CN112729831A - 轴承故障诊断方法、装置及*** - Google Patents

轴承故障诊断方法、装置及*** Download PDF

Info

Publication number
CN112729831A
CN112729831A CN202110078023.4A CN202110078023A CN112729831A CN 112729831 A CN112729831 A CN 112729831A CN 202110078023 A CN202110078023 A CN 202110078023A CN 112729831 A CN112729831 A CN 112729831A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
network model
bearing
target
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
CN202110078023.4A
Other languages
English (en)
Other versions
CN112729831B (zh
Inventor
熊辉
刘检华
苏凯鸽
庄存波
张雷
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110078023.4A priority Critical patent/CN112729831B/zh
Publication of CN112729831A publication Critical patent/CN112729831A/zh
Application granted granted Critical
Publication of CN112729831B publication Critical patent/CN112729831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本申请公开了一种轴承故障诊断方法、装置及***，涉及故障检测技术领域，所述方法包括：获取能够反映轴承工作状态的轴承数据；根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。本申请的方案实解决了目前轴承故障诊断依赖认为因素、无法从原始数据中提取深层特征且不能很好地处理高维数据等问题，实现了精确快速的对轴承故障进行诊断，确保设备正常运行。

Description

轴承故障诊断方法、装置及***
技术领域
本申请涉及故障检测技术领域，尤其是涉及一种轴承故障诊断方法、装置及***。
背景技术
滚动轴承广泛应用于泵、涡轮、齿轮箱、压缩机、发动机等旋转机械中，由于旋转设备的复杂性和工作环境的性质，滚动轴承非常容易发生故障。根据有关统计显示，轴承故障占所有电机故障的40％至50％。当轴承发生故障时，可能会造成严重的经济损失甚至威胁生命。因此，对滚动轴承进行自动、准确的故障诊断，对维护机械设备的安全稳定运行具有重要意义。
在现有技术中，故障诊断方法通常可分为基于模型、基于信号和基于智能的方法。基于模型的方法是从***获得的实际测量值与***数学模型生成的输出值进行比较，然而，在采用基于模型的方法时，需要提前了解***的先验信息，否则会对模型精度造成很大的影响。基于信号的诊断方法使用傅里叶变换、小波变化等方法从测量信号中提取时域、频域或时频域特征，然而，基于信号的诊断方法很大程度上依赖于模式分析和监控***的先验知识。在实践中，这种先验知识很大程度上受人为因素的影响，甚至在***非线性或工作条件高度复杂的情况下可能无法获得。基于智能的方法通过机器学习能够利用大量数据来解决人类看不到的特定趋势和模式。然而，传统的机器学习模型仍然存在难以从原始数据中提取深层特征，且不能很好地处理高维数据的不足。
发明内容
本申请的目的在于提供一种故障诊断检测方法、装置及***，从而解决现有技术中故障诊断依赖人为因素、无法提取深层特征和无法处理高维数据的问题。
为了达到上述目的，本申请提供一种轴承故障诊断方法，包括：
获取能够反映轴承工作状态的轴承数据；
根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
可选地，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。
可选地，预先构建的分层卷积神经网络模型的建立过程包括：
构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；
构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。
可选地，根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型，包括：
根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；
根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。
可选地，将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，包括：
