基于迁移学习振动信号图像识别的轴承故障诊断方法技术

本发明专利技术涉及基于迁移学习振动信号图像识别的轴承故障诊断方法，包含步骤：首先采集轴承振动信号；对轴承振动信号进行预处理得到轴承振动信号图像数据；将多个轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；利用轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；利用适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。本发明专利技术无需大量次数训练，即可达到较高的准确率；单次训练计算的时间需求大幅降低，进一步则降低了计算耗时。

【技术实现步骤摘要】
基于迁移学习振动信号图像识别的轴承故障诊断方法
本专利技术涉及轴承状态监测和故障诊断
，具体地涉及基于迁移学习振动信号图像识别的轴承故障诊断方法。
技术介绍
在各种旋转机械设备中，如电动泵中，轴承往往是其中的一个关键部件，也是容易出故障的部件，其技术状态的好坏往往会影响到整个设备的可用性和安全性。因此，人们对轴承的故障诊断进行了大量研究，主要方法途径有：振动分析法、温度分析法、声学分析法和油样分析法等。其中振动分析法是最主流的分析方法，具有信号获取简便、包含丰富故障信息的优势。目前的研究热点是从振动信号中提取出能够反映轴承故障模式并且对噪声不敏感的特征，从而对其故障进行诊断。轴承在不同状态时，其振动信号的时域波形、频谱、包络谱等图形往往具有不同的特征。工程人员在进行轴承的故障判定时，一个重要的途径就是观察轴承运转时这些图形，分析其具有的特征。这一过程难以实时在线进行，且其判定结果极大地依赖于人的专业水平的经验。近年来，随着图像识别技术日趋成熟，也有将图像识别技术应用在轴承的故障诊断中的解决方案，现有技术的基本原理都是利用计算机自动识别振动信号图像所对应的故障状态，从而实现对轴承故障的自动判定，可以不需要人工干预，是一种可行有效的技术途径。但现有技术的缺陷在于：1.需要数量巨大的样本进行训练，才能达到较高的准确率；2.单次训练计算量需求很大，导致耗时很长。上述两个缺陷综合起来，即现有技术要达到较高的故障识别准确率，需要耗费的时间和计算成本是很高昂的，限制了技术的发展和应用推广。
技术实现思路
本专利技术针对上述问题，提供基于迁移学习振动信号图像识别的轴承故障诊断方法，其目的在于降低模型所需训练次数和单次训练所需计算时间。为解决上述问题，本专利技术提供的技术方案为：基于迁移学习振动信号图像识别的轴承故障诊断方法，包含以下步骤：首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；然后利用所述轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；·然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。优选地，每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致。优选地，所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致。优选地，所述轴承状态包含“正常运行”、“滚珠故障”、“内圈故障”、和“外圈故障”。优选地，在对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新之前，先调整所述全连接层的输出神经元的个数与所述轴承状态的个数相等，且同时调整所述softmax层的输出神经元的个数与所述轴承状态的个数相等。优选地，所述softmax层按下式定义：其中：si为输入的轴承振动信号属于第i种状态的得分；pi代表输入的轴承振动信号属于第i种状态的概率，且N为轴承振动信号图像样本数据集中的轴承状态的总数。优选地，所述BP算法采用交叉熵损失函数；所述交叉熵损失函数按下式定义：其中：L为交叉熵损失函数；yi为模型实际输出值；zi模型预测输出值。优选地，在对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新之前，先将全连接层的输出神经元的参数和softmax层的输出神经元的参数初始化为互不相同的随机数；然后将全连接层的输出神经元和softmax层的输出神经元全部设为可训练状态；将InceptionvV3模型的特征提取器中的神经元的学习率设为0。优选地，利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断，包含以下步骤：首先获取所述轴承振动信号；然后将所述轴承振动信号预处理后得到的所述轴承振动信号图像数据，输入到所述适用于轴承故障诊断的InceptionV3模型；最后输出计算得到的所述轴承状态。本专利技术与现有技术对比，具有以下优点：1.由于采用了迁移学习对InceptionV3模型进行训练，从而无需大量次数的训练，即可达到较高的准确率；2.由于采用了迁移学习对InceptionV3模型进行训练，从而使单次训练计算的时间需求大幅降低，进一步则降低了计算耗时。附图说明图1为本专利技术具体实施例的基于迁移学习振动信号图像识别的轴承故障诊断方法的训练方法原理示意图；图2为本专利技术具体实施例的基于迁移学习振动信号图像识别的轴承故障诊断方法的流程示意图。图3a为本专利技术具体实施例输入为时域图像时的准确率和交叉熵变化曲线；图3b为本专利技术具体实施例输入为频谱图像时的准确率和交叉熵变化曲线；图3c为本专利技术具体实施例输入为包络谱图像时的准确率和交叉熵变化曲线；图4a为本专利技术具体实施例输入为时域图像时的CNN特征向量三维散点计算机模拟图；图4b为本专利技术具体实施例输入为频谱图像时的CNN特征向量三维散点计算机模拟图；图4c为本专利技术具体实施例输入为包络谱图像时的CNN特征向量三维散点计算机模拟图；图5为本专利技术具体实施例运用与不运用迁移学习时训练集的准确率变化曲线对比示意图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。需要事先说明的是，本具体实施例针对的是利用CaseWesternReserveUniversity轴承数据中心，网址为https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website，所提供的不同状态下的SKF的6205-2RS型滚珠轴承的振动数据进行模拟，所采集的轴承振动信号是该轴承的振动加速度信号；SKF的6205-2RS型滚珠轴承的参数为：内圈直径0.9843英寸，外圈直径为2.0472英寸，中经为1.537英寸，厚度为0.5906英寸，滚珠直径为0.3126英寸。本专利技术的方法可以用在任意能表征轴承运动状态的信号上，而不局限于本具体实施例中所述的振动加速度信号。其次，轴承振动信号的时域波形、频谱和包络谱图像数据均包含丰富的对象特征信息，为对比分析本文档来自技高网...

【技术保护点】
1.基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：包含以下步骤：/n首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；/n然后利用所述轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；·/n然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。/n

【技术特征摘要】
1.基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：包含以下步骤：
首先采集轴承振动信号；对所述轴承振动信号进行预处理得到轴承振动信号图像数据；将多个所述轴承振动信号图像数据及其对应的轴承状态以集合的形式保存，得到轴承振动信号图像样本数据集；
然后利用所述轴承振动信号图像样本数据集，采用BP算法对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新，得到适用于轴承故障诊断的InceptionV3模型；·
然后利用所述适用于轴承故障诊断的InceptionV3模型对轴承进行故障诊断。


2.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：每次采集所述轴承振动信号时的采样频率一致；每次采集所述轴承振动信号时的采样数据的个数一致。


3.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述轴承振动信号图像数据的分辨率为800*600；每个所述轴承振动信号图像数据的坐标尺度都一致。


4.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：所述轴承状态包含“正常运行”、“滚珠故障”、“内圈故障”、和“外圈故障”。


5.根据权利要求1所述的基于迁移学习振动信号图像识别的轴承故障诊断方法，其特征在于：
在对InceptionvV3模型的全连接层的输出神经元的参数和InceptionvV3模型的softmax层的输出神经元的参数进行训练更新之前，先调整所述全连接层的输出神经元的个数与所述轴承状态的个数相等，且同时调整所述sof...

【专利技术属性】
技术研发人员：余刃，谢旭阳，彭俏，王天舒，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：湖北;42