基于人工负样本的神经网络的轴承寿命退化诊断方法技术

本发明专利技术公开了一种基于人工负样本的神经网络的轴承寿命退化诊断方法，包括选取部分处于健康运行状态的轴承一维振动信号作为训练集的正样本，将剩余的轴承一维振动信号作为测试集；计算健康运行状态的轴承运行数据的均方根值，并以此为基础阈值来确定轴承寿命退化的均方根值阈值，根据均方根值阈值构建人工负样本；构建二分类卷积神经网络模型，将正样本和负样本组成训练集输入到神经网络模型中进行迭代学习，并加入高斯噪声编码层，得到训练好的神经网络模型；将测试集输入到训练好的神经网络模型中，进行有效性评估。本发明专利技术通过利用在传统卷积神经网络中加入人工合成的负样本和高斯噪声编码层，解决了在实际工况下轴承故障不易获取的问题。障不易获取的问题。障不易获取的问题。

【技术实现步骤摘要】
基于人工负样本的神经网络的轴承寿命退化诊断方法


[0001]本专利技术涉及轴承寿命诊断
，具体涉及一种基于人工负样本的神经网络的轴承寿命退化诊断方法。

技术介绍

[0002]旋转设备作为工业生产、民生基建设备中不可或缺的一部分，若其无法正常工作将会带来一定的经济损失，作为旋转设备的核心部件之一的滚珠轴承出现故障则是导致旋转设备出现故障的常见原因之一,因而对滚珠轴承进行健康状况监控的重要性不言而喻。
[0003]然而目前使用卷积神经网络的轴承故障诊断方法一般需要足量的故障与正常的振动运行数据并保证故障与正常的数据量的比例相接近，否则所训练出的神经网络会出现过拟合或者欠拟合的现象。但是，在真实工况下轴承故障数据并不易于收集，使得目前用以轴承故障诊断的神经网络难以最大化利用。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人工负样本的神经网络的轴承寿命退化诊断方法，可以解决现有技术中因轴承故障数据不易收集，导致用以轴承故障诊断的神经网络难以最大化利用的问题。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]本专利技术提供一种基于人工负样本的神经网络的轴承寿命退化诊断方法，包括：
[0007]获取同类轴承在不同工况下的全寿命数据库，并选取一种工况下的轴承振动数据集；
[0008]选取轴承振动数据集中部分处于健康运行状态的轴承一维振动信号作为训练集的正样本，将轴承振动数据集中剩余的轴承一维振动信号作为测试集；
[0009]计算处于健康运行状态的轴承运行数据的均方根值，并以此为基础阈值来确定轴承寿命退化的均方根值阈值，根据轴承寿命退化的均方根值阈值构建人工负样本；
[0010]构建二分类卷积神经网络模型，将正样本和负样本以设定比例组成神经网络模型的训练集，再将组成后的训练集输入到神经网络模型中进行迭代学习，并加入高斯噪声编码层，得到训练好的神经网络模型；其中，神经网络模型迭代学习的损失函数采用交叉熵损失函数，公式如下：
[0011][0012]式中，y
i
为标签值，y
i
′
为预值测；
[0013]将测试集的振动数据输入至训练好的神经网络模型中，把连续N个时间段的数据都被神经网络判断为故障时的第N个时间段判断为轴承进入故障阶段，得到轴承寿命退化诊断的结果；其中N≥5。
[0014]进一步的，所述轴承振动数据集按数据点进行分割，并按时间顺序排列成多组数据文件。
[0015]进一步的，所述选取轴承振动数据集中部分处于健康运行状态的轴承一维振动信号作为训练集的正样本，将轴承振动数据集中剩余的轴承一维振动信号作为测试集包括：
[0016]将轴承振动数据集按时间顺序排列成多组数据文件，选取位于时间顺序前端多组处于健康运行状态的轴承一维振动信号作为训练集的正样本，按时间顺序排列将轴承振动数据集中剩余的轴承一维振动信号作为测试集。
[0017]进一步的，所述测试集包括有处于健康运行状态的轴承一维振动信号和处于故障阶段状态的轴承一维振动信号。
[0018]进一步的，所述将测试集的振动数据输入至训练好的神经网络模型中，把连续N个时间段的数据都被神经网络判断为故障时的第N个时间段判断为轴承进入故障阶段，得到轴承寿命退化诊断的结果具体包括：
[0019]按时间顺序排列将测试集的振动数据输入至训练好的神经网络模型中；
