基于确定学习与卷积神经网络的轴承故障检测方法及系统技术方案

本发明专利技术属于轴承故障诊断领域，提供了一种基于确定学习与卷积神经网络的轴承故障检测方法及系统，包括获取轴承故障的一维轴承振动信号，利用高增益观测器将一维轴承振动信号扩展成二维轴承振动信号；对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号；基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图；基于轴承振动信号的动力学信息图，利用预先训练好的卷积神经网络模型中进行故障检测，得到轴承故障检测结果。本发明专利技术从动力学系统角度首次把轴承振动信号的动力学信息可视化成动力学信息图，并通过动力学信息的改变检测故障的发生。并通过动力学信息的改变检测故障的发生。并通过动力学信息的改变检测故障的发生。

【技术实现步骤摘要】
基于确定学习与卷积神经网络的轴承故障检测方法及系统


[0001]本专利技术属于轴承故障诊断
，具体涉及一种基于确定学习与卷积神经网络的轴承故障检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]故障诊断通过监测机械设备的运行状态，识别已经发生的故障类型以及发生的时间，对于提高机械系统的可靠性和安全性至关重要。轴承是旋转设备的关键部件，故障率很高(如，轴承引起的故障约占电机总故障的41％)。轴承故障的检测是至关重要的，这种故障不仅会破坏设备的可靠性和安全性，甚至有可能造成严重的经济损失和人员伤亡。
[0004]特征提取是故障诊断方法的一个关键步骤。常用的人工特征提取方法有统计分析、短时傅里叶变换、小波变换、经验模态分解等。然而，人工特征提取的有效性极其依赖于先验知识。近年来，基于深度学习的智能故障诊断能够为端到端的故障检测进行自动特征提取，卷积神经网络(CNN)特别适用于深度特征提取。目前，有一些方法通过把振动时间序列信号转换成振动图像，能通过CNN对图像的特征学习进行故障诊断。现有研究表明，当系统发生故障，往往是因发生了健康动力学到故障动力学的改变。而目前尚未有从动力学系统角度把动力学信息转换成图像的CNN故障诊断方法。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于确定学习与卷积神经网络的轴承故障检测方法及系统，本专利技术从动力学系统角度首次把轴承振动信号的动力学信息可视化成动力学信息图，并通过动力学信息的改变检测故障的发生。
[0006]根据一些实施例，本专利技术的第一方案提供了一种基于确定学习与卷积神经网络的轴承故障检测方法，采用如下技术方案：
[0007]基于确定学习与卷积神经网络的轴承故障检测方法，包括：
[0008]获取轴承故障的一维轴承振动信号，利用高增益观测器将一维轴承振动信号扩展成二维轴承振动信号；
[0009]对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号；
[0010]基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图；
[0011]基于轴承振动信号的动力学信息图，利用预先训练好的卷积神经网络模型中进行故障检测，得到轴承故障检测结果。
[0012]进一步地，所述对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号，具体为：
[0013]对二维轴承振动信号中的每一维度进行最大值标准化处理；
[0014]归一化函数为：
[0015][0016]其中，x
i
表示第i样本的一维时间序列，表示该振动数据集中在j维度所有样本的最大值，表示归一化后的样本。
[0017]进一步地，所述基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图，具体为：
[0018]采用确定学习机制对轴承振动信号进行建模，得到轴承振动信号的动力学信息模型；
[0019]对于归一化后的轴承振动信号的轨迹区域进行网格化，得到网格化的动力学信息输入；
[0020]基于网格化的动力学信息输入，利用轴承信号的动力学信息模型，得到轴承振动信号的动力学信息图。
[0021]进一步地，所述轴承振动信号的动力学信息模型，具体为：
[0022][0023]其中，代表状态轨迹的邻域，表示RBF神经网络权值收敛后在Tk
a
到Tk
b
时间区间内的平均权值，i＝1,2，T是采样时间，表示待估计神经网络权重S(z)表示径向基函数组成的回归向量。
[0024]进一步地，所述轴承振动信号的动力学信息图是一个m
×
m的矩阵，具体为：
[0025][0026]其中，z
i
(1),
…
,z
i
(m),i＝1,2是指把区间[
‑
1,1]均匀分割成m
‑
1份对应的数据点；
[0027]把上述矩阵转换成灰度图，即形成针对每个轴承振动信号的动力学信息图。
