一种滚动轴承故障的诊断方法技术

本发明专利技术公开了一种基于孪生神经网络的滚动轴承故障诊断方法，该方法包括：采集各种待识别故障轴承的振动信号；分割信号为等长数据序列，组成包含各种故障或正常工作状态的基本数据样本库；建立基于一维卷积神经网络的孪生神经网络并训练网络，以两个子网络输出的特征序列的相似度作为模型输出；计算待测数据序列相对于基本数据样本库的相似度,运用最近邻分类原则将待测信号归类为相似度最大样本的类型，从而得到故障诊断类型。本发明专利技术将卷积神经网络和孪生网络结构相结合，使得滚动轴承的故障诊断准确率明显提高，对于小样本数据库和小范围的工况变化均具有良好的适应性。范围的工况变化均具有良好的适应性。

【技术实现步骤摘要】
一种滚动轴承故障的诊断方法


[0001]本专利技术涉及基于振动进行故障检测的领域，更具体涉及一种基于滚动轴承的故障诊断识别方法。

技术介绍

[0002]滚动轴承是旋转机械中最常见的部件之一，广泛运用于各行各业的各种机械设备。无论是精密加工还是大型野外移动设备，滚动轴承故障总是时有发生，故障调查表明，在感应电动机中最常见的故障中，与轴承相关的故障约为40％，而轴承发生严重故障不但带来经济损失，更可能导致严重生产事故，甚至造成人员伤亡。因此，早期进行有效的轴承故障诊断是确保机器正常工作和日常维护的重要措施。
[0003]基于机器学习的机械故障诊断常用的信号处理方法大致分成两类,一类是提取振动信号的某些频域或时域特征指标,然后通过机器学习方法构造故障分类模型。但这类特征指标一般对于工况变化情况很敏感，比如载荷或转速的小小变化即可使得测试样本的特征产生较大差异导致模型失效，并且特征往往由人工选择，随意性较大；另一类是采用信号的波形图利用卷积神经网络的CNN算法进行深度学习完成故障诊断，例如CN 107421741A。但基于深度学习的神经网络往往需要大量的不同状态的样本进行网络训练，而故障并不是常态，获得或标定大量不同故障状态的数据困难。因此，滚动轴承故障诊断面临的一个重要问题是如何利用较少量的有标签训练样本建立一个可适用于一定程度工况变化的模型。

