CN114330413A - 牵引电机轴承的故障类型辨识及定位方法 - Google Patents
牵引电机轴承的故障类型辨识及定位方法 Download PDFInfo
- Publication number
- CN114330413A CN114330413A CN202111409414.6A CN202111409414A CN114330413A CN 114330413 A CN114330413 A CN 114330413A CN 202111409414 A CN202111409414 A CN 202111409414A CN 114330413 A CN114330413 A CN 114330413A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- deep learning
- training
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 102100033620 Calponin-1 Human genes 0.000 claims 1
- 102100033591 Calponin-2 Human genes 0.000 claims 1
- 102100033592 Calponin-3 Human genes 0.000 claims 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 claims 1
- 230000015654 memory Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 85
- 238000012423 maintenance Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种牵引电机轴承的故障类型辨识及定位方法,涉及牵引电机的轴承故障检测领域。本发明方法由两个阶段组成:第一阶段,搭建并训练深度学习网络模型。主要包括各类故障轴承振动信号的采集及预处理、创建和配置深度学习网络并进行多次迭代训练、检查深度学习网络准确率并导出过程。第二阶段,经过训练的深度学习网络模型应用于推理阶段。通过采集待辨识及定位轴承的振动信号,进行预处理后经深度学习网络模型判断,得到牵引电机轴承的故障类型及定位结果。本发明对故障类型的辨识及定位具有较高的准确率,为牵引电机故障预测与健康管理提供支持。通过本方法易于实现轨道交通车辆牵引电机轴承新故障类型及定位的拓展。
Description
技术领域
本发明涉及牵引电机的轴承故障检测领域,具体为一种牵引电机轴承的故障类型辨识及定位方法。
背景技术
牵引电机是轨道交通车辆的关键核心部件之一,负责动力输出,完成电能到机械能的转化,其健康状态关系着整车的安全、稳定运行。牵引电机在实际的工作中受到运行环境和设备本身的影响,不可避免会出现轴承内圈、外圈、保持架、滚动体磨损剥离和电蚀等机械故障。对牵引电机轴承进行状态监测和故障诊断,及早发现并对故障进行定位,可为进一步采取相应的控制和维修策略提供指导,是实现轨道交通牵引电传动***智能运维的重要环节。
现有技术中,经专业训练的运维人员进行轴承故障类型的辨识和定位判断,运维人员结合牵引电机的振动、电学信号、现场环境、设计和生产记录文件、运维记录文件等,也可通过拆解电机进行目视、工具测量,综合判定牵引电机的故障情况,但是这种检查常用于定期的预防性维护,一般无法实现即时、在线的故障诊断;对运维人员专业知识和经验依赖性较强,易受到外界噪声等影响,误判或漏判的情况较多,而且通常只能判定几种有限类型的故障,且对故障的定位能力较差。还有一种辨识和定位方法,是通过采集牵引电机的振动信号进行时域、频域、时频域的分析,采用阈值判定、逻辑推理、支持向量机等统计分析方法搭建辨识模型,是一种手动提取特征外加简单辨识模型的技术方案,实际中采集到的牵引电机轴承振动信号经常受到多源激励和响应相互耦合和强噪声等因素影响,很难提取到合适特征且过程较为复杂;另一方面,简单的辨识模型无法出发掘数据中的隐含特征,对牵引电机轴承故障类型辨识及定位存在准确度不高的缺点;另外,故障特征往往和转速相关,因此只能在固定转速下进行故障的辨识及定位,灵活性差。
人工智能是引领新一轮科技革命、产业变革、社会变革的战略性技术。深度学习是人工智能领域一个非常重要的研究分支,深度学习通过模拟大脑的层级抽象结构,使用多层神经网络架构自动分析数据并发掘出蕴含的有用信息,训练出合适的深度学习模型后可实现关键设备的故障辨识及定位,是一种有效的数据驱动型故障诊断方法。深度学习网络模型在旋转机械故障辨识及分类中展现出准确率高、泛化性强、可扩展性好的优异性能。振动加速度信号中含有丰富的状态信息,非常适合于牵引电机等旋转机械的故障诊断技术。因此可以利用牵引电机的振动加速度信号训练深度学习网络模型,用于牵引电机轴承的故障类型辨识及定位。
