基于时频图和多尺度CNN的滚动轴承的故障诊断方法技术

本发明专利技术公开了基于时频图和多尺度CNN的滚轴轴承的故障诊断方法，首先通过加速度传感器采集到滚动轴承不同故障下的原始振动信号，并构建不平衡数据集；分别对上述某类型的原始振动数据样本进行广义S变换生成时频图样本，将时频图样本随机分成训练集和测试集；构建多尺度CNN模型，并将训练集输入到卷积神经网络中进行训练；将训练好的模型进行测试集故障识别。本发明专利技术使用时频图克服了非平稳信号时域或者频域分析不足的问题，同时使用多尺度CNN网络自动提取更有代表性的特征和识别，在不平衡样本的情况下也能达到较高的识别精度。样本的情况下也能达到较高的识别精度。样本的情况下也能达到较高的识别精度。

【技术实现步骤摘要】
基于时频图和多尺度CNN的滚动轴承的故障诊断方法


[0001]本专利技术属于自动控制
，具体涉及一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法。

技术介绍

[0002]在不同类型的机械部件中，滚动轴承是旋转机构的关键部件，其在不同载荷作用下不同位置的失效直径等健康状况对旋转机构的性能、稳定性和寿命有显著影响。作为各种机械装置中使用最为广泛的一种机械部件，其是否正常运行将直接影响整台机器的性能
[0003]传统信号处理方法大多基于静态假设，仅能在时域或频域分析信号的统计特征，并不能揭示联合时频域的瞬时特征。然而时频表示能描述时频域的能量分布和时变特征，它是非稳态信号最完整的表达方法，因此用时频图作为神经网络的输入对机械故障诊断具有重要的作用。深度学习通过建立深层模型，摆脱了对大量信号处理技术与诊断经验的依赖，实现大量数据下故障特征的自适应提取与健康状况的智能诊断。其中CNN(Convolutional Neural Networks)减少了对故障诊断先验知识的依赖性，然而传统CNN的卷积核只有一个尺度，导致其难以提取具有较强鲁棒性的多尺度特征适应不同类型故障，也难以自适应不同的故障数据集。相较于传统CNN，多尺度CNN具有更丰富的视野域和泛化能力，能够同时对信号的全局性信息和局部特征进行提取。采用多尺度卷积网络用于提取数据的多尺度特征，使提取特征更具代表性。

技术实现思路

[0004]为了解决滚动轴承故障样本不平衡情况下故障识别率低的问题，本专利技术提供了种基于时频图和多尺度CNN的滚轴轴承不平衡样本下的故障诊断方法，方法可有效提高对不平衡样本的识别准确率；
[0005]为了达到上述技术目的，本专利技术是通过以下技术方案实现的：一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，包括以下步骤：
[0006]S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动条不同故障和故障程度的振动信号数据，采集的数据同样包含9种故障类型和无故障类型，同时划分不平衡数据集；
[0007]S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；
[0008]S3：构建多尺度CNN网络模型并设置超参数；
[0009]S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断；
[0010]优选的，所述S1中，具体10种不同类型包括类型内圈、外圈和滚动体在不同损伤程度下的各3种故障和无故障样本，不平衡数据集根据IMR不平衡比(imbalance ratio，IMR)来设置；
[0011]优选的，所述S2中一维数据大小设置为512个数据，广义S变换计算公式为：
[0012][0013]其中：为高斯窗函数，且σ＝1/|f|，p取0.78；
[0014]为了更加快速准确的进行故障识别，时频图大小压缩至64
×
64；
[0015]优选的，所述S3中多尺度CNN模型使用inception模块，超参数设置为损失函数为分类交叉熵，训练方式为min
‑
batch，batch_size＝48，迭代次数为50次。
[0016]本专利技术的有益效果是：
[0017]本专利技术使用时频图作为CNN模型训练数据可提取到丰富的时频特征，多尺度CNN模型能够同时对信号的全局性信息和局部特征进行提取，有效提高对不平衡样本的识别准确率。
附图说明
[0018]图1一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法流程图
[0019]图2是本专利技术的不同故障下的广义S变换时频图
[0020]图3是本专利技术的实施例中构建的多尺度CNN神经网络结构图
[0021]图4是本专利技术的实施例中inception模块图
具体实施方式
[0022]为了对本专利技术的技术方案及技术效果做出清楚完整的描述，通过以下实施例进行说明；
[0023]实施例1
[0024]一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，具体步骤如下：
[0025]S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动体不同故障和故障程度的振动信号数据，采集的数据同样包含9种多种故障类型和无故障类型，同时划分不平衡数据集；
[0026]S1.1：具体类型包括类型内圈、外圈和滚动体在不同损伤程度下的各3种故障和无故障样本，不平衡数据集根据IMR不平衡比(imbalance ratio，IMR)来设置；
[0027]S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；
[0028]S2.1：一维数据大小设置为512个数据，广义S变换计算公式为：
[0029][0030]其中：为高斯窗函数，且σ＝1/|f|，p取0.78；
[0031]为了更加快速准确的进行故障识别，时频图大小压缩至64
×
64；
[0032]S3：构建多尺度CNN网络模型并设置超参数，网络结构如图3所示，在最后一层卷积层后加入inception模块；
[0033]S3.1：多尺度CNN模型使用inception模块，超参数设置为损失函数为分类交叉熵，训练方式为min
‑
batch，batch_size＝48，迭代次数为50次；
[0034]S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断。
[0035]实施例2
[0036]作为本专利技术的一个具体实施例，实验轴承是深沟球轴承，型号为6205
‑
2RSH，实验中转速为1797r/min，采样频率为25.6kHz，负载为5000N。每组数据采集20s，采集间隔为3s。采集的数据同样包含9种故障类型和无故障类型，所有故障通过线切割的方法分别在测试轴承不同部分切一个与轴线平行的窄缝；具体类型如表1：
[0037]表1
[0038][0039]表2不平衡数据集组成
[0040]IMR1:12/31/21/10IR0.230020015030IR0.430020015030IR0.630020015030OR0.230020015030OR0.430020015030OR0.630020015030B0.230020015030B0.430020015030B0.630020015030NC2700270027002700
[0041]表中不平衡比分别为1、2/3、1/2、1/10，所有训练集正常样本数为2700个。IMR＝1时，滚动轴承正常状态与故障状态的样本数量均为总样本数量的50％，此时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，包括以下步骤：S1：通过加速度传感器采集滚动轴承内圈、外圈和滚动体不同故障和故障程度的振动信号数据，采集的数据同样包含多种故障类型和无故障类型，同时划分不平衡数据集；S2：利用广义S变换将一维数据样本转换为时频图，获得时频图数据集；对时频图数据集进行压缩和归一化处理，并按3/5，1/5，1/5的比例划分为训练集、验证集、测试集；S3：构建多尺度CNN网络模型并设置超参数；S4：将测试集数据送入训练好的改进CNN模型中，直接获得滚动轴承的故障诊断的分类结果，实验滚动轴承故障的智能诊断。2.根据权利要求1所述一种基于时频图和多尺度CNN的滚动轴承不平衡样本下的故障诊断方法，其特征在于，所述S1中，具体类型包括类型内圈、外圈和滚动体在不同损...

【专利技术属性】
技术研发人员：王晓东，于洋，马军，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：