基于一维卷积神经网络的轴承故障诊断方法技术

本发明专利技术提出了一种基于一维卷积神经网络轴承故障诊断方法。滚动轴承作为工业设备中的重要部件，对滚动轴承的健康状况进行监测和诊断是非常重要的。传统的滚动轴承故障诊断方法对轴承故障识别精度低，需要人工提取特征，泛化能力差。本发明专利技术提出的一维卷积神经网络(1D

【技术实现步骤摘要】
基于一维卷积神经网络的轴承故障诊断方法


[0001]本专利技术属于轴承故障诊断领域，具体涉及基于一维卷积神经网络(1D
‑
CNN)的轴承故障诊断方法。

技术介绍

[0002]现代工业设备都配备了相当数量的滚动轴承，滚动轴承是机械传动设备中极其重要的部件，一旦滚动轴承发生故障，将会严重影响到机械设备稳定高效的运行，甚至威胁到设备的安全以及使用寿命。45％
‑
55％的机械故障是由轴承故障的损坏而引起的，为了保证机械设备可以正常可靠的稳定运行，对机械设备智能监测技术的需求从未停止过。
[0003]传统的轴承故障诊断需要具有丰富的机械知识以及较高的专家经验，设计耗时且不能保证通用性，不能满足轴承故障智能诊断的要求。滚动轴承故障诊断的机器学习方法首先从收集到的振动信号中提取故障特征，然后将提取的各种类型的故障特征映射的滚动轴承的不同故障类型中。滚动轴承故障诊断中常用的机器学习方法主要包括支持向量机(SVM)、K
‑
近邻(KNN)、K
‑
均值聚类等。但是这些机器学习方法的分类精度主要取决于特征提取步骤，而且对于不同的故障类型还要重新设计特征提取器，另一方面这些算法具有的只是结构简单的浅层结构，不能很好的学习复杂的轴承振动信号中的一些非线性关系。而深度学习方法在分析复杂和非平稳信号方面有着巨大的优势。
[0004]深度学习可以从复杂和非平稳的轴承振动信号中自动提取故障特征，近年来许多有关滚动轴承故障诊断的研究都利用了深度学习的方法。近些年来，卷积神经网络在模式识别领域取得了巨大的成功，其特点是可以自动的从信号或是图像中提取特征，取代了需要较高专家经验的繁琐特征提取工程。而其中的卷积神经网络(CNN)具有的局部感受野、权重共享和空间域子采样，不仅降低了网络的复杂度，也减少了过拟合的风险，大大提高了模式识别的准确性和效率。使用卷积神经网络(CNN)进行滚动轴承故障识别主要有两种方式，第一种方式是直接使用一维原始振动信号作为模型输入，第二种是将原始振动信号转换为二维图像作为模型的输入。与2D
‑
CNN相比，1D
‑
CNN的网络直接使用一维原始振动信号作为输入，无需任何的预处理。
[0005]为了提高滚动轴承故障诊断的准确性，本专利技术提出了一种基于一维卷积神经网络的轴承故障诊断方法。

