CN111275007A - 基于多尺度信息融合的轴承故障诊断方法及*** - Google Patents

基于多尺度信息融合的轴承故障诊断方法及*** Download PDF

Info

Publication number
CN111275007A
CN111275007A CN202010112157.9A CN202010112157A CN111275007A CN 111275007 A CN111275007 A CN 111275007A CN 202010112157 A CN202010112157 A CN 202010112157A CN 111275007 A CN111275007 A CN 111275007A
Authority
CN
China
Prior art keywords
layer
module
input
output end
signal
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.)
Granted
Application number
CN202010112157.9A
Other languages
English (en)
Other versions
CN111275007B (zh
Inventor
李沂滨
王代超
贾磊
高辉
宋艳
张天泽
胡晓平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010112157.9A priority Critical patent/CN111275007B/zh
Publication of CN111275007A publication Critical patent/CN111275007A/zh
Application granted granted Critical
Publication of CN111275007B publication Critical patent/CN111275007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了基于多尺度信息融合的轴承故障诊断方法及***，包括：获取待故障诊断的轴承的振动信号和扭矩信号；对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；将傅里叶变换后得到的故障诊断的轴承的振动信号和扭矩信号，输入到多尺度信息融合故障诊断模型中，输出待故障诊断的轴承的故障类型。本公开提出的网络结构能有效提取轴承振动信号和扭矩信号中互补的故障特征，在很大程度上提高了故障诊断的准确度。

Description

基于多尺度信息融合的轴承故障诊断方法及***
技术领域
本公开涉及轴承故障诊断技术领域，特别是涉及基于多尺度信息融合的轴承故障诊断方法及***。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
随着智能制造的不断发展，工业***智能化程度越来越高，同时也变得越来越复杂，由设备损坏造成的损失也越来越大。早期的故障检测不仅可以在造成巨大的经济损失之前将故障排除，而且可以避免重大安全事故的发生。然而，由于工业***的复杂性和非线性，很难建立精确的数学模型。而由于信息技术的飞速发展，工业***中产生了大量的运行数据，其中包含了大量有价值的设备状态信息。对于具有高集成度的复杂***，基于数据驱动的故障诊断方法被证明比基于人工经验的手工模型更有效。
传统的故障诊断和状态监测方法依赖于健康指标，如电流不平衡、过电压等，但在故障信号弱、持续时间短的早期可能无法准确判断和定位故障。在过去的几十年中，支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)和决策树等多种智能故障诊断方法得到了发展。这些智能方法虽然在故障诊断中取得了一定的成功，但在使用上存在诸多问题：
1)它们需要与特征提取方法结合使用，而特征的选择将在很大程度上影响最后的分类结果。此外，特征提取网络和分类器是单独设计的，需要消耗大量的时间，不能实现全局优化。
2)这些方法大多属于浅层结构，难以学习复杂***的有效特征表示和非线性映射关系。
近年来，随着深度学习(Deep Learning,DL)的发展，越来越多的研究表明，由于DL的深层结构，它能够学习深层次的特征表达和非线性映射关系。另外，与传统的故障诊断方法不同，DL可以自适应提取故障特征并进行全局优化。深度神经网络因其深层次网络架构，可以解决传统机器学习中的上述问题，在故障诊断领域得到了广泛的应用。常用的深度学习方法有卷积神经网络(Convolutional Neural Network,CNN)、自动编码器(Auto-Encoder,AE)和深度信念网络(Deep Belief Network,DBN)等。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
尽管DL在特征提取方面有很好的性能，但是它也存在两个主要的问题，也是本案要解决的两个技术问题：
1)大多数DL方法只采用单一的源输入。目前，故障诊断领域的研究多集中在单一信号源上。然而，在复杂的工业***中，获取完整的故障信息是困难的，采用单一信号源将导致信号中提取的故障特征不完整，以及网络的泛化能力较差等问题。
