一种自动学习特征表达的滚动轴承在线故障诊断方法技术

本发明专利技术涉及一种自动学习特征表达的滚动轴承在线故障诊断方法，针对原有故障诊断方法提取特征表达需要大量信号处理相关知识并且需要离线手动选择特征的缺点，首先，获取程序数据样本，对加速度信号进行下采样处理获得加速度信号的子样本，再对子样本进行滤波及标准化预处理；然后构建自动特征学习网络模型，采用不同深度及不同尺寸的卷积核对不同频域的子样本进行特征提取；最后将融合后的特征送到两层长短时记忆神经网络，经过迭代训练，生成可映射轴承振动加速度数据和故障类型间联系的模型。

An on-line fault diagnosis method of rolling bearing based on automatic learning feature representation

【技术实现步骤摘要】
一种自动学习特征表达的滚动轴承在线故障诊断方法
本专利技术涉及一种自动学习特征表达的轴承故障在线诊断方法，具体涉及一种基于卷积神经网络和循环神经网络的滚动轴承故障诊断方法。
技术介绍
滚动轴承是机械设备中最常见的设备，它被认为是工业制造中最关键的机械部件，轴承对于机械设备的正常运行起着至关重要的作用。旋转机械设备的动力情况很大程度上取决于轴承的健康状态，而轴承故障几乎占这些设备可能故障的45%-55%。当今主流的轴承故障诊断方法大致可以分为三步：首先获取原始振动信号，接着对振动信号分析和处理，最后进行故障模式的识别。振动信号的处理可以理解为故障特征提取的过程，这一步对诊断结果的好坏往往起着非常重要的作用。目前常用的滚动轴承诊断信号特征提取方法包括时域分析、频域分析和时频域分析。这三种方法通常需要检测人员具备充足的信号处理相关知识，并且需要采集完振动加速度信号后离线完成，这不仅提高了故障诊断的门槛还大大降低了故障诊断的效率。本专利技术将传感器采集到的振动加速度信号直接输入模型，模型自动完成故障特征的提取和多种故障分类操作并能取得较高的准确率，从而提高了轴承故障诊断的效率。
技术实现思路
针对现有技术中的不足，本专利技术的目的是提供一种高效的轴承故障诊断方法，以实现轴承故障的在线诊断。本专利技术的目的是采用下述技术方案实现的：对采集的故障加速度数据进行下采样处理构建子样本，对子样本滤波和标准化处理，划分预处理样本，构建特征提取网络和故障分类网络，学习故障数据与故障加速度之间的映射关系。进一步的，从采集到的加速度数据中每8个数据选取一个数据作为网络的输入数据。进一步的，采用维纳滤波过滤输入数据中的高频噪声，并将数据标准化处理使数据分布在-1和1之间。进一步的，将9种故障状态和1种健康状态划分成训练集和测试集两部分，训练集用于训练故障诊断模型，验证集用于阶段性的验证故障诊断模型的诊断效果。其中9种故障状态包括：滚动体故障、内圈故障和中心位置在6点钟方向的外圈故障，每种故障包含0.007mm、0.014mm和0.021mm3种不同故障深度。进一步的，所述特征提取网络包含两个不同深度和不同卷积核大小的卷积神经网络（CNN），卷积核大小为20的卷积神经网络负责学习输入信号的低频特征，卷积核大小为6的卷积神经网络负责学习输入信号的高频特征，最后使用点积方法将两个不同特征融合为一个含有810个特征的矩阵。进一步的，所述故障分类网络由两个长短时记忆神经网络（LSTM）构成，长短时记忆神经网络的网络单元包含输入门、遗忘门和输出门，三个门决定输入是否重要到能被记住以及能不能被输出。进一步的，所述特征提取网络从振动加速度数据中学习故障特征表达，然后将特征表达送入故障分类网络，故障分类网络输出的信息通过softmax函数得到故障预测的概率分布。将训练集输入到故障诊断模型进行训练，每训练完成一轮，输入验证集对故障诊断模型进行一次故障诊断准确率验证。若故障诊断准确率达到设定的准确率，则停止训练并保存当前模型参数作为故障诊断模型的参数；若故障诊断准确率未达到设定的准确率，则继续对模型进行训练，按照设定的循环次数进行多次训练后，若每次验证的故障诊断准确率均未达到设定准确率，则以每次验证数据中故障诊断准确率最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练。进一步的，所述循环次数的最大值为500，在最大循环次数未结束或结束之后，保存确定使用的故障诊断模型，模型用于线上故障诊断。本申请提供的技术方案可以包括以下有益效果：本专利技术首先对加速度传感器采集到的信号进行预处理并将10种不同状态的数据划分成训练集和测试集两部分，训练集用于训练故障诊断模型，验证集用于阶段性的验证故障诊断模型的诊断效果。接着构建特征提取网络和故障分类网络，特征提取网络能直接从输入信号中学习故障特征表达，故障分类网络将学习到的特征表达映射到对应的轴承振动状态。本专利技术通过使用两个不同深度和不同核函数大小的卷积神经网络提取加速度信号的高频特征和低频特征，在同一软硬件空间中同时在线诊断多种故障状态，实现了轴承加速度振动信号特征的自动提取，降低了使用者的操作门槛，同时节省了诊断时间，提高了轴承故障诊断的效率和准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：图1是本专利技术的流程图；图2是本专利技术的详细结构图；图3是长短时记忆神经网络单元的内部结构图；图4是两层长短时记忆神经网络的连接方式及运行机理。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其它优点及功效。本专利技术还可以通过另外不同的具体实施方式加以实施和应用，本说明中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。其中，附图仅用于示例说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部分会有省略、放大或缩小，对本领域技术人员来说，附图中某些公知结构及其说明的省略是可以理解的。如图1所示，本专利技术的具体步骤可以概括为如下4步。步骤1：获取程序数据样本，在轴承的驱动端位置安装加速度传感器，使用加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48kHz，然后对采集到数据进行下采样，每8个数据点取第一个数据点作为加速度数据的子集，从而得到一个维度为原来1/8大小的子样本。对子样本进行滤波和标准化处理，使数据分布在-1和1之间，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据的样本。步骤2：划分数据样本，本专利技术将10种不同状态的数据样本划分为训练集和测试集两部分，训练集用于训练故障诊断模型，验证集用于阶段性的验证故障诊断模型的诊断效果。这10种轴承状态共包括9种故障状态和1种健康状态，9种故障状态包括：滚动体故障、内圈故障和中心位置在6点钟方向的外圈故障，每种故障包含0.007mm、0.014mm和0.021mm3种不同故障深度。详细数据信息如表1所示。表110种轴承状态的详细信息。步骤3：构建特征提取网络，特征提取网络由两个不同深度不同卷积核大小的卷积神经网络构成，其中较浅的卷积神经网络是由2个卷积层和1个池化层组成，卷积窗口大小分别为20和10，该卷积神经网络负责提取低频加速度信号的特征；较深的卷积神经网络是由4个卷积层和2个池化层组成，卷积窗口大小为6，该卷积神经网本文档来自技高网...

