一种基于深度学习网络的轴承故障分类方法及系统技术方案

本发明专利技术提供一种基于深度学习网络的轴承故障分类方法及系统，分类方法包括：设定采样频率，采集轴承在不同工况下的振动信号数据；将取得的振动信号数据进行分段构建多个样本；分解处理每个样本的振动信号数据得出多个模态分量，实现有效成分分离；构建具有残差单元的深度网络，用随机搜索法确定合适的网络深度；将训练集输入深度残差网络进行迭代训练并获取分类模型；将测试集输入分类模型，取得故障分类结果。本发明专利技术的分类方法将变分模态分解和深度残差网络相结合，解决了输入数据存在噪声干扰和有效成分存在交叉混叠、网络深化导致识别梯度消失、性能退化导致分类效果变差的问题，实现了不受转速变化影响的故障特征提取，提高了故障分类准确性。

【技术实现步骤摘要】
一种基于深度学习网络的轴承故障分类方法及系统
本专利技术属于轴承故障诊断
，涉及一种基于深度学习网络的轴承故障分类方法及系统。
技术介绍
高速列车走行部轴径轴承在运行中一旦发生故障，直接导致车毁人亡，后果不堪设想。因此，需要对其走行部轴径轴承的状态进行监控，及时进行早期故障特征提取、分类判断。相关统计数据显示，大约30％的旋转机械故障是由滚动轴承的损坏造成的；感应电机故障中的滚动轴承故障约占电机故障的40％，齿轮箱各类故障中的轴承故障率仅次于齿轮而占20％。因此，对高速列车走行部轴径轴承的状态监控对高速列车的正常运转有着重要的意义。对高速列车走行部的轴径轴承进行健康状态监测的首要问题是：如何在车速(轴承转速)波动变化的情况下，排除转速波动对故障信号特征提取的影响，准确提取其早期故障特征。在高铁运行过程中，除了按额定的车速例如300km/h稳定运行以外，还存在诸如进站、出站、转弯、迎面会车、加速、减速、紧急制动等列车非稳定运行工况，导致车速缓变、突变、剧变，使列车轴承承受更大的载荷冲击。因此早期故障发生时，列车可能处于任意的车速状态，获得的监测信号必然是稳定车速或非稳定车速或它们组合的工况下的振动数据，而车速的变化会引起振动信号的故障特征的变化。因此需要建立一种不受转速波动影响的故障信号特征识别分类方法。高速列车结构复杂、运行环境恶劣，轴承故障信号可能被掩蔽在背景干扰信号之中，加之轴承元件的相互碰撞使多种故障的复合、振动信号相互叠加，监测到的信号成分更加复杂。因此需要一种能够从强背景干扰中分离和提取出早期故障信号特征的有效方法。鉴此，要解决上述两个问题，方能获取高速列车走行部的轴径轴承健康状态监测的第一手真实数据，才能开展后续的诊断工作。轴承故障诊断大致分为两步：特征提取、故障分类，关键在于特征提取。基于信号处理和机器学习的故障诊断方法，虽然可以通过信号处理技术实现有效成分的分离，达到降噪的效果，但是一般的机器学习模型不具备特征提取能力，仍需要对有效成分分析并设计特征参数以实现分类。而特征设计需要大量的先验知识，根据特定转速数据设计出的故障特征对全部转速变化范围内的数据适应性较差，影响全部车速范围的故障分类结果。深度学习属于机器学习中可以自适应提取特征参数的智能算法，通过迭代训练得到的特征，不依赖专家经验，提取的故障特征其转速鲁棒性更好，弱化了转速变化对信号特征提取的干扰。但是，深度学习模型无法从强背景干扰中实现有效成分分离，不能对含噪声的复杂信号进行降噪提取与识别，因此需要为深度学习方法解决强背景干扰的信号降噪和有效成分抗混叠问题。同时，深度学习网络深度对最后的识别和分类效果有着很大的影响，网络越深，梯度消失的现象就越来越严重，网络退化现象明显，训练效果变差；但网络深度越浅对故障特征的识别效果越弱。因此要进行合理的网络深度设计并解决网络深化导致的梯度消失、性能退化问题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于深度学习网络的轴承故障特征提取与分类方法及系统，实现故障特征自适应提取，弱化转速对故障特征提取识别的影响，提高模型的转速鲁棒性。同时解决现有技术中深度残差网络输入数据降噪和有效成分抗混叠、网络深化导致的梯度消失、性能退化导致的分类效果变差的问题。为达到上述目的，本专利技术提供一种基于深度学习网络的轴承故障特征提取与分类方法及系统，包括以下步骤：设定采样频率，分别采集轴承在稳态工况和变转速工况下的振动信号数据；将取得的振动信号数据进行分段，构建多个样本；对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量；将所述样本中的振动信号数据根据转速分为训练集和测试集，其中训练集来自稳态转速工况，测试集来自变转速工况；根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索选定残差单元个数，确定深度残差网络最终结构；将所述训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型；其中，在所述的深度残差网络结构中，深度残差网络的初始通道数与所述模态分量的个数相同；将所述测试集输入至所述分类模型，取得故障分类结果。于本专利技术的一实施例中，所述的每个样本的分段长度大于所述轴承在每个旋转周期内的数据个数。于本专利技术的一实施例中，所述的对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量包括：预设二次惩罚因子和初始分解层数，对所述样本的振动信号数据构建变分问题；引入二次惩罚因子α与拉格朗日乘子λ(t)得到扩展表达式，并不断迭代寻求所述表达式的鞍点得到模态分量计算模态分量与所述样本的振动信号数据f(t)的谱相关系数最小值，当谱相关系数最小值小于设定阈值时，得到最小分解层数为K，从而确定变态分解后的模态分量个数为K-1。于本专利技术的一实施例中，所述分解层数的上限为10。于本专利技术的一实施例中，在所述深度残差网络中，将每个一维模态分量折叠为32×32矩阵形式。于本专利技术的一实施例中，所述的损失值趋于稳定，包括：在每次迭代完成后，计算交叉熵损失值，以交叉熵损失值最小为目标，优化调整深度残差网络的卷积层、全连接层的权重，进入下一次迭代，直至所述损失值趋于稳定。于本专利技术的一实施例中，所述的深度残差网络的第一卷积层包含多个通道，所述通道的个数与所述模态分量的个数相同。于本专利技术的一实施例中，在所述的构建深度残差网络的网络结构，包括：依照设定的残差单元的个数范围进行一次随机搜索，取得一组随机值；利用所述随机值构建深度网络基本结构；选取所述训练集输入至所述深度网络基本结构进行训练，得到准确率和损失函数；在完成设定随机搜索次数后，取得准确率最高、损失函数最小的随机值作为各残差单元组中对应最优的残差单元的个数。于本专利技术的一实施例中，所述的残差单元的个数范围设定为1～6。。如上所述，本专利技术的轴承故障分类方法，将变分模态分解VMD和深度残差网络ResNet相结合，发挥VMD在信号预处理上的优势和深度残差网络ResNet算法自适应特征提取的能力，综合实现故障特征提取与分类。VMD用于模态分离，将复杂信号分解为多个分信号，但是不对分信号进一步处理，可节省大量的计算时间，提高特征提取的实时性；采用深度学习ResNet算法，构建具有深度的网络结构进行非线性变换，实现自适应特征提取；使用残差单元在计算梯度时加入了残差计算，在一定深度的网络梯度消失时，通过构建恒等映射，至少不会引起网络性能的下降，缓解ResNet梯度消失引发的退化问题；通过随机搜索寻找较优参数，构建出合理的深度，避免层数过深或过浅导致分类结果不理想。附图说明图1显示为本专利技术的轴承故障分类方法于一实施例中的流程图。图2显示为外圈单点故障在载荷2kn，转速2000rpm下的波形示意图。图3显示为外圈单点故障在载荷2kn，转速3000rpm下的本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的轴承故障分类方法，其特征在于，包括以下步骤：/n设定采样频率，分别采集轴承在不同工况下的振动信号数据；/n将取得的振动信号数据进行分段，构建多个样本；/n对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量；/n将所述样本中的振动信号数据根据转速情况分为训练集和测试集，其中训练集来自稳态转速工况，测试集来自变转速工况；/n根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索确定残差单元个数，确定深度残差网络最终结构；/n将所述训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型，其中，在所述的深度残差网络结构中，深度残差网络的初始通道数与所述模态分量的个数相同；/n将所述测试集输入至所述分类模型，取得故障分类结果。/n

