一种小样本数据下滚动轴承故障诊断方法技术

一种小样本数据下滚动轴承故障诊断方法，包括以下步骤：a.采集存在故障的滚动轴承的原始振动信号数据样本，构建成任务集T，对任务集T中的数据样本进行分类；b.对数据样本进行小波变换，转换成带有故障特征的二维小波图像样本,然后将小波图像样本划分为训练集、验证集和测试集；c.完成训练集的扩充；d.将训练集中的小波图像样本输入到改进的MobileNetv3卷积网络中对卷积网络进行训练；e.对卷积网络进行测试；f.将待诊断滚动轴承的振动信号输入到测试合格的卷积网络中，完成轴承故障诊断。本发明专利技术不仅能提取原始振动信号中的故障特征，还可提升诊断模型的泛化能力，从而可准确地诊断小样本数据轴承故障，保证机械设备安全运行。保证机械设备安全运行。保证机械设备安全运行。

A fault diagnosis method of rolling bearing based on small sample data

【技术实现步骤摘要】
一种小样本数据下滚动轴承故障诊断方法


[0001]本专利技术涉及一种滚动轴承故障的诊断方法，属于数据处理


技术介绍

[0002]滚动轴承作为旋转设备的重要零件，对设备的安全运行起着至关重要的作用，任何形式的轴承故障都可能导致设备出现潜在的故障隐患和意外的安全问题，因此需要采用先进的故障诊断技术对滚动轴承进行状态评估和质量监测，以最大限度地降低经济损失。然而实际采集到的故障信号十分复杂，其中会包含基频振动、谐波振动和多种噪声信号，仅依赖经验很难从信号中提取有效的特征用于故障诊断；并且由于获取足量的故障数据十分困难，现有的基于神经网络的故障诊断方法也很难保证诊断结果的准确性。因此，如何有效提取故障特征，完成小样本数据下的滚动轴承故障诊断就显得尤为重要。

