CN115525866A - 一种深度学习滚动轴承故障诊断方法及*** - Google Patents

一种深度学习滚动轴承故障诊断方法及*** Download PDF

Info

Publication number
CN115525866A
CN115525866A CN202211054027.XA CN202211054027A CN115525866A CN 115525866 A CN115525866 A CN 115525866A CN 202211054027 A CN202211054027 A CN 202211054027A CN 115525866 A CN115525866 A CN 115525866A
Authority
CN
China
Prior art keywords
fault
rolling bearing
data
characteristic matrix
topological
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
Application number
CN202211054027.XA
Other languages
English (en)
Inventor
李沂滨
汪雨晴
宋艳
郑维红
李沐阳
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 CN202211054027.XA priority Critical patent/CN115525866A/zh
Publication of CN115525866A publication Critical patent/CN115525866A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Discrete Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于旋转机械技术领域，提供了一种深度学习滚动轴承故障诊断方法及***。该方法包括，获取滚动轴承故障数据；对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；基于故障特征矩阵，采用故障分类网络，得到故障分类结果。本发明可以提取到互补的故障特征并可以提高模型诊断精度，并且在强噪声背景下模型具有更强的鲁棒性。

Description

一种深度学习滚动轴承故障诊断方法及***
技术领域
本发明属于旋转机械技术领域，尤其涉及一种深度学习滚动轴承故障诊断方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
旋转机械是现代机械设备的重要组成部分，应用范围覆盖电力、冶金、石化、机械制造和航空航天等领域。在各类旋转机械中，连接设备运动部件和固定部件的滚动轴承是必不可少的关键零部件，在工业领域被誉为“工业关节”。因此，对旋转机械核心部件滚动轴承进行有效的健康监测与故障诊断，对保障机械设备安全稳定的运行有着重要的理论意义和实际应用价值。据相关资料表明，旋转机械发生故障的来源大约30％-40％发生在滚动轴承等零部件上。一旦滚动轴承发生故障，有可能导致整个机械设备无法运行，甚至可能导致严重的经济损失和人员伤亡事故。
近年来，基于深度学习的故障诊断技术在轴承故障诊断领域取得了巨大的成功，解决了传统故障诊断方法在一定程度上依赖人工经验提取特征的问题，从而提高了诊断模型的准确率和自动化程度。2010年以来，深度学习在轴承故障诊断领域取得了巨大的成功，解决了传统故障诊断方法在一定程度上依赖人工经验提取特征的问题，从而提高了诊断模型的精度和自动化程度。常见深度学习模型主要有自动编码器、卷积神经网络、深度信念网络和长短时记忆网络。越来越多的学者将深度学习技术引入到轴承故障诊断中来，这些深层模型在轴承健康状态检测中表现出了强大的性能。
但当前故障诊断方法存在着一定的局限性：
一、基于深度学习的故障诊断方法通常使用卷积层进行特征提取，这种方式只能挖掘数据与其邻域数据点之间的关系进而得到数据特征，但缺乏对全局数据之间相互关系的度量，使得数据信息未被充分提取，导致故障特征代表性、表达性较差，且若只考虑单一尺度下的故障特征，会导致特征提取过程中存在特征缺失或冗余，从而导致故障诊断模型特征表达不够完备，模型诊断准确率较低。
二、在实际工业场景中，采集到的信号除被监测轴承所产生的信号外，故障特征信号易受***中其它部件干扰。在高速、重载等恶劣运行环境下，在传输过程中引入的随机干扰更加严重，利用传感器收集到的信号数据除了相应的特征成分，往往伴随着强烈的冗余噪声，故障特征微弱，难以提取，故障模型诊断精度低、泛化能力弱。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种深度学习滚动轴承故障诊断方法及***，其可以提取到互补的故障特征并可以提高模型诊断精度，并且在强噪声背景下模型具有更强的鲁棒性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种深度学习滚动轴承故障诊断方法。
一种深度学习滚动轴承故障诊断方法，包括：
获取滚动轴承故障数据；
对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
本发明的第二个方面提供一种深度学习滚动轴承故障诊断***。
一种深度学习滚动轴承故障诊断***，包括：
数据获取模块，其被配置为：获取滚动轴承故障数据；
第一特征提取模块，其被配置为：对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
第二特征提取模块，其被配置为：对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
特征融合模块，其被配置为：采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
故障分类模块，其被配置为：基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的深度学习滚动轴承故障诊断方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的深度学习滚动轴承故障诊断方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提出了基于拓扑数据分析和快速傅里叶变换的深度学习轴承故障诊断模型，该模型对同一信号源使用两个方法并行进行特征提取，得到拓扑特征以及频域特征，两组特征相互补充，不仅可以避免数据降维时的投影损失，还可以捕捉全局数据之间更为丰富的模式。该模型利用了拓扑数据分析能够在拓扑空间中计算不同尺度的拓扑学特征，其中在多个尺度下持续出现的拓扑特征被认为是原数据真实的表征，反之则被认为是噪声带来的误差的优势，有效排除了噪声的干扰。将两组特征进行融合后，经过卷积神经网络进行故障分类，模型实现了端到端的故障诊断模式。本发明可以提取到互补的故障特征并可以提高模型诊断精度，并且在强噪声背景下，具有更强的鲁棒性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一示出的故障诊断模型算法流程图；
图2是本发明实施例一示出的拓扑数据分析处理流程图；
图3是本发明实施例一示出的快速傅里叶变换特征转换方式示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种深度学***台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取滚动轴承故障数据；
对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
本实施例的具体方案可参考以下内容实现：
步骤1：
以凯斯西储大学的轴承故障振动数据集为例，凯斯西储数据集主要包含三种类型的故障数据和正常轴承数据。其中，三种故障类型分别为滚动体故障、内圈故障和外圈故障。每种类型的故障数据又包含不同的工况和运行参数，如电机转速(1730rpm、1750rpm、1772rpm、1797rpm)、不同故障点的三种故障尺寸(7mil、14mil、21mil)、不同负载情况(0HP、1HP、2HP、3HP)和采样频率(12kHz、48kHz)。实验使用驱动端轴承采集频率为12kHz，电动机在1797rpm转速和四种不同的负载条件下收集振动信号。将振动数据切片成尺寸为(4096,1)的向量作为一个输入样本，并将数据样本归一化至[0,1]区间。
步骤2：
对每段原始振动数据样本进行拓扑数据分析以提取拓扑特征。该过程分为三部分：首先将信号样本在高维空间中重构成为数据点云，其次，对数据点云进行持续同调，构建Vietoris-Rips复形并生成持久性图表来表示对应的拓扑特征。最后，将持久性图表向量化得到最终的持久性图片，作为后续分类网络输入的一部分。
对于给定时间序列x(t),t＝1,2,K,n(n为数据样本的长度)，通过嵌入时间延迟向量将原时间序列重构为yi(d)＝(xi,xi+τ,K,xi+(d-1)τ),i＝1,2,K,N-(d-1)τ，其中，τ是时延参数，d是嵌入维数，yi(d)是指嵌入维数为d时的第i个重构向量。工程实际中的有限长时间序列都会受到噪声的干扰，时延参数τ和嵌入维数d必须要根据实际的情况来选取合适的值。目前没有已知的最佳方法来估计τ和d，本实施例使用交互信息法确定时间延迟参数τ，使用Cao法选定嵌入维度d。
交互信息法需要先找到时间序列的最大值xmax和最小值xmin，式(1)中pk表示第k个时间样本数据中一个元素的概率，pj,k为xi在第j个时间样本中且xi+τ在第k个时间样本中的概率，交互信息定义为：
Figure BDA0003824830950000071
其中，nbins为时间序列的总样本数。最佳时延参数τ即为I(τ)第一个最小值。
Cao法中定义：
Figure BDA0003824830950000072
其中，||·||为向量范数，本实施例使用最大范数：
Figure BDA0003824830950000081
a(i,d)为样本数据点在各嵌入维度下的最近邻点的距离变化值。yi(d+1)是嵌入维数为d+1的第i个重构向量，yn(i,d)(d)是yi(d)在上述定义距离||·||离yi(d+1)最近的向量，其中，n(i,d)为整数且1≤n(i,d)≤N-dτ。设E(d)为所有a(i,d)的均值，式(4)定义为：
Figure BDA0003824830950000082
E(d)仅与维数d和时延τ相关。为了研究其从d到d+1的变化，定义：
E1(d)＝E(d+1)/E(d) (5)
若当d大于d0时，E1(d)停止变化，则d0+1为最小嵌入维度。本实施例使用τ＝8，d＝3的时延嵌入参数设置，将原始轴承信号在三维空间中重构成数据点云。
对生成的数据点云中的数据点构建Vietoris-Rips复形进行持续同调生成持久性图表。持续同调是一种识别数据的形状并找到在一定范围内稳定的几何结构的方法，它不需要在“信号”和“噪声”之间人为地进行区分，所有从数据中产生的拓扑特征都会被保留，并根据它们的持久性分配“权重”。越显著、越重要的拓扑特征，在持久性图表中的坐标就越远离对角线。其中在多个尺度下持续出现的拓扑特征被认为是原数据的真实表征，反之则被认为是噪声带来的误差。因此，拓扑数据分析非常适合在具有噪声干扰的场景中使用。
Vietoris-Rips复形的定义如下：如果在d维空间中有一个点集P，那么比例ε的Vietoris-Rips复形Vε(P)定义为：
Figure BDA0003824830950000083
即比例ε下的Vietoris-Rips复形是集合Vε(P)的P的所有子集σ，也就是说σ中任何不同点之间的距离不大于参数ε。
随着ε由0到正无穷不断变化，持续同调观察复形中结构的变化情况并记录结构出现和消失的时间点。持续同调的结果可以表示为出生时间和死亡时间，二者成对出现。持久性图表是持续同调结果的一种表示方式，每一对出生和死亡的时间点都会形成一个间隔，每个间隔(a,b)由R2中的坐标点(a,b)表示。直观上看，持久性图表中距对角线越远的点，表示该拓扑特征持续的时间越长，因此表明该拓扑特征越重要，这意味着这些特征是数据固有结构的表示，有效排除了噪声的干扰。
由于持久性图表是多集结构，不适合进行统计分析，持久性图片是持久性图表的有限维向量表示，因此，本实施例使用持久性图片来最终表示提取到的拓扑特征。在得到持久性图表后，设B为持久性图表的出生-死亡坐标轴。T:R2→R2为线性变换T(x,y)＝(x,y-x)，T(B)为出生-死亡坐标轴中变换后的多集结构。其中，每个点(x,y)∈B与每个点(x,y-x)∈T(B)相对应。设Φu:R2→R为均值u＝(ux,uy)∈R2的可微概率分布。本实施例使用标准对称高斯分布作为该分布，均值为u，方差为σ2。同时，固定一个非负的权重函数f:R2→R沿水平轴为零。根据上述的定义和函数，可以通过公式(6)将持久性图表转换为持久性表面，再根据公式(7)将持久性表面转换为持久性图片。
ρB:R2→R,ρB(z)＝∑u∈T(B)f(u)Φu(z) (6)
I(ρB)p＝∫∫ρBdydx (7)
本实施例将持久性图片的大小设置为(64,64)，与快速傅里叶变换后生成的频域特征相融合，图2展示了拓扑数据分析提取特征的流程。
同样地，并行地对每段原始振动数据样本进行快速傅里叶变换并求其模值，得到变换后的序列X(N)＝{X1*n,X2*n,K,X4096*n}，n为样本数目。将序列X(N)使用图3的方式转换成(64,64)的向量构成频域特征图，与拓扑数据分析得到的拓扑特征进行自特征融合作为卷积神经网络的输入。
拓扑数据分析和快速傅里叶变换提取特征后，得到两组故障特征矩阵。模型采用卷积神经网络进行故障分类。两组故障特征矩阵尺寸大小均为(64,64)，但两组故障特征在权重系数分布和量级上存在一定的差异，若直接将两组特征简单进行拼接，互补的故障信息没有得到充分的挖掘和融合，使得诊断精度无法达到预期。因此，将两组特征作为卷积神经网络两个通道的输入矩阵，完成特征融合，得到故障特征矩阵。
步骤3：
分类网络采用卷积神经网络，卷积神经网络包含两个卷积层、两个池化层、两个批标准化层以及两个全连接层。故障特征矩阵通过卷积层变为一组特征图后再进行最大池化操作，将经过第二个池化层后得到的特征图与两个全连接层相连，输出故障分类结果。每层卷积核大小均为3×3，步长为1。两个池化层区域大小均为2×2，步长为2。两个全连接层的神经元个数分别为8192和512。
将故障矩阵数据拆分为训练集和测试集，训练集占样本总数的80％，测试集占样本总数的20％。使用交叉熵损失函数计算预测结果和真实故障类别之间的差异，并通过Adam优化器反向传播优化网络中的参数。使用测试集对已经训练好的模型进行精度测试。
实施例二
本实施例提供了一种深度学习滚动轴承故障诊断***。
一种深度学习滚动轴承故障诊断***，包括：
数据获取模块，其被配置为：获取滚动轴承故障数据；
第一特征提取模块，其被配置为：对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
第二特征提取模块，其被配置为：对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
特征融合模块，其被配置为：采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
故障分类模块，其被配置为：基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
此处需要说明的是，上述数据获取模块、第一特征提取模块、第二特征提取模块、特征融合模块和故障分类模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的深度学习滚动轴承故障诊断方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的深度学习滚动轴承故障诊断方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种深度学习滚动轴承故障诊断方法，其特征在于，包括：
获取滚动轴承故障数据；
对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
2.根据权利要求1所述的深度学习滚动轴承故障诊断方法，其特征在于，所述对每段滚动轴承故障数据进行拓扑数据分析具体包括：
将每段滚动轴承故障数据在高维空间中重构成为数据点云；
对数据点云进行持续同调，构建Vietoris-Rips复形并生成持久性图表来表示对应的拓扑特征；
将持久性图表向量化得到最终的持久性图片，即为拓扑特征矩阵。
3.根据权利要求2所述的深度学习滚动轴承故障诊断方法，其特征在于，所述将每段滚动轴承故障数据在高维空间中重构成为数据点云具体包括：确定时延参数和嵌入维数，将滚动轴承故障数据在三维空间中重构成数据点云。
4.根据权利要求3所述的深度学习滚动轴承故障诊断方法，其特征在于，采用交互信息法，结合滚动轴承故障数据对应的时间序列，确定时延参数。
5.根据权利要求3所述的深度学习滚动轴承故障诊断方法，其特征在于，采用Cao法，确定嵌入维数。
6.根据权利要求2所述的深度学习滚动轴承故障诊断方法，其特征在于，所述将持久性图表向量化得到最终的持久性图片包括：
将持久性图表转换为持久性表面：
ρB:R2→R,ρB(z)＝∑u∈T(B)f(u)Φu(z)
将持久性表面转换为持久性图片：
I(ρB)p＝∫∫ρBdydx
其中，B为持久性图表的出生-死亡坐标轴，T:R2→R2为线性变换T(x,y)＝(x,y-x)，T(B)为出生-死亡坐标轴中变换后的多集结构，Φu:R2→R为均值u＝(ux,uy)∈R2的可微概率分布。
7.根据权利要求1所述的深度学习滚动轴承故障诊断方法，其特征在于，所述故障分类网络采用卷积神经网络，卷积神经网络包含两个卷积层、两个池化层、两个批标准化层以及两个全连接层；故障特征矩阵通过卷积层变为一组特征图后再进行最大池化操作，将经过第二个池化层后得到的特征图与两个全连接层相连，输出故障分类结果。
8.一种深度学习滚动轴承故障诊断***，其特征在于，包括：
数据获取模块，其被配置为：获取滚动轴承故障数据；
第一特征提取模块，其被配置为：对每段滚动轴承故障数据进行拓扑数据分析，以提取拓扑特征矩阵；
第二特征提取模块，其被配置为：对每段滚动轴承故障数据进行快速傅里叶变换并求其模值，以提取频域特征矩阵；
特征融合模块，其被配置为：采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵，得到故障特征矩阵；
故障分类模块，其被配置为：基于故障特征矩阵，采用故障分类网络，得到故障分类结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的深度学习滚动轴承故障诊断方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的深度学习滚动轴承故障诊断方法中的步骤。
CN202211054027.XA 2022-08-31 2022-08-31 一种深度学习滚动轴承故障诊断方法及*** Pending CN115525866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211054027.XA CN115525866A (zh) 2022-08-31 2022-08-31 一种深度学习滚动轴承故障诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211054027.XA CN115525866A (zh) 2022-08-31 2022-08-31 一种深度学习滚动轴承故障诊断方法及***

Publications (1)

Publication Number Publication Date
CN115525866A true CN115525866A (zh) 2022-12-27

Family

ID=84697459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211054027.XA Pending CN115525866A (zh) 2022-08-31 2022-08-31 一种深度学习滚动轴承故障诊断方法及***

Country Status (1)

Country Link
CN (1) CN115525866A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272212A (zh) * 2023-11-21 2023-12-22 无锡冠亚恒温制冷技术有限公司 基于实时数据对制冷***进行最优运行参数选择的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272212A (zh) * 2023-11-21 2023-12-22 无锡冠亚恒温制冷技术有限公司 基于实时数据对制冷***进行最优运行参数选择的方法
CN117272212B (zh) * 2023-11-21 2024-02-06 无锡冠亚恒温制冷技术有限公司 基于实时数据对制冷***进行最优运行参数选择的方法

Similar Documents

Publication Publication Date Title
Surendran et al. Deep learning based intelligent industrial fault diagnosis model.
CN113869208B (zh) 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN112801047B (zh) 缺陷检测方法、装置、电子设备及可读存储介质
CN113159273B (zh) 一种神经网络的训练方法及相关设备
CN113420837B (zh) 基于多源压缩感知的故障诊断方法
CN113538353B (zh) 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN114091553A (zh) 一种滚动轴承故障的诊断方法
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
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
CN115525866A (zh) 一种深度学习滚动轴承故障诊断方法及***
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、***及存储介质
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN116952583A (zh) 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法
CN117330314A (zh) 一种基于二维灰度图和Swin-Transformer的轴承故障诊断方法
Lee et al. Anomaly detection based on 1D-CNN-LSTM auto-encoder for bearing data
CN116721097A (zh) 轴承故障诊断方法、装置及电子设备
CN116610935A (zh) 一种基于发动机振动信号多模态分析的机械故障检测方法
CN113537010B (zh) 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法
CN114152441A (zh) 基于移位窗口变换器网络的滚动轴承故障诊断方法及***
CN115099268A (zh) 基于图卷积网络的轮式机器人智能故障诊断方法及***
CN113435321A (zh) 一种主轴轴承状态评估方法、***、设备及可读存储介质
Zhang et al. A fault diagnosis method based on ANFIS and bearing fault diagnosis
Zhang et al. The combination model of CNN and GCN for machine fault diagnosis
CN114593917A (zh) 一种基于三元组模型的小样本轴承故障诊断方法
CN113449626A (zh) 隐马尔科夫模型振动信号分析方法装置、存储介质和终端

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