一种滚动轴承故障诊断方法技术

本发明专利技术涉及一种滚动轴承故障诊断方法，其利用卷积神经网络理论的学习算法完成故障诊断所需的特征提取任务，可以不依赖人工选择，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，并能自动挖掘出隐藏在已知数据中的丰富信息；此外，采用了支持向量回归方法对测试样本进行分类识别，支持向量回归具有强大的泛化能力，对未知的新样本进行识别具有更好的精度，采用支持向量回归作为分类器对样本进行分类识别，可以克服深度学习默认的分类器泛化能力一般的缺点。本发明专利技术能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂机械系统故障诊断中。

Fault diagnosis method for rolling bearing

The invention relates to a rolling bearing fault diagnosis method, using the learning algorithm based on convolutional neural network required to complete fault diagnosis feature extraction task, can not rely on artificial selection, from simple to complex, from low to high automatically extract the essential characteristics of the input data, and can automatically find plenty of information hiding in the known in the data; in addition, using support vector regression method to classify the test samples, support vector regression has strong generalization ability, a new sample of the unknown identification has better accuracy, using support vector regression as the classifier to classify samples, the generalization capability can overcome the disadvantages of general default deep learning. The invention can improve the accuracy of fault diagnosis of rolling bearing and effective, providing a new effective way to solve the problem of fault diagnosis of rolling bearing fault diagnosis of complex mechanical system can be widely used in chemical industry, metallurgy, electric power, aviation and other fields.

【技术实现步骤摘要】
一种滚动轴承故障诊断方法
本专利技术属于机械故障诊断和计算机人工智能
，尤其涉及一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法。
技术介绍
滚动轴承是旋转机械中最为重要的关键部件之一，滚动轴承被广泛应用于化工、冶金、电力、航空等各个重要领域，但同时它也经常处在高温、高速、重载等恶劣的工作环境中，致使滚动轴承是最易损坏的元件之一。轴承性能与工况的好坏直接影响到与之相关联的轴以及安装在转轴上的齿轮乃至整台机器设备的性能，其缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏，事实上，机械失效问题归因于轴承故障的机率非常高。因此，对滚动轴承故障进行诊断，尤其是对于早初期故障的分析，实现快速、准确的轴承故障监测对于机械设备的正常工作以及安全生产具有重大的意义。特征提取实质上是一种变换，通过映射或变换的方式将样本在不同空间中进行转换。目前常用的机械故障特征提取方法主要有傅里叶变换(FourierTransform，简称FT)、快速傅里叶变换(FastFourierTransform，简称FFT)、小波变换(WaveletTransform，简称WT)、和经验模态分解(EmpiricalModeDecomposition，简称EMD)、希尔伯特-黄变换(Hilbert-HuangTransform，简称HHT)等。傅里叶变换作为线性时频分析方法，能够清晰快速地处理信号，具有一定的时频分辨率，其灵活性和实用性较为突出，但是由于傅里叶变换是信号在频域的表示，时间分辨率为零，并且它对非线性、非平稳信号具有不确定性，导致其应用范围具有局限性。FFT方法无法同时兼顾信号在时域和频域中的全貌和局部化问题。小波变换可以对时间频率进行局部化分析，达到高频处时间细分，低频处频率细分，自适应地对时频信号进行分析，但是小波基不同，分解结果不同，小波基比较难选择。EMD方法能将信号分解为多个IMF(IntrinsicModeFunction，本征模态函数)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。HHT是通过信号的EMD分节，是非平稳信号平文化，它摆脱了线性和平稳性的束缚，对突变信号有高精度。目前所使用的特征提取方法基于信号处理技术，主要以人工提取为主，故障诊断的识别精度依赖于特征提取的优劣程度。鉴于上述的缺陷，本设计人积极加以研究创新，以期创设一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法，以提高滚动轴承故障诊断的准确性和有效性。
技术实现思路
为解决上述技术问题，本专利技术的目的是提供一种基于卷积神经网络和支持向量回归的滚动轴承故障诊断方法，其首先采用卷积神经网络来学习提取训练样本数据的有效特征，之后采用支持向量回归分类方法对测试样本进行分类识别，从而确定滚动轴承故障工况类别，实现对滚动轴承故障类别的诊断，以提高滚动轴承故障诊断的准确性和有效性。本专利技术的滚动轴承故障诊断方法，包括如下步骤：步骤1：在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神机网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数；步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，得到每种工况下的各个训练样本对应的训练样本特征信息，用所提取的训练样本特征训练支持向量回归分类器；步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；步骤5：将测试样本作为确定连接权值和偏置参数的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；步骤6：将测试特征信息作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的支持向量回归分类器对测试样本与训练样本进行匹配诊断，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。进一步的，所述步骤2中所建立的卷积神经网络模型的均方误差损失函数为：其中，是样本m的第k个目标标签值，是对应的第k个网络输出值。求解使均方误差损失函数最小的参数来建立网络，通过以下公式实现：步骤2.1：卷积神经网络通过几个过程来求解公式(2)。第一步将要训练的数据输入卷积层，进行卷积运算。每一隐藏层的输入是上一层的输出，计算公式如下：si＝ρ(vi),withvi＝Wi·si-1+bi.(3)其中，Wi是卷积神经网络相邻两层之间的连接权值，s是输入的训练数据，bi是卷积神经网络相邻两层之间的偏置参数，ρ是激活函数。根据上述激活概率，当将给定训练样本输入至可见层节点时，采用卷积神经网络模型的分布函数激励隐含层的所有节点后，再进行下一隐含层节点的激励，从而重新获得新层节点值。一个卷积层会包含几个不同的卷积特征图，因此本层的输出可以表示为前一层所有卷积特征图的加和，公式显示如下：其中，符号*代表卷积运算，卷积运算可以表示如下：卷积神经网络求解公式(2)的第二步是将从卷积层输出的特征输入到一个下采样层(又叫池化层)，下采样层的作用是聚合。聚合公式为：其中down(·)表示下采样公式，代表第l层第i个节点的乘性偏置，代表第l层第i个节点的加性偏置。步骤2.2：对步骤2.1所得卷积神经网络的最后一层输出，采用有监督逐层训练方法进行逐层训练和调优，具体方式为：使用前向传播计算权重和偏置。由步骤2.1所得的卷积神经网络模型最后一层隐含层的输出作为输入被逐层传播到输出层，得到预测的分类类别。用链式求导计算损失函数对每个权重的梯度，即灵敏度。梯度计算公式为：在卷积神经网络中，第l层的梯度(灵敏度)的计算表达式为：其中，代表每个元素相乘。由此得到各个隐含层中各个节点的灵敏度δ之后，按下式对卷积神经网络模型的连接权值进行更新调优：根据训练样本的工况标签确定训练样本的实际分类结果，将训练预测输出的分类结果与训练样本的实际分类结果进行比较得到分类误差，将分类误差逐层向后传播，从而实现对卷积神经网络模型各层的连接权值参数进行调优，连接权值进行更新的具体公式为：其中，η是学习率。经过上述逐层训练，直至得到卷积神经网络模型最后一层隐含层的输出。对卷积神经网络模型各层的连接权值进行调优后，最终确定整个卷积神经网络模型的连接权值和偏置参数。进一步的，所述步骤6采用支持向量回归分类方法对测试样本与训练样本进行匹配的具体方式为：步骤6.1：寻找一个支持向量回归的最优超平面。支持向量回归函数的定义如下：其中，xi是输入的样本特征，和αi是拉格朗日乘子，b是偏置，K(·)是核函数。本专利技术本文档来自技高网...

