【技术实现步骤摘要】
本专利技术涉及滚动轴承故障监测，尤其涉及一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法。
技术介绍
1、滚动轴承是许多机械装备中的关键零部件之一，广泛应用于农业机械、铁路运输、轻纺工业等工程场景中。然而滚动轴承的实际工况一般具有高速重载的特点，并且工作时间长、工作环境恶劣，使轴承极易损坏。若能实时监测轴承状态，并及时有效的发现早期故障，可以避免意外停机和重大事故，帮助维修人员快速定位问题开展维修，节约维保成本。
2、目前已有很多基于信号处理的方法可以分析轴承振动信息监测并诊断轴承故障。然而这类方法依赖专家知识与人工诊断。随着深度学习技术的发展，越来越多的研究者将深度学习技术应用至轴承故障诊断问题上，从而避免对专家知识的依赖，且实现了较高的准确率。然而实际情况中，轴承往往工作在变转速的工况下，这将导致数据分布的改变，大幅降低深度学习模型的诊断准确率。这制约了深度学习模型在实际工业场景中的应用。
3、专利技术专利cn202010178652.x专利技术了一种基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法。通过谱峭度图判断最优解调中心频率及解调带宽，对原始时域信号进行包络解调得到包络信号，利用转速脉冲信号对包络信号进行角度域重采样，得到角度域平稳信号后进行fft得到阶次谱，通过对比阶次谱与理论故障特征阶次实现轴承的故障诊断。然而上述方法依赖于现场采集的转速脉冲信号进行计算阶次跟踪，对数据采集设备提出了较高要求。另外，上述方法依赖人工进行故障的判定，准确率受专家经验的影响。
4、专利技术专利cn2
5、现有技术没有做到现有故障诊断知识与深度学习方法很好的结合，在转速变化的情况下仍需要依赖转速的脉冲信号进行信号处理并人工判断故障类型，而深度学习方法则完全由数据驱动，缺少物理信息的帮助，难以应对转速变化情况下的故障诊断。深度学习方法如果能融合物理信息，其诊断准确率还有提升空间。
技术实现思路
1、技术目的：针对现有技术中的缺陷，本专利技术公开了一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，结合机理分析方法和深度学习方法，将已有的轴承故障诊断知识嵌入到深度学习模型中，再用卷积神经网络自动学习包络谱中学习信号特征与故障模式对应关系，来实现轴承健康状态的识别，可以引导卷积神经网络更好地学习故障特征。
2、技术方案：为实现上述技术目的，本专利技术采用以下技术方案。
3、一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，包括以下步骤：
4、步骤s1、通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线；
5、步骤s2、参考转速曲线，计算等角度采样时间点，对原始时域振动信号进行插值重采样，得到角度域信号；
6、步骤s3、利用巴特沃兹滤波对角度域信号进行带通滤波，滤除低频噪声，得到滤波后的角度域信号；
7、步骤s4、利用包络提取与快速傅里叶变换技术，对滤波后的角度域信号提取信号包络阶次谱，得到滚动轴承特征；
8、步骤s5、将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中，得到振动信号的故障检测结果。
9、优选地，所述步骤s1包括以下步骤：
10、步骤s11、对振动信号进行短时傅里叶变换，得到振动信号的时频谱；
11、步骤s12、对振动信号的时频谱计算幅值最大时的频率值；
12、步骤s13、计算当前时刻的频率估计值；
13、步骤s14、令时刻为时频谱上的下一时刻，重复步骤s12和s13，直至时频谱上所以时刻都被计算，得到一组频率估计值集合，即作为所提取的转速曲线。
14、优选地，幅值最大时的频率值计算过程为：给定上一时刻，即时刻的频率，在时频谱的时刻，在范围内寻找幅值极大值对应的频率，对于振动信号起始时刻，需要给定初始频率估计值；当前时刻，即时刻的频率的计算公式为：，
15、其中，表示寻找幅值极大值的频率范围大小。
16、优选地，所述当前时刻的频率估计值计算过程为：在当前时刻，即时刻围绕频率取2k个点，其中，k需要根据频率分辨率选取，根据幅值计算加权平均值作为时刻的频率估计值；用表示频谱的频率间隔，其计算公式为：，
17、其中，为当前时刻的频率估计值，表示时频谱在时刻频率为时的幅值。
18、优选地，所述步骤s5中，嵌入物理信息的卷积神经网络的训练过程包括：
19、建立嵌入物理信息的卷积神经网络，利用轴承故障数据提取相应的滚动轴承故障特征训练嵌入物理信息的卷积神经网络，使嵌入物理信息的卷积神经网络从滚动轴承故障特征与故障模式对应关系，实现轴承的智能故障诊断；其中滚动轴承故障特征通过步骤s1至步骤s4处理得到。
20、优选地，所述步骤s5中，嵌入物理信息的卷积神经网络包含物理信息层，根据理论的故障特征阶次对包络解调阶次谱进行加权，物理信息层的公式表达为：
21、，
22、其中，表示物理信息层输出，表示输入的轴承故障特征，表示向量的元素乘法，分别表示内圈、外圈、滚动体故障对应的加权向量。
23、优选地，所述加权向量根据权重函数计算获取，其计算公式为：
