CN109765053A - 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，包括如下步骤：通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，具体包括样本扩充；生成峭度指标数据集；生成故障图像。本发明方法克服了现有方法过程复杂，针对性不强的缺点。本发明采用深度模型可以提取数据的深层次特征，具有更好的数据表达能力，同时也避免了传统特征提取方法对专业知识的依赖，降低了诊断过程的复杂性。同时通过采集不同故障类型的轴承数据进行实验，结果表明该模型的诊断精度高于传统方法，适用于滚动轴承故障的精确诊断。

Description

利用卷积神经网络和峭度指标的滚动轴承故障诊断方法

技术领域

本发明涉及一种滚动轴承故障诊断方法，更具体地说它是一种利用卷积神经网络和峭度指标的滚动轴承故障诊断方法。

背景技术

滚动轴承是应用非常广泛的重要装备基础零部件和机械通用原件，在装备制造业中不可或缺，它直接决定着重大装备和主机产品的性能、质量和可靠性，被誉为“工业的关节”。但同时，由于其往往处于恶劣的工作环境中，且具有运行速度高、结构复杂和容易发生故障的特点，滚动轴承也是旋转机械易损部件之一。据统计，旋转机械的故障有70％以上是与轴承故障相关，且轴承一旦发生故障，将会引发系列连锁故障，严重的将直接影响着整个设备的运行安全。因此，滚动轴承的状态监测和故障诊断具有十分重要的意义，其一直是机械故障诊断中重点发展的方向之一。

伴随着人工智能(artificial intelligence,AI)的快速发展，机器学习方法在滚动轴承的状态监测和故障诊断中得到了非常广泛的应用。但是，传统的智能故障诊断方法存在需要进行人工选择特征和需要大量的标签数据进行训练的问题，为了解决故障诊断中存在的这些难题，兴起的深度学习方法逐渐被人们应用到故障诊断领域中。2006年，由Hinton等提出了利用自编码器(autoencoder)来降低数据的维度，并提出用预训练的方式快速训练深度置信网络，来抑制梯度消失问题。以此为标志，深度学习作为一种兴起的模式识别领域的新方法，在图像识别、语音识别以及自然语言处理等方面取得了突破进展。同时，由于深度学习的多层次结构，可以从大量数据中提取深层次关系，在轴承故障诊断领域也得到了较大的关注与应用。Guo等提出了一种利用卷积神经网络对滚动轴承振动信号的连续小波变换尺度图进行直接分类的新的诊断方法。Xie等提出了一种自适应深度置信网络模型实现端到端的故障诊断，用于从旋转机械中提取深层代表特征，识别轴承故障类型和故障程度。Shao等提出了一种新的卷积深度置信网络(convolutional deepbeliefnetwork)用于电力机车的轴承故障诊断。

但是上述方法的实验过程很复杂，针对性不强。

发明内容

本发明的目的是为了提供克服上述现有背景技术的不足之处，而提供一种利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，它将深度学习方法用于轴承故障诊断，实验结果表明效果良好。

本发明目的是通过如下措施来达到的：利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，其特征在于包括如下步骤：

通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，

步骤一：样本扩充，为实现深度学习的故障诊断，需要大量的训练样本作为支撑，考虑到故障轴承的冲击信号蕴含在振动信号中，同时为尽可能多的保留信号相邻元素之间的相关性，增加参与深度学习模型训练的样本数量，采用分段重叠截取的方法进行振动信号的截取；依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本；

步骤二：生成峭度指标数据集；计算截取的四种类别振动信号的峭度指标，组成外圈故障、内圈故障、滚动体故障以及正常情况四种类别振动信号的峭度指标数据集；

步骤三：生成故障图像；使用数据到图像的转换方法，将峭度指标数据集转换为灰度图像；

步骤四：卷积神经网络模型的训练和测试；将四种类型的灰度图送入卷积神经网络模型，采用TensorFlow深度学习框架进行网络模型的训练和测试，最后完成滚动轴承故障分类。

本发明具有如下优点：本发明建立的卷积神经网络和振动信号峭度指标的滚动轴承故障智能诊断模型是一种基于深度学习的层级化故障诊断模型。

实验结果表明：(1)采用深度模型可以提取数据的深层次特征，具有更好的数据表达能力，同时也避免了传统特征提取方法对专业知识的依赖，降低了诊断过程的复杂性。(2)通过采集不同故障类型的轴承数据进行实验，结果表明该模型的诊断精度高于传统方法，适用于滚动轴承故障的精确诊断。

