基于密集特征重用的轴承早期故障诊断方法及系统技术方案

本发明专利技术涉及轴承故障诊断技术领域，提供了一种基于密集特征重用的轴承早期故障诊断方法及系统，所述方法包括：建立所述轴承的振动信号样本数据集；对所述振动信号样本数据集进行预处理；按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN并进行训练；将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。本发明专利技术有效利用了网络结构所有卷积层产生的早期故障特征，提高特征复用率，解决了深层模型中有用信息丢失的问题，从而提高强噪声环境下轴承早期故障诊断的准确率。轴承早期故障诊断的准确率。轴承早期故障诊断的准确率。

【技术实现步骤摘要】
基于密集特征重用的轴承早期故障诊断方法及系统


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于密集特征重用的轴承早期故障诊断方法及系统。

技术介绍

[0002]轴承是旋转机械中关键部件之一，其健康状态直接影响设备的整体性能，对其早期故障进行有效诊断不仅能够及时排除设备故障隐患，而且对提高设备运行的经济性和可靠性意义重大。然而，早期故障信号具有非线性、非平稳、故障特征微弱等特点，用传统的故障诊断方法难以提取。目前，轴承早期故障诊断主要分为基于信号处理的方法以及基于模式识别的方法，上述方法存在许多不足：例如自适应能力较弱、需要专家依据经验进行故障诊断增加了工程生产的成本、在轴承的早期故障信号被强噪声淹没的情况下信号卷积去噪过程中损失有效的早期故障特征信息造成故障诊断准确率较低。