[0028]进一步地，卷积神经网络模型的训练过程，具体为：
[0029]针对生成的振动信号动力学信息图，训练集和测试集按照7:3的比例划分；
[0030]将训练集轴承振动信号动力学信息图输入到卷积神经网络中进行轴承故障检测；
[0031]损失函数采用交叉熵损失，选择梯度下降算法优化更新网络参数，得到训练好的卷积神经网络模型；
[0032]利用测试集轴承振动信号动力学信息图输入到训练好的卷积神经网络模型中，得到网络的故障检测结果。
[0033]进一步地，所述卷积神经网络模型的结构，包括依次连接的卷积层、池化层、卷积层、池化层、卷积层、池化层、卷积层、池化层、展平层、全连接层、全连接层；
[0034]卷积层和池化层之间使用ELU激活函数和批归一化处理，将最后提取的特征图展平输入全连接层，全连接层的输出作为整个卷积神经网络的输出。
[0035]根据一些实施例，本专利技术的第二方案提供了一种基于确定学习与卷积神经网络的轴承故障检测系统，采用如下技术方案：
[0036]基于确定学习与卷积神经网络的轴承故障检测系统，包括：
[0037]数据获取模块，被配置为获取轴承故障的一维轴承振动信号，利用高增益观测器将一维轴承振动信号扩展成二维轴承振动信号；
[0038]标准化处理模块，被配置为对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号；
[0039]动力学信息获取模块，被配置为基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图；
[0040]轴承故障检测模块，被配置为基于轴承振动信号的动力学信息图，利用预先训练好的卷积神经网络模型进行故障检测，得到轴承故障检测结果。
[0041]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质。
[0042]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于确定学习与卷积神经网络的轴承故障检测方法中的步骤。
[0043]根据一些实施例，本专利技术的第四方案提供了一种计算机设备。
[0044]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于确定学习与卷积神经网络的轴承故障检测方法中的步骤。
[0045]与现有技术相比，本专利技术的有益效果为：
[0046]本专利技术通过结合确定学习对数据内在动力学的准确建模和卷积神经网络的自动特征提取能力，提出了一种用于轴承故障检测的确定学习卷积神经网络框架，并在此基础进行轴承故障检测。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于确定学习与卷积神经网络的轴承故障检测方法，其特征在于，包括：获取轴承故障的一维轴承振动信号，利用高增益观测器将一维轴承振动信号扩展成二维轴承振动信号；对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号；基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图；基于轴承振动信号的动力学信息图，利用预先训练好的卷积神经网络模型中进行故障检测，得到轴承故障检测结果。2.如权利要求1所述的基于确定学习与卷积神经网络的轴承故障检测方法，其特征在于，所述对二维轴承振动信号进行最大值标准化处理，得到归一化的轴承振动信号，具体为：对二维轴承振动信号中的每一维度进行最大值标准化处理；归一化函数为：其中，x
i
表示第i样本的一维时间序列，表示该振动数据集中在j维度所有样本的最大值，表示归一化后的样本。3.如权利要求1所述的基于确定学习与卷积神经网络的轴承故障检测方法，其特征在于，所述基于确定学习机制建模轴承振动信号的内部动力学信息，根据轴承振动信号的内部动力学信息生成轴承振动信号的动力学信息图，具体为：采用确定学习机制对轴承振动信号进行建模，得到轴承振动信号的动力学信息模型；对于归一化后的轴承振动信号的轨迹区域进行网格化，得到网格化的动力学信息输入；基于网格化的动力学信息输入，利用轴承信号的动力学信息模型，得到轴承振动信号的动力学信息图。4.如权利要求3所述的基于确定学习与卷积神经网络的轴承故障检测方法，其特征在于，所述轴承振动信号的动力学信息模型，具体为：其中，代表状态轨迹的邻域，表示RBF神经网络权值收敛后在Tk
a
到Tk
b
时间区间内的平均权值，i＝1,2，T是采样时间，表示待估计的神经网络权重，S(z)表示径向基函数组成的回归向量。5.如权利要求3所述的基于确定学习与卷积神经网络的轴承故障检测方法，其特征在于，所述轴承振动信号的动力学信息图是一个m
×
m的矩阵，具体为：
其中，z
i
(1),
…
,z
i
(m),i＝1,2是指把区间[

【专利技术属性】
技术研发人员：吴伟明，郭俊男，王聪，
申请(专利权)人：山东大学，
类型：发明
国别省市：