附图说明

图1为卷积神经网络的典型结构；

图2为构建的卷积神经网络结构；

图3为机械故障综合模拟实验台；

图4为样本截取示意图；

图5为数据到图像的转换结果示意图；

图6-1，图6-2，图6-3，图6-4，图6-5为训练集和验证集平均准确率与迭代次数关系图；

图7为模型训练集和验证集的准确率和损失函数值变化曲线图；

图8为模型输出的测试集混淆矩阵图。

图中1.调速电机，2.联轴器，3.第一轴承座，4.转子，5.加速度传感器，6.第二轴承座，7.工作台。

具体实施方式

下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。

在科学研究中发现：在滚动轴承发生故障时，振动信号中的许多统计特征参数都会随故障的性质及大小发生变化，这可以作为故障诊断的依据。其中，峭度值作为无量纲指标，适用于表面损伤类的故障诊断，该指标对信号的冲击故障十分敏感，同时其为无量纲参数，因而该值与滚动轴承的转速、尺寸以及负载都没有关系，非常利于对信号的数理统计。结合上述，本发明提出一种基于卷积神经网络(convolution neural network，简称CNN)和振动信号峭度指标的滚动轴承故障智能诊断方法，将深度学习方法用于轴承故障诊断，为了验证该方法的有效性，利用具有不同故障类型的滚动轴承进行测试，在取得大量振动信号数据后应用所提方法进行故障分类，实验结果表明效果良好。

参阅附图可知：利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，其特征在于包括如下步骤：

通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，

步骤一：样本扩充，为实现深度学习的故障诊断，需要大量的训练样本作为支撑，考虑到故障轴承的冲击信号蕴含在振动信号中，同时为尽可能多的保留信号相邻元素之间的相关性，增加参与深度学习模型训练的样本数量，采用分段重叠截取的方法进行振动信号的截取；依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本；

步骤二：生成峭度指标数据集；计算截取的四种类别振动信号的峭度指标，组成外圈故障、内圈故障、滚动体故障以及正常情况四种类别振动信号的峭度指标数据集；

步骤三：生成故障图像；使用数据到图像的转换方法，将峭度指标数据集转换为灰度图像；

步骤四：卷积神经网络模型的训练和测试；将四种类型的灰度图送入卷积神经网络模型，采用TensorFlow深度学习框架进行网络模型的训练和测试，最后完成滚动轴承故障分类。

在上述技术方案中，在步骤二中所述峭度指标数学表达式为：

其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E是计算数学期望的，数学符号。

在上述技术方案中，在步骤三中灰度图像的数据预处理方法为：数据样本X(i)，其中i表示样本点个数，按照式(2)进行处理，使得数据范围变换到[0,255]之间。

式中，P(m,n)，m＝1…j,n＝1…j表示灰度图像的像素，函数round(·)是四舍五入函数，x_i表示第i个样本，x_min表示样本最小值，x_max表示样本最大值。

一、典型的卷积神经网络结构

一个典型的CNN网络如图1所示，其包含输入层、卷积层、池化层、全连接层和输出层。输入层的数字图像大小为32×32，经过第一层卷积层，其中卷积核大小为3×3，个数为16，得到16个32×32的图片，经过最大池化缩减采样，得到16个16×16的图像，再卷积再池化，最后组成32个8×8的图像；建立平坦层，将32个8×8的图像转换为一维的向量，分别对应2048个神经元；接下来建立隐藏层和输出层，输出层有四个神经元，分别表示四种类别。其中，为了减轻模型过度拟合的情况，在模型中加入了Dropout层，通过在训练过程中随机地忽略一定比例神经元的响应，减轻了过拟合现象，有效地提高了模型的泛化性能。

二、利用卷积神经网络和峭度指标的滚动轴承故障诊断方法

本发明介绍了利用卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。首先，介绍了振动信号中的峭度准则。然后，为了处理原始信号，使用了一种从数据到图像的转换方法。最后，说明了卷积神经网络模型的训练过程。

2.1峭度准则

峭度(Kurtosis)对冲击信号敏感，被用来度量机械故障的剧烈程度，评价轴承、齿轮等振动冲击成分的强弱。其数学表达式为：

其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E为常数。可以看出峭度实质是归一化的四阶中心距，对奇异信号敏感，该值与滚动轴承的转速、尺寸以及负载都没有关系，有利于对信号的数理统计。

2.2数据到图像的转换方法

在数据驱动的故障诊断方法中，数据的预处理至关重要，其主要功能就是从大量历史数据中提取原始信号的特征。而这些特征将对最终故障诊断结果有很大的影响。在本文中，使用了一种有效的数据预处理方法。数据样本X(i)，其中i表示样本点个数，按照式(2)进行处理，使得数据范围变换到[0,255]之间。

式中，P(m,n)，m＝1…j,n＝1…j表示灰度图像的像素，函数round(·)是四舍五入函数，x_i表示第i个样本，x_min表示样本最小值，x_max表示样本最大值。这种数据处理方法的优点是它提供了一种探索信号的二维特征表示方法，可以在没有任何预定义参数的情况下进行计算，不需要人工进行干预，也无须专家经验知识。

