一种基于多尺度卷积神经网络的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于多尺度卷积神经网络的滚动轴承故障诊断方法，该方法包括：通过自适应变分模态分解将原始振动信号分解为本征模态分量；通过能量算子对本征模态分量进行包络解调以计算其包络信号；通过角域重采样和傅立叶变换计算包络信号的包络阶次谱，计算包络阶次谱的包络峭度并选择包络峭度最大的分量作为有效分量，通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系，以实现风机滚动轴承健康状态的准确识别，本发明专利技术具有识别精度高，样本依赖性小的特点，仅根据单一工况下的历史监测数据训练模型，即可有效应用于变工况下风机滚动轴承的智能故障诊断。

【技术实现步骤摘要】
一种基于多尺度卷积神经网络的滚动轴承故障诊断方法
本专利技术涉及智能故障诊断
，特别是一种基于多尺度卷积神经网络的滚动轴承故障诊断方法。
技术介绍
风机是火电厂最重要的辅机之一，其健康状态的准确监测与评估对提高火力发电的安全性与经济性意义重大。受恶劣工作环境、复杂运行工况等因素的影响，滚动轴承等关键部件的故障特征难以有效提取与识别，严重影响了电力生产的可靠性。对风机滚动轴承运行状态进行有效评估、及时对故障进行预警、避免重大故障的发生，已成为火电行业面临的紧迫任务。随着人工智能与大数据技术的发展，基于机器学习算法的智能故障诊断受到了学术界和工程界的普遍关注。然而，智能诊断模型的构建需要大量的覆盖各种运行工况的训练样本，这在实际工程应用中难以得到满足。因此，传统的诊断方法在工业应用中面临着巨大挑战。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种基于多尺度卷积神经网络的滚动轴承故障诊断方法，能有效实现变工况下风机滚动轴承健康状态的自动识别。本专利技术采用的技术方案如下：一种基于多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1：通过自适应变分模态分解将原始振动信号分解为本征模态分量，具体步骤如下：步骤11：获取原始振动信号：利用传感器测得原始振动信号，步骤12：令初始化模态分量个数K＝2；步骤13：将原始振动信号通过交替乘数法迭代计算直至收敛；步骤14：根据min(2|ωi-ωj|/|ωi+ωj|)≤10％判断过度分解，其中ωi和ωj为任意两个本征模态分量的中心频率，如果该条件成立则判断出现过度分解，令K＝K+1后执行步骤13然后结束分解，得到本征模态分量；如果该条件不成立则判断没有出现过度分解，令K＝K+1后重复执行步骤13和步骤14；步骤2：通过能量算子对本征模态分量进行包络解调以求其包络信号；步骤3：对包络信号进行等角度角域重采样，然后对重采样后的信号进行傅立叶变换以得到包络阶次谱；步骤4：计算包络阶次谱的包络峭度，选择包络峭度最大的分量作为有效分量，并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系，以实现风机滚动轴承健康状态的准确识别。作为本专利技术的进一步的优选方案，在所述步骤2中，通过能量算子对本征模态分量进行包络解调的具体方法为：步骤21：对本征模态分量能量算子运算：其中，t为时间段，u(t)为本征模态分量，和ü(t)分别为u(t)的一阶与二阶导数；Ψ(·)为能量算子；Ψ(u(t))表示对u(t)进行能量算子运算后得到的时域信号。步骤22：对时域信号Ψ(u(t))离散化得到离散信号其中n为正整数；步骤23：对离散信号包络解调得到包络函数an：作为本专利技术的进一步的优选方案，在所述步骤4中，多尺度卷积神经网络先通过池化层提取池化范围内的最大值以降低阶次偏差对故障识别的影响；然后，利用不同大小的卷积核从多尺度提取池化输出的特征，并对其进行线性加权；最后，通过全连接层和Softmax激活函数计算模型输入属于不同类别的概率，并根据最大概率对设备健康状态进行分类，该模型的正向传播过程如下：y＝pool(x)pc＝f(W·z+bc)其中x为模型输入，即有效分量的包络阶次谱，pc为分类器输出的类别概率；pool(·)表示池化操作，其输出为y；ci为常数；表示卷积运算，其通过ci线性加权后的输出为z，Wi和bi分别表示不同尺度的卷积核及其偏置；W为权连接矩阵，f(·)表示偏置为bc的Softmax激活函数。本专利技术的有益效果如下：本专利技术根据通过变分模态分解和能量算子提取包络阶次谱作为故障识别的特征，能有效降低工况变化对故障识别的影响，从而降低对目标设备样本的依赖，在模型训练阶段，仅需要在单一工况中采取10个或10个以上的训练样本，即可获取95％以上的测试准确率，即本专利技术能有效的应用于小样本情况下的故障诊断，即本专利技术有效应用于变工况和其他工况下风机滚动轴承的智能故障诊断。附图说明图1是本专利技术的故障诊断流程图；图2是本专利技术的多尺度卷积神经网络结构图；图3a是采集数据集Ⅰ所采用的实验数据台；图3b是采集数据集Ⅱ所采用的实验数据台；图4a是数据集Ⅰ的振动信号波形图；图4b是数据集Ⅱ的振动信号波形图；图5是本专利技术测试准确率随样本数变化趋势。具体实施方式以下结合附图说明本专利技术的具体实施方式。步骤1：通过自适应变分模态分解将原始振动信号分解为本征模态分量，具体步骤如下：步骤11：获取原始振动信号：利用传感器测得原始振动信号，步骤12：令初始化模态分量个数K＝2；步骤13：将原始振动信号通过交替乘数法迭代计算直至收敛：其中为原始振动信号；为n次迭代后分解得到的第k个本征模态分量；为第n次迭代前的第i个本征模态分量；为拉格朗日乘子，可取常数0；和分别为第n次迭代后和迭代前的第k个中心频率；ω为角频率；步骤14：根据min(2|ωi-ωj|/|ωi+ωj|)≤10％判断过度分解，其中ωi和ωj为任意两个本征模态分量的中心频率，如果该条件成立则判断出现过度分解，令K＝K-1后执行步骤13然后结束分解；如果该条件不成立则判断没有出现过度分解，令K＝K+1后重复执行步骤13和步骤14。步骤2：通过能量算子对各个本征模态分量进行包络解调以求其包络信号：步骤21：对本征模态分量能量算子运算：其中，t为时间段，u(t)为本征模态分量，和ü(t)分别为u(t)的一阶与二阶导数；Ψ(·)为能量算子；Ψ(u(t))表示对u(t)进行能量算子运算后得到的时域信号。步骤22：对时域信号Ψ(u(t))离散化得到离散信号其中n为正整数；步骤23：对离散信号包络解调得到包络函数an：步骤3：对包络信号进行等角度角域重采样，然后对重采样后的信号进行傅立叶变换以得到包络阶次谱；步骤4：计算包络阶次谱的包络峭度，选择包络峭度最大的分量作为有效分量，并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系，以实现风机滚动轴承健康状态的准确识别，具体包括：多尺度卷积神经网络先通过池化层提取池化范围内的最大值以降低阶次偏差对故障识别的影响；然后，利用不同大小的卷积核从多尺度提取池化输出的特征，并对其进行线性加权；最后，通过全连接层和Softmax激活函数计算模型输入属于不同类别的概率，并根据最大概率对设备健康状态进行分类，该模型的正向传播过程如下：y＝pool(x)pc＝f(W·z+bc)其中x为模型输入，即有效分量的包络阶次谱，pc为分类器输出的类别概率；pool(·)表示池化操作，其输出为y；ci为常数；表示卷积运算，其通过ci线性加权后的输出为z，Wi本文档来自技高网...

