基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法转让专利
申请号 : CN201910886575.0
文献号 : CN110595775B
文献日 : 2021-03-30
发明人 : 刘志亮 , 王欢 , 彭丹丹 , 郝逸嘉 , 张峻浩
申请人 : 电子科技大学
摘要 :
权利要求 :
1.一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1:以采样频率fs采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号xm[n],其中m=1,2,…,M,M表示所采集的加速度振动信号的数量,n=1,2,…,N,N表示每个加速度振动信号中的采样点数量,从而获取加速度振动信号集X={x1[n],x2[n],...,xM[n]};并根据各个加速度振动信号xm[n]所对应的故障状态,设置故障状态标签;
S2:对每一个加速度振动信号xm[n]进行标准化处理,得到信号S3:构建多分支多尺度卷积神经网络模型,包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层,其中:低频分支卷积网络用于提取输入信号中的低频分量,并通过卷积操作得到其输出特征L
y;
I
恒等映射分支卷积网络用于对输入信号进行恒等映射操作,得到输出特征y;
D
去噪分支卷积网络用于对输入信号进行去噪处理,并通过卷积操作得到其输出特征y;
L I D
特征融合层用于将三个分支卷积网络的输出特征y 、输出特征y 和输出特征y 拼接成C L I D
特征向量y=[y ,y ,y],并进行特征融合得到输出特征y;
全局平均池化层用于对特征y进行全局平均池化,得到特征y对应特征图的平均值,将得到的平均值输入至Softmax层;
Softmax层根据全局平均池化层得到的平均值估计得到各个故障状态的概率分布,将最大概率对应的故障状态作为故障诊断结果;
S4:将步骤S2处理得到的各个信号 作为多分支多尺度卷积神经网络模型的输入,对应的故障状态标签作为多分支多尺度卷积神经网络模型的期望输出,对多分支多尺度卷积神经网络模型进行训练;
S5:以相同采样频率fs采集当前滚动轴承的加速度振动信号xtest[n],采用步骤S2中的相同方法对其进行标准化处理,得到信号S6:将信号 输入至步骤S104训练好的多分支多尺度卷积神经网络模型中,得到当前滚动轴承的故障诊断结果。
2.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述步骤S2中标准化处理的公式如下:
其中,μm是xm[n]中所有采样点数据的平均值,σm是xm[n]中所有采样点数据的标准差。
3.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述步骤S3中低频分支卷积网络包括滑动平均滤波器和若干级联的卷积层,其中滑动平均滤波器对输入的信号进行滑动平均滤波,将得到的信号输入第一层卷积层中,将最后一层卷积层的输出作为低频L
分支的输出特征y。
4.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述步骤S3中恒等映射分支卷积网络包含若干个级联的、不同尺度特征学习能力的卷积模块,其中每个卷积模块包含若干个并列的卷积层和一个特征融合层,这些并列卷积层的输出特征按照特征通道拼接成一个特征向量输入特征融合层,由特征融合层进行特征融合处理后输出至后一个卷积I
模块;将最后一个卷积模块的输出作为恒等映射分支的输出特征y。
5.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述步骤S3中去噪分支卷积网络包括一维高斯滤波器和若干级联的卷积层,其中一维高斯滤波器对输入的信号进行高斯滤波,将得到的信号输入第一层卷积层中,将最后一层卷积层的输出作为低频分支D
的输出特征y。
说明书 :
基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法
技术领域
背景技术
极易引起疲劳、裂纹、剥蚀等故障,这些故障将会使轴承的旋转精度降低,产生振动、噪声,
增加轴承旋转的阻力,最终使轴承受到阻滞和卡死,造成整个机械系统的失效,因此对轴承
的故障检测非常重要。
到滚动轴承的故障诊断结果,如K最近邻、随机森林、朴素贝叶斯和支持向量机等。传统智能
故障诊断方法具有以下缺点:1)滚动轴承的振动信号受其他运动部件和结构的影响,其振
动特性非常复杂,手动提取的特征不能充分表征滚动轴承复杂的动力学特性。2)在强噪声
环境下,与故障相关的信号特征被噪声完全淹没;在变载荷工况下,故障特征分布在不同的
特征区间,因此,手动提取的特征不能真实地反映轴承故障特征的内在特性。3)这些机器学
习分类算法属于浅层模型,难以学习到振动信号复杂的非线性关系,容易造成误判。
