CN116721097A - 轴承故障诊断方法、装置及电子设备 - Google Patents
轴承故障诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116721097A CN116721097A CN202310988474.0A CN202310988474A CN116721097A CN 116721097 A CN116721097 A CN 116721097A CN 202310988474 A CN202310988474 A CN 202310988474A CN 116721097 A CN116721097 A CN 116721097A
- Authority
- CN
- China
- Prior art keywords
- bearing fault
- fault
- bearing
- data
- frequency domain
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轴承故障诊断技术领域,具体公开了一种轴承故障诊断方法、装置及电子设备,包括:获取待识别轴承故障数据;对待识别轴承故障数据进行预处理,获得轴承故障频域数据;将轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中轴承故障诊断模型是基于轴承故障训练数据集及轴承故障训练数据集所对应的轴承故障类别训练得到的;轴承故障诊断模型能够对轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据轴承故障特征进行识别,获得故障类别识别结果;对故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。本发明提供的轴承故障诊断方法能够有效提升轴承故障诊断的准确性。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及一种轴承故障诊断方法、轴承故障诊断装置及电子设备。
背景技术
轴承在工业领域运用广泛,尤其在航空航天、数控机床精加工等领域,是十分关键的零部件。然而在高温、强腐蚀和高速负载的条件下,轴承不可避免的会发生故障,这些故障可能会影响生产效率和加工质量,甚至可能会造成企业停工,导致巨大的经济损失。为了提升机械设备的运行稳定性和生产效能,对机械设备实施高效的运行状况监控和故障判断至关重要。
现有技术中虽然存在一些轴承故障诊断的方法,但是这些方法往往由于无法避免噪声干扰等导致故障诊断的精确度低,且还存在计算量大等缺陷导致诊断效率低。
因此,如何能够实现对轴承故障的准确诊断成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种轴承故障诊断方法、轴承故障诊断装置及电子设备,解决相关技术中存在的轴承故障诊断精度低的问题。
作为本发明的第一个方面,提供一种轴承故障诊断方法,其中,包括:
获取待识别轴承故障数据;
对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
进一步地,所述轴承故障诊断模型,包括:
特征提取层,能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征;
目标检测层,根据所述轴承故障特征进行故障识别,以获得故障类别识别结果。
进一步地,所述特征提取层包括:
补丁嵌入层,能够对所述轴承故障频域数据进行图像分割处理以及向量化处理,获得轴承故障向量数据;
补丁增强层,能够对所述轴承故障向量数据进行增强,获得轴承故障增强数据;
编码器层,能够对所述轴承故障增强数据进行傅里叶变换以提取轴承故障特征。
进一步地,所述编码器层包括:
傅里叶变换层,能够对所述轴承故障增强数据进行二维离散傅里叶变换,以将频域的轴承故障增强数据变换为时域的轴承故障增强数据;
特征融合层,能够将时域的轴承故障增强数据与频域的轴承故障增强数据进行融合,获得全局轴承故障增强数据;
特征提取层,能够根据所述全局轴承故障增强数据提取轴承故障特征。
进一步地,所述特征融合层还能够将高斯白噪声与所述全局轴承故障增强数据进行融合。
进一步地,训练所述轴承故障诊断模型,包括:
获取轴承故障训练数据集及所述轴承故障训练数据集对应的目标轴承故障类别;
对所述轴承故障训练数据集进行预处理,获得轴承故障训练频域数据集;
将所述轴承故障训练频域数据集作为训练使用的输入数据,并将所述目标轴承故障类别作为训练使用的标签;
根据训练使用的输入数据和训练使用的标签对待训练模型进行训练,获得用于生成故障类别识别结果的轴承故障诊断模型。
进一步地,对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据,包括:
对所述待识别轴承故障数据进行傅里叶变换,以将时域的轴承故障数据转换为频域的轴承故障数据,获得轴承故障频域数据。
进一步地,对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果,包括:
根据所述故障类别识别结果确定故障标签;
根据故障类别映射表查找所述故障标签所对应的故障位置以及故障直径;
输出所述故障位置以及故障直径。
作为本发明的另一个方面,提供一种轴承故障诊断装置,其中,包括:
获取模块,用于获取待识别轴承故障数据;
预处理模块,用于对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
诊断模块,用于将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
