CN107451340A - 基于多属性卷积神经网络的旋转机械故障定量诊断方法 - Google Patents
基于多属性卷积神经网络的旋转机械故障定量诊断方法 Download PDFInfo
- Publication number
- CN107451340A CN107451340A CN201710579113.5A CN201710579113A CN107451340A CN 107451340 A CN107451340 A CN 107451340A CN 201710579113 A CN201710579113 A CN 201710579113A CN 107451340 A CN107451340 A CN 107451340A
- Authority
- CN
- China
- Prior art keywords
- attribute
- mrow
- neural networks
- layer
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于多属性卷积神经网络的旋转机械故障定量诊断方法,属于机械故障诊断技术领域。该诊断方法包括如下步骤:从旋转机械振动数据中提取足够多样本点并赋予相应的多属性标签,搭建多属性卷积神经网络,训练多属性卷积神经网络,测试时创建多个样本点数据,用训练好的多属性卷积神经网络对测试样本点进行诊断,完成对旋转机械故障的定量诊断。传统的故障诊断方法需人工提取特征,准确率低,泛化性能差,方法复杂难懂,且无法诊断出故障大小,难于工程推广。本发明基于多属性卷积神经网络的旋转机械故障定量诊断方法能够自动提取特征,准确率高,泛化性能强,方法简单易懂,且能有效的诊断出故障类型和故障大小,易于工程推广。
Description
技术领域:
本发明属于机械故障诊断技术领域,具体涉及一种基于多属性卷积神经网络的旋转机械故障定量诊断方法。
背景技术:
旋转机械是工业中应用最广泛的机械零件之一,同时也是易损部件,它的运行状态直接影响到整台设备的性能。旋转机械主要包括轴承和齿轮。据不完全统计,机械故障中30%的故障是由旋转机械引起的。而旋转机械一旦发生故障,将造成直接、间接的损失是巨大的,由于无法对旋转机械做出定量诊断,导致传统的设备维修制度如:事后维修及预先维修,都会带来一定的损失或者是造成严重的浪费,所以对旋转机械检故障定量诊断具有重大的现实意义。
本发明中所述的故障定性诊断,是指仅诊断故障类型,如无故障、内圈故障、滚动体故障和外圈故障等。本发明中所述的故障定量诊断,是指不仅要诊断故障类型,还要同时诊断故障大小,甚至载荷大小。故障类型,故障大小,载荷大小等定义为故障属性。故障属性下的具体种类定义为属性种类,无故障、内圈故障、滚动体故障和外圈故障等是故障类型下的具体属性种类。本发明所述的故障大小分类为多级,具体属性种类为无故障,轻微、中等、较重、严重五级。本发明所述的载荷大小分类为多级,具体属性种类为无载荷,轻微、中等、严重四级。本发明所述的每个故障属性下的属性种类是互斥的,例如故障类型只能是单一故障,不能是复合故障。
本发明所述的多属性卷积神经网络就是能同时诊断各种故障属性,而传统的卷积神经网络只能诊断一种故障属性,传统的卷积神经网络可以看作是多属性卷积神经网络的特例,即多属性卷积神经网络只诊断一种属性,本发明称之为单属性卷积神经网络。
传统的旋转机械故障诊断方法都是针对故障类型进行识别,无法实现对故障大小的识别,而且识别方法需要依靠人工提取特征,算法复杂,效果不佳,因此本发明提出一种基于多属性卷积神经网络的旋转机械故障定量诊断方法。
发明内容:
本发明目的在于提供一种基于多属性卷积神经网络的旋转机械故障定量诊断方法,以解决传统旋转机械故障诊断方法诊断效果差,无法诊断故障大小,难以实际运用的技术问题。
本发明所提供的一种基于多属性卷积神经网络的旋转机械故障定量诊断方法具体步骤如下:
(1)数据准备阶段:采集各种工况下旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,这些样本点构成训练数据库,训练数据库由训练集和验证集组成,一个样本点包括数据和多属性标签。
(2)创建阶段:创建多属性卷积神经网络。
(3)训练阶段:利用训练数据库来训练多属性卷积神经网络,获得网络参数,激活函数优先选择max(-1,x)。
(4)测试阶段:采集待诊断的旋转机械振动数据,从旋转机械振动数据中创建足够多数据样本点,用训练好的多属性卷积神经网络对数据样本点进行诊断,完成对旋转机械故障的定量诊断。
进一步,步骤(1)中所述的数据准备阶段包含如下子步骤:
步骤S11,样本点数据准备阶段:对于每种工况下采样数据,优先采用随机方式创建,即在随机位置处截取振动数据中的大于一个数据周期长度的连续数据点作为一个样本点数据,优先选择k*2n个数据点作为一个样本点数据,其中k=1或3,n是整数;所述旋转机械中转子旋转一圈,采样的数据点个数定义为数据周期。随机创建方式的优点是卷积神经网络泛化能力强,分类精度高。
