，将第一输入矩阵进行数据转换得到第二输入矩阵，对第二输入矩阵使用全局平均池化，并利用两个全连接层完成激励操作，得到过程权重，将第二输入矩阵与过程权重相乘得到校准后的训练特征空间；通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间；利用深层次特征空间迭代优化已训练好的轴承故障诊断模型，得到故障识别网络；
输入测试特征空间到故障识别网络进行故障识别（即模式识别），输出轴承诊断结果。
其中，在对融合特征空间进行划分时，将所述融合特征空间按照指定比例如7：3的比例划分为训练特征空间和测试特征空间；通过特征注意力校准模块对训练特征空间进行校准，得到加权训练特征空间；通过深度特征挖掘模块对所述加权训练特征空间进行深度挖掘，得到深层次特征空间；对深度学习诊断模型进行参数预设，并计算损失函数，即得轴承故障诊断模型。
进一步地，其中所述轴承故障诊断模型包括特征注意力校准模块、深度特征挖掘模块、参数优化与损失函数计算模块，深层特征挖掘模块包括：两个卷积层、两个池化层以及一个第三全连接层；
所述通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间的步骤，具体包括：将训练特征空间输入第一卷积层，经过第一卷积层处理得到的特征图输入第一池化层，经过第一池化层处理得到的特征图输入第二卷积层，经过第二卷积层处理得到的特征图输入第二池化层，之后从第三全连接层输出；
所述参数优化与损失函数计算模块，用于搭建轴承故障诊断模型，以及利用深层次特征空间优化轴承故障诊断模型得到故障识别网络；
其中所述特征注意力校准模块包括：依次连接的数据转换层、全局平均池化层和两个全连接层。
本发明实施例的另一目的在于提供一种基于卷积神经网络的轴承故障诊断系统，该系统包括：数据预处理单元、特征提取与融合单元、故障诊断单元和结果输出单元，所述故障诊断单元耦合有轴承故障诊断模型，该轴承故障诊断模型包括：特征注意力校准模块、深度特征挖掘模块和参数优化与损失函数计算模块；
所述数据预处理单元，用于将从旋转机械设备获取的多故障状态振动信号进行预处理，得到第一振动信号，如对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；对归一化处理后的数据进行异常突变值检测和去除，以降低计算复杂度，减少异常突变值对数据处理的影响；
所述特征提取与融合单元，用于基于多小波感知核进行特征提取和融合，包括对第一振动信号进行分解、特征指标计算、频段特征指标整合、融合特征空间构建；具体有：用于对多故障状态振动信号进行全频段多尺度多层次分解，构建提升多小波信息熵原始特征空间，对原始特征空间进行整合获取低频段频带簇空间和高频段频带簇空间，对频带簇空间进行融合得到低频至高频的融合特征空间；
所述故障诊断单元，用于通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘；
所述结果输出单元，用于输入测试特征空间到故障识别网络进行故障识别，输出轴承诊断结果。
进一步地，该数据预处理单元包括归一化模块和突变检测和去除模块；
所述归一化模块，用于对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；
所述突变检测和去除模块，用于对归一化处理后的数据进行异常突变值检测和去除。
所述特征提取与融合单元被配置为：
构造多种不同尺度不同类型的多小波感知核，构建提升多小波信息熵特征空间，获取低频段频带簇空间和高频段频带簇空间，频带簇空间进行融合得到低频至高频的融合特征空间；
所述构造多种不同尺度不同类型的多小波感知核，用于对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量；
所述构建提升多小波信息熵特征空间，用于利用平滑移动采样方法分割每个频带分量数据，计算提升多小波信息熵，作为原始信号特征空间；
所述获取低频段频带簇空间和高频段频带簇空间，用于对所有频带分量的原始信号特征空间进行对应整合，获取从低频到高频的频带簇空间；
所述频带簇空间进行融合得到低频至高频的融合特征空间，用于利用特征降维方法将对应频带分量的频带簇空间进行融合，得到从低频至高频的融合特征空间。
本发明实施例提供的一种基于卷积神经网络的轴承故障诊断方法，该方法通过对数据预处理、特征工程等技术对原始振动信号进行处理，对数据进行增强，解决了强背景噪声下诊断模型故障特征识别率差的问题，降低噪声影响，提高了诊断精度。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的轴承故障诊断方法的流程图；
图2为本发明实施例中轴承故障诊断模型的结构图；
图3为本发明实施例中深度特征挖掘模块的原理图；
图4为本发明实施例中测试特征空间的诊断过程损失函数收敛过程图；
图5为本发明实施例中测试特征空间的诊断过程诊断准确率结果图；
图6为本发明实施例中提供的一种基于卷积神经网络的轴承故障诊断方法的流程框图；