2)网络结构单一。为了提高故障诊断的性能，很多研究仅关注于增加网络的深度，这样不仅不能提取信号中的多尺度故障特征，而且会导致梯度消失现象的产生，使参数难以更新，给网络的训练带来很大的阻碍。
发明内容
为了解决现有技术的不足，本公开提供了基于多尺度信息融合的轴承故障诊断方法及***；
第一方面，本公开提供了基于多尺度信息融合的轴承故障诊断方法；
基于多尺度信息融合的轴承故障诊断方法，包括：
获取待故障诊断的轴承的振动信号和扭矩信号；
对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；
将傅里叶变换后得到的故障诊断的轴承的振动信号和扭矩信号，输入到多尺度信息融合故障诊断模型中，输出待故障诊断的轴承的故障类型。
第二方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第三方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本公开的有益效果是：
1、采用提出的数据融合网络，对电流和扭矩信号的傅里叶变换分别提取故障特征，并进行特征层融合，最终应用于最终的故障分类，结果显示这种方法进一步提高了振动信号故障诊断的准确度。因此得出结论：振动信号和扭矩信号中存在针对轴承故障的互补信息，两种数据的融合能有效提高轴承故障诊断的性能。
2、本公开提出的网络结构能有效提取轴承振动信号和扭矩信号中互补的故障特征，在很大程度上提高了故障诊断的准确度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的1D CNN中的卷积-池化层；
图2为第一个实施例的基于残差卷积神经网络的多尺度信息融合故障诊断模型；
图3为第一个实施例的Inception单元结构图；
图4为第一个实施例的融合模块内部结构图；
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
英文解释：
BN层，表示块标准化层，Bach-Normalization；
实施例一，本实施例提供了基于多尺度信息融合的轴承故障诊断方法；
基于多尺度信息融合的轴承故障诊断方法，包括：
S1：获取待故障诊断的轴承的振动信号和扭矩信号；
S2：对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；
S3：将傅里叶变换后得到的故障诊断的轴承的振动信号和扭矩信号，输入到多尺度信息融合故障诊断模型中，输出待故障诊断的轴承的故障类型。
作为一个或多个实施例，所述多尺度信息融合故障诊断模型，获取步骤包括：
S31：构建神经网络模型；
S32：构建训练集；所述训练集为经过傅里叶变换后的已知轴承故障类型的振动信号和扭矩信号；
S33：将训练集输入到神经网络模型中进行训练，训练结束后，得到训练好的神经网络模型，即为多尺度信息融合故障诊断模型。
作为一个或多个实施例，如图2所示，所述S31中，构建神经网络模型；神经网络模型具体包括：
并列的两条支路：第一支路和第二支路；第一支路的输出端和第二支路的输出端均与融合模块的输入端连接，融合模块的输出端与分类器连接；
所述第一支路，包括：依次连接的第一输入层、第一ResidualUnit模块、第一MaxPooling模块、第二ResidualUnit模块、第二MaxPooling模块、第三ResidualUnit模块、第三MaxPooling模块和第一输出层；
其中，第一输入层，用于输入振动信号；
其中，第一ResidualUnit模块的输出端信号经过第一MaxPooling模块后，作为第二ResidualUnit模块的输入信号；
第二ResidualUnit模块的输出端信号经过第二MaxPooling模块后，作为第三ResidualUnit模块的输入信号；
第三ResidualUnit模块的输出端信号经过第三MaxPooling模块后，作为第一输出层的输入信号；
第一输出层为BN+Relu函数层，第一输出层的输入端与第三MaxPooling层的输出端连接，第一输出层的输出端与融合模块的输入端连接；
所述第二支路，包括：依次连接的第二输入层、第四ResidualUnit模块、第四MaxPooling模块、第五ResidualUnit模块、第五MaxPooling模块、第六ResidualUnit模块、第六MaxPooling模块和第二输出层；
其中，第二输入层，用于输入扭矩信号；
其中，第四ResidualUnit模块的输出端信号经过第四MaxPooling模块后，作为第五ResidualUnit模块的输入信号；
第五ResidualUnit模块的输出端信号经过第五MaxPooling模块后，作为第六ResidualUnit模块的输入信号；
第六ResidualUnit模块的输出端信号经过第六MaxPooling模块后，作为第二输出层的输入信号；
第二输出层为BN+Relu函数层，第二输出层的输入端与第六MaxPooling层的输出端连接，第二输出层的输出端与融合模块的输入端连接；
进一步地，所述第一ResidualUnit模块对输入的振动信号进行第一次特征提取假设得到M1个特征，M1个特征经过第一MaxPooling层后得到M2个特征；
