基于EMD和多通道卷积神经网络的轴承故障诊断方法技术

本发明专利技术提供了一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，属于齿轮箱轴承故障诊断的技术领域，包括以下步骤：使用EMD将非线性振动信号分解为一系列IMF信号和一个余项；计算各IMF分量的峭度值，对IMF分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的IMF分量；利用加权值挑选出具有明显特征的IMF分量；进行卷积运算。深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。提升了机械故障诊断效率。

【技术实现步骤摘要】
基于EMD和多通道卷积神经网络的轴承故障诊断方法


[0001]本专利技术属于齿轮箱轴承故障诊断的
，尤其是涉及一种基于EMD 和多通道卷积神经网络的轴承故障诊断方法。

技术介绍

[0002]齿轮箱在机械、电气等领域应用广泛，其中轴承是齿轮箱中重要的零部件。实际使用中，往往需要在很短的工期内完成较多的任务，齿轮箱需要长期超载运行，因此经常出现故障，造成不必要的停机。轴承作为齿轮箱中较易损坏的部件，因此对轴承进行早期故障诊断非常有必要。然而，轴承发生故障的情况多种多样，十分复杂，使用传统故障诊断方法，在处理复杂情况下采集的故障信号时，信号比较单一，处理方法较难达到理想的效果。
[0003]因此，深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，以缓解上述的技术问题。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，包括以下步骤：
[0007](1)使用EMD对振动信号进行分解：将任意非线性信号分解为一系列IMF 信号和一个余项。
[0008][0009]式中n为分解得到的IMF分量的个数；c
i
(t)为第i个IMF分量；r
n
(t)为最终残余分量。
[0010]假设待分解信号为x(t)，具体的算法流程如下：
[0011]第一步：利用样条插值方法拟合得到上、下包络线。
[0012]第二步：用x(t)减去上、下包络线的均值m1(t)得到一个分量k1(t)
[0013]h1(t)＝x(t)
‑
m1ꢀꢀꢀꢀ
(2)
[0014]第三步：判断h1(t)是否满足IMF条件，若满足，则将h1(t)记为 c1，作为第一个IMF。否则重复上述步骤，假设直至第k次满足条件，得到
[0015]c1＝h
1(k
‑
1)
(t)
‑
m1ꢀꢀꢀ
(3)
[0016]第四步：从x(t)中减去c1(t)，得到残余分量r1(t)，将r1(t)重复步骤(1)、(2)，并将得到的新残余分量判断是否需要分解，若需要，则重复上述步骤，否则停止分解。
[0017](2)对IMF分量的峭度值、相关系数进行加权运算：振动信号经EMD分解后，计算各IMF分量的峭度值。
[0018]相关系数ρ反映含噪信号x(t)与各阶IMF之间相关关系的密切程度。
[0019][0020]式中：c为矩阵的协方差矩阵；N为信号的采样点数。
[0021](3)去掉分解后的残差项，选择峭度值较大IMF分量：通过分析各阶IMF 与x(t)的ρ，结合EMD方法与噪声自身的特点，选择相关系数较大的IMF分量达到去噪目的。由于各阶IMF是由x(t)分解得到的，在多数情况下应有0＜ρ＜1。但实验发现，当含噪信号x(t)的信噪比较大时，会出现其分解得到的某高阶IMF与自身的相关系数小于0的情况。由于欲通过相关系数反应各阶IMF中碰摩AE信号能量与噪声能量的相对变化趋势，故当相关系数为负数时，对其取绝对值即可。
[0022](4)利用加权值挑选出具有明显特征的IMF分量，计算流程如下：
[0023][0024]其中，Q表示IMF分量数量，ku
{i}
表示第i个IMF分量峭度值。
[0025]T
(i)
＝0.8*ω
(i)
+0.2*
ꢀꢀꢀ
(6)
[0026]其中，P
(i)
表示第i个IMF分量的相关系数，T
(i)
表示第i个IMF分量的加权值。
[0027](5)进行卷积运算：首个卷积层使用单个大卷积核进行卷积运算，可提高网络模型的鲁棒性，在后续网络结构中加入多通道卷积模块。
[0028](6)网络结构参数设计：MC
‑
CNN综合使用单通道卷积和多通道卷积模块，可有效提取故障特征。
[0029](7)选择模型损失函数与训练方法：训练过程中，采用Adam自适应优化器更新网络训练参数直至得到最优解，训练批次大小设置为128，迭代次数为160，最后使用Softmax分类器实现故障分类。
[0030](8)初始化多通道卷积神经网络并开始训练：在确定该方法的准确率后，构造低信噪比信号对网络结构进行测试，并与其他网络结构进行横向对比。
[0031](9)利用测试集完成测试后进行鲁棒性测试：在原信号的基础上，加入对应噪声构造信噪比
‑
6、
‑
4、
‑
2、0的信号。使用加权值方法得到图像数据集，不同的网络模型利用该数据集进行训练。实验结果表明MC
‑
CNN在不同信噪比下均高于其他网络模型，证明了网络结构的优越性，同时在
‑
6信噪比下仍然取得了82.34％的准确率，证明了该方法具有一定的鲁棒性。
[0032]相对于现有技术，本专利技术提供的一种基于EMD和多通道卷积神经网络的轴承故障诊断方法具有以下优势：
[0033]1、深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。
[0034]2、相比峭度值方法得到的数据集，该加权方法得到IMF数据集轴承故障诊断准确率达到99.30％。
[0035]3、出了一种新的深度神经网络模型—多通道卷积神经网络(MC
‑
CNN)，应用于齿轮箱振动信号的故障诊断，大大提高了故障诊断能力。
[0036]4、对原始信号构造不同信噪比的噪声进行测试，发现MC
‑
CNN明显优于其他网络结构，证明了所提方法具有良好的泛化能力。
具体实施方式
[0037]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0038]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0039]在本专利技术的描述中，需要说明的是，除非另有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，包括以下步骤：使用EMD将非线性振动信号分解为一系列IMF信号和一个余项；计算各IMF分量的峭度值，对IMF分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的IMF分量；利用加权值挑选出具有明显特征的IMF分量；进行卷积运算。2.根据权利要求1所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述进行卷积运算步骤包括：首个卷积层使用单卷积核进行卷积运算，在后续网络结构中使用多通道卷积模块。3.根据权利要求2所述的基于EMD和多通道卷积神经网络的轴承故障诊断方法，其特征...

【专利技术属性】
技术研发人员：刘晓昂，赵福凯，岳卓，丁晋，甄冬，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：