在当今大数据技术和人工智能技术不断发展的时代背景下,随着轨道交通装备朝网络化、智能化方向不断发展,可用于关键子部件状态监测和故障诊断的海量数据不断积累,利用深度学习网络模型实现牵引电机轴承故障类型辨识和定位具有巨大潜力和实用价值。
发明内容
本发明为了解决现有技术中牵引电机轴承故障类型的辨识和定位存在人工辨识准确度不高,以及建模后只能在固定转速下检测的问题,提供了一种新型的牵引电机轴承的故障类型辨识及定位方法。
本发明是通过如下技术方案来实现的:一种牵引电机轴承的故障类型辨识及定位方法,利用牵引电机轴承的振动加速度信号作为数据源,通过搭建深度学习网络模型自动分析故障特性,提供一种牵引电机轴承的关键故障类型辨识及定位的方法。本发明中利用卷积神经网络和递归神经网络相结合的方法搭建深度学习网络模型,自动提取振动信号中的有价值信息进行分析,对故障类型的辨识及定位具有较高的准确率,为牵引电机故障预测与健康管理提供支持。该方法包括两个阶段,第一阶段为轴承故障类型辨识及定位模型的构建和训练阶段,第二阶段是轴承故障类型辨识及定位模型的推理阶段,如图1所示。第一阶段,搭建并训练深度学习网络模型。主要包括各类故障轴承振动信号的采集及预处理、创建和配置深度学习网络并进行多次迭代训练、检查深度学习网络准确率并导出过程。第二阶段,经过训练的深度学习网络模型应用于推理阶段。通过采集待辨识及定位轴承的振动信号,进行预处理后经深度学习网络模型判断,得到牵引电机轴承的故障类型及定位结果。具体过程如下:
第一阶段:轴承故障类型辨识及定位模型的构建和训练阶段,为深度学习网络模型构建和训练阶段,包括如下步骤:
步骤1:牵引电机轴承故障预置,预置的牵引电机轴承故障数量为A;
步骤2:电机振动信号采集及预处理,用于训练深度学习网络模型的数据为振动传感器采集的牵引电机振动加速度数据,根据具体情况,将传感器可以布置于牵引电机的传动端或非传动端,为了实现牵引电机轴承不同类型和位置的故障辨识,采集相应故障的T时间范围内数据;然后对每种故障的振动数据进行预处理:第一步是将原始数据进行切割,形成B份一定长度的数据,每份的时间间隔t等于T/B;第二步,对数据进行标记,将数据和待辨识标签对应起来;第三步,将数据分为训练数据、验证数据和测试数据三部分:选取其中的部分数据A×B×a%作为深度学习网络模型的训练数据,另一部分数据A×B×b%作为深度学习网络模型的验证数据,剩下部分数据A×B×(1-a%-b%)作为深度学习网络模型的测试数据;
步骤3:创建和配置深度学习网络模型:
创建深度学习网络时,采用层组合的形式,降低深度学习网络模型的复杂度,使网络调试更方便;实际中根据具体情况添加或修改一些层来配置网络模型,以达到所需要的准确率,深度学习网络模型包括:(1)一个信号输入层,将振动加速度数据输入至网络模型中;(2)一个或多个卷积处理层,用于提取振动数据的高维特征信息;其中,每个卷积处理层包括:(2.1)卷积层:用于学习和存储数据的特征信息;(2.2)批归一化层:用于将卷积层的输出结果进行归一化,提高卷积神经网络的训练速度;(2.3)Relu层:通过阈值函数实现数据的非线性处理;(2.4)最大池化层:实现数据的向下采样;(3)一个或多个递归处理层,用于学习经过卷积处理层处理的高维特征信息,其中,每个递归处理层包括:(3.1)递归层:用于学习和存储数据的特征信息,包括长短期记忆网络层LSTM和双向长短期记忆网络BiLSTM;(3.2)丢弃层:用于丢弃部分特征信息;(4)一个全连接层,用来综合递归处理层提取到的信息;(5)一个Softmax层,对全连接层输出结果进行归一化;(6)一个信号输出层,将前面各层处理后的数据输出为牵引电机轴承故障类型辨识及定位结果;深度学习网络模型网络结构如图2所示。
步骤4:训练深度学习网络模型:
首先,选择训练参数:包括指定求解器、最大训练迭代次数、最小批训练大小、学***方根RMSProp3种求解器;一次迭代是指训练算法完全通过整个训练数据集;所述最小批训练,是指同时在处理器上处理的训练数据集的子集;所述学习速率,是控制深度学习网络训练速度快慢的参数;一般情况下学习速率越低,训练结果准确率越高,但网络训练时间会更长。所述网络训练处理器一般包括中央处理器CPU、图形处理器GPU和现场可编程门阵列FPGA3种处理器;指定好网络的训练参数后,利用训练数据集和验证数据训练深度学习网络模型并监控其训练进度;
