一种基于改进SELD-TCN网络的滚动轴承故障诊断方法技术

本发明专利技术属于故障检测技术领域，具体涉及一种基于改进SELD

【技术实现步骤摘要】
一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法


[0001]本专利技术涉及故障检测
，具体涉及一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法。

技术介绍

[0002]列车长时间高速重载运行难免会导致列车滚动轴承产生缺陷或故障，若没有被及时发现并处理，会导致滚动轴承功能失效，进而引发事故，现有滚动轴承故障诊断技术多是基于支撑向量机、逻辑回归等传统机器学习算法，此类方法需人工进行特征选取，这会导致部分数据特征被遗漏，影响诊断效果。现有的深度学习诊断方法中CNN方法较为落后，识别准确率较低，RNN方法多使用LSTM等计算速度较慢的网络结构，无法满足滚动轴承诊断的时效要求。
[0003]存在问题或缺陷的原因：目前的滚动轴承故障检测传统方法需人工干预，存在主观隐患，容易导致特征提取不完全，识别准确率低，现有深度学习识别方法存在识别准确率与识别速度无法满足实际需求等问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，包括下列步骤：
[0006]S100、数据采集：获取正常轴承及3种故障轴承的序列数据，用于网络训练；
[0007]S200、数据集构建：处理采集数据，对数据与标签进行处理，构建用于深度神经网络训练的数据集；
[0008]S300、数据增强：对数据进行扩增处理；
[0009]S400、数据集划分：将数据集划分为训练集与测试集；
[0010]S500、模型构建：以SELD
‑
TCN网络为基础，使用H
‑
Swish函数对网络进行改进，对最终结果使用Softmax进行输出；
[0011]S600、模型评价：使用F1
‑
Score对模型的识别效果进行评价。
[0012]所述数据采集获取正常轴承及3种故障轴承的序列数据，用于网络训练；所述数据集构建处理采集到的数据，对数据与标签进行处理，构建可用于深度神经网络训练的数据集；所述数据增强扩增数据，防止数据欠拟合与过拟合，增强模型泛化能力与鲁棒性；所述数据集划分将数据集划分为训练集与测试集，用于模型训练与模型评价；所述模型构建以SELD
‑
TCN网络为基础，使用H
‑
Swish函数对网络进行改进，对最终结果使用Softmax进行输出；所述模型评价：使用F1
‑
Score对模型的识别效果进行评价。
[0013]进一步的，步骤S100中，对列车运行时产生的轴承振动数据进行采集，采样频率为10000Hz，速度分别为80km/h、120km/h和160km/h，采集类别为轴承正常运转数据、内圈故障数据、外圈故障数据和滚子故障数据共四类，对采集得到的数据进行其对应类别的标注。
[0014]进一步的，步骤S200中，将采集到的数据以0.1s长度的时窗进行切割，即每段数据包含1000个数据点，将数据对应标签转换为ONE
‑
HOT形式，正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据分别对应One
‑
Hot标签0
‑
3列，即正常运转数据标签为[1,0,0,0]，内圈故障数据标签为[0,1,0,0]，外圈故障数据标签为[0,0,1,0]，滚子故障数据标签为[0,0,0,1]。
[0015]进一步的，步骤S300中，采用加噪方式进行数据增强；加噪方式为：数据每个时间步分别增加其振幅最大值5％与10％的噪声，x＝(1+α)
·
x
max
，其中x为该条数据的每个时间步，α为噪声增加尺度，取5％与10％，x
max
为该条数据的最大振幅，扩增同时保存数据对应的标签；其中，将数据归一化到(0,1)范围内，加速网络收敛，方式为Min
‑
Max归一化
[0016]进一步的，步骤S400中，将扩增后数据进行随机打乱，使无噪声原始数据与加噪后数据进行随机混合，以1:1:1:1:1的比例，根据每个类别的数据量，采集5种数据，构建等比例数据集，之后以8：2的比例构建训练集与测试集。
[0017]进一步的，步骤S500中，基于SELD
‑
TCN结构进行构建，网络分为两部分，分别为1D卷积网络部分与TCN膨胀卷积部分，使用1D卷积网络为3层，卷积核大小均为5，步长为2的1D卷积层，第一层卷积的卷积核个数为8*1，第二层卷积的卷积核个数为16*8，第三次卷积的卷积核个数为32*16，通过卷积层，将单通道轴承振动数据升维到16维，展示数据细节，并对数据时间步进行提取，减少时间步数量，剔除无关特征；
[0018]TCN膨胀卷积部分由6层膨胀卷积构成，每2层的膨胀卷积尺度相同，卷积核大小均为3，1
‑
2层膨胀卷积尺度为2，3
‑
4层膨胀卷积尺度为4，5
‑
6层膨胀卷积尺度为8，卷积核个数同为16*16，将TCN网络提取到的特征使用FC层进行全连接分类，使用Softmax函数进行输出运算，得到分类结果，采用H
‑
Swish激活函数对数据进行非线性映射，计算方式如下：其中a为输入激活函数的特征，其中，
[0019]模型参数：模型训练采用Adam优化器，学习率初始设置为0.01，每100个epoch学习率衰减50％，Batch_size大小为128，损失函数使用softmax_cross_entropy，设定训练1000个epoch，连续30个epoch模型损失值无下降则停止训练，保存模型；
[0020]模型训练：将训练集数据输入搭建好的模型中，进行参数模型迭代训练，待到模型损失值不再下降，停止训练，保存模型，若1000个epoch后损失值仍继续下降，继续模型训练，直到得到最佳状态的参数模型。
[0021]进一步的，步骤S600中，使用训练好的模型对测试集数据进行轴承故障分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1
‑
score，F1
‑
Score值越高，表示识别效果越好，方式如下：其中，F1为F1
‑
score，A为准确率，R为召回率，TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
[0022]本专利技术的技术效果如下：本专利技术通过对轴承振动数据进行采集与处理，构建可以
智能识别轴承故障信息的深度神经网络，网络对原始SELD
‑
TCN网络进行了改进，拥有更优秀的识别效果，且模型泛化能力强，鲁棒性高，可以对高噪声情况下的数据进行有效的识别分类。
附图说明...

