CN116659867A - 一种轴承故障检测方法及装置 - Google Patents

一种轴承故障检测方法及装置 Download PDF

Info

Publication number
CN116659867A
CN116659867A CN202310651998.0A CN202310651998A CN116659867A CN 116659867 A CN116659867 A CN 116659867A CN 202310651998 A CN202310651998 A CN 202310651998A CN 116659867 A CN116659867 A CN 116659867A
Authority
CN
China
Prior art keywords
bearing
fault
fault detector
signals
training
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
CN202310651998.0A
Other languages
English (en)
Inventor
李辅乐
赵新龙
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.)
Zhejiang Sci Tech University Changshan Research Institute Co ltd
Original Assignee
Zhejiang Sci Tech University Changshan Research Institute Co ltd
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 Zhejiang Sci Tech University Changshan Research Institute Co ltd filed Critical Zhejiang Sci Tech University Changshan Research Institute Co ltd
Priority to CN202310651998.0A priority Critical patent/CN116659867A/zh
Publication of CN116659867A publication Critical patent/CN116659867A/zh
Pending legal-status Critical Current

Links

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
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种轴承故障检测方法及装置，属于轴承故障检测技术领域，方法包括：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号；对轴承振动信号进行增强处理；采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；将多个二维时频图进行划分，得到多个数据集；构建包括分类器和多层卷积网络的轴承故障检测器；结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；利用训练好的轴承故障检测器对轴承进行故障检测。提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。