当然还可以采用任何其他创建方式,只要能截取振动数据中的大于一个周期长度的连续数据点作为一个样本点数据,优先选择k*2n个数据点作为一个样本点数据,其中k=1或3,n是整数。
步骤S12,样本点多属性标签创建阶段:旋转机械故障属性的数目为M,则样本点多属性标签有M维,每维数值是故障属性下的属性种类的序号。
步骤S13,重复步骤S11、S12,创建足够多的样本点作为训练数据库;
进一步,步骤(2)中的所述多属性卷积神经网络SoftMax(软最大化)输出层以前的网络结构可以参考LeNet、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet等经典单属性卷积神经网络的基础上设计,或自行设计。
步骤(2)中多属性卷积神经网络的创建方式为:多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层,每层卷积层后接一个激活层,激活函数采用偏移修正线性单元,具体表达式为max(-1,x);卷积层的卷积模板尺寸为3*1,除了最后一层为1*1,卷积层步长均为1*1;最大池化层池化窗口均为2*1,步长均为2*1;输入层大小为H*1*K,其中H为样本点长度,K为数据维度即传感器数目;单属性卷积神经网络的SoftMax输出层是由一个score vector(得分向量)组成的,本发明多属性卷积神经网络的SoftMax输出层由M个score vector组成。旋转机械的每个故障属性用一个score vector表示,每个score vector的维数等于对应故障属性下属性种类数目。单属性卷积神经网络的风险损失是单个交叉熵函数,本发明的多属性卷积神经网络的风险损失是M个交叉熵函数的加权平均值。
单属性卷积神经网络的一个样本点i的风险损失为:
式中:向量s是得分向量,yi为样本点i的标签。
多属性卷积神经网络的一个样本点i的风险损失为:
式中:M是故障属性数目,Lik是故障属性k的风险损失,λk是故障属性k的权重,向量sk是故障属性k的得分向量,nk是故障属性k的属性种类数目,向量yi是多属性标签,yik为故障属性k的多属性标签的序号。
进一步,步骤(4)中为:将待诊断的样本点输入训练好的多属性卷积神经网络中,SoftMax输出层输出M个score vector,每个score vector中最大值所在位置序号诊断为属性种类的序号,这M个属性种类的序号组成的向量为一个多属性标签,每个样本点诊断出一个多属性标签,则多个样本点诊断出多个多属性标签,采用出现次数最多的多属性标签作为旋转机械的定量故障诊断结果。
现有的旋转机械故障诊断方法存在很多不足:(1)人工提取特征,耗时耗力,且特征提取方法复杂难懂,一般工程人员难以掌握;(2)诊断方法效果不好,准确率不高;(3)诊断方法泛化能力不足,很难在实际情况推广运用;(4)一般只能诊断故障类型,不能诊断故障大小。
对比于传统旋转机械故障诊断方法,本发明提出的定量诊断方法克服了上述四个缺点,具有如下优点:(1)本发明诊断方法通过多属性卷积神经网络自动提取特征,不需人工参与,方法简单易懂,便于工程推广;(2)诊断方法效果好,准确率高(3)诊断方法泛化能力强,能在实际故障诊断中取得良好效果;(4)能诊断故障大小。
附图说明:
图1是本发明所创建的多属性卷积神经网络结构图;
图2是本发明中样本点的创建方式示意图;
图3是本发明中卷积层的计算方式示意图;
图4是本发明中最大池化层计算方式示意图;
图5是本发明中多属性标签输出示意图。
具体实施方式:
本实施例以美国凯斯西储大学(Case Western Reserve University)采集的轴承数据集为例,说明本发明的具体诊断过程和效果。
美国凯斯西储大学采集实验平台包括一个2马力的电机(左侧,1马力=746w),一个转矩传感器(中间),一个功率计(右侧)和电子控制设备。试验台包括驱动轴端和输出端轴承,加速度传感器分别安装在电机壳体的驱动端和输出端12点钟的位置。振动信号是通过16通道的DAT记录器采集的,数字信号的采样频率为12k,驱动端轴承故障数据同时也以48k的采样速率采集。
本实施例具体使用了驱动端数据,采样频率为12k,轴承转速范围1730到1797rpm的数据。在电机负载为(0、1、2、3)HP下,分别选取轴承故障类型(正常、内圈故障、滚动体故障、外圈故障)的数据,内圈故障、滚动体故障分别选取0.007、0.014、0.021、0.028英寸四种故障大小,外圈故障分别选取0.007、0.014、0.021英寸三种故障大小。现在结合附图对本发明做进一步详细的说明。这些附图均为简化的结构示意图,仅以示意的方式说明本发明所涉及的基本结构,因此仅显示与本发明相关的结构。
本实施例采用一种基于多属性卷积神经网络的轴承故障定量诊断方法流程,包括如下具体步骤:
