一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法技术

本发明专利技术公开了一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法，涉及机械零部件故障诊断技术领域，由数据输入、网络段1、网络段2和结果输出四部分组成，所述数据输入部分用于对原始数据进行预处理并传输至网络段1中，通过所述网络段1中神经元的连接方式进行网络训练，并将输出的预测序列传输至网络段2；所述网络段2对所述预测序列进行分类以得到多种不同的故障类型并传输至结果输出部分，所述结果输出部分来对其进行训练和诊断，并输出最终的诊断结果。本发明专利技术所述的金字塔型时间卷积神经网络结构及诊断方法，能够对不同传感器数据进行融合，且网络参数小、网络训练时需要的内存资源少且能够进行实时故障诊断。诊断。诊断。

【技术实现步骤摘要】
一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法


[0001]本专利技术属于机械零部件故障诊断
，具体涉及一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法。

技术介绍

[0002]作为旋转机械的核心部件，轴承最易发生故障和损坏，在工业生产过程中，提前发现轴承的故障隐患能够避免轴承失效引起的工业生产过程停顿，提高生产环境安全性，降低由此带来的经济损失。因此轴承故障诊断在工业生产过程中具有非常重要的应用价值。
[0003]现有的轴承故障诊断方法主要是通过采集轴承的振动信号，不同的故障会引起不同类型的振动表现形态，通过故障类型与振动信号的表现形态建立一一对应关系，实现通过对振动信号的分析来对故障类型进行诊断判别。因此振动信号分析就成了故障诊断的关键问题，主流的故障诊断技术主要有分阶段的传统机器学习和端到端深度神经网络两种方法。
[0004]其中分阶段的传统机器学习方法分别特征提取和分类两个主要过程，特征提取是指采用一些数字变换方法将传感器数据进行转换，使信号更具区分度；分类阶段是在特征提取基础上采用支持向量机、聚类等方法将特征相近的信号归为一类。
[0005]而端到端的深度学习方法主要是采用神经网络方法实现传感器数据输入到判别输出的一体化过程，由于传感器信号是一维序列数据，为了表示数据的前后关联关系，用于故障诊断的神经网络一般采用循环神经网络及其提升版本长短时记忆网络、门控循环单元网络。还有一种端到端的神经网络处理方法是将一维传感器数据转换为图片，输入到卷积神经网络中处理。这种方法使得问题求解过程复杂，同时无法将不同类型的传感器数据进行有效融合。
[0006]以上的方法存在的问题是：
[0007](1)后一时刻的输出依赖于前一时刻的数据，因此这种串联型处理方式会使训练速度很慢；
[0008](2)网络训练过程中需要保存素有神经元的中间状态信息，因此需要大量的存储资源，从而导致训练数据集大，数据集制作成本高。现有的深度学习模型性能已经达到非常高的诊断正确率，然而其依赖庞大的数据训练集。比如比较流行的CWRU轴承数据集训练集有9900个样本，测试集有375个样本；
[0009](3)模型参数量多，硬件资源需求高。现有用于故障检测的深度学习方法主要是循环神经网络、长短时记忆网络、门控循环单元网络，这几种网络的特点是训练时需要记忆中间变量状态数据，内存需求量大；
[0010](4)诊断过程依赖所有时间信息，不能实时诊断。现有神经网络方法是对诊断信号从开始到结束全部使用了，信息贯穿全过程。而实时诊断只能使用当前时刻及之前的信息，下一时刻信息不可用，因此现有方法不能用于实时诊断。
[0011]由于现有的轴承故障诊断主流方法存在上述问题，从而导致相应方法在实际应用过程中存在现实困难，难以推广。为此，设计训练数据集小、硬件资源需求量小、能实时诊断的轻型网络具有很强的应用前景。