【技术保护点】
一种滚动轴承故障诊断方法，其特征在于，包括步骤：步骤1：当滚动轴承在四种不同工况下转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神经网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数等；步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，并用所提取的训练样本特征训练支持向量回归分类器，得到支持向量回归分类器模型；步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；步骤5：将测试样本作为训练好的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定了连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；步骤6：将测试特征信息作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的支持向量回归分类器对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。...

【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于，包括步骤：步骤1：当滚动轴承在四种不同工况下转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号数据作为训练样本；步骤2：建立卷积神经网络模型，采用训练样本对卷积神经网络模型进行训练，将训练样本输入卷积神经网络模型中，采用有监督逐层训练方法进行逐层训练和调优，得到卷积神经网络模型的连接权值和偏置参数等；步骤3：将各种工况下的训练样本分别作为确定连接权值和偏置参数的卷积神经网络模型的输入，对训练样本进行深度学习，采用确定连接权值和偏置参数的卷积神经网络模型分别对每种工况下的各个训练样本进行有效特征提取，并用所提取的训练样本特征训练支持向量回归分类器，得到支持向量回归分类器模型；步骤4：通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；步骤5：将测试样本作为训练好的卷积神经网络模型的输入，对测试样本进行深度学习，采用确定了连接权值和偏置参数的卷积神经网络模型对测试样本进行特征提取，得到测试样本特征信号；步骤6：将测试特征信息作为测试样本的匹配特征，将每种工况下的各个训练样本对应的训练样本特征信息作为匹配基准，采用训练好的支持向量回归分类器对测试样本与训练样本进行分类匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别，从而得到待测滚动轴承的故障诊断结果。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：所述步骤2中建立的卷积神经网络模型的均方误差损失函数为：其中，是样本m的第k个目标标签值，是对应的第k个网络输出值，求解使均方误差损失函数最小的参数来建立网络，通过以下公式实现：步骤2.1：卷积神经网络通过两步来求解公式(2)，第一步将要训练的数据输入卷积层，进行卷积运算，每一隐藏层的输入是上一层的输出，计算公式如下：si＝ρ(vi),withvi＝Wi·si-1+bi.(3)其中，Wi是卷积神经网络相邻两层之间的连接权值，s是输入的训练数据，bi是卷积神经网络相邻两层之间的偏置参数，ρ是激活函数；本层的输出可以表示为前一层所有卷积特征结果的加和，公式显示如下：其中，符号*代表卷积运算，卷积运算可以表示如下：卷积神经网络求解公式(2)的第二步是将从卷积层输出的特征输入到一个下采样层，下采样层用于聚合，聚合公式为：其中down(·)表示下采样公式，代表第l层第i个节点的乘性偏置，代表第l层第i个节点的加性偏置。步骤2.2：对步骤2.1所得卷积神经网络的最后一层输出，采用有监督逐层训练方法进行逐层训练和调优，具体方式为：使用前向传播计算权重和偏置：由步骤2.1所得的卷积神经网络模型最后一层隐含层的输出作为输入被逐层传播到输出层，得到预测的分类类别；用链式求导计算损失函数对每个权重的梯度，梯度计算公式为：在卷积神经网络中，第l层的梯度(灵敏度)的计算表达式为：其中，代表每个元素相乘；根据训练样本的工况标签确定训练样本的实际分类结果，将训练预测输出的分类结果与训练样本的实际分类结果进行比较得到分类误差，将分类误差逐层向后传播，从而实现对卷积神经网络模型各层的连接权值参数进行调优...

【专利技术属性】
技术研发人员：朱忠奎，曹世杰，尤伟，沈长青，刘承建，黄伟国，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32