第二Residual Unit模块对M2个特征进行第二次特征提取得到N1个特征，N1个特征经过第二MaxPooling层后得到N2个特征；
第三ResidualUnit模块对N2个特征进行第三次特征提取得到P1个特征，P1个特征经过第三MaxPooling层后得到P2个特征；
P2个特征经过第一输出层后仍得到P2个特征，其中，M1、M2、N1、N2、P1、P2均为正整数。
进一步地，所述第四ResidualUnit模块对输入的扭矩信号进行第一次特征提取假设得到X1个特征，X1个特征经过第四MaxPooling层后得到X2个特征；
第五ResidualUnit模块对X2个特征进行第二次特征提取得到Y1个特征，Y1个特征经过第五MaxPooling层后得到Y2个特征；
第六ResidualUnit模块对Y2个特征进行第三次特征提取得到Z1个特征，Z1个特征经过第六MaxPooling层后得到Z2个特征，
Z2个特征经过第二输出层后仍得到Z2个特征，其中，X1、X2、Y1、Y2、Z1、Z2均为正整数。
进一步地，所述融合模块，对P2个特征和Z2个特征进行特征融合，得到轴承的待分类特征。
作为一个或多个实施例，所述第一、第二、第三、第四、第五和第六Residual Unit模块的功能是一样的，均用于提取信号中的多尺度特征，并通过残差连接来解决网络深度增加时出现的梯度消失问题。
特征提取靠Residual Unit模块中的Inception单元，残差连接体现在Inception输入端数据与BN+Relu输出端数据的Addition相加操作。
作为一个或多个实施例，所述第一、第二、第三、第四、第五和第六Residual Unit模块的结构是一样的，均包括：依次连接的Inception单元、BN+Relu单元和Addition单元；
进一步地，所述Inception单元，用于提取信号中的多尺度故障特征。所述Inception单元中包含四个不同大小的一维卷积(卷积核大小分别为1、3、5、7)和一个最大池化层，卷积核大小为1的卷积是为了保留信号中的原始信息。采用四个不同尺寸的卷积核，来提取信号中不同尺度的故障特征，并通过concatenate层将不同尺度的故障特征连接起来，经Maxpooling层降维后作为Inception单元的输出。
进一步地，所述BN+Relu单元，即块标准化和Relu激活函数，用于将每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布，使得激活输入值落在非线性函数对输入敏感的区域，即使输入的小变化就会导致损失函数较大的变化，进而梯度变大，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，大大加快训练速度。
进一步的，所述Addition单元，用于对输入的两组数据的对应元素做加法操作，实现残差结构。Addition单元的两个输入的维度必须相同，且加法操作之后Addition单元的输出维度与输入维度相同。
作为一个或多个实施例，每个Residual Unit模块后都跟随一个最大池化层MaxPooling，所述最大池化层MaxPooling，用于在不造成信息损失的前提下，降低特征维度，突出有用信息。
进一步地，如图3所示，所述Inception单元，包括：previous层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、concatenate层和maxpooling层；
previous层的输出端与第一卷积层的输入端连接，第一卷积层的输出端与concatenate层连接；第一卷积层的卷积核大小为1；
previous层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与concatenate层连接；第二卷积层的卷积核大小为3；
previous层的输出端与第三卷积层的输入端连接，第三卷积层的输出端与concatenate层连接；第三卷积层的卷积核大小为5；
previous层的输出端与第四卷积层的输入端连接，第四卷积层的输出端与concatenate层连接；第四卷积层的卷积核大小为7；
concatenate层的输出端与Maxpooling层的输入端相连，MaxPooling的池化窗口长度为4，步长为4。
进一步地，所述Inception单元，分别采用1、3、5、7三个尺度的卷积核对不同源数据进行特征的提取，卷积核大小为1的卷积是为了保留信号中的原始信息，最大池化层的作用是降维。
进一步地，所述previous层，是指：Inception单元的输入层。
进一步地，所述previous层，用于：输入为前面层的输出数据，并为previous层后的三个卷积操作和一个最大池化-卷积操作提供输入。
进一步地，所述concatenate层，是指：特征连接层。
进一步地，所述concatenate层，用于对四个卷积操作提取的四个尺度的故障特征进行物理连接，将四个尺度的故障特征合而为一，并作为Maxpooling层的输入。
进一步地，所述Maxpooling层，是指：Inception单元的输出层。
进一步地，所述Maxpooling层，用于匹配Inception单元输入与输出的维度，使Inception单元的输入与输出维度一致，否则不能进行Addition操作。