【技术保护点】
1.一种基于多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：/n步骤1：通过自适应变分模态分解将原始振动信号分解为本征模态分量，具体步骤如下：/n步骤11：获取原始振动信号：利用传感器测得原始振动信号，/n步骤12：令初始化模态分量个数K＝2；/n步骤13：将原始振动信号通过交替乘数法迭代计算直至收敛；/n步骤14：根据min(2|ω

【技术特征摘要】
1.一种基于多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1：通过自适应变分模态分解将原始振动信号分解为本征模态分量，具体步骤如下：
步骤11：获取原始振动信号：利用传感器测得原始振动信号，
步骤12：令初始化模态分量个数K＝2；
步骤13：将原始振动信号通过交替乘数法迭代计算直至收敛；
步骤14：根据min(2|ωi-ωj|/|ωi+ωj|)≤10％判断过度分解，其中ωi和ωj为任意两个本征模态分量的中心频率，如果该条件成立则判断出现过度分解，令K＝K+1后执行步骤13然后结束分解，得到本征模态分量；
如果该条件不成立则判断没有出现过度分解，令K＝K+1后重复执行步骤13和步骤14；
步骤2：通过能量算子对本征模态分量进行包络解调以求其包络信号；
步骤3：对包络信号进行等角度角域重采样，然后对重采样后的信号进行傅立叶变换以得到包络阶次谱；
步骤4：计算包络阶次谱的包络峭度，选择包络峭度最大的分量作为有效分量，并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系，以实现风机滚动轴承健康状态的准确识别。


2.根据权利要求1所述的基于多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于：在所述步骤2中，通过能量算子对本征模态分量进行包络解调的具体...

【专利技术属性】
技术研发人员：周文宣，王春，许园，许立环，蒋坤，周阳，邓敏强，邓艾东，
申请(专利权)人：国家能源集团宿迁发电有限公司，南京东振测控技术有限公司，
类型：发明
国别省市：江苏;32