后处理模块,用于对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
作为本发明的另一个方面,提供一种电子设备,其中,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现前文所述的轴承故障诊断方法。
本发明提供的轴承故障诊断方法,通过在对待识别轴承故障数据进行预处理后,通过轴承故障诊断模型进行识别,由于该轴承故障诊断模型采用傅里叶变换的方式进行特征提取,能够有效提升轴承故障诊断模型的抗干扰能力,即能够在较强的噪声干扰下仍然能够提取准确有效的特征,进而有效提升了轴承故障诊断的准确性。另外,还能够在保证轴承故障诊断精度不降低的情况下,显著提高了网络模型运行速度。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的轴承故障诊断方法的流程图。
图2为本发明提供的轴承故障诊断模型的结构框图。
图3为本发明提供的特征提取层的结构框图。
图4为本发明提供的编码器层的结构框图。
图5为本发明提供的电子设备的结构框图。
图6为本发明提供的编码器层的具体结构框图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必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,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种轴承故障诊断方法,图1是根据本发明实施例提供的轴承故障诊断方法的流程图,如图1所示,包括:
S100、获取待识别轴承故障数据;
在本发明实施例中,获取待识别轴承故障数据,其数据形式为序列数据。
S200、对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
在本发明实施例中,由于待识别轴承故障数据为时域数据,因此需要对其进行处理,以获得轴承故障频域数据。
具体地,对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据,包括:
对所述待识别轴承故障数据进行傅里叶变换,以将时域的轴承故障数据转换为频域的轴承故障数据,获得轴承故障频域数据。
需要说明的是,此处的傅里叶变换的作用是将时域的待识别轴承故障数据转换为频域的待识别轴承故障数据,以便于后续进入到模型中进行识别处理。
S300、将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
需要说明的是,在本发明实施例中,所述轴承故障诊断模型在对轴承故障频域数据进行特征提取的时候,通过采用傅里叶变换的方式进行处理,由于傅里叶变换对噪声敏感度低,因而能够有效提升特征提取的精度,进而能够提升故障诊断的精度。
在本发明实施例中,所述轴承故障诊断模型采用Vision Transformer(ViT)模型为基础,进行训练获得。
具体地,如图2所示,所述轴承故障诊断模型,包括:
特征提取层10,能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征;
目标检测层20,根据所述轴承故障特征进行故障识别,以获得故障类别识别结果。
需要说明的是,在特征提取时,由于傅里叶变换对噪声相对不敏感,主要关注信号的频率特征,而不直接依赖特征之间的关系,因而可以更有效的提取关键的特征。
而对于轴承振动数据,由于振动信号中的某些频率成分可能与故障相关,需要在长时间跨度上进行建模。通过在特征提取时采用傅里叶变换的方式能够有效捕捉到序列中远距离位置的特征关系,特别是对于具有长期依赖性的数据如时间序列或图像数据,其特征提取能力相比注意力机制等方式具有更加明显的优势。
具体地,如图3所示,所述特征提取层包括:
补丁嵌入层11,能够对所述轴承故障频域数据进行图像分割处理以及向量化处理,获得轴承故障向量数据;
具体地,由于轴承故障频域数据具体可以为图片,因此,为了方便后续特征提取,将图片进行分块和降维,把一个形状为的图像,分成一系列图像块patch,使用图像块patch的大小设置为16,一共有/>个patch,图像块的维度是/>。
其中表示图像块的大小,/>表示图片通道个数,/>表示图片高度,/>表示图片宽度。其次,要对图像块做一个线性变换(即全连接层),具体公式如下:
,
其中,表示轴承故障类别的总数,/>表示不同类别,/>表示实现线性映射的矩阵/> ,/>表示位置编码器,/>表示经过补丁嵌入层后的输出。
应当理解的是,通过补丁嵌入层11能够将图像分割成小图像块并嵌入为向量表示,以引入局部信息并为模型提供全局视觉表示的基础。
补丁增强层12,能够对所述轴承故障向量数据进行增强,获得轴承故障增强数据;
需要说明的是,为了增加图像块patch之间的数据多样性,保持了原始的图像增强,并在每个图像块patch上应用随机调整大小的裁剪、随机水平翻转和随机高斯噪声等。
编码器层13,能够对所述轴承故障增强数据进行傅里叶变换以提取轴承故障特征。
在本发明实施例中,所述编码器层13中设置有傅里叶变换层,以实现轴承故障特征的提取。
具体地,为了能更好的学习数据之间的联系,在将上述轴承故障增强数据进入傅里叶层进行傅里叶变换之前,增加位置编码器。本发明实施例中所用的位置编码器是通过嵌入层(Embedding Layer)实现的,其本质上是一个可训练的参数矩阵,将每个位置索引映射到一个固定长度的向量。在训练过程中,模型会自动学习如何将这些位置索引编码为具有空间位置信息的向量。位置编码器的公式如下所示:
,
,
其中,表示图像块在输入序列中的位置,/>表示嵌入空间的维度,/>表示位置函数,/>用于映射到列索引上,/>表示正弦函数,/>表示余弦函数。
应当理解的是,在通过上述位置编码器之后,获得具有位置信息的轴承故障增强数据,并将这些具有位置信息的轴承故障增强数据输入至傅里叶变换层进行傅里叶变换。
具体地,如图4所示,所述编码器层包括:
傅里叶变换层131,能够对所述轴承故障增强数据进行二维离散傅里叶变换,以将频域的轴承故障增强数据变换为时域的轴承故障增强数据;
特征融合层132,能够将时域的轴承故障增强数据与频域的轴承故障增强数据进行融合,获得全局轴承故障增强数据;
特征提取层133,能够根据所述全局轴承故障增强数据提取轴承故障特征。
应当理解的是,通过傅里叶变换能够将前面获得的频域数据再次转换为时域数据,然后与原来的频域数据进行融合,以获得融合数据。这样能够有效获取轴承的全局数据。
在本发明实施例中,傅里叶变换层能够对轴承故障增强数据进行二维离散傅里叶变换,傅里叶变换是一种全局操作,对输入数据进行频域变换后,得到的频谱图在维度上通常较大。需要调整ViT模型的参数和结构,以适应更高维度的输入数据,因此本发明实施例为了提高模型的计算速度使用快速离散傅里叶算法。
需要说明的是,由于轴承诊断模型训练的时候,所输入的轴承振动训练数据集多是通过实验室数据获得,与真实场景下的轴承振动数据之间存在一些偏差,为了提升轴承诊断模型的准确性,在编码器层进行训练过程中增加高斯白噪声,以使得最后的融合信号更加贴近真实场景下的振动数据。另外,由于本发明实施例在编码器层进行特征提取时,采用的是傅里叶变换的方式,且如前文所述,傅里叶变换对于噪声敏感性低,所以增加的白噪声并不会影响特征提取的精度,且能够有效提升轴承诊断模型最终的诊断准确性。
因此,本发明实施例中的所述特征融合层还能够将高斯白噪声与所述全局轴承故障增强数据进行融合。
此处进一步说明,如图6所示,经过上述位置编码后的数据传入傅里叶层,第一步将输入的数据进行二维傅里叶变换,如果此时输入的数据为频域数据,那么经过二维傅里叶变换可以得到时域数据。第二步将变换后的结果与原始输入相加,得到结果就包含时域和频域的全部信息。
另外,为了提升轴承诊断模型的准确度,此处编码器层设置为四层,即经过多次傅里叶变换,最终输出获得的轴承故障特征。
接下来是对上一步得到的结果进行归一化,然后再将上一步归一化的结果传入前馈神经网络中。首先,采用一个全连接层,将输入数据投影到高维空间,从而为模型提供更多的表达能力;其次,采用高斯误差线性单元(GELU)作为激活函数,用于引入非线性特性以捕获输入数据中的复杂模式,其中GELU的计算公式如下:
,
其中,前馈神经网络的输出为,/>是/>小于或等于给定值/>的概率。/>表示概率函数,经过离散傅里叶变换后的结果为/>。最后对经过傅里叶层的张量按照最后一个维度上的每一个特征进行平均池化操作,得到了一个一维张量,即对整个序列的特征进行了压缩;然后将池化得到的特征进行随机失活操作,以避免模型过拟合;再将失活后的特征进行线性变换,输出最终的分类结果。此处需要说明的是,FViT网络参数信息可从表1中获得。
在上述GELU的计算公式中,其中表示输入值,/>表示具有零均值和单位方差的高斯随机变量,/>表示/>小于或者等于给定值/>的概率。接下来进行随机失活处理(即进入dropout层),以指定的 dropout 比率随机丢弃一部分神经元,这一层有助于减轻过拟合现象,提高模型的泛化能力;最后,进入全连接层,这一层负责将第一个全连接层的高维空间投影回原始的嵌入维度,以便与傅里叶层结合使用,利用离散傅里叶提高模型在特定任务上的性能。最终将前馈神经网络的输出与傅里叶变换的结果相加,傅里叶计算公式下所示:
,
最后再次进行归一化并将结果返回,其计算公式如下所示:
,
其中,前馈神经网络的输出为,经过离散傅里叶变换后的结果为。最后对经过傅里叶层的张量按照最后一个维度上的每一个特征进行平均池化操作,得到了一个一维张量,即对整个序列的特征进行了压缩;然后将池化得到的特征进行随机失活操作,以避免模型过拟合;再将失活后的特征进行线性变换,输出最终的分类结果。将本文的模型称为FViT,其网络参数信息可从表1中获得。
表1 FViT网络参数
在本发明实施例中,为了获得上述轴承故障诊断模型,需要预先进行模型训练,具体地,训练所述轴承故障诊断模型,包括:
获取轴承故障训练数据集及所述轴承故障训练数据集对应的目标轴承故障类别;
对所述轴承故障训练数据集进行预处理,获得轴承故障训练频域数据集;
将所述轴承故障训练频域数据集作为训练使用的输入数据,并将所述目标轴承故障类别作为训练使用的标签;
根据训练使用的输入数据和训练使用的标签对待训练模型进行训练,获得用于生成故障类别识别结果的轴承故障诊断模型。
应当理解的是,此处的轴承故障训练数据集具体可以为实验室采集的轴承振动数据,另外针对目标轴承故障类别也可以为通过多次实验进行识别获得的轴承故障类别。具体对轴承故障训练数据集进行预处理的过程和前文中的预处理一样,都是进行时域到频域的转换处理等,此处不再赘述。
S400、对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
在本发明实施例中,对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果,包括:
根据所述故障类别识别结果确定故障标签;
根据故障类别映射表查找所述故障标签所对应的故障位置以及故障直径;
输出所述故障位置以及故障直径。
应当理解的是,由于预先对故障类别进行了分类,而不同的故障类别对应不同的故障标签,进而对应不同的具体故障内容。因此,在上述轴承诊断模型中输出故障类别识别结果后,根据预先设定的故障类别映射表确定故障标签所对应的故障位置以及故障直径,从而使得工作人员能够根据该故障位置以及故障直径进相应的故障处理。
综上,本发明提供的轴承故障诊断方法,通过在对待识别轴承故障数据进行预处理后,通过轴承故障诊断模型进行识别,由于该轴承故障诊断模型采用傅里叶变换的方式进行特征提取,能够有效提升轴承故障诊断模型的抗干扰能力,即能够在较强的噪声干扰下仍然能够提取准确有效的特征,进而有效提升了轴承故障诊断的准确性。另外,傅里叶层代替了自注意力机制,其傅里叶层使用快速离散傅里叶算法,由于其是傅里叶变换中的一种快速计算方法,还能够在保证轴承故障诊断精度不降低的情况下,显著提高了网络模型运行速度。
下面结合具体实验数据对本发明提供的轴承故障诊断方法的过程及效果进行描述。
首先,获取轴承故障数据,其数据形式为序列数据。
其次,对数据进行预处理,为了增强原始数据,采用了滑动窗口的方法遍历整个数据集,设置窗口的大小为2048个数据点,其中128个数据点重叠。在经过滑动窗口处理后,得到了一系列时域数据,然而这些数据不能直接输入到图像分类模型中。为了解决这个问题,对时域数据进行离散傅里叶变换(Discrete Fourier Transform,DFT),将其转换为二维频域数据。通过将时域数据转换为频域数据,可以更好地表示时间序列数据的频率特征,从而提高模型在处理这些数据时的性能。需要说明的是,由于离散傅里叶变换后的数据具有对称性质,这意味着只需要计算一半的数据就可以获取全部的信息。因此,在转换为二维数据之后,仅保留1024个有意义的数据点。接下来,将这些二维频域数据输入到卷积模型中进行训练和预测。
通过轴承故障诊断模型输出轴承故障诊断的类别以及准确率。
本发明TensorFlow 2.5、CUDA11.7、Python3.9、Intel(R) Core(TM) i7-10875HCPU、NVIDIA GeForce RTX 2060、24G内存。
实例:在CWRU数据集上训练测试
(1)数据集介绍:CWRU数据集由4种不同的电机负载组成,分别对应4个运行转速,分别是1797、1772、1750、1730rpm。根据在轴承故障位置的不同,可以分为四类:1)内圈故障(Inner-race fault,IF);2)外圈故障(Outer-race,fault,OF);3)滚动体故障(Normalcondition);4)正常状态(Normal condition,NC)。
为了验证上述方法的有效性,采用轴承转速为1797rpm的数据集,该数据集包含三种不同的故障和一种正常运行状态,其中每种故障都有三种不同的尺寸,即故障直径分别为0.007英寸、0.014英寸、0.021英寸。因此,数据集共包含十种不同的类别:九个故障类别和一个正常运行类别,如表2所示。
表2 CWRU数据集
(2)实验参数设置:批次大小设置为256,学习率设置为0.03,训练样本数量为6500,验证样本数量为1400,测试样本的数量为1400。
(3)实验结果:在CWRU数据集上的测试集准确率为99.98%,模型参数量为598K,模型计算量为9.7MFLPOs,模型运行时间为1020s。
(4)对比实验:为了验证和分析本发明实施例所提出的 FViT模型的有效性及其在轴承故障诊断中的应用,以下案例研究中,使用几种流行的深度学习模型与FViT相比较。
表3 CWRU数据集未添加噪声对比实验结果
表4 CWRU数据集添加噪声对比实验结果
(5)消融实验:为了验证本发明所提出的方法对模型运行速度的提升性,其实验结果详见表5。为了验证patch增强技术和傅里叶层在抗噪声性能方面的优势,进行了一系列实验,分别对比了原始ViT、采用添加patch增强的ViT、采用傅里叶层的ViT和FViT模型的实验效果。为确保实验的公平性和可比性,在进行实验时,对所有模型采用了相同的超参数设置。噪声抗干扰实验见表6。
表5 消融实验结果
表6 噪声消融实验结果
作为本发明的另一实施例,提供一种轴承故障诊断装置,其中,包括:
获取模块,用于获取待识别轴承故障数据;
预处理模块,用于对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
诊断模块,用于将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
后处理模块,用于对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
关于本发明实施例提供的轴承故障诊断装置的工作原理及过程可以参照前文的轴承故障诊断方法的描述,此处不再赘述。
作为本发明的另一实施例,提供一种电子设备,其中,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现前文所述的轴承故障诊断方法。
如图5所示,该电子设备可以包括:至少一个处理器51,例如CPU(CentralProcessing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:genericarraylogic, 缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本发明图1实施例中所示的轴承故障诊断方法。
作为本发明的另一实施例,提供一种计算机可读存储介质,其中,所述计算机可读存储介质用于存储计算机指令,当所述计算机指令被处理器加载并执行时以实现前文所述的轴承故障诊断方法。
在本发明实施例中,提供了一种非暂态计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的轴承故障诊断方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种轴承故障诊断方法,其特征在于,包括:
获取待识别轴承故障数据;
对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
2.根据权利要求1所述的轴承故障诊断方法,其特征在于,所述轴承故障诊断模型,包括:
特征提取层,能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征;
目标检测层,根据所述轴承故障特征进行故障识别,以获得故障类别识别结果。
3.根据权利要求2所述的轴承故障诊断方法,其特征在于,所述特征提取层包括:
补丁嵌入层,能够对所述轴承故障频域数据进行图像分割处理以及向量化处理,获得轴承故障向量数据;
补丁增强层,能够对所述轴承故障向量数据进行增强,获得轴承故障增强数据;
编码器层,能够对所述轴承故障增强数据进行傅里叶变换以提取轴承故障特征。
4.根据权利要求3所述的轴承故障诊断方法,其特征在于,所述编码器层包括:
傅里叶变换层,能够对所述轴承故障增强数据进行二维离散傅里叶变换,以将频域的轴承故障增强数据变换为时域的轴承故障增强数据;
特征融合层,能够将时域的轴承故障增强数据与频域的轴承故障增强数据进行融合,获得全局轴承故障增强数据;
特征提取层,能够根据所述全局轴承故障增强数据提取轴承故障特征。
5.根据权利要求4所述的轴承故障诊断方法,其特征在于,所述特征融合层还能够将高斯白噪声与所述全局轴承故障增强数据进行融合。
6.根据权利要求1所述的轴承故障诊断方法,其特征在于,训练所述轴承故障诊断模型,包括:
获取轴承故障训练数据集及所述轴承故障训练数据集对应的目标轴承故障类别;
对所述轴承故障训练数据集进行预处理,获得轴承故障训练频域数据集;
将所述轴承故障训练频域数据集作为训练使用的输入数据,并将所述目标轴承故障类别作为训练使用的标签;
根据训练使用的输入数据和训练使用的标签对待训练模型进行训练,获得用于生成故障类别识别结果的轴承故障诊断模型。
7.根据权利要求1所述的轴承故障诊断方法,其特征在于,对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据,包括:
对所述待识别轴承故障数据进行傅里叶变换,以将时域的轴承故障数据转换为频域的轴承故障数据,获得轴承故障频域数据。
8.根据权利要求1所述的轴承故障诊断方法,其特征在于,对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果,包括:
根据所述故障类别识别结果确定故障标签;
根据故障类别映射表查找所述故障标签所对应的故障位置以及故障直径;
输出所述故障位置以及故障直径。
9.一种轴承故障诊断装置,其特征在于,包括:
获取模块,用于获取待识别轴承故障数据;
预处理模块,用于对所述待识别轴承故障数据进行预处理,获得轴承故障频域数据;
诊断模块,用于将所述轴承故障频域数据输入至轴承故障诊断模型中进行识别,以获得故障类别识别结果,其中所述轴承故障诊断模型是基于轴承故障训练数据集及所述轴承故障训练数据集所对应的轴承故障类别训练得到的;所述轴承故障诊断模型能够对所述轴承故障频域数据进行傅里叶变换以提取轴承故障特征,并根据所述轴承故障特征进行识别,获得故障类别识别结果;
后处理模块,用于对所述故障类别识别结果进行后处理,并输出后处理的故障类别识别结果。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现权利要求1至8中任意一项所述的轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988474.0A CN116721097A (zh) | 2023-08-08 | 2023-08-08 | 轴承故障诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988474.0A CN116721097A (zh) | 2023-08-08 | 2023-08-08 | 轴承故障诊断方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721097A true CN116721097A (zh) | 2023-09-08 |
Family
ID=87871926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988474.0A Pending CN116721097A (zh) | 2023-08-08 | 2023-08-08 | 轴承故障诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721097A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034022A (zh) * | 2023-10-10 | 2023-11-10 | 北京科锐特科技有限公司 | 轴承诊断***的训练方法、控制装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
US20220099527A1 (en) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Method and system for performing fault diagnosis by bearing noise detection |
CN116106013A (zh) * | 2022-12-12 | 2023-05-12 | 中国航发南方工业有限公司 | 轴承故障特征识别方法及***、电子设备、存储介质 |
