一种基于一维数据增强和CNN的电机轴承故障诊断方法技术

本发明专利技术涉及一种基于一维数据增强的CNN的电机轴承故障诊断方法，先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；增强数据集是将训练数据集输入一维数据增强模块输出得到；一维数据增强模块包括用带softmax分类器的BP神经网络改良后的SAE；本发明专利技术将一维数据增强模块和CNN结合应用于故障诊断问题，着力于解决故障类型多样且各类的样本数据不足的情况下的故障诊断。

【技术实现步骤摘要】
一种基于一维数据增强和CNN的电机轴承故障诊断方法
本专利技术属于轴承生产故障诊断
，涉及一种基于一维数据增强和CNN的电机轴承故障诊断方法。
技术介绍
随着智能制造的快速发展，工业大数据背景下，智能化的故障诊断技术作为保障机械设备安全运行的重要工具，逐渐成为工业领域的热点问题，涌现出大量相关的研究。而电机的滚动轴承作为旋转机械的重要零部件，其运行状况对大型工业设备的生产安全和工作效率都有着直接的影响。滚动轴承的故障诊断也因此作为规避工业生产风险的重要手段成为研究的重点之一。机器学习算法凭借它在自动提取数据特征方面的优势，在数据驱动的故障诊断算法中占据重要比重。支持向量机、主成分分析、随机森林等传统的机器学习算法都被逐一应用于故障诊断问题，且在特征提取和故障分类等方面都取得了良好的效果。但研究发现，各类机器学习算法中的重要参数的选择仍然很大程度上受制于研究人员的经验，且参数确定后的模型的泛化能力往往达不到要求。而堆叠自编码器(SAE)、循环神经网络、生成对抗网络和卷积神经网络等深度学习模型在故障诊断问题上的成功应用缓解了机本文档来自技高网...

【技术保护点】
1.一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征是：先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；所述故障诊断测试是指训练好的卷积神经网络模块的输出层输出分类结果为16×1的一维向量，所述一维向量有且仅有一个值为1，其余值为0，l所在的位置即为测试结果；/n所述一维振动信号带有故障诊断类型标签；/n所述训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；所述二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；/n所述增强数据集是将训练...

【技术特征摘要】
1.一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征是：先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；所述故障诊断测试是指训练好的卷积神经网络模块的输出层输出分类结果为16×1的一维向量，所述一维向量有且仅有一个值为1，其余值为0，l所在的位置即为测试结果；
所述一维振动信号带有故障诊断类型标签；
所述训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；所述二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；
所述增强数据集是将训练数据集输入一维数据增强模块输出得到；所述一维数据增强模块包括用带softmax分类器的BP神经网络改良后的SAE。


2.根据权利要求1所述的一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征在于，所述一维数据增强模块的构建过程为：
(1)选择所述训练数据集；所述训练数据集的样本不多于100个；
(2)构建三层的SAE和三层的带softmax分类器的BP神经网络，并初始化所述SAE和所述BP神经网络的参数；
(3)选用均方差函数计算SAE的重构误差，单个输入的误差函数L1为：



式中，W为超平面的法向量，初始化为维数与每组输入数据的故障特征参数数据个数相同的单位向量，b为超平面的截距，初始化为0，x为解码器输入数据，y为编码器输入数据，hw，b(x)为解码器输出，||·||为欧氏距离；
对于一组输入{(x(1)，y(1))，(x(2)，y(2))，...，(x(m)，y(m))}，总的误差函数为：



式中，M为输入数据的个数；
(4)选择交叉熵函数计算BP神经网络的softmax层的故障诊断类别和所述训练数据集中标签的分类误差L2，具体的函数如下：



式中，K为分类的类别的数量；qis为一个分类参数，当类别s和第i个样本数据的类别相同时，qis取1，否则qis取0；pis为观测第i个样本属于类别s的预测概率；
(5)优化后的SAE训练过程中的总误差L为：
L＝L1(W，b)+L2；
(6)每次训练过程中，为了使L最小化，通过反向传播算法更新优化后的SAE的网络参数，计算公式如下：



式中，和是L关于W和b的偏微分，α是SAE的学习率；
(7)判断是否达到预设训练次数，如果是，则停止训练；反之，则返回步骤(2)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，得到训练完成的带softmax分类器的BP神经网络改良后的SAE，并由其构成数据增强模块。


3.根据权利要求1所述的一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征在于，所述卷积神经网络模块包括卷积神经网络模型，所述卷积神经网络模型包含一个输入层，两个交替的卷积层和池化层，一个全连接层和一个输出层。


4.根据权利要求3所述的一种基于一维数据增强的CNN的电机轴承故障诊断方法，其特征在于，所述以二维图像数据集为训练集训练的过程为：将二维图像数据集输入卷积神经网络模型，以输入的二维图像对应的故障类型标签为理论输出，训练CNN模型，确定各神经元的连接权值及偏差，具体步骤为：
(1)初始化CNN模型的参数；
...

【专利技术属性】
技术研发人员：李宏亮，龙云瑶，周武能，
申请(专利权)人：上海吞山智能科技有限公司，
类型：发明
国别省市：上海;31