一种基于2DPCA-CWT与CNN的滚动轴承故障诊断方法技术

一种基于2DPCA

【技术实现步骤摘要】
一种基于2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法


[0001]本专利技术属于滚动轴承故障诊断
，具体涉及一种基于 2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，基于二维主成分分析(2DPCA)、连续小波变换(CWT)与卷积神经网络(CNN)的滚动轴承故障。

技术介绍

[0002]随着机械设备的智能一体化，设备之间各部件的配合联系更加密切，为了保障旋转机械的正常运行，工业生产线的有序进行，对机械设备进行状态监测与故障诊断研究极为重要。避免因部分零件失效导致整体性能降低，或设备损坏而造成重大损失。若如果在故障发生的初期就被发现这些问题，进行相应的处理，可以避免很多不必要的损失，有效提高设备管理水平；保证产品质量、提高系统的可靠性与维修性；避免重大事故的发生，减少事故危害性；提升经济效益和社会效益。
[0003]滚动轴承在旋转机械中承担重要作用，主要功能是保证、支撑机械旋转体，降低其运动过程中的摩擦和损伤，并保证其回转精度。据研究表明，30％的故障都是由于轴承失效所引起的，因此对旋转机械的滚动轴承进行故障监测与诊断至关重要。

技术实现思路

[0004]为克服上述现有技术的不足，本专利技术的目的在于提供一种基于2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，克服故障信号非平稳性非线性的问题，可更加快速有效的识别出滚动轴承的不同故障，确定其局部正常或异常，早期发现故障及其原因，从而及时做出相应解决方法。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种基于 2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
[0006]步骤S1：采集振动信号，将采集到的振动信号利用连续小波变换转换为时频图像；
[0007]步骤S2：通过二维主成分分析方法，提取时频图像的主要信息量，消除冗余信息，得到2DPCA
‑
CWT时频图，划分训练集x
‑
train 与测试集x
‑
test；
[0008]步骤S3：构建卷积神经网路故障诊断模型，利用训练集x
‑
train 与训练集标签y
‑
train对卷积神经网络进行训练，测试集x
‑
test与测试集标签y
‑
test完成故障信息分类。
[0009]所述的步骤S1，具体有包括以下步骤：
[0010]步骤S1.1：利用数据采集卡、传感器以及工业计算机组成数据采集系统，分别采集旋转机械滚动轴承正常情况及不同故障状态故障下的原始信号f(t)；
[0011]步骤S1.2：将原始信号f(t)以数据长度为m个点为一组进行划分得到分段信号f
i
(t)i＝1,2,3
…
N，每种情况下得到N段数据，每张时频图像包含m个数据，i为正整数，代表每种类型下的第i幅图像；
[0012]步骤S1.3：确定小波函数，利用连续小波变换时频分析方法将分段的信号f
i
(t)i＝1,2,3
…
N转换为CWT时频图，每种故障情况N张 CWT时频图，分段信号f
i
(t)i＝1,2,3
…
N
连续小波时频分析的步骤如下：
[0013][0014]其中，b∈R,a∈R
‑
{0}，ψ
a,b
(t)具有有限紧支撑或者速降到0的函数，w(a,b)表示小波变换系数，a代表尺度，控制小波函数的伸缩，b是平移量，控制小波函数的平移，t表示时间变量；
[0015]所述的步骤S2，又包括以下步骤：
[0016]步骤S2.1：裁剪CWT时频图非图像区域，保留包含图像信息区域的CWT时频图；
[0017]步骤S2.2：记X表示一个n维列向量，将图像矩阵A(m
×
n)借助投影矩阵X进行变换，得到投影特征向量Y，
[0018]Y＝AX；
[0019]步骤S2.3：定义投影特征向量的协方差矩阵S
x
，E为期望，T为转置；
[0020]S
x
＝E(Y
‑
EY)(Y
‑
EY)
T
[0021]＝E[AX
‑
E(AX)][AX
‑
E(AX)]T
[0022]＝E[(A
‑
EA)X][(A
‑
EA)X]T
；
[0023]步骤S2.4：对所有图像进行中心化处理，可得图像的协方差矩阵 G