作为一个或多个实施例，所述融合模块为concatenate层，将从振动信号和扭矩信号提取到的特征进行物理连接，如图4所示。所述融合模块的功能为将不同信号提取的特征进行融合，并用于最终的故障分类，其的输出端与softmax分类层的输入端连接。
作为一个或多个实施例，所述分类器为softmax。
实施例一解决了多源数据融合策略问题：单一数据源往往难以涵盖故障的完整特征，采用单一数据源进行故障诊断会造成诊断准确度不高，因此解决的第一个问题是多源数据融合策略问题。
针对这一问题，采用Paderborn轴承数据集的振动、扭矩信号数据，分别验证这两种数据在采用CNN进行故障诊断的性能，得到的诊断准确度均不理想；
继而对这两种数据进行傅里叶变换，再次分别验证其在采用CNN进行故障诊断的性能，得到振动信号的诊断准确度有很大程度提高，而扭矩信号的诊断准确度仍不理想；
最后采用提出的数据融合网络，对电流和扭矩信号的傅里叶变换分别提取故障特征，并进行特征层融合，最终应用于最终的故障分类，结果显示这种方法进一步提高了振动信号故障诊断的准确度。因此得出结论：振动信号和扭矩信号中存在针对轴承故障的互补信息，两种数据的融合能有效提高轴承故障诊断的性能。
实施例一还解决了数据融合网络模型搭建问题：在机械设备的故障诊断中，检测量与故障特征之间、故障特征与故障源之间往往都是一种非线性关系，单纯增加网络深度，不仅不能有效提取其非线性关系和深层次故障特征，而且还会造成梯度消失的现象的产生，因此解决的第二个问题是数据融合网络模型搭建问题。
针对这一问题，采用残差网络结构和GoogLeNet中的Inception结构对CNN进行优化，提取有效的特征并进行融合，应用于最终的故障分类。采用Paderborn轴承数据集中的振动和扭矩信号数据对网络性能进行验证。结果表明，提出的网络结构能有效提取轴承振动信号和扭矩信号中互补的故障特征，在很大程度上提高了故障诊断的准确度。
与其他计算技术类似，CNN的灵感来自哺乳动物视觉皮层的图像识别机制。与全局图像处理方法不同，它从视网膜获得的图像是按层次和分布方式处理的。一组神经细胞直接作用于输入来提取基本特征，如边缘特征。卷积是图像处理中一种常用的空间线性滤波方法，使用卷积核的三个最主要的特征是：局部/稀疏连接、权值/参数共享和平移不变性表示，这使得CNN需要较少的预处理。不同于其他DNN，CNN采用较小的卷积核作用于输入图像的局部区域来提取微小而关键的特征。
1D CNN通常包括卷积层、池化层和全连接层，它的工作机制可以总结为：卷积核以适当的步幅在整个序列中滑动来提取局部特征，提取的特征值随卷积层中不同的卷积核权值向量而变化。卷积层总是通过非线性映射函数(如ReLu)连接到子采样层(如max-pooling)，适当的子采样层可以在不丢失信息的情况下有效地减小输入的维数。将多个卷积—池化连接后，提取有效的特征向量，并通过全连接层进行分类结果。在训练过程中，利用随机梯度下降等有效的学习算法更新不同卷积层的卷积核等所有权值。一个卷积—池化层如图1所示，其中第一行的虚线框和第二行的虚线框分别表示卷积和子采样操作。
图中，第l层卷积层的输出可计算如下：
Figure BDA0002390397310000111
其中Nl-1表示(l-1)层池化层输出的数量，
Figure BDA0002390397310000112
表示第l层卷积层中的第k个神经元的偏置标量，
Figure BDA0002390397310000113
表示第l层卷积层中的第k个神经元的权值，
Figure BDA0002390397310000114
表示第(l-1)层池化层中的第i个神经元的输出，cov1D表示一维卷积操作，f(·)表示卷积层的激活函数。
第l层池化层的输出可计算如下：
Sl＝ss(Yl) (2)
其中ss表示下采样操作。
首先，采用Paderborn轴承数据集的振动、扭矩信号数据，分别验证这两种数据在采用CNN进行故障诊断的性能；
其次，对这两种信号进行傅里叶变换，再次采用CNN验证其故障诊断的性能。
傅里叶变换方法是利用信号成分中的正弦波形对信号进行分析，可将复杂的卷积运算化简为乘积运算，是数字信号处理领域一种重要的算法。对于包含n个均匀采样点的向量x，其傅里叶变换定义为：
Figure BDA0002390397310000121
其中，w＝e-2πi/n是n个复单位根之一，i是虚数单位。对于任意x和y，索引个数j和k是0到n-1之间的自然数，傅里叶具体展开的公示如下：
Figure BDA0002390397310000122
最后将Paderborn轴承数据集中的振动信号和扭矩信号的傅里叶变换输入到本案提出的多尺度信息融合故障诊断模型，该模型如图2所示。
多尺度信息融合故障诊断模型中，振动信号和扭矩信号的傅里叶变换分别从两个通道输入到两个网络里，同步进行特征提取。
每个通道的特征提取网络由三个Residual Unit(如图2所示)组成，每个ResidualUnit由一个Inception单元、块标准化(Bach-Normalization)+Relu激活函数层和Addition层组成。同时采用残差连接的方式，将每一个Inception单元的输入与BN+Relu层的输出以“add”的形式进行合并，即残差连接。每个Residual Unit后连接一个Maxpooling层来实现降维。
