基于GADF-GAN-AVOA-CNN的轴承故障诊断方法技术

一种基于GADF

【技术实现步骤摘要】
基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法


[0001]本专利技术属于轴承故障诊断领域，特别涉及一种基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械设备中重要的零部件,它的健康与否直接影响着机械设备是否能正常运行,保持滚动轴承的安全可靠在旋转机械中有着非常重要的意义。根据统计，在实际工业生产中旋转机械设备由于滚动轴承故障引起的故障占40％～60％，因此研究出一种能用于工业实际的高效滚动轴承故障诊断方法变得尤为重要。传统的轴承故障诊断方法主要依靠专家库和人工经验提取故障特征并判断其故障类型。传统的轴承故障诊断方法主要是对原始振动信号进行处理然后提取特征分析，包括希尔伯特
‑
黄变换、傅里叶变换、小波变换等，需要依靠工作经验来判断具体故障类型,不仅费时费力而且准确率不高。在过去的几年里，随着深度学习的不断发展其在轴承故障诊断领域得到了广泛地应用，卷积神经网络(CNN)作为深度学习的代表作，在轴承故障诊断方面取得了显著的成绩，它能直接从原始采集数据中学习具有代表性的特征,避免繁琐的提取特征值的过程，实现了端对端的诊断。
[0003]现有的用深度学习进行轴承故障诊断方法中，常用的方法都是处理一维信号，然而在变转速情况下一维信号特征提取较为困难而且存在特征丢失的情况，同时考虑到卷积神经网络应用最广泛最成熟的是二维图像，本专利技术将原始一维信号通过GADF编码为二维图像。现在许多深度学习故障诊断方法都是考虑无噪声情况下进行的，但是实际采集的轴承振动信号往往都是有噪声的，在噪声环境下，许多深度学习故障诊断方法准确率会下降，因此去噪是必不可少的环节。近年来许多学者尝试把深度学习用于图像降噪，比如卷积自编码器、DnCNN、深度残差收缩网络等。然而这些去噪方法存在降噪效果不佳或计算效率不高等问题。生成式对抗网络基于博弈论思想，用判别器和生成器之间对抗训练达到去噪目的，当判别器无法鉴别生成器输出的图像与标签图像之间真假的时候，说明生成器输出的图像已经剔除了噪声干扰。为了更加有效地滤除噪声，将生成式对抗网络与多头自注意力机制结合。
[0004]CNN是解决轴承故障诊断问题的高效手段,但是它的超参数很多、结构参数比较复杂,在构建CNN模型时经常需要反复多次试验和“人工调参”以确定最优模型。“人工调参”过程耗时耗力而且调整好的模型参数结构重用率不高,遇到不同情况需要重新调参，因此“人工调参”一定程度限制了CNN在故障诊断领域的发展。
[0005]因此本专利技术需要解决的技术问题为：设计一个自适应确定最优超参数和结构参数的CNN模型，用于克服传统深度学习无法自动提取模型的超参数和结构参数的缺陷的问题，减少对“人工调参”的依赖。另外需要进一步提高变工况和噪声环境下深度学习故障诊断的准确率和鲁棒性。

技术实现思路

[0006]鉴于
技术介绍
所存在的技术问题，本专利技术所提供的基GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，加强了图像去噪模型的去噪效果和克服了传统深度学习无法自动提取模型的超参数和结构参数的缺陷，提高了变工况和噪声环境下深度学习故障诊断的准确率和鲁棒性。
[0007]为了解决上述技术问题，本专利技术采取了如下技术方案来实现：
[0008]一种基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，步骤如下：
[0009]步骤一：利用振动传感器采集滚动轴承不同部位、不同转速情况下的原始一维振动数据，并对数据进行归一化操作，整理出多段包含三种故障特征和正常状态的一维振动时间序列信号；
[0010]步骤二：将整理好的一维数据按7:2:1分成三份，其中第一份、第三份数据加入0
‑
10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集。利用格拉姆角差场(GADF)技术将所有的一维数据转换为保留时间相关性的二维图像。
[0011]步骤三：建立并初始化基于多头注意力机制的生成式对抗网络(GAN),该网络的作用是对步骤二中含噪图像降噪：典型生成式对抗网络由两部分组成即生成器和判别器，本专利技术用去噪器代替生成式对抗网络中的生成器，为提高模型特征提取能力从而加强去噪效果在去噪器中加入多头自注意力模块。
[0012]步骤四：用步骤二中的训练集样本训练步骤三中建立的基于多头注意力机制的生成式对抗网络，使得隐含层参数最优，去噪器和判别器达到博弈平衡，即网络剔除噪声的能力达到最强。
[0013]步骤五：建立非洲秃鹫算法(AVOA)优化的卷积神经网络模型(CNN):先初始化CNN网络结构；再通过非洲秃鹫算优化法确定CNN网络的5个关键参数，包括卷积层C1的卷积核大小m1和卷积核数量n1,卷积层C3的卷积核大小m2和卷积核数量n2，以及学习率c，训练CNN模型使其参数最优。
[0014]步骤六：将测试集输入到优化的GADF
‑
GAN
‑
AVOA
‑
CNN模型中进行滚动轴承故障诊断。
[0015]进一步的，步骤一采集原始振动信号具体方法是：采集滚动轴承最常见的4种状态即外圈故障、内圈故障、滚动体故障、正常状态的原始振动数据。并对数据进行归一化操作，得到轴承4种工作状态的一维振动时间序列信号。
[0016]进一步的，步骤二将训练集和测试集转换为二维图像具体方法是：
[0017]S1：先将振动信号的一维时序实测值X＝{x1,x2,x3,...,x
n
}通过公式(1)使其排列在[
‑
1,1]区间内
[0018][0019]S2：把数据值编码为角余弦，把时间编码为半径，将S1中转换好的数据在极坐标中通过公式(2)重新表示为：
[0020][0021]式中：r
i
为极坐标半径；t
i
为采样信号时间戳；N是一个常数其作用是规范极坐标系跨度。随着时间往后推移，原始信号对应的数值在极坐标中跨度圆上的不同角度点之间发生变形。
[0022]S3：最后把S1、S2重新排列的一维振动时间序列转换到极坐标系中，通过计算对应点之间的角度差，识别不同时间间隔内的相关性。GADF的定义如下公式(3)
[0023][0024]式中：I为单位行向量；X2，X'2分别为不同的行向量,GADF可以保留时间相关性，因此选择该方法进行一维数据编码。
[0025]进一步的，步骤三中建立基于多头注意力机制的生成式对抗网络由两个网络组成，去噪网络G和判别网络D,把步骤二训练集中加噪图像作为去噪网络G的输入，去噪器输出初步去噪图像x
f
和标签样本x
r
作为判别器输入；判别网络D鉴别去噪数据x...