将所述轴承数据划分为训练集数据、验证集数据和测试集数据；
将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；
将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。
可选地，将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练，包括：
将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
可选地，将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值，包括：
获取每一所述预测计算模块输出的损失值；
根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。
可选地，所述方法还包括：
获取用户输入的诊断需求信息；
根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
可选地，所述方法还包括：
执行与所述输出结果相对应的控制策略。
本申请实施例还提供一种轴承故障诊断装置，包括：
第一获取模块，用于获取能够反映轴承工作状态的轴承数据；
第一调整模块，用于根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
第二获取模块，用于将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
可选地，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。
可选地，所述装置还包括：
建立模块，用于建立所述预先构建的分层卷积神经网络模型；
所述建立模块包括：
第一构建子模块，用于构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；
第二构建子模块，用于构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
融合子模块，用于基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
第三构建子模块，用于在根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。
可选地，所述第一调整模块包括：
第一调整子模块，用于根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；
第二调整子模块，用于根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。
可选地，所述第二获取模块包括：
划分子模块，用于将所述轴承数据划分为训练集数据、验证集数据和测试集数据；
训练子模块，用于将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；
第三调整子模块，用于将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
第一获取子模块，用于将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。
可选地，所述训练子模块包括：
第二获取子模块，用于将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
更新子模块，用于根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
可选地，所述第二获取子模块包括：
获取单元，用于获取每一所述预测计算模块输出的损失值；
计算单元，用于根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。
可选地，所述装置还包括：
第三获取模块，用于获取用户输入的诊断需求信息；
第二调整模块，用于根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
可选地，所述装置还包括：
执行模块，用于执行与所述输出结果相对应的控制策略。
本申请实施例还提供一种轴承故障诊断***，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的轴承故障诊断方法的步骤。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的轴承故障诊断方法的步骤。
本申请的上述技术方案至少具有如下有益效果：
本申请实施例的轴承故障诊断方法，首先，获取能够反映轴承工作状态的轴承数据；便于后续根据该轴承数据对该轴承的故障进行诊断；其次，根据该轴承数据的数量，调整预先构建的分层卷积神经网络模型，以获得目标分层卷积神经网络模型；实现了根据轴承数据的数量灵活的调整预先构建的分层卷积神经网络模型；以获得能够根据具体任务选择最佳的目标分层卷积神经网络模型，使得目标分层卷积神经网络模型能够与该轴承数据相适应；再次，将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度，如此，实现了对轴承数据的智能分层(在三个层次上的)诊断，同时具有较强的适应性。