在Inception单元中(如图3所示)，分别采用1、3、5、7四个尺度的卷积核对不同源数据进行特征的提取，卷积核大小为1的卷积是为了保留原始信号中的信息，Maxpooling层是为了保证Inception单元输入与输出的维度一致。
在基于Inception和残差结构的数据融合网络架构中，将不同源数据提取的特征进行融合。融合后的特征最终用于故障诊断，softmax作为该体系结构的分类器，其定义为：
Figure BDA0002390397310000131
Figure BDA0002390397310000132
其中zi表示softmax函数的输入，hj表示softmax前一层的输出，Wji表示连接softmax层和它前一层的权值。
在使用标准优化算法训练一个普通网络时(比如说梯度下降法)，如果没有残差连接，研究证明随着网络深度的加深，训练错误会先减少，然后增多。理论上，随着网络深度的加深，应该训练得越来越好，即网络深度越深越好。但实际上，如果没有残差连接，对于一个普通网络来说，深度越深训练错误会越多，意味着用优化算法越难训练。而残差结构因其跨越连接，有助于解决梯度消失和梯度***问题，让我们在训练更深网络的同时，又能保证良好的性能。
本公开主要提出了一种基于深度残差卷积神经网络的多尺度信息融合故障诊断方法，采用残差网络结构和GoogLeNet中的Inception结构对CNN进行优化，提取有效的特征并进行融合，应用于最终的故障分类，主要解决两个技术问题：多源数据融合策略问题和数据融合网络模型搭建问题。
对于第一个问题，采用Paderborn轴承数据集的振动信号和扭矩信号，来验证这两种信号在轴承故障诊断中的性能。
首先采用1D CNN对这两种信号的诊断性能进行验证，实验结果显示振动信号的故障诊断准确度最高达到81％，扭矩信号的故障诊断准确度最高达到78％，诊断性能均不理想。
继而将这两种信号进行傅里叶变换，再采用1D CNN对这两种变换后信号的诊断性能进行验证，实验结果显示振动信号的傅里叶变换故障诊断准确度达到95％，有很大提高；而扭矩信号的傅里叶变换的故障诊断准确度为80％，有所改进。
因此，采用振动信号和扭矩信号的傅里叶变换作为信息融合故障诊断网络的输入。
对于第二个问题，将振动信号和扭矩信号的傅里叶变换作为信息融合故障诊断网络的输入，同步进行特征提取并进行深层次特征的融合，并最终用于故障的分类。实验结果显示，两种信号的特征融合后的分类准确度达到了97％，在振动信号诊断准确度95％的基础上提高了2％。
由上述实验结果说明，振动信号和扭矩信号中存在针对轴承故障的互补信息，两种数据的融合能有效提高轴承故障诊断的性能；同时也说明本案提出的基于残差卷积神经网络的多尺度信息融合故障诊断方法是切实有效的。
实施例二，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。
实施例三，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于多尺度信息融合的轴承故障诊断方法，其特征是，包括：
获取待故障诊断的轴承的振动信号和扭矩信号；
对获取的故障诊断的轴承的振动信号和扭矩信号均进行傅里叶变换；
将傅里叶变换后得到的故障诊断的轴承的振动信号和扭矩信号，输入到多尺度信息融合故障诊断模型中，输出待故障诊断的轴承的故障类型。
2.如权利要求1所述的方法，其特征是，所述多尺度信息融合故障诊断模型，获取步骤包括：
构建神经网络模型；
构建训练集；所述训练集为经过傅里叶变换后的已知轴承故障类型的振动信号和扭矩信号；
将训练集输入到神经网络模型中进行训练，训练结束后，得到训练好的神经网络模型，即为多尺度信息融合故障诊断模型。
3.如权利要求2所述的方法，其特征是，构建神经网络模型；神经网络模型具体包括：
并列的两条支路：第一支路和第二支路；第一支路的输出端和第二支路的输出端均与融合模块的输入端连接，融合模块的输出端与分类器连接；
所述第一支路，包括：依次连接的第一输入层、第一ResidualUnit模块、第一MaxPooling模块、第二ResidualUnit模块、第二MaxPooling模块、第三ResidualUnit模块、第三MaxPooling模块和第一输出层；
其中，第一输入层，用于输入振动信号；
其中，第一ResidualUnit模块的输出端信号经过第一MaxPooling模块后，作为第二ResidualUnit模块的输入信号；
第二ResidualUnit模块的输出端信号经过第二MaxPooling模块后，作为第三ResidualUnit模块的输入信号；
第三ResidualUnit模块的输出端信号经过第三MaxPooling模块后，作为第一输出层的输入信号；
第一输出层为BN+Relu函数层，第一输出层的输入端与第三MaxPooling层的输出端连接，第一输出层的输出端与融合模块的输入端连接。
4.如权利要求3所述的方法，其特征是，
所述第二支路，包括：依次连接的第二输入层、第四ResidualUnit模块、第四MaxPooling模块、第五ResidualUnit模块、第五MaxPooling模块、第六ResidualUnit模块、第六MaxPooling模块和第二输出层；
其中，第二输入层，用于输入扭矩信号；