技术实现思路

[0003]本专利技术的目的在于针对现有技术之弊端，提供一种小样本数据下滚动轴承故障诊断方法，以准确诊断轴承故障，保证机械设备安全运行。
[0004]本专利技术所述问题是以下述技术方案解决的：
[0005]一种小样本数据下滚动轴承故障诊断方法，其轴承故障信号利用轴承故障实验台进行采集，所述轴承故障实验台由加速度传感器、电动机、测试轴承和加载模块组成，采集的数据处理按以下步骤进行：
[0006]a.采集存在故障的滚动轴承的原始振动信号数据样本，构建任务集T，根据不同工况、不同故障类型对任务集T中的数据样本进行分类；
[0007]b.采用Morlet小波基函数对任务集T中的数据样本进行小波变换，将每个数据样本转换成带有故障特征的二维小波图像样本,然后将任务集T中的小波图像样本划分为训练集(Support Set)、验证集(Validation set)和测试集(Test Set)；
[0008]c.将训练集中的各个小波图像样本输入到SSGAN(半监督学习生成对抗网络)模型中进行训练，得到对应的生成样本，将生成样本作为辅助训练样本添加到训练集中，完成训练集的扩充；
[0009]d.将扩充后的训练集中的小波图像样本输入到改进的MobileNetv3卷积网络中对卷积网络进行训练，训练过程中利用验证集对卷积网络参数进行调整；
[0010]e.将测试集中的小波图像样本输入到训练好的卷积网络，对卷积网络进行测试；
[0011]f.采用步骤b的方法将待诊断滚动轴承的振动信号进行小波变换后输入到测试合格的MobileNetv3卷积网络中，完成小样本轴承故障诊断。
[0012]上述小样本数据下滚动轴承故障诊断方法，将任务集中的数据进行小波变换时，选用cmor小波作为小波变换的基函数，表达式为：
[0013][0014]其对应的傅里叶表示为：
[0015][0016]式中，t表示时间，f表示频率，f
b
是形状参数，a是变换尺度，f
c
是中心频率。
[0017]上述小样本数据下滚动轴承故障诊断方法，将生成样本作为辅助训练样本添加到训练集中之前，先要对生成样本进行筛选，具体筛选步骤为：
[0018]a.利用下式计算每个生成样本与训练集中各个原始振动信号的小波图像样本的结构相似性SSIM(x，y)：
[0019]SSIM(x，y)＝[l(x，y)]α
*[c(x，y)]β
*[s(x，y)]γ
[0020]其中：
[0021][0022][0023][0024]式中，x表示原始振动信号小波图像样本中的像素值，y表示生成样本中的像素值，μ
x
为x的均值，μ
y
为y的均值，为x的方差，为y的方差，σ
xy
为x和y的协方差，C1，C2，C3为三个常数，α、β、γ为大于0的常数，在工程应用中，设置α＝β＝γ＝1；
[0025]b.计算每个生成样本与训练集中各个原始振动信号的小波图像样本的结构相似性SSIM(x，y)的平均值
[0026]c.将生成样本按照的值的大小进行排序；
[0027]d.按设定的比例筛选出值较大的生成样本并将其添加到训练集中，完成训练集的扩充。
[0028]上述小样本数据下滚动轴承故障诊断方法，所述改进的MobileNetv3卷积网络是在原始的MobileNetv3卷积网络模型的基础上,采用自注意力机制替换原有的轻量级注意力机制；同时添加Early stop机制，在一定的训练轮次内，若验证集的损失无变化，则停止卷积网络模型训练。
[0029]上述小样本数据下滚动轴承故障诊断方法，所述f
b
的值设定为3，所述f
c
的值设定为3。
[0030]上述小样本数据下滚动轴承故障诊断方法，所述任务集T中存在故障的滚动轴承的原始振动信号数据样本构成数据样本矩阵其中x
m
表示第m个样本，M表示样本数量，表示第m个样本的第i个数据，i＝1,2,...n，n表示样本的长度。
[0031]本专利技术采用小波变换、结构相似生成对抗网络与改进MobileNetv3卷积神经网络相结合的方法来诊断轴承故障，不仅能提取原始振动信号中的故障特征，还可提升诊断模型的泛化能力，从而可准确地诊断小样本数据的轴承故障，保证机械设备安全运行。
附图说明
[0032]下面结合附图对本专利技术作进一步详述。
[0033]图1是实验装置结构示意图；
[0034]图2是本专利技术的整体流程图；
[0035]图3是判别模型与生成模型的Loss变化曲线；
[0036]图4是实验数据分类精确度条形图；
[0037]图5是改进前后的MobileNetv3网络对数据分类精确度条形图；
[0038]图6是分类结果二维可视化；
[0039]图7是滚动轴承故障数据集样本状况图。
[0040]文中各符号为：T表示任务集，X表示数据样本矩阵，M表示样本数量，x
m
表示第m个样本，n表示样本的长度，表示第m个样本的第i个数据，t表示时间，f表示频率，f
b
是形状参数，a是变换尺度，f
c
是中心频率，x表示原始振动信号小波图像样本中的像素值，y表示生成样本中的像素值，μ
x
为x的均值，μ
y
为y的均值，为x的方差，为y的方差，σ
xy
为x和y的协方差，C1，C2，C3为三个常数，α、β、γ均为大于0的常数。
具体实施方式
[0041]本专利技术针对现有技术之弊端，结合传统故障诊断方法和深度网络模型，提供了一种小样本数据下滚动轴承故障诊断方法，以准确诊断滚动轴承故障，保证机械设备安全运行。
[0042]本专利技术包括以下步骤：
[0043]a.将数据采集系统采集到的存在故障的滚动轴承的原始振动信号数据样本根据不同工况、不同故障类型进行分类，构建成任务集T，得到由原始振动信号数据样本组成的数据样本矩阵其中x
m
表示第m个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本数据下滚动轴承故障诊断方法，其特征是，轴承故障信号利用轴承故障实验台进行采集，所述轴承故障实验台由加速度传感器、电动机、测试轴承和加载模块组成，采集的数据处理按以下步骤进行：a.采集存在故障的滚动轴承的原始振动信号数据样本，构建成任务集T，根据不同工况、不同故障类型对任务集T中的数据样本进行分类；b.采用Morlet小波基函数对任务集T中的数据样本进行小波变换，将每个数据样本转换成带有故障特征的二维小波图像样本,然后将任务集T中的小波图像样本划分为训练集、验证集和测试集；c.将训练集中的各个小波图像样本输入到SSGAN模型中进行训练，得到对应的生成样本，将生成样本作为辅助训练样本添加到训练集中，完成训练集的扩充；d.将扩充后的训练集中的小波图像样本输入到改进的MobileNetv3卷积网络中对卷积网络进行训练，训练过程中利用验证集对卷积网络参数进行调整；e.将测试集中的小波图像样本输入到训练好的卷积网络，对卷积网络进行测试；f.采用步骤b的方法将待诊断滚动轴承的振动信号进行小波变换后输入到测试合格的MobileNetv3卷积网络中，完成小样本轴承故障诊断。2.根据权利要求1所述的小样本数据下滚动轴承故障诊断方法，其特征是，将任务集中的数据进行小波变换时，选用cmor小波作为小波变换的基函数，表达式为：其对应的傅里叶表示为：式中，t表示时间，f表示频率，f
b
是形状参数，a是变换尺度，f
c
是中心频率。3.根据权利要求1或2所述的一种小样本数据下滚动轴承故障诊断方法，其特征是，将生成样本作为辅助训练样本添加到训练集中之前，先要对生成样本进行筛选，具体筛选步骤为：a.利用下式计算每个生成样本与训练集中各个原始振动信号的小波图像样本的结构相似性SSI...

【专利技术属性】
技术研发人员：向玲，王凯伦，胡雅楠，胡爱军，杨鑫，刘冰，张兰昕，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：