附图说明
图1为本申请实施例的轴承故障诊断方法的流程示意图；
图2为本申请实施例的轴承故障的层次结构的示意图；
图3为本申请实施例的基础构建模块的示意图；
图4为本申请实施例的预先构建的分层卷积神经网络模型的示意图；
图5为本申请实施例的轴承故障诊断装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的轴承故障诊断方法进行详细地说明。
如图1所示，为本申请实施例的轴承故障诊断方法的流程的示意图之一，该方法包括：
步骤101：获取能够反映轴承工作状态的轴承数据；
这里，需要说明的是，该轴承数据具体是能够反映轴承工作情况和/或轴承工作状态的信号，例如可获取轴承的位移、速度或加速度等信号，也就是说，可以从这些信号中提取该轴承数据；又例如，该轴承数据可以为符合美国凯斯西储大学提供的轴承数据集的数据。
步骤102：根据轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
本申请实施例的轴承故障诊断方法，在进行轴承故障诊断的过程中，首先根据轴承数据的数量，调整预先构建的分层卷积神经网络模型，以获得与当前获取的轴承数据相适配的目标分层卷积神经网络，如此，一者，能够获得较为准确的诊断结果；二者，提高了分层卷积神经网络模型的通用性。
步骤103：将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，该输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
本步骤中，将目标分层卷积神经网络的输出结果设置为包括轴承故障状态、故障位置和故障严重程度三个层次，实现了对轴承故障的智能分层诊断。
本申请实施例的轴承故障诊断方法，首先，获取能够反映轴承工作状态的轴承数据；便于后续根据该轴承数据对该轴承的故障进行诊断；其次，根据该轴承数据的数量，调整预先构建的分层卷积神经网络模型，以获得目标分层卷积神经网络模型；实现了根据轴承数据的数量灵活的调整预先构建的分层卷积神经网络模型；以获得能够根据具体任务选择最佳的目标分层卷积神经网络模型，使得目标分层卷积神经网络模型能够与该轴承数据相适应；再次，将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度，如此，实现了对轴承数据的智能分层(在三个层次上的)诊断，同时具有较强的适应性。
作为一个可选的实现方式，预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；其中，预测计算模块输出所述目标分层卷积神经网络模型的输出结果。
本可选的实现方式中，轴承故障的层次结构是实现智能分层诊断的基础，通过将轴承故障的层次结构与卷积神经网络模型的基础构建模块融合，实现了对轴承数据的分层诊断，通过设置多个预测计算模块，实现了将该轴承数据划分为不同的层次结构，从而使得目标分层卷积神经网络模型分别输出各层诊断结果，以对轴承故障精确定位。
作为一个可选的实现方式，步骤102中的预先构建的分层卷积神经网络模型的建立过程包括：
步骤一：构建轴承故障的层次结构，其中，层次结构包括故障状态层、故障位置层和严重程度层；
这里，需要说明的是，本步骤构建的轴承故障的层次结构可以为美国凯斯西储大学轴承数据的故障层次结构。如图2所示，具体可以根据实际应用过程中轴承故障的诊断需求，将轴承故障按照不同的诊断依据分为三个层次。第一层分为两类，判断是否存在故障，如无故障或存在故障；第二层分为四类，判断故障存在的位置，如：无故障、滚动体故障、内圈故障和外圈故障；第三层分为十类，进一步诊断故障的严重程度。也就是说，该第一层应为故障状态层，该第二层应为故障位置层，该第三层应为严重程度层；进一步地，根据轴承故障数据的层次结构，对故障数据添加相应的三个标签，如[1,1,1]，分别对应是否存在故障，故障位置以及故障的严重程度。也就是说，第一层输出的数据为表征故障状态的数据，第二层输出的数据为表征故障位置的数据，第三层输出的数据为表征故障严重程度的数据，如此，实现了将轴承数据划分为不同的层次结构，也就是说，该层次结构用于对轴承数据进行预处理，以得到与各层次对应的标签的轴承数据。
步骤二：构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
这里，需要说明的是，如图3所示，每个特征提取模块均由一个卷积层、一个批量归一化层、一个激活层和一个最大池化层构成。其中，第一层卷积核大小为32×1，除第一层外，其余卷积核大小均为3×1。所有池层的区域大小均为2×1。
步骤三：基于卷积神经网络的层次结构，将轴承故障的层次结构和基础构建模块进行融合；
本步骤具体可以依据卷积神经网络自然分层的特点，将轴承故障的层次结构与该基础构建模块进行融合。
步骤四：根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；其中，每一所述预测计算模块输出所述输出结果中的一个参数。
