CN110702411B - 一种基于时频分析的残差网络滚动轴承故障诊断方法 - Google Patents
一种基于时频分析的残差网络滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN110702411B CN110702411B CN201910899012.5A CN201910899012A CN110702411B CN 110702411 B CN110702411 B CN 110702411B CN 201910899012 A CN201910899012 A CN 201910899012A CN 110702411 B CN110702411 B CN 110702411B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- network
- residual error
- error network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于时频分析的残差网络滚动轴承故障诊断方法,包括以下步骤:S1、采集振动信号数据,利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图,将时频图转换为二维的灰度时频图;S2、利用残差网络对信号进行特征提取,并诊断轴承的故障类型;残差网络的输入为步骤S1中生成的灰度时频图,输出为故障诊断的结果。本发明采用短时傅里叶变换将轴承振动数据转换为时频图,可以明确的体现故障轴承振动时的时域和频域特征,便于网络对不同故障类型的准确诊断。由于时频信号中同时包含了轴承的时域和频域信息,并且残差网络的网络层加深并不会导致梯度消失或梯度***的问题,因此该方法对轴承进行故障诊断时可以获得较高的准确率。
Description
技术领域
本发明涉及轴承故障诊断领域,更具体地说,涉及一种基于时频分析的残差网络滚动轴承故障诊断方法。
背景技术
滚动轴承是机械部件的重要组成部分,在大型设备或者生产线上,随时都有大量的滚动轴承在运转。一旦滚动轴承出现了严重故障将导致产品的精度难以把控,甚至会让机械设备或生产线停工。因此对滚动轴承进行故障诊断就非常重要。在轴承产生故障时能够及时发现并维修,对设备的运转可靠性也有很大帮助。
对滚动轴承进行故障诊断可以采用传统的方法,对振动信号进行特征提取,故障分类等手段。但这种方法要求相关人员具备丰富的先验知识,并且当振动信号混杂了噪声信号后,信号特征提取的难度也相应增加。由于故障诊断就是对不同故障类型进行识别,而深度学习在图像识别方面取得了良好的成就,因此可以将深度学习的方法运用到滚动轴承的故障识别中来。残差网络解决了深度学习由于网络层加深而退化的问题,因此将残差网络用于滚动轴承故障诊断将可以通过加深网络层来提取信号的高维特征,增加识别准确率。
然而对滚动轴承的振动信号是关于时间的信号,即滚动轴承的振动信号只包含了时域信息而没有包含频域信息。如果直接将滚动轴承的振动信号输入残差网络,将会使得信号特征的丢失,降低诊断的准确率。因此可以采用短时傅立叶变换将轴承的时域信号转换为时频信号,该信号为二维信号,其横坐标代表时域,纵坐标代表频域。这样残差网络的输入数据将同时包含时域信息和频域信息。网络对故障特征的提取将更加全面,有利于增加故障诊断的准确率。
申请号201710747694.9,名称为一种基于卷积神经网络的滚动轴承故障诊断方法,运用了短时傅立叶变换的方法对滚动轴承进行时域信息到频域信息的变换,该方法能够提取出信号的频域特征,但是该方法在后续处理中运用的是普通卷积神经网络,这种网络当网络层数加深时会出现梯度消失或者梯度***的问题。因此,网络层数受限,不能提取轴承信号的高维特征,诊断准确率也受限。
申请号201810339956.2,名称为基于卷积神经网络的滚动轴承智能诊断模型的建立方法,该方法虽然将轴承的一维信号转化为了二维信号,但其转换方法为按顺序排列,这样堆叠出来的二维信号没有实际的物理意义,并不能体现轴承故障的时域和频域信息。因此不能提高轴承故障诊断的准确率。
浙江大学黄驰城硕士学位论文,《结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究》中采用了ResNet18对轴承的时频信号进行故障诊断,该方法直接在残差网络中进行识别,并没有针对轴承特点对网络结构进行修改,且没有对网络训练过程可视化分析。
发明内容
本发明要解决的技术问题在于,提供一种基于时频分析的残差网络滚动轴承故障诊断方法,采用该方法对轴承进行故障诊断时,可以获得较高的准确率高。
本发明解决其技术问题所采用的技术方案是:构造一种基于时频分析的残差网络滚动轴承故障诊断方法,包括以下步骤:
S1、采集振动信号数据,利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图,将时频图转换为二维的灰度时频图;
S2、利用残差网络对信号进行特征提取,并诊断轴承的故障类型;残差网络的输入为步骤S1中生成的灰度时频图,输出为故障诊断的结果。
上述方案中,在所述步骤S1中,将每张灰度时频图打上标签,并分割成训练集和测试集。
上述方案中,还包括步骤S3:将步骤S1中训练集的数据输入残差网络进行训练,损失函数采用交叉熵损失函数,优化方法为Adam算法;训练完成后绘制出不同网络层的特征图,同时利用t-SNE算法对不同网络层的输出进行降维可视化,观察不同网络层间的关系。
上述方案中,还包括步骤S4:将步骤S1中的测试集输入残差网络,测试残差网络的准确率。
上述方案中,所述振动时域信号z(t)的短时傅立叶变换为:
其中,t为时间,f为频率,γ(t)为窗函数,t’-t代表滑动的窗口,*代表复数共轭,z(t)为信号。
上述方案中,所述残差网络为20层的残差网络,残差网络的第一层卷积核为5×5的卷积核,后面的网络层则为3×3的卷积核。
实施本发明的基于时频分析的残差网络滚动轴承故障诊断方法,具有以下有益效果:
1、本发明采用短时傅里叶变换将轴承振动数据转换为时频图,可以明确的体现故障轴承振动时的时域和频域特征,便于网络对不同故障类型的准确诊断。由于时频信号中同时包含了轴承的时域和频域信息,并且残差网络的网络层加深并不会导致梯度消失或梯度***的问题,因此该方法对轴承进行故障诊断时可以获得较高的准确率。