步骤S1,数据准备阶段:创建轴承故障的数据库;
步骤S2,创建阶段:创建用于定量诊断轴承故障的多属性卷积神经网络;
步骤S3,训练阶段:利用步骤S1创建的数据库来训练多属性卷积神经网络,获得网络参数,激活函数优先选择max(-1,x)。
步骤S4,测试阶段:采集待诊断的旋转机械振动数据,从振动数据中创建足够多数据样本点,用训练好的多属性卷积神经网络对数据样本点进行诊断,完成对故障的定量诊断。
具体的,步骤S1中创建所述数据库的方法如下子步骤:
步骤S11,将美国凯斯西储大学采集的轴承数据集分为四种故障类型(正常、内圈故障、滚动体故障、外圈故障),其中每种故障类型都包含不同故障大小、不同载荷、不同转速及外圈不同采样位置下采集的所有数据。
步骤S12,驱动端数据的采样频率为12kHz,轴承转速范围1730到1797rpm,故轴承旋转一圈,采样的数据点数最大为416,定义该数值为数据周期。对于每种工况下的采样数据,在随机位置处截取512个连续数据点作为一个的样本点数据,512是超过数据周期416且是k*2n的最小整数,其中k=1,n=9。这样选取的数据点少,有利于降低多属性卷积神经网络结构的复杂度和训练难度,同时能加快训练速度和减少测试时间。如图1所示,A点为采样数据上的任意点,B点为距A点512个数据点的点。
步骤S13,样本点多属性标签的创建,在本实施例中,轴承故障属性包括故障类型和故障大小共2个,M=2。故障类型下属性种类有4种(正常、内圈故障、滚动体故障、外圈故障)分别用序号(1、2、3、4)表示,n1=4;故障大小下属性种类有5类(0、0.007、0.014、0.021、0.028inch)分别用序号(1、2、3、4、5)表示,n2=5,多属性标签用M维向量表示,向量元素表示属性种类的序号。举例说明,如轴承是内圈故障且故障大小为0.014inch时,多属性标签为[2 3];如轴承无故障则故障大小为0,多属性标签为[1 1];如轴承是滚动体故障且故障大小为0.021inch时,多属性标签为[3 4]。
步骤S14,每种工况创建600个样本点,创建反映轴承故障情况的数据库,作为所述数据库。如表1所示为数据库样本点数据和多属性标签。
表1:
步骤S2所创建的多属性卷积神经网络结构如下:SoftMax输出层以前的网络结构参照VGGNet的网络构型,网络包含输入层,卷积层、最大池化层、平均池化层、SoftMax输出层。采用平均池化层代替全连接层,可极大减小网络权重数量,降低训练难度,同时也能提高网络诊断精度。每两个连续的卷积层后跟一个最大池化层,卷积层不改变特征图尺寸,池化层减小特征图尺寸到二分之一。每层卷积层后都接一个激活层,激活函数采用ShiftedReLU(偏移修正线性单元),具体表达式为max(-1,x)。
网络层数设为19层,卷积层有11层,最大池化层有5层以及1层平均池化层,前10层卷积层的卷积模板尺寸均为3*1,最后1层卷积层卷积模板尺寸为1*1,卷积层步长均为1*1;最大池化层的池化窗口尺寸均为2*1,步长均为2*1;输入层大小为512*1*1(样本点,数据维度为1,因为西储大学只使用一个传感器),最后以SoftMax(软最大化输出)层输出,网络结构如图2所示。由于本实施例轴承故障属性有2个:故障类型和故障大小,则SoftMax输出层由两个score vector组成,故障类型下属性种类有4种(无故障、内圈故障、滚动体故障、外圈故障),第1个score vector是4维向量;故障大小下属性种类有5种(0,0.007,0.014,0.021,0.028),第2个score vector是5维向量,则最终SoftMax输出层有9(=4+5)维。为了保证每次卷积运算后,feture maps(特征图)尺寸不变,进行3*1卷积运算之前,需对feturemaps进行Padding(填充),即在样本点首尾各补一个零。网络各层的feture maps大小依次为:1、12、12、12、24、24、24、48、48、48、96、96、96、128、128、128、9、9、9。最后三层的feturemaps大小为9等于两个score vector的维数之和。风险损失是2个score vector风险损失的平均值表示。
样本点i的风险损失为:
式中:向量s1是故障类型的得分向量,向量s2是故障大小的得分向量,[yi1 yi2]是多属性标签。
如图3所示,为卷积层的计算方式,图4为最大池化层计算方式。
单属性卷积神经网络主要用于图像识别,图像尺寸是二维的,但单属性卷积神经网络也可以用于一维信号。本质上只要信号具有平移不变性,就能通过单属性卷积神经网络进行学***移不变性,轴承故障数据也具有平移不变性,这是本发明能采用随机截取连续数据点作为样本点的理论基础。最后实验结果验证了这一点。具体编程实现时,只需把一维信号的宽度认为是1,这样一维信号变成了二维信号的特例,即尺寸为H*1,H是样本点的长度,在本实施例中为512。