24、，
25、其中，为故障对应的加权向量，取，分别对应内圈故障、外圈故障、滚动体故障，为第m个要加权的阶次，m为包络解调阶次谱中的阶次个数；其中，权重函数的计算公式为：
26、，
27、其中，为权重函数，s表示要加权的阶次，表示故障的理论故障特征阶次，均表示权重函数的形状参数，n为权重函数要加权的谐波个数。
28、优选地，所述权重函数的形状参数在嵌入物理信息的卷积神经网络中反向传播训练时被学习，权重函数的形状参数更新公式包括：
29、，
30、其中，表示学习率，为损失函数对权重函数的偏导，权重函数对形状参数的偏导如下：
31、。
32、优选地，所述步骤s5中嵌入物理信息的卷积神经网络通过卷积核进一步提取故障特征；然后经过批归一化层，归一化特征分布，加快模型收敛；之后，通过池化层提取池化范围内的最大值；最后，通过全连接层与softmax激活函数计算输入样本属于各个类别的概率，取最大概率的类别作为轴承健康状态，轴承健康状态包括健康状态、内圈故障、外圈故障、滚本文档来自技高网...
【技术保护点】
1.一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：所述步骤S1包括以下步骤：
3.根据权利要求2所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于，幅值最大时的频率值计算过程为：给定上一时刻，即时刻的频率，在时频谱的时刻，在范围内寻找幅值极大值对应的频率，对于振动信号起始时刻，需要给定初始频率估计值；当前时刻，即时刻的频率的计算公式为：，
4.根据权利要求2所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于，所述当前时刻的频率估计值计算过程为：在当前时刻，即时刻围绕频率取2K个点，其中，K需要根据频率分辨率选取，根据幅值计算加权平均值作为时刻的频率估计值；用表示频谱的频率间隔，其计算公式为：，
5.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：所述步骤S5中，嵌入物理信息的卷积神经网络的训练过程包括：
6.根据权利要求1所述的一
7.根据权利要求6所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：所述加权向量根据权重函数计算获取，其计算公式为：
8.根据权利要求7所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：所述权重函数的形状参数在嵌入物理信息的卷积神经网络中反向传播训练时被学习，权重函数的形状参数更新公式包括：
9.根据权利要求1所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：所述步骤S5中嵌入物理信息的卷积神经网络通过卷积核进一步提取故障特征；然后经过批归一化层，归一化特征分布，加快模型收敛；之后，通过池化层提取池化范围内的最大值；最后，通过全连接层与softmax激活函数计算输入样本属于各个类别的概率，取最大概率的类别作为轴承健康状态，轴承健康状态包括健康状态、内圈故障、外圈故障、滚动体故障四类，取最大概率的状态作为轴承诊断结果，并作为输出的轴承健康状态信息。
10.根据权利要求9所述的一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于：嵌入物理信息的卷积神经网络模型的正向传播过程如下：
...【技术特征摘要】
1.一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于：所述步骤s1包括以下步骤：
3.根据权利要求2所述的一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于，幅值最大时的频率值计算过程为：给定上一时刻，即时刻的频率，在时频谱的时刻，在范围内寻找幅值极大值对应的频率，对于振动信号起始时刻，需要给定初始频率估计值；当前时刻，即时刻的频率的计算公式为：，
4.根据权利要求2所述的一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于，所述当前时刻的频率估计值计算过程为：在当前时刻，即时刻围绕频率取2k个点，其中，k需要根据频率分辨率选取，根据幅值计算加权平均值作为时刻的频率估计值；用表示频谱的频率间隔，其计算公式为：，
5.根据权利要求1所述的一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于：所述步骤s5中，嵌入物理信息的卷积神经网络的训练过程包括：
6.根据权利要求1所述的一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法，其特征在于：所述步骤s5中，嵌入物理信息的卷积神经网络...
【专利技术属性】
技术研发人员：夏志杰，杨晓东，张逸博，张志胜，陈天启，
申请(专利权)人：江苏南高智能装备创新中心有限公司，
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。