步骤5:检查深度学习网络模型准确率并调整:
在训练深度学习网络模型时,经历若干次迭代后验证数据的准确率会不再提高,这意味着网络模型无法在一个解决方案上收敛,再也不能改进;此时将测试数据导入到网络模型中得到测试数据的准确率;若测试数据的准确率还未达到预期准确率,则返回到步骤3或步骤4,调整深度学习网络模型的配置或训练参数,尝试调整深度学习网络模型的配置或训练参数,例如尝试使用增加卷积处理层、降低学习速率等方法修改深度学习网络,重新进行迭代训练;
步骤6:导出深度学习神经网络模型;
当深度学习网络模型对测试数据的准确率达到预期值时,停止导出深度学习网络模型训练并导出;
第二阶段:轴承故障类型辨识及定位模型的推理阶段:
深度学习网络模型推理阶段实现牵引电机轴承故障类型的辨识及定位,一般包括以下3个步骤:
步骤1:电机振动信号采集及预处理:首先,实时采集待测牵引电机的振动数据;接下来对振动数据进行预处理;将数据进行切割,每份数据的时间间隔t1与深度学习网络模型构建和训练阶段的t相等;
步骤2:将数据导入深度学习神经网络模型:将数据导入第一阶段的步骤6得到的深度学习神经网络模型;
步骤3:获得故障类型辨识及定位结果:深度学***台上。
与现有技术相比本发明具有以下有益效果:本发明所提供的一种牵引电机轴承的故障类型辨识及定位方法,(1)本发明只采用振动加速度数据的原始时域信号,不需要进过FFT等频域变换计算,减少了数采装置的运算量;(2)本发明采用多个卷积神经网络和多个递归神经网络组合成深度学习网络模型对轴承关键故障类型进行辨识及定位,其准确率大大提高,可为牵引电机全寿命周期故障诊断解决方案提供技术支持;(3)本发明种深度学习网络模型由不同的功能层组合而成;功能层的增加、删减、配置非常方便,便于模型的管理、优化与升级;(4)本发明的拓展性较强,若需要新增待辨识类型及定位的轴承故障,通过采集相应故障振动加速度数据并训练深度学习网络模型,实现牵引电机轴承新故障类型的辨识及定位;且随着可用数据的不断增加,将更多的振动数据用于深度学习网络模型训练,将有利于准确率和泛化性的提高。
附图说明
图1为深度学习网络模型的构建、训练和推理原理图。
图2为深度学习网络模型结构图。
图3为每种类型故障的振动数据波形示例图。
图4为深度学习神经网络结构图。
图5为深度学习网络模型的测试数据混淆矩阵图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
本实施例将实现一款机车牵引电机轴承中常见的故障类型辨识及定位,该方法包括两个阶段,第一阶段为轴承故障类型辨识及定位模型的构建和训练阶段,第二阶段是轴承故障类型辨识及定位模型的推理阶段,具体过程如下:
第一阶段:轴承故障类型辨识及定位模型的构建和训练阶段,为深度学习网络模型构建和训练阶段,包括如下步骤:
步骤1:牵引电机轴承故障预置,预置的牵引电机轴承故障数量为A;
待辨识及定位类型一:传动端内圈故障;
待辨识及定位类型二:传动端外圈故障;
待辨识及定位类型三:传动端保持架故障;
待辨识及定位类型四:传动端滚子故障;
待辨识及定位类型五:非传动端内圈故障;
待辨识及定位类型六:非传动端外圈故障;
待辨识及定位类型七:非传动端保持架故障;
待辨识及定位类型八:非传动端滚子故障。
步骤2:电机振动信号采集及预处理:用于训练深度学习网络模型的数据为振动传感器采集的牵引电机振动加速度数据,将牵引电机安装在牵引联调***试验台上,电机在随机转速下运行,转速范围为1000~4000 rpm;加速度传感器布置于牵引电机的传动端,方向为与地面垂直,采样率为25.6 kHz,每种类型故障各采集360秒的振动加速度数据;
每种类型故障数据时长为360秒,等长切割成1800份,每份数据长度为0.2秒,并对每份数据添加对应的类型故障标注。八种类型故障数据一共形成14400份带标注的数据集作为深度学习神经网络的数据集。选取其中的11520份数据(每种类型故障数据各1440份)作为网络的训练数据,另外的1440份数据(每种类型故障数据各180份)作为网络的验证数据。剩下的1440数据(每种类型故障数据各180份)作为网络的测试数据。得到的随机一组每种类型故障的振动数据波形如图3所示。
步骤3:创建和配置深度学习网络模型:
本实施例中,创建的深度学习网络模型由十一个不同的层组成。其中第一层为信号输入层(Input),用于将振动信号输入到网络中。第二~七层为6个卷积处理层,用于辨识不同故障的特征。第二层为卷积处理层1,由卷积层(CNN1)、批归一化层(BN1)、Relu层(ReLU1)和最大池化层(MaxPool1)组成,设定本层的卷积核大小为16,池化大小为2。第三层为卷积处理层2,由卷积层(CNN2)、批归一化层(BN2)、Relu层(ReLU2)和最大池化层(MaxPool2)组成,设定本层的卷积核大小为24,池化大小为2。第四层为卷积处理层3,由卷积层(CNN3)、批归一化层(BN3)、Relu层(ReLU3)和最大池化层(MaxPool3)组成,设定本层的卷积核大小为32,池化大小为2。第五层为卷积处理层4,由卷积层(CNN4)、批归一化层(BN4)、Relu层(ReLU4)和最大池化层(MaxPool4)组成,设定本层的滤波器大小为48,池化大小为2。第六层为卷积处理层5,由卷积层(CNN5)、批归一化层(BN5)、Relu层(ReLU5)和最大池化层(MaxPool5)组成,设定本层的滤波器大小为64,池化大小为2。第六层为卷积处理层6,由卷积层(CNN6)、批归一化层(BN6)、Relu层(ReLU6)和最大池化层(MaxPool6)组成,设定本层的滤波器大小为96,池化大小为2。
第八层为一个递归处理层,用于学习经过卷积处理层处理的高维特征信息。由一个递归层和一个丢弃层组成。其中,递归层为一个含24个隐含单元的长短期记忆网络层(LSTM),丢弃层(Dropout)的丢弃率设定为20%。
第九~十一层为一个全连接层(FC)、一个softmax函数层(SoftMax)和一个信号输出层(Output)组成,用于将深度学习网络模型输出为八种故障类型辨识及定位结果。深度学习网络模型结构如图4所示。
步骤4:训练深度学习网络模型:
指定网络的求解器为随机梯度下降法(SGDM);设置最大训练迭代数为20;指定最小批训练大小为64;设置初始学习率为0.02,每经过10次训练迭代学习率下降10%;指定训练处理器硬件为图形处理器(GPU)。将训练数据导入深度学习网络模型中并进行训练。随着网络训练的进行,深度学习网络对验证数据的准确率不断提高同时损失函数不断降低,表明深度学习网络的故障类型辨识及定位能力越来越强。
步骤5:检查深度学习网络模型准确率并调整:
将测试数据导入经过训练后的卷积神经网络。本实施例中设定准确率需达到98%以上。若准确率未达到要求,则可通过修改步骤3中的网络模型或修改步骤4中的训练参数来调整网络,例如尝试使用增加卷积处理层、降低学习速率等方法修改深度学习网络,继续迭代训练;若准确率达到要求,则停止训练。
步骤6:导出深度学习神经网络模型:
当深度学习网络模型对测试数据的准确率高于98%时,停止训练并导出深度学习网络模型。图5所示为深度学习网络模型对测试数据的混淆矩阵,混淆矩阵的对角线上数据为各种故障正确辨识的数量,其他的为误判情况;该深度学习网络模型的测试集准确率为99.24%。
(2)模型的推理阶段
步骤1:电机振动信号采集及预处理:
首先,实时采集待测牵引电机的振动数据。接着对振动数据进行预处理。将数据进行切割,每份数据的时间长度为0.2s;
步骤2:将数据导入深度学习神经网络模型:
将数据导入训练后得到的十一层深度学习神经网络模型中。
步骤3:获得故障类型辨识及定位结果:
深度学习神经网络模型以预期的准确率实现对牵引电机电机轴承故障辨识及定位。每份数据均会得到一个故障辨识及定位结果。深度学习网络模型部署在边缘端嵌入式ARM处理器中,以预期的准确率实现对牵引电机轴承故障类型的辨识及定位。
本发明要求保护的范围不限于以上具体实施方式,而且对于本领域技术人员而言,本发明可以有多种变形和更改,凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (6)
1.一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:包括两个阶段,第一阶段为轴承故障类型辨识及定位模型的构建和训练阶段,第二阶段是轴承故障类型辨识及定位模型的推理阶段,具体过程如下:
第一阶段:轴承故障类型辨识及定位模型的构建和训练阶段,为深度学习网络模型构建和训练阶段,包括如下步骤:
步骤1:牵引电机轴承故障预置,预置的牵引电机轴承故障数量为A;
步骤2:电机振动信号采集及预处理,用于训练深度学习网络模型的数据为振动传感器采集的牵引电机振动加速度数据,将传感器布置于牵引电机的传动端或非传动端,为了实现牵引电机轴承不同类型和位置的故障辨识,采集相应故障的T时间范围内数据;然后对每种故障的振动数据进行预处理:第一步是将原始数据进行切割,形成B份一定长度的数据,每份的时间间隔t等于T/B;第二步,对数据进行标记,将数据和待辨识标签对应起来;第三步,将数据分为训练数据、验证数据和测试数据三部分:选取其中的部分数据A×B×a%作为深度学习网络模型的训练数据,另一部分数据A×B×b%作为深度学习网络模型的验证数据,剩下部分数据A×B×(1-a%-b%)作为深度学习网络模型的测试数据;