2、本发明对不同网络层特征图的输出,并采用t-SNE可视化算法,能够清晰的表示出不同网络层在对故障轴承进行诊断时网络特征的变化情况,便于网络参数的调整。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是不同故障类型的时频图;
图2是训练集上的准确率和损失函数值;
图3是输入网络特征图;
图4是第一阶段输出特征图;
图5是第二阶段输出特征图;
图6是第三阶段输出特征图;
图7是第四阶段输出特征图;
图8是原始数据降维可视化示意图;
图9是第一阶段输出参数降维可视化示意图;
图10是第二阶段输出参数降维可视化示意图;
图11是第三阶段输出参数降维可视化示意图;
图12是第四阶段输出参数降维可视化示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的基于时频分析的残差网络滚动轴承故障诊断方法包括以下步骤:
S1、振动信号数据采集和处理;
本次采用的数据集是美国西储大学的轴承数据集,本例共设置了10种故障类型,分别如表1所示。然后将每种故障类型的数据分割成2048×1的样本,最后利用短时傅立叶变换将每一个样本转换为64×64的时频灰度图。
给定一个时间宽度很短的窗函数γ(t),令窗滑动,则信号z(t)的短时傅立叶变换为:
其中,t为时间,f为频率,γ(t)为窗函数,t’-t代表滑动的窗口,*代表复数共轭,z(t)为信号。
利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图。然后将时频图转换为图1所示的二维的时频灰度图,时频灰度图中颜色越亮的代表幅值越大,颜色越暗的代表幅值越小。在时频灰度图中不仅可以看到振动信号的时域信息还能看到振动信号在不同时刻的频域信息。最后将每张时频灰度图打上标签,并分割成训练集和测试集。
每一种故障类型有1000个样本,然后随机选择其中900个为训练集,剩下100个为测试集。这些时频灰度图包含了轴承振动时的时域信号和频域信号,使轴承振动的特征更加明显,便于网络对故障类型的识别。
表1轴承的故障类型
S2、残差网络构建;
残差网络是一种将参数直接与后面网络层相连的卷积神经网络,这种网络可以有效的避免由于网络加深带来的网络退化问题。所以残差网络可以比一般的卷积神经网络采用更深的网络层。
根据残差网络的残差块,构建一个20层的残差网络,为了提取轴承振动的低频信息,网络的第一层卷积核为5×5的较大卷积核,后面的网络层则为 3×3的卷积核。该网络的输入为S1中生成的灰度时频图,输出则是故障诊断的结果。
残差网络结构如表2:
表2残差网络结构
S3、残差网络的训练;
将S1中训练集的数据输入残差网络进行训练。设置训练的步数为500次,训练的Batch-Size为50,学习率为0.01,网络的训练算法采用Adam算法。残差网络的训练过程如图2,随着迭代的进行网络迅速达到稳定状态,训练集上的准确率也达到100%,损失函数逐渐减小。
网络训练后每一层的权重参数会产生变化,图3是输入网络用于诊断的一张时频图,图4到图7是该时频图经过第一个阶段到第四个阶段输出的特征图。其中每一个方框代表一个输出通道。当时频图通过第一个阶段时还能大概看出时频图的轮廓。但随着网络层的增加,网络开始提取高维特征,从图中可以看到随着网络的加深网络的输出通道数增加,且深层网络的特征更加抽象。这种特征主要用于计算机对不同故障类型的识别。
图8是利用t-SNE算法对原始数据进行降维可视化后的图像,图9到图 12则是第一个阶段到第四个阶段输出特征进行降维可视化后的图像。图中每一种颜色代表一种故障类型,每一种颜色之间分离的越远代表故障分类的效果越好。可以看到图8的原始数据有多种故障类型之间存在交叉与相邻部分,所以原始数据不能将故障类型进行分离。而图9到图12随着网络层的加深,各种故障类型开始慢慢分离,到最后一个阶段输出时,故障类型已经可以全部分离,并且每种故障类型之间分离较远,不容易产生干扰。说明网络的分类效果很好。
S4、残差网络测试;
残差网络训练完成后,将S1中的测试集输入网络进行测试,其分类的准确率达到100%。为了能够使网络在噪声环境下也能拥有稳定的诊断效果,本例对数据集添加了-4dB、-2dB、0dB、2dB、4dB的高斯噪声进行测试,测试结果如表3所示:
表3不同噪声环境下的测试结果
从表3中可以看出网络在高噪声环境下(-4dB)也拥有较高的诊断准确率,且随着噪声的减小,测试准确率逐渐增加,损失函数值逐渐减小,当噪声为4dB时准确率可以达到100%,说明此时噪声环境对各种故障类型的特征干扰已经可以忽略,不会影响网络对轴承的诊断结果。
S5、残差网络输出然后用于故障诊断。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (2)
1.一种基于时频分析的残差网络滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1、采集振动信号数据,利用短时傅立叶变换将滚动轴承的振动时域信号转换为时频图,将时频图转换为二维的灰度时频图;
S2、利用残差网络对信号进行特征提取,并诊断轴承的故障类型;残差网络的输入为步骤S1中生成的灰度时频图,输出为故障诊断的结果;
在所述步骤S1中,将每张灰度时频图打上标签,并分割成训练集和测试集;
还包括步骤S3:将步骤S1中训练集的数据输入残差网络进行训练,损失函数采用交叉熵损失函数,优化方法为Adam算法;训练完成后绘制出不同网络层的特征图,同时利用t-SNE算法对不同网络层的输出进行降维可视化,观察不同网络层间的关系;
所述振动时域信号z(t)的短时傅立叶变换为:
其中,t为时间,f为频率,γ(t)为窗函数,t’-t代表滑动的窗口,*代表复数共轭,z(t)为信号;
所述残差网络为20层的残差网络,残差网络的第一层卷积核为5×5的卷积核,后面的网络层则为3×3的卷积核。
2.根据权利要求1所述的基于时频分析的残差网络滚动轴承故障诊断方法,其特征在于,还包括步骤S4:将步骤S1中的测试集输入残差网络,测试残差网络的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899012.5A CN110702411B (zh) | 2019-09-23 | 2019-09-23 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899012.5A CN110702411B (zh) | 2019-09-23 | 2019-09-23 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110702411A CN110702411A (zh) | 2020-01-17 |