t
[0024][0025]共有M个图像样本，第j个图像样本由矩阵A
j
构成，所有样本的平均图像为
[0026]步骤S2.5：根据图像协方差矩阵，可得图像协方差矩阵的特征值λ
i
及对应的特征向量x
i
；
[0027]步骤S2.6：将特征向量按其对应特征值大小进行排序；
[0028]步骤S2.7：根据累积贡献率大于90％时选取2DPCA
‑
CWT时频图主要成分，取前d个特征值对应的特征向量作为特征子空间ω， x
k
(1≤k≤d)为特征向量，d为累积贡献率大于90％时对应的特征个数，
[0029]ω＝(x1,x2,
…
x
d
)；
[0030]步骤S2.8：根据特征向量构建图像特征矩阵进行特征提取，对于图像矩阵A，可得投影特征向量，Y
k
代表特征向量x
k
所对应的投影特征向量，k为特征个数变量，d为累积贡献率大于90％时对应的特征个数，
[0031]Y
k
＝Ax
k
(k＝1,2,
…
,d)；
[0032]步骤S2.9：根据投影特征向量构建特征矩阵图像B，其中B是一个m
×
d维矩阵，Y1,Y2,
…
Y
d
分别为投影特征向量，
[0033]B＝(Y1,Y2,
…
Y
d
)；
[0034]步骤S2.10：将图像映射到特征子空间中ω，结合特征矩阵图像B 重建图像，为重建之后的图像；
[0035]步骤S2.11：生成的2DPCA
‑
CWT时频图数据集按照比例7：3 进行划分为训练集和测
试集，训练集标签与训练数据集相一致，测试集标签与测试数据集相一致。
[0036]所述的步骤S3，利用卷积神经网络对2DPCA
‑
CWT时频图进行分类识别，S3具体又包括以下步骤：
[0037]步骤S3.1：利用生成的2DPCA
‑
CWT时频图构建一个两层的CNN 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤S1：采集振动信号，将采集到的振动信号利用连续小波变换转换为时频图像；步骤S2：通过二维主成分分析方法，提取时频图像的主要信息量，消除冗余信息，得到2DPCA
‑
CWT时频图，划分训练集x
‑
train与测试集x
‑
test；步骤S3：构建卷积神经网路故障诊断模型，利用训练集x
‑
train与训练集标签y
‑
train对卷积神经网络进行训练，测试集x
‑
test与测试集标签y
‑
test完成故障信息分类。2.根据权利要求1所述的一种基于2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S1，具体有包括以下步骤：步骤S1.1：利用数据采集卡、传感器以及工业计算机组成数据采集系统，分别采集旋转机械滚动轴承正常情况及不同故障状态故障下的原始信号f(t)；步骤S1.2：将原始信号f(t)以数据长度为m个点为一组进行划分得到分段信号f
i
(t)i＝1,2,3
…
N，每种情况下得到N段数据，每张时频图像包含m个数据，i为正整数，代表每种类型下的第i幅图像；步骤S1.3：确定小波函数，利用连续小波变换时频分析方法将分段的信号f
i
(t)i＝1,2,3
…
N转换为CWT时频图，每种故障情况N张CWT时频图，分段信号f
i
(t)i＝1，2，3
…
N连续小波时频分析的步骤如下：其中，ψ
a，b
(t)具有有限紧支撑或者速降到0的函数，w(a，b)表示小波变换系数，a代表尺度，控制小波函数的伸缩，b是平移量，控制小波函数的平移，t表示时间变量。3.根据权利要求1所述的一种基于2DPCA
‑
CWT与CNN的滚动轴承故障诊断方法，其特征在于，所述的步骤S2，又包括以下步骤：步骤S2.1：裁剪CWT时频图非图像区域，保留包含图像信息区域的CWT时频图；步骤S2.2：记X表示一个n维列向量，将图像矩阵A(m
×
n)借助投影矩阵X进行变换，得到投影特征向量Y，Y＝AX；步骤S2.3：定义投影特征向量的协方差矩阵S
x
，E为期望，T为转置；步骤S2.4：对所有图像进行中心化处理，可得图像的协方差矩阵G
t
共有M个图像样本，第j个图像样本由矩阵A
j
构成，所有样本的平均图像为步骤S2.5：根据图像协方差矩阵，可得图像协方差矩阵的特征值λ
k
及对应的特征向量
...

【专利技术属性】
技术研发人员：徐卓飞，喻丹，侯和平，刘善慧，刘健，李旭东，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：