【技术保护点】

【技术特征摘要】
1.一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，其特征在于，包括下列步骤：S100、数据采集：获取正常轴承及3种故障轴承的序列数据，用于网络训练；S200、数据集构建：处理采集数据，对数据与标签进行处理，构建用于深度神经网络训练的数据集；S300、数据增强：对数据进行扩增处理；S400、数据集划分：将数据集划分为训练集与测试集；S500、模型构建：以SELD
‑
TCN网络为基础，使用H
‑
Swish函数对网络进行改进，对最终结果使用Softmax进行输出；S600、模型评价：使用F1
‑
Score对模型的识别效果进行评价。2.根据权利要求1所述的一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，其特征在于，步骤S100中，对列车运行时产生的轴承振动数据进行采集，采样频率为10000Hz，速度分别为80km/h、120km/h和160km/h，采集类别为轴承正常运转数据、内圈故障数据、外圈故障数据和滚子故障数据共四类，对采集得到的数据进行其对应类别的标注。3.根据权利要求2所述的一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，其特征在于：步骤S200中，将采集到的数据以0.1s长度的时窗进行切割，即每段数据包含1000个数据点，将数据对应标签转换为ONE
‑
HOT形式，正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据分别对应One
‑
Hot标签0
‑
3列，即正常运转数据标签为[1,0,0,0]，内圈故障数据标签为[0,1,0,0]，外圈故障数据标签为[0,0,1,0]，滚子故障数据标签为[0,0,0,1]。4.根据权利要求1所述的一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，其特征在于：步骤S300中，采用加噪方式进行数据增强；加噪方式为：数据每个时间步分别增加其振幅最大值5％与10％的噪声，x＝(1+α)
·
x
max
，其中x为该条数据的每个时间步，α为噪声增加尺度，取5％与10％，x
max
为该条数据的最大振幅，扩增同时保存数据对应的标签；其中，将数据归一化到(0,1)范围内，加速网络收敛，方式为Min
‑
Max归一化5.根据权利要求4所述的一种基于改进SELD
‑
TCN网络的滚动轴承故障诊断方法，其特征在于：步骤...

【专利技术属性】
技术研发人员：潘晓光，张娜，宋晓晨，陈亮，陈智娇，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：