CN111046945A - 基于组合卷积神经网络的故障类型及损坏程度诊断方法 - Google Patents

Abstract

本发明提供一种基于组合卷积神经网络的故障类型及损坏程度诊断方法，包括以下步骤：S1.数据采集与预处理；S2.构建一维卷积神经网络；S3.训练模型；S4.调整超参数和网络构架；S5.准备进行故障类型和损坏程度诊断的数据集；S6.分别训练各个模型；S7.将多个卷积网络组合成一个构架；S8.完成故障类型识别和损坏程度诊断。本发明选择一维卷积神经网络对原始振动信号的特征进行端到端的提取；同时使用全局最大池化层替换全连接层，减少训练参数，加快训练速度，防止过拟合。使用不同严重程度的一维原始数据分别训练不同的模型，不仅能实现故障类型的识别还能达到故障损坏程度分类的目的，取得比单一模型更好的效果。

Description

基于组合卷积神经网络的故障类型及损坏程度诊断方法

技术领域

本发明属于深度学习和旋转机械故障诊断领域，涉及一种基于卷积神经网络的机械故障类型及损坏程度诊断方法。

背景技术

当今，现代工业设备日益朝着大型化、高速化、精密化和自动化发展，已广泛应用于煤矿、石化、电力等工业，监控这些设备的健康状况变得非常复杂。大型机械***一旦发生故障可能导致重大的安全事故，造成巨大的经济损失甚至人员伤亡。作为机械***的重要部件之一，轴承在机械运行过程中发挥着连杆或齿轮轴的作用，损坏的轴承将对传动轴及传动齿轮造成严重影响，进而影响机械设备的性能、稳定性和使用寿命。通常轴承出现的故障位置包括内圈、外圈、滚动体，使用故障诊断方法可以及时识别这些故障，提高设备安全性能。然而，设备早期的微弱故障往往难以直接观察，如果不及时预防将导致事故，因此，针对大型机械设备的故障诊断在当今社会得到广泛关注。

传统的故障诊断方法可以划分为三类：①基于解析模型的方法，如参数估计法、等价空间法和状态估计法；②基于信号的处理方法，如相关分析、频谱分析、小波分析等；③基于知识的方法，如智能诊断、模糊推理、神经网络等。在这些方法之中，基于解析模型的方法依赖于专业知识，同时需要大量的计算；基于信号处理的方法对专业知识要求高，不能达到工业上实时监测的要求；第三类方法对技术人员的专业知识要求较低，且可以实现对工业轴承的工作状态进行实时在线监测。

随着机器学习的发展，研究者们又将通过信号分析获取的各种指标，作为训练样本(通常样本数较少)对机器学习的各种模型进行训练，达到故障模式识别精度较低。近年来，伴随着大数据时代的出现和深度学习技术的发展，智能化的故障诊断方法得到广泛应用。特别地，自2016年以来，深度学习在实践中取得革命性的进展，为处理和分析大型数据提供了有用的工具，数据驱动的机械故障诊断与健康监测技术越来越受到欢迎。

发明内容

本发明针对故障诊断问题，提供了一种基于深度学习的机械故障类型及损坏程度诊断方法。由于振动信号是一维序列，所以选择一维卷积神经网络对原始振动信号的特征进行端到端提取。以轴承故障为例进行说明，能够达到对工业轴承的工作状态进行实时在线监测的要求，且对技术人员和设备维护人员的专业知识要求较低。

针对上述问题,本发明采用基于卷积神经网络的机械故障类型及损坏程度诊断方法,包括以下步骤：

S1，数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号。将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练。

S2，构建一维卷积神经网络：一维卷积神经网络的第一层使用宽度为8的卷积核，卷积神经网络构架的核心是感受野，为了使所设计的一维卷积滤波器能够学习与位移无关的特征，网络中最后一个池化层的神经元对于输入信号的感受野应该大于机械***转动一周的采样点数。此外，本发明在卷积层之后使用全局最大池化层代替全连接层。

S3，训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号到轴承故障类型或者故障损坏程度的多层映射关系。

S4，调整超参数和网络构架：一维卷积神经网络的超参数和网络构架对模型故障诊断识别精度有影响，本发明特别地，针对神经网络的深度、卷积核的宽度、全局最大池化层、批标准化(Batch Normalization，BN)层和填充(Padding)对于模型的测试精度和运行时间进行了比较，有助于实现机械设备实时故障诊断并达到较高的识别精度。