其中，第四ResidualUnit模块的输出端信号经过第四MaxPooling模块后，作为第五ResidualUnit模块的输入信号；
第五ResidualUnit模块的输出端信号经过第五MaxPooling模块后，作为第六ResidualUnit模块的输入信号；
第六ResidualUnit模块的输出端信号经过第六MaxPooling模块后，作为第二输出层的输入信号；
第二输出层为BN+Relu函数层，第二输出层的输入端与第六MaxPooling层的输出端连接，第二输出层的输出端与融合模块的输入端连接。
5.如权利要求3所述的方法，其特征是，
所述第一ResidualUnit模块对输入的振动信号进行第一次特征提取假设得到M1个特征，M1个特征经过第一MaxPooling层后得到M2个特征；
第二Residual Unit模块对M2个特征进行第二次特征提取得到N1个特征，N1个特征经过第二MaxPooling层后得到N2个特征；
第三ResidualUnit模块对N2个特征进行第三次特征提取得到P1个特征，P1个特征经过第三MaxPooling层后得到P2个特征；
P2个特征经过第一输出层后仍得到P2个特征，其中，M1、M2、N1、N2、P1、P2均为正整数。
6.如权利要求3所述的方法，其特征是，
所述第一、第二与第三Residual Unit模块的结构是一样的，均包括：依次连接的Inception单元、BN+Relu单元和Addition单元；
所述Inception单元，用于提取信号中的多尺度故障特征；
所述BN+Relu单元，即块标准化和Relu激活函数，用于将每层神经网络任意神经元输入值的分布强行拉回到均值为0方差为1的标准正态分布；
所述Addition单元，用于对输入的两组数据的对应元素做加法操作，实现残差结构。
7.如权利要求6所述的方法，其特征是，
所述Inception单元，包括：previous层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、concatenate层和maxpooling层；
previous层的输出端与第一卷积层的输入端连接，第一卷积层的输出端与concatenate层连接；第一卷积层的卷积核大小为1；
previous层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与concatenate层连接；第二卷积层的卷积核大小为3；
previous层的输出端与第三卷积层的输入端连接，第三卷积层的输出端与concatenate层连接；第三卷积层的卷积核大小为5；
previous层的输出端与第四卷积层的输入端连接，第四卷积层的输出端与concatenate层连接；第四卷积层的卷积核大小为7；
concatenate层的输出端与Maxpooling层的输入端相连；
所述Inception单元，分别采用1、3、5、7三个尺度的卷积核对不同源数据进行特征的提取。
8.如权利要求7所述的方法，其特征是，
所述previous层，是指：Inception单元的输入层；
所述previous层，用于：输入为前面层的输出数据，并为previous层后的三个卷积操作和一个最大池化-卷积操作提供输入；
所述concatenate层，是指：特征连接层；
所述concatenate层，用于对四个卷积操作提取的四个尺度的故障特征进行物理连接，将四个尺度的故障特征合而为一，并作为Maxpooling层的输入；
所述Maxpooling层，是指：Inception单元的输出层；
所述Maxpooling层，用于匹配Inception单元输入与输出的维度，使Inception单元的输入与输出维度一致，否则不能进行Addition操作。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-8任一项所述的方法。
CN202010112157.9A 2020-02-24 2020-02-24 基于多尺度信息融合的轴承故障诊断方法及*** Active CN111275007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010112157.9A CN111275007B (zh) 2020-02-24 2020-02-24 基于多尺度信息融合的轴承故障诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010112157.9A CN111275007B (zh) 2020-02-24 2020-02-24 基于多尺度信息融合的轴承故障诊断方法及***

Publications (2)

Publication Number Publication Date
CN111275007A true CN111275007A (zh) 2020-06-12
CN111275007B CN111275007B (zh) 2021-10-22

Family

ID=71002271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010112157.9A Active CN111275007B (zh) 2020-02-24 2020-02-24 基于多尺度信息融合的轴承故障诊断方法及***

Country Status (1)

Country Link
CN (1) CN111275007B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016004A (zh) * 2020-08-21 2020-12-01 重庆邮电大学 一种基于多粒度信息融合的职务犯罪筛查***及方法
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及***
CN112884093A (zh) * 2021-04-29 2021-06-01 四川大学 基于dscrn模型的旋转机械故障诊断方法、设备和存储介质
CN112926641A (zh) * 2021-02-22 2021-06-08 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN113158722A (zh) * 2020-12-24 2021-07-23 哈尔滨理工大学 基于多尺度深度神经网络的旋转机械故障诊断方法
CN113155466A (zh) * 2021-05-24 2021-07-23 合肥工业大学 轴承故障视觉振动检测方法及***
CN113221996A (zh) * 2021-04-30 2021-08-06 山东大学 一种基于多头注意力机制的轴承故障诊断方法及***
CN113236595A (zh) * 2021-07-13 2021-08-10 湖南师范大学 风机故障分析方法、装置、设备及可读存储介质
CN113295413A (zh) * 2021-06-24 2021-08-24 北京交通大学 一种基于间接信号的牵引电机轴承故障诊断方法
CN113780151A (zh) * 2021-09-07 2021-12-10 山东大学 一种双线性特征融合的轴承故障诊断方法及***
CN117932561A (zh) * 2024-03-22 2024-04-26 绵阳师范学院 一种联轴器扭矩数据分析方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101432786B1 (ko) * 2013-11-14 2014-09-23 엠앤디테크놀로지 주식회사 모터의 고장진단방법 및 그 시스템
CN108921303A (zh) * 2018-05-29 2018-11-30 青岛鹏海软件有限公司 工业电动机的故障诊断及预测性维护方法
CN109779894A (zh) * 2018-12-29 2019-05-21 西安交通大学 一种基于神经网络算法的往复式压缩机故障诊断***及方法
CN110595775A (zh) * 2019-09-19 2019-12-20 电子科技大学 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101432786B1 (ko) * 2013-11-14 2014-09-23 엠앤디테크놀로지 주식회사 모터의 고장진단방법 및 그 시스템
CN108921303A (zh) * 2018-05-29 2018-11-30 青岛鹏海软件有限公司 工业电动机的故障诊断及预测性维护方法
CN109779894A (zh) * 2018-12-29 2019-05-21 西安交通大学 一种基于神经网络算法的往复式压缩机故障诊断***及方法
CN110595775A (zh) * 2019-09-19 2019-12-20 电子科技大学 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XUEYI LI 等: "Gear Pitting Fault Diagnosis Using Integrated CNN and GRU Network with Both Vibration and Acoustic Emission Signals", 《APPLIED SCIENCES》 *
王裕峰: "融合多传感器的故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016004B (zh) * 2020-08-21 2023-03-31 重庆邮电大学 一种基于多粒度信息融合的职务犯罪筛查***及方法
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN112016004A (zh) * 2020-08-21 2020-12-01 重庆邮电大学 一种基于多粒度信息融合的职务犯罪筛查***及方法
CN113158722A (zh) * 2020-12-24 2021-07-23 哈尔滨理工大学 基于多尺度深度神经网络的旋转机械故障诊断方法
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及***
CN112798280B (zh) * 2021-02-05 2022-01-04 山东大学 一种滚动轴承故障诊断方法及***
