基于多属性卷积神经网络的旋转机械故障定量诊断方法技术

本发明专利技术公开一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，属于机械故障诊断技术领域。该诊断方法包括如下步骤：从旋转机械振动数据中提取足够多样本点并赋予相应的多属性标签，搭建多属性卷积神经网络，训练多属性卷积神经网络，测试时创建多个样本点数据，用训练好的多属性卷积神经网络对测试样本点进行诊断，完成对旋转机械故障的定量诊断。传统的故障诊断方法需人工提取特征，准确率低，泛化性能差，方法复杂难懂，且无法诊断出故障大小，难于工程推广。本发明专利技术基于多属性卷积神经网络的旋转机械故障定量诊断方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，且能有效的诊断出故障类型和故障大小，易于工程推广。

A quantitative diagnosis method for rotating machinery fault based on multi attribute convolution neural network

The invention discloses a quantitative diagnosis method of rotating machinery fault based on multi attribute convolution neural network, which belongs to the technical field of mechanical fault diagnosis. The method includes the following steps: extracting enough sample points and multiple attribute tag from the corresponding rotating machinery vibration data, build multi attribute convolutional neural network training, multi attribute convolutional neural network, to create a number of sample data points when testing for diagnosis of test sample with multi attribute convolutional neural network trained complete, quantitative fault diagnosis of rotating machinery. Traditional fault diagnosis methods need to extract features artificially, with low accuracy, poor generalization performance, complex and difficult methods, and unable to diagnose the size of faults, so it is difficult for engineering popularization. The fault diagnosis method of rotating machinery based on multi-attribute convolution neural network is able to automatically extract features, high accuracy and generalization performance, and is simple and easy to understand, and it can effectively diagnose fault types and fault sizes, and is easy to popularize in engineering.

