面向低品质数据的滚动轴承智能诊断方法、装置制造方法及图纸

本发明专利技术公开了一种面向低品质数据的滚动轴承智能诊断方法、装置，所述方法包括：对数据进行数据增强处理，得到训练数据和测试数据；对训练数据应用互补集合经验模态分解进行降噪，得到重构训练数据；对训练数据进行基于短时傅里叶变换的特征时频图转换，对特征值进行增强，得到时频图训练数据；使用全序列卷积神经网络，对标准化重构训练数据进行时间特征提取，对标准化时频图训练数据进行图像特征提取，进行特征融合，之后分类输出完成训练；将测试数据，输入全序列卷积神经网络，根据输出结果进行滚动轴承智能诊断。在实际工业生产中，采集的信号的信噪比较低，因此采用上述技术方案，可以在样本不足条件下实现滚动轴承多故障模式的诊断。模式的诊断。模式的诊断。

【技术实现步骤摘要】
面向低品质数据的滚动轴承智能诊断方法、装置


[0001]本专利技术涉及航空机械装备
，尤其涉及一种面向低品质数据的滚动轴承智能诊断方法、装置。

技术介绍

[0002]作为复杂航空机械装备的关键设备，滚动轴承在转子系统中承担着重要的转动作用，用来传递动力和改变转速。由于长时间连续工作在高温、高压与高转速等恶劣环境中，航空滚动轴承容易发生各类故障，严重时甚至会造成巨大的经济损失与灾难性的事故后果。因此，对滚动轴承进行健康状态监控以及故障诊断研究十分必要。
[0003]由于特征自提取与深度架构的优势，基于CNN的智能诊断方法克服了传统浅层方法的性能缺陷，摆脱了对大量信号处理技术以及物理模型诊断知识和经验的依赖，直接从传感器采集数据中自适应地提取故障特征，实现稳定准确的故障诊断。然而，实际航空机械装备需要连续工作在恶劣环境中，这种复杂工况使得实际工业采集的轴承数据呈现出低品质的问题，制约着依赖高品质大数据的CNN诊断方法的有效应用。原因在于，不同于理想环境能够将传感器安装在轴承座，甚至传动轴上，航空轴承信号采集传感器只能加装在机匣上，甚至采用非接触式传感器，这些因素使得其采集的振动信号的信噪比较低；理想环境下主要考虑内环、外环和滚动体三种典型故障类型，而实际工业中轴承故障类型多样，包括滚动接触疲劳、开裂和断开、旋转爬行、金属粘着、磨损、塑性变形与高速轻载打滑等；相较于正常的运行状态，滚动轴承故障状态时间极短，同时，在故障状态下，也禁止装备连续运行，这使得采集的轴承健康与故障状态数据在数量上存在明显差异，在不平衡数据下对智能诊断模型训练时，容易使其向单一健康/故障分布数据过拟合，导致诊断泛化性能下降，而且，目前基于深度学习的方法大多是通过高训练测试数据比来进行开发与验证的，但是，标记采集数据成本高，工业环境下难以满足大量的数据标记需求。
[0004]综上所述，基于CNN的滚动轴承故障诊断方法在理想环境中可以达到很好的故障诊断精度，但实际工业采集的轴承数据呈现出数据低品质的特点，这将降低模型的诊断效率，制约模型的诊断精度。因此，数据品质低的情况下如何快速有效地对轴承进行故障诊断，这是当前研究的重点与难点。

技术实现思路

[0005]专利技术目的：本专利技术提供一种面向低品质数据的滚动轴承智能诊断方法，通过对原始振动信号进行互补集合经验模态分解，得到重构的去噪振动信号，对原始振动信号进行短时傅里叶变换，得到时频图，解决了低信噪比下故障特征不明显的问题。将时间特征和图像特征进行融合，提取深层故障特征，增加特征的多样性，克服故障模式诊断类别较少和样本不足的问题。
[0006]技术方案：本专利技术提供一种面向低品质数据的滚动轴承智能诊断方法，包括：基于两个数据来源进行数据采集，对采集的数据进行数据增强处理，分别得到多段训练数据和
多段测试数据；所述数据为振动信号；对训练数据和测试数据分别应用互补集合经验模态分解算法进行降噪，得到重构训练数据和重构测试数据；对训练数据和测试数据分别进行基于短时傅里叶变换的特征时频图转换，对特征值进行增强，得到时频图训练数据和时频图测试数据；对重构训练数据和时频图训练数据进行标准化，得到标准化重构训练数据和标准化时频图训练数据；建立包括一维卷积神经网络、二维卷积神经网络和级联层的全序列卷积神经网络，使用一维卷积神经网络，对标准化重构训练数据进行时间特征提取，使用二维卷积神经网络，对标准化时频图训练数据进行图像特征提取，使用级联层对时间特征和图像特征进行融合，之后进行分类输出，完成训练；将重构测试数据和时频图测试数据，输入训练完成的全序列卷积神经网络，根据输出结果进行滚动轴承智能诊断。
[0007]具体的，所述对采集的数据进行数据增强处理，包括：在采集数据的过程中，相邻的数据段之间具有部分重叠，按照如下公式进行采样：z=（D
‑
d）/Δx+1，其中，D表示原始数据总长度，d表示每段原始数据长度，Δx表示采集偏移量，z表示采集的数据段数量。
[0008]具体的，所述对训练数据和测试数据分别应用互补集合经验模态分解算法进行降噪，包括：将振幅相同、方向相反的多对白噪声添加至原始振动信号中，得到修正振动信号；对修正振动信号进行经验模态分解，得到相应的信号分量；计算信号分量与原始振动信号之间的皮尔逊相关系数，皮尔逊相关系数处于相关度范围内的信号分量，进行总体叠加计算的重构。
[0009]具体的，所述对重构训练数据和时频图训练数据进行标准化，包括：按照以下公式对重构训练数据进行标准化：x
i*
=（x
i
‑
μ）/σ，其中，x
i*
表示第i段标准化重构训练数据，x
i
表示第i段重构训练数据，μ表示所有训练数据的平均值，σ表示所有训练数据的标准差；按照以下公式对时频图训练数据进行标准化：x
s*
= x
s
/a，其中，x
s*
表示标准化时频图训练数据，x
s
表示时频图训练数据，a为常数。
[0010]具体的，对在卷积神经网络的网络层之间传递的数据进行批标准化处理，处理得到均值为0、方差为1的正态分布的网络层输入数据。
[0011]具体的，对于网络层输入数据进行缩放调整，以维持输入数据的特征表征内容，缩放调整公式如下：y
（k）
= γ
（k）
x
~（k）
+β
（k）
，其中，y
（k）
表示批标准化处理后得到的k维度网络层输入数据，x
~（k）
表示对网络层输入数据归一化后的数据，γ
（k）
和β
（k）
表示k维度网络层应用的参数，x
（k）
表示k维度网络层输入数据，γ
（k）
=（Var（x
（k）
））
1/2
, β
（k）
=E（x
（k）
），Var（x
（k）
）表示x
（k）
的方差，E（x
（k）
）表示x
（k）
的期望值。
[0012]具体的，将二维卷积神经网络提取的图像特征展平至一维。
[0013]具体的，采用如下公式进行特征融合：F
iT
=Concatenation（p
i
，q
i
）=（s
11
,
……
,s
nn
, f
11
,
……
,f
nn
），
其中，F
iT
表示第i段融合特征，p
i
表示第i段时间特征，s
11
,
……
,s
nn
表示第i段时间特征的单一特征值，q
i
表示第i段图像特征，f
11
...