Description

一种轴承故障检测方法及装置
技术领域
本发明属于轴承故障检测技术领域，具体涉及一种轴承故障检测方法及装置。
背景技术
轴承作为机械***中的重要组件之一，其状态的准确评估和故障的及时诊断对于机械设备的安全运行和可靠性至关重要，因此基于振动信号的轴承故障诊断技术成为研究的热点领域。振动信号包含了轴承在运行过程中的机械振动信息，可以反映轴承的健康状态和故障特征。通过对振动信号进行分析和处理，可以提取特征参数，并利用模式识别和机器学习算法进行故障诊断。然而，振动信号的特征提取和诊断算法仍然面临着信号复杂性、噪声干扰、特征提取的准确性等挑战。
传统的轴承故障诊断方法通常依赖于人工经验和有限的特征参数，难以满足实时、准确和可靠的故障诊断需求。
发明内容
为了解决现有技术存在的传统的轴承故障诊断方法通常依赖于人工经验和有限的特征参数，难以满足实时、准确和可靠的故障诊断需求的技术问题，本发明提供一种轴承故障检测方法及装置。
第一方面
本发明提供一种轴承故障检测方法，应用于轴承故障检测装置，包括：
S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
S102：对轴承振动信号进行增强处理，得到多组轴承振动增强信号；
S103：采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；
S104：将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集，其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型；
S105：构建包括分类器和多层卷积网络的轴承故障检测器；
S106：结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；
S107：利用训练好的轴承故障检测器对轴承进行故障检测。
第二方面
本发明提供一种轴承故障检测装置，包括：
采集模块，用于以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
第一处理模块，用于对轴承振动信号进行增强处理，得到多组轴承振动增强信号；
转换模块，用于采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；
划分模块，用于将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集，其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型；
构建模块，用于构建包括分类器和多层卷积网络的轴承故障检测器；
训练模块，用于结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；
检测模块，用于利用训练好的轴承故障检测器对轴承进行故障检测。
与现有技术相比，本发明至少具有以下有益效果：
在本发明中，通过提取包括多种故障类型的样本轴承振动信号，将一维振动信号通过连续小波变换生成二维时频图像，再将这些时频输入到多列卷积网络中，结合卷积网络对二维图像数据优秀的特征提取能力，对轴承进行故障诊断，训练数据完整可靠，大大提高了故障预测准确率。对二维时频图增强后对构建包括多层卷积网络的轴承故障检测器进行训练和优化，不断提升故障检测精度，之后利用训练好的轴承故障检测器对轴承进行故障检测，因为卷积层能够权值共享，可以减少网络参数数量达到加快训练速度，以快速准确的提取特征图，提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种轴承故障检测方法的流程示意图；
图2是本发明提供的一种包括多层卷积网络的神经网络模型结构示意图；
图3是本发明提供的一种轴承故障检测装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在一个实施例中，参考说明书附图1，本发明提供的一种轴承故障检测方法的流程示意图。
本发明提供的一种轴承故障检测方法，应用于轴承故障检测装置，包括：
S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号。
其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤。
具体地，对于振动信号的获取，通过振动信号采集设备获取机械设备上的驱动端轴承的振动信号，有故障的轴承由电火花加工制作而成，***的采样频率为12kHz，被诊断的轴承一共有3种故障类型，每种故障类型在不同的位置，故障类型分别是滚动体损伤，外圈损伤与内圈损伤，采集到的振动信号经处理后可以作为训练所需的数据。具体可以在不同的地方设置加速度计收集。
在一种可能的实施方式中，预设采集频率为12kHz，轴承振动信号包括1种正常信号和9种故障信号。
在实际使用过程中，使用合适的振动传感器，实时采集轴承运行时的振动信号，并进行信号调理和放大，可以确保信号质量。在选择振动传感器的过程中，应选择适合应用场景的振动传感器，常见的传感器包括加速度传感器、速度传感器和位移传感器，根据需求选择合适的传感器类型和规格，将选定的振动传感器安装在与轴承相关的位置上，传感器的安装位置通常选在轴承支撑座或附近，以便能够准确捕捉到振动信号。将传感器与数据采集设备连接。传感器的输出信号通常是模拟信号，需要使用合适的电缆连接到数据采集设备上。配置数据采集设备的参数，如采样频率、采样位数等。根据需求设置合适的采样频率，确保能够捕捉到轴承振动信号中的重要频率成分。开始采集振动信号数据后，在轴承运行过程中持续采集振动信号的数据，记录下每个时间点的振动值，将采集到的振动信号数据记录下来，并进行合适的存储。
进一步地，采集到的振动信号是用来做训练数据的，需要包含全面的故障样本，这样才可以更好的对模型进行训练，提升模型泛化能力和预测准确性。这些数据集应包含振动信号、温度信号或其他传感器数据，以及对应的故障标签。
在一种可能的实施方式中，在S101之后，还包括：
S101A：使用降噪算法对轴承振动信号进行降噪处理，利用归一化算法对轴承振动信号进行归一化，以消除轴承振动信号之间的差异。。
其中，降噪算法包括小波去噪算法，信号平均算法和自适应滤波算法，归一化算法包括最大最小归一化算法和零均值归一化算法。
需要说明的是，在实际使用过程中还需要根据实际需求和信号特征，对振动信号的采样率进行调整，如果采样率过高，会导致数据量过大，增加计算负荷，如果采样率过低，会丢失高频信息。使用降噪算法对振动信号进行降噪处理，以减少噪声的影响。常见的降噪方法包括小波去噪、信号平均、自适应滤波等。选择合适的降噪方法，可以提高信号的清晰度和可辨识性。对振动信号进行归一化处理，以消除信号之间的幅值差异。常见的归一化方法包括最大最小归一化、零均值归一化等，可根据需要选择适当的归一化方法。通过降噪处理，提高模型的训练效果，提升模型的故障检测准确性。
S102：对轴承振动信号进行增强处理，得到多组轴承振动增强信号。
需要说明的是，因为采集到的振动信号层出不穷，伴随着不同的信号特征，所以数据增强是非常重要的一步，可以更好的提取特征。
S103：采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图。
其中，连续小波变换是信号的时频表示方法，它是由一个平方可积信号和一组母小波的平移和膨胀产生函数的卷积。
在一种可能的实施方式中，S103具体包括：
S1031：利用连续小波变换公式对各组轴承振动增强信号进行转换：
其中，其中，x(t)表示平方可积的轴承振动增强信号，a∈R且a>0表示小波尺度，τ∈R表示平移因子；
S1032：调整小波尺度和平移因子的大小，提取轴承振动增强信号在不同尺度和不同时间上的时频信号，构建得到二维时频图。
具体地，当a的取值较小时，适合提取信号中高频特征，取值较大时适合提取低频特征，通过调整a的大小可以提取到轴承振动增强信号的多个尺度的特征信号，即时频信号，得到真实完成的二维时频图，提升利用该二维时频图进行训练得到的模型预测准确性。
S104：将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集。
其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型。
其中，训练集主要用来训练神经网络中的参数；验证集是神经网络在训练集上训练结束后,通过验证集来比较判断各个模型的性能，这里的不同模型主要是指对应不同超参数的神经网络,也可以指完全不同结构的神经网络。
参照图2，示出了本发明提供的一种包括多层卷积网络的神经网络模型结构示意图。
在图2中，包含三列卷积神经网络，主要由卷积层、池化层、全连接层所组成，卷积层是整个网络学习提取特征的关键部分，主要是对输入层传输过来的信号数据或者图像进行局部区域特征的提取并进行卷积运算，通过激活函数进行非线性变化，得到特征映射输出。正因为卷积层能够权值共享，可以减少网络参数数量达到加快训练速度。输入的是二维时频图，经过三列卷积自适应提取故障特征后在进行加权融合，可得到故障数据点分布密度图。
其中，池化层是在卷积层之后，通常池化层包含最大池化层和平均池化层，而最大池化层最为普遍使用，能够降低数据维度，避免出现过拟合现象。其数学模型定义为：
其中，max(·)表示最大池化操作，P(·)表示池化后的输出，ki表示对yi进行池化后的特征图，m*n表示池化核的大小。
S105：构建包括分类器和多层卷积网络的轴承故障检测器。
其中，卷积网络是是一种比较常用的前馈神经网络，包含卷积运算，具有生成结构。包含一些防止梯度消失的优化方法，比如丢失法(Dropout)，批处理归一化(BatchNormalization)和Adam优化器。
S106：结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练。
其中，故障类型可以根据输入的图像获取得到。
具体地，训练最开始先对故障检测器的权重和偏置进行初始化，将准备好的训练数据输入到故障检测器的神经网络中进行训练。在模型训练过程中，可以调整学习率、批量大小、正则化参数进行参数优化来提高模型性能。也可以使用交叉验证或验证集监控模型的性能，并选择最佳的参数组合。测试集可以用来测试评估模型的性能，将测试数据输入到训练好的模型中，根据模型的输出与实际标签进行比较，计算评价指标如准确率、召回率、F1值等来评估模型的准确性和泛化能力。使用准备好的训练数据集，对神经网络进行训练。在训练过程中，将输入数据送入网络，根据网络输出的故障检测类型与实际故障类型之间的差异，利用反向传播算法更新网络权重和偏置，不断优化网络模型。
在一种可能的实施方式中，S106具体包括：
S1061：将训练集中的二维时频图输入至轴承故障检测器，对轴承故障检测器的卷积网络进行训练。
在一种可能的实施方式中，S1061具体包括：
S1061A：将训练集中的二维时频图输入至多层卷积网络中，提取各二维时频图中的故障特征，并对故障特征进行加权融合，得到故障数据点分布密度图，提取方式具体为：
其中，表示第l+1层卷积网络的第j个神经元的输入，f表示激活函数，表示第l层卷积网络第i个神经元处的输出，/>表示卷积运算，/>表示第l层卷积网络第i个神经元与第l+1层卷积网络第j个神经元的卷积核，b表示偏移。
S1061B：计算训练集中的二维时频图的真实故障密度与故障数据点分布密度图的损失值。
其中，训练集中的二维时频图的真实故障密度与故障数据点分布密度图的损失值定义为：
其中，Θ表示网络中的一组科学系参数，N表示训练图像的个数，Loss(·)表示估计密度与真实密度图像之间的差别损耗，即损失值。
也就是说，在对卷积网络的训练过程中，通过计算真实故障密度与故障数据点分布密度图之间的损失值来确定卷积网络的特征提取效果，通常情况下，损失值越小表示模型的预测与真实值之间的差异越小，即模型的拟合程度越好。较小的损失值表明模型在训练数据上能够较好地进行预测，与真实值之间的误差较小，通过控制损失值来不断的提升特征提取准确率。
S1061C：在损失值小于预设损失值的情况下，结束卷积网络的训练。
S1062：结合分类器，利用验证集或者交叉验证方式监控训练后的轴承故障检测器的性能，利用反向传播算法对轴承故障检测器进行参数优化，更新轴承故障检测器的权重参数和偏置参数，寻找待选取参数。
其中，待选取参数包括学习率、批量大小和正则化参数。
在实际使用过程中，分类器也可以采用回归器，在训练完成后，可以利用训练好的神经网络模型提取故障特征，将振动信号或其他传感器数据输入到网络中，获取网络中间层的输出作为特征表示。使用提取的特征表示进行故障诊断，通过将特征输入到分类器或回归器中，可以对新的数据进行故障类型分类、故障程度评估。
S1063：将测试集输入至以待选取参数作为模型参数的轴承故障检测器，将轴承故障检测器的输出与故障类型进行比较，评估轴承故障检测器的准确性和泛化能力。
S1064：在轴承故障检测器的准确性达到预设准确率的情况下，将待选取参数作为轴承故障检测器的优化参数，结束轴承故障检测器的训练。
需要说明的是，本领域技术人员可以根据实际需要选择预设准确率的大小，本发明在此不做限定。
S107：利用训练好的轴承故障检测器对轴承进行故障检测。
可以理解的是，训练好的轴承故障检测器具有较优的故障预测能力，通过训练好的轴承故障检测器对轴承进行故障检测，避免过多的人为主观因素的影响，科学准确快速的预测出轴承故障类型，提升机械运行可控性。
与现有技术相比，本发明至少具有以下有益效果：
在本发明中，通过提取包括多种故障类型的样本轴承振动信号，将一维振动信号通过连续小波变换生成二维时频图像，再将这些时频输入到多列卷积网络中，结合卷积网络对二维图像数据优秀的特征提取能力，对轴承进行故障诊断，训练数据完整可靠，大大提高了故障预测准确率。对二维时频图增强后对构建包括多层卷积网络的轴承故障检测器进行训练和优化，不断提升故障检测精度，之后利用训练好的轴承故障检测器对轴承进行故障检测，因为卷积层能够权值共享，可以减少网络参数数量达到加快训练速度，以快速准确的提取特征图，提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。
实施例2
在一个实施例中，参考说明书附图3，本发明提供的一种轴承故障检测装置的结构示意图。
本发明提供的一种轴承故障检测装置20，包括：
采集模块201，用于以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
第一处理模块202，用于对轴承振动信号进行增强处理，得到多组轴承振动增强信号；
转换模块203，用于采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；
划分模块204，用于将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集，其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型；
构建模块205，用于构建包括分类器和多层卷积网络的轴承故障检测器；
训练模块206，用于结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；
检测模块207，用于利用训练好的轴承故障检测器对轴承进行故障检测。
在一种可能的实施方式中，轴承故障检测装置20，还包括：
第二处理模块208，使用降噪算法对轴承振动信号进行降噪处理，利用归一化算法对轴承振动信号进行归一化，以消除轴承振动信号之间的差异，其中，降噪算法包括小波去噪算法，信号平均算法和自适应滤波算法，归一化算法包括最大最小归一化算法和零均值归一化算法。
在一种可能的实施方式中，转换模块203具体包括：
转换子模块，用于利用连续小波变换公式对各组轴承振动增强信号进行转换：
其中，其中，x(t)表示平方可积的轴承振动增强信号，a∈R且a>0表示小波尺度，τ∈R表示平移因子；
构建子模块，用于调整小波尺度和平移因子的大小，提取轴承振动增强信号在不同尺度和不同时间上的时频信号，构建得到二维时频图。
在一种可能的实施方式中，训练模块206具体包括：
训练子模块，用于将训练集中的二维时频图输入至轴承故障检测器，对轴承故障检测器的卷积网络进行训练；
优化子模块，用于结合分类器，利用验证集或者交叉验证方式监控训练后的轴承故障检测器的性能，利用反向传播算法对轴承故障检测器进行参数优化，更新轴承故障检测器的权重参数和偏置参数，寻找待选取参数，其中，待选取参数包括学习率、批量大小和正则化参数；
评估子模块，用于将测试集输入至以待选取参数作为模型参数的轴承故障检测器，将轴承故障检测器的输出与故障类型进行比较，评估轴承故障检测器的准确性和泛化能力；
结束子模块，用于在轴承故障检测器的准确性达到预设准确率的情况下，将待选取参数作为轴承故障检测器的优化参数，结束轴承故障检测器的训练。
在一种可能的实施方式中，训练子模块具体包括：
提取单元，用于将训练集中的二维时频图输入至多层卷积网络中，提取各二维时频图中的故障特征，并对故障特征进行加权融合，得到故障数据点分布密度图，提取方式具体为：
其中，表示第l+1层卷积网络的第j个神经元的输入，f表示激活函数，表示第l层卷积网络第i个神经元处的输出，/>表示卷积运算，/>表示第l层卷积网络第i个神经元与第l+1层卷积网络第j个神经元的卷积核，b表示偏移；
计算单元，用于计算训练集中的二维时频图的真实故障密度与故障数据点分布密度图的损失值：
结束单元，用于在损失值小于预设损失值的情况下，结束卷积网络的训练。
在一种可能的实施方式中，预设采集频率为12kHz，轴承振动信号包括1种正常信号和9种故障信号。
本发明提供的轴承故障检测装置20能够实现上述方法实施例中实现的各个过程，为避免重复，这里不再赘述。
本发明提供的虚拟***可以是***，也可以是终端中的部件、集成电路、或芯片。
与现有技术相比，本发明至少具有以下有益效果：
在本发明中，通过提取包括多种故障类型的样本轴承振动信号，将一维振动信号通过连续小波变换生成二维时频图像，再将这些时频输入到多列卷积网络中，结合卷积网络对二维图像数据优秀的特征提取能力，对轴承进行故障诊断，训练数据完整可靠，大大提高了故障预测准确率。对二维时频图增强后对构建包括多层卷积网络的轴承故障检测器进行训练和优化，不断提升故障检测精度，之后利用训练好的轴承故障检测器对轴承进行故障检测，因为卷积层能够权值共享，可以减少网络参数数量达到加快训练速度，以快速准确的提取特征图，提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种轴承故障检测方法，其特征在于，包括：
S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，所述样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
S102：对所述轴承振动信号进行增强处理，得到多组轴承振动增强信号；
S103：采用连续小波变换分别将各组所述轴承振动增强信号转换为二维时频图；
S104：将多个所述二维时频图进行划分，得到多个数据集，其中，所述数据集包括训练集，验证集和测试集，其中，每个所述数据集包括轴承振动信号和与所述轴承振动信号相对应的故障类型；
S105：构建包括分类器和多层卷积网络的轴承故障检测器；
S106：结合所述轴承振动信号相对应的故障类型，利用所述训练集、所述验证集和所述测试集中的二维时频图对所述轴承故障检测器进行优化和训练；
S107：利用训练好的轴承故障检测器对轴承进行故障检测。
2.根据权利要求1所述的轴承故障检测方法，其特征在于，在所述S101之后，还包括：
S101A：使用降噪算法对所述轴承振动信号进行降噪处理，利用归一化算法对所述轴承振动信号进行归一化，以消除所述轴承振动信号之间的差异，其中，所述降噪算法包括小波去噪算法，信号平均算法和自适应滤波算法，所述归一化算法包括最大最小归一化算法和零均值归一化算法。
3.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S103具体包括：
S1031：利用连续小波变换公式对各组所述轴承振动增强信号进行转换：
其中，其中，x(t)表示平方可积的所述轴承振动增强信号，a∈R且a>0表示小波尺度，τ∈R表示平移因子；
S1032：调整所述小波尺度和所述平移因子的大小，提取所述轴承振动增强信号在不同尺度和不同时间上的时频信号，构建得到二维时频图。
4.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S106具体包括：
S1061：将所述训练集中的二维时频图输入至所述轴承故障检测器，对所述轴承故障检测器的卷积网络进行训练；
S1062：结合所述分类器，利用所述验证集或者交叉验证方式监控训练后的轴承故障检测器的性能，利用反向传播算法对所述轴承故障检测器进行参数优化，更新轴承故障检测器的权重参数和偏置参数，寻找待选取参数，其中，所述待选取参数包括学习率、批量大小和正则化参数；
S1063：将所述测试集输入至以所述待选取参数作为模型参数的轴承故障检测器，将所述轴承故障检测器的输出与所述故障类型进行比较，评估所述轴承故障检测器的准确性和泛化能力；
S1064：在所述轴承故障检测器的准确性达到预设准确率的情况下，将所述待选取参数作为所述轴承故障检测器的优化参数，结束所述轴承故障检测器的训练。
5.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S1061具体包括：
S1061A：将所述训练集中的二维时频图输入至所述多层卷积网络中，提取各所述二维时频图中的故障特征，并对所述故障特征进行加权融合，得到故障数据点分布密度图，提取方式具体为：
其中，表示第l+1层卷积网络的第j个神经元的输入，f表示激活函数，表示第l层卷积网络第i个神经元处的输出，/>表示卷积运算，/>表示第l层卷积网络第i个神经元与第l+1层卷积网络第j个神经元的卷积核，b表示偏移；
S1061B：计算所述训练集中的二维时频图的真实故障密度与所述故障数据点分布密度图的损失值；
S1061C：在所述损失值小于预设损失值的情况下，结束所述卷积网络的训练。
6.根据权利要求1所述的轴承故障检测方法，其特征在于，所述预设采集频率为12kHz，所述轴承振动信号包括1种正常信号和9种故障信号。
7.一种轴承故障检测装置，其特征在于，包括：
采集模块，用于以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，所述样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
第一处理模块，用于对所述轴承振动信号进行增强处理，得到多组轴承振动增强信号；
转换模块，用于采用连续小波变换分别将各组所述轴承振动增强信号转换为二维时频图；
划分模块，用于将多个所述二维时频图进行划分，得到多个数据集，其中，所述数据集包括训练集，验证集和测试集，其中，每个所述数据集包括轴承振动信号和与所述轴承振动信号相对应的故障类型；
构建模块，用于构建包括分类器和多层卷积网络的轴承故障检测器；
训练模块，用于结合所述轴承振动信号相对应的故障类型，利用所述训练集、所述验证集和所述测试集中的二维时频图对所述轴承故障检测器进行优化和训练；
检测模块，用于利用训练好的轴承故障检测器对轴承进行故障检测。
8.根据权利要求7所述的轴承故障检测装置，其特征在于，所述轴承故障检测装置，还包括：
第二处理模块，使用降噪算法对所述轴承振动信号进行降噪处理，利用归一化算法对所述轴承振动信号进行归一化，以消除所述轴承振动信号之间的差异，其中，所述降噪算法包括小波去噪算法，信号平均算法和自适应滤波算法，所述归一化算法包括最大最小归一化算法和零均值归一化算法。
9.根据权利要求7所述的轴承故障检测装置，其特征在于，所述转换模块具体包括：
转换子模块，用于利用连续小波变换公式对各组所述轴承振动增强信号进行转换：
其中，其中，x(t)表示平方可积的所述轴承振动增强信号，a∈R且a>0表示小波尺度，τ∈R表示平移因子；
构建子模块，用于调整所述小波尺度和所述平移因子的大小，提取所述轴承振动增强信号在不同尺度和不同时间上的时频信号，构建得到二维时频图。
10.根据权利要求7所述的轴承故障检测装置，其特征在于，所述训练模块具体包括：
训练子模块，用于将所述训练集中的二维时频图输入至所述轴承故障检测器，对所述轴承故障检测器的卷积网络进行训练；
优化子模块，用于结合所述分类器，利用所述验证集或者交叉验证方式监控训练后的轴承故障检测器的性能，利用反向传播算法对所述轴承故障检测器进行参数优化，更新轴承故障检测器的权重参数和偏置参数，寻找待选取参数，其中，所述待选取参数包括学习率、批量大小和正则化参数；
评估子模块，用于将所述测试集输入至以所述待选取参数作为模型参数的轴承故障检测器，将所述轴承故障检测器的输出与所述故障类型进行比较，评估所述轴承故障检测器的准确性和泛化能力；
结束子模块，用于在所述轴承故障检测器的准确性达到预设准确率的情况下，将所述待选取参数作为所述轴承故障检测器的优化参数，结束所述轴承故障检测器的训练。
CN202310651998.0A 2023-06-02 2023-06-02 一种轴承故障检测方法及装置 Pending CN116659867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310651998.0A CN116659867A (zh) 2023-06-02 2023-06-02 一种轴承故障检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310651998.0A CN116659867A (zh) 2023-06-02 2023-06-02 一种轴承故障检测方法及装置

Publications (1)

Publication Number Publication Date
CN116659867A true CN116659867A (zh) 2023-08-29

Family

ID=87718605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310651998.0A Pending CN116659867A (zh) 2023-06-02 2023-06-02 一种轴承故障检测方法及装置

Country Status (1)

Country Link
CN (1) CN116659867A (zh)

Similar Documents

Publication Publication Date Title
CN109460618B (zh) 一种滚动轴承剩余寿命在线预测方法及***
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110991295B (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN113375941B (zh) 高速动车组轴承的开集故障诊断方法
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN110333076B (zh) 基于CNN-Stacking的轴承故障诊断方法
CN112378660A (zh) 一种基于数据驱动的航空发动机轴承智能故障诊断方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和***
CN115798516A (zh) 一种可迁移的端到端声信号诊断方法及***
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及***
CN115221973A (zh) 一种基于增强加权异质集成学习的航空轴承故障诊断方法
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
CN111783941B (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN108615018A (zh) 基于时域直方图特征提取的对象物状态识别方法
CN116644304A (zh) 基于相似性的货车轴承异常特征提取与分类方法
CN116644278A (zh) 基于样本筛选和特征提取的双模型轴承异常检测算法
CN114781427B (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断***
CN116659867A (zh) 一种轴承故障检测方法及装置
CN114964783A (zh) 基于vmd-ssa-lssvm的齿轮箱故障检测模型
CN114398922A (zh) 一种基于CNN-BiLSTM的高压并联电抗器绕组松动的故障诊断方法
CN113807431A (zh) 一种基于多源信息融合的智能主轴状态评估方法和***
CN113409213A (zh) 柱塞泵故障信号时频图降噪增强方法和***
CN113569989A (zh) 用于舞台装备故障诊断的ti-tsdcn模型构建方法
CN111753876A (zh) 一种基于深度神经网络的产品质量检测方法

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