2.3故障诊断方法

本发明所提出的方法是，首先测得不同故障种类滚动轴承运行过程中的振动信号，并将振动信号分段处理后得到峭度指标，然后使用数据到图像的转换方法，将峭度指标转换为二维灰度图，最后送入卷积神经网络模型完成故障分类。构建的网络结构如图2所示，包括四个部分：数据输入层、特征提取层、全连接层以及输出层。数据输入层的作用是将原始振动信号进行分段预处理，并提取峭度指标。特征提取层包括多次的卷积和池化操作，实现对数据的特征提取，得到多个特征矢量。全连接层的作用是完成数据的“展平”，连接所有的特征矢量。输出层利用定义的分类器完成目标输出类别的分类。

3工程实验

使用SpectraQuest公司的机械故障综合模拟实验台进行滚动轴承机械故障诊断实验，如图3所示。该实验台主要由滚动轴承、可拆卸轴承座、电机以及调速转置等部分组成。

实验是在实验台所配套的MBER-16K系列轴承上进行的。该系列轴承分别在内圈、外圈和滚动体上利用电火花预制了点蚀故障。滚动轴承的转速通过电动机在实验现场按照需要进行调节，实验中使用压电式加速度传感器来拾取滚动轴承的振动信号，采样频率为12kHz，分别在转速为1800r/min、2400r/min以及2900r/min三种不同工况下，经放大、滤波后，通过数据采集***进行信号采集。

3.1样本扩充

为实现深度学习的故障诊断，需要大量的训练样本作为支撑。考虑到故障轴承的冲击信号蕴含在振动信号中，同时为尽可能多的保留信号相邻元素之间的相关性，增加参与深度学习模型训练的样本数量，本文采用分段重叠截取的方法进行振动信号的截取，如图4所示。

从振动信号数据的第1个点开始，截取第n个点作为第一个信号样本，然后下一个信号样本从第(n-m)个点开始，截取第(2n-m)个点作为第二个信号样本，依次类推实现信号的分段重叠截取，总共截得N个信号样本。实验中，依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，分别截取了32×32×500段振动信号样本。这样，为了后面得到每种故障类型500张32×32像素的灰度图像提供了足够的数据。

3.2生成故障图像

将上述截取的四种类别的振动信号分别代入式(1)中，得到峭度指标数据集{K_i|i＝1,2,…,32×32×500}、{K_o|O＝1,2,…,32×32×500}、{K_r|r＝1,2,…,32×32×500}、{K_n|n＝1,2,…,32×32×500}，其中K_i、K_o、K_r、K_n分别表示外圈故障、内圈故障、滚动体故障以及正常情况四种类别振动信号的峭度指标数据集。使用数据到图像的转换方法，四种类别的数据样本转换结果如5所示。转换后得到每种类型500张的灰度图像，像素大小为32×32。

从转换后的图像中可以看出，不同故障类型的灰度图像有所区别。其中，外圈故障和内圈故障的图像与滚动体故障和正常情况的图像区别明显，内圈故障图像与外圈故障图像相比有明显的条纹特征，正常情况图像比滚动体故障图像颜色更深。同时，还发现将振动信号使用峭度指标转换成图像后，故障类型与滚动轴承转速的关系明显变弱，从表中能看出，四种类型在三种工况条件下，图像区别不明显，上述特性为建立卷积神经网络模型的样本库提供了很大的方便。

3.3卷积神经网络模型的训练和测试

本发明采用TensorFlow深度学习框架进行卷积神经网络模型的构建，并进行训练和测试。这是一个由谷歌人工智能团队谷歌大脑(Google Brain)开发和维护的开源软件库，专注于提供机器学习和深度学习神经网络的基础算法组件。

将上述采集的每一种类型500张的灰度图像进行随机划分，其中450张用于训练，50张用于测试。最后共得到1800张训练集图片和200张测试集图片，在组成的训练集中，取20％的数据用于交叉验证。由于在模型的训练过程中，超参数的选择对模型的训练速度、分类准确率有直接的影响，考虑本文所构建的卷积神经网络模型及其分类任务，下面分别讨论卷积层神经元数目、优化器类型以及每批次处理样本数目三种因素对模型分类准确率的影响，以确定最优的模型匹配参数。

(1)卷积层神经元数目

在卷积神经网络模型中，卷积层神经元的作用是提取训练样本中的局部特征。为了充分提取不同类别训练样本中具有差别性的特征信息，可以通过增加卷积层数或者增加卷积层中神经元数目的方式来实现。考虑到本文中训练样本数量相对较少，为最大程度减少过拟合对分类结果的影响，模型训练在固定卷积层数为两层的前提下，考察卷积层中不同神经元数目对模型分类准确率的影响，分别进行10次模型训练，取训练集、验证集和测试集的平均准确率，结果如表1所示。