技术实现思路

[0004]本专利技术的目的在于提供一种可适用于小样本量而鲁棒性较好的滚动轴承故障诊断方法。
[0005]本专利技术提供一种结合孪生神经网络和卷积神经网络建立滚动轴承故障诊断的模型和方法，该方法以轴承的振动信号数据为输入，结合样本的标签进行神经网络模型的训练，不需要特别的特征设计和提取步骤，将特征提取和故障识别都融入网络一次完成，实现准确的滚动轴承故障诊断。
[0006]一种基于孪生神经网络的滚动轴承故障诊断方法，就是训练神经网络SCNN模型和利用SCNN模型判别轴承工作状态或故障状况，模型建立步骤如下：
[0007]步骤1，采集滚动轴承的振动信号，信号的采样频率应不小于轴承转动频率的5倍。每一种工作状态应连续采样足够的时间以保证有基本数量(大于50)的信号样本；
[0008]步骤2，按照固定的数据点个数d(一般d>200)对所采集的振动信号数据序列进行等长度截取，每种状态得到n个(一般n>100)连续的一维时间序列数据，形成包含各种故障状态和正常工作状态的训练样本集；
[0009]步骤3，建立基于一维卷积神经网络的孪生神经网络SCNN模型结构及初始化。该孪生网络由两个结构相同参数共享的一维卷积神经网络CNN(图2中的子网络Network)、一个相似性度量函数D
W
构成。一维卷积神经网络CNN包含3个卷积层、3个最大池化层、1个
Flatten层和1个全连接激活层；其中卷积层的卷积核大小和最大池化层的池化窗口大小选择范围2
×
1～5
×
1，步长取1～3，卷积核数量选择为16～128；Flatten层将上一层输出的特征图连接起来，最后全连接激活层神经元个数为32～64，并在Flatten层与全连接激活层之间加入了Dropout层，全连接激活层神经元使用Sigmoid激活函数。模型权值参数初始化为区间[-0.1，0.1]内均匀分布，偏置初始化为0；模型权值参数使用Adam算法优化，学习速率设为0.0001。
[0010]步骤4，利用训练集中的样本组成样本对进行SCNN网络模型训练：设向量X
i
和X
j
为训练集中已标注类别的样本，将一对同类或异类的样本(X
i
,X
j
)分别输入两个子网络进行前向传播，X
i
通过一个子网络非线性映射到新的特征向量空间，输出特征向量Net(w,X
i
)，X
j
则通过另一个子网络非线性映射到新的特征向量空间输出特征向量Net(w,X
j
)，其中w表示两个子网络共享的权重参数矩阵。如(1)式求Net(w,X
i
)和Net(w,X
j
)间的欧式距离作为相似性度函数D
W
，并作为SCNN的输出：
[0011]定义损失函数L(w,(Y,X
i
,X
j
))如(2)式所示：其中Y为类别因子：
[0012]为达到最小化损失函数的目标，使用随机梯度下降算法将误差反向逐层传播到每个节点，更新网络的权值及参数，使损失函数最小化，以达到对于同类样本间隔最小、异类样本间隔最大的目的。
[0013]遍历训练集中所有的样本对进行网络的迭代训练，记录损失函数曲线,若迭代后损失函数小于设定的最大阈值0.02并保持迭代稳定，则模型收敛，网络训练完成，可执行步骤5；否则继续随机遍历训练集的样本对进行网络训练，执行步骤4；
[0014]步骤5，利用训练完成的孪生神经网络模型SCNN进行滚动轴承的故障诊断：对于待诊断的滚动轴承，以建模相同的采样方法和频率对振动信号采样，并截取相同长度的连续数据组成一个一维时间序列数据，设为X
k
。
[0015]设训练集包含n个样本{X1，X2…
X
n
,}分别属于状态类型{C1，C2…
C
m
,}，训练集中的每个样本Xi＝(x1,x2,
…
,x
d
)(i＝1
…
n)输入模型的一个子网络，得到Net(w,X
i
)；将待预测的数据序列X
k
输入SCNN模型的另一个子网络，得到对应的输出Net(w,X
k
)。
[0016]如(1)式分别计算每个Net(w,X
i
)(i＝1
…
n)和Net(w,X
k
)之间的相似度D
Wi
，若满足：D
Wi
＝min({D
W1
,...,D
Wn
})，且X
i
∈C
j
(j＝1
…
m)，根据最近邻分类原则，则输出分类决策X
k
∈C
j
，即表示滚动轴承处于第j种状态，故障诊断完成。有益效果
[0017]本专利技术根据传感器采集的机器振动信号得到的一维时间序列数据，直接建立滚动轴承的故障诊断模型，不需要进行其他方式的信号处理，降低了对信号处理相关知识和实际经验的要求，也减少人工处理信号数据的时间，使得滚动轴承故障诊断和预测更加智能化和高效化；较其他基于深度学习或神经网络学习的方法，本专利技术在各类训练样本数量较少的情况下依然可以建立高效模型准确的故障诊断，对于工况的变化的也具有较强的鲁棒
性。
附图说明
[0018]为了更清楚地说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生神经网络的滚动轴承故障诊断方法，其特征在于，该方法包括步骤：步骤1，采集滚动轴承的振动信号，信号的采样频率应不小于5倍轴承转动频率。每一种工作状态应连续采样足够长的时间以保证有基本数量(大于50)号样本；步骤2，对所采集的振动信号进行等长度截取而获得连续的一维时间序列数据，组成包含各种故障状态和正常工作状态的数据样本库,得到训练样本集；步骤3，建立基于一维卷积神经网络的孪生神经网络SCNN模型；步骤4，遍历训练集中的样本组成的样本对进行SCNN网络模型训练；步骤5，利用训练完成的孪生一维卷积神经网络模型SCNN进行滚动轴承的故障诊断。2.根据权利要求1所述的孪生一维卷积神经网络滚动轴承故障诊断方法，其特征在于建立基于一维卷积神经网络的孪生神经网络SCNN模型结构及初始化。该孪生网络由两个结构相同参数共享的一维卷积神经网络CNN(子网络)、一个相似性度量函数D
W
构成。一维卷积神经网络CNN包含3个卷积层、3个最大池化层、1个Flatten层和1个全连接激活层；其中卷积层的卷积核大小和最大池化层的池化窗口大小选择范围2
×
1～5
×
1，步长取1～3，卷积核数量选择为16～128；Flatten层将上一层输出的特征图连接起来，最后全连接激活层神经元个数为32～64，并在Flatten层与全连接激活层之间加入了Dropout层，全连接激活层神经元使用Sigmoid激活函数。模型权值参数初始化为区间[-0.1，0.1]内均匀分布，偏置初始化为0；权值参数使用Adam(Adaptive Moment Estimation)算法优化，学习速率设为0.0001。3.根据权利要求1所述的孪生一维卷积神经网络滚动轴承故障诊断方法，其特征在于利用训练集中的样本组成样本对进行SCNN网络模型训练：设向量X
i
和X
j
为训练集中已标注类别的样本，将一对同类或异类的样本(X
i
,X
j
)分别输入两个子网络进行前向传播，X
i
通过一个CNN的子网络非线性映射到新的特征向量空间，输出向量Net(w,X
i
)，X
j
则通过另一个子网络非线性映射到新的特征向量空间输出向量Net(w,X
j
)，其中...

【专利技术属性】
技术研发人员：叶青，姜逸凡，许超俊，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：