本步骤中，如图4所示，以基础构建模块包括五个特征提取模块为例，除了设置于基础构建块的第五个特征提取模块之后的预测计算模块外，在该基础构建模块的第一个特征提取模块和第三个特征提取模块的池化层之后分别添加一个附加的预测计算模块。卷积神经网络的较低层提取简单特征，输出较粗的诊断结果，进行简易诊断；较高层提取较为复杂的特征，输出较细的诊断结果，进行精密诊断，从而实现轴承故障的分层诊断。
本可选实施方式中，预先构建的分层卷积神经网络模型，通过将该层次结构和该基础构建模块融合，将多个预测计算模块设置在不同特征提取模块的池化层之后，从而构建出了分层卷积神经网络模型，实现对轴承数据的智能分层诊断并输出包括轴承故障状态、故障位置和故障严重程度三个参数的输出结果，从而便于后续根据该输出结果及其发展趋势做出相应决策。
作为一个具体实现方式，步骤102，根据轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型，包括：
根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整基础构建模块；
这里，需要说明的是，该对应关系为预先配置的对应关系，也就是说，不同的轴承数据的数量所使用的分层卷积神经网络模型的结构不同，如：轴承数据的数量较小的情况下，分层卷积神经网络模型的结构相对简单，如基础构建模块可以仅包括三个特征提取模块，轴承数据的数量较大的情况下，分层卷积神经网络模型的结构相对复杂，如基础构建模块包括七个特征提取模块，当然，用户也可以根据自身需求输入相应的参数以调整该预先构建的分层卷积神经网络模型。
根据预配置的特征提取模块数量与预测计算模块位置信息，调整预测计算模块的位置。
也就是说，不同结构的目标分层卷积神经网络模型中，预测计算模块的位置不同，在根据轴承数据的数量调整基础构建模块之后，可以根据预配置的特征提取模块数量与预测计算模块位置关系，调整各预测计算模块的位置，以得到符合用户要求的最佳分层卷积神经网络模型。
作为一个可选的实现方式，步骤103，将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，包括：
步骤一：将轴承数据划分为训练集数据、验证集数据和测试集数据；
本步骤中，训练集数据用来训练目标分层卷积神经网络模型，验证集数据用来调整模型参数，测试集数据用来检验模型性能。
步骤二：将训练集数据输入至目标分层卷积神经网络模型，对目标分层卷积神经网络模型进行迭代训练；
步骤三：将验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数，使目标分层卷积神经网络模型达到最佳诊断性能；
步骤四：将测试集数据输入至调整后的目标分层卷积神经网络模型，获取输出结果。
本步骤中，将需要诊断的轴承数据输入训练好的模型，数据在模型的流动过程中会依次输出三个预测值，分别代表轴承状态、故障位置以及故障的严重程度，从而根据模型的输出对轴承状态进行诊断。
本可选实现方式中，通过将轴承数据划分为训练集数据、验证集数据和测试集数据，实现了依次对预先构建的分层卷积神经网络模型的训练、验证和测试，如此，使得目标分层卷积神经网络模型为符合轴承数据的最佳模型，以得到较精准的诊断结果。
作为一个具体的实现方式，将训练集数据输入至目标分层卷积神经网络模型，对目标分层卷积神经网络模型进行迭代训练，包括：
首先，将训练集数据输入至目标分层卷积神经网络模型，获得目标分层卷积神经网络模型的最终损失值；
本步骤中，如图5所示，在模型训练过程中，模型的最终损失值由每一个预测计算模块的损失值根据损失权重加权求和得到。
其次，根据最终损失值对目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
这里，需要说明的是，模型参数在模型训练过程中进行优化，训练迭代后，可以再对模型参数进行调整。
作为一个可选的实现方式，本申请的轴承故障检测方法进一步还包括：
获取用户输入的诊断需求信息；
本步骤中的诊断需求信息可以为用户根据需求输入的对轴承故障的检测程度为简单诊断还是精密诊断。
根据诊断需求信息，调整层次结构中的各层的权重；其中，该层次结构为预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
本步骤中，如若用户输入的诊断需求信息为简单诊断，则可以将层次结构中的故障位置层和故障严重程度层的权重设置的较小，如为0；如若用户输入的诊断需求信息为精密诊断，则可以将层次结构中的故障位置层和故障严重程度层的权重设置的较大。
本可选实现方式中，根据用户输入的诊断需求信息调整层次结构中的各层的权重，使得用户可以根据需求选择对轴承数据进行简单诊断还是精密诊断，如此，提高了本申请实施例的轴承故障诊断方法的适用性和通用性。
作为一个可选实现方式，本申请的轴承故障检测方法进一步还包括：
执行与输出结果相对应的控制策略。
如前所述，该输出结果包括故障状态、故障位置和故障严重程度，本申请实施例可以根据该输出结果诊断出轴承的状态及其发展趋势，做出相对应的控制策略，该控制策略可包括调整、控制、维修或继续监视等。