技术实现思路

[0006]本专利技术提出了一种基于一维卷积神经网络(1D
‑
CNN)轴承故障诊断方法。滚动轴承作为工业设备中的重要部件，对滚动轴承的健康状况进行监测和诊断是非常重要的。传统的滚动轴承故障诊断方法对轴承故障识别精度低，需要人工提取特征，泛化能力差。本专利技术提出的一维卷积神经网络(1D
‑
CNN)方法不仅能准确诊断轴承故障，而且克服了传统故障诊断方法的缺点。在本专利技术中，提出的卷积核的数目随卷积核大小减小而减少的网络结构，有效提高了滚动轴承故障检测的准确性。
[0007]本专利技术的技术方案步骤如下：
[0008]第一方面，本专利技术提供了一种基于一维卷积神经网络的轴承故障诊断方法，用于通过检测收集到的轴承振动信号，来判断轴承是否故障以及故障的类型，其具体步骤如下：
[0009]S1：对电动机驱动端中的滚动轴承进行电火花人工损伤，形成若干类有损滚动轴承，不同类的有损伤滚动轴承具有不同的故障类型；
[0010]S2：分别针对无损伤滚动轴承以及每一类有损伤滚动轴承，通过部署在滚动轴承上的振动传感器，采集单一负载下的滚动轴承振动信号，形成带有故障类型标签的样本数据集；
[0011]S3：利用所述样本数据集对预先构建的一维卷积神经网络进行训练，得到一个最佳的滚动轴承故障诊断模型，所述一维卷积神经网络的结构依次由输入层、第一卷积层、第一Tanh激活层、第一最大池化层、第一Dropout层、第二卷积层、第二Tanh激活层、第二最大池化层、第二Dropout层、第三卷积层、第三Tanh激活层、第三最大池化层、第三Dropout层、第四卷积层、第四Tanh激活层、第四最大池化层、第五卷积层、第五Tanh激活层、第四Dropout层、Flatten层、Dense层、Softmax层和输出层；模型输入为滚动轴承振动信号，模型输出为故障类型的诊断结果；
[0012]S4：针对待诊断的滚动轴承，按照与S2中相同的做法将振动传感器部署在滚动轴承上，采集滚动轴承在负载下的振动信号，并将该振动信号输入所述滚动轴承故障诊断模型中，得到当前故障类型的诊断结果。
[0013]作为优选，所述S1中，电动机滚动轴承电火花人工损伤要求如下：
[0014]用电火花在电动机驱动端滚动轴承上加工单点损伤，其中损伤位置包括滚动轴承的内圈、滚珠和外圈，内圈和滚珠的损伤直径有多种，外圈的损伤位置沿外圈圆周方向设置多种但损伤直径保持一致，从而形成多类具有不同故障类型的滚动轴承。
[0015]作为优选，所述滚动轴承内圈和滚珠上的损伤直径为0.007英寸、0.014英寸和0.021英寸三种；所述滚动轴承外圈上的损伤位置分别位于外周的3点钟、6点钟和12点钟方向，损伤直径均为0.007英寸)；共有9类具有不同故障类型的滚动轴承。
[0016]作为优选，所述滚动轴承的型号为SKF6205。
[0017]作为优选，所述S2中，针对每一类无损伤或有损伤的滚动轴承采集振动信号的方法如下：
[0018]S21：将振动传感器放置在电动机驱动端的轴承座上方，并连接16通道的数据记录仪，从而构成对滚动轴承进行振动信号采集的采集系统；
[0019]S22：对同一类滚动轴承施加相同的单一负载，电动机驱动端的滚动轴承振动信号由16通道的数据记录仪在12KHZ的采样频率下进行采集；
[0020]S23：将S22中采集的滚动轴承振动信号按照设定的样本信号长度分割为一系列样本信号，将样本信号与相应的故障类型标签一起构建为样本数据集。
[0021]作为优选，所述的单一负载为0HP、1HP、2HP或3HP。
[0022]作为优选，所述的一维卷积神经网络中，第一卷积层采用128个16
×
1的卷积核，第二卷积层采用64个8
×
1的卷积核，第三卷积层采用32个4
×
1的卷积核，第四卷积层采用16个4
×
1的卷积核，第五卷积层采用8个4
×
1的卷积核；第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层的池化核均为2
×
1，步长均为2；第一Dropout层和第二
Dropout层的Dropout比率为0.3，第三Dropout层和第四Dropout层的Dropout比率为0.25。
[0023]作为优选，在利用所述样本数据集对预先构建的一维卷积神经网络进行训练时，数据集被划分为训练集和验证集，其中训练集按照8～256的batch_size大小送入一维卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维卷积神经网络的轴承故障诊断方法，用于通过检测收集到的轴承振动信号，来判断轴承是否故障以及故障的类型，其特征在于，具体步骤如下：S1：对电动机驱动端中的滚动轴承进行电火花人工损伤，形成若干类有损滚动轴承，不同类的有损伤滚动轴承具有不同的故障类型；S2：分别针对无损伤滚动轴承以及每一类有损伤滚动轴承，通过部署在滚动轴承上的振动传感器，采集单一负载下的滚动轴承振动信号，形成带有故障类型标签的样本数据集；S3：利用所述样本数据集对预先构建的一维卷积神经网络进行训练，得到一个最佳的滚动轴承故障诊断模型，所述一维卷积神经网络的结构依次由输入层、第一卷积层、第一Tanh激活层、第一最大池化层、第一Dropout层、第二卷积层、第二Tanh激活层、第二最大池化层、第二Dropout层、第三卷积层、第三Tanh激活层、第三最大池化层、第三Dropout层、第四卷积层、第四Tanh激活层、第四最大池化层、第五卷积层、第五Tanh激活层、第四Dropout层、Flatten层、Dense层、Softmax层和输出层；模型输入为滚动轴承振动信号，模型输出为故障类型的诊断结果；S4：针对待诊断的滚动轴承，按照与S2中相同的做法将振动传感器部署在滚动轴承上，采集滚动轴承在负载下的振动信号，并将该振动信号输入所述滚动轴承故障诊断模型中，得到当前故障类型的诊断结果。2.根据权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述S1中，电动机滚动轴承电火花人工损伤要求如下：用电火花在电动机驱动端滚动轴承上加工单点损伤，其中损伤位置包括滚动轴承的内圈、滚珠和外圈，内圈和滚珠的损伤直径有多种，外圈的损伤位置沿外圈圆周方向设置多种但损伤直径保持一致，从而形成多类具有不同故障类型的滚动轴承。3.根据权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述滚动轴承内圈和滚珠上的损伤直径为0.007英寸、0.014英寸和0.021英寸三种；所述滚动轴承外圈上的损伤位置分别位于外周的3点钟、6点钟和12点钟方向，损伤直径均为0.007英寸)；共有9类具有不同故障类型的滚动轴承。4.根据权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，所述滚动轴承的型号为SKF6205。...

【专利技术属性】
技术研发人员：陈志成，张真诚，李黎，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：