一种基于NMF数据增强和CNN的滚动轴承故障诊断方法技术

本发明专利技术的故障诊断方法，对时域振动信号进行预处理，划分出信号样本；对原始信号样本采用高斯窗、凯泽窗、矩形窗函数和重叠的方法分别进行数据增强处理，得到新的信号样本；对所有的时域信号样本采用短时傅里叶变换STFT得到每个样本的二维时频图，利用卷积神经网络提取图像的空间特征；对原始信号样本产生的时频图采用NMF，获得新的时频图；构建一种CNN模型，将数据增强后的时频图作为该模型输入的训练样本和测试样本，提取其中的信号特征，CNN模型经过卷积、批归一化和池化操作后完成训练，实现对故障类型的自动分类。该方法提高可用训练数据的质量，使故障诊断准确性更高，且具有泛用性，可用于滚动轴承的故障诊断和健康管理。可用于滚动轴承的故障诊断和健康管理。可用于滚动轴承的故障诊断和健康管理。

【技术实现步骤摘要】
一种基于NMF数据增强和CNN的滚动轴承故障诊断方法


[0001]本专利技术属于机器工程领域，具体涉及一种基于NMF数据增强和CNN的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为机器工程中的精密元件，在使用过程中可能因为过负载、过热等原因导致使用寿命缩短。因此，监测滚动轴承的状态，尽早发现轴承故障，有利于预防工业事故，节约生产成本。对滚动轴承故障诊断的已有研究中，传统的方法通过分析振动信号的时间、频率和时频域特征，用于确定轴承的状况，但这需要大量的故障检测和信号处理的先验信息，而实际中滚动轴承工作状态复杂多变，不易从振动信号中提取特征。基于机器学习的卷积神经网络对图像的空间特征提取能力强，可将一维振动信号转换为二维图像，提取其中空间特征，用于轴承故障诊断。滚动轴承通常处于稳定条件下运行，很少发生故障，检测其工作状态时，正常工作状态下产生的数据通常远多于故障状态下的数据，数据的分布并不平衡。机器学习模型需要足够的操作数据进行训练，收集的故障状态数据少，缺乏足够的训练样本，模型就容易出现过拟合的情况，导致模型准确度降低，诊断性能下降。因此，获取足够的数据，提高训练数据的质量和数量，有利于提高深度学习模型在实际应用中的分类准确性和可推广性，保障故障诊断的准确性。

