基于CNN模型和迁移学习的滚动轴承故障诊断方法技术

本发明专利技术针对基于模式识别的滚动轴承故障诊断方法适用性较差以及训练样本量不足的问题，提出了一种基于CNN模型和迁移学习的滚动轴承故障诊断方法，其包括以下步骤：首先，利用计算机仿真的方法，构造不同类别的滚动轴承故障仿真数据，对CNN模型进行训练和测试；然后，利用第一目标域数据和仿真数据集构建新训练集，将CNN模型的大部分参数迁移到目标域数据上，得到新CNN模型；再将第二目标域的数据集加入到原建训练集重新构建训练集，逐次进行迁移学习和更新模型的参数。利用该方法，CNN模型更容易收敛，降低了CNN模型的训练成本，降低了对目标域上的样本数据量的要求，得到的新CNN模型有更强的鲁棒性和适用性。

Fault Diagnosis Method of Rolling Bearing Based on CNN Model and Migration Learning

【技术实现步骤摘要】
基于CNN模型和迁移学习的滚动轴承故障诊断方法
本专利技术属于故障诊断
，特别是一种基于卷积神经网络(CNN，ConvolutionalNeuralNetwork)模型和迁移学习的滚动轴承故障诊断方法。
技术介绍
在现代机械工业设备中，旋转机械通常占90％以上，而滚动轴承又是各种旋转机械中最常见的一种通用部件，滚动轴承的运行状态正常与否往往直接影响到整台机器的性能。但是在工作过程中，滚动轴承由于润滑剂污染、过载等原因可能会发生轴承外圈损坏、轴承内圈损坏、滚动体损坏等各类故障，因此有效的滚动轴承故障诊断和状态检测对设备的稳定长久运行具有十分重要的意义。滚动轴承的故障诊断方法主要有温度法、油液法和振动法，其中振动法在轴承故障诊断中应用较为广泛。振动法轴承故障监测和诊断技术，使用传感器采集设备运行过程中轴承的振动信号，再对采集到的振动信号进行放大、滤波和转换等处理得到振动信号的幅值或频率，最后把振动信号的幅值或频率与规定的阈值进行对比，判断轴承是否存在故障。但是上述判断结果均依赖于专业人员的经验，包含了较多的主观因素。因此，随着模式识别和深度学习技术的迅速发展，大量学者对机器学习在故障诊断领域的应用也进行了研究。然而目前大多数基于机器学习的故障诊断方法较难应用到实际工程当中，其原因在于：1)难以获得大量的人工标注好的数据；2)设备工况复杂，在不同工况下，采集到的数据差异较大，数据分布不同，使得同一模型只能在特定的数据上发挥作用。
技术实现思路
本专利技术所要解决的技术问题是，提出一种基于CNN模型和迁移学习的滚动轴承故障诊断方法，用以解决目前基于机器学习的故障诊断方法普适性较差和依赖于大量人工标注样本的问题。本专利技术采用的技术方案包括以下步骤：S1、构造滚动轴承振动信号仿真表达式，利用所述滚动轴承振动信号仿真表达式生成不同类别故障的仿真样本时域图数据集；S2、设定CNN模型的超参数，利用所述仿真时域图数据集训练CNN模型，得到一个CNN特征提取模型和分类模型，具体实现方式如下：S21、将S1得到的仿真样本时域图数据集进行数据扩充，包括水平翻转、图像明暗度调整、添加噪声或微调图像色彩；S22、确定CNN模型的超参数以及优化方式，包括：网络层数、每层网络的卷积核的大小及数量、正则化参数或学习率衰减函数；S23、初始化网络参数并输入训练集进行训练，经若干次迭代，计算模型在训练集和测试集上的损失函数和准确率变化，若测试集上的损失函数未呈现随迭代次数不断下降的趋势，则回到步骤S22重新调整超参数进行训练，最终得到一个CNN特征提取和分类模型；S3、对所述CNN模型进行第一次迁移学习，构建新CNN模型，具体步骤如下：S31、将第一目标域的数据进行归一化和去噪等预处理，得到时域图数据集，按照比例8：2划分为训练集和测试集，将第一目标域训练集与仿真数据集按照1:1的比重,重新构建新训练集,若仿真数据集数量较大，则只需从仿真数据集中随机取出与目标域训练集等数量的部分；S32、固定步骤S2得到的CNN模型的部分层的参数，用步骤S31得到的新训练集对所述CNN模型进行训练，