技术实现思路

[0003]针对以上问题，本专利技术提供了一种基于密集特征重用的轴承早期故障诊断方法及系统。本专利技术设计密集连接机制使输入信号在稠密神经网络的每个卷积层与已有特征信息进行重构，通过原始信息及逐层加强的特征信息，实现振动信号的重用，完整保留信号的故障特征，提高了故障诊断准确率。
[0004]第一方面，本专利技术的实施例提供了一种基于密集特征重用的轴承早期故障诊断方法，所述方法包括：建立所述轴承的振动信号样本数据集；对所述振动信号样本数据集进行预处理；按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN，其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入。
[0005]进一步的，其中，按通道级联算法为：，其中，x
n
为第n层的输出，x
n
‑1为第n
‑
1层的输出，P
n
表示重用算法， P
n
(x
n
‑1) 表示在第n层输出中选取第n
‑
1层的前1/P 通道的特征作为重用特征，R
n
为主体网络的运算，R
n
(x
n
‑1) 表示将第n
‑
1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用
的神经网络模型DFRN；实时采集轴承的振动信号并输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。
[0006]进一步的，其中，所述对所述振动信号样本数据集进行预处理包括：通过短时傅里叶变换STFT将所述振动信号样本数据转换成二维时频图谱；所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，训练所述基于密集特征重用的神经网络模型DFRN。
[0007]进一步的，其中，所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成，所述密集块中的非线性转换函数为 BN + ReLU + 1
×
1 Conv + BN + ReLU + 3
×
3 Conv的结构；所述过渡层由1
×
1的卷积和2
×
2的Avg Pooling构成；对于所述密集块所提取的早期故障特征，采用平均池化的采样函数以改变特征的尺寸大小和特征的降维，最后经过全局池化输入到全连接层，通过全连接层与故障类型建立对应关系，从而实现早期故障诊断。
[0008]进一步的，其中，所述密集块中允许任意两个非相邻卷积层之间跨层连接，每个卷积层都可以访问网络的全局状态，并且每个卷积层将提取的早期故障特征添加到全局状态中。
[0009]进一步的，其中，所述基于密集特征重用的神经网络模型DFRN具有4个密集块的网络结构，初始层由7x7 conv和3x3 max pool组成，每个密集块内含有4个密集连接的卷积层，增长率设置为12，密集块中核大小为3
×
3的卷积层，输入的每一侧用一个像素进行零填充，以保持特征映射大小不变。
[0010]进一步的，其中，所述方法包括：对所述所述振动信号样本数据集按照比例7：3划分为训练集和测试集，在用于构造测试集的轴承原始振动信号上添加高斯白噪声。
[0011]第二方面，本专利技术实施例提供了一种基于密集特征重用的轴承早期故障诊断系统，所述系统包括：建立单元，用于建立所述轴承的振动信号样本数据集；预处理单元，用于对所述振动信号样本数据集进行预处理；构建单元，用于按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：，其中，x
n
为第n层的输出，x
n
‑1为第n
‑
1层的输出，P
n
表示重用算法， P
n
(x
n
‑1) 表示在
第n层输出中选取第n
‑
1层的前1/P 通道的特征作为重用特征，R
n
为主体网络的运算，R
n
(x
n
‑1) 表示将第n
‑
1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；训练单元，用于利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；输入单元，用于将实时采集轴承的振动信号输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断；输出单元，用于输出所述轴承的早期故障诊断类型。
[0012]第三方面，本专利技术实施例提供了一种电子设备，包括处理器、存储器、通信总线以及通信接口，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，执行以实现第一方面所述的基于密集特征重用的轴承早期故障诊断方法的程序。
[0013]与现有技术相比，本专利技术取得了以下有益技术效果：1、本专利技术设计密集连接机制使输入信号在每个卷积层与已有特征信息进行重构，通过原始信息及逐层加强的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于密集特征重用的轴承早期故障诊断方法，其特征在于，所述方法包括：建立所述轴承的振动信号样本数据集；对所述振动信号样本数据集进行预处理；按通道级联的特征重用方法，对稠密神经网络不同层级的特征进行重用，构建基于密集特征重用的神经网络模型DFRN；其中，所述稠密神经网络的每一个卷积层均直接连接至不同深度的卷积层，每一个卷积层接收前一层额外输入的早期故障特征，并将其发送到后续卷积层，然后将所有这些早期故障特征按通道级联的方式在channel维度上进行合并，其中，按通道级联得到的特征与原特征的大小相同，通道数为原特征通道数之和，每一卷积层的输入来自其前面所有卷积层的输出，每一卷积层的输出都作为后续所有卷积层的输入；其中，按通道级联算法为：，其中，x
n
为第n层的输出，x
n
‑1为第n
‑
1层的输出，P
n
表示重用算法， P
n
(x
n
‑1) 表示在第n层输出中选取第n
‑
1层的前1/P 通道的特征作为重用特征，R
n
为主体网络的运算，R
n
(x
n
‑1) 表示将第n
‑
1层输入网络后得到的特征，Concat表示将两组特征在通道上进行合并的操作；利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN；实时采集轴承的振动信号并输入至训练后的所述基于密集特征重用的神经网络模型DFRN进行故障诊断，得出所述轴承的早期故障诊断类型。2.根据权利要求1所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，其中，所述对所述振动信号样本数据集进行预处理包括：通过短时傅里叶变换STFT将所述振动信号样本数据转换成二维时频图谱；所述利用所述振动信号样本数据集预处理后得到的数据训练所述基于密集特征重用的神经网络模型DFRN包括：将所述二维时频图谱作为输入、故障类型作为输出，训练所述基于密集特征重用的神经网络模型DFRN。3.根据权利要求1所述的基于密集特征重用的轴承早期故障诊断方法，其特征在于，其中，所述基于密集特征重用的神经网络模型DFRN的结构由多个密集块和连接于对所述密集块之间的过渡层组成，所述密集块中的非线性转换函数为 BN + ReLU + 1
×
1 Conv + BN + ReLU + 3
×
3 Conv的结构；所述过渡层由1
×
1的卷积和2
×
2的Avg Pooling构成；对于所述密集块所提取的早期故障特征，采用平均池化的采样函数以改变特征的尺寸大小和特征的降维，最后经过全局池化输入到全连接层，通过全连接层与故障类型建立对应关系，从而实现早期故障诊断。4.根据权利要求3所述的基于密集特征重用的轴承早期故障诊...

【专利技术属性】
技术研发人员：肖钊，莫丰源，谢虎，陶洁，邓杰文，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：