关于单属性卷积神经网络的详细说明,可参看相关论文,教材和博客等资源,为了说明书简洁清晰,本发明不详述。
步骤S3中训练多属性卷积神经网络时所采用的超参数为:Nesterov动量随机梯度下降法,提前终止法,学习速率为0.005,正则化系数为0.0005,mini-batch(批量数)为32,动量系数为0.9;权重初始化为高斯分布的随机数,均值为零,方差为0.1,偏置初始化为零。
为了验证本发明的突出优点,本实施例选取了多种工况下的样本点形成测试集,并采用了三种测试方式验证本发明的效果,这两种测试方式都是采用本发明提出基于多属性卷积神经网络的旋转机械故障定量诊断方法。步骤S4中具体测试方式如下:
测试一:
如表2所示,选取步骤S1所述的数据库中60%的样本点作为训练集,20%的样本点作为验证集,余下的20%样本点为测试集。训练集为无故障轴承取60%1440个,内圈故障取60%5760个,滚动体故障取60%5760个,外圈故障取60%10080个;验证集为无故障轴承取20%480个,内圈故障取20%1920个,滚动体故障取20%1920个,外圈故障取20%3360个;测试集为无故障轴承取20%480个,内圈故障取20%1920个,滚动体故障取20%1920个,外圈故障取20%3360个。
如图5所示,测试时将测试集样本点输入训练好的多属性卷积神经网络中,SoftMax输出层输出2个score vector,分别对应轴承故障类型和故障大小,每个scorevector中最大值所在位置序号诊断为对应故障属性下属性种类的序号,这2个序号诊断为样本点多属性标签。举例说明,如某个样本点的故障类型得分向量为[0.03 0.04 0.90.1],最大值为0.9,位置序号为3,所以故障类型诊断为序号为3的滚动体故障类型;故障大小得分向量为[0.02 0.01 0.012 0.95 0.1],最大值为0.95,位置序号为4,所以故障大小诊断为序号为4的0.021inch;此时该样本点多属性标签为[3 4]。
当验证集准确率达99.23%时,测试集准确率达98.96%,准确率是指故障类型和故障大小均诊断正确的样本点所占比例。仅故障类型诊断正确的样本点所占比例为:99.7296%,仅故障大小诊断正确的样本点所占比例为:99.2188%。各种工况下,故障类型和故障大小均诊断正确的样本点所占比例如表3所示。
这里特别强调下,测试集准确率98.96%虽然没有达到100%。但98.96%是任一样本点的准确率,实际测试时,可以创建多个如100个,采用出现次数最多的多属性标签作为旋转机械的定量故障诊断结果,这时出现误判的概率接近零。传统的人工提取特征方法,所采用的测试样本点可能包含整个测试集。
表2:
表3:
这种测试方式,测试集所在的工况包含在训练集所在的工况,传统的人工提取特征方法所采用的测试方式基本都是这种方式,准确率比本发明方法低很多,且很少对混合工况进行和故障大小研究。测试集所在的工况包含在训练集所在的工况,即测试用的工况在训练单属性卷积神经网络时,被单属性卷积神经网络见过,在实际测试中,这种情况不可能存在的。因为实际测试时,测试轴承不同工况下的数据是不可能在训练时得到的。
测试二:
为了避免测试集所在的工况包含在训练集所在的工况,使测试样本点被多属性卷积神经网络见过的情况,设计了测试二。
如表4所示,将步骤S1中所产生的数据库按如下方式分成训练和测试集:
选取无故障轴承载荷为(1、2、3)HP(马力)共1800个样本点为训练样本点,分出其中的80%1440个作为训练样本点,20%360个作为验证样本点。选取无故障轴承载荷为0HP(马力)共600个样本点为测试样本点。
选取内圈故障下载荷为(0、2、3)HP,故障大小为0.007、0.014、0.021、0.028英寸,共7200个样本点为训练样本点,分出其中的80%5760个作为训练样本点,20%1440作为个验证样本点。选取内圈故障,故障大小为0.007、0.014、0.021、0.028英寸、载荷为1HP共2400个样本点为测试样本点。
选取滚动体故障下载荷为(0、1、3)HP,故障大小为0.007、0.014、0.021、0.028英寸,共7200个样本点为训练样本点,分出其中的80%5760个作为训练样本点,20%1440个作为验证样本点。选取滚动体故障载荷为2HP,故障大小为0.007、0.014、0.021、0.028英寸,共2400个样本点为测试样本点。
选取外圈故障下载荷为(0、1、2)HP,故障大小为0.007、0.014、0.021英寸,共12600个样本点为训练样本点,分出其中的80%10080个作为训练样本点,20%2520个作为验证样本点。选取外圈故障载荷为3HP,故障大小为0.007、0.014、0.021英寸,共4200个样本点为测试样本点。
上述所有的训练样本点构成训练集,所有测试样本点构成测试集。
