基于深度学习的滚动轴承智能故障诊断方法技术

本发明专利技术公开了一种基于深度学习的滚动轴承智能故障诊断方法，将振动加速度传感器设置在滚动轴承处，采集在多个故障状态和正常状态下的一维时间序列故障数据，并进行预处理，将预处理后的所述数据划分为训练集、验证集和测试集，建立改进的CNN诊断模型，将所述训练集中的数据输入模型用于模型参数的训练和学习，运用验证集的数据对训练过程中的CNN诊断模型诊断准确率进行实时验证，直到获取合适的CNN诊断模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的CNN诊断模型参数，最后将测试集的样本数据输入到已训练改进CNN诊断模型中完成最终的测试，得到最终的故障诊断结果。

【技术实现步骤摘要】
基于深度学习的滚动轴承智能故障诊断方法
本专利技术涉及滚动轴承故障诊断及检测的
，尤其涉及一种基于深度学习的滚动轴承智能故障诊断方法。
技术介绍
随着现代工业技术的快速发展，机械装备日益朝着高速化、精密化、自动化和集成化方向快速发展，滚动轴承的是机械装备中最重要的支撑回转部件之一，常因其工作负荷等影响易于发生各类故障，滚动轴承的运行精度和安全可靠性直接影响机械装备的总体性能，因此对滚动轴承进行故障诊断至关重要，在本专利技术之前，目前市面上针对滚动轴承的故障诊断和状态监测的产品或方法较为稀少，不能满足技术人员智能故障诊断和在线状态监测的需求，Hinton等在《Science》上发表文章提出深度学习理论，它利用深层神经网络对输入样本数据逐层贪婪学习并自动提取代表性特征，它强大的特征提取能力具备识别微小故障特征的潜力，克服了传统智能诊断方法中的固有缺陷，近5年开始受到故障诊断领域学者的关注。而卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习重要的分支之一，它具有强大的特征提取能力，目前主要应用于图像识别。近年来有部分学者将CNN应用于故障诊断领域，但仍使用传统的特征提取方法进行特征提取前处理，未能充分利用CNN强大的特征提取能力，传统的卷积神经网络参数量过多，容易引起CNN模型训练过拟合，导致传统CNN模型因参数量过多使得在用在于故障在线诊断时测试耗时过长，不利于故障的实时快速诊断。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的滚动轴承智能故障诊断方法，减少模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。为实现上述目的，本专利技术提供了一种基于深度学习的滚动轴承智能故障诊断方法，包括：采集一维时间序列故障数据，获取原始故障数据集；对所述一维时间序列故障数据进行预处理；划分数据集；建立改进的CNN诊断模型；验证CNN诊断模型的诊断结果是否出现过拟合现象；结束训练，保存最佳模型参数；完成最终测试，得到最终诊断结果。其中，所述对采集一维时间序列故障数据，获取原始故障数据集，包括：将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集。其中，所述对所述一维时间序列故障数据进行预处理，包括：对采集到的所述一维时间序列故障数据传入输入层，进行标准化数据处理，将所有数据点的值的量级转变为0～1之间。其中，所述对所述一维时间序列故障数据进行预处理，还包括：对标准化处理后的所述数据进行等分截断，建立二维特征图。其中，所述建立二维特征图，包括：所述等分截断后得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段的长度为k个数据点，然后将每个包含了K个数据点的等长的一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]。其中，所述划分数据集，包括：在预处理后的每类故障的多个样本中随机的选取30％的样本数量作为测试集，在剩余的70％的样本中随机取80％作为训练集、20％作为验证集。其中，所述建立改进的CNN诊断模型，包括：所述改进的CNN诊断模型的输入层进行标准化的预处理后将建立的所述二维特征图输送给特征提取层，经过特征提取层处理后的特征图输送给降维减参层，最后输送给softmax分类输出层。其中，所述建立改进的CNN诊断模型后，所述方法还包括：将所述训练集的数据输入CNN诊断模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。其中，所述验证CNN诊断模型的诊断结果是否出现过拟合现象，包括：用所述验证集的数据对训练过程中的CNN诊断模型诊断准确率进行实时验证；若随着模型训练迭代轮数的增加，当验证集上的准确率与训练集上的准确率持续增涨时，则模型训练正常，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数；若随着模型训练迭代轮数的增加，当训练集上的准确率持续增涨而验证集上的准确率没有增涨，且两者准确率差达到预设值时，则诊断模型出现过拟合，停止模型训练，跳转执行将所述训练集的数据重新输入CNN诊断模型，重新修改所述改进的CNN诊断模型结构参数，若重新验证时，没有出现过拟合，则说明模型参数合理，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的CNN诊断模型参数，若重新验证时出现过拟合，则停止训练，再重新修改所述改进的CNN诊断模型结构参数，继续验证，依此反复执行，直到验证成功。其中，所述得到最终诊断结果前，所述方法还包括：将测试集中的数据输入到已通过训练改进的CNN诊断模型中完成最终的测试。本专利技术提供的一种基于深度学习的滚动轴承智能故障诊断方法，将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集，对获取的原始故障数据集的一维时间序列故障数据进行标准化预处理，将预处理后的所述数据划分为训练集、验证集和测试集，建立改进的CNN诊断模型，包括输入层、特征提取层、softmax分类输出层和在所述特征提取层与softmax分类输出层之间设置了降维减参层，将所述训练集中的数据输入模型用于模型参数的训练和学习，运用验证集的样本数据对训练过程中的CNN模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，直到获取合适的CNN模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的CNN诊断模型参数，最后将测试集的样本数据输入到已训练的改进CNN故障诊断模型中完成最终的测试，得到最终的故障诊断结果，减少模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。图1是本专利技术提供的一种基于深度学习的滚动轴承智能故障诊断方法的方法步骤图。图2是本专利技术提供的一种基于深度学习的滚动轴承智能故障诊断方法的流程示意图。图3是本专利技术提供的一种改进的CNN诊断模型的结构示意图。图4是本专利技术提供的一维时间序列序列重构示意图。1-输入层、2-特征提取层、3-降维减参层、4-softmax分类输出层、10-二维特征图、21-第一卷积层、22-第一池化层、23-第二卷积层、24-第二池化层、31-过渡卷积层、32-全局均值池化层。具体实施方式下面详细描述本专利技术的实施例，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，包括：/n采集一维时间序列故障数据，获取原始故障数据集；/n对所述一维时间序列故障数据进行预处理；/n划分数据集；/n建立改进的CNN诊断模型；/n验证CNN诊断模型的诊断结果是否出现过拟合现象；/n结束训练，保存最佳模型参数；/n完成最终测试，得到最终诊断结果。/n

【技术特征摘要】
1.一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，包括：
采集一维时间序列故障数据，获取原始故障数据集；
对所述一维时间序列故障数据进行预处理；
划分数据集；
建立改进的CNN诊断模型；
验证CNN诊断模型的诊断结果是否出现过拟合现象；
结束训练，保存最佳模型参数；
完成最终测试，得到最终诊断结果。


2.如权利要求1所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述采集一维时间序列故障数据，获取原始故障数据集，包括：
将振动加速度传感器设置在滚动轴承处，利用所述振动加速度传感器采集滚动轴承在多个故障状态和正常状态下的一维时间序列振动加速度原始故障数据，组成原始故障数据集。


3.如权利要求2所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述对所述一维时间序列故障数据进行预处理，包括：
对采集到的所述一维时间序列故障数据传入输入层，进行标准化数据处理，将所有数据点的值的量级转变为0～1之间。


4.如权利要求3所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述对所述一维时间序列故障数据进行预处理，还包括：
对标准化处理后的所述数据进行等分截断，建立二维特征图。


5.如权利要求4所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述建立二维特征图，包括：
所述等分截断后得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段的长度为k个数据点，然后将每个包含了K个数据点的等长的一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]。


6.如权利要求4所述的一种基于深度学习的滚动轴承智能故障诊断方法，其特征在于，所述划分数据集，包括：
在预处理后的每类故障的多个样本中随机的选取30％的样本数量作为测试集，在剩余的70％的样本中随机取80％作为训练集、20％作为验...

【专利技术属性】
技术研发人员：宫文峰，张美玲，
申请(专利权)人：宫文峰，
类型：发明
国别省市：广西;45