面向数字孪生系统的轴承故障智能诊断方法技术方案

本发明专利技术公开了一种面向数字孪生系统的轴承故障智能诊断方法，属于轴承故障不平衡检测技术领域。本发明专利技术针对在实际情况下数字孪生系统中正常数据和异常数据不平衡的情况，在不对原始数据进行扩充的情况下，提高轴承故障的诊断效果。本发明专利技术为：数字孪生系统实时监测目标轴承的轴承振动信号；将目标轴承当前的轴承振动信号输入轴承故障诊断网络，基于轴承故障诊断网络的输出获取目标轴承的当前故障检测结果。本发明专利技术用于轴承诊断实际场景中出现的数据不平衡现象，可以在正常和故障数据不平衡的实际场景中提升对于故障数据的诊断效果，在数字孪生系统中利用本发明专利技术所设置的轴承故障诊断网络可以实时监控轴承设备的健康状况。网络可以实时监控轴承设备的健康状况。网络可以实时监控轴承设备的健康状况。

【技术实现步骤摘要】
面向数字孪生系统的轴承故障智能诊断方法


[0001]本专利技术涉及轴承故障不平衡检测
，尤其是涉及一种面向数字孪生系统的轴承故障智能诊断方法。

技术介绍

[0002]对设备进行预防性维护可以有效的延长设备的使用寿命，提高设备的使用效率，对于设备进行预防性维护显得十分重要。随着大数据技术与智能制造的发展，运用现代信息技术手段对设备进行科学化、信息化管理显得尤为重要。数字孪生系统能很好建立虚拟仿真与物理实体的联系。数字孪生(Digital Twin)是指利用物理实体、传感器、运行历史等数据，结合多物理量、多学科、多尺度、多概率的对物理实体对象的特征、行为、形成过程和性能等进行描述和建模，使其反映对应物理实体的全生命周期。随着多领域建模、新型信息技术的发展，数字孪生成为复杂装备系统运行维护领域的重要技术。对于复杂装备，通过模型驱动和数据驱动相融合的方法，构建设备数字孪生体，可实现对设备的实时监测、故障诊断和优化，为数字孪生技术在设备全生命周期的应用提供实施方法。
[0003]轴承是一种精密的机械元件，是几乎所有机械设备的关键部分。不幸的是，由于长期运行在重负载、高转速的环境下，轴承成为了旋转机械设备中最易发生故障的零件之一。因此，轴承故障诊断的研究对于保证设备的安全性和可靠性具有重要意义。如在生产车间中，轴承是众多车间设备的基础配件。在构建数字孪生系统时，需要对这种关键部件进行实时的监测。振动信号被广泛用于监测轴承的健康状况，数字孪生系统中会实时监测轴承部件的振动信号，振动范围等数字特征，利用轴承的数据特征，进行数字孪生系统的建立与故障智能诊断的结合，识别设备的故障状态。
[0004]许多时间/频率传统的信号处理方法，例如稀疏正则化技术，经验模式分解和小波包分析都可用于轴承故障诊断。近年来，深度学习方法被引入到智能故障诊断中。智能故障诊断与深度学习技术相结合，引起了学术界和工业界的广泛关注，并在轴承故障诊断中取得了优异的成绩。利用以往数据训练深度网络模型，嵌入到数字孪生系统中，用深度网络实时监测数字孪生系统的轴承部件状况。而深度神经网络的训练通常需要足够且平衡的数据。但是，在大多数实际情况下，由于设备的正常运行，收集的故障数据相对较少，会导致数据不平衡。数据不平衡将迫使分类器偏向多数类别，并导致故障类别的分类错误。
[0005]通常，解决数字孪生系统中轴承类不平衡的分类问题可以用两种方法：数据级方法和算法级方法。
[0006]数据级方法主要基于重采样。一些众所周知的重采样方法包括合成少数采样技术(SMOTE)，自适应合成采样方法(ADASYN)等。在数字孪生系统中，SMOTE及其变种方法试图通过合成少数故障类的振动信号样本来重新平衡数据集。ADASYN根据他们的学习难度将权重分配给不同的少数故障类别。最近，有许多关于使用生成对抗网络(GAN)进行数据集扩展的研究，他们取得了不错的结果。同时欠采样数字孪生系统中正常轴承的振动信号方法也被用于重新平衡数据集。但是，由于不平衡率很高，通过生成少数故障类样本来平衡数据集在
计算上会非常昂贵。并且在带有噪声的不平衡数据中，过采样可能会导致识别精度降低。另一方面，欠采样方法会减少训练样本，这可能会导致有效特征的丢失，而且重采样方法不是端到端的解决方案。在实际的数字孪生建模过程中，这通常不是一个好的解决方案。
[0007]在数字孪生系统中，算法级的方法通过增大少数故障类的误分类成本，让网络更关注故障类。其中加权Softmax损失函数用来解决故障诊断领域中的不平衡问题，该损失函数将根据不平衡率重新衡量少数群体的成本，一些类似的方案被用来解决不平衡问题。直观上，这些方法的关键问题是如何合适地确定不同故障样本误分类的成本。但是，在实际情况中，确定不同类别的误分类成本非常困难。基于样本的不平衡比直接确定故障样本的误分类成本是不够的。在数字孪生系统的故障智能诊断方面，对卷积神经网络(CNN)高度不平衡分类的研究仍然相对较少。
[0008]对于以上挑战，我们面向数字孪生系统提出了特征提取能力更强的网络，以及新的加权损失函数焦点交叉熵(FCE)损失函数。可以在不平衡训练数据下更好地监督网络训练，根据数字孪生系统中监测的振动信息，对轴承部件进行更精准的智能监测。