S5，准备进行故障类型和损坏程度诊断的数据集，首先将包含全部故障类型和损坏程度的数据构成整体数据集，然后将每一种故障类型下不同损坏程度的数据组成多个独立的小数据集。

S6，分别训练各个模型：使用包含全部故障类型和损坏严重的数据集训练仅识别故障类型的网络；每一种故障类型下包含不同损坏程度的数据组成多种独立的数据集训练多个用于识别故障损坏程度的网络。网络的构架如上述所述，通过学习得到不同的映射关系，使得每一个构架更具有针对性，单个网络构架精度提高，能够实现总体较高的精度。

S7，将多个卷积网络组合成一个构架：将训练好的卷积神经网络进行组合，针对新收集的振动数据，可以通过预先训练好的组合模型，先对故障类型进行识别，然后再对故障损坏程度进行判断。

S8，完成故障类型识别和损坏程度诊断：完成端到端的特征自动提取与高精度故障类型识别和损坏程度诊断。与第一层使用小卷积核的构架和卷积层之后使用全连接的传统神经网络构架对比，本发明提出的方法具有更高的准确性，且需要较少的训练参数。同时，本发明提出的组合模型相比于单个模型直接进行故障类型识别和损坏程度诊断，模型精度极大提高。

作为优选,S1中所述数据采集与预处理包括以下步骤：

S1.1，通过传感器采集在机械设备不同运行状况下的大量的一维时序振动数据，组成用于神经网络训练的大数据集。

S1.2，样本输入维度是保证模型诊断精度的前提，当样本输入维度增加时诊断精度会随之提高，但模型的运行速度会降低，因此应该在保证模型运行速度的前提下选择适合机械故障诊断的样本维度。

S1.3，本发明中使用的数据增强方法是重叠采样，假设样本的长度为L，偏移量为s，若数据集有n个数据，则可以得到(n-L)/s+1个样本。本发明使用重叠采样对采集到的一维时序序列进行分割组成所需样本，将不同运行状态下的信号划分为单个样本，组成不同数据集。

S1.4，将上述所述的多个数据集组合成一个包含多种不同故障类型和损坏程度的数据集。

作为优选，S2中所述构建一维卷积神经网络的步骤如下：

S2.1，根据机械振动信号，第一层使用宽度为8的卷积核，之后的卷积核采用宽度为3的卷积核。

S2.2，针对最后一个池化层的神经元，要求输入信号的感受野应该大于机械***转动一周的采样点数。设最后一个池化层的神经元在输入信号中的感受野为 R⁽⁰⁾，T为轴承转动一圈加速度计记录的点数，L为输入信号的长度，则感受野 R⁽⁰⁾应该满足T≤R⁽⁰⁾≤L，具体计算过程如下：

最后一个池化层的神经元在第k个池化层的感受野R^(k)与在第k-1个池化层的感受野R^(k-1)之间的关系为：

R^(k-1)＝S^(k)(P^(k)R^(k)-1)+W^(k) (1)

其中S^(k)是第k个卷积核的步长，W^(k)是第k个卷积核的宽度，P^(k)是第k层降采样点的个数。

当层数k大于1时，S^(k)＝1，W^(k)＝3，P^(k)＝2，因此，式(1)可以整理为：

R^(k-1)＝2R^(k)+2 (2)

当k为最后一层池化层n时，R⁽ⁿ⁾＝1，故最后一个池化层在第一个池化层中的感受野为：

R⁽¹⁾＝2^n-1×3-2 (3)

将上式带入式R^(k-1)＝S^(k)(P^(k)R^(k)-1)+W^(k)计算最后一个池化层中输入信号的感受野为：

R⁽⁰⁾＝S^(k)(P^(k)R^(k)-1)+W^(k)＝2S⁽¹⁾(2^n-1×3-2)+W⁽¹⁾-S⁽¹⁾≈S⁽¹⁾(2ⁿ×3-4) (4)

由于T≤R⁽⁰⁾≤L，则T≤S⁽¹⁾(2ⁿ×3-4)≤L，同时要求步长S⁽¹⁾应该能够整除信号长度L。

S2.3，在每一次卷积前都进行Padding，使得卷积前后的特征图的大小相同，目的是实现对边缘特征充分提取。

S2.4，在每一个卷积层之后加上BN层，目的是令输入网络的数据均值为0, 方差为1，有助于梯度传播，构建更深的网络。

S2.5，使用全局最大池化实现特征图的降维，减少网络的训练参数，加快训练速度，防止过拟合。

S2.6，优化方法使用均方根传递(Root Mean Square Prop，RMSProp)，解决了小批量梯度下降的收敛速度和局部极小点的问题。

S2.7，本发明结合了模型检查点(ModelCheckpoint)与提前终止(EarlyStopping)回调函数，当监控目标指数在设定的轮次内不再发生变化时，采用EarlyStopping终断模型训练，同时ModelCheckpoint在训练的过程中可以不断地保存模型，以便得到最佳模型。

