本发明专利技术公开了一种滚动轴承故障诊断方法，包括：获取滚动轴承数据集；利用滚动轴承数据集对改进型一维卷积神经网络进行训练，以获取训练好的改进型一维卷积神经网络；将待检测的滚动轴承数据集输入至训练好的改进型一维卷积神经网络，输出滚动轴承故障诊断结果；其中，改进型一维卷积神经网络包括三或四层卷积神经网络，其在常规型一维卷积神经网络的基础上取消了全连接层，并引入了全局均值池化层。本发明专利技术将常规型一维卷积神经网络进行了改进，去除了全连接层并引入了全局均值池化层，且通过大量对照实验确定了三至四层的卷积神经网络层数。通过将如此改进的一维卷积神经网络进行训练和使用，可显著提升滚动轴承故障的诊断准确率和诊断效率。确率和诊断效率。确率和诊断效率。
【技术实现步骤摘要】
滚动轴承故障诊断方法、故障特征提取方法、设备及介质
[0001]本专利技术涉及滚动轴承故障诊断
，更具体地，涉及一种滚动轴承故障诊断方法、故障特征提取方法、设备及介质。
技术介绍
[0002]随着工业系统智能化，复杂化的发展，设备的维修难度和成本也日益增加，而机械轴承故障是导致工业系统故障的最大诱因。在工业设备中，轴承故障占所有电动机故障的65～70％。因此，开发有效的轴承故障诊断技术，对于及时判断故障的发生并避免相关故障引发更大的事故，就显得十分必要。
[0003]然而，传统的轴承故障诊断方法难以提取细微的轴承故障特征，轴承故障诊断效果也难以达到预设的精度和效率等的要求，轴承故障诊断偏差或迟滞致使的安全事故也时有发生。
技术实现思路
[0004]针对
技术介绍
提及的现有技术的至少一个缺陷或改进需求，本专利技术提供了一种滚动轴承故障诊断方法、故障特征提取方法、设备及介质，用于克服传统的轴承故障诊断方法难以提取细微的轴承故障特征，轴承故障诊断效果也难以达到预设的精度和效率等的要求，轴承故障诊断偏差或迟滞致使的安全事故也时有发生的技术缺陷，提升滚动轴承故障诊断的精度和效率，进而满足目前对轴承故障诊断效果越来越苛刻的技术需求。
[0005]为实现上述目的，按照本专利技术的第一个方面，提供了一种滚动轴承故障诊断方法，包括：
[0006]获取滚动轴承数据集；
[0007]利用所述滚动轴承数据集对改进型一维卷积神经网络进行训练，以获取训练好的改进型一维卷积神经网络；
[0008]将待检测的滚动轴承数据集输入至训练好的改进型一维卷积神经网络，输出滚动轴承故障诊断结果；
[0009]其中，所述改进型一维卷积神经网络包括三层或四层卷积神经网络，其在常规型一维卷积神经网络的基础上取消了全连接层，并引入了全局均值池化层。
[0010]进一步地，包括：在所述改进型一维卷积神经网络的每一层卷积神经网络前向传播时，使用批量归一化优化网络结构。
[0011]进一步地，包括：在所述改进型一维卷积神经网络的代价函数后面添加一个正则化项，以进行L2正则化。
[0012]进一步地，包括：在对改进型一维卷积神经网络进行训练时，引入Dropout技术。
[0013]进一步地，所述改进型一维卷积神经网络的激活函数为Relu函数和/或Tanh函数。
[0014]进一步地，包括：在对改进型一维卷积神经网络进行训练时，采用交叉熵损失函数和Adam优化器。
[0015]进一步地，所述改进型一维卷积神经网络为包括三层卷积神经网络的网络结构，其具体结构为：
[0016]卷积(64,8,4,SAME,L2正则化)+Relu激活+池化(2,2,VALID)+卷积(64,8,4,SAME,L2正则化)+Relu激活+池化(2,2,VALID)+卷积(32,4,2,SAME,L2正则化)+Relu激活+池化(2,2)+全局均值池化+Dropout(0.4)。
[0017]按照本专利技术的第二个方面，还提供了一种滚动轴承故障特征提取方法，包括：
[0018]择取预设数量的负载中的任一种负载的滚动轴承数据集训练上述任一项所述的改进型一维卷积神经网络，以获取训练好的改进型一维卷积神经网络；
[0019]利用该训练好的改进型一维卷积神经网络测试预设数量的负载中的其他负载的滚动轴承数据集，以获取其测试缺失数据的性能结果；
[0020]加载该训练好的改进型一维卷积神经网络，使用缺失数据进行再训练，以获取其对预设数量的负载的滚动轴承数据集的测试结果。
[0021]按照本专利技术的第三个方面，还提供了一种电子设备，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元能够执行上述任一项所述方法的步骤。
