基于MFCC-FcaNet的滚动轴承故障诊断方法技术

本发明专利技术提供一种基于MFCC

【技术实现步骤摘要】
基于MFCC
‑
FcaNet的滚动轴承故障诊断方法


[0001]本专利技术提供一种基于MFCC
‑
FcaNet的滚动轴承故障诊断方法，属于故障模式识别


技术介绍

[0002]据统计，旋转机械发生故障的来源45％是轴承零部件，在工业环境中，由于轴承发生故障将影响整个机械系统的安全运行，甚至会造成不可估量的经济损失。随着机械装备自动化程度与信息化程度日益提高，数据驱动的故障诊断方法成为工业领域轴承故障识别的新趋势。由于滚动轴承的运行状态是一个连续的过程，当轴承部件发生故障时，振动信号的时域和频域特征与正常状态相比没有明显变化，在带有噪声的环境中工作，从非平稳原始振动信号中提取显著特征仍是一个巨大挑战。与时域和频域特征相比，更健壮的时频域特征提取技术为更可靠的诊断提供了坚实的基础，因为它们更不受噪声的影响。同时目前卷积神经网络在故障模式识别中已经取得了很大的成功，依靠其强大的特征提取与拟合能力，在故障模式识别方面有着广泛的应用。

技术实现思路

[0003]本专利技术针对现有技术的缺陷，提出了一种基于频域注意力机制的卷积神经网络故障诊断方法(MFCC
‑
FcaNet)。对于实际工业环境下滚动轴承的故障信号淹没在背景噪声中，导致早期微弱故障难以被有效捕捉的问题，采用梅尔频率倒谱系数提取测量获得滚动轴承振动加速度信号的敏感故障特征。通过将经典通道注意力机制中的全局平均池化层改进为基于DCT离散余弦变换的频域注意力机制来改善经典的通道注意力机制方法中全局平均池化仅计算单一频谱导致的丢失大量有效信息的问题。
[0004]具体的技术方案为：
[0005]基于MFCC
‑
FcaNet的滚动轴承故障诊断方法，包括以下步骤：
[0006]步骤1、对滚动轴承典型故障开展振动测试实验，测量获得振动加速度信号；
[0007]步骤2、对滚动轴承振动加速度原始信号进行分帧加窗，对分帧加窗后的信号进行快速傅里叶变换得到各帧信号的频谱，然后对各帧信号频谱进行非线性频率
‑
梅尔转换然后输入梅尔三角带通滤波器进行滤波得到梅尔功率谱；最后对梅尔功率谱通过离散余弦变换得到梅尔倒谱系数图；
[0008]步骤3、正向传播：将计算得到的梅尔倒谱系数图输入基于MFCC
‑
FcaNet的神经网络中进行前向传播；
[0009]步骤4、反向传播：定义网络损失函数，根据损失函数反向传播，对MFCC
‑
FcaNet的神经网络进行迭代优化训练；
[0010]步骤5、网络测试：向训练完成的网络模型输入滚动轴承测试集梅尔倒谱系数图，通过分类网络得到测试数据的故障类型。
[0011]本专利技术将基于频域注意力机制卷积神经网络与梅尔频谱倒谱分析相融合，充分利
用了原始传感信息的时域特征和频域特征，同时融合了卷积神经网络的自学习特征提取能力；除此之外引入频域注意力机制，实现对图像关键特征定位的同时提取到更多故障敏感特征。
[0012]该技术方法至少具有以下优点：
[0013](1)本专利技术所述的基于MFCC
‑
FcaNet的滚动轴承故障诊断方法采用梅尔频率倒谱系数对滚动轴承振动信号进行故障敏感特征提取，将梅尔倒谱系数图作为神经网络的输入，克服工业环境噪声能力显著。
[0014](2)本专利技术所述的基于MFCC
‑
FcaNet的滚动轴承故障诊断方法与目前前沿的滚动轴承故障诊断方法相比，所述的卷积神经网络采用的ResNet34作为主体，使用残差结构解决了网络过拟合的问题。
[0015](3)本专利技术所述的基于MFCC
‑