【技术实现步骤摘要】
基于多属性卷积神经网络的旋转机械故障定量诊断方法
：本专利技术属于机械故障诊断
，具体涉及一种基于多属性卷积神经网络的旋转机械故障定量诊断方法。
技术介绍
：旋转机械是工业中应用最广泛的机械零件之一，同时也是易损部件，它的运行状态直接影响到整台设备的性能。旋转机械主要包括轴承和齿轮。据不完全统计，机械故障中30％的故障是由旋转机械引起的。而旋转机械一旦发生故障，将造成直接、间接的损失是巨大的，由于无法对旋转机械做出定量诊断，导致传统的设备维修制度如：事后维修及预先维修，都会带来一定的损失或者是造成严重的浪费，所以对旋转机械检故障定量诊断具有重大的现实意义。本专利技术中所述的故障定性诊断，是指仅诊断故障类型，如无故障、内圈故障、滚动体故障和外圈故障等。本专利技术中所述的故障定量诊断，是指不仅要诊断故障类型，还要同时诊断故障大小，甚至载荷大小。故障类型，故障大小，载荷大小等定义为故障属性。故障属性下的具体种类定义为属性种类，无故障、内圈故障、滚动体故障和外圈故障等是故障类型下的具体属性种类。本专利技术所述的故障大小分类为多级，具体属性种类为无故障，轻微、中等、较重、严重五级。本专利技术所述的载荷大小分类为多级，具体属性种类为无载荷，轻微、中等、严重四级。本专利技术所述的每个故障属性下的属性种类是互斥的，例如故障类型只能是单一故障，不能是复合故障。本专利技术所述的多属性卷积神经网络就是能同时诊断各种故障属性，而传统的卷积神经网络只能诊断一种故障属性，传统的卷积神经网络可以看作是多属性卷积神经网络的特例，即多属性卷积神经网络只诊断一种属性，本专利技术称之为单属性卷积神经网络。传统的旋转机械故障诊断方法都是针对故障类型进行识别，无法实现对故障大小的识别，而且识别方法需要依靠人工提取特征，算法复杂，效果不佳，因此本专利技术提出一种基于多属性卷积神经网络的旋转机械故障定量诊断方法。
技术实现思路
：本专利技术目的在于提供一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，以解决传统旋转机械故障诊断方法诊断效果差，无法诊断故障大小，难以实际运用的技术问题。本专利技术所提供的一种基于多属性卷积神经网络的旋转机械故障定量诊断方法具体步骤如下：(1)数据准备阶段：采集各种工况下旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库，训练数据库由训练集和验证集组成，一个样本点包括数据和多属性标签。(2)创建阶段：创建多属性卷积神经网络。(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数，激活函数优先选择max(-1，x)。(4)测试阶段：采集待诊断的旋转机械振动数据，从旋转机械振动数据中创建足够多数据样本点，用训练好的多属性卷积神经网络对数据样本点进行诊断，完成对旋转机械故障的定量诊断。进一步，步骤(1)中所述的数据准备阶段包含如下子步骤：步骤S11，样本点数据准备阶段：对于每种工况下采样数据，优先采用随机方式创建，即在随机位置处截取振动数据中的大于一个数据周期长度的连续数据点作为一个样本点数据，优先选择k*2n个数据点作为一个样本点数据，其中k＝1或3，n是整数；所述旋转机械中转子旋转一圈，采样的数据点个数定义为数据周期。随机创建方式的优点是卷积神经网络泛化能力强，分类精度高。当然还可以采用任何其他创建方式，只要能截取振动数据中的大于一个周期长度的连续数据点作为一个样本点数据，优先选择k*2n个数据点作为一个样本点数据，其中k＝1或3，n是整数。步骤S12，样本点多属性标签创建阶段：旋转机械故障属性的数目为M，则样本点多属性标签有M维，每维数值是故障属性下的属性种类的序号。步骤S13，重复步骤S11、S12，创建足够多的样本点作为训练数据库；进一步，步骤(2)中的所述多属性卷积神经网络SoftMax(软最大化)输出层以前的网络结构可以参考LeNet、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet等经典单属性卷积神经网络的基础上设计，或自行设计。步骤(2)中多属性卷积神经网络的创建方式为：多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)；卷积层的卷积模板尺寸为3*1，除了最后一层为1*1，卷积层步长均为1*1；最大池化层池化窗口均为2*1，步长均为2*1；输入层大小为H*1*K，其中H为样本点长度,K为数据维度即传感器数目；单属性卷积神经网络的SoftMax输出层是由一个scorevector(得分向量)组成的，本专利技术多属性卷积神经网络的SoftMax输出层由M个scorevector组成。旋转机械的每个故障属性用一个scorevector表示，每个scorevector的维数等于对应故障属性下属性种类数目。单属性卷积神经网络的风险损失是单个交叉熵函数，本专利技术的多属性卷积神经网络的风险损失是M个交叉熵函数的加权平均值。单属性卷积神经网络的一个样本点i的风险损失为：式中：向量s是得分向量，yi为样本点i的标签。多属性卷积神经网络的一个样本点i的风险损失为：式中：M是故障属性数目，Lik是故障属性k的风险损失，λk是故障属性k的权重，向量sk是故障属性k的得分向量，nk是故障属性k的属性种类数目，向量yi是多属性标签，yik为故障属性k的多属性标签的序号。进一步，步骤(4)中为：将待诊断的样本点输入训练好的多属性卷积神经网络中，SoftMax输出层输出M个scorevector，每个scorevector中最大值所在位置序号诊断为属性种类的序号，这M个属性种类的序号组成的向量为一个多属性标签，每个样本点诊断出一个多属性标签，则多个样本点诊断出多个多属性标签，采用出现次数最多的多属性标签作为旋转机械的定量故障诊断结果。现有的旋转机械故障诊断方法存在很多不足：(1)人工提取特征，耗时耗力，且特征提取方法复杂难懂，一般工程人员难以掌握；(2)诊断方法效果不好，准确率不高；(3)诊断方法泛化能力不足，很难在实际情况推广运用；(4)一般只能诊断故障类型，不能诊断故障大小。对比于传统旋转机械故障诊断方法，本专利技术提出的定量诊断方法克服了上述四个缺点，具有如下优点：(1)本专利技术诊断方法通过多属性卷积神经网络自动提取特征，不需人工参与，方法简单易懂，便于工程推广；(2)诊断方法效果好，准确率高(3)诊断方法泛化能力强，能在实际故障诊断中取得良好效果；(4)能诊断故障大小。附图说明：图1是本专利技术所创建的多属性卷积神经网络结构图；图2是本专利技术中样本点的创建方式示意图；图3是本专利技术中卷积层的计算方式示意图；图4是本专利技术中最大池化层计算方式示意图；图5是本专利技术中多属性标签输出示意图。具体实施方式：本实施例以美国凯斯西储大学(CaseWesternReserveUniversity)采集的轴承数据集为例，说明本专利技术的具体诊断过程和效果。美国凯斯西储大学采集实验平台包括一个2马力的电机(左侧，1马力＝746w)，一个转矩传感器(中间)，一个功率计(右侧)和电子控制设备。试验台包括驱动轴端和输出端轴承，加速度传感器分别安装在电机壳体的驱动端和输出端12点钟的位置。振动信号是通过16通道的DAT记录器采本文档来自技高网...