【技术特征摘要】
1.一种基于深度学习网络的轴承故障分类方法，其特征在于，包括以下步骤：
设定采样频率，分别采集轴承在不同工况下的振动信号数据；
将取得的振动信号数据进行分段，构建多个样本；
对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量；
将所述样本中的振动信号数据根据转速情况分为训练集和测试集，其中训练集来自稳态转速工况，测试集来自变转速工况；
根据所述模态分量的个数构建深度残差网络的基本结构，采用随机搜索确定残差单元个数，确定深度残差网络最终结构；
将所述训练集输入至所述深度残差网络进行迭代训练，在损失值趋于稳定时，完成训练取得分类模型，其中，在所述的深度残差网络结构中，深度残差网络的初始通道数与所述模态分量的个数相同；
将所述测试集输入至所述分类模型，取得故障分类结果。


2.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的每个样本的分段长度大于所述轴承在每个旋转周期内的数据个数。


3.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述的对每个所述样本中的振动信号数据进行变分模态分解，取得多个模态分量包括：
预设二次惩罚因子和初始分解层数，对所述样本的振动信号数据构建变分问题；
引入二次惩罚因子α与拉格朗日乘子λ(t)得到扩展表达式，并不断迭代寻求所述表达式的鞍点得到模态分量
计算模态分量与所述样本的振动信号数据的谱相关系数最小值，当谱相关系数最小值小于设定阈值时，得到最小分解层数为K，确定变态分解后的模态分量个数为K-1。


4.根据权利要求3所述的基于深度学习网络的轴承故障分类方法，其特征在于：所述分解层数的上限为10。


5.根据权利要求1所述的基于深度学习网络的轴承故障分类方法，其特征在于：在所述深度残差网络中，将每个一维模态分量折叠为32×3...

【专利技术属性】
技术研发人员：陈剑，黄凯旋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34