【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。