CN118070176A - 一种基于并行二维卷积神经网络的电机轴承故障分类方法 - Google Patents
一种基于并行二维卷积神经网络的电机轴承故障分类方法 Download PDFInfo
- Publication number
- CN118070176A CN118070176A CN202410130452.5A CN202410130452A CN118070176A CN 118070176 A CN118070176 A CN 118070176A CN 202410130452 A CN202410130452 A CN 202410130452A CN 118070176 A CN118070176 A CN 118070176A
- Authority
- CN
- China
- Prior art keywords
- parallel
- neural network
- convolutional neural
- fault classification
- motor 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及旋转类机械故障诊断领域，具体是一种基于并行二维卷积神经网络的电机轴承故障分类方法，包括以下步骤：S1，采集目标旋转类机械设备振动信号；S2、数据预处理；S3、搭建并行二维卷积神经网络模型；S4、训练并行二维卷积神经网络；S5、测试并行二维卷积神经网络；S6部署应用。本发明的并行二维卷积神经网络模型从信号重排的灰度图像素矩阵中自适应提取故障特征，避免人为进行特征选取导致的诊断误差，并行卷积神经网络在保持基本卷积思路的基础上，并且使用膨胀卷积扩大对故障特征提取的感受野，以达到提高电机轴承故障分类的精度。
Description
技术领域
本发明属于旋转机械故障诊断技术领域，具体是一种基于并行二维卷积神经网络的电机轴承故障分类方法。
背景技术
滚动轴承作为电机类设备的关键部件，复杂工况下，其性能优劣直接影响电机的运行效率，随着部件恶化，可能导致工作机组性能下降、进而发生设备停机等严重后果。因此，准确、及时地诊断电机类轴承故障对于确保旋转类机械设备的可靠运行至关重要。
机械设备的故障诊断，其核心在于故障模式分类，定位故障模式发生的部件位置。在水泥，煤矿和热电等行业，电机类轴承是最容易出现失效的重要部件之一，并且实际工况导致振动信号存在非平稳性等特征，对故障诊断和分类产生了不利影响。因此，本发明关注在复杂工况下，电机类轴承故障的分类问题，以满足轴承故障诊断的实际工程要求。
现有电机类轴承故障分类的方法主要分为两大类，一种是在时域，频域或者时频域经过复杂的信号处理手段，并结合故障特征机理提取特定的量化指标，特征降维等进行故障分类；另一种是将振动信号作为输入量，通过搭建的深度学习网络模型进行自适应特征提取，实现轴承故障分类。前者需要对信号处理作大量操作，特征降维等存在人工干预性，不适于实际监测设备的大批量数据；后者则未专门考虑振动信号作为网络模型输入时，其他信号重排的可操作性以及鲁棒性的增强，进而对复杂工况的振动信号仍存在分类精度不高的情况。
发明内容
本发明目的在于克服现有技术的不足，提供一种基于并行卷积神经网络的电机轴承故障分类方法，将时域振动信号转化为灰度图像素点分布矩阵，减少直接对振动信号的时域和频域提取特征造成的人为干扰，提高融合图像识别思路的深度学习模型在滚动轴承故障识别中的分类精度。
为实现上述发明目的，本发明提供一种技术方案：一种基于并行二维卷积神经网络的电机轴承故障分类方法，包括以下步骤：
S1、数据采集：采集目标电机设备振动信号
S2、数据预处理：依据时域振动信号长度，调整为二维分布N*N矩阵，并转化为灰度图像素点分布矩阵。其次，将振动数据按照一定比例随机分为训练集和测试集，训练集和测试集，其中/>和/>为信号按列重排后的灰度图像素点矩阵集合，/>和/>为故障标签集合，/>；
S3、搭建并行二维卷积神经网络模型：包含输入层，并行卷积层，并行池化层和3层全连接层和输出层；其中并行卷积层由基本卷积层和膨胀卷积层组成，并在卷积层和池化层之间引入批量归一化，池化层采用最大池化方式，并对并行池化层的输出特征进行扁平化处理，得到一维故障特征向量后作为全连接的输入，经过神经元丢弃算法优化过拟合，最后通过输出层返回识别标签，实现滚动轴承故障分类；
S4、训练并行二维卷积神经网络：用S2步骤中的训练集训练并行二维卷积神经网络，使其输出的故障分类标签与真实的故障标签之间的交叉熵损失函数最小，其公式为：
（1）
其中为预测标签，/>为实际标签；
S5、测试并行二维卷积神经网络：用S2步骤中的测试集测试训练完成的并行二维卷积神经网络模型，直到输出的故障分类精度达到设定精度要求时执行S6步骤，否则，执行S3步骤；
S6：部署应用：测试完成的并行二维卷积神经网络模型对目标电机设备的振动数据执行滚动轴承的故障分类。
优选的，所述S2中振动信号按列重排后预处理方法为将矩阵元素归一化到特定区间，具体公式：
其中，/>,/>为二维矩阵M中元素最大值，/>为二维矩阵M中元素最小值。
优选的，所述S3中的并行二维卷积神经网络分支中至少包含一个卷积层、一个池化层和一个激活层。
优选的，所述S3中的卷积神经网络在卷积层和池化层之间，分别引入批量归一化。
优选的，所述S3中的卷积神经网络在3层全连接层之间嵌入神经元丢弃算法优化过拟合。
本发明具有以下有益效果：
1、本发明提出一种基于并行二维卷积神经网络的电机轴承故障分类方法，采集目标电机设备轴承端的振动数据和标定对应故障类型的标签数据，将振动数据预处理为灰度图像素点分布并分为训练集和测试集，用于训练搭建的并行二维卷积神经网络模型，当训练完成后用于部署应用，对目标的振动信号数据进行故障分类。其中，本方法所提的并行二维卷积神经网络模型，既保留基本的卷积神经网络架构，又引入并行的膨胀卷积核扩大其对输入数据的感受野，并在卷积层和池化层之间引入批量归一化操作，增强模型的泛化能力，其次在全连接层之间采用神经元丢弃算法优化过拟合，进而达到在输出层提高分类精度的效果。