表1不同卷积层神经元数目的实验结果

训练集和验证集平均准确率与迭代次数关系图，如图6-1-图6-5所示。

模型训练结果能够看出，随着卷积层神经元数目的增加，模型对于训练样本的识别准确率增加，但是验证集准确率相比对应的训练集准确率在逐步降低，说明网络模型的过拟合现象在逐步加重，兼顾考虑到测试集的识别准确率，本文所提模型的卷积层神经元数目采用(16,32)的配置方案。

(2)优化器类型

考虑本发明所构建的卷积神经网络模型及分类任务，结合TensorFlow深度学***均准确率为评价指标进行综合考虑，结果如表2所示。兼顾训练集和测试集的准确率，本发明所提模型的优化器选择Adam。

表2选择不同优化器的模型实验结果

(3)批次处理样本的数目

卷积神经网络的训练样本数目较多，如果参数更新以单个样本的迭代方式进行，不仅会增加训练时间成本，而且网络模型容易陷入局部最优，导致其泛化性能变差。因此，在进行训练时，通过使用批次处理样本的方式加快模型的收敛，但是随着批次处理样本数目的增加，也会带来内存消耗过大，迭代次数过多的问题。本文结合实际样本数量以及分类任务，分别设置批处理样本数目为50、100、200、300进行10次模型训练，取训练集、验证集和测试集的平均准确率。结果如表3所示。可见，在批处理数为100时可以达到最佳的测试集识别率，因此模型选择批处理样本数目为100。

表3不同批处理样本数目的实验结果

3.4实验结果

依据前述的讨论结果，卷积神经网络模型参数如表4所示。

表4卷积神经网络模型参数

采用TensorFlow深度学习框架进行模型训练时，为减轻过拟合现象的影响，设置Dropout值为0.25，训练集和验证集的准确率和损失函数值变化曲线如图7所示。

在模型训练过程中，无论是训练集还是验证集，准确率都越来越高。在迭代的后期，虽然训练集的准确率比验证集的准确率高，但是两者差距变小，过拟合的程度已经减轻，经过50次迭代后，模型输出在测试集的准确率为99.5％。为直观的展示模型在测试集上各类型的识别结果，建立混淆矩阵如图8所示。

混淆矩阵的对角线上是预测正确的个数，非对角线上为预测错误的个数。结果发现在测试集的200个样本中，有2个样本分类有误，分别是轴承滚动体故障与正常情况的一个样本产生了混淆，对比图5中图像发现，滚动体故障和正常情况的图像差别确实较小。

实验结果分析表明本文所提分类模型具有较高的故障识别率。

4结论

本发明建立的卷积神经网络和振动信号峭度指标的滚动轴承故障智能诊断模型是一种基于深度学习的层级化故障诊断模型。实验结果表明：(1)采用深度模型可以提取数据的深层次特征，具有更好的数据表达能力，同时也避免了传统特征提取方法对专业知识的依赖，降低了诊断过程的复杂性。(2)通过采集不同故障类型的轴承数据进行实验，结果表明该模型的诊断精度高于传统方法，适用于滚动轴承故障的精确诊断。

其它未详细说明的均属于现有技术。

Claims (3)

1.利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，其特征在于包括如下步骤：

通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，

步骤一：样本扩充，为实现深度学习的故障诊断，需要大量的训练样本作为支撑，考虑到故障轴承的冲击信号蕴含在振动信号中，同时为尽可能多的保留信号相邻元素之间的相关性，增加参与深度学习模型训练的样本数量，采用分段重叠截取的方法进行振动信号的截取；依据滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别，按照重叠信号50％的标准，截取振动信号样本；

步骤二：生成峭度指标数据集；计算截取的四种类别振动信号的峭度指标，组成外圈故障、内圈故障、滚动体故障以及正常情况四种类别振动信号的峭度指标数据集；

步骤三：生成故障图像；使用数据到图像的转换方法，将峭度指标数据集转换为灰度图像；

步骤四：卷积神经网络模型的训练和测试；将四种类型的灰度图送入卷积神经网络模型，采用TensorFlow深度学习框架进行网络模型的训练和测试，最后完成滚动轴承故障分类。

2.根据权利要求1所述的利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，其特征在于，在步骤二中所述峭度指标数学表达式为：

其中：K为信号x的峭度指标；N为信号x的长度；μ为信号x的均值；σ为信号x的标准差，E是数学符号。

3.根据权利要求1所述的利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，其特征在于，

在步骤三中灰度图像的数据预处理方法为：数据样本X(i)，其中i表示样本点个数，按照式(2)进行处理，使得数据范围变换到[0，255]之间，

式中，P(m，n)，m＝1…j，n＝1…j表示灰度图像的像素，函数round(·)是四舍五入函数，x_i表示第i个样本，x_min表示样本最小值，x_max表示样本最大值。