本申请实施例的故障诊断检测方法，一者，可以根据实际诊断的要求构建轴承故障的层次结构，具有较强的灵活性；二者，目标分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块，实现了对轴承数据的智能分层诊断，最终输出与轴承故障的层次结构相对应的三个预测值，即：表征故障状态的第一预测值，表征故障位置的第二预测值和表征严重程度的第三预测值，进而根据这三个预测值诊断出轴承状态及故障状态，以进一步作出相对应的决策。这样，一方面，使得轴承故障诊断不依赖于***的先验知识，解决了传统的及其学习模型难以从原始数据中提取深层特征且不能很好地处理高维数据等问题；另一方面，使得诊断精度相对较高且操作相对便捷；再一方面，能够实现对轴承状态的实时检测，并根据检测结果及时做出决策，保证设备的正常运行。
如图5所示，本申请实施例还提供一种轴承故障诊断装置，包括：
第一获取模块501，用于获取能够反映轴承工作状态的轴承数据；
第一调整模块502，用于根据轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
第二获取模块503，用于将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，该输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
本申请实施例的轴承故障诊断装置，首先，第一获取模块501获取能够反映轴承工作状态的轴承数据；便于后续根据该轴承数据对该轴承的故障进行诊断；其次，第一调整模块502根据该轴承数据的数量，调整预先构建的分层卷积神经网络模型，以获得目标分层卷积神经网络模型；实现了根据轴承数据的数量灵活的调整预先构建的分层卷积神经网络模型；以获得能够根据具体任务选择最佳的目标分层卷积神经网络模型，使得目标分层卷积神经网络模型能够与该轴承数据相适应；再次，第二获取模块503将轴承数据输入目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度，如此，实现了对轴承数据的智能分层(在三个层次上的)诊断，同时具有较强的适应性。
可选地，预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，该预测计算模块输出目标分层卷积神经网络模型的输出结果。
可选地，该装置还包括：
建立模块，用于建立预先构建的分层卷积神经网络模型；
该建立模块包括：
第一构建子模块，用于构建轴承故障的层次结构，其中，该层次结构包括故障状态层、故障位置层和严重程度层；
第二构建子模块，用于构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
融合子模块，用于基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
第三构建子模块，用于在根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。
可选地于，第一调整模块502包括：
第一调整子模块，用于根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整基础构建模块；
第二调整子模块，用于根据预配置的特征提取模块数量与预测计算模块位置信息，调整预测计算模块的位置。
可选地，第二获取模块503包括：
划分子模块，用于将轴承数据划分为训练集数据、验证集数据和测试集数据；
训练子模块，用于将训练集数据输入至目标分层卷积神经网络模型，对目标分层卷积神经网络模型进行迭代训练；
第三调整子模块，用于将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
第一获取子模块，用于将测试集数据输入至调整后的目标分层卷积神经网络模型，获取输出结果。
可选地，训练子模块包括：
第二获取子模块，用于将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
更新子模块，用于根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
可选地，第二获取子模块包括：
获取单元，用于获取每一所述预测计算模块输出的损失值；
计算单元，用于根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。
可选地，该装置还包括：
第三获取模块，用于获取用户输入的诊断需求信息；
第二调整模块，用于根据诊断需求信息，调整层次结构中的各层的权重；其中，层次结构为预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
可选地，该装置还包括：
执行模块，用于执行与该输出结果相对应的控制策略。
本申请实施例还提供一种轴承故障诊断***，包括：处理器，存储器及存储在所述存储器上并可在处理器上运行的程序，该程序被处理器执行时实现如上所述的轴承故障诊断方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，该可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的轴承故障诊断方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (20)