步骤3:创建和配置深度学习网络模型:
创建深度学习网络时,采用层组合的形式,降低深度学习网络模型的复杂度;实际中根据具体情况添加或修改一些层来配置网络模型,以达到所需要的准确率,深度学习网络模型包括:(1)一个信号输入层,将振动加速度数据输入至网络模型中;(2)一个或多个卷积处理层,用于提取振动数据的高维特征信息;其中,每个卷积处理层包括:(2.1)卷积层:用于学习和存储数据的特征信息;(2.2)批归一化层:用于将卷积层的输出结果进行归一化,提高卷积神经网络的训练速度;(2.3)Relu层:通过阈值函数实现数据的非线性处理;(2.4)最大池化层:实现数据的向下采样;(3)一个或多个递归处理层,用于学习经过卷积处理层处理的高维特征信息,其中,每个递归处理层包括:(3.1)递归层:用于学习和存储数据的特征信息,包括长短期记忆网络层LSTM和双向长短期记忆网络BiLSTM;(3.2)丢弃层:用于丢弃部分特征信息;(4)一个全连接层,用来综合递归处理层提取到的信息;(5)一个Softmax层,对全连接层输出结果进行归一化;(6)一个信号输出层,将前面各层处理后的数据输出为牵引电机轴承故障类型辨识及定位结果;
步骤4:训练深度学习网络模型:
首先,选择训练参数:包括指定求解器、最大训练迭代次数、最小批训练大小、学***方根RMSProp3种求解器;一次迭代是指训练算法完全通过整个训练数据集;所述最小批训练,是指同时在处理器上处理的训练数据集的子集;所述学习速率,是控制深度学习网络训练速度快慢的参数;所述网络训练处理器一般包括中央处理器CPU、图形处理器GPU和现场可编程门阵列FPGA3种处理器;指定好网络的训练参数后,利用训练数据集和验证数据训练深度学习网络模型并监控其训练进度;
步骤5:检查深度学习网络模型准确率并调整:
在训练深度学习网络模型时,经历若干次迭代后验证数据的准确率会不再提高,这意味着网络模型无法在一个解决方案上收敛,再也不能改进;此时将测试数据导入到网络模型中得到测试数据的准确率;若测试数据的准确率还未达到预期准确率,则返回到步骤3或步骤4,调整深度学习网络模型的配置或训练参数,重新进行迭代训练;
步骤6:导出深度学习神经网络模型;
当深度学习网络模型对测试数据的准确率达到预期值时,停止导出深度学习网络模型训练并导出;
第二阶段:轴承故障类型辨识及定位模型的推理阶段:
深度学习网络模型推理阶段实现牵引电机轴承故障类型的辨识及定位,一般包括以下3个步骤:
步骤1:电机振动信号采集及预处理:首先,实时采集待测牵引电机的振动数据;接下来对振动数据进行预处理;将数据进行切割,每份数据的时间间隔t1与深度学习网络模型构建和训练阶段的t相等;
步骤2:将数据导入深度学习神经网络模型:将数据导入第一阶段的步骤6得到的深度学习神经网络模型;
步骤3:获得故障类型辨识及定位结果:深度学***台上。
2.根据权利要求1所述的一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:第一阶段的步骤 1中预置牵引电机轴承故障及数量如下:
待辨识及定位类型一:传动端内圈故障;
待辨识及定位类型二:传动端外圈故障;
待辨识及定位类型三:传动端保持架故障;
待辨识及定位类型四:传动端滚子故障;
待辨识及定位类型五:非传动端内圈故障;
待辨识及定位类型六:非传动端外圈故障;
待辨识及定位类型七:非传动端保持架故障;
待辨识及定位类型八:非传动端滚子故障。
3.根据权利要求1所述的一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:第一阶段的步骤2中电机振动信号采集及预处理中,电机在随机转速下运行,转速范围为1000~4000 rpm;加速度传感器布置于牵引电机的传动端,方向为与地面垂直,采样率为25.6 kHz,每种类型故障各采集360秒的振动加速度数据;
每种类型故障数据时长为360秒,等长切割成1800份,每份数据长度为0.2秒,并对每份数据添加对应的类型故障标注;八种类型故障数据一共形成14400份带标注的数据集作为深度学习神经网络的数据集;选取其中的11520份数据作为网络的训练数据,其中每种类型故障数据各1440份;另外的1440份数据作为网络的验证数据,其中每种类型故障数据各180份;剩下的1440数据作为网络的测试数据,其中每种类型故障数据各180份。
