一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法技术

本发明专利技术公开了一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：包括，利用加速传感器采集轴承振动信号；利用经验模态分解技术对采集的信号进行数据分解处理；将处理后的信号通过卷积神经网络构建诊断模型；以及将需要诊断的轴承信号输入到诊断模型中进行诊断；采用本发明专利技术，利用集成经验模态分解将原始信号分解为携带不同故障特征的本征模态函数，同时剔除了原始信号的噪音信号，这些本征模态函数与原始信号比，虽然每个信号携带的故障信息减少，但是经过集成学习融合多个分类器，反而展现出强的泛化性能和稳定性，与传统的机器学习模型和单模型深度学习模型，拥有更好的诊断性能。拥有更好的诊断性能。拥有更好的诊断性能。

【技术实现步骤摘要】
一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法


[0001]本专利技术涉及旋转机械故障诊断的
，尤其涉及一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法。

技术介绍

[0002]旋转机械在诸多行业中发挥着重要作用，其本身故障会引起重大的经济损失，甚至安全事故，据不完全统计，约30％的旋转机械设备故障来源于轴承的故障。因此对轴承的故障诊断有重要的研究价值和现实意义。
[0003]随着计算机技术，传感器技术和通讯技术的发展，获取和储存大量历史数据已不再是困难的事情，为了从历史数据中挖掘故障特征，深度学习等基于数据驱动的诊断技术迅速发展。相比于传统的故障诊断技术，虽然基于深度学习的故障诊断技术摆脱了对先验知识和专家经验的依赖，但仍然存在不足，当前基于深度学习的故障诊断研究大多是基于单模型的研究，这往往会限制的进模型性能一步提升，而且单模型的性能在复杂工况下，会出现泛化性能差，不稳定等问题。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：前基于深度学习的故障诊断研究大多是基于单模型的研究，这往往会限制的进模型性能一步提升，而且单模型的性能在复杂工况下，会出现泛化性能差，不稳定的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：包括，
[0008]利用加速传感器采集轴承振动信号；
[0009]利用经验模态分解技术对采集的信号进行数据分解处理；
[0010]将处理后的信号通过卷积神经网络构建诊断模型；以及，
[0011]将需要诊断的轴承信号输入到诊断模型中进行诊断。
[0012]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述利用加速传感器对轴承振动信号进行采集是通过将加速传感器安装在轴承表面，当轴承运转时，轴承表面会发生微小振动，振动会通过加速传感器转化为相应的电信号，从而完成轴承振动信号的采集，并将采集的信号划分成训练集和测试集。
[0013]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方
法的一种优选方案，其中：所述利用经验模态分解技术对采集的信号进行数据分解处理是利用经验模态分解技术对训练集和测试集进行信号分解得到n
‑
1个本征模态函数；所述经验模态分解技术是一种将信号分解为一组固有模态的叠加的信号处理技术；所述分解得到n
‑
1个本征模态函数的视线过程如下：对原始数据进行经验模态分解，得到第一个本征模态函数和一个分解信号，将原始数据减去第一个本征模态函数，进而得到一个新的数据集，对新的数据集进行经验模态分解，得出第二个本征模态函数和第一个分解信号，重复上述过程，每次对前一步得到的分解信号进行经验模态分解，得到下一个本征模态函数和一个分解信号，知道得到n
‑
1个本征模态函数以及一个分解信号，通过反复执行上述操作步骤，得到n
‑
1个本征模态函数和n
‑
1个原始信号，所述原始信号是对应本征模态函数和之前所有本征模态函数的线性组合；所述分解信号是一个单调其子啊有限区间内振荡的函数，用于描述原始信号中的不同频率和振幅变化。
[0014]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述将处理后的信号通过卷积神经网络构建诊断模型是通过将n
‑
1个分解信号和原始信号搭建n个卷积神经网络，并将神经网络输出结果通过组合策略得到集成诊断模型；所述搭建n个卷积神经网络是通过十折交叉运算得到适用于集成学习的n值，并将n
‑
1个分解信号和原始信号搭建n个卷积神经网络，所述十折交叉运算是一种基于准确评估模型的泛化误差的方法。
[0015]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述通过十折交叉运算得到适用于集成学习的n值的具体实现规则如下：初始化n的取值范围，并定义一个列表R，用于存储每个n值的性能指标，将原始数据集随机分成10份，通过n的取值范围内循环，对于每个n值，采取如下操作：定义用于存储对应n值下的10个验证结果的列表r，在10次循环过程中，对于每一次循环，使用9份数据训练n个基础模型，剩余1份作为验证集，进行模型训练和验证，并将本次验证的性能指标添加到列表r中，计算r列表中的平均值，将平均值作为本次的n值的性能指标，并将本次性能指标添加到R列表中，通过对比R列表中的新能指标，从而选择出性能最优的n值。