2、本发明所提出的并行二维卷积神经网络模型不需对振动信号的时域和频域特征作复杂的预处理和提取工作量，可快速部署并适用于大数据量的批量处理环境。
附图说明
图1是本发明的流程图；
图2是并行二维卷积神经网络模型的示意图；
图3是实施例所示的数据集的故障类型；
图4是实施例所示的数据集的健康状态和故障状态的轴承振动信号
图5是实施例所示的数据集包含的数据量；
图6是实施例所示的并行二维卷积神经网络模型训练过程和测试过程对应损失函数；
图7是实施例所示的并行二维卷积神经网络模型训练过程和测试测试过程对应分类精度；
图8是实施例所示的并行二维卷积神经网络模型与现有模型的分类精度对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰，完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，均属于本发明保护的范围。
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
请参考图1-图8，本发明提供一种技术方案：一种基于并行二维卷积神经网络的电机轴承故障分类方法，包括以下步骤：
S1、采集目标电机设备振动信号和对应的故障标签/>。
S2、数据预处理：将振动信号随机分成2个无重复子集：训练集和测试集，其中/>和/>为信号按列重排后的灰度图像素点矩阵集合，/>和/>为故障标签集合，/>。
在本实施例中，振动数据预处理的环节1为：信号按列重排为N*N二维矩阵M且满足；环节2为：并对二维矩阵M的元素作[0，255]归一化处理，具体公式为：
其中，/>,/>为二维矩阵M中元素最大值，/>为二维矩阵M中元素最小值。
S3、搭建并行二维卷积神经网络模型（简写为PRL-2D-CNN模型）。该模型包含并行的两路分支：基本卷积核分支和膨胀卷积核分支；两条分支均以二维灰度图像素点矩阵作为输入，并在各自池化层之后进行拼接合并；该模型的输出层为故障分类标签矩阵/>。
图2展示了本实施例中采用的并行二维卷积神经网络模型架构，其中包含1个基本卷积层，1个膨胀卷积层，其膨胀率等于2，2个最大池化层和3个全连接层和一个输出层。其中，卷积层之后引入批量归一化处理，全连接层1与全连接层2和全连接层2和全连接层3之间引入过拟合优化处理操作。卷积层和全连接层采用Relu激活函数，输出层采用Softmax激活函数。
S4、训练并行二维卷积神经网络模型：使用S2步骤中的训练集训练并行二维卷积神经网络模型，使模型输出层的故障标签与真实的故障标签之间的损失函数最小，本实施例中采用交叉熵损失函数作为评估训练过程的损失函数，其公式为：
其中/>为预测标签，/>为实际标签。
S5、测试并行二维卷积神经网络：用S2步骤中的测试集测试训练完成的并行二维卷积神经网络模型，直到输出的故障分类精度达到设定精度要求时执行S6步骤，否则，执行S3步骤；
S6：部署应用：测试完成的并行二维卷积神经网络模型对目标电机设备的振动数据执行滚动轴承的故障分类。
为更好地说明本发明的技术效果，采用一个具体实例对本发明作试验验证。实施例所采用数据为某电机滚动轴承试验台的故障数据集，如图3所示。该数据集包含健康状态和故障状态的加速度振动数据，如图4所示。数据集的样本个数如图5所示。
本实施例中，2种卷积层的卷积核大小均为5*5，卷积核个数为4。全连接层1的神经元个数为1360，全连接层2的神经元个数为50，全连接层3的神经元个数为25，全连接层之间的优化过拟合处理的神经元激活比值为0.3。
本实施例中，图5所示的样本数据中，按训练样本与测试样本2:1的比例进行模型训练和测试。模型训练过程和测试过程的损失函数如图6所示，训练过程和测试过程的分类精度如图7所示。本发明提出的并行二维神经网络模型的平均测试精度为98.72%，满足测试精度要求，训练好的并行二维卷积神经网络可用于目标旋转机械设备轴承的故障分类。
为进一步说明本发明所提出的模型相比现有模型的优势，图8展示了不同CNN模型在该数据集上的分类精度。其中，AD-CNN模型是采用一种自适应方法的卷积神经网络结构。相比图8所示的对比模型，本发明所提的并行二维卷积神经网络模型实现了最优的分类精度，体现出本发明所提方法的优势。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于并行二维卷积神经网络的电机轴承故障分类方法，其特征在于，包括以下步骤：
S1、数据采集：采集目标电机设备振动信号；
S2、数据预处理：根据时域振动信号长度L，信号按列重排为二维分布N*N矩阵，并转化为灰度图像素点分布矩阵，其次，将振动信号数据按照一定分配比例随机分为训练集和测试集，训练集和测试集，其中/>和/>为信号按列重排后的灰度图像素点矩阵集合，/>和/>为故障标签集合，/>；
S3、搭建并行二维卷积神经网络模型：包含输入层、并行卷积层、并行池化层、3层全连接层和输出层，其中并行卷积层由基本卷积层和膨胀卷积层组成，并在卷积层和池化层之间引入批量归一化，池化层采用最大池化方式，并对并行池化层的输出特征进行扁平化处理，得到一维故障特征向量后作为全连接的输入，经过神经元丢弃算法优化过拟合，最后通过输出层返回识别标签，实现电机轴承故障分类；
S4、训练并行二维卷积神经网络：用S2步骤中的训练集训练并行二维卷积神经网络，使其输出的故障分类标签与真实的故障标签之间的交叉熵损失函数最小，其公式为：
（1）
其中为预测标签，/>为实际标签；
S5、测试并行二维卷积神经网络：用S2步骤中的测试集测试训练完成的并行二维卷积神经网络模型，直到输出的故障分类精度达到设定精度要求时执行S6步骤，否则，执行S3步骤；
S6：部署应用：测试完成的并行二维卷积神经网络模型对目标电机设备的振动数据执行滚动轴承的故障分类。
2.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S1中采集的振动信号，不局限于电机设备，也适用于其他旋转类机械设备。