图7为本发明实施例中提供的一种基于卷积神经网络的轴承故障诊断系统的框架结构示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
图1为本发明实施例提供的一种基于卷积神经网络的轴承故障诊断方法的流程图，具体可以包括如图6所示的步骤S101-步骤S104：
步骤S101，将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号，得到第一振动信号；
本步骤中，可以通过振动加速度传感器和数据采集装备，从旋转机械设备的轴承座外壳上获取多故障状态振动信号，多故障状态振动信号能够反映机械设备的运行状态和健康情况。但是，不同状态的故障信号，具有不同的数量级，为了防止较大数量级故障信号影响诊断结果，将所有故障状态振动信号归一化到相同的数量级或范围。同时，需要对多故障状态振动信号的异常突变值进行检测和去除，降低计算复杂度，减少异常突变值对数据处理的影响。
本实施例的一个示例中，所述将从旋转机械设备获取的多故障状态振动信号进行预处理的步骤，可以包括：在多故障状态振动信号中，对各振动信号进行归一化处理、异常突变值进行检测和去除，生成可处理故障样本。
具体地，首先，利用振动加速度传感器和数据采集装备从机械设备中采集不同故障程度和类型的故障状态振动信号，如轴承故障振动信号，随后，对采集到的多故障状态原始数据进行预处理；采用最小值-最大值标准化将所有故障状态振动信号归一化到相同的范围，再进行异常突变值检测和去除，处理后的数据用于故障特征提取和融合，构建融合特征空间。
进一步地，在一个示例中，所述将从旋转机械设备获取的多故障状态振动信号进行预处理，具体包括：
采用最小值-最大值标准化对采集到的多故障状态振动信号进行归一化处理，不同状态的故障信号，具有不同的数量级，为了防止较大数量级故障信号影响诊断结果，将所有故障状态振动信号归一化到相同的范围；
采用阈值法对归一化处理后的数据进行异常突变值检测和去除，降低计算复杂度，减少异常突变值对数据处理的影响。
在一个实施例中，所述方法包括：步骤S102，基于多小波感知核进行特征提取和融合，即对第一振动信号进行分解、特征指标计算、频段特征指标整合和融合特征空间构建；
步骤S103，对融合特征空间划分，得到训练特征空间和测试特征空间，并通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘；
其中深度特征校准包括：将训练特征空间表示为第一输入矩阵，将第一输入矩阵进行数据转换得到第二输入矩阵，对第二输入矩阵使用全局平均池化，并利用两个全连接层完成激励操作，得到过程权重，将第二输入矩阵与过程权重相乘得到校准后的训练特征空间；通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间；利用深层次特征空间迭代优化轴承故障诊断模型，得到故障识别网络；
步骤S104，输入测试特征空间到故障识别网络进行故障识别或模式识别，输出轴承诊断结果（即图1的分类结果）。
本实施例的一个示例中，所述基于多小波感知核进行特征提取和融合的步骤，具体包括：
构造多种不同尺度不同类型的多小波感知核，对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量；
利用平滑移动采样方法分割每个频带分量数据，计算提升多小波信息熵，作为原始信号特征空间；
对所有频带分量的原始信号特征空间进行相对应频段特征指标整合，获取低频段频带簇空间和高频段频带簇空间；
利用特征降维方法将对应频带分量的频带簇空间（低频段频带簇空间和高频段频带簇空间）进行融合，得到从低频至高频的融合特征空间。
如图2所示，在本实施例的一个示例中，所述深度学习诊断模型包括特征注意力校准模块、深度特征挖掘模块和参数优化与损失函数计算模块；
在一个示例中，步骤S103的具体实现，可以参考以特征注意力校准模块的具体实现：通过对特征赋予权重操作，以关注主要特征信息，摒弃冗余特征信息，其由数据转换层、全局平均池化层以及两个全连接层（即全连接层1、全连接层2）组成，步骤如下：
对于分割后的单一故障状态训练特征空间可以表示成以下形式：
利用数据转换层，将所述的训练特征空间的单通道特征输入矩阵转换为/>通道特征输入矩阵/>，即每个特征属于一个通道；
使用全局平均池化操作对所有通道特征进行压缩，得到压缩特征矩阵；
利用两个全连接层完成激励操作，从而得到过程权重和。最后，得到每个通道的权重，可通过下式求得：
将所述的通道特征输入矩阵/>与得到每个通道的权重进行相乘，得到校准后的训练特征空间。
如图3所示，在一个示例中，深度特征挖掘模块的实现，以进行深层次特征的挖掘；
本示例中，如图2所示，深度特征挖掘模块可以是基于卷积神经网络的深层特征挖掘模块，由两个卷积层、两个池化层以及一个第三全连接层（即全连接层3）组成；
该示例中，两个卷积层的卷积核大小为4，步长为1，池化层的池化尺寸为2，长度为1。