4.根据权利要求1所述的一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:第一阶段的步骤3中,创建的深度学习网络模型由十一个不同的层组成;其中第一层为信号输入层Input,用于将振动信号输入到网络中;第二~七层为6个卷积处理层,用于辨识不同故障的特征;第二层为卷积处理层1,由卷积层CNN1、批归一化层BN1、Relu层ReLU1和最大池化层MaxPool1组成,设定本层的卷积核大小为16,池化大小为2;第三层为卷积处理层2,由卷积层CNN2、批归一化层BN2、Relu层ReLU2和最大池化层MaxPool2组成,设定本层的卷积核大小为24,池化大小为2;第四层为卷积处理层3,由卷积层CNN3、批归一化层BN3、Relu层ReLU3和最大池化层MaxPool3组成,设定本层的卷积核大小为32,池化大小为2;第五层为卷积处理层4,由卷积层CNN4、批归一化层BN4、Relu层ReLU4和最大池化层MaxPool4组成,设定本层的滤波器大小为48,池化大小为2;第六层为卷积处理层5,由卷积层CNN5、批归一化层BN5、Relu层ReLU5和最大池化层MaxPool5组成,设定本层的滤波器大小为64,池化大小为2;第六层为卷积处理层6,由卷积层CNN6、批归一化层BN6、Relu层ReLU6和最大池化层MaxPool6组成,设定本层的滤波器大小为96,池化大小为2;
第八层为一个递归处理层,用于学习经过卷积处理层处理的高维特征信息;由一个递归层和一个丢弃层组成;其中,递归层为一个含24个隐含单元的长短期记忆网络层LSTM,丢弃层Dropout的丢弃率设定为20%;
第九~十一层为一个全连接层FC、一个softmax函数层SoftMax和一个信号输出层Output组成,用于将深度学习网络模型输出为八种故障类型辨识及定位结果。
5.根据权利要求1所述的一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:第一阶段的步骤4中,训练深度学习网络模型,指定网络的求解器为随机梯度下降法SGDM;设置最大训练迭代数为20;指定最小批训练大小为64;设置初始学习率为0.02,每经过10次训练迭代学习率下降10%;指定训练处理器硬件为图形处理器GPU;将训练数据导入深度学习网络模型中并进行训练。
6.根据权利要求1所述的一种牵引电机轴承的故障类型辨识及定位方法,其特征在于:第一阶段的步骤5中,预期准确率为98%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409414.6A CN114330413A (zh) | 2021-11-25 | 2021-11-25 | 牵引电机轴承的故障类型辨识及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111409414.6A CN114330413A (zh) | 2021-11-25 | 2021-11-25 | 牵引电机轴承的故障类型辨识及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330413A true CN114330413A (zh) | 2022-04-12 |
Family
ID=81045894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111409414.6A Pending CN114330413A (zh) | 2021-11-25 | 2021-11-25 | 牵引电机轴承的故障类型辨识及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167749A (zh) * | 2023-04-23 | 2023-05-26 | 合肥荣叙科技有限公司 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
US20200380337A1 (en) * | 2019-05-30 | 2020-12-03 | Hongfujin Precision Electronics (Zhengzhou) Co., Ltd. | User terminal hardware detection system and method |
CN112508242A (zh) * | 2020-11-25 | 2021-03-16 | 中车永济电机有限公司 | 一种风力发电机轴承故障定位及分类模型的构建方法 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN113094978A (zh) * | 2021-03-20 | 2021-07-09 | 北京化工大学 | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 |
