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技术

本发明专利技术属于机械故障诊断领域，特别涉及到Morlet小波变换和卷积神经网络的应用。具体是提出了一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法。直接将振动信号的Morlet小波变换系数矩阵归一化后作为卷积神经网络的输入。在卷积神经网络的训练阶段，采用带标签有监督的学习算法，使用极小化适应函数的准则，利用带动量的梯度下降法调整各层的权值和偏置。将训练好的卷积神经网络用于轴承故障的分类，对分类结果进行解释就实现了对轴承故障的诊断。本发明专利技术创造性地将Morlet小波变换和卷积神经网络结合起来用于轴承故障的诊断，在原始分类数据的处理上比现有的技术简单，经测试，对于自建的样本库能到达80％以上的诊断识别率。

【技术实现步骤摘要】

本专利技术涉及机械故障诊断领域，特别涉及到Morlet小波变换和卷积神经网络的应用。
技术介绍
滚动轴承在工业生产中应用广泛，尤其在旋转机械设备中承担重要角色，其健康状况直接影响整个设备的工作状态，因此，对轴承故障诊断的研究具有十分重要的意义。振动信号分析是轴承故障诊断最常用，也是最行之有效的方法。小波变换的窗口具有很好的自适应特性和平移功能，能使高频处时间分辨高，频率分辨率低；而低频处时间分辨率低，频率分辨率高，因而广泛运用在机械故障诊断等工程应用中。轴承故障诊断实际上属于模式识别的范畴，是一个提取轴承故障特征然后进行分类的过程。也即是设计一个非线性分类器，实现特征空间到模式空间的映射。常用的非线性分类器有BP神经网络、支持向量机(SVM)、径向基网络等。卷积神经网络(Convolutional NeuralNetworks，CNN)是最近发展起来的一种非线性分类器，相比于其他深层网络，CNN的关键在于引入了卷积、采样和权值共享的概念，由于这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性，近年来在图像处理领域越来越受到重视：2012年，Krizhevsky等使用卷积神经网络搭建的系统，在ImageNet图像数据集中将分类错误率从25％下降到17％；2014年，Facebook搭建的卷积神经网络系统在人脸验证上将正确率提高到97.25％，而人眼辨识的正确率是97.53％。综上，小波变换在轴承故障诊断中已应用非常广泛，但大多需要分析故障信号的小波尺度谱、功率谱等，以人工确定故障类型。也出现过很多应用神经网络、支持向量机等人工智能方法进行轴承故障的自动分析和诊断，本专利技术所述的卷积神经网络在轴承故障诊断的应用尚属首次。
技术实现思路
本专利技术的目的是提供一种基于Morlet小波变换和卷积神经网络的轴承故障诊断的方法。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主要包括以下4个步骤：步骤(1)、通过对轴承振动信号进行Morlet小波变换，用小波变换的系数矩阵作为原始的分类数据。步骤(2)、通过设计卷积神经网络作为轴承故障的分类器，其中，卷积神经网络包括卷积与池化层、全连接层和分类输出层。卷积与池化层和全连接层用于从原始的分类数据中提取分类特征，分类输出层用于轴承故障分类。步骤(3)、利用包含不同轴承故障类型的特征样本库训练步骤(2)的网络，其中，训练方式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络权值和偏置值。步骤(4)、利用步骤(3)训练好的网络，对类别未知的轴承故障进行分类，对分类结果进行解释就实现了轴承故障的诊断。本专利技术的有益效果：1、将Morlet小波变换与卷积神经网络结合，直接用归一化后的小波系数矩阵作为轴承故障诊断的原始数据，不需要进行额外处理。2、通过合理的设计卷积神经网络结构，有针对地训练，达到了90％以上的故障识别率。附图说明为了更清楚地说明本专利技术的实施以及现有的技术方案，下面对实施例及现有技术描述需要使用的附图作简单介绍。图1是现有基于Morlet小波变换的轴承故障诊断的一般方法；图2是不同波形参数β下Morlet母小波的时域波形图和频谱图；图3是波形参数β＝1，不同尺度参数a下Morlet母小波的时域波形图和频谱图；图4是本专利技术所述的卷积神经网络的结构图；图5是本专利技术所述的轴承故障诊断流程图；具体实施方式下面结合本专利技术的附图，对本专利技术的实施方案进行清楚地描述。所描述的实例仅仅是
本专利技术的一部分实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。1、采用Morlet小波变换提取轴承故障的时频分类特征：首先确定Morlet母小波基，然后确定尺度参数，构成小波变换基，最后对轴承的振动信号进行小波变换，得到由时间信息和频率信息组成的分类特征；其中Morlet小波的母波为其中，β称为波形参数，它决定了Morlet母小波的形状，如图2所示。母小波的形状越与被分析信号相似，信号中的特征成分越能被清晰地提取出来；尺度参数a决定了母小波的伸缩特性，如图3所示。在波形参数确定的前提下，参数a决定了小波的带通宽度，从而影响小波变换的分辨率。特别地，本专利技术取波形参数β＝0.7，尺度参数a＝1时窗口长度为10，频率轴划分为1024,对轴承的振动信号进行连续小波变换，得到小波系数矩阵。其中，信号x(t)的连续小波变换的公式为2、采用设计的卷积神经网络(Convolutional Neural Networks，CNN)建立轴承故障诊断模型。特别地，本专利技术所述的卷积神经网络包括：1个输入层、4个卷积与池化层，1个全连接层，1个分类输出层。卷积层的卷积核大小分别为：11x11、5x5、5x5、5x5，特征图的个数分别为30、50、50、40，池化层的窗口大小为2x2的最大池；全连接层为200个神经元；分类输出层为16神经元，共16个故障类别，采用softmax回归分类器，如图4所示。每一个卷积层的输入均来自上一个卷积层经池化得到的特征图，激活函数选用Sigmoid函数。特别地，本专利技术采用的训练方式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络权值和偏置值。适应函数取如(式2)所示的平方误差函数式中，N为样本总数，C为输出向量的维数，tpj和opj分别为期望输出的向量的第j个元素。本专利技术采用自建的样本数据库，共收集了16种轴承故障样本，样本由振动信号和类别标签组成，振动信号的采样频率均为12KHz共1024个采样点。每种故障的训练样本数为6000，测试样本数为3000。经测试每种故障的诊断识别率在80％以上，比较令人满意。本文档来自技高网...