们应用到旋转机械故障诊断中。然而在强噪声环境和变载荷工况下,滚动轴承振动信号的
故障特征提取更具挑战性,以上方法在强噪声和变载荷工况下的滚动轴承故障诊断任务中
表现欠佳。
发明内容
性能。
表示每个加速度振动信号中的采样点数量,从而获取加速度振动信号集X={x1[n],x2
[n],...,xM[n]};并根据各个加速度振动信号xm[n]所对应的故障状态,设置故障状态标签;
特征y;
征y;
接成特征向量y=[y ,y ,y],并进行特征融合得到输出特征y;
尺度卷积神经网络模型进行训练;
号所对应的故障状态设置故障状态标签,对每个加速度振动信号进行标准化处理,作为训
练样本对多分支多尺度卷积神经网络模型进行训练,多分支多尺度卷积神经网络模型包括
低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池
化层和Softmax层,然后采集滚动轴承当前的加速度振动信号,送入多分支多尺度卷积神经
网络模型进行故障诊断。
习能力;
状态。
附图说明
具体实施方式
会淡化本发明的主要内容时,这些描述在这里将被忽略。
法的具体步骤包括:
示每个加速度振动信号中的采样点数量,从而获取加速度振动信号集X={x1[n],x2
[n],...,xM[n]}。并根据各个加速度振动信号xm[n]所对应的故障状态,设置故障状态标签。
照预设步长对每个加速度振动信号xm′[n′]进行滑动分割,将所得到的子信号即作为加速度
振动信号xm[n]。
映射分支卷积网络、去噪分支卷积网络,还包括对三个分支的输出特征进行融合和后续处
理的特征融合层、全局平均池化层和Softmax层,下面分别对每个组成部分进行详细说明。
特征y。
L
后一层卷积层的输出作为低频分支的输出特征y。
含若干个并列的卷积层和一个特征融合层,这些并列卷积层的输出特征按照特征通道拼接
成一个特征向量输入特征融合层,由特征融合层进行特征融合处理后输出至后一个卷积模
I
块。将最后一个卷积模块的输出作为恒等映射分支的输出特征y。
卷积模块中的并列卷积层数量为H,那么各个卷积层的输出o可表示为:
中wh的大小为1×2 k,k为对应卷积模块的卷积核长度。βh(·)指ReLU,BN和dropout操作的
h 1 2 H
函数变换。H个输出o按特征通道拼接成特征向量O=[o ,o ,...,o ],并将其输入到特征融
s
合层中,即可得到该卷积模块的输出y。
络的深度;2)深层多尺度卷积神经网络中卷积核的大小和dropout率随着深度的增加而减
小;3)多尺度卷积神经网络中通道数随深度的增加而增大。图4是本实施例中恒等映射分支
卷积网络的结构图。如图4所示,本实施例中恒等映射分支卷积网络中卷积模块的数量为5,
每一层对应的卷积核长度k分别是6、5、4、3、2,卷积通道数C分别为16、32、64、128、256,卷积
步长S分别为4、4、2、2、2,dropout率D分别为0.5、0.4、0.3、0.2、0.1。在实际应用中,如果需
要更好地提取复杂信号的特征,可以堆叠更多的多尺度卷积神经层,并调整通道数和卷积
核大小等。
征y。
D
层卷积层的输出作为低频分支的输出特征y。
接成特征向量y=[y ,y ,y],并进行特征融合得到输出特征y。输出特征y可以表示如下:
度卷积神经网络模型进行训练。
动轴承试验台的结构示意图。如图5所示,本实施例中所采用的滚动轴承故障诊断试验台包
括驱动电机、皮带传动系统、垂直加载装置、横向加载装置、两个风扇电机和控制系统。垂直
和侧向载荷加载装置的设计用于模拟滚动轴承承载的轴向和侧向的载荷。两个风扇电机可
以产生与滚动轴承运行方向相反的风。通过两个加速度计确保滚动轴承水平方向和垂直方
向的振动都能被检测到,信号的采样频率设置为5120Hz。
150km/h和180km/h,四种不同的垂向的载荷:56kN、146kN、236kN和272kN,以及两个轴向的
负载:0kN和20kN。因此,每种故障状态包括四十种不同的工况。通过对原始采集的加速度振
动信号进行数据扩展之后,总共有188088个样本,采用其中142596个样本作为训练样本,另
外45492个样本作为测试样本。
的是Ubuntu 16.04操作系统、Intel Core i7‑6850K CPU和GTX1080TI GPU。在训练过程中,
每个批次的大小设置为96,交叉熵损失函数和Adam优化算法的学习率为0.0001。
了三组不同SNR(‑6dB,0dB和6dB)噪声信号的实验,分别模拟滚动轴承所处的强中弱的噪声
工况。每一组实验均采用4倍交叉验证。同时以完全相同的训练策略对本发明和其他五种对
比方法方法进行实验和对比。这五种对比方法分别是基于2维CNN的Wen‑CNN(见文献
“L.Wen,X.Li,L.Gao,and Y.Zhang,"A new convolutional neural network‑based data‑
driven fault diagnosis method,"IEEE T.Ind.Electron.,65,pp.5990‑5998,(2018).”)