[0016]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述卷积神经网络包括，
[0017]采用ReLu函数的激活函数层，采用最大池化的池化层，减少模型的过拟合现象的drop层，以及基于softmax函数的分类器；所述激活函数是用于提高模型的表达能力和训练速度的函数，具体实现公式如下：
[0018]f(x)＝max(0,x)
[0019]且满足以下规则：
[0020]当x＞0时，f(x)＝x；当x≤0时，f(x)＝0；
[0021]且对于函数进行取导后，有：
[0022]当f
′
(x)＞0时，f(x)＝1；当f
′
(x)≤0时，f(x)＝0。
[0023]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述将神经网络输出结果通过组合策略得到集成诊断模型包括，利用训练集的n个分解信号训练n个卷积神经网络；对n个卷积神经网络进行赋权；对n个卷积神经网络的权重进行归一化处理；以及通过组合策略构建诊断模型。
[0024]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述对n个卷积神经网络的权重进行归一化处理是用归一化方法来提高模型的泛化能力以及加快训练过程，所述归一化方法的计算公式如下：
[0025][0026]其中，w
i
表示归一化后的第i个卷积神经网络的权重，acc
i
表示上述对于每个卷积神经网络进行赋权的权重。
[0027]作为本专利技术所述一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法的一种优选方案，其中：所述组合策略是基于每个类别的预测概率分布的评估策略，具体实现公式如下：
[0028]p(k)＝∑pre
i
*w
i
[0029]v本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：包括，利用加速传感器采集轴承振动信号；利用经验模态分解技术对采集的信号进行数据分解处理；将处理后的信号通过卷积神经网络构建诊断模型；以及，将需要诊断的轴承信号输入到诊断模型中进行诊断。2.如权利要求1所述的一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：所述利用加速传感器对轴承振动信号进行采集是通过将加速传感器安装在轴承表面，当轴承运转时，轴承表面会发生微小振动，振动会通过加速传感器转化为相应的电信号，从而完成轴承振动信号的采集，并将采集的信号划分成训练集和测试集。3.如权利要求2所述的一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：所述利用经验模态分解技术对采集的信号进行数据分解处理是利用经验模态分解技术对训练集和测试集进行信号分解得到n
‑
1个本征模态函数；所述经验模态分解技术是一种将信号分解为一组固有模态的叠加的信号处理技术；所述分解得到n
‑
1个本征模态函数的视线过程如下：对原始数据进行经验模态分解，得到第一个本征模态函数和一个分解信号，将原始数据减去第一个本征模态函数，进而得到一个新的数据集，对新的数据集进行经验模态分解，得出第二个本征模态函数和第一个分解信号，重复上述过程，每次对前一步得到的分解信号进行经验模态分解，得到下一个本征模态函数和一个分解信号，知道得到n
‑
1个本征模态函数以及一个分解信号，通过反复执行上述操作步骤，得到n
‑
1个本征模态函数和n
‑
1个原始信号，所述原始信号是对应本征模态函数和之前所有本征模态函数的线性组合；所述分解信号是一个单调其子啊有限区间内振荡的函数，用于描述原始信号中的不同频率和振幅变化。4.如权利要求3所述的一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：所述将处理后的信号通过卷积神经网络构建诊断模型是通过将n
‑
1个分解信号和原始信号搭建n个卷积神经网络，并将神经网络输出结果通过组合策略得到集成诊断模型；所述搭建n个卷积神经网络是通过十折交叉运算得到适用于集成学习的n值，并将n
‑
1个分解信号和原始信号搭建n个卷积神经网络，所述十折交叉运算是一种基于准确评估模型的泛化误差的方法。5.如权利要求4所述的一种基于集成经验模态分解和卷积神经网络的轴承故障诊断方法，其特征在于：所述通过十折交叉运算得到适用于集成学习的n值的具体实现规则如下：初始化n的取值范围，并定义一个列表R，用于存储每个n值的性能指标，将原始数据集随机分成10份，通过n的取值范围内循环，对于每个n值，采取如下操作：定义用于存储对应n值下的10个验证结果的列表r，在10次循环过程中，对于每一次循环，使用9份数据训练n个基础模型，剩余1份作为验证集，进行模型训练和验证，并将...

【专利技术属性】
技术研发人员：武林，卞志刚，刘亮，汪江，李冰，刘美茹，韦皓，
申请(专利权)人：朗坤智慧科技股份有限公司，
类型：发明
国别省市：