1.一种轴承故障诊断方法，其特征在于，包括：
获取能够反映轴承工作状态的轴承数据；
根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
2.根据权利要求1所述的方法，其特征在于，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。
3.根据权利要求2所述的方法，其特征在于，预先构建的分层卷积神经网络模型的建立过程包括：
构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；
构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。
4.根据权利要求3所述的方法，其特征在于，根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型，包括：
根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；
根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。
5.根据权利要求2所述的方法，其特征在于，将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，包括：
将所述轴承数据划分为训练集数据、验证集数据和测试集数据；
将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；
将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。
6.根据权利要求5所述的方法，其特征在于，将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练，包括：
将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
7.根据权利要求6所述的方法，其特征在于，将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值，包括：
获取每一所述预测计算模块输出的损失值；
根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户输入的诊断需求信息；
根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
执行与所述输出结果相对应的控制策略。
10.一种轴承故障诊断装置，其特征在于，包括：
第一获取模块，用于获取能够反映轴承工作状态的轴承数据；
第一调整模块，用于根据所述轴承数据的数量，调整预先构建的分层卷积神经网络模型，获得目标分层卷积神经网络模型；
第二获取模块，用于将所述轴承数据输入所述目标分层卷积神经网络模型，获取目标分层卷积神经网络模型的输出结果，所述输出结果包括下述至少一项：轴承故障状态、故障位置、故障严重程度。
11.根据权利要求10所述的装置，其特征在于，所述预先构建的分层卷积神经网络模型包括与轴承故障的层次结构融合的卷积神经网络的基础构建模块，以及，多个预测计算模块；
其中，所述预测计算模块输出所述目标分层卷积神经网络模型的输出结果。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
建立模块，用于建立所述预先构建的分层卷积神经网络模型；
所述建立模块包括：
第一构建子模块，用于构建轴承故障的层次结构，其中，所述层次结构包括故障状态层、故障位置层和严重程度层；
第二构建子模块，用于构建卷积神经网络的基础构建模块，所述卷积神经网络的基础构建模块包括至少三个特征提取模块和一个预测计算模块，其中，至少三个所述特征提取模块依次连接，所述预测计算模块设置于最后一个所述特征提取模块之后；
融合子模块，用于基于卷积神经网络的层次结构，将所述轴承故障的层次结构和所述基础构建模块进行融合；
第三构建子模块，用于在根据预设选取规则，选取两个所述特征提取模块，在选取的每一所述特征提取模块之后设置一个预测计算模块，以构建所述预先构建的分层卷积神经网络模型；
其中，每一所述预测计算模块输出所述输出结果中的一个参数。
13.根据权利要求12所述的装置，其特征在于，所述第一调整模块包括：
第一调整子模块，用于根据预配置的轴承数据的数量和特征提取模块数量的对应关系，调整所述基础构建模块；
第二调整子模块，用于根据预配置的特征提取模块数量与预测计算模块位置信息，调整所述预测计算模块的位置。
14.根据权利要求11所述的装置，其特征在于，所述第二获取模块包括：
划分子模块，用于将所述轴承数据划分为训练集数据、验证集数据和测试集数据；
训练子模块，用于将所述训练集数据输入至所述目标分层卷积神经网络模型，对所述目标分层卷积神经网络模型进行迭代训练；
第三调整子模块，用于将所述验证集数据输入至迭代训练后的目标分层卷积神经网络模型，根据验证结果调整迭代训练后的目标分层卷积神经网络模型的模型参数；
第一获取子模块，用于将所述测试集数据输入至调整后的目标分层卷积神经网络模型，获取所述输出结果。
15.根据权利要求14所述的装置，其特征在于，所述训练子模块包括：
第二获取子模块，用于将所述训练集数据输入至所述目标分层卷积神经网络模型，获得所述目标分层卷积神经网络模型的最终损失值；
更新子模块，用于根据所述最终损失值对所述目标分层卷积神经网络模型进行优化，以更新所述目标分层卷积神经网络模型。
16.根据权利要求15所述的装置，其特征在于，所述第二获取子模块包括：
获取单元，用于获取每一所述预测计算模块输出的损失值；
计算单元，用于根据预配置的损失权重和每一所述预测计算模块输出的所述损失值，计算所述模型的最终损失值。
17.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取用户输入的诊断需求信息；
第二调整模块，用于根据所述诊断需求信息，调整层次结构中的各层的权重；其中，所述层次结构为所述预先构建的分层卷积神经网络模型中的轴承故障的层次结构。
18.根据权利要求10所述的装置，其特征在于，所述装置还包括：
执行模块，用于执行与所述输出结果相对应的控制策略。
19.一种轴承故障诊断***，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至9中任一项所述的轴承故障诊断方法的步骤。
20.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至9中任一项所述的轴承故障诊断方法的步骤。
CN202110078023.4A 2021-01-20 2021-01-20 轴承故障诊断方法、装置及*** Active CN112729831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110078023.4A CN112729831B (zh) 2021-01-20 2021-01-20 轴承故障诊断方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110078023.4A CN112729831B (zh) 2021-01-20 2021-01-20 轴承故障诊断方法、装置及***