【技术保护点】
一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述诊断方法具体步骤如下：(1)数据准备阶段：采集各种工况下旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库，训练数据库由训练集和验证集组成，所述样本点包括数据和多属性标签；(2)创建阶段：创建多属性卷积神经网络；(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数；(4)测试阶段：采集待诊断的旋转机械振动数据，从振动数据中创建足够多数据样本点，用训练好的多属性卷积神经网络对所述数据样本点进行诊断，完成对旋转机械故障的定量诊断。

【技术特征摘要】
1.一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述诊断方法具体步骤如下：(1)数据准备阶段：采集各种工况下旋转机械振动数据，从旋转机械振动数据中创建足够多样本点，这些样本点构成训练数据库，训练数据库由训练集和验证集组成，所述样本点包括数据和多属性标签；(2)创建阶段：创建多属性卷积神经网络；(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数；(4)测试阶段：采集待诊断的旋转机械振动数据，从振动数据中创建足够多数据样本点，用训练好的多属性卷积神经网络对所述数据样本点进行诊断，完成对旋转机械故障的定量诊断。2.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(1)中所述样本点和所述步骤(4)中所述数据样本点中的数据创建方式为：采用随机方式创建，即对于每种工况下采样数据，在随机位置处截取振动数据中大于一个数据周期长度的连续数据点作为一个样本点，优先选择k*2n个数据点作为一个样本点，其中n为正整数，k＝1或3，所述旋转机械中转子旋转一圈，采样的数据点个数定义为数据周期。3.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(1)中所述样本点中的多属性标签创建方式为：旋转机械故障属性的数目为M，则样本点多属性标签有M维，每维数值是故障属性下的属性种类的序号。4.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法，其特征在于所述步骤(2)中多属性卷积神经网络的创建方式为：多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)；卷积层的卷积模板尺寸为3*1，除了最后一层为1*1，卷积层步长均为1*1；最大池化层池化窗口均为2*1，步长均为2*1；输入层大小为H*1*K，其中H为样本点长度，K为数据维度，即传感器数目；软最大化输出层由M个得分向量组成，旋转机械的每个故障属性用一个得分向量表示，每个得分向量的维数等于对应故障属性下属性种类数目；最后三层特征图大小等于M个得分向量维数之和；风险损失是M个交叉熵函数的加权平均值；所述多属性卷积神经网络的一个样本点i的风险损失为：

【专利技术属性】
技术研发人员：单建华，佘慧莉，吕钦，张神林，王孝义，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽,34