[0022]按照本专利技术的第四个方面，还提供了一种存储介质，其存储有可由访问认证设备执行的计算机程序，当所述计算机程序在访问认证设备上运行时，使得所述访问认证设备能够执行上述任一项所述方法的步骤。
[0023]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0024](1)本专利技术的滚动轴承故障诊断方法将常规型一维卷积神经网络进行了改进，去除了全连接层并引入了全局均值池化层，且通过大量对照实验确定了三至四层的卷积神经网络层数。通过将如此改进的一维卷积神经网络进行训练和使用，可显著提升滚动轴承故障的诊断准确率和诊断效率。
[0025](2)若用常规型一维卷积神经网络来进行训练和预测诊断同样也可以实现滚动轴承故障的诊断，只是准确率和效率无法保证满足技术需求。本专利技术的滚动轴承故障诊断方法聚焦于对常规型一维卷积神经网络的改进，其使用批量归一化、全局均值池化主要是为了加快训练速度和识别速度，其使用L2正则化、Dropout技术则主要是为了避免过拟合并提高识别的准确率。激活函数可以影响模型训练的收敛速度，其组合的选择则是通过多组对照实验确定的，最后选择的是relu和tanh激活函数的组合来作为激活函数。优化器和损失函数的选择常常决定了模型的收敛速度和效果。选择了不合适的损失函数和优化器将可能导致模型落入局部最优点，这也会使损失函数的值在局部最优点附近徘徊，而无法达到局部最优点，从而导致最终训练出的模型准确性较差。本专利技术通过使用交叉熵损失函数来计算当前模型的概率分布和实际分布之间的差值，从而得到损失函数值。又对目前常用的5种优化器进行了对照实验，最终选择了Adam优化器。Adam优化器和交叉熵损失函数的组合选择使得最终训练出的卷积神经网络模型的准确性最优。
[0026](3)通过大量对照实验，最终确定的最优的改进型一维卷积神经网络的模型结构为：卷积(64,8,4,SAME,L2正则化)+Relu激活+池化(2,2,VALID)+卷积(64,8,4,SAME,L2正则化)+Relu激活+池化(2,2,VALID)+卷积(32,4,2,SAME,L2正则化)+Relu激活+池化(2,2)+
全局均值池化+Dropout(0.4)。对其进行训练并用于滚动轴承故障诊断，其总预测正确率可高达99.6％，可满足目前绝大多数情况下对轴承故障诊断效果的技术需求。
[0027](4)一个滚动轴承故障诊断方法或系统不仅应该具有实时判断滚动轴承健康状况的能力，还应该有能不断学习新数据的特征而不用重新建立模型从头训练的可持续使用性。本专利技术的滚动轴承故障特征提取方法通过初始模型训练得到一个改进的卷积神经网络模型之后，再选取少量数据进行再训练，从而可以极大提升模型对各负载条件下的振动信号特征的提取能力，同时也验证了改进型一维卷积神经网络模型的强学习能力。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于，包括：获取滚动轴承数据集；利用所述滚动轴承数据集对改进型一维卷积神经网络进行训练，以获取训练好的改进型一维卷积神经网络；将待检测的滚动轴承数据集输入至训练好的改进型一维卷积神经网络，输出滚动轴承故障诊断结果；其中，所述改进型一维卷积神经网络包括三层或四层卷积神经网络，其在常规型一维卷积神经网络的基础上取消了全连接层，并引入了全局均值池化层。2.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，包括：在所述改进型一维卷积神经网络的每一层卷积神经网络前向传播时，使用批量归一化优化网络结构。3.如权利要求2所述的滚动轴承故障诊断方法，其特征在于，包括：在所述改进型一维卷积神经网络的代价函数后面添加一个正则化项，以进行L2正则化。4.如权利要求3所述的滚动轴承故障诊断方法，其特征在于，包括：在对改进型一维卷积神经网络进行训练时，引入Dropout技术。5.如权利要求4所述的滚动轴承故障诊断方法，其特征在于，所述改进型一维卷积神经网络的激活函数为Relu函数和/或Tanh函数。6.如权利要求5所述的滚动轴承故障诊断方法，其特征在于，包括：在对改进型一维卷积神经网络进行训练时，采用交叉熵损失函数和Adam优化器。7.如权利要求6所述的滚动轴承故障诊断方法，其特征在于，所述改进型一维卷积神经网络为包括...
【专利技术属性】
技术研发人员：程家乐，黄晓艳，江露，
申请(专利权)人：武汉虹信技术服务有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。