CN110702411B true CN110702411B (zh) | 2020-11-10 |
Family
ID=69195840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910899012.5A Active CN110702411B (zh) | 2019-09-23 | 2019-09-23 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702411B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738068B (zh) * | 2020-05-13 | 2024-04-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和*** |
CN112577744B (zh) * | 2020-11-02 | 2021-12-03 | 西南交通大学 | 基于SPA-图谱与ResNet相结合的滚动轴承故障识别方法 |
CN112668417B (zh) * | 2020-12-17 | 2023-02-03 | 武汉理工大学 | 一种基于振动信号的滚动轴承智能故障诊断方法 |
CN112924177B (zh) * | 2021-04-02 | 2022-07-19 | 哈尔滨理工大学 | 一种改进深度q网络的滚动轴承故障诊断方法 |
CN113405799B (zh) * | 2021-05-20 | 2022-06-28 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
CN113537044B (zh) * | 2021-07-14 | 2022-08-26 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN113705407B (zh) * | 2021-08-20 | 2024-05-28 | 南京航空航天大学 | 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法 |
CN114091549A (zh) * | 2021-09-28 | 2022-02-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于深度残差网络的设备故障诊断方法 |
CN113916535B (zh) * | 2021-10-27 | 2022-08-09 | 河北建投能源投资股份有限公司 | 基于时频和cnn的轴承诊断方法、***、设备及介质 |
CN113869286B (zh) * | 2021-12-01 | 2022-02-25 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断***及故障诊断方法 |
US11859626B2 (en) | 2022-01-24 | 2024-01-02 | Hamilton Sundstrand Corporation | Incipient compressor surge detection using artificial intelligence |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109214356A (zh) * | 2018-09-29 | 2019-01-15 | 南京东振测控技术有限公司 | 一种基于dcnn模型的风机传动***故障智能诊断方法 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109946080A (zh) * | 2019-04-08 | 2019-06-28 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
-
2019
- 2019-09-23 CN CN201910899012.5A patent/CN110702411B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109214356A (zh) * | 2018-09-29 | 2019-01-15 | 南京东振测控技术有限公司 | 一种基于dcnn模型的风机传动***故障智能诊断方法 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109946080A (zh) * | 2019-04-08 | 2019-06-28 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110702411A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
Jiang et al. | Bearing fault classification based on convolutional neural network in noise environment | |
CN109632309A (zh) | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
Yi et al. | Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
Wang et al. | Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
Martin-del-Campo et al. | Towards zero-configuration condition monitoring based on dictionary learning | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、***和存储介质 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |