一种基于数字孪生的滚动轴承故障诊断方法技术

一种基于数字孪生的滚动轴承故障诊断方法，包括建立滚动轴承的数字孪生体模型；获取数字孪生体模型在正常状态下运行的仿真振动信号、故障状态下运行的仿真振动信号；对数字孪生体模型在正常状态下运行的仿真振动信号、故障状态下运行的仿真振动信号进行小波变换，生成对应的二维时频图；对ResNet

【技术实现步骤摘要】
一种基于数字孪生的滚动轴承故障诊断方法


[0001]本专利技术涉及电子工程和计算机科学领域，尤其涉及一种基于数字孪生的滚动轴承故障诊断方法，具体适用于通过轴承的振动信号对轴承故障进行诊断。

技术介绍

[0002]当今大数据与人工智能技术的快速发展，为工业系统智能制造提供了巨大机遇的同时，对各类机械装备的功能性、多样性和安全性也带来了更多挑战。现代机械装备由于需要长时间处于稳定运行状态，往往一处细微的故障就可能带来严重的后果，轻则导致设备停止运行，重则引发严重的安全事故。已有的研究与应用表明，若能够及早发现机械装备出现故障的迹象，就能在故障发生之前进行检修和维护，防止事故的发生，提高设备运行效率，极大地降低维护管理费用。在所有机械设备中，旋转机械所占比例约为80％，其中轴承更是旋转机械中不可替代的部分。据统计显示，由于轴承损坏造成的机械故障占所有机械设备故障的30％。
[0003]近年来，深度学习方法被引入到智能故障诊断中，并在轴承故障诊断中取得了优异的成绩。但是深度学习方法中，针对神经网络进行训练需要大量的样本数据，而在实际轴承的监测中，难以获得足够的样本数据，同时实际监测中所获的样本数据中，设备正常运行的数据通常远大于设备故障运行的数据，容易造成数据不平衡，进而影响神经网络的诊断结果。

技术实现思路

[0004]本专利技术的目的是克服现有技术中存在的在实际轴承的监测中，难以获得足够丰富、平衡的样本数据对神经网络模型进习训练的问题，提供了一种能够建立与物理实体高度契合的滚动轴承数字孪生体模型，运转孪生体模型得到大量高度贴合实际的仿真数据以对改进的神经网络进行训练，使改进的神经网络能够准确的进行故障进行诊断的基于数字孪生的滚动轴承故障诊断方法。
[0005]为实现以上目的，本专利技术的技术解决方案是：
[0006]一种基于数字孪生的滚动轴承故障诊断方法，所述故障诊断方法包括如下步骤：
[0007]步骤一、建立滚动轴承的数字孪生体模型；
[0008]步骤二、获取数字孪生体模型在正常状态下运行的仿真振动信号，获取数字孪生体模型在故障状态下运行的仿真振动信号；
[0009]步骤三、对数字孪生体模型在正常状态下运行的仿真振动信号、数字孪生体模型在故障状态下运行的仿真振动信号进行小波变换，生成对应的二维时频图；
[0010]步骤四、对ResNet
‑
50网络进行改进，得到改进后的ResNet
‑
50网络，并使用所述二维时频图对改进的ResNet
‑
50网络进行训练，得到第一故障诊断神经网络；
[0011]步骤五、对所述第一故障诊断神经网络进行迁移学习训练，得到第二故障诊断神经网络；
[0012]步骤六、利用第二故障诊断神经网络检测实际运行的滚动轴承的故障。
[0013]所述步骤四中，对ResNet
‑
50网络进行改进，得到改进后的ResNet
‑
50网络具体包括：
[0014]在ResNet
‑
50网络中设置三条特征提取分支，三条所述特征提取分支的参数相同，每条所述特征提取分支中包含16个依次连接的残差块；
[0015]将ResNet
‑
50网络中的全连接层替换为改进层，三条所述特征提取分支的输出端各通过一个平均池化层AvgPOOL与改进层的输入端相连接，三条所述特征提取分支的输入端同时与ResNet
‑
50网络中的最大池化层MAXPOOL的输出端相连接。
[0016]所述改进层包括依次连接的Dropout层、Dense层和Softmax层，所述Dropout层的输入端与三个所述平均池化层AvgPOOL的输出端相连接，Dropout层的输出端通过Dense层与Softmax层相连接。
[0017]所述步骤五具体包括：
[0018]采集实际的滚动轴承的运行数据，所述运行数据包括：
[0019]实际的滚动轴承在正常状态下运行的振动信号、实际的滚动轴承在外圈故障状态下运行的振动信号、实际的滚动轴承在内圈故障状态下运行的振动信号、实际的滚动轴承在滚动体故障状态下运行的振动信号；
[0020]使用实际的滚动轴承的运行数据对第一故障诊断神经网络中的改进层进行训练，得到第二故障诊断神经网络。
[0021]所述步骤二中，获取数字孪生体模型在正常状态下运行的仿真振动信号包括：通过所述数字孪生体模型模拟滚动轴承的正常运行，并生成正常状态下运行的仿真振动信号。
[0022]所述步骤二中，获取数字孪生体模型在故障状态下运行的仿真振动信号具体包括：
[0023]A1、在实际使用的滚动轴承上设置故障并使其在故障状态下运行，通过传感器采集实际使用的滚动轴承在故障状态下运行的实际振动信号；
[0024]A2、在数字孪生体模型上设置与实际使用的滚动轴承相同的故障，使数字孪生体模型在故障状态下运行；
[0025]A3、采集数字孪生体模型在运行过程中所生成的故障仿真振动信号；
[0026]A4、计算所述实际振动信号的振动加速度与故障仿真振动信号的振动加速度之间的差值，得到第一差值；计算实际振动信号的振幅的变化率与故障仿真振动信号的振幅的变化率的差值，得到第二差值；
[0027]A5、判断第一差值与第二差值是否在预设的范围内：
[0028]若第一差值与第二差值中至少一项不在预设的范围内，则调整数字孪生体模型的动力学模型的参数，随后返回步骤A3；
[0029]若第一差值与第二差值均在预设的范围内，则保持当前的数字孪生体模型的动力学模型的参数不变，并继续运行所述数字孪生体模型，同时生成数字孪生体模型在故障状态下运行的仿真振动信号。
[0030]所述步骤A5中，调整数字孪生体模型的动力学模型参数具体包括：
[0031]A5
‑
1、根据下列公式计算第一修正差值f
Xi
、第二修正差值f
Yi
：
[0032][0033]式中，i＝1、2或r；当实际使用的滚动轴承上设置的故障为外圈故障时i＝1；当实际使用的滚动轴承上设置的故障为内圈故障时i＝2；当实际使用的滚动轴承上设置的故障为滚动体圈故障时i＝r；i＝1时m
i
为轴承外圈的质量；i＝2时m
i
为轴承内圈的质量；i＝r时m
i
为轴承滚动体的质量；X
i
为故障仿真信号在振动时域波形图上的横坐标；Y
i
为故障仿真信号在振动时域波形图上的纵坐标；X为实际振动信号在振动时域波形图上的位置,k、c均为权重系数，k的取值范围为[0
‑
1]，c的取值范围为[0
‑
1]；
[0034]A5
‑
2、通过第一修正差值f
Xi
、第二修正差值f
Yi
对数字孪生体模型的动力学模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的滚动轴承故障诊断方法，其特征在于：所述故障诊断方法包括如下步骤：步骤一、建立滚动轴承的数字孪生体模型；步骤二、获取数字孪生体模型在正常状态下运行的仿真振动信号，获取数字孪生体模型在故障状态下运行的仿真振动信号；步骤三、对数字孪生体模型在正常状态下运行的仿真振动信号、数字孪生体模型在故障状态下运行的仿真振动信号进行小波变换，生成对应的二维时频图；步骤四、对ResNet
‑
50网络进行改进，得到改进后的ResNet
‑
50网络，并使用所述二维时频图对改进后的ResNet
‑
50网络进行训练，得到第一故障诊断神经网络；步骤五、对所述第一故障诊断神经网络进行迁移学习训练，得到第二故障诊断神经网络；步骤六、利用第二故障诊断神经网络检测实际运行的滚动轴承的故障。2.根据权利要求1所述的一种基于数字孪生的滚动轴承故障建模与诊断方法，其特征在于：所述步骤四中，对ResNet
‑
50网络进行改进，得到改进后的ResNet
‑
50网络具体包括：在ResNet
‑
50网络中设置三条特征提取分支，三条所述特征提取分支的参数相同，每条所述特征提取分支中包含16个依次连接的残差块；将ResNet
‑
50网络中的全连接层替换为改进层，三条所述特征提取分支的输出端各通过一个平均池化层AvgPOOL与改进层的输入端相连接，三条所述特征提取分支的输入端同时与ResNet
‑
50网络中的最大池化层MAXPOOL的输出端相连接。3.根据权利要求2所述的一种基于数字孪生的滚动轴承故障建模与诊断方法，其特征在于：所述改进层包括依次连接的Dropout层、Dense层和Softmax层，所述Dropout层的输入端与三个所述平均池化层AvgPOOL的输出端相连接，Dropout层的输出端通过Dense层与Softmax层相连接。4.根据权利要求1所述的一种基于数字孪生的滚动轴承故障建模与诊断方法，其特征在于：所述步骤五具体包括：采集实际的滚动轴承的运行数据，所述运行数据包括：实际的滚动轴承在正常状态下运行的振动信号、实际的滚动轴承在外圈故障状态下运行的振动信号、实际的滚动轴承在内圈故障状态下运行的振动信号、实际的滚动轴承在滚动体故障状态下运行的振动信号；使用实际的滚动轴承的运行数据对第一故障诊断神经网络中的改进层进行训练，得到第二故障诊断神经网络。5.根据权利要求1所述的一种基于数字孪生的滚动轴承故障建模与诊断方法，其特征在于：所述步骤二中，获取数字孪生体模型在正常状态下运行的仿真振动信号包括：通过所述数字孪生体模型模拟滚动轴承的正常运行，并生成正常状态下运行的仿真振动信号。6.根据权利要求5所述的一种基于数字孪生的滚动轴承故障建模与诊断方法，其特征
在于：所述步骤二中，获取数字孪生体模型在故障状态下运行的仿真振动信号具体包括：A1、在实际使用的滚动轴承上设置故障并使其在故障状态下运行，通过传感器采集实际使用的滚动轴承在故障状态下运行的实际振动信号；A2、在数字孪生体模型上设置与实际使用的滚动轴承相同的故障，使数字孪生体模型在故...

【专利技术属性】
技术研发人员：潘昊，余意，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：