和ADCNN(见文献“X.Guo,L.Chen and C.Shen,"Hierarchical adaptive deep
convolution neural network and its application to bearing fault diagnosis,"
Measurement,93,pp.490‑502,(2016).”),基于1维CNN的WDCNN(见文献“W.Zhang,G.Peng,
C.Li,Y.Chen,and Z.Zhang,"A new deep learning model for fault diagnosis with
good anti‑noise and domain adaptation ability on raw vibration signals,"
Sensors‑Basel,17,pp.425‑446,(2017).”),基于多尺度学习的CNN方法:MSCNN(见文献
“G.Jiang,H.He,J.Yan,and P.Xie,"Multiscale convolutional neural networks for
fault diagnosis of wind turbine gearbox,"IEEE T.Ind.Electron.,PP,pp.1‑12,
(2018).”),与文献“G.F.Bin,J.J.Gao,X.J.Li,and B.S.Dhillon,"Early fault
diagnosis of rotating machinery based on wavelet packets—Empirical mode
decomposition feature extraction and neural network,"Mech.Syst.Signal Pr.,27,
pp.696‑711,(2012).”中相同结构的4层BPNN。本发明中多分支多尺度卷积神经网络模型中
恒等映射分支卷积网络的每个MSC模块采用了4个尺度,即h=4。
的功率是原始信号功率的大约3.98倍),本发明仍然获得了93.97%的诊断性能。而且,其相
比Wen‑CNN有几乎22%的提升,说明本发明在无任何额外的去噪预处理的情况下,具有较强
的抗噪性能。此外,BPNN在所有方法中准确率最低,这说明基于CNN的方法能更好地适用于
滚动轴承的故障诊断。MSCNN在噪声环境下表现不佳,说明本发明能够从振动信号中提取更
丰富更全面的判别特征,并且自适应地融合优化多种特征从而使模型做出更准确的判断。
另一方面,从标准差结果看到,本发明在任何噪声下的标准差均是最小的,说明本发明的模
型稳定性优于其他五种对比方法。
and 272kN。将其中一种载荷数据作为测试集,其他三种载荷作为训练集,共得到4组实验数
据。每一组数据均进行三次重复实验。
作负载变化时,本发明在不需要任何域适应算法处理下具有相当好的诊断性能。从准确率
的变化趋势来看,载荷越小,各个方法的准确率越低。这是由于载荷越小,相应的故障特征
越微弱,从其他载荷数据学习的强故障特征无法很好地适用于弱故障特征的识别。但是,本
发明在小载荷(如56kN)的准确率为87.61%,在所有方法中性能最优,体现出模型学习的故
障特征具有良好的泛化性。此外,可以看到本发明在对比方法中具有最好的域适应性能,这
说明多尺度学习能更有效地挖掘出原始信号中更具有判别性的故障特征。然而,在56kN载
荷下,本发明的准确率比MSCNN高出近10%,这再次说明了本发明具有更强大的多尺度学习
能力和更有效的多特征融合能力。另一方面,从标准差结果来看,本发明的模型稳定性整体
优于其他对比方法。综上所述,本发明更适用于滚动轴承的故障诊断。
术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些
变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。