基于非均衡数据集下的多源传感器轧机故障诊断的方法技术

本发明专利技术涉及一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，对轧机的振动信号数据和声音信号数据进行融合从而实现轧机的故障诊断；该方法能够摆脱单一传感器的局限性，通过融合多传感器的数据，从而进行有用信息的互补，达到更高的诊断精度，解决非均衡数据集问题。用改进的一维卷积神经网络对轧机设备诊断系统采集的声音信号进行特征提取，利用改进的二维卷积神经网络对轧机设备诊断系统采集的振动信号的峰度图进行特征提取，最后在进行总的特征融合，该方法可以对充分信息提取，能够很好的应对轧机实际生产过程中所遇到的故障状态过少的问题，实现高诊断率以及准确率。率。率。

【技术实现步骤摘要】
基于非均衡数据集下的多源传感器轧机故障诊断的方法


[0001]本专利技术涉及轧机的故障诊断
，具体提出了一种基于非均衡数据集下的多源传感器轧机故障诊断的方法。

技术介绍

[0002]随着我国制造业的快速发展，对钢铁的需求量持续增加，轧机的健康状况也因此受到广泛关注。其中轧机作为冶铁业的重要设备之一，由于其结构复杂，工作环境恶劣等原因，其轧辊轴承很容易出现故障，严重时造成轧机停机，增加企业生产成本，造成重大的经济损失。因此，及时地对轧机的轧辊轴承的工作状态进行检测，是有必要的。因此研究解决轧机的诊断技术和方法，确保轧机正常工作是非常具有实际意义的。
[0003]随着科学技术的进步与发展，轧机朝着高速化、自动化及智能化的方向发展，但也会使轧机出现许多故障。因此，传统的故障诊断技术已经难以满足现代生产发展的需要，机器学习在故障诊断领域的应用愈加广泛，基本达到商业化的要求。作为机器学习的分支，深度学习解决了机器学习需要手动提取特征、耗时等缺点，而且随着对这些诊断方法的深入研究和不断完善，最后的诊断效果也愈加趋于理想。因此，对故障诊断方法进行多方面、深层次的研究和改进是十分有必要的。
[0004]而且随着网络不断地进步，利用多源传感数据进行的故障诊断越来越受欢迎。多源信号中携带的不同类型的信息在描述机器性能时表现出不同的特点。可以更好地实现轧机的轧辊轴承的故障诊断。
[0005]作为深度学习模型中的一种。CNN(卷积神经网络)在故障诊断方面应用广泛，它具有强大的数据提取的能力，卷积神经网络产生于对大脑视觉皮层的研究，并已被广泛应用于故障诊断方面。CNN是标准神经网络的衍生物。它没有采用常规神经网络中完全连接的隐藏层，而是引入了一种特殊的网络结构，它由卷积层和池化层组成，从而提取故障特征。它具有三个结构特性，即局部接受场、共享权重和池化。由于这些特性，使它的精度一般也远优于其他神经网络。一维卷积神经网络(一维卷积神经网络)可以应用于各种一维信号，对序列具有很强的处理能力，不需要复杂的特征提取，直接对序列进行运算。二维卷积神经网络(二维卷积神经网络)是一种具有前馈结构的神经网络。它具有局部连接、权重共享和空间域的子采样三个重要特征，这使得它在二维振动图像分析中具有极强的功能。
[0006]训练CNN网络需要大量的标注的训练数据，但是在实际的钢铁生产中，在轧钢机不同的运行条件下，单一传感器很难获得足够的标注故障数据。因此采取多源传感器进行收集数据。但是也无法满足网络训练需要，而且导致轧机各健康状态的数据分布不一致，对于数据集的故障诊断方法的性能相对来说更具挑战性，因此需要提出新的故障模型进行故障预测，从而达到提高准确率的目的。

技术实现思路

[0007]为了解决现有技术的不足，本专利技术提出了一种基于非均衡数据集下的多源传感器
轧机故障诊断的方法，其能够高效准确的判断出轧机轧辊轴承运行过程中的故障类型，并取得理想的诊断识别效果。该网络分为两部分，一部分为改进的一维卷积神经网络，用于提取一维声音信号数据信息；另一部分为改进的二维卷积神经网络，用于提取二维声音信号数据信息；该方法可以减少样本不均衡带来的诊断率过低的问题，实现轧机的高故障诊断率。
[0008]具体地，本专利技术提供一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其包括如下步骤：
[0009]S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；
[0010]S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；
[0011]S3、对一维卷积神经网络和二维卷积神经网络进行改进：
[0012]将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；
[0013]S4、故障特征融合：
[0014]在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；
[0015]S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft
‑
max分类层并对该网络进行整体训练，具体包括以下子步骤：
[0016]S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：
[0017][0018]其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，f
Conv
为收敛层的输出；f
1D,l
‑1和f
2D,L
‑1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数；表示改进的一维卷积神经网络的参数，表示改进的二维卷积神经网络的参数；
[0019][0020][0021]其中，(
·
)表示Dropout层的激活函数，是Dropout层的参数，f
FC
(
·
)是全连接层的输出，代表全连接层的参数；
[0022][0023]其中，O
L
代表Soft
‑
max层的输出，即网络的输出；
[0024]S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传
播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：
[0025][0026]其中，y
j
表示网络的输出，y表示故障的标签，K表示分类的数目，m表示训练样本的个数，g(
·
)表示网络的全连接层的输出，θ表示网络的参数；
[0027]S6、以以步骤S2得到的频谱图和峭度图的信息作为所提出的网络的输入，以频谱图和峭度图所对应的故障状态作为所提出的网络的输出，进行训练，训练完成后，得到轧机轧辊轴承的故障诊断模型，该故障诊断模型包括提取的声音信号的频谱图的改进后的一维卷积神经网络和提取的振动信号的峭度图的改进后的二维卷积神经网络；
[0028]S7、将步骤S6训练后的故障诊断模型的诊断结果进行对比分析，对模型的准确度进行评估。
[0029]优选地，步骤S7具体包括以下步骤：
[0030]将训练后的故障诊断模型的诊断结果与实际故障模式进行对比，得出故障诊断模型的准确率；
[0031]所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障、滚动体故障和正常4种状态。
[0032]优选地，步骤S62中，训练集分别为Dataset I、Dataset II和Dataset III，Dataset I中具有140个正常状态样本，140个内圈故障样本，140个外圈故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：其包括如下步骤：S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；S3、对一维卷积神经网络和二维卷积神经网络进行改进：将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；S4、故障特征融合：在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft
‑
max分类层并对该网络进行整体训练，具体包括以下子步骤：S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，f
Conv
为收敛层的输出；f
1D,l
‑1和f
2D,L
‑1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数；表示改进的一维卷积神经网络的参数，表示改进的二维卷积神经网络的参数；进的二维卷积神经网络的参数；其中，(
·
)表示Dropout层的激活函数，是Dropout层的参数，f
FC
(
·
)是全连接层的输出，代表全连接层的参数；其中，O
L
代表Soft
‑
max层的输出，即网络的输出；S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：其中，y
j...

【专利技术属性】
技术研发人员：时培明，于越，许学方，华长春，
申请(专利权)人：燕山大学，
类型：发明
国别省市：