一种基于PCA_CNNS的轴承故障诊断方法技术

本发明专利技术公开了一种基于PCA

【技术实现步骤摘要】
一种基于PCA_CNNS的轴承故障诊断方法


[0001]本专利技术属于故障诊断领域，具体涉及一种基于卷积神经网络(PCA_CNNS)的轴承故障诊断方法。

技术介绍

[0002]目前，在木门生产领域中，对木门生产加工设备的故障诊断是研究的一个核心点，故障诊断的准确率与时效性是衡量木门加工设备健康评估的标准，反映当前设备的健康状态，准确及时的判断出故障源能让木门厂商快速做出应对从而保证生产经营效益。因此，对木门生产线关键设备的故障诊断是木门生产线柔性化、智能化研究的关键。
[0003]现阶段主流的故障诊断方法主要分为基于解析模型、基于定性经验知识的方法以及基于数据驱动的方法。基于分析模型的方法适用于能够建模、有足够传感器的“信息充足”的系统，需要过程较精确的定量数学模型，并且如果建立过程的数学模型则必须了解过程的机理结构，这对于复杂的多变量系统建模代价高，且建立的模型在解决同类问题上普适性较差在实际应用中具有局限性；基于经验知识的方法不适用于不能或者不易建立机理模型、传感器数不充分的“信息缺乏”的系统，对于海量数据的系统其使用成本过高；总结来说，常规基于分析模型以及基于经验知识的故障诊断模型算法对于故障诊断的不足之处主要有以下几点：
[0004](1)对于动态的生产线过程数据，传统故障诊断方法不能及时挖掘数据深层次的特征信息，因其稳定性与实时性较差而难以满足实际生产环境的需求。
[0005](2)对于海量过程数据输入的系统，其构建与使用成本过高。
[0006](3)所构建模型泛化能力太低导致其在具体对象的故障诊断中准确率得不到保证。