训练过程中只更新所述CNN模型中最后n＝2层的参数，经若干次迭代后，若所述CNN模型的准确率较低,再增加CNN模型更新的层数,n＝n+1，重新对所述CNN模型进行训练，直到得到准确率满足要求的新CNN模型；S33、用第一目标域测试集对步骤S32得到的新CNN模型进行测试，验证新CNN模型的性能；S4、对第一次迁移学习得到的新CNN模型进行第二次迁移学习，重新构建适用于新目标与的CNN模型，具体步骤如下：S41、对第二目标域上的数据进行归一化和去噪预处理，并按照8:2的比例划分为训练集和测试集，将所述第二目标域训练集与第一目标域训练集和仿真数据集在数量上按照1:1:1的比例融合构建新的训练集,若不同域的数据集数量差别悬殊，按数量最少的数据集从其他域中等比例随机取出；以及S42、固定步骤S3得到的新CNN模型的部分层的参数，用步骤S41得到的新训练集对所述新CNN模型进行训练，更新CNN模型中最后m层的参数，此时m<n，以保证第一次迁移时所更新的参数在第二次迁移中不被完全更新，仍能起到特征提取的作用，若所述CNN模型的准确率较低,在满足m<n的条件下，可考虑增加新的全连接层，再进行训练，直到得到准确率满足要求的CNN模型。更进一步地，所述步骤S1中，在轴承正常状态时，轴承不会产生脉冲冲击，在仿真生成时域图数据时，只需考虑低频干扰信号和环境噪声，所以构造轴承正常状态的时域图数据集的公式如下：x1＝asin(2πf1t)+bsin(2πf2t)(1)y＝x1+N(2)x1为低频干扰信号，a和b分别为低频干扰信号的幅值，N为信噪比为20的环境噪声信号,y为加入噪声的低频干扰信号。更进一步地，所述步骤S1中，在轴承外圈故障时，假设轴承振动信号传感器安装在径向载荷密度最大的地方，损伤点位于载荷区的某一位置，由于轴承外圈故障位置相对于传感器不变，因此轴承外圈故障引起的脉冲冲击的大小和方向不变，该周期冲击信号可表示为式(3)：其中，δ(t)为单位脉冲函数；Fm为脉冲冲击强度；k为整数；T＝1/f为脉冲之间的时间间隔，其中f为轴承外圈故障特征频率。另由于故障引起的脉冲冲击是不断产生的，但阻尼比较大，衰减很快，因此，各个衰减基本独立，相互影响很小。指数衰减函数可表示为式(4)：F1(t)＝F(t)*e(t)(5)式(5)中的“*”代表卷积运算，式(3)和式(4)的卷积结果F1(t)即为周期性脉冲力的振动信号。更进一步地，所述步骤S1中，在轴承运转时，轴承内圈随之转动，在轴承内圈故障时，因此，轴承故障的脉冲冲击的大小和方向会受到载荷分布和损伤点位置的影响，轴承承受的径向载荷的载荷分布可以由式(6)表示，滚动体对轴承内圈的脉冲力的作用方向由式(7)表达：式中：对于球轴承，n＝1.5；ε为载荷分布系数；φ为载荷的方向与传感器轴线方向的夹角，Fm为脉冲力强度。考虑载荷分布和损伤点位置的影响情况下，将式(6)，式(7)叠加到式(5)即得到轴承内圈损伤时的仿真振动信号。更进一步地，所述步骤S1中，滚动体上的损伤与轴承内圈和轴承外圈作用产生的脉冲力均不同，滚动体受到的脉冲力如表达式(8)所示，由其与轴承外圈接触受到的脉冲力和与轴承内圈接触受到的冲击力组成。表达式(9)是与轴承外圈接触受到的脉冲力，表达式(10)是与轴承内圈接触受到的冲击力，其中Fm1是轴承外圈对滚动体的冲击力强度，Fm2是轴承内圈对滚动体的冲击力强度，Tb是滚动体自传周期。F(t)＝F1(t)+F2(t)(8)将式(6)，式(7)叠加到式(8)与式(4)的卷积即可得到滚动体故障的仿真信号。本专利技术的有益效果在于：本专利技术提出的基于CNN和迁移学习的滚动轴承故障诊断方法，利用计算机仿真的方法，构造不同类别的滚动轴承故障仿真数据，对CNN特征提取及分类模型进行训练和测试，建立CNN模型；将第一目标域数据、第二目标域数据集加入到原训练集重新构新建训练集，以此不断丰富数据集的多样性，通过两次移学习逐次更新模型的参数，得到新CNN模型。利用该方法，在迁移过程中CNN模型更容易收敛，降低了CNN模型的训练成本，且降低了对目标域本文档来自技高网...

【技术保护点】
1.一种基于CNN模型和迁移学习的滚动轴承故障诊断方法，其特征在于，其包括以下步骤：S1、构造滚动轴承振动信号仿真表达式，利用所述滚动轴承振动信号仿真表达式生成不同类别故障的仿真时域图数据集；S2、设定CNN模型的超参数，利用所述仿真时域图数据集训练CNN模型，得到一个CNN特征提取模型和分类模型，具体步骤如下：S21、将步骤S1得到的仿真时域图数据集进行数据扩充，包括水平翻转、图像明暗度调整、添加噪声或微调图像色彩；S22、确定CNN模型的超参数以及优化方式，包括：网络层数、每层网络的卷积核的大小及数量、正则化参数或学习率衰减函数；S23、初始化网络参数并输入训练集进行训练，迭代若干次，计算模型在训练集和测试集上的损失函数和准确率变化，若测试集上的损失函数未呈现随迭代次数不断下降的趋势，则回到步骤S22重新调整超参数进行训练，得到CNN模型；S3、对所述CNN模型进行第一次迁移学习，构建新CNN模型，具体步骤如下：S31、将第一目标域的数据进行归一化和去噪等预处理，得到时域图数据集，按照比例8：2划分为训练集和测试集，将第一目标域训练集与仿真数据集按照1:1的比重,重新构建新训练集,若仿真数据集数量较大，则只需从仿真数据集中随机取出与目标域训练集等数量的部分；S32、固定步骤S2得到的CNN模型的部分层的参数，用步骤S31得到的新训练集对所述CNN模型进行训练，训练过程中只更新所述CNN模型中最后n＝2层的参数，经若干次迭代后，若所述CNN模型的准确率低于设定标准,再增加CNN模型更新的层数,n＝n+1，重新对所述CNN模型进行训练，直到得到准确率满足要求的新CNN模型；S33、用第一目标域测试集对步骤S32得到的新CNN模型进行测试，验证新CNN模型的性能；S4、对第一次迁移学习得到的新CNN模型进行第二次迁移学习，重新构建适用于新目标与的CNN模型，具体步骤如下：S41、对第二目标域上的数据进行归一化和去噪预处理，并按照8:2的比例划分为训练集和测试集，将所述第二目标域训练集与第一目标域训练集和仿真数据集在数量上按照1:1:1的比例融合构建新的训练集,若不同域的数据集数量差别悬殊，按数量最少的数据集从其他域中等比例随机取出；以及S42、固定步骤S3得到的新CNN模型的部分层的参数，用步骤S41得到的新训练集对所述新CNN模型进行训练，更新CNN模型中最后m层的参数，此时m<n，以保证第一次迁移时所更新的参数在第二次迁移中不被完全更新，仍能起到特征提取的作用，若所述CNN模型的准确率低于设定标准,在满足m<n的条件下，可考虑增加新的全连接层，再进行训练，直到得到准确率满足要求的CNN模型。...

【技术特征摘要】
1.一种基于CNN模型和迁移学习的滚动轴承故障诊断方法，其特征在于，其包括以下步骤：S1、构造滚动轴承振动信号仿真表达式，利用所述滚动轴承振动信号仿真表达式生成不同类别故障的仿真时域图数据集；S2、设定CNN模型的超参数，利用所述仿真时域图数据集训练CNN模型，得到一个CNN特征提取模型和分类模型，具体步骤如下：S21、将步骤S1得到的仿真时域图数据集进行数据扩充，包括水平翻转、图像明暗度调整、添加噪声或微调图像色彩；S22、确定CNN模型的超参数以及优化方式，包括：网络层数、每层网络的卷积核的大小及数量、正则化参数或学习率衰减函数；S23、初始化网络参数并输入训练集进行训练，迭代若干次，计算模型在训练集和测试集上的损失函数和准确率变化，若测试集上的损失函数未呈现随迭代次数不断下降的趋势，则回到步骤S22重新调整超参数进行训练，得到CNN模型；S3、对所述CNN模型进行第一次迁移学习，构建新CNN模型，具体步骤如下：S31、将第一目标域的数据进行归一化和去噪等预处理，得到时域图数据集，按照比例8：2划分为训练集和测试集，将第一目标域训练集与仿真数据集按照1:1的比重,重新构建新训练集,若仿真数据集数量较大，则只需从仿真数据集中随机取出与目标域训练集等数量的部分；S32、固定步骤S2得到的CNN模型的部分层的参数，用步骤S31得到的新训练集对所述CNN模型进行训练，训练过程中只更新所述CNN模型中最后n＝2层的参数，经若干次迭代后，若所述CNN模型的准确率低于设定标准,再增加CNN模型更新的层数,n＝n+1，重新对所述CNN模型进行训练，直到得到准确率满足要求的新CNN模型；S33、用第一目标域测试集对步骤S32得到的新CNN模型进行测试，验证新CNN模型的性能；S4、对第一次迁移学习得到的新CNN模型进行第二次迁移学习，重新构建适用于新目标与的CNN模型，具体步骤如下：S41、对第二目标域上的数据进行归一化和去噪预处理，并按照8:2的比例划分为训练集和测试集，将所述第二目标域训练集与第一目标域训练集和仿真数据集在数量上按照1:1:1的比例融合构建新的训练集,若不同域的数据集数量差别悬殊，按数量最少的数...

【专利技术属性】
技术研发人员：韩天，王泽，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11