当验证集准确率达97.26%时,测试集准确率达96.42%,准确率是指故障类型和故障大小均诊断正确的样本点所占比例。仅故障类型诊断正确的样本点所占比例为:97.64%,仅故障大小诊断正确的样本点所占比例为:97.92%。各种工况下,故障类型和故障大小均诊断正确的样本点所占比例如表5所示。
表4:
表5:
测试二的测试工况,没有出现在训练工况中,即多属性卷积神经网络没有学习过这类信号,但本发明的基于多属性卷积神经网络的旋转机械故障定量诊断方法还能取得如此好的效果,进一步说明了本发明具有非常好的泛化能力。测试工况的故障大小在训练工况中出现过,载荷大小未出现过,这在实际测试中是合理的,因为实际工作中,载荷是变化的,故障大小是逐渐增大的,故障大小不同的工况可以提前采集进行训练。
测试三:
西储大学只使用一个传感器采集振动数据,数据维度为1,为了提高诊断的准确率,可采用多维度数据即多个传感器采集振动数据,如2个或3个。传统方法基本都是针对一维信号进行处理、分析、识别的,对于多维数据一般都是先针对单维数据单独处理后,再进行集成,难度大,效果不佳。
卷积神经网络输入层可以直接采用多维数据,处理简洁,而且效果提升高于传统方法。为了验证本发明提出的方法对多维数据的优势,本发明采用了一组自测轴承数据。该组自测轴承数据测试了无故障、内圈故障、外圈故障下的负载为(0N,100N,200N)的情况。采用两个加速度传感器采集轴向、径向振动数据,所以数据是二维的,此时网络的输入512*1*2。输出层由两个score vector组成,第1个score vector是3维向量表示3种故障类型(无故障、内圈故障、外圈故障);第2个score vector是3维向量表示3种负载情况(0N,100N,200N)的轴向力,故输出层由6维。网络各层的feture maps大小依次为:2、12、12、12、24、24、24、48、48、48、96、96、96、128、128、128、6、6、6。最后三层的feture maps大小为6等于两个scorevector的维数之和,网络其他设置均与测试一、测试二相同。
如表6所示,选取自测轴承数据库中每种工况的60%个样本点作为训练集,20%个样本点作为验证集,余下的20%样本点为测试集。训练集为无故障轴承取60%360个,内圈故障取60%1080个,外圈故障取60%1080个;验证集为无故障轴承取20%120个,内圈故障取20%360个,外圈故障取20%360个;测试集为无故障轴承取20%120个,内圈故障取20%360个,外圈故障取20%360个。
当验证集准确率达100%时,测试集准确率达100%,准确率是指故障类型和故障大小均诊断正确的样本点所占比例。各种工况下,故障类型和载荷大小均诊断正确的样本点所占比例如表7所示。
表6:
表7:
综上所述,基于多属性卷积神经网络的轴承故障定量诊断方法,能通过多属性卷积神经网络自动提取特征,准确率高,且泛化性能强,能准确诊断轴承故障类型、故障大小及载荷大小,且能同时处理多个传感器的采集数据,故本发明对轴承故障智能诊断有重要意义。
以上实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变型和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于所述诊断方法具体步骤如下:
(1)数据准备阶段:采集各种工况下旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,这些样本点构成训练数据库,训练数据库由训练集和验证集组成,所述样本点包括数据和多属性标签;
(2)创建阶段:创建多属性卷积神经网络;
(3)训练阶段:利用训练数据库来训练多属性卷积神经网络,获得网络参数;
(4)测试阶段:采集待诊断的旋转机械振动数据,从振动数据中创建足够多数据样本点,用训练好的多属性卷积神经网络对所述数据样本点进行诊断,完成对旋转机械故障的定量诊断。
2.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于所述步骤(1)中所述样本点和所述步骤(4)中所述数据样本点中的数据创建方式为:采用随机方式创建,即对于每种工况下采样数据,在随机位置处截取振动数据中大于一个数据周期长度的连续数据点作为一个样本点,优先选择k*2n个数据点作为一个样本点,其中n为正整数,k=1或3,所述旋转机械中转子旋转一圈,采样的数据点个数定义为数据周期。
3.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于所述步骤(1)中所述样本点中的多属性标签创建方式为:旋转机械故障属性的数目为M,则样本点多属性标签有M维,每维数值是故障属性下的属性种类的序号。