【技术保护点】
1.一种自动学习特征表达的轴承故障在线诊断方法，其特征在于，包括：/n对采集的故障加速度数据下采样处理以构建子样本；/n对子样本滤波和标准化处理；/n划分预处理样本；/n构建特征提取网络和故障分类网络；/n学习故障数据与故障加速度之间的映射关系。/n

【技术特征摘要】
1.一种自动学习特征表达的轴承故障在线诊断方法，其特征在于，包括：
对采集的故障加速度数据下采样处理以构建子样本；
对子样本滤波和标准化处理；
划分预处理样本；
构建特征提取网络和故障分类网络；
学习故障数据与故障加速度之间的映射关系。


2.根据权利要求1所述的自动学习特征表达的轴承故障在线诊断建模方法，其特征在于，从采集到的加速度数据中每8个数据选取一个数据作为网络的输入数据。


3.根据权利要求1所述的自动学习特征表达的轴承故障在线诊断建模方法，其特征在于，采用维纳滤波过滤输入数据中的高频噪声，并将数据标准化处理使数据分布在-1和1之间。


4.根据权利要求1所述的自动学习特征表达的轴承故障在线诊断建模方法，其特征在于，将9种故障状态和1种健康状态划分成训练集和测试集两部分，训练集用于训练故障诊断模型，验证集用于阶段性的验证故障诊断模型的诊断效果，其中9种故障状态包括：滚动体故障、内圈故障和中心位置在6点钟方向的外圈故障，每种故障包含0.007mm、0.014mm和0.021mm3种不同故障深度。


5.根据权利要求1所述的自动学习特征表达的轴承故障在线诊断建模方法，其特征在于，所述特征提取网络包含两个不同深度和不同卷积核大小的卷积神经网络，卷积核大小为20的卷积神经网络负责提取输入信号的低频特征，卷积核大小为6的卷积神经网络负责提取输入信号的高频特征，最后使用点积方法将两个不同特征融合为一个含有810个特征的矩阵。


6.根据...

【专利技术属性】
技术研发人员：陈霄汉，高东，张贝克，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11