作为优选S4中所述的调整超参数和网络构架的步骤如下：

S4.1，调整过滤器的数量，避免模型欠拟合或过拟合的情况；当过滤器类型较少时，不能充分提取信号特征，从而导致模型欠拟合；而过滤器类型太多又会导致过拟合。

S4.2，增加网络的深度，度量训练精度和运行时间的变化，直到找到一个合适的网络深度。

S4.3，在模型第一层先使用宽度为3的卷积核，然后使用宽度为8的卷积核，同时考察模型的训练精度。

S4.4，在网络最后一个卷积层后，先使用全连接层，再使用全局最大池化层代替全连接层，同时考察模型的训练精度。

S4.5，卷积前加上Padding，卷积后加BN层，考察模型训练精度是否达到预期。

作为优选，S7中所述的组合卷积神经网络包括以下步骤：

S7.1，将包含不同故障状态和不同故障损坏程度的样本数据集，划分为训练、验证和测试样本，训练一个S2中所述用于故障类型识别的一维卷积网络，并将训练好的模型保存用于故障类型识别。

S7.2，将包含不同损坏程度的故障信号划分为多个单独的数据集，训练多个 S2中所述的一维卷积网络，并将训练好的多个模型保存，用于故障损坏程度诊断。

S7.3，将上述训练好的不同模型进行组合，先对故障类型进行识别，再对故障损坏程度进行诊断。

本发明的优势为：选择一维卷积神经网络对原始振动信号的特征进行端到端的提取；同时使用全局最大池化层替换全连接层，其优点为减少网络训练参数，加快训练速度，防止过拟合。另外，使用先进且适用于机械振动信号的神经网络结构和自适应优化算法，达到较高的准确度。若故障损坏程度不同时，使用不同严重程度的一维原始数据分别训练不同的模型，再将训练好的模型组合，不仅能实现故障类型的识别还能达到故障损坏程度分类的目的，取得比单一模型更好的效果，工作人员可以根据故障类型和严重程度采取相应的措施，避免重大事故发生。

附图说明

图1为本发明一个实施例用于故障类型识别的一维卷积神经网络1的训练过程示意图。

图2为本发明一个实施例用于内圈故障损坏程度识别的一维卷积神经网络 2-1的训练过程示意图。

图3为本发明一个实施例用于外圈故障损坏程度识别的一维卷积神经网络 2-2的训练过程示意图。

图4为本发明一个实施例用于滚动体故障损坏程度识别的一维卷积神经网络2-3的训练过程示意图。

图5为本发明一个实施例组合训练好的一维卷积神经网络1、一维卷积神经网络2-1、一维卷积神经网络2-2和一维卷积神经网络2-3进行故障类型识别及损坏程度诊断过程示意图。

图6为本发明一个实施例在第一层中分别使用大卷积核和小卷积核平行训练5次得到的模型精度对比图。

图7为本发明一个实施例在卷积后分别使用全连接层和全局最大池化层平行训练5次得到的模型精度对比图。

图8为本发明一个实施例在进行卷积前是否执行Padding和卷积后加BN层平行训练5次得到的模型精度对比图。

具体实施方式

下面结合附图对本发明进行详细阐述。

以Case Western Reserve University(CWRU)的轴承数据集为实例验证本发明提出方法的有效性，具体步骤如下：

步骤一：选择1马力(horsepower，hp)下10种不同运行状态收集到的数据作为训练、验证和测试样本，采样频率为12KHz。在本发明中采用重叠采样，重叠率为0.8，电机的转速约为1772转/分(RPM)，轴承转动一周的采样点数约为400个。样本的输入维度直接影响诊断精度，具体而言增加输入维度，诊断精度会随之提高，但是模型训练速度会降低，这里训练样本长度选为1024，即大于轴承转动一周的采样点数，目的是保证足够高的诊断精度和较快的运行速度。

将包含健康、内圈故障、外圈故障和滚动体故障，且故障状态包含3种不同损坏程度(故障尺寸分别为0.007、0.014、0.021)的数据组成数据集1。表1列出了本实施例中使用的数据，将数据划分为训练、验证和测试样本，比例分别为 70％、15％、15％，训练一个用于故障类型识别的一维卷积神经网络。

表1训练数据集描述

步骤二：本实施例中输入信号长度为1024，信号周期T≈400，卷积层数为 5。由S2.2计算可得，当满足前述要求时S⁽¹⁾只能为8，卷积宽度不小于3倍步长，本实施例中卷积核宽度选为24。

步骤三：针对数据集1先进行10分类训练，让模型直接学习10种不同的复杂映射。

步骤四：调整本实施例中第一个卷积层卷积核的宽度，分别使用宽度为3、步长为1和宽度为24、步长为8的卷积核，两种模型平行训练5次，诊断精度如图6所示，可见宽卷积核有助于提高模型精度。

在最后一个卷积层后，分别使用全连接层或者全局最大池化层替换全连接层，两种模型平行训练5次，两种模型诊断精度如图7所示。可见两种模型对诊断精度影响不大，然而使用全局最大池化层的模型参数较少，运行速度大大提高。

在卷积神经网络的卷积层前加上padding，卷积层后加上BN层与没有进行任何处理的架构进行对比，两种模型各训练5次，诊断精度如图8所示。可见，前者能够有效提高模型诊断精度。

本发明构建的一维卷积网络构架在表2中详细列出。

表2一维卷积神经网络结构参数

步骤五：分别将三种故障类型及对应的损坏程度数据划分为不同的样本集：内圈故障数据集2、外圈故障数据集3、滚动轴承数据集4，详见表3。

表3故障损坏程度识别所需训练数据集描述

步骤六：如图1所示，针对包含10种运行状态的数据集1先进行4分类，即首先识别故障类型。

然后针对数据集内圈故障数据集2、外圈故障数据集3和滚动体故障数据集 4分别进行训练，目的是识别故障损坏程度。

步骤七：针对新输入的振动信号，将S6中预先训练好的四个模型组合，然后进行轴承的故障类型识别和损坏程度诊断，这样可以大大提高模型的诊断精度。

步骤八：使用上述数据对本发明提出的组合模型进行验证，并与前述直接进行10分类的一维卷积神经网络进行对比，各平行训练5次得到模型精度如表4 所示。

表4平行训练模型5次得到的模型精度。

Claims (5)

1.基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：包括以下步骤：

S1.数据采集与预处理：使用传感器收集机械设备在不同运行状态下的一维时序振动信号；将收集到的各状态信号分割成可训练样本，当样本不足时可进行重叠采样以达到数据增强的目的；然后根据故障诊断的要求构建不同的数据集；将数据集划分为训练、验证和测试样本并输入到一维卷积神经网络进行训练；

S2.构建一维卷积神经网络,在卷积层之后使用全局最大池化层代替全连接层；

S3.训练模型：根据要求将包含所有故障类型和损坏程度的数据集输入到已构建的一维卷积神经网络中，用于学习原始振动数据中的潜在复杂特征，并建立一种由原始一维振动信号到轴承故障类型或者故障损坏程度的多层映射关系；

S4.调整超参数和网络构架：针对神经网络的深度、卷积核的宽度、全局最大池化层、批标准化(Batch Normalization，BN)层和填充(Padding)对于模型的测试精度和运行时间进行比较；

S5.准备进行故障类型和损坏程度诊断的数据集，首先将包含全部故障类型和损坏程度的数据构成整体数据集，然后将每一种故障类型下不同损坏程度的数据组成多个独立的小数据集；

S6.分别训练各个模型：使用包含全部故障类型和损坏严重的数据集训练仅识别故障类型的网络；每一种故障类型下包含不同损坏程度的数据组成多种独立的数据集训练多个用于识别故障损坏程度的网络,通过学习得到不同的映射关系；

S7.将多个卷积网络组合成一个构架：将训练好的卷积神经网络进行组合，针对新收集的振动数据，通过预先训练好的组合模型，先对故障类型进行识别，然后再对故障损坏程度进行判断；

S8.完成故障类型识别和损坏程度诊断：完成端到端的特征自动提取与高精度故障类型识别和损坏程度诊断。

2.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S1中所述数据采集与预处理包括以下步骤：

S1.1，通过传感器采集在机械设备不同运行状况下的大量的一维时序振动数据，组成用于神经网络训练的大数据集；

S1.2，在保证模型运行速度的前提下选择适合机械故障诊断的样本维度；

S1.3，采用重叠采样的数据增强方法，假设样本的长度为L，偏移量为s，若数据集有n个数据，则可以得到(n-L)/s+1个样本；使用重叠采样对采集到的一维时序序列进行分割组成所需样本，将不同运行状态下的信号划分为单个样本，组成不同数据集；