FcaNet的滚动轴承故障诊断方法在传统的卷积神经网络注意力机制基础上针对全局平均池化层的特征信息丢失缺陷，采用基于DCT离散余弦变换的频域注意力机制，通过选取前k项对诊断结果贡献最大的频率分量实现对图像关键特征定位的同时提取到更多故障敏感特征。
[0016](4)本专利技术所述的基于MFCC
‑
FcaNet的滚动轴承故障诊断方法在实验轴承模拟数据集上准确率，召回率，精确率和F1
‑
分数均达到100％。
[0017](5)本专利技术所述的基于MFCC
‑
FcaNet的滚动轴承故障诊断方法可以在故障模式高度多样化的情况下实现对滚动轴承的端到端的故障模式识别任务。
附图说明
[0018]图1为本专利技术基于频域注意力机制卷积神经网络的故障诊断流程；
[0019]图2为实施例滚动轴承振动信号获取及故障特征提取过程；
[0020]图3为实施例Mel
‑
Scale上的三角滤波器组；
[0021]图4(a)为实施例滚动体1mm故障振动信号及其MFCC梅尔频谱；
[0022]图4(b)为实施例内圈1mm故障振动信号及其MFCC梅尔频谱；
[0023]图4(c)为实施例外圈1mm故障振动信号及其MFCC梅尔频谱；
[0024]图4(d)为正常振动信号及其MFCC梅尔频谱；
[0025]图5(a)为实施例显示标准残差结构块示意图；
[0026]图5(b)为实施例用下采样层残差结构块示意图；
[0027]图6为实施例ResNet34网络结构图；
[0028]图7为实施例基于离散余弦变换的频域注意力机制示意图；
[0029]图8为实施例实验数据集算法对比结果。
具体实施方式
[0030]结合实施例说明本专利技术的具体技术方案。提出了基于MFCC
‑
FcaNet的滚动轴承故障诊断方法，包括：获取机械故障数据并进行预处理；将预处理后的机械故障数据集进行梅尔频率倒谱系数分析获得梅尔频谱。在融合了频域注意力机制的卷积神经网络中通过将经典通道注意力机制中的全局平均池化层改进为基于DCT离散余弦变换的频域注意力机制来改善全局平均池化受限于计算复杂度而仅计算了相当于单一频谱导致的丢失大量有效信
息的问题。卷积神经网络则使用了经典的ResNet34作为主体，根据滚动轴承故障诊断的实际需要，对经典的ResNet34卷积神经网络模型进行改进，构建基于频域注意力机制的卷积神经网络(FcaNet)模型结构。
[0031]具体过程：
[0032]1.滚动轴承典型故障振动测试实验
[0033]滚动轴承的实验数据集取自高速列车安全实验室机械故障模拟综合实验平台。实验平台包括驱动电机、电机控制器、联轴器和轴承支架。典型故障的振动信号采集具体操作过程如下。
[0034](1)装置故障轴承，将故障轴承安装到滚动轴承实验台的轴承座上，本实验通过分别通过替换外圈故障，滚动体故障，内圈故障和复合故障滚动轴承来模拟不同故障类型，如表1。
[0035](2)接通驱动电机的电路，并调整调速开关，通过驱动电机控制器调节电机转速大小，是的滚动轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MFCC
‑
FcaNet的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、对滚动轴承典型故障开展振动测试实验，测量获得振动加速度信号；步骤2、故障特征提取梅尔倒谱系数图；步骤3、正向传播：将计算得到的梅尔倒谱系数图输入基于MFCC
‑
FcaNet的神经网络中进行前向传播；步骤4、反向传播：定义网络损失函数，根据损失函数反向传播，对MFCC
‑
FcaNet的神经网络进行迭代优化训练；步骤5、网络测试：向训练完成的网络...

【专利技术属性】
技术研发人员：谢素超，刘润达，王嘉诚，谭鸿创，李雅鑫，冯哲骏，
申请(专利权)人：中南大学，
类型：发明
国别省市：