CN114595730A - 基于gaf-drsn的滚动轴承故障诊断方法 - Google Patents
基于gaf-drsn的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114595730A CN114595730A CN202210343221.3A CN202210343221A CN114595730A CN 114595730 A CN114595730 A CN 114595730A CN 202210343221 A CN202210343221 A CN 202210343221A CN 114595730 A CN114595730 A CN 114595730A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- rolling bearing
- model
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005096 rolling process Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 91
- 238000011176 pooling Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013467 fragmentation Methods 0.000 abstract description 8
- 238000006062 fragmentation reaction Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 54
- 238000010586 diagram Methods 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008602 contraction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000025174 PANDAS Diseases 0.000 description 4
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 4
- 240000004718 Panda Species 0.000 description 4
- 235000016496 Panda oleosa Nutrition 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F2218/04—Denoising
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于GAF‑DRSN的滚动轴承故障诊断方法，包括步骤：将大规模一维时间序列进行分片处理；基于格拉姆角场原理将分片后的一维时间序列信号转换为保留时间特征的二维图像；搭建DRSN神经网络模型；将通过一维时间序列转换得到的二维图像作为输入对DRSN网络进行训练，得到针对滚动轴承的故障诊断模型；将具有不同故障特征的滚动轴承数据进行混合搭建成二维数据集，作为测试，验证诊断模型的泛化能力。本发明克服了ResNet网络无法自适应提取故障特征中的时间特征的局限性和加强模型去除冗余信息的能力，提高模型诊断效果可靠性和诊断精确度。
Description
技术领域
本发明涉及振动信号分析处理和故障诊断技术领域，具体涉及一种基于GAF-DRSN(格拉姆角场-深度残差收缩网络)的滚动轴承故障诊断方法。
背景技术
随着当下工业技术的快速发展，机械设备愈加复杂化，人类难以涉足的区域如隧道、矿山等恶劣工作环境渐交由各种机械设备所取代，随之而来的问题就是为实现愈加复杂的功能，机械设备变得越来越精密智能巨大，设备结构变得更加复杂，零部件更加的繁多，于是在多变恶劣工作环境下，机械零件故障率大大增加。因此对机械设备各种零部件快速高效精准的故障诊断技术研究变得尤为重要。特别是在滚动轴承的故障诊断，虽然滚动轴承结构简单，故障特征只有滚珠、内外圈等几种损坏形式，但由于其几乎参与了所有环境下机械设备的运转，所以一旦无法即时诊断出轴承故障，将对工程施工或者企业生产造成无法预估的严重后果。因此，发展智能快速准确的轴承故障诊断方法成为当务之急。
传统的故障诊断方法更加的注重信号的前处理，在收集原始故障特征信息后进行信号预处理，主要方法如快速傅里叶变换、小波变换、奇异值分解、EMD分解等滤波方法等，再进行故障特征的提取，一般通过时频域分析，需要相对更大的时间精力，也过度依赖专家经验，在故障发生时往往不能得到及时的诊断，只能在故障发生后通过对故障特征进行事后分析。
当下常见的智能诊断方法是将处理完的故障特征作输入到BP神经网络、支持向量机或者结合K近邻算法等进行故障识别，虽然做到了自动识别故障特征，但是对输入故障特征的要求很高，对于前处理中的故障特征提取过程过度依赖专家经验，特征提取的优劣也受到专家水平的影响，使整个故障诊断***严重缺乏自适应性。在现下滚动轴承运行条件愈加复杂，故障特征信息更容易受到干扰的情况下，这些方法表现变得更加的不理想，愈难满足当下的工业需求。因此，需要降低多变工况下环境噪声对于重要故障特征提取的影响以及高精快速识别出故障种类。
人工智能技术在计算机视觉和自然语言处理等领域取得突破，而深度学习是这一巨大发展的突破关键，深度学习具有很强的学习能力，基于深度卷积神经网络的图像识别技术甚至已经超过普通人的肉眼。基于深度学习的故障诊断方法与传统的智能诊断方法相比，其可以从大量原始数据中自动提取深层特征，大大减少了故障诊断过程中对于专家先验知识的依赖。最初，CNN(Convolutional Neural Networks,卷积神经网络)非常适合用于故障特征识别，用于对多个故障标签的分类，然而绝大多数现有的研究成果中对于输入到网络中的数据形式大多是一维的振动信号或者是一维信号转换成的时域图，建立对应维度的卷积模型。更加优越的ResNet(Deep residual network,深度残差网络)神经网络借鉴Hight Network的跨层连接思想，通过shortcut将输入x恒等映射到下层卷积操作之前，这样就把原本的学习对象从目标值H(x)转变为残差形式H(x)-x，训练目标从降低损失值转变为逼迫残差向0移动，这样便使得网络层数增加的情况下，诊断准确率不受影响。然而，它们都不能自适应的提取故障特征中的时间特征，因此模型会忽略掉故障信息中的时间顺序，得到的诊断结果不能作为可靠输出，而且较为传统的一维卷积训练参数太大，模型不够轻量化，受制于硬件性能，在缺乏移动工作站或者移动工作站性能不佳的情况下会大大影响诊断性能，不能做到快速诊断。
发明内容
本发明提供一种基于GAF-DRSN的滚动轴承故障诊断方法，旨在克服ResNet网络无法自适应提取故障特征中的时间特征的局限性和加强模型去除冗余信息的能力，提高模型诊断效果可靠性和诊断精确度。
本发明为解决以上技术问题而提出以下技术方案：
本发明提出一种滚动轴承故障诊断方法，具体步骤如下：
S1、将采集到的原始振动信号进行数据预处理，分别对不同故障部位在不同载荷下得到的多个整段一维时间序列信号进行归一化操作，得到多段代表不同故障特征信息的一维时间序列信号；
S2、采用格拉姆角场将步骤S1得到的一维时间序列信号转换为二维灰度图像，将相同故障特征的灰度图像整合成数据总集，并对数据总集进行划分，得到满足诊断模型需求的训练集；
S3、建立深度残差收缩网络模型DRSN，包括残差模块、软阈值收缩模块、池化层、全连接层和输出层；
S4、将步骤S2的训练集导入步骤S3建立的DRSN模型进行训练，得到DRSN目标故障诊断模型；
S5、将不同故障特征的二维灰度图像混合打乱整合成为混编故障特征数据集，对DRSN 目标故障诊断模型进行测试，检验模型诊断的准确率；
S6、实时采集振动信号，输入检验后的故障诊断模型实现滚动轴承故障诊断。
进一步的，本发明所提出的滚动轴承故障诊断方法，步骤S2利用格拉姆角场将一维时间序列信号转换为二维灰度图像，具体步骤如下：
(1)将步骤S1得到的一维时间序列信号进行数据分片，得到多段一维时间序列片段；
(2)确保所有的时间序列幅值都落在[-1,1]区间内；
(3)将所分片的时间序列数据进行极坐标变换，变成极坐标形式数据；
(4)将极坐标化的时间序列数据通过格拉姆角场转换为保留时间特征的二维灰度图像。
进一步的，本发明所提出的滚动轴承故障诊断方法，将一维时间序列信号进行数据分片，具体步骤为：
(1)将一维时间序列导出为.csv文件；
(2)将大规模采样的数据进行等长分片。
进一步的，本发明所提出的滚动轴承故障诊断方法，一维时间序列的每个采样点都对应一个时间戳，将一维时间序列信号变换成极坐标形式数据的具体方法为：
其中，xi是归一化的自变量时间序列值，i是xi对应的时间戳，φi是第i个时间戳的极坐标信号极角，时间序列值xi保证值在[0,π]之间；r是第i个时间戳的极坐标信号的极半径；N是时间戳总数；通过计算半径变量，把[0,1]分成N等份，得到N+1个分割点{0，…，1}，将去0后的N个分割点和对应时间序列值xi关联起来。
进一步的，本发明所提出的滚动轴承故障诊断方法，格拉姆角场编码转化方法为：
将得到的极坐标角度值φi通过计算任意两个和或差的余弦值，从左上角向右下角进行编码，即得到格拉姆角场矩阵。
进一步的，本发明所提出的滚动轴承故障诊断方法，DRSN网络模型是包括残差模块、软阈值收缩模块、池化层、全连接层和输出层搭建的ResNet模型，其中，
残差模块：包含输入层、至少两层卷积层、一个批量标准化、输出层和恒等映射，所述卷积层卷积核尺寸为3×3，所述卷积层激活函数为ReLU激活函数，输出层采用Sigmoid激活函数，且采用l2对层间权值进行正则化；
软阈值收缩模块：通过软阈值化将输入数据向0进行收缩，获得去噪的输出数据作为新的输入数据；
池化层：池化方法为平均池化，池化核尺寸为2×2，池化步长为2；
全连接层：Dropout设为0.2，所述全连接层激活函数为ReLU函数；
输出层：激活函数为Softmax函数。
进一步的，本发明所提出的滚动轴承故障诊断方法，所述软阈值收缩模块函数及其导函数表示为：
其中，x表示输入特征，y表示输出特征，τ表示阈值。
进一步的，本发明所提出的滚动轴承故障诊断方法，所述ReLU函数为：
式中，ZReLU为ReLU函数；x为上层输入变量。
进一步的，本发明所提出的滚动轴承故障诊断方法，残差模块输出层所述Sigmoid函数为：
x定义域为(-∞，+∞)，将数值映射在(0，1)之间，输出表示概率。
进一步的，本发明所提出的滚动轴承故障诊断方法，输出层所述Softmax函数为：
所述Softmax函数具体分为两步：
其中，Wy是第y行的权值矩阵；WC是1到C上的某一权值矩阵；fy是正确类别对应的线性得分函数，即Wy.x；fZ是计算1到n上的所有线性得分P是正确类别对应的Softmax 输出；
将第y行W乘以对应的上层输入变量x并计算所有从1到n的fy；
将计算完成的fy导入预测模型得到归一化的概率值。
本发明采用以上技术手段，与现有技术相比具有以下技术效果：
1.本发明方法涉及输入数据集类型改变，通过简单处理一维振动信号，转换输入维度，降低了网络的训练难度，增加训练速度，从而提高了目标诊断模型的诊断速度。
2.本发明方法涉及输入数据内容改变，同维度输入数据下，改变了现有常用的时域图像作为训练数据的方法，通过格拉姆角场转换得到的二维时序图可以保留数据信息对于时间的依赖性，提高目标诊断模型诊断结果的可靠性。
3.本发明方法涉及DRSN网络模型诊断注意力机制改进，在格拉姆角场输出数据时对二维时序图像进行灰度处理，一定程度上解决多通道训练参数巨大的问题，加快模型训练速度。
4.本发明方法涉及采用DRSN网络模型对二维灰度时序图进行学习，其中的残差模块改变训练目标评价标准，学习对象从目标值转变为残差值，增加网络深度且不降低诊断精确度，其中收缩模块即普通的软阈值函数起到去除冗余信息的效果，提高故障特征信息纯净度。
附图说明
图1是本发明提供的实施基于GAF-DRSN的滚动轴承故障诊断方法的总体流程图。
图2是本发明实施大规模一维时间序列数据分片操作图。
图3是格拉姆角场将一维时间序列数据转换为二维时序图操作图。
图4是本发明提供的DRSN网络模型的实施例主体结构图。
图5是本发明提供的DRSN网络模型的一个实施例的改进残差模块图。
图6是本发明实施所分数据集对网络模型训练方法和目标诊断模型测试方法示意图。
具体实施方式
下面结合本发明附图对整个实施例中的技术方案进行详细的叙述。本发明的实施例仅用于对本发明进行说明，并非必须实施条件，凡是根据本发明原理进行变形修正的其他实施例，均在本发明的保护范围之内。
本发明提供了一种基于GAF-DRSN的滚动轴承故障诊断方法，该方法在输入数据类型上面，一改传统的原始振动信号直接作为输入数据的方式，而是将原始故障数据进行分片处理后再做维度转换，不仅最大程度的保留了原始故障数据信息，并且保留了原始数据对于时间的依赖性，提高了诊断结果的可靠性。又通过DRSN网络模型学习输入数据中的深层特征，通过收缩模块(shrinkage)去噪，增加重要故障信息的纯净度，实现整个诊断模型的各阶段特征信息处理的快速准确。
本发明提供一种基于GAF-DRSN的滚动轴承故障诊断方法，具体步骤如下：
(1)对采集到的原始振动信号进行数据预处理，对整段一维时间序列信号进行归一化操作，确保所有对应时间戳幅值都落在[-1,1]之间，然后对不同故障特征信息的一维时间序列重复上述操作，得到多段待用一维时间序列；所述故障特征包括内外圈、滚子和保持架故障；
(2)对于步骤(1)得到的一维时间序列信号利用python数据库中的openpyxl和pandas 进行等长数据分片，确保生成的单张二维时序图包含的故障特征信息足够，单个故障特征数据集规模满足模型训练要求：
(2.1)将一维时间序列信号导出.csv表格形式；
(2.2)利用python数据库中的openpyxl和pandas将120000+规模采样的数据进行等长分片，考虑故障特征的稀疏性及后续网络所需求的数据集规模，每段分配800采样点的数据；
(3)对于步骤(2)得到的多段一维时间序列片段，通过格拉姆角场将其编码为二维图像：
(3.1)所述多段一维时间序列片段的每个采样点都对应一个时间戳，通过反余弦函数对对应时间戳数值进行运算，使时间特征和故障信息特征极坐标化，所述确保归一的一维时间序列信号进行极坐标化的具体方法为：
整个极坐标化过程考虑两个变量，时间序列的值xi及对应的时间戳i，φi是第i个时间戳的极坐标信号极角，通过所述方法进行计算，归一化的自变量时间序列值xi保证值在 [0,π]之间；r是第i个时间戳的极坐标信号的极半径；N是所述时间序列片段的时间戳总数。通过计算半径变量，把[0,1]分成N等份，得到N+1个分割点{0，…，1}，将去0后的N 个分割点和对应时间序列值xi关联起来；
(3.2)为了能够保证所述格拉姆角场转换方法能够同时保证保留两个角度给到的信息，将得到的极坐标角度值φi通过计算任意两个和或差的余弦值，从左上角向右下角进行编码，即得到格拉姆角场矩阵(GAF Metric)，前后方法分别定义为Summation和Difference，称为格拉姆差场(GADF)和格拉姆和场(GASF)，所述格拉姆角场编码转化方法为：
(4)将所述步骤(3)中4种不通故障部位在4种不同载荷下的得到的故障特征，总计16种工况下的故障一维时间序列数据片段转换为的二维时序图进行数据集整理，得到保留时间依赖性的二维图像数据总集，并对数据总集进行划分，得到，满足诊断模型需求的训练集和测试集；
(5)搭建DRSN网络模型，所述DRSN网络模型应包括残差模块、软阈值收缩模块、池化层、全连接层和输出层：
(5.1)所述残差模块包含输入层、至少两层卷积层、一个批量标准化和恒等映射，所述卷积层卷积核尺寸为所述卷积层激活函数为ReLU激活函数，输出层采用Sigmoid激活函数，且采用l2对层间权值进行正则化；
(5.2)所述软阈值收缩模块，通过软阈值化将输入数据向0进行收缩，获得去噪的输出数据作为新的输入数据；
(5.3)所述池化层池化方法为平均池化，池化核尺寸为2×2，池化步长为2；
(5.4)所述全连接层Dropout设为0.2，所述全连接层激活函数为ReLU函数；
在本发明一种可能的实现方式中，所述ReLU函数为：
式中，ZReLU为ReLU函数；x为上层输入变量。
(5.5)在本发明一种可能的实现方式中，所述Sigmoid函数为：
x定义域为(-∞，+∞)，将数值映射在(0，1)之间，输出表示概率；
(5.6)所述输出层激活函数为Softmax函数。
在本发明的一种可能实现的方式中，所述Softmax函数为：
所述Softmax函数具体分为两步：
将第y行W乘以对应的上层输入变量x并计算所有从1到n的fy；
将计算完成的fy导入预测模型得到归一化的概率值。
(6)将步骤(4)所述数据集导入步骤(5)建立的DRSN模型进行训练，得到目标故障诊断模型，并通过步骤(4)所述测试集对目标故障诊断模型进行测试，检验模型诊断的准确率。
本发明步骤(2)通过python数据库中的openpyxl和pandas模块将一维时间序列数据信号进行等长分片，得到满足步骤(5)中所建立的DRSN网络模型训练数据集规模的要求。
本发明步骤(3)中通过格拉姆角场将所述分片完成的一维时间序列等长片段编码为二维时序图像，其中格拉姆角场包含GASF和GADF两种方法。
本发明步骤(5)中所建立的DRSN网络模型对二维时序图像进行识别分类：数据集规模等于一维时间序列片段规模，由一维时间序列经过极坐标化，然后通过格拉姆角场转换得到，按照需求分为训练集和测试集，训练集用于训练DRSN网络模型以得到目标故障诊断模型，测试集用于测试目标故障诊断模型的诊断性能。
下面结合一个实施例进行详尽说明。
实施例：将本发明的基于GAF-DRSN的滚动轴承故障诊断方法应用于对风扇端滚动轴承变载荷工况下不同故障特征的识别分类。本实施例的数据集来自美国凯斯西储大学轴承故障数据中心，所有数据均是传感器采集到的原始振动信号。实施工作流程如下：
(1)如图1所示，为本发明提供的实施基于GAF-DRSN的滚动轴承故障诊断方法的总体流程图，具体步骤包括：
(1.1)将大规模的一维时间序列信号数据进行数据分片；
(1.2)利用格拉姆角场将故障一维时间序列信号转化为二维图像，保留了数据对于时间的依赖性，并进行灰度处理；
(1.3)建立DRSN网络模型；
(1.4)通过相当数量故障特征二维时序图对模型进行训练，得到DRSN故障诊断模型；
(1.5)通过多种故障特征一维时间序列混编得到的二维灰度图像数据集对模型进行测试，验证模型的泛化能力。
本发明提供一种基于GAF-DRSN的滚动轴承故障诊断方法，采用格拉姆角场将滚动轴承故障的一维时间序列信息转换为保留时间特征的二维时序图，在输出过程中对时序图进行灰度处理，二维时序图保留了采样过程中故障相对于时间的特征，可以让设计的目标故障诊断模型的诊断效果更加具有可靠性，经过灰度处理的二维时序图，作为本发明提供的初始DRSN网络模型的训练数据可以缓解通道间参数运算的复杂性，减少训练参数，良好提升模型的诊断速度和诊断性能。所建立的初始DRSN模型，与普通的ResNets网络相比，改进了其残差模块，在其中增加了收缩模块即信号处理中十分常见的软阈值函数，在通道间逐层共享阈值，去除冗余信息，提高了故障特征信息的纯净度，使目标诊断模型的诊断准确率进一步提升。
(2)如图2所示，为本发明实施大规模一维时间序列数据分片操作图，凯斯西储大学轴承数据中心采集到的原始振动信号是规模巨大的一维时间序列信号，首先对此大规模数据进行数据等长分片。
首先将原始振动信号按照采样时间戳的顺序导出到.csv表格，为接下来的数据分片做准备。其中，轴承原始故障振动信号分为4种不通故障部位在4种不同载荷下的得到的故障特征，总计16种工况，每种工况下传感器的采样点数为120000。再利用python数据库中的openpyxl和pandas将120000规模采样的数据进行等长分片，考虑故障特征的稀疏性及后续网络所需求的数据集规模，每段分配800采样点的数据，再将等长分片后的一维时间序列片段输入到对每个工况下的故障特征建立文件夹，分片后的一维时间序列.csv格式片段存储在当前目录下，共计16个文件夹，为下面的基于格拉姆角场原理进行数据重构做准备。
(3)如图3所示为步骤(1.2)的操作，本发明基于格拉姆角场原理将多段一维时间序列片段进行数据重构，将其编码为保留了时间依赖性的二维时序灰度图像。
所述多段一维时间序列片段的每个采样点都对应一个时间戳，首先通过反余弦函数对对应时间戳数值进行运算，使时间特征和故障信息特征极坐标化，所述确保归一的一维时间序列信号进行极坐标化的具体方法为：
整个极坐标化过程考虑两个变量，时间序列的值xi及对应的时间戳i，φi是第i个时间戳的极坐标信号极角，通过所述方法进行计算，归一化的自变量时间序列值xi保证值在 [0,π]之间；r是第i个时间戳的极坐标信号的极半径；800是所述一维时间序列片段的时间戳总数。通过计算半径变量，把[0,1]分成800等份，得到801个分割点{0，…，1}，将去0 后的800个分割点和对应时间序列值xi关联起来；为了能够保证所述格拉姆角场转换方法能够同时保证保留两个角度给到的信息，将得到的极坐标角度值φi通过计算任意两个和或差的余弦值，从左上角向右下角进行编码，即得到格拉姆角场矩阵(GAF Metric)，前后方法分别定义为Summation和Difference，称为格拉姆差场(GADF)和格拉姆和场(GASF)，所述格拉姆角场编码转化方法为：
其中，为保证故障特征数据重构的一致性，均采用GASF进行操作。为满足网络模型输入，省却多余数据预处理，轻量化网络，将输入图片尺寸定为28×28。
(4)如图4所示为本发明基于GAF-DRSN的滚动轴承故障方法中初始DRSN网络主体结构示意图，在此实施例中，初始DRSN网络模型应包含一个输入层；多个改进残差模块，每个残差模块至少包含2层卷积层，1层池化层，一个恒等映射和收缩模块；两层全连接层以及输出层；
残差模块包含输入层、至少两层卷积层、一个批量标准化、输出层和恒等映射，所述卷积层卷积核尺寸为所述卷积层激活函数为ReLU激活函数，卷积层卷积核尺寸为3×3，步长为1，输出层激活函数为Sigmoid函数；
其中软阈值收缩模块，通过软阈值化将输入数据向0进行收缩，获得去噪的输出数据作为新的输入数据；
池化层池化方法为平均池化，池化核尺寸为2×2，池化步长为2；
全连接层部分采用杀灭函数，Dropout设为0.2，随机杀灭20％的神经元数量，以防止过拟合现象，全连接层激活函数为ReLU函数；
输出层采用更适合处理多分类任务使用的Softmax激活函数。
进一步具体说明，本实施例中，所建立DRSN网络模型，每个残差模块中包含2层卷积层、1层池化层、输出层，如图5所示为改进后的残差模块，其中改进部分为添加的收缩模块，即传统信号处理中最常用的软阈值函数，采用通道逐层共享阈值的方法；
卷积层用于提取图像特征，每层卷积层包含8个3×3的卷积核，卷积步长设置为1，不设置边缘填充，卷积层的激活函数选用ReLU激活函数；
池化层用于降采样，降低参数规模，池化层选用平均池化方法，池化核尺寸为2×2，池化步长为2，同样不设置边缘填充。
残差模块输出层用于分类输出数据，采用Sigmoid激活函数，采用l2对层间权值进行正则化；
全连接层第一层神经元个数设置为1024，第二层神经元个数为64，第二层全连接层采用杀灭函数(Dropout)的方法防止过拟合，随即杀灭神经元占比设置为0.2；
输出层用于故障诊断分类，输出层的神经元个数设置为4，与故障则特征种类一致。
各激活函数具体为：
ReLU函数为：
式中，ZReLU为ReLU函数；x为上层输入变量；
Sigmoid函数为：
x定义域为(-∞，+∞)，将数值映射在(0，1)之间，输出表示概率；
Softmax函数为：
所述Softmax函数具体分为两步：
将第y行W乘以对应的上层输入变量x并计算所有从1到n的fy；
将计算完成的fy导入预测模型得到归一化的概率值。
(5)如图6所示为本发明实施所分数据集对网络模型训练方法和目标诊断模型测试方法示意图。
对16个文件夹进行整理，得到轴承内圈故障特征二维时序灰度图像5620张(包含4种不同载荷工况，轴承转速稳定在1700rpm到1800rpm之间)，轴承外圈5620张，滚珠 5620张，正常运转5620张，共计22480张。首先将四种特征数据集分别编成数据集A、B、 C、D，每个数据集又分为训练集和测试集，随机选择5000张作为训练集，620张作为测试集。然后建立混编数据总集，将所有工况下二维时序图随机打乱排列为一整个数据总集，再随机等规模划分为数据集1、2、3、4，每个混合数据集包含随机故障特征时序图5620 张；
利用数据集A、B、C、D中的训练集分别对DRSN初始模型进行训练，得到相应的目标诊断模型，再利用对应数据集中的测试集进行测试，测试目标诊断模型对于不同故障特征的诊断能力；
利用混编数据集1、2、3、4对DRSN网络模型采用交叉验证的方法验证其故障诊断的泛化能力。采用数据集1、2、3作为训练集，数据集4作为验证集，同样采用数据集124 作为训练集，数据集3作为验证集，以此类推。如图6所示得到4组测试精度，取平均测试精度，表示为目标诊断模型的诊断性能。
本发明将滚动轴承的原始一维时间序列故障数据通过格拉姆角场转换成保留了时间依赖性的二维时序图，解决了1D-CNN训练不便、构建预测模型困难的问题，提高故障诊断结果的可靠性；在输出二维时序图时对其进行灰度处理，减少通道运算，省去了DRSN 中的通道注意力机制做法，大大减少了参数计算量，提高模型运算速度及精度；DRSN网络模型中的收缩模块即常见具有滤波作用的软阈值函数，对输入数据起到去除冗余信息的作用，进一步提高模型诊断精度。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种滚动轴承故障诊断方法，其特征在于，具体步骤如下：
S1、将采集到的原始振动信号进行数据预处理，分别对不同故障部位在不同载荷下得到的多个整段一维时间序列信号进行归一化操作，得到多段代表不同故障特征信息的一维时间序列信号；
S2、采用格拉姆角场将步骤S1得到的一维时间序列信号转换为二维灰度图像，将相同故障特征的灰度图像整合成数据总集，并对数据总集进行划分，得到满足诊断模型需求的训练集；
S3、建立深度残差收缩网络模型DRSN，包括残差模块、软阈值收缩模块、池化层、全连接层和输出层；
S4、将步骤S2的训练集导入步骤S3建立的DRSN模型进行训练，得到DRSN目标故障诊断模型；
S5、将不同故障特征的二维灰度图像混合打乱整合成为混编故障特征数据集，对DRSN目标故障诊断模型进行测试，检验模型诊断的准确率；
S6、实时采集振动信号，输入检验后的故障诊断模型实现滚动轴承故障诊断。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，步骤S2利用格拉姆角场将一维时间序列信号转换为二维灰度图像，具体步骤如下：
(1)将步骤S1得到的一维时间序列信号进行数据分片，得到多段一维时间序列片段；
(2)确保所有的时间序列幅值都落在[-1,1]区间内；
(3)将所分片的时间序列数据进行极坐标变换，变成极坐标形式数据；
(4)将极坐标化的时间序列数据通过格拉姆角场转换为保留时间特征的二维灰度图像。
3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，将一维时间序列信号进行数据分片，具体步骤为：
(1)将一维时间序列导出为.csv文件；
(2)将大规模采样的数据进行等长分片。
4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于，一维时间序列的每个采样点都对应一个时间戳，将一维时间序列信号变换成极坐标形式数据的具体方法为：
其中，xi是归一化的自变量时间序列值，i是xi对应的时间戳，φi是第i个时间戳的极坐标信号极角，时间序列值xi保证值在[0,π]之间；r是第i个时间戳的极坐标信号的极半径；N是时间戳总数；通过计算半径变量，把[0,1]分成N等份，得到N+1个分割点{0，…，1}，将去0后的N个分割点和对应时间序列值xi关联起来。
5.根据权利要求4所述的滚动轴承故障诊断方法，其特征在于，格拉姆角场编码转化方法为：
将得到的极坐标角度值φi通过计算任意两个和或差的余弦值，从左上角向右下角进行编码，即得到格拉姆角场矩阵。
6.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，DRSN网络模型是包括残差模块、软阈值收缩模块、池化层、全连接层和输出层搭建的ResNet模型，其中，
残差模块：包含输入层、至少两层卷积层、一个批量标准化、输出层和恒等映射，所述卷积层卷积核尺寸为3×3，所述卷积层激活函数为ReLU激活函数，输出层采用Sigmoid激活函数，且采用l2对层间权值进行正则化；
软阈值收缩模块：通过软阈值化将输入数据向0进行收缩，获得去噪的输出数据作为新的输入数据；
池化层：池化方法为平均池化，池化核尺寸为2×2，池化步长为2；
全连接层：Dropout设为0.2，所述全连接层激活函数为ReLU函数；
输出层：激活函数为Softmax函数。
7.根据权利要求6所述的滚动轴承故障诊断方法，其特征在于，所述软阈值收缩模块函数及其导函数表示为：
其中，x表示输入特征，y表示输出特征，τ表示阈值。
8.根据权利要求6所述的滚动轴承故障诊断方法，其特征在于，所述ReLU函数为：
式中，ZReLU为ReLU函数；x为上层输入变量。
9.根据权利要求6所述的滚动轴承故障诊断方法，其特征在于，残差模块输出层所述Sigmoid函数为：
x定义域为(-∞，+∞)，将数值映射在(0，1)之间，输出表示概率。
10.根据权利要求6所述的滚动轴承故障诊断方法，其特征在于，输出层所述Softmax函数为：
所述Softmax函数具体分为两步：
其中，Wy是第y行的权值矩阵；WC是1到C上的某一权值矩阵；fy是正确类别对应的线性得分函数，即Wy.x；fZ是计算1到n上的所有线性得分P是正确类别对应的Softmax输出；
将第y行W乘以对应的上层输入变量x并计算所有从1到n的fy；
将计算完成的fy导入预测模型得到归一化的概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343221.3A CN114595730A (zh) | 2022-03-31 | 2022-03-31 | 基于gaf-drsn的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343221.3A CN114595730A (zh) | 2022-03-31 | 2022-03-31 | 基于gaf-drsn的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595730A true CN114595730A (zh) | 2022-06-07 |
Family
ID=81813455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210343221.3A Pending CN114595730A (zh) | 2022-03-31 | 2022-03-31 | 基于gaf-drsn的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595730A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008756A (zh) * | 2023-03-15 | 2023-04-25 | 国网福建省电力有限公司 | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 |
| CN117495812A (zh) * | 2023-11-08 | 2024-02-02 | 哈尔滨工程大学 | 一种滚动轴承故障诊断方法 |
| CN118194025A (zh) * | 2024-05-15 | 2024-06-14 | 山东科技大学 | 基于迁移学习的燃料电池水故障诊断方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN113392749A (zh) * | 2021-06-07 | 2021-09-14 | 武汉理工大学 | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 |
| KR102309559B1 (ko) * | 2020-06-17 | 2021-10-07 | 광주과학기술원 | 전동기 권선 결함 진단 방법 |
| CN113780412A (zh) * | 2021-09-10 | 2021-12-10 | 齐齐哈尔大学 | 故障诊断模型训练方法、***及其诊断方法、*** |
-
2022
- 2022-03-31 CN CN202210343221.3A patent/CN114595730A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102309559B1 (ko) * | 2020-06-17 | 2021-10-07 | 광주과학기술원 | 전동기 권선 결함 진단 방법 |
| CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN113392749A (zh) * | 2021-06-07 | 2021-09-14 | 武汉理工大学 | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 |
| CN113780412A (zh) * | 2021-09-10 | 2021-12-10 | 齐齐哈尔大学 | 故障诊断模型训练方法、***及其诊断方法、*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008756A (zh) * | 2023-03-15 | 2023-04-25 | 国网福建省电力有限公司 | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 |
| CN117495812A (zh) * | 2023-11-08 | 2024-02-02 | 哈尔滨工程大学 | 一种滚动轴承故障诊断方法 |
| CN118194025A (zh) * | 2024-05-15 | 2024-06-14 | 山东科技大学 | 基于迁移学习的燃料电池水故障诊断方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114595730A (zh) | 基于gaf-drsn的滚动轴承故障诊断方法 | |
| CN109639739B (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
| CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及*** | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| Lu et al. | A novel feature extraction method using deep neural network for rolling bearing fault diagnosis | |
| CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
| CN107643181B (zh) | 一种基于图像识别的滚动轴承变工况故障诊断方法 | |
| CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN113705396B (zh) | 一种电机故障诊断方法、***及设备 | |
| CN109492610B (zh) | 一种行人重识别方法、装置及可读存储介质 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
| CN114861740B (zh) | 基于多头注意力机制的自适应机械故障诊断方法及*** | |
| Zhang et al. | A new method for diagnosing motor bearing faults based on Gramian angular field image coding and improved CNN-ELM | |
| CN110704662A (zh) | 一种图像分类方法及*** | |
| CN112036511A (zh) | 基于注意力机制图卷积神经网络的图像检索方法 | |
| CN116910752A (zh) | 一种基于大数据的恶意代码检测方法 | |
| CN116612308A (zh) | 一种异常数据检测方法、装置、设备及存储介质 | |
| CN116152611A (zh) | 一种多级多尺度点云补全方法、***、设备及存储介质 | |
| CN114544172A (zh) | 基于深度置信网络的旋转机械故障诊断方法、***及介质 | |
| CN116756225B (zh) | 一种基于计算机网络安全的态势数据信息处理方法 | |
| CN116735206A (zh) | 基于吸引子和卷积神经网络的轴承摩擦状态识别方法 | |
| CN110750876A (zh) | 一种轴承数据模型训练及使用方法 | |
| Rui et al. | Data Reconstruction based on supervised deep auto-encoder | |
| CN116698410B (zh) | 一种基于卷积神经网络的滚动轴承多传感器数据监控方法 |
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 |