S1.4，将上述所述的多个数据集组合成一个包含多种不同故障类型和损坏程度的数据集。

3.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S2中所述构建一维卷积神经网络的步骤如下：

S2.1，根据机械振动信号，第一层使用宽度为8的卷积核，之后的卷积核采用宽度为3的卷积核；

S2.2，针对最后一个池化层的神经元，输入信号的感受野应该大于机械***转动一周的采样点数；设最后一个池化层的神经元在输入信号中的感受野为R⁽⁰⁾，T为轴承转动一圈加速度计记录的点数，L为输入信号的长度，则感受野R⁽⁰⁾应该满足T≤R⁽⁰⁾≤L，具体计算过程如下：

最后一个池化层的神经元在第k个池化层的感受野R^(k)与在第k-1个池化层的感受野R^(k-1)之间的关系为：

R^(k-1)＝S^(k)(P^(k)R^(k)-1)+W^(k) (1)

其中S^(k)是第k个卷积核的步长，W^(k)是第k个卷积核的宽度，P^(k)是第k层降采样点的个数；

当层数k大于1时，S^(k)＝1，W^(k)＝3，P^(k)＝2，因此，式(1)可以整理为：

R^(k-1)＝2R^(k)+2 (2)

当k为最后一层池化层n时，R⁽ⁿ⁾＝1，故最后一个池化层在第一个池化层中的感受野为：

R⁽¹⁾＝2^n-1×3-2 (3)

将上式带入式R^(k-1)＝S^(k)(P^(k)R^(k)-1)+W^(k)计算最后一个池化层中输入信号的感受野为：

R⁽⁰⁾＝S^(k)(P^(k)R^(k)-1)+W^(k)＝2S⁽¹⁾(2^n-1×3-2)+W⁽¹⁾-S⁽¹⁾≈S⁽¹⁾(2ⁿ×3-4) (4)

由于T≤R⁽⁰⁾≤L，则T≤S⁽¹⁾(2ⁿ×3-4)≤L，同时要求步长S⁽¹⁾应该能够整除信号长度L；

S2.3，在每一次卷积前都进行Padding，使得卷积前后的特征图的大小相同，实现对边缘特征充分提取；

S2.4，在每一个卷积层之后加上BN层，令输入网络的数据均值为0,方差为1，构建更深的网络；

S2.5，使用全局最大池化实现特征图的降维，减少网络的训练参数，加快训练速度，防止过拟合；

S2.6，使用均方根传递方法进行优化(Root Mean Square Prop，RMSProp)，解决小批量梯度下降的收敛速度和局部极小点的问题。

S2.7，结合模型检查点(ModelCheckpoint)与提前终止(EarlyStopping)回调函数，当监控目标指数在设定的轮次内不再发生变化时，采用EarlyStopping终断模型训练，同时ModelCheckpoint在训练的过程中可以不断地保存模型，以便得到最佳模型。

4.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S4中所述的调整超参数和网络构架的步骤如下：

S4.1，调整过滤器的数量，避免模型欠拟合或过拟合的情况；

S4.2，增加网络的深度，度量训练精度和运行时间的变化，直到找到一个合适的网络深度；

S4.3，在模型第一层先使用宽度为3的卷积核，然后使用宽度为8的卷积核，同时考察模型的训练精度；

S4.4，在网络最后一个卷积层后，先使用全连接层，再使用全局最大池化层代替全连接层，同时考察模型的训练精度；

S4.5，卷积前加上Padding，卷积后加BN层，考察模型训练精度是否达到预期。

5.根据权利要求1所述的基于组合卷积神经网络的故障类型及损坏程度诊断方法,其特征在于：S7中所述的组合卷积神经网络包括以下步骤：

S7.1，将包含不同故障状态和不同故障损坏程度的样本数据集划分为训练、验证和测试样本，并将S2中训练好的用于故障类型识别的一维卷积网络模型保存用于故障类型识别；

S7.2，将包含不同损坏程度的故障信号划分为多个单独的数据集，训练多个S2中所述的一维卷积网络，并将训练好的多个模型保存，用于故障损坏程度诊断；

S7.3，将上述训练好的不同模型进行组合，先对故障类型进行识别，再对故障损坏程度进行诊断。

Images