技术实现思路

[0007]本专利技术的目的在于提供了一种基于PCA_CNNS的轴承故障诊断方法，以解决在生产加工过程中关键设备的轴承故障诊断问题。
[0008]实现本专利技术目的的技术解决方案为：一种基于PCA_CNNS的轴承故障诊断方法，以完成对于轴承的故障诊断为目标，利用主成分分析法完成数据降维，采用自组织映射算法优化卷积神经网络模型，利用现有的轴承故障数据与分类完成模型训练，结合k折交叉验证选取最优表现模型，从而提升轴承故障诊断的准确率，具体包括如下步骤：
[0009]步骤1：利用主成分分析法提取输入的轴承数据集v中代表原始n维数据特征信息的m维主成分数据集w，将主成分数据集w按分割比例进行分割，分为训练样本集w
train
和测试样本集w
test
，其中m<n，转入步骤2。
[0010]步骤2：初始化卷积神经网络模型参数：
[0011]设置每次训练样本数Batch_Size、模型训练次数Epochs和卷积神经网络模型迭代次数Iterator_Times，所述卷积神经网络模型包括特征提取器和分类器SOM
‑
BP，确定特征
提取器的多层次卷积层、激活层及池化层，转入步骤3。
[0012]步骤3：设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM
‑
BP，设置交叉熵函数为损失函数Loss，进而获得卷积神经网络，转入步骤4。
[0013]步骤4：利用训练样本集w
train
训练卷积神经网络，直至Loss的值小于设定的阈值threshold或者Epochs大于Max_Epochs，获得卷积神经网络模型，转入步骤5。
[0014]步骤5：将测试样本集w
test
输入卷积神经网络模型，计算卷积神经网络模型的误差error与准确率accuracy，保存各级网络参数，转入步骤6。
[0015]步骤6：判断卷积神经网络模型迭代次数Iterator_Times是否大于设定的最大迭代次数T：
[0016]若大于等于设定的最大迭代次数，则获得T组模型验证结果，转入步骤7；
[0017]若小于设定的最大迭代次数，则更新Iterator_Times的值，将w按步骤1中的分割比例进行重新分割，分为与步骤1中不同的训练样本集w
train
和测试样本集w
test
，返回步骤4。
[0018]步骤7：对比求解T组模型验证结果，选取其中准确率最高的模型作为输出模型。
[0019]本专利技术与现有技术相比，其显著优点在于：
[0020](1)本专利技术提出了一种基于PCA
‑
CNNS的故障诊断方法，通过线性变换寻找m维主成分数据替换输入n维轴承数据，实现减少数据集的维数，同时保持数据集的对方差贡献最大的特征，实现数据的去冗余，降低了算法的运算量，利于实际工程运用。
[0021](2)本专利技术提出一种利用T折交叉验证的方式对于PCA_CNNS算法流程进行优化，通过对于数据集的拆分以及对应模型的训练的方式，达到对比求取泛化能力最强及准确率最高的模型。
[0022](3)本专利技术提出利用SOM
‑
BP神经网络作为PCA_CNNS算法的分类器，可以有效克服传统分类器参数冗余，空间结构的表达性不足的缺点，具有更高的训练收敛效率、更好的网络稳定性以及更高的故障诊断的准确率。
附图说明
[0023]图1为基于PCA
‑
CNNS的故障诊断方法流程图。
[0024]图2为T折交叉验证图(T＝10)。
[0025]图3为CNNS特征提取器网络层次图。
[0026]图4为SOM
‑
BP神经网络结构图。
[0027]图5为模型测试集误差收敛图。
具体实施方式
[0028]下面结合附图对本专利技术作进一步详细描述。
[0029]结合图1，本专利技术的一种基于PCA
‑
CNNS的故障诊断方法，包括以下步骤：
[0030]步骤1：利用主成分分析法PCA提取输入的轴承数据集v中代表原始n维数据特征信息的m维主成分数据集w，其中m<n，将w按分割比例7:3进行分割，分为训练样本集w
train
和测试样本集w
test
，转入步骤2。
[0031]为了减少后期网络模型内部变量转移，提高网络的训练效率，增强网络的泛化能
力，本专利技术利用PCA在轴承数据集输入对其进行降维，首先是通过奇异值分解计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值特征向量，将特征值按照从大到小的顺序排序，选择特征值最大的m个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。
[0032]步骤2：初始化卷积神经网络模型参数：
[0033]设置每次训练样本数Batch_Size、模型训练次数Epochs和卷积神经网络模型迭代次数Iterator_Times，所述卷积神经网络模型包括特征提取器和分类器SOM
‑
BP，确定特征提取器的多层次卷积层、激活层及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA_CNNS的轴承故障诊断方法，其特征在于：以完成对于轴承的故障诊断为目标，利用主成分分析法完成数据降维，采用自组织映射算法优化卷积神经网络模型，利用现有的轴承故障数据与分类完成模型训练，结合k折交叉验证选取最优表现模型，从而提升轴承故障诊断的准确率，具体包括如下步骤：步骤1：利用主成分分析法提取输入的轴承数据集v中代表原始n维数据特征信息的m维主成分数据集w，将主成分数据集w按分割比例进行分割，分为训练样本集w
train
和测试样本集w
test
，其中m<n，转入步骤2；步骤2：初始化卷积神经网络模型参数：设置每次训练样本数Batch_Size、模型训练次数Epochs和卷积神经网络模型迭代次数Iterator_Times，所述卷积神经网络模型包括特征提取器和分类器SOM
‑
BP，确定特征提取器的多层次卷积层、激活层及池化层，转入步骤3；步骤3：设置Adam优化器学习率Learning_Grade，对特征提取器进行归一化，再利用自组织映射，优化BP神经网络得到SOM
‑
BP，设置交叉熵函数为损失函数Loss，进而获得卷积神经网络，转入步骤4；步骤4：利用训练样本集w
train
训练卷积神经网络，直至Loss的值小于设定的阈值threshold或者Epochs大于Max_Epochs，获得卷积神经网络模型，转入步骤5；步骤5：将测试样本集w
test
输入卷积神经网络模型，计算卷积神经网络模型的误差error与准确率accuracy，保存各级网络参数，转入步骤6；步骤6：判断卷积神经网络模型迭代次数Iterator_Times是否大于设定的最大迭代次数T：若大于等于设定的最大迭代次数，则获得T组模型验证结果，转入步骤7；若小于设定的最大迭代次数，则更新Iterator_Times的值，将w按步骤1中的分割比例进行重新分割，分为与步骤1中不同的训练样本集w
train
和测试样本集w
test
，返回步骤4；步骤7：对比求解T组模型验证结果，选取其中准确率最高的模型作为输出模型。2.根据权利要求1所述的基于PCA_CNNS的轴承故障诊断方法，其特征在于：步骤1中轴承数据集v来自于凯斯西储大学滚动轴承数据中心的轴承数据，利用主成分分析法提取v中代表原始n维数据特征信息的m维主成分数据，将其中的冗余特征进行筛选，完成数据降维，具体如下：提取轴承数据的n维特征向量，计算轴承数据特征向量的平均值，对轴承数据特征向量做方...

【专利技术属性】
技术研发人员：陆宝春，张劲飞，葛超，翁朝阳，练鹏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：