【技术保护点】
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，其特征在于，故障分类特征的提取和故障分类器的设计，包括以下步骤：步骤(1)、通过对轴承振动信号进行Morlet小波变换，用小波变换的系数矩阵作为原始的分类数据；步骤(2)、通过设计卷积神经网络作为轴承故障的分类器，包括卷积与池化层、全连接层和分类输出层，卷积与池化层和全连接层用于从原始的分类数据中提取分类特征，分类输出层用于轴承故障分类；步骤(3)、利用包含不同轴承故障类型的特征样本库训练步骤(2)的网络，其中，训练方式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络权值和偏置值；步骤(4)、利用步骤(3)训练好的网络，对类别未知的轴承故障进行分类，对分类结果进行解释就实现了轴承故障的诊断。

【技术特征摘要】
1.一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法，其特征在于，故障分类特征的提取和故障分类器的设计，包括以下步骤：步骤(1)、通过对轴承振动信号进行Morlet小波变换，用小波变换的系数矩阵作为原始的分类数据；步骤(2)、通过设计卷积神经网络作为轴承故障的分类器，包括卷积与池化层、全连接层和分类输出层，卷积与池化层和全连接层用于从原始的分类数据中提取分类特征，分类输出层用于轴承故障分类；步骤(3)、利用包含不同轴承故障类型的特征样本库训练步骤(2)的网络，其中，训练方式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络权值和偏置值；步骤(4)、利用步骤(3)训练好的网络，对类别未知的轴承故障进行分类，对分类结果进行解释就实现了轴承故障的诊断。2.根据权利要求1所述一种基于Mor...

【专利技术属性】
技术研发人员：史永宏，罗鑫，刘新平，宋继志，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37