一种基于脉冲神经网络的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于脉冲神经网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，所述方法包括：采集滚动轴承的真实故障信号；利用滚动轴承信号仿真模型制作仿真故障信号；对所述真实故障信号和仿真故障信号进行聚类；构建基于脉冲神经网络的迁移诊断模型SNN

【技术实现步骤摘要】
一种基于脉冲神经网络的滚动轴承故障诊断方法


[0001]本专利技术涉及滚动轴承故障诊断
，特别涉及一种基于脉冲神经网络的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为旋转机械系统中的核心部件，被广泛的应用在大型机械设备中，如风力涡轮机、高速列车、航空航天设备。滚动轴承失效轻则导致机械设备停机和工业生产停滞，重则造成严重的安全问题和不可挽回的人员伤亡。因此，滚动轴承故障诊断在确定其健康状况和减轻潜在危险方面具有相当重要的意义。
[0003]滚动轴承故障诊断的一种流行技术涉及检查其发出的振动信号，这些信号是由于滚动元件、滚道和保持架在旋转过程中的相互作用而产生的。随着滚动轴承状况的改变，相应的振动信号也会发生变化，从而提供对其健康状态的重要洞察。对这些振动信号的研究产生了两种主要的滚动轴承故障诊断方法：信号处理方法和机器学习方法。尽管如此，这些方法的功效通常会受到两个因素的阻碍。首先，由于旋转机械在正常条件下长时间运行，实际工业环境中实际故障很少见，导致缺乏用于训练智能诊断模型的高质量数据。其次，获取足够数量的数据样本对于在危险和复杂环境中运行的复杂系统具有挑战性。