[0020]把连续N个时间段的数据都被神经网络判断为故障时的第N个时间段判断为轴承进入故障阶段；
[0021]比对N个时间段振动数据的傅里叶频谱图，若出现轴承故障特征频率，则证明训练后的神经网络模型具有轴承寿命退化诊断的功能；
[0022]利用神经网络模型获得轴承寿命退化诊断结果。
[0023]本专利技术的有益效果：
[0024]1.本专利技术的基于人工负样本的神经网络的轴承寿命退化诊断方法通过利用在传统卷积神经网络中加入人工合成的负样本以及加入高斯噪声编码层，可以使得只有正常样本或者故障样本不足的情况下进行神经网络的训练，解决了在实际工况下足量故障不易获取的问题，得到有限条件下准确度更高的神经网络模型。
[0025]2.本专利技术的的基于人工负样本的神经网络的轴承寿命退化诊断方法还通过利用短时傅里叶变换后的频域图作为神经网络输入进行验证，获取可信度更高的具有轴承寿命退化诊断的功能的神经网络模型。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0027]图1为基于人工负样本的神经网络的轴承寿命退化诊断方法的步骤流程示意图；
[0028]图2为构建二分类卷积神经网络的示意图；
[0029]图3为轴承的振动数据的时域图；
[0030]图4为轴承的振动数据的频谱图。
具体实施方式
[0031]下面结合附图对本公开实施例进行详细描述。
[0032]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0033]请参阅图1
‑
图4，本专利技术实施例提供一种基于人工负样本的神经网络的轴承寿命退化诊断方法，包括：
[0034]步骤一、获取同类轴承在不同工况下的全寿命数据库，并选取一种工况下的轴承振动数据集；
[0035]本实施例选用XJTU
‑
SY轴承全寿命数据库，该轴承全寿命数据集使用LDK UER204轴承(其参数如表1所示)，并在3种不同工况下的进行多个轴承全寿命数据采集。本实施例中，选取转速为2100r/min，径向力为12KN，即该数据集中工况1(如表2所示)下的第二个轴承数据集数据中的水平方向的振动数据，在轴承全寿命该数据集中代号为Bearing1_2轴承数据集，该数据集共有161个数据文件，轴承实际寿命为2h41min，该轴承失效位置为轴承外圈故障，轴承数据集采样率为25.6KHz,采样间隔为1min，每次采样时长为1.28s。
[0036]表1 LDK UER204轴承参数
[0037]参数名称数值内圈滚道直径/mm29.30外圈滚道直径/mm39.80轴承中径/mm34.55基本额定动载荷/N12 820滚珠本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工负样本的神经网络的轴承寿命退化诊断方法，其特征在于，包括：获取同类轴承在不同工况下的全寿命数据库，并选取一种工况下的轴承振动数据集；选取轴承振动数据集中部分处于健康运行状态的轴承一维振动信号作为训练集的正样本，将轴承振动数据集中剩余的轴承一维振动信号作为测试集；计算处于健康运行状态的轴承运行数据的均方根值，并以此为基础阈值来确定轴承寿命退化的均方根值阈值，根据轴承寿命退化的均方根值阈值构建人工负样本；构建二分类卷积神经网络模型，将正样本和负样本以设定比例组成神经网络模型的训练集，再将组成后的训练集输入到神经网络模型中进行迭代学习，并加入高斯噪声编码层，得到训练好的神经网络模型；其中，神经网络模型迭代学习的损失函数采用交叉熵损失函数，公式如下：式中，y
i
为标签值，y
i
′
为预值测；将测试集的振动数据输入至训练好的神经网络模型中，把连续N个时间段的数据都被神经网络判断为故障时的第N个时间段判断为轴承进入故障阶段，得到轴承寿命退化诊断的结果；其中N≥5。2.根据权利要求1所述的基于人工负样本的神经网络的轴承寿命退化诊断方法，其特征在于，所述轴承振动数据集按数据点进行分割，并按时间顺序排列成多组数据文件。3.根据权利要求2所述的基于人工...

【专利技术属性】
技术研发人员：林立，罗斌，徐育为，龙志宏，董荣，陈江，屠宇，张益辉，李欣，朱文威，陈海琳，
申请(专利权)人：广州市自来水有限公司，
类型：发明
国别省市：