3.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S2中的振动数据预处理的环节1为：信号按列重排为N*N二维矩阵M且满足 ；环节2为：并对二维矩阵M的元素作[0，255]归一化处理，具体公式为：
（2）
其中，,/>为二维矩阵M中元素最大值，/>为二维矩阵M中元素最小值。
4.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S3中的卷积神经网络并行分支中至少包括一个卷积层，一个池化层和一个激活层，合并过程至少包含一个全连接层和输出层。
5.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S3中的卷积神经网络的膨胀卷积核的膨胀率至少大于等于2，全连接层之间神经元丢弃优化过拟合算法中的概率值小于1。
6.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S3中的并行卷积神经网络模型，在输入全连接层之前，对并行特征向量作一维平铺操作，也可进行特征向量再卷积或者数量积操作。
7.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S4中的交叉熵损失函数的故障标签输入类型为独热标签，因此计算交叉熵损失函数时，需要将各个故障类型的损失函数求和后获得该值。
8.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S5中的卷积神经网络梯度更新采用自适应矩估计优化算法，但不局限于该梯度算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130452.5A CN118070176A (zh) | 2024-01-31 | 2024-01-31 | 一种基于并行二维卷积神经网络的电机轴承故障分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130452.5A CN118070176A (zh) | 2024-01-31 | 2024-01-31 | 一种基于并行二维卷积神经网络的电机轴承故障分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118070176A true CN118070176A (zh) | 2024-05-24 |
Family
ID=91106649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410130452.5A Pending CN118070176A (zh) | 2024-01-31 | 2024-01-31 | 一种基于并行二维卷积神经网络的电机轴承故障分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118070176A (zh) |
-
2024
- 2024-01-31 CN CN202410130452.5A patent/CN118070176A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| CN110929765B (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
| CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN116416497B (zh) | 一种轴承故障诊断系统及方法 | |
| CN113469219B (zh) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 | |
| CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
| CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
| CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
| CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
| CN116502135A (zh) | 一种轴承故障诊断方法及系统 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| 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 | |
| CN113705405B (zh) | 一种核管道故障诊断方法 | |
| CN114840938A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
| CN112634391B (zh) | 一种基于压缩感知的灰度图像深度重建及故障诊断系统 | |
| Su et al. | High-Similarity-Pass Attention for Single Image Super-Resolution | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN112683533A (zh) | 一种用于轴承故障诊断的信号增强方法及系统 | |
| CN117150357A (zh) | 基于多传感器相关特征融合的旋转机械设备故障诊断方法 | |
| CN118070176A (zh) | 一种基于并行二维卷积神经网络的电机轴承故障分类方法 |
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 |