4.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于所述步骤(2)中多属性卷积神经网络的创建方式为:多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层,每层卷积层后接一个激活层,激活函数采用偏移修正线性单元,具体表达式为max(-1,x);卷积层的卷积模板尺寸为3*1,除了最后一层为1*1,卷积层步长均为1*1;最大池化层池化窗口均为2*1,步长均为2*1;输入层大小为H*1*K,其中H为样本点长度,K为数据维度,即传感器数目;软最大化输出层由M个得分向量组成,旋转机械的每个故障属性用一个得分向量表示,每个得分向量的维数等于对应故障属性下属性种类数目;最后三层特征图大小等于M个得分向量维数之和;风险损失是M个交叉熵函数的加权平均值;
所述多属性卷积神经网络的一个样本点i的风险损失为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>&lsqb;</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>sk</mi>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</msub>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>k</mi>
</mrow>
</munderover>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>sk</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
</mrow>
式中:M是故障属性数目,Lik是故障属性k的风险损失,λk是故障属性k的权重,向量sk是故障属性k的得分向量,nk是故障属性k的属性种类数目,向量yi是多属性标签,yik为故障属性k的多属性标签的序号。
5.根据权利要求4所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于对于样本点长度为512的数据,所述多属性卷积神经网络的具体结构为:网络层数为19层,包含输入层,卷积层、最大池化层、平均池化层及软最大化输出层,每层卷积层后接一个激活层,激活函数采用偏移修正线性单元,具体表达式为max(-1,x);卷积层有11层,最大池化层有5层以及1层平均池化层;前10层卷积层的卷积模板尺寸均为3*1,最后1层卷积层卷积模板尺寸为1*1,卷积层步长均为1*1,最大池化层的池化窗口尺寸均为2*1,步长均为2*1;输入层大小为512*1*K,软最大化输出层由M个得分向量组成,旋转机械的每个故障属性用一个得分向量表示,每个得分向量的维数等于对应故障属性下属性种类数目;为了保证每次卷积运算后,特征图尺寸不变,进行3*1卷积运算之前,需对特征图进行填充,即在样本点首尾各补一个零;网络各层的特征图大小依次为:K、12、12、12、24、24、24、48、48、48、96、96、96、128、128、128、9、9、9;训练多属性卷积神经网络时所采用的超参数为:Nesterov动量随机梯度下降法,提前终止法,学习速率为0.005,正则化系数为0.0005,批量数为32,动量系数为0.9;权重初始化为高斯分布的随机数,均值为零,方差为0.1,偏置初始化为零。
6.根据权利要求1所述的基于多属性卷积神经网络的旋转机械故障定量诊断方法,其特征在于所述步骤(4)为:采集待诊断的旋转机械振动数据,从振动数据中创建足够多数据样本点,将待诊断的每个样本点输入训练好的多属性卷积神经网络中,软最大化输出层输出M个得分向量,每个得分向量中最大值所在位置序号诊断为属性种类的序号,这M个属性种类的序号组成的向量为一个多属性标签;每个样本点诊断出一个多属性标签,则多个样本点诊断出多个多属性标签,采用出现次数最多的多属性标签作为所述旋转机械的定量故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579113.5A CN107451340A (zh) | 2017-07-17 | 2017-07-17 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579113.5A CN107451340A (zh) | 2017-07-17 | 2017-07-17 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451340A true CN107451340A (zh) | 2017-12-08 |
Family