【技术保护点】

【技术特征摘要】
1.一种基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，其特征在于：包括以下的步骤：步骤一：利用振动传感器采集滚动轴承不同部位、不同转速情况下的原始一维振动数据，并对数据进行归一化操作，整理出多段包含三种故障特征和正常状态的一维振动时间序列信号；步骤二：将整理好的一维数据按7:2:1分成三份，其中第一份、第三份数据加入0
‑
10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集；利用格拉姆角差场技术将所有的一维数据转换为保留时间相关性的二维图像；步骤三：建立并初始化基于多头注意力机制的生成式对抗网络,该网络的作用是对步骤二中含噪图像降噪：用去噪器代替生成式对抗网络中的生成器，在去噪器中加入多头自注意力模块，用于提高模型特征提取能力，从而加强去噪效果，步骤四：用步骤二中的训练集样本训练步骤三中建立的基于多头注意力机制的生成式对抗网络，使得隐含层参数最优，去噪器和判别器达到博弈平衡，即网络剔除噪声的能力达到最强；步骤五：建立非洲秃鹫算法优化的卷积神经网络模型:先初始化CNN网络结构；再通过非洲秃鹫算优化法确定CNN网络的5个关键参数，5个关键参数分别为卷积层C1的卷积核大小m1、卷积核数量n1、卷积层C3的卷积核大小m2、卷积核数量n2和学习率c，训练CNN模型使其关键参数最优；步骤六：将测试集输入到优化GADF
‑
GAN
‑
AVOA
‑
CNN模型中进行滚动轴承故障诊断。2.根据权利要求1所述的基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，其特征在于，步骤一中，采集原始振动信号方法是：采集滚动轴承最常见的4种状态即外圈故障、内圈故障、滚动体故障、正常状态的原始振动数据；并对数据进行归一化操作，得到轴承4种工作状态的一维振动时间序列信号。3.根据权利要求1所述的基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，其特征在于，步骤二中，将训练集和测试集转换为二维图像方法是：S1：先将振动信号的一维时序实测值X＝{x1,x2,x3,...,x
n
}通过公式(1)使其排列在[
‑
1,1]区间内；S2：把数据值编码为角余弦，把时间编码为半径，将S1中转换好的数据在极坐标中通过公式(2)重新表示为：式中：r
i
为极坐标半径；t
i
为采样信号时间戳；N是一个常数其作用是规范极坐标系跨度；随着时间往后推移，原始信号对应的数值在极坐标中跨度圆上的不同角度点之间发生变形；S3：最后把S1、S2重新排列的一维振动时间序列转换到极坐标系中，通过计算对应点之间的角度差，识别不同时间间隔内的相关性；用格拉米角差场的定义如下公式(3)
式中：I为单位行向量；X2，X'2分别为不同的行向量,用格拉米角差场可以保留时间相关性，因此选择该方法进行一维数据编码。4.根据权利要求1所述的基于GADF
‑
GAN
‑
AVOA
‑
CNN的轴承故障诊断方法，其特征在于，步骤三中，建立基于多头注意力机制的生成式对抗网络由两个网络组成，去噪网络G和判别网络D,把步骤二训练集中加噪图像作为去噪网络G的输入，去噪器输出初步去噪图像x
f
和标签样本x
r
作为判别器输入；判别网络D鉴别去噪数据x
f
的真假，通过对抗训练,去噪器G尝试运用x
f
来欺骗判别器D,而判别器D尝试去区分x
r
和x
f

【专利技术属性】
技术研发人员：舒勇，张彬桥，严展鹏，
申请(专利权)人：三峡大学，
类型：发明
国别省市：