技术实现思路

[0012]针对现有轴承故障诊断主流方法存在的训练数据集大，数据集制作成本高、模型参数量多，硬件资源需求高、诊断过程依赖所有时间信息，不能实时诊断的缺陷和问题，本专利技术提供一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法。
[0013]本专利技术解决其技术问题所采用的方案是：一种用于实时轴承故障诊断的金字塔型时间卷积网络结构，由数据输入、网络段1、网络段2和结果输出四部分组成，所述数据输入部分用于对从不同类型传感器接收到的数据集进行标准化处理，并使数据与网络结构适配，再将预处理后的数据传输至网络段1部分中；所述网络段1用于根据历史数据预测将来数据，由输入层、隐藏层1、隐藏层2和输出层四层神经元组成，所述隐藏层1、隐藏层2、输出层的每一层神经元分别与前一层的4个神经元连接，通过所述网络段1中神经元的连接方式进行网络训练，并将输出的预测序列传输至网络段2；所述网络段2包括输入层、隐藏层1、隐藏层2、隐藏层3、隐藏层4、隐藏层5和输出层，且每层神经元数量均为前一层的四分之一，输出层为1个神经元；所述网络段2对所述预测序列进行分类以得到多种不同的故障类型并传输至结果输出部分，所述结果输出部分来对其进行训练和诊断，并输出最终的诊断结果。
[0014]上述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，所述数据输入部分通过均匀抽样的方法使数据与网络结构适配；通过最小最大标准化方法使不同属性的传感器数据标准化。
[0015]上述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，所述网络段1用于输出预测序列，包括：通过公式计算出神经元输出，其中a表示输入神经元值，b表示偏置，ReLU(
·
)表示激活函数W表示卷积核权值，且每层卷积核相同；
[0016]网络段1输出序列为OUT1＝(o11,o12,
…
,o1
i
,
…
o1
N
)，标签序列为并约束两者相等；
[0017]网络段I的损失函数为
[0018]上述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，所述结果输出部分将不同通道的输出组成一个多维向量，并通过Softmax函数转换值域为[0,1]的数值。
[0019]上述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，所述结果输出部分训练时采用OneHot编码方式将C种故障类型编码为V＝{v
i
,...,v
C
}，该编码为一个C维向量，对应类别处为1，其余为0；通过计算编码和输出值之间的差异，误差反向传播更新网络参数，且损失函数为：
[0020]上述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，所述结果输出部分通过loss
total
＝λloss1+(1
‑
λ)loss2计算出总损失函数，其中λ是一个超参数，能够调节网络性能。
[0021]一种用于实时轴承故障诊断的金字塔型时间卷积网络诊断方法，应用上述用于实时轴承故障诊断的金字塔型时间卷积网络结构，包括以下步骤：
[0022]S1、数据输入：对原始输入数据进行预处理，保证输入的样本数据能够与网络结构适配，同时对从不同属性的传感器采集到的数据进行标准化处理，并将已标准化处理的数据序列传输至网络段1；
[0023]S2、将从步骤一中输入的标准化数据序列作为标签在网络段1中进行网络训练，从而使其能够预测将来的数据序列，并将输出的预测数据序列传输至网络段2；
[0024]S3、网络段2对从上述S2传输的预测数据序列进行分类，其中各不同的通道输出与之相对应的多种故障类型；
[0025]S4、对上述S3中输出的各故障类型进行训练和诊断，计算出总损失函数，并利用Softmax函数将多分类的输出值转换为范围在[0,1]的概率分布，其中最大值对应的类别即为诊断结果，最后将诊断结果输出。
[0026]与现有技术相比，本专利技术的有益效果是：本专利技术提供的用于实时轴承故障诊断的金字本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：由数据输入、网络段1、网络段2和结果输出四部分组成，所述数据输入部分用于对从不同类型传感器接收到的数据集进行标准化处理，并使数据与网络结构适配，再将预处理后的数据传输至网络段1部分中；所述网络段1用于根据历史数据预测将来数据，由输入层、隐藏层1、隐藏层2和输出层四层神经元组成，所述隐藏层1、隐藏层2、输出层的每一层神经元分别与前一层的4个神经元连接，通过所述网络段1中神经元的连接方式进行网络训练，并将输出的预测序列传输至网络段2；所述网络段2包括输入层、隐藏层1、隐藏层2、隐藏层3、隐藏层4、隐藏层5和输出层，且每层神经元数量均为前一层的四分之一，输出层为1个神经元；所述网络段2对所述预测序列进行分类以得到多种不同的故障类型并传输至结果输出部分，所述结果输出部分来对其进行训练和诊断，并输出最终的诊断结果。2.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：所述数据输入部分通过均匀抽样的方法使数据与网络结构适配；通过最小最大标准化方法使不同属性的传感器数据标准化。3.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构，其特征在于：所述网络段1用于输出预测序列，包括：通过公式计算出神经元输出，其中a表示输入神经元值，b表示偏置，ReLU(
·
)表示激活函数W表示卷积核权值，且每层卷积核相同；网络段1输出序列为OUT1＝(o11,o12,
…
,o1
i
,
…
o1
N
)，标签序列为并约束两者相等；网络段1的损失函数为4.根据权利要求1所述的用于实时轴承故障诊断的金字塔型时间卷积网络结构其特征在于：...

【专利技术属性】
技术研发人员：常亚军，杨艺，张浩淼，李新伟，杨亚威，崔华，张旭和，杨龙，
申请(专利权)人：郑州煤机智控技术创新中心有限公司，
类型：发明
国别省市：