ID=60488725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710579113.5A Pending CN107451340A (zh) | 2017-07-17 | 2017-07-17 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451340A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN111141519A (zh) * | 2019-12-27 | 2020-05-12 | 西安交通大学 | 一种滚动轴承故障定量评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
-
2017
- 2017-07-17 CN CN201710579113.5A patent/CN107451340A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
曹雪琼: "基于卷积神经网络的变速器故障分类识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510153A (zh) * | 2018-02-08 | 2018-09-07 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN108510153B (zh) * | 2018-02-08 | 2022-09-16 | 同济大学 | 一种多工况旋转机械故障诊断方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN108875918B (zh) * | 2018-08-14 | 2021-05-04 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109635677B (zh) * | 2018-11-23 | 2022-12-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN111027641A (zh) * | 2019-12-25 | 2020-04-17 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN111027641B (zh) * | 2019-12-25 | 2024-02-13 | 许昌北邮万联网络技术有限公司 | 一种旋转机械设备的故障诊断方法及装置 |
CN111141519A (zh) * | 2019-12-27 | 2020-05-12 | 西安交通大学 | 一种滚动轴承故障定量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451340A (zh) | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 | |
CN107179194A (zh) | 基于卷积神经网络的旋转机械故障定性诊断方法 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN109596326A (zh) | 基于优化结构卷积神经网络的旋转机械故障诊断方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测*** | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN111458144B (zh) | 一种基于卷积神经网络的风力发电机故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN109489946A (zh) | 一种旋转机械的故障诊断方法及*** | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN107144430A (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN107122802A (zh) | 一种基于改进小波神经网络的滚动轴承的故障检测方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN110487547A (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114239641A (zh) | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、***、设备及介质 | |
CN113720605B (zh) | 一种基于机器学习的水泥生产旋转设备故障诊断方法 | |
CN107451624A (zh) | 基于正交化局部连接网络的机械装备健康状态识别方法 | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171208 |