技术实现思路

[0003]为了对滚动轴承进行故障诊断和健康管理，本专利技术提出了一种基于NMF数据增强和CNN的滚动轴承故障诊断方法，给出了时域信号预处理的过程，提出了一种用于故障分类的轻量级CNN模型。时域信号通过STFT转换为二维时频图，经过数据增强后，形成新的数据集，作为CNN模型的输入数据。针对滚动轴承故障状态下样本不足的问题，给出基于NMF和时域信号处理的数据增强方法，丰富了训练样本，提高了训练模型的准确性。
[0004]本专利技术采用的技术方案是：
[0005]振动信号预处理。为了减少后续CNN模型训练消耗的资源，将原始振动信号划分成更小的等尺寸信号样本。
[0006]生成二维时频图。传统的卷积神经网络不易从一维时域信号中提取特征，同时滚动轴承的振动信号具有非平稳性，很难根据时域或频域描述其中的相关性。通过STFT从一维信号生成结构更加复杂的二维图像，利用卷积神经网络对图像特征提取的优势，便于获取轴承运行状态的重要特征。
[0007]数据增强算法扩充训练样本。对时域信号样本，通过窗函数和重复的方法进行信号处理，得到新的时域信号后，提高时频谱的时域或频域分辨率，再进行STFT变换，得到新的时频图样本；对原始信号样本生成的时频图，采用NMF分解其中的特征。这种方法保留了原始样本的信号特征，从当前样本中合成新的标记样本，规避标记训练数据的不可用性，提高训练模型的鲁棒性。
[0008]数据集合成，生成诊断模型的训练样本和测试样本。对不同数据增强方法产生的时频图采用不同的标记区分，为了体现数据增强方法之间的差异性，设计参考组和不同的组合形成多个数据集，作为诊断模型的输入数据，
[0009]训练CNN诊断模型。设计轻量级CNN模型，包括特征学习阶段和分类阶段，模型通过卷积层、批归一化层、激活层和池化层从训练样本提取抽象空间特征。分类阶段是一个由全连接层组成的多层感知器，全连接层由隐藏层组成。经过多次迭代后，完成模型训练。同其他方法比较，评估该模型的故障分类性能以及跨域诊断的效果。
[0010]具体步骤如下：
[0011]步骤1：信号预处理。根据轴承转速选择合适的采样率，把原始振动信号划分为等尺寸的样本信号。
[0012]步骤2：数据增强。对样本信号采用高斯、凯泽、矩形窗函数，以及不同比例的重叠进行信号处理，产生新的信号样本。选择固定长度的窗函数，通过STFT得到每个信号样本对应的二维时频谱，便于提取特征。
[0013]步骤3：对原始信号样本生成的时频图，将其转换成矩阵数据，使用NMF提取其中的故障特征，计算迭代后的闭式解，生成具有其特征的时频图，实现数据扩充。
[0014]步骤4：构建一个用于故障诊断的轻量级CNN模型，通过设置合适的超参数，实现尽量少的层数下提高卷积速度。模型通过卷积、批归一化、池化操作提取扩充后训练样本中的特征，对故障类型进行分类。
[0015]步骤5：设置多个数据集和参考组，参考评估诊断模型的分类效果，从准确度、精确度、召回率和f1值比较各个负载下故障诊断性能，测试该模型的跨域诊断性能，比较本方法于同类方法的优劣。
[0016]本专利技术的有益效果：将振动信号变换成二维时频图处理，保留原始信号中的数据相关性和非平稳数据特征。通过窗函数等方法改变时频图的时域或频域分辨率，实现数据扩充。基于NMF对原始时频图进行分解，实现数据增强，提高训练模型的泛化能力。轻量级CNN模型减少了卷积过程，降低训练时间。
附图说明
[0017]图1为本专利技术的总体结构框图。
[0018]图2为采样的振动信号分割示意图。
[0019]图3为采用不同数据增强方法下产生的训练样本，(a)为原始数据，(b)为高斯窗函数，(c)为凯撒窗函数，(d)为矩形窗函数，(e)为25％重叠，(f)为75％重叠，(g)为NMF。
[0020]图4为搭建的轻量级CNN诊断模型结构框图。
[0021]图5为构建的数据集组合示意图。
[0022]图6为不同负载情况下数据集的准确度评估情况。
[0023]图7为数据集的训练时间和准确度比较结果。
[0024]图8为试验测试集损失值的箱线图。
具体实施方式
[0025]本专利技术的原理流程图如图1所示，将振动信号转换成具有空间特征的时频图，经过
多种数据增强的方法后，形成数据集，在CNN模型中完成训练过程，实现自动分类。下面通过具体实施例，结合附图对本专利技术的故障诊断方法作进一步介绍。
[0026]使用的振动信号数据来自凯斯西储大学(CWRU)的滚动轴承数据集，试验轴承为SKF 6205
‑
2RS JEM型深沟球轴承，以12kHz的采样率收集数据。每种状态下有0hp、1hp、2hp、3hp共计4种负载，其中hp为英制马力，1hp＝0.75kw。根据负载的不同，轴承转速范围从1797rpm到1730rpm。数据集包括类型：正常状态(N)、内圈故障(OF)、外圈故障(IF)和滚动体故障(BF)。故障点蚀直径分别为0.18、0.36和0.54mm，每种负载下包括十种轴承健康状况。
[0027]进一步的，步骤1的详细过程为：
[0028]信号预处理，划分样本数据。从振动信号中获取多个相同点数的样本，需要对振动信号进行划分。正常状态下，0hp负载时的振动信号的长度为240000，其他3种负载下长度为480000。所有的故障状态下，振动信号的总长度为120000。采样频率Fs为12kHz，工作转速s为1797rpm，则每转的采样点数Ns可估计为：
[0029][0030]样本大小取为400点进行划分，样本划分示意图如图2。在所有故障状态下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于NMF数据增强和CNN的滚动轴承故障诊断方法，其特征在于，包括有以下步骤：步骤1、信号预处理，根据轴承转速选择合适的采样率，将原始振动信号划分为等尺寸的样本信号；步骤2、数据增强，对样本信号采用高斯、凯泽、矩形窗函数，以及不同比例的重叠进行信号处理，产生新的信号样本，选择固定长度的窗函数，通过STFT得到每个信号样本对应的二维时频谱；步骤3、对原始信号样本生成的时频图，将其转换成矩阵数据，使用NMF提取其中的故障特征，计算迭代后的闭式解，生成具有其特征的时频图，实现数据扩充；步骤4、构建一个用于故障诊断的轻量级CNN模型，通过设置合适的超参数，实现尽量少的层数下提高卷积速度，模型通过卷积、批归一化、池化操作提取扩充后训练样本中的特征，对故障类型进行分类；步骤5、设置多个数据集和参考组，参考评估诊断模型的分类效果，从准确度、精确度、召回率和f1值比较各个负载下故障诊断性能，测试该模型的跨域诊断性能，比较本方法于同类方法的优劣。2.根据权利要求1所述的一种基于NMF数据增强和CNN的滚动轴承故障诊断方法，其特征在于，所述步骤1从原始振动信号中获取多个相同点数的样本，并对其进行划分。3.根据权利要求1所述的一种基于NMF数据增强和CNN的滚动轴承故障诊断方法，其特征在于，所述步骤2中对每个窗口内的时域信号做STFT，形成不同时间窗口的频域信号，将一维时域信号变换为二维时频图，时域信号的STFT可以表示为：其中w(t
‑
τ)为滑动窗。4.根据权利要求1所述的一种基于NMF数据增强和CNN的滚动轴承故障诊断方法，其特征在于，所述步骤2中重叠选择25％和75％的重叠比例。5.根据权利要求1所述的一种基于NMF数据增强和CNN...

【专利技术属性】
技术研发人员：王洪，李磊，德拉尼奥，吴龙泉，张昊坤，金焱，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：