CN112926641A (zh) * 2021-02-22 2021-06-08 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN112926641B (zh) * 2021-02-22 2022-05-17 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN112884093A (zh) * 2021-04-29 2021-06-01 四川大学 基于dscrn模型的旋转机械故障诊断方法、设备和存储介质
CN112884093B (zh) * 2021-04-29 2021-08-31 四川大学 基于dscrn模型的旋转机械故障诊断方法、设备和存储介质
CN113221996A (zh) * 2021-04-30 2021-08-06 山东大学 一种基于多头注意力机制的轴承故障诊断方法及***
CN113155466A (zh) * 2021-05-24 2021-07-23 合肥工业大学 轴承故障视觉振动检测方法及***
CN113155466B (zh) * 2021-05-24 2024-04-23 合肥工业大学 轴承故障视觉振动检测方法及***
CN113295413A (zh) * 2021-06-24 2021-08-24 北京交通大学 一种基于间接信号的牵引电机轴承故障诊断方法
CN113236595A (zh) * 2021-07-13 2021-08-10 湖南师范大学 风机故障分析方法、装置、设备及可读存储介质
CN113236595B (zh) * 2021-07-13 2021-09-28 湖南师范大学 风机故障分析方法、装置、设备及可读存储介质
CN113780151A (zh) * 2021-09-07 2021-12-10 山东大学 一种双线性特征融合的轴承故障诊断方法及***
CN117932561A (zh) * 2024-03-22 2024-04-26 绵阳师范学院 一种联轴器扭矩数据分析方法及***
CN117932561B (zh) * 2024-03-22 2024-06-11 绵阳师范学院 一种联轴器扭矩数据分析方法及***

Also Published As

Publication number Publication date
CN111275007B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN111275007B (zh) 基于多尺度信息融合的轴承故障诊断方法及***
CN112926641B (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN108154194B (zh) 一种用基于张量的卷积网络提取高维特征的方法
WO2024040828A1 (zh) 遥感高光谱图像与激光雷达图像融合分类方法及装置
CN114398961A (zh) 一种基于多模态深度特征融合的视觉问答方法及其模型
Guan et al. Autoattend: Automated attention representation search
CN113157919B (zh) 语句文本方面级情感分类方法及***
CN111353583B (zh) 基于群卷积特征拓扑空间的深度学习网络及其训练方法
CN114742985A (zh) 一种高光谱特征提取方法、装置及存储介质
CN115188440A (zh) 一种相似病历智能匹配方法
CN111612046B (zh) 特征金字塔图卷积神经网络及其在3d点云分类中的应用
Li et al. Knowing where to look? Analysis on attention of visual question answering system
CN109583406B (zh) 基于特征关注机制的人脸表情识别方法
CN110543567A (zh) 一种基于a-gcnn网络和acelm算法的中文文本情感分类方法
CN115620064A (zh) 一种基于卷积神经网络的点云下采样分类方法及***
CN113486929B (zh) 基于残差收缩模块与注意力机制的岩石薄片图像识别方法
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN113837263B (zh) 基于特征融合注意力模块和特征选择的手势图像分类方法
CN113283530B (zh) 基于级联特征块的图像分类***
Srinivas et al. Convolution neural networks for binary classification
WO2021134519A1 (zh) 在神经网络推理中实现数据同步的装置和方法
Liu et al. A deep neural network pruning method based on gradient L1-norm
CN113537325A (zh) 一种用于图像分类的基于提取高低层特征逻辑的深度学习方法
CN113239678A (zh) 一种面向答案选择的多角度注意力特征匹配方法及***
Amrutkar et al. Hand gesture recognition using deep learning

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