-
2021
- 2021-11-25 CN CN202111409414.6A patent/CN114330413A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
US20200380337A1 (en) * | 2019-05-30 | 2020-12-03 | Hongfujin Precision Electronics (Zhengzhou) Co., Ltd. | User terminal hardware detection system and method |
CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
CN111597996A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 |
CN112508242A (zh) * | 2020-11-25 | 2021-03-16 | 中车永济电机有限公司 | 一种风力发电机轴承故障定位及分类模型的构建方法 |
CN113094978A (zh) * | 2021-03-20 | 2021-07-09 | 北京化工大学 | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
许爱华;杜洋;袁涛;: "基于深度学习的电机轴承故障诊断研究", 组合机床与自动化加工技术, no. 03, 20 March 2020 (2020-03-20) * |
颉潭成;陈孟会;徐彦伟;李先锋;: "卷积神经网络在轴承故障识别的应用", 制造业自动化, no. 01, 25 January 2020 (2020-01-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167749A (zh) * | 2023-04-23 | 2023-05-26 | 合肥荣叙科技有限公司 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN116167749B (zh) * | 2023-04-23 | 2023-07-18 | 合肥荣叙科技有限公司 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
Lei et al. | Fault diagnosis of wind turbine based on Long Short-term memory networks | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
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 | |
CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN107631867A (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
CN111141517B (zh) | 风机故障诊断方法及*** | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理***、处理终端、介质 | |
CN114021932A (zh) | 风电机组的能效评价与诊断方法、***及介质 | |
Saeki et al. | Visual explanation of neural network based rotation machinery anomaly detection system | |
CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN111795819A (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测***和方法 | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
CN112816200A (zh) | 一种基于深度学习的旋转机械轴心轨迹识别方法 |
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 |