在一个示例中，参数优化与损失函数计算模块的实现，对深度学习诊断模型进行参数预设，并计算损失函数，通过网络迭代训练获取最优的模型参数和收敛最快的损失函数，进而得到轴承故障诊断模型。
图4为本发明实施例中测试特征空间的诊断过程损失函数收敛过程图；图5为本发明实施例中测试特征空间的诊断过程诊断准确率结果图；本实施例的一个示例中，深度学习诊断模型可以通过前述的训练特征空间进行训练，而后通过指定评判规则（包括损失函数收敛速度和故障分类准确率）判断所述深度学习诊断模型的有效性，通过测试特征空间进行测试；
其中，损失函数收敛速度和故障分类准确率进行判断时对应的阈值，可以根据经验数据确定，在确定了损失函数收敛阈值、故障分类准确率阈值后，即可根据其分别与损失函数收敛速度的对比、与故障分类准确率的对比，判断所述深度学习诊断模型的有效性。
在一个实施例中，所述方法还包括：
在所述通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘的步骤前，基于多小波感知核卷积神经网络，搭建、训练深度学习诊断模型，得到轴承故障诊断模型。
本实施例的一个示例中，所述基于多小波感知核卷积神经网络，搭建、训练深度学习诊断模型的步骤，具体包括：
基于特征注意力网络，搭建特征注意力校准模块；
搭建深度特征挖掘模块、参数优化和损失函数计算模块，与特征注意力校准模块构成深度学习诊断模型；
利用划分后的训练特征空间输入所述深度学习诊断模型，进行网络训练；
根据指定评判规则判断所述深度学习诊断模型的有效性，得到训练好的深度学习诊断模型，并迭代得到故障识别网络；其中指定评判规则包括损失函数收敛速度和故障分类准确率；
将划分后的测试特征空间输入到故障识别网络，进行故障识别和分类。
下面结合具体应用实例对本实施例的实现过程以及预测效果进行说明：
本实施例中，采用的是实验室自测轴承多故障状态数据，来评估本基于卷积神经网络的轴承故障诊断方法。根据服役工况和故障模式，实验数据在 1650 rpm 和 1000 N负载下采集。实验选用 NSK 6012 轴承，采样频率为 20 kHz。数据集包含 12 种样本数据，实验样本的故障程度和类型各不相同，如表 1 所示。
对实验样本的数据集进行预处理，如图1所示，多故障状态振动信号需要进行预处理。包括以下步骤：
步骤1：数据预处理。
子步骤（1）、使用最小值-最大值标准化对多故障状态振动信号归一化处理，将不同状态不同数量级的故障信号，归一化到相同的范围[0,1]内；计算公式如下所示：
式中：和/>分别表示原始数据和归一化后的数据；/>和/>则分别代表原始信号的最小值和最大值。
子步骤（2）、使用阈值法将归一化后的多故障状态振动信号进行异常突变值检测和去除，利用信号均值替换异常突变值。具体计算公式如下所示：
式中：表示原始数据的均方根值；/>和/>表示原始信号的均值和方差。
步骤2：基于多小波感知核的特征提取和融合。
首先，构造多种不同尺度不同类型的多小波感知核，对原始振动信号进行全频段多尺度多层次分解，获取信号从低频至高频的多个频带分量；利用平滑移动采样方法分割每个频带分量数据，频带分量数据被分割成以下形式：
式中：表示多故障状态样本空间，/>表示故障状态总数；表示第/>个故障状态振动信号；/>表示信号分割总数；
计算每种故障状态的故障样本进行提升多小波信息熵特征提取，构建高维提升多小波信息熵特征空间，可以表示成以下形式：
式中：表示第/>故障状态，第/>故障样本的二范数，/>表示样本信号长度，是多小波分解的分支,/>；/>是多小波分解的频带,/>；/>是多小波分解系数的平移,/>；/>是多小波分解系数的长度；
表示第/>故障状态，第/>故障样本的振动信号；/>表示第/>故障状态，第故障样本的信息熵；/>表示第/>故障状态，第/>故障样本的提升信息熵；
式中：表示多故障状态提升多小波信息熵特征空间，/>表示故障状态总数；表示第/>个故障状态提升多小波信息熵特征向量；/>表示信号分割总数；
对所有频带分量的原始信号特征空间进行对应整合，获取低频段频带簇空间和高频段频带簇空间；利用特征降维方法将对应频带分量的频带簇空间进行融合，得到从低频至高频的融合特征空间。
步骤3：搭建、训练深度学习诊断模型。
本步骤中，在训练时，一般都采用交叉熵作为损失函数来衡量训练误差；然后，利用自适应矩估计优化器迭代更新网络参数以最小化损失函数，并将学习率设置为0.01；最后将训练特征空间输入深度学习诊断模型进行训练，直至训练周期结束或模型性能达到要求。
步骤4：验证深度学习诊断模型。
本实施例中，采用损失函数收敛速度和故障诊断准确度两个指标来衡量诊断模型的有效性。
上述，所述的基于卷积神经网络的轴承故障诊断方法，12种故障状态的测试特征空间测试结果如图4至图5所示。由图4和图5可以看出，本实施例的方法，具有很高的故障特征识别率，并且模型收敛速度快；从而根据诊断结果可以安排维修和调度，在设备故障发生前提供决策依据，避免安全事故发生，确保机械设备安全经济运行。
如图7所示，在另一个实施例中，一种基于卷积神经网络的轴承故障诊断系统，所述系统包括：数据预处理单元100、特征提取与融合单元200、故障诊断单元和结果输出单元400；故障诊断单元耦合有轴承故障诊断模型300；
所述数据预处理单元100，用于将从旋转机械设备获取的多故障状态振动信号进行预处理，对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；对归一化后的数据进行异常突变值检测和去除，降低计算复杂度，减少异常突变值对数据处理的影响；
所述特征提取与融合单元200被配置为：构造多种不同尺度不同类型的多小波感知核210、构建提升多小波信息熵特征空间220、获取低频段频带簇空间和高频段频带簇空间230，频带簇空间进行融合得到低频至高频的融合特征空间240；
轴承故障诊断模型300包括：特征注意力校准模块310、深度特征挖掘模块320和参数优化与损失函数计算模块330；
构造多种不同尺度不同类型的多小波感知核210，用于对原始振动信号进行全频段多尺度多层次分解，获取信号从低频至高频的多个频带分量；
构建提升多小波信息熵特征空间220，用于利用平滑移动采样方法分割每个频带分量数据，计算提升多小波信息熵，作为原始信号特征空间；
获取低频段频带簇空间和高频段频带簇空间230，用于对所有频带分量的原始信号特征空间进行对应整合，获取从低频到高频的频带簇空间；
频带簇空间进行融合得到低频至高频的融合特征空间240，用于利用特征降维方法将对应频带分量的频带簇空间进行融合，得到从低频至高频的融合特征空间。
所述故障诊断单元，用于通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘；
所述结果输出单元400，用于输入测试特征空间到故障识别网络进行故障识别，输出轴承诊断结果。
一个示例中，所述特征注意力校准模块310，用于对训练特征空间进行校准，得到加权训练特征空间；
所述深度特征挖掘模块320，用于对所述加权训练特征空间进行深度挖掘，得到深层次特征空间。
所述参数优化与损失函数计算模块330，用于对深度学习诊断模型进行参数预设，并计算损失函数，得到轴承故障诊断模型300。
所述预测结果输出单元400，用于对校准后的深度特征进行模式识别，输出轴承诊断结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于卷积神经网络的轴承故障诊断方法，其特征在于，所述方法包括以下步骤：
将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号，得到第一振动信号；
基于多小波感知核进行特征提取和融合，具体包括：
构造多种不同尺度不同类型的多小波感知核，对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量，
利用平滑移动采样方法分割每个频带分量，计算提升多小波信息熵，作为原始特征空间，
对所有频带分量的原始特征空间进行相对应频段特征指标整合，获取低频段频带簇空间和高频段频带簇空间，
利用特征降维方法将对应频带分量的低频段频带簇空间和高频段频带簇空间进行融合，得到从低频至高频的融合特征空间；
对融合特征空间进行划分，得到训练特征空间和测试特征空间，并通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘，其中深度特征校准包括：将训练特征空间表示为第一输入矩阵，将第一输入矩阵进行数据转换得到第二输入矩阵，对第二输入矩阵使用全局平均池化，并利用两个全连接层完成激励操作，得到过程权重，将第二输入矩阵与过程权重相乘得到校准后的训练特征空间；通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间；利用深层次特征空间迭代优化已训练好的轴承故障诊断模型，得到故障识别网络；
输入测试特征空间到故障识别网络进行故障识别，输出轴承诊断结果。
2.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法，其特征在于，所述将从旋转机械设备获取的多故障状态振动信号进行预处理的步骤，具体包括：
对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；
对归一化处理后的数据进行异常突变值检测和去除，得到第一振动信号，以降低计算复杂度，减少异常突变值对数据处理的影响。
3.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法，其特征在于，其中所述轴承故障诊断模型包括特征注意力校准模块、深度特征挖掘模块、参数优化与损失函数计算模块，深层特征挖掘模块包括：两个卷积层、两个池化层以及一个第三全连接层；
所述通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间的步骤，具体包括：将训练特征空间输入第一卷积层，经过第一卷积层处理得到的特征图输入第一池化层，经过第一池化层处理得到的特征图输入第二卷积层，经过第二卷积层处理得到的特征图输入第二池化层，之后从第三全连接层输出；
所述参数优化与损失函数计算模块，用于搭建轴承故障诊断模型，以及利用深层次特征空间迭代优化轴承故障诊断模型得到故障识别网络。
4.根据权利要求3所述的基于卷积神经网络的轴承故障诊断方法，其特征在于，其中所述特征注意力校准模块包括：依次连接的数据转换层、全局平均池化层和两个全连接层。
5.根据权利要求1所述的基于卷积神经网络的轴承故障诊断方法，其特征在于，所述方法还包括：
在所述通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘的步骤前，基于多小波感知核卷积神经网络，搭建、训练深度学习诊断模型，得到轴承故障诊断模型。
6.根据权利要求5所述的基于卷积神经网络的轴承故障诊断方法，其特征在于，所述基于多小波感知核卷积神经网络，搭建、训练深度学习诊断模型的步骤，具体包括：
基于特征注意力网络，搭建特征注意力校准模块；
搭建深度特征挖掘模块、参数优化和损失函数计算模块，与特征注意力校准模块构成深度学习诊断模型；
对深度学习诊断模型进行参数预设，并计算损失函数；
利用划分后的训练特征空间输入所述深度学习诊断模型，进行网络训练；
根据指定评判规则判断所述深度学习诊断模型的有效性，得到轴承故障诊断模型，并迭代得到故障识别网络；其中指定评判规则包括损失函数收敛速度和故障分类准确率；
将划分后的测试特征空间输入到故障识别网络，进行故障识别和分类，输出分类结果。
7.一种基于卷积神经网络的轴承故障诊断系统，用于如权利要求1-6任意一项所述的方法，其特征在于，所述系统包括：数据预处理单元、特征提取与融合单元、故障诊断单元和结果输出单元；
所述故障诊断单元耦合有轴承故障诊断模型，该轴承故障诊断模型包括：特征注意力校准模块、深度特征挖掘模块和参数优化与损失函数计算模块；
所述数据预处理单元，用于将从旋转机械设备获取的多故障状态振动信号进行预处理，得到第一振动信号；
所述特征提取与融合单元，用于基于多小波感知核进行特征提取和融合，具体包括：
构造多种不同尺度不同类型的多小波感知核，对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量，
利用平滑移动采样方法分割每个频带分量，计算提升多小波信息熵，作为原始特征空间，
对所有频带分量的原始特征空间进行相对应频段特征指标整合，获取低频段频带簇空间和高频段频带簇空间，
利用特征降维方法将对应频带分量的低频段频带簇空间和高频段频带簇空间进行融合，得到从低频至高频的融合特征空间；
所述故障诊断单元，用于通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘；
所述结果输出单元，用于输入测试特征空间到故障识别网络进行故障识别，输出轴承诊断结果。
8.根据权利要求7所述的基于卷积神经网络的轴承故障诊断系统，其特征在于，该数据预处理单元包括归一化模块和突变检测和去除模块；
所述归一化模块，用于对多故障状态振动信号进行归一化处理，把数据映射到0～1范围之内处理；
所述突变检测和去除模块，用于对归一化处理后的数据进行异常突变值检测和去除。
9.根据权利要求7所述的基于卷积神经网络的轴承故障诊断系统，其特征在于，所述特征提取与融合单元被配置为：
构造多种不同尺度不同类型的多小波感知核，构建提升多小波信息熵特征空间，获取低频段频带簇空间和高频段频带簇空间，频带簇空间进行融合得到低频至高频的融合特征空间；
所述构造多种不同尺度不同类型的多小波感知核，用于对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量；
所述构建提升多小波信息熵特征空间，用于利用平滑移动采样方法分割每个频带分量数据，计算提升多小波信息熵，作为原始信号特征空间；
所述获取低频段频带簇空间和高频段频带簇空间，用于对所有频带分量的原始信号特征空间进行对应整合，获取从低频到高频的频带簇空间；
所述频带簇空间进行融合得到低频至高频的融合特征空间，用于利用特征降维方法将对应频带分量的频带簇空间进行融合，得到从低频至高频的融合特征空间。
CN202410312932.3A 2024-03-19 2024-03-19 基于卷积神经网络的轴承故障诊断方法及系统 Active CN117909668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410312932.3A CN117909668B (zh) 2024-03-19 2024-03-19 基于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
CN202410312932.3A CN117909668B (zh) 2024-03-19 2024-03-19 基于卷积神经网络的轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN117909668A true CN117909668A (zh) 2024-04-19
CN117909668B CN117909668B (zh) 2024-06-07

Family

ID=90689327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410312932.3A Active CN117909668B (zh) 2024-03-19 2024-03-19 基于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) CN117909668B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118521170A (zh) * 2024-07-25 2024-08-20 国网浙江省电力有限公司双创中心 时空感知的楼宇设备运行风险识别模型训练方法与装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101268936A (zh) * 2008-02-27 2008-09-24 天津大学 无线心电监护仪的心电压缩方法和解码方法
CN104330255A (zh) * 2014-11-04 2015-02-04 徐州隆安光电科技有限公司 一种基于多传感器信息融合的齿轮故障诊断方法
CN104678288A (zh) * 2015-02-07 2015-06-03 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
JP2019070930A (ja) * 2017-10-06 2019-05-09 株式会社日立パワーソリューションズ 異常検知装置および異常検知方法
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis
CN111999595A (zh) * 2020-07-30 2020-11-27 国网天津市电力公司电力科学研究院 一种mmc-hvdc输电线路故障判断方法
CN113435255A (zh) * 2021-06-01 2021-09-24 西北工业大学 一种基于特征融合的发动机故障诊断方法
CN114112400A (zh) * 2021-12-01 2022-03-01 盐城工学院 一种基于多角度信息融合的机械轴承故障诊断方法
CN115758201A (zh) * 2022-10-20 2023-03-07 中核武汉核电运行技术股份有限公司 一种多卷积网络融合的滚动轴承故障分类方法
CN116010900A (zh) * 2023-01-06 2023-04-25 江南大学 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN116304836A (zh) * 2023-04-03 2023-06-23 中南大学 一种基于领域知识引导的少样本半监督轴承故障诊断方法
CN116484176A (zh) * 2023-04-26 2023-07-25 湖南科技大学 一种基于超小波的轴承故障诊断方法、系统和存储介质
CN116910645A (zh) * 2023-07-04 2023-10-20 浙江工业大学 基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101268936A (zh) * 2008-02-27 2008-09-24 天津大学 无线心电监护仪的心电压缩方法和解码方法
CN104330255A (zh) * 2014-11-04 2015-02-04 徐州隆安光电科技有限公司 一种基于多传感器信息融合的齿轮故障诊断方法
CN104678288A (zh) * 2015-02-07 2015-06-03 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
JP2019070930A (ja) * 2017-10-06 2019-05-09 株式会社日立パワーソリューションズ 異常検知装置および異常検知方法
US20200209109A1 (en) * 2018-12-28 2020-07-02 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for fault diagnosis
CN111999595A (zh) * 2020-07-30 2020-11-27 国网天津市电力公司电力科学研究院 一种mmc-hvdc输电线路故障判断方法
CN113435255A (zh) * 2021-06-01 2021-09-24 西北工业大学 一种基于特征融合的发动机故障诊断方法