【技术保护点】

【技术特征摘要】
1.一种面向低品质数据的滚动轴承智能诊断方法，其特征在于，包括：基于两个数据来源进行数据采集，对采集的数据进行数据增强处理，分别得到多段训练数据和多段测试数据；所述数据为振动信号；对训练数据和测试数据分别应用互补集合经验模态分解算法进行降噪，得到重构训练数据和重构测试数据；对训练数据和测试数据分别进行基于短时傅里叶变换的特征时频图转换，对特征值进行增强，得到时频图训练数据和时频图测试数据；对重构训练数据和时频图训练数据进行标准化，得到标准化重构训练数据和标准化时频图训练数据；建立包括一维卷积神经网络、二维卷积神经网络和级联层的全序列卷积神经网络，使用一维卷积神经网络，对标准化重构训练数据进行时间特征提取，使用二维卷积神经网络，对标准化时频图训练数据进行图像特征提取，使用级联层对时间特征和图像特征进行融合，之后进行分类输出，完成训练；将重构测试数据和时频图测试数据输入训练完成的全序列卷积神经网络，根据输出结果进行滚动轴承智能诊断。2.根据权利要求1所述的面向低品质数据的滚动轴承智能诊断方法，其特征在于，所述对采集的数据进行数据增强处理，包括：在采集数据的过程中，相邻的数据段之间具有部分重叠，按照如下公式进行采样：z = （D
‑
d）/Δx+1，其中，D表示原始数据总长度，d表示每段原始数据长度，Δx表示采集偏移量，z表示采集的数据段数量。3.根据权利要求1所述的面向低品质数据的滚动轴承智能诊断方法，其特征在于，所述对训练数据和测试数据分别应用互补集合经验模态分解算法进行降噪，包括：将振幅相同、方向相反的多对白噪声添加至原始振动信号中，得到修正振动信号；对修正振动信号进行经验模态分解，得到相应的信号分量；计算信号分量与原始振动信号之间的皮尔逊相关系数，皮尔逊相关系数处于相关度范围内的信号分量，进行总体叠加计算的重构。4.根据权利要求1所述的面向低品质数据的滚动轴承智能诊断方法，其特征在于，所述对重构训练数据和时频图训练数据进行标准化，包括：按照以下公式对重构训练数据进行标准化：x
i*
=（x
i
‑
μ）/σ，其中，x
i*
表示第i段标准化重构训练数据，x
i
表示第i段重构训练数据，μ表示所有训练数据的平均值，σ表示所有训练数据的标准差；按照以下公式对时频图训练数据进行标准化：x
s*
= x
s
/a，其中，x
s*
表示标准化时频图训练数据，x
s
表示时频图训练数据，a为常数。5.根据权利要求4所述的面向低品质数据的滚动轴承智能诊断方法，其特征在于，所述使用一维卷积神经网络，对标准化重构训练数据进行时间特征提取，使用二维卷积神经网络，对标准化时频图训练数据进行图像特征提取，包括：对在卷积神经网络的网络层之间传递的数据进行批标准化处理，处理得到均值为0、方
差为1的正态分布的网络层输入数据。6.根据权利要求5所述的面向低品质数据的滚动轴承智能诊断方法，其特征在于，所述对在卷积神经网络的网络层之间传递的数据进行批标准化处理，包括：对于网络层输入数据进行缩放调整，以维持输入数据的特征表征内容，缩放调整公式如下：y
（k）
= γ
（k）
x
~（k）
+β
（k）
，其中，y
（k）

【专利技术属性】
技术研发人员：林翠颖，陈嘉宇，姚博清，陆钦华，葛红娟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：