技术实现思路

[0004]本专利技术提供一种基于脉冲神经网络的滚动轴承故障诊断方法，可以克服训练过程中真实数据过少的缺陷，提高滚动轴承在少样本条件下的故障诊断性能。
[0005]根据本公开的一方面，提供了一种基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述方法包括：采集滚动轴承的真实故障信号；利用滚动轴承信号仿真模型制作仿真故障信号；对所述真实故障信号和仿真故障信号进行聚类；构建基于脉冲神经网络的迁移诊断模型SNN
‑
TL；训练SNN
‑
TL模型；基于所述SNN
‑
TL模型对滚动轴承进行故障检测。
[0006]在一种可能的实现方式中，所述采集滚动轴承的真实故障信号，包括：采集第一故障类别下滚动轴承的真实故障信号，将所述真实故障信号上打上与故障类别对应的故障标签。
[0007]在一种可能的实现方式中，所述利用滚动轴承信号仿真模型制作仿真故障信号，包括：通过下述公式（1）所示数学模型来产生滚动轴承仿真故障信号：
ꢀꢀꢀꢀꢀ
（1）
其中，是脉冲的幅值，是滚动轴承缺陷产生的脉冲响应，是脉冲序列，T是两次脉冲的时间间隔，是轻微扰动，是高斯白噪声；运用该模型制作在第种故障类别下的仿真故障信号，记作，，，表示故障类别编号总数，，为第种故障类别下所制作的仿真故障信号数量。
[0008]在一种可能的实现方式中，所述对所述真实故障信号和仿真故障信号进行聚类，包括：利用短时傅里叶变换将所述真实故障信号与仿真故障信号从非平稳时间信号转换为时频信号；利用K均值聚类算法对所述时频信号进行聚类，输出真实故障信号的二进制状态序列和仿真故障信号的二进制状态序列。
[0009]在一种可能的实现方式中，所述基于脉冲神经网络的迁移诊断模型SNN
‑
TL包括以下三个模块：特征提取层，用于提取真实故障信号的二进制状态序列的特征向量和仿真故障信号的二进制状态序列的特征向量；分类层，所述分类层包含一个脉冲全连接层，用于对所述特征向量进行特征分类得到分类向量，所述分类向量用于分类损失的计算；域适应层，所述域适应层通过域相似性度量函数确定迁移学习的源域与目标域之间的域损失；其中，仿真故障信号对应源域，真实故障信号对应目标域；其中，所述分类损失与所述域损失用于优化所述脉冲神经网络。
[0010]在一种可能的实现方式中，所述特征提取层包含个脉冲卷积层和个脉冲全连接层，和均为大于等于1的整数。
[0011]在一种可能的实现方式中，所述训练基于脉冲神经网络的迁移诊断模型SNN
‑
TL，包括：设置最大迭代次数为，初始化当前迭代次数=1，给定期望的模型训练误差为T；真实故障信号的二进制状态序列和仿真故障信号的二进制状态序列作为训练集；从所述真实故障信号的二进制状态序列抽取个样本数据作为第一训练数据，所述个样本数据组成的向量作为所述SNN
‑
TL的目标域；从所述仿真故障信号的二进制状态序列抽取个样本数据作为第二训练数据，所述个样本数据组成的向量作为所述SNN
‑
TL的源域；和为大于等于1的自然数；特征提取层对所述第一训练数据进行空间特征的提取得到第一特征向量；特征提取层对所述第二训练数据进行空间特征的提取得到第二特征向量；分类层对所述第一特征向量进行特征分类得到第一分类向量，对所述第二特征向量进行特征分类得到第二分类向量；
域适应层根据所述第一特征向量和所述第二特征向量计算源域与目标域之间的域损失；通过下述公式（2）计算损失函数值：
ꢀꢀꢀꢀꢀꢀ
（2）其中，表示源域分类损失，表示目标分类损失，表示域损失，是域适应参数；判断当前迭代次数或者，若满足，则停止迭代训练，得到训练好的基于脉冲神经网络的迁移诊断模型；否则，将损失值通过反向传播算法更新基于脉冲神经网络的迁移诊断模型，然后进行下一轮训练。
[0012]在一种可能的实现方式中，源域分类损失，目标域分类损失，域损失分别用如下公式（3），公式（4），公式（5）表示，是域适应参数；
ꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，表示训练数据中第个样本数据对应的故障类别的真实概率值，表示训练数据中第个样本数据对应的故障类别的预测概率值；表示训练数据中第个样本数据对应的故障类别的真实概率值，表示训练数据中第个样本数据对应的故障类别的预测概率值；表示从源域到目标域所产生的损失，表示从目标域到源域所产生的损失。
[0013]在一种可能的实现方式中，所述基于所述SNN
‑
TL模型对滚动轴承进行故障检测，包括：采集滚动轴承在故障类别下的振动信号，对振动信号进行聚类处理输出故障信号的二进制状态序列，将所述故障信号的二进制状态序列作为基于脉冲神经网络的迁移诊断模型的输入，输出对应的故障类别。
[0014]与现有技术相比，本专利技术的有益效果是：本公开实施例的基于脉冲神经网络的滚动轴承故障诊断方法，完全由仿真数据驱动，并且该方法利用源自滚动轴承信号仿真模型的大量仿真数据来有效地训练基于脉冲神经网络的迁移诊断模型（Spiking Neural Network
‑
Transfer Learning，SNN
‑
TL）。而且，利用从滚动轴承仿真和真实振动信号中导出的状态序列构建了SNN
‑
TL，可以克服训练真实数据过少的缺陷，提高滚动轴承在少样本条件下的故障诊断性能，实现了相对准确和可行的
轴承故障诊断。
附图说明
[0015]图1出本公开一实施例的基于脉冲神经网络的滚动轴承故障诊断方法流程图。
[0016]图2出本公开一实施例的脉冲神经网络的特征提取层、分类层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述方法包括：采集滚动轴承的真实故障信号；利用滚动轴承信号仿真模型制作仿真故障信号；对所述真实故障信号和仿真故障信号进行聚类；构建基于脉冲神经网络的迁移诊断模型SNN
‑
TL；训练SNN
‑
TL模型；基于所述SNN
‑
TL模型对滚动轴承进行故障检测。2.根据权利要求1所述的基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述采集滚动轴承的真实故障信号，包括：采集第一故障类别下滚动轴承的真实故障信号，将所述真实故障信号上打上与故障类别对应的故障标签。3.根据权利要求1所述的基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述利用滚动轴承信号仿真模型制作仿真故障信号，包括：通过下述公式（1）所示数学模型来产生滚动轴承仿真故障信号：
ꢀꢀꢀꢀꢀ
（1）其中，是脉冲的幅值，是滚动轴承缺陷产生的脉冲响应，是脉冲序列，T是两次脉冲的时间间隔，是轻微扰动，是高斯白噪声；运用该模型制作在第种故障类别下的仿真故障信号，记作，，，表示故障类别编号总数，，为第种故障类别下所制作的仿真故障信号数量。4.根据权利要求1所述的基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述对所述真实故障信号和仿真故障信号进行聚类，包括：利用短时傅里叶变换将所述真实故障信号与仿真故障信号从非平稳时间信号转换为时频信号；利用K均值聚类算法对所述时频信号进行聚类，输出真实故障信号的二进制状态序列和仿真故障信号的二进制状态序列。5.根据权利要求1所述的基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所述基于脉冲神经网络的迁移诊断模型SNN
‑
TL包括以下三个模块：特征提取层，用于提取真实故障信号的二进制状态序列的特征向量和仿真故障信号的二进制状态序列的特征向量；分类层，所述分类层包含一个脉冲全连接层，用于对所述特征向量进行特征分类得到分类向量，所述分类向量用于分类损失的计算；域适应层，所述域适应层通过域相似性度量函数确定迁移学习的源域与目标域之间的域损失；其中，仿真故障信号对应源域，真实故障信号对应目标域；其中，所述分类损失与所述域损失用于优化所述脉冲神经网络。6.根据权利要求5所述的基于脉冲神经网络的滚动轴承故障诊断方法，其特征在于，所
述特征提取层包含个脉冲卷积层和个脉冲全连接层，和均为大于等于1的整数。7.根据权利要求6所述的基于脉冲神经网络的滚动轴承故障诊...

【专利技术属性】
技术研发人员：刘志亮，代梦航，陈禹衡，王新丹，左明健，
申请(专利权)人：青岛明思为科技有限公司，
类型：发明
国别省市：