Publications (2)

Publication Number Publication Date
CN112729831A true CN112729831A (zh) 2021-04-30
CN112729831B CN112729831B (zh) 2022-05-10

Family

ID=75594371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110078023.4A Active CN112729831B (zh) 2021-01-20 2021-01-20 轴承故障诊断方法、装置及***

Country Status (1)

Country Link
CN (1) CN112729831B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406118A (zh) * 2018-10-15 2019-03-01 华中科技大学 一种基于层次卷积神经网络的机械故障预测方法
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
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111626361A (zh) * 2020-05-28 2020-09-04 辽宁大学 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法
CN111865702A (zh) * 2020-08-04 2020-10-30 北京航空航天大学 基于卷积神经网络的网络故障诊断方法及装置
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406118A (zh) * 2018-10-15 2019-03-01 华中科技大学 一种基于层次卷积神经网络的机械故障预测方法
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
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111562105A (zh) * 2020-03-25 2020-08-21 浙江工业大学 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN111626361A (zh) * 2020-05-28 2020-09-04 辽宁大学 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法
CN111865702A (zh) * 2020-08-04 2020-10-30 北京航空航天大学 基于卷积神经网络的网络故障诊断方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOJIE GUO 等: "Hierarchical adaptive deep convolution neural network", 《MEASUREMENT》 *
何成兵: "基于改进一维卷积神经网络的汽轮发电机组轴系扭振模态参数辨识", 《中国电机工程学报》 *

Also Published As

Publication number Publication date
CN112729831B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
US7483774B2 (en) Method and system for intelligent maintenance
CN112729834B (zh) 一种轴承故障的诊断方法、装置和***
US20060230313A1 (en) Diagnostic and prognostic method and system
CN111878320B (zh) 风力发电机组的监控方法、***及计算机可读存储介质
CN109978134B (zh) 一种基于快速集成卷积神经网络的故障预测方法
CN110515781B (zh) 一种复杂***状态监测及故障诊断方法
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN103842923A (zh) 用于预报和预测的序列核回归建模***
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN108830335A (zh) 光伏电站故障预警方法及***
CN110119787A (zh) 一种旋转型机械设备工况检测方法及设备
CN114021784A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
CN116384224A (zh) 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN114742363A (zh) 风电机组的能效状态评价方法、***及介质
De Martini et al. Fault detection of electromechanical actuators via automatic generation of a fuzzy index
CN112729831B (zh) 轴承故障诊断方法、装置及***
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN116222753A (zh) 一种转子***故障敏感特征提取方法及***
US20180087489A1 (en) Method for windmill farm monitoring
CN114692729A (zh) 基于深度学习的新能源场站不良数据辨识与修正方法
CN113586554A (zh) 一种液压马达检测***及方法
CN114580101B (zh) 一种旋转机械剩余使用寿命预测方法及***
Moore et al. Predicting intelligence using hybrid artificial neural networks in context-aware tunneling systems under risk and uncertain geological environment
CN116362628B (zh) 电力***运行状态分析评估方法和装置
CN113553903B (zh) 一种深度时间卷积网络的旋转机械健康评估方法

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