CN116383757A (zh) * | 2023-03-09 | 2023-07-04 | 哈尔滨理工大学 | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
-
2023
- 2023-08-08 CN CN202310988474.0A patent/CN116721097A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
US20220099527A1 (en) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Method and system for performing fault diagnosis by bearing noise detection |
CN116106013A (zh) * | 2022-12-12 | 2023-05-12 | 中国航发南方工业有限公司 | 轴承故障特征识别方法及***、电子设备、存储介质 |
CN116383757A (zh) * | 2023-03-09 | 2023-07-04 | 哈尔滨理工大学 | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034022A (zh) * | 2023-10-10 | 2023-11-10 | 北京科锐特科技有限公司 | 轴承诊断***的训练方法、控制装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
Viola et al. | FaultFace: Deep convolutional generative adversarial network (DCGAN) based ball-bearing failure detection method | |
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 | |
CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
Wang et al. | A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN112051062B (zh) | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 | |
CN116721097A (zh) | 轴承故障诊断方法、装置及电子设备 | |
Manikandan et al. | Vibration-based fault diagnosis of broken impeller and mechanical seal failure in industrial mono-block centrifugal pumps using deep convolutional neural network | |
Zhang et al. | A new method for diagnosing motor bearing faults based on Gramian angular field image coding and improved CNN-ELM | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、***、计算机及存储介质 | |
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 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN114840938A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
Tian et al. | Compound Fault Diagnosis of Stator Interturn Short Circuit and Air Gap Eccentricity Based on Random Forest and XGBoost | |
CN117150408B (zh) | 一种基于多模态对比学习的电机故障诊断方法 | |
Wang et al. | Fault diagnosis of rolling bearing based on relevance vector machine and kernel principal component analysis | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN115114956A (zh) | 一种故障诊断方法及*** | |
CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及*** | |
CN115099264A (zh) | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 | |
Zhao et al. | Dimension reduction graph‐based sparse subspace clustering for intelligent fault identification of rolling element bearings | |
CN118228772B (zh) | 用于输电线路实测行波的测距方法、架构、***及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230908 |