技术实现思路

[0009]本专利技术提供了一种面向数字孪生系统的轴承故障智能诊断方法，可用于提高类别不平衡下的轴承故障检测的准确性。
[0010]本专利技术提供了一种面向数字孪生系统的轴承故障智能诊断方法，所述方法包括：
[0011]步骤1：数字孪生系统实时监测目标轴承的轴承振动信号；
[0012]步骤2：将目标轴承当前的轴承振动信号输入轴承故障诊断网络，基于轴承故障诊断网络的输出获取目标轴承的当前故障检测结果；
[0013]其中，所述轴承故障诊断网络包括特征提取网络和故障检测网络，所述特征提取网络为至少两个带通道注意力机制的Inception
‑
Resent单元的堆叠结构，用于提取输入信号的特征信息并输入后端的故障检测网络，所述故障检测网络包括顺次连接的全局池化层和至少一层全连接层，其中最后一层全连接层用于输出轴承故障类别的预测概率。
[0014]进一步的，所述轴承故障诊断网络在训练时采用的损失函数为焦点交叉熵损失函数：
[0015]FL(p
t
)＝
‑
α(1
‑
p
t
)
γ
log(p
t
)；
[0016][0017]其中，p
t
表示类别的预测概率，α表示每个样本的类别权重，γ表示预置的系数，取值范围为(0,1)，N
batch
表示每个训练批次的样本总数，N
classes
表示类别总数，N
i
表示每个批次的类别数。
[0018]本专利技术提供的技术方案至少带来如下有益效果：本专利技术用于轴承诊断实际场景中出现的数据不平衡现象，可以在正常和故障数据不平衡的实际场景中提升对于故障数据的诊断效果。同时，本专利技术基于所设置的焦点交叉熵损失函数训练所构建的轴承故障诊断网络，可以自适应地对难以分类且样本数少的故障类别分配误分类权重，在数字孪生系统中利用本专利技术所设置的轴承故障诊断网络可以实时监控轴承设备的健康状况。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0020]图1是本专利技术实施例中，所采用的轴承故障诊断网络的结构示意图；
[0021]图2是本专利技术实施例中，所采用的通道注意力原理图。
[0022]图3是本专利技术实施例提供的轴承智能诊断方法的隐层的t
‑
sne(t
‑
Distribut本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向数字孪生系统的轴承故障智能诊断方法，其特征在于，包括：步骤1：数字孪生系统实时监测目标轴承的轴承振动信号；步骤2：将目标轴承当前的轴承振动信号输入轴承故障诊断网络，基于轴承故障诊断网络的输出获取目标轴承的当前故障检测结果；其中，所述轴承故障诊断网络包括特征提取网络和故障检测网络，所述特征提取网络为至少两个带通道注意力机制的Inception
‑
Resent单元的堆叠结构，用于提取输入信号的特征信息并输入后端的故障检测网络，所述故障检测网络包括顺次连接的全局池化层和至少一层全连接层，其中最后一层全连接层用于输出轴承故障类别的预测概率。2.如权利要求1所述的方法，其特征在于，所述轴承故障诊断网络在训练时采用的损失函数为焦点交叉熵损失函数：FL(p
t
)＝
‑
α(1
‑
p
t
)
γ
log(p
t
)；其中，p
t
表示类别的预测概率，α表示每个样本的类别权重，γ表示预置的系数，取值范围为(0,1)，N
batch
表示每个训练批次的样本总数，N
classes
表示类别总数，N
i
表示每个批次的类别数。3.如权利要求1所述的方法，其特征在于，最后一层全连接层中采用的激活函数设置为Sof...

【专利技术属性】
技术研发人员：徐洁，叶娅兰，潘桐杰，李玉祥，万正易，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：