System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断,具体涉及一种基于深度学习的轴承故障诊断方法及系统。
技术介绍
1、随着工业设备的智能化发展,滚动轴承作为机械设备中的重要组成部分,在集成度高的复杂运行环境中往往会受到粉尘、腐蚀和润滑不足等恶劣环境的影响从而造成设备故障,特别是设备中的滚动轴承发生故障后若未能及时预警和处理,将会造成重大的安全事故,给企业带来极大的经济损失。因此如何准确且及时诊断出轴承的故障显得尤为重要。
2、目前,主流的故障诊断方法主要分为两种。一种是以信号分析为主的故障诊断方法,如经验模态分解、变分模态分解和奇异值分解等,该方法主要依靠人工提取故障信号的特征值,从而对故障进行诊断。另一种是以数据驱动为主的深度学习方法,该方法无需人工参与,可自动提取信号特征,具有较高的准确率,因此被广泛应用于故障诊断领域。
技术实现思路
1、本专利技术的目的在于克服上述技术不足,提供一种网关产品前后台输入的测试方法、装置、设备及介质,解决现有技术中轴承故障诊断准确度不高技术问题。
2、为达到上述技术目的,本专利技术采取了以下技术方案:
3、第一方面、本专利技术提供一种基于深度学习的轴承故障诊断方法,包括如下步骤:
4、获取滚动轴承的原始振动信号,基于所述原始振动信号,依次采用avmd算法和toteo算法对所述原始振动信号进行处理,以获得多种故障类型的数据集,并将所述数据集划分为训练集和测试集;
5、建立gru-cnn-gap网络模型,采用所
6、利用所述轴承故障诊断模型对所述测试集进行测试,以获得滚动轴承故障诊断分类结果。
7、在其中一些实施例中,所述原始振动信号至少包括外圈故障振动信号、内圈故障振动信号、滚动体故障振动信号、正常状态振动信号中的一种。
8、在其中一些实施例中,所述依次采用avmd算法和toteo算法对所述原始振动信号进行处理,以获得多种故障类型的数据集,包括:
9、采用vmd算法对所述原始振动信号进行分解并重构,以获得多个重构信号后,比较各个所述重构信号的能量比,以能量比达到峰值时的所述重构信号作为故障信号,其中,所述vmd算法通过迭代方法求解变分模型的最优解,完成原始振动信号的自适应分解;
10、利用toteo算法对重构后的所述故障信号进行处理,以获得多个故障特征放大信号,基于所述故障特征放大信号,获得多个故障振动信号矩阵,将所述故障振动信号矩阵保存至数据集中,以获得多种故障类型的数据集。
11、在其中一些实施例中,所述vmd算法的最优解计算式为:
12、
13、
14、
15、其中,uk为模态函数,ωk为每阶模态的中心频率,λ为拉格朗日乘子,s为待分析信号,ω为频率,为模态函数的频域下,为频率的频域下,为拉格朗日乘子的频域下、为待分析信号的频域下,i是点数,k为分解次数,α为二次惩罚因子。
16、在其中一些实施例中,所述能量比计算式为:
17、
18、
19、其中,ea是对应第a个分量的能量,a是分解次数,ex是原始信号能量,同时δ是能量比,e是信号能量,f是信号序列,n是采样数据长度,i是点数。
20、在其中一些实施例中,所述toteo算法计算式为:
21、ψ[x(n)]=[x(n)]3-x(n-1)2x(n+1)+x(n+1)2x(n-1)-x(n)x(n-2)x(n+2),
22、其中,ψ[x(n)]为故障特征放大信号,x(n)为离散信号。
23、在其中一些实施例中,所述建立gru-cnn-gap网络模型,采用所述训练集对所述gru-cnn-gap网络模型进行训练,以得到轴承故障诊断模型,包括:
24、步骤一、采用mini-batch小批训练法将所述训练集划分为多个小批次训练样本;
25、步骤二、将所述小批次训练样本输入至gru-cnn-gap网络模型中进行前向传播,以获得预测结果;
26、步骤三、获取目标标签,基于所述预测结果以及目标标签,确定损失函数;
27、步骤四、基于所述损失函数,采用反向传播算法确定gru-cnn-gap网络模型参数的梯度;
28、步骤五、基于所述gru-cnn-gap网络模型参数的梯度,采用adam优化器对所述gru-cnn-gap网络模型参数进行更新;
29、步骤六、重复步骤二至步骤五,直至每个所述小批次训练样本完成对gru-cnn-gap网络模型的训练,以得到轴承故障诊断模型。
30、在其中一些实施例中,所述gru-cnn-gap网络模型至少包括输入层、中间层、输出层,其中,所述输入层至少包括门控循环单元,所述中间层至少包括卷积神经网络,所述输出层至少包括全局平均池化单元;通过所述小批次训练样本对所述gru-cnn-gap网络模型进行训练的方法,包括:
31、基于所述小批次训练样本,通过所述输入层的门控循环单元对所述小批次训练样本进行特征提取,以获得样本特征;
32、基于所述样本特征,通过所述中间层的卷积神经网络对所述样本特征进行深度挖掘,确定样本中的差异数据,并提取出差异数据;
33、通过输出层的全局平均池化单元对提取出差异数据后的样本数据进行池化核操作后,以获得池化核的数值;
34、基于所述池化核数值,通过softmax分类器对所述池化核数值进行分类,以完成轴承故障分类。
35、在其中一些实施例中,所述门控循环单元的计算式为:
36、zt=σ(wz·[ht-1,xt]),
37、rt=σ(wr·[ht-1,xt]),
38、
39、
40、其中,zt为更新门,rt为重置门,ht-1为前一时刻的隐藏单元值,xt为当前时刻的输入数据,ht为隐藏层的输出数据,为上一隐藏层状态和当前输入复合运算后得到的候选状态,σ为sigmoid激活函数,wz为更新门的门神经元参数、wr为重置门的门神经元参数,wh为隐藏层的门神经元参数。
41、第二方面,本专利技术还提供一种基于深度学习的轴承故障诊断系统,包括:
42、数据集获得模块,用于获取滚动轴承的原始振动信号,基于所述原始振动信号,依次采用avmd算法和toteo算法对所述原始振动信号进行处理,以获得多种故障类型的数据集,并将所述数据集划分为训练集和测试集;
43、网络模型训练模块,用于建立gru-cnn-gap网络模型,采用所述训练集对所述gru-cnn-gap网络模型进行训练,以得到轴承故障诊断模型;
44、轴承故障诊断结果分类模块,用于利用所述轴承故障诊断模型对所述测试集进行测试,以获得滚动轴承故障诊断分类结果。
45、与现有技术相比,本本文档来自技高网...
【技术保护点】
1.一种基于深度学习的轴承故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的轴承故障诊断方法,其特征在于,所述原始振动信号至少包括外圈故障振动信号、内圈故障振动信号、滚动体故障振动信号、正常状态振动信号中的一种。
3.根据权利要求2所述的基于深度学习的轴承故障诊断方法,其特征在于,所述依次采用AVMD算法和TOTEO算法对所述原始振动信号进行处理,以获得多种故障类型的数据集,包括:
4.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述VMD算法的最优解计算式为:
5.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述能量比计算式为:
6.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述TOTEO算法计算式为:
7.根据权利要求1所述的基于深度学习的轴承故障诊断方法,其特征在于,所述建立GRU-CNN-GAP网络模型,采用所述训练集对所述GRU-CNN-GAP网络模型进行训练,以得到轴承故障诊断模型,包括:
8.
9.根据权利要求8所述的基于深度学习的轴承故障诊断方法,其特征在于,所述门控循环单元的计算式为:
10.一种基于深度学习的轴承故障诊断系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于深度学习的轴承故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的轴承故障诊断方法,其特征在于,所述原始振动信号至少包括外圈故障振动信号、内圈故障振动信号、滚动体故障振动信号、正常状态振动信号中的一种。
3.根据权利要求2所述的基于深度学习的轴承故障诊断方法,其特征在于,所述依次采用avmd算法和toteo算法对所述原始振动信号进行处理,以获得多种故障类型的数据集,包括:
4.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述vmd算法的最优解计算式为:
5.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述能量比计算式为:
6.根据权利要求3所述的基于深度学习的轴承故障诊断方法,其特征在于,所述tote...
【专利技术属性】
技术研发人员:蔡华锋,陈五一,吴婷,陈俊,孙秋,蔡天荣,陈尔明,陈庚光,
申请(专利权)人:襄阳湖北工业大学产业研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。