CN114112400A (zh) * 2021-12-01 2022-03-01 盐城工学院 一种基于多角度信息融合的机械轴承故障诊断方法
CN115758201A (zh) * 2022-10-20 2023-03-07 中核武汉核电运行技术股份有限公司 一种多卷积网络融合的滚动轴承故障分类方法
CN116010900A (zh) * 2023-01-06 2023-04-25 江南大学 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN116304836A (zh) * 2023-04-03 2023-06-23 中南大学 一种基于领域知识引导的少样本半监督轴承故障诊断方法
CN116484176A (zh) * 2023-04-26 2023-07-25 湖南科技大学 一种基于超小波的轴承故障诊断方法、系统和存储介质
CN116910645A (zh) * 2023-07-04 2023-10-20 浙江工业大学 基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J. J. Q. YU等: "Intelligent Fault Detection Scheme for Microgrids With Wavelet-Based Deep Neural Networks", 《IEEE TRANSACTIONS ON SMART GRID》, vol. 10, no. 2, 22 November 2017 (2017-11-22), pages 1694 - 1703, XP011710397, DOI: 10.1109/TSG.2017.2776310 *
张志刚;陈巧云;马俊;: "基于小波包和EM聚类的采煤机齿轮故障诊断", 煤矿机械, no. 09, 30 September 2020 (2020-09-30), pages 189 - 192 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118521170A (zh) * 2024-07-25 2024-08-20 国网浙江省电力有限公司双创中心 时空感知的楼宇设备运行风险识别模型训练方法与装置
CN118521170B (zh) * 2024-07-25 2024-10-01 国网浙江省电力有限公司双创中心 时空感知的楼宇设备运行风险识别模型训练方法与装置

Also Published As

Publication number Publication date
CN117909668B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
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
CN117909668B (zh) 基于卷积神经网络的轴承故障诊断方法及系统
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN108399277B (zh) 一种基于温度与应变关联性的桥梁损伤识别方法
CN108069308A (zh) 一种基于序贯概率的电扶梯故障诊断方法
CN110333074B (zh) 基于卷积神经网络的多测点传动机构故障诊断方法和系统
CN101799366A (zh) 一种机械故障预测的特征提取方法
CN111637045B (zh) 一种海洋平台空气压缩机故障诊断方法
CN114741945B (zh) 一种航空发动机在线故障的诊断方法
CN116578940A (zh) 一种基于混合深度自编码的轴承故障新类识别与诊断方法
CN112729834A (zh) 一种轴承故障的诊断方法、装置和系统
CN114626625B (zh) 基于多模块U-BiLSTM网络的轴承寿命预测方法
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和系统
CN117076869B (zh) 旋转机械时频域融合故障诊断方法及系统
Xu et al. Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
CN112114215A (zh) 基于误差反向传播算法的变压器老化评估的方法及系统
CN113686577B (zh) 一种基于快速非线性稀疏谱的轴承故障诊断方法
CN115062867A (zh) 基于Teager能量谱和改进型CNN模型的轴承故障预测方法
CN114595525A (zh) 一种基于线性回归和tcn的滚动轴承退化趋势预测方法
CN114580472A (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法

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