基于卷积神经网络的滚动轴承故障特征提取方法、装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置，方法包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。将本发明专利技术所述方法，成功应用于故障模拟实验台的滚动轴承振动数据，在保证了分类率的同时可以有效提取到轴承的故障特征频率，证明了该方法的可行性和有效性。该方法的可行性和有效性。该方法的可行性和有效性。

【技术实现步骤摘要】
基于卷积神经网络的滚动轴承故障特征提取方法、装置


[0001]本专利技术涉及一种基于卷积神经网络的滚动轴承故障特征提取方法、装置，属于机械装备故障诊断与状态监测


技术介绍

[0002]机械设备的故障诊断与状态监测是服务于工业现场运维，涉及民生质量、工业生产、国防安全的关键技术，其中，滚动轴承作为现代智能装备的支撑部件，在工业生产中扮演举足轻重的角色。相关统计，造成旋转机械中的故障因素中，约有30%是因为轴承运行出现损失导致的。因此，对滚动轴承进行状态监测、故障特征提取有着重要的工程价值与研究意义。
[0003]基于传统的信号处理方法，如奇异值分解，小波变换、模态分解等，它们都有具体的数学公式与理论推导更广泛的应用于实际工程。一般机械故障诊断的对象为齿轮、轴承等关键旋转零部件，这种零部件发生不同类型的故障之后，理想情况下可以通过不同的故障特征频率进行识别，但一般收集到的数据故障特征微弱，背景噪音强烈，以及传统信号处理方法过于依赖先验知识的原因，其直接识别故障特征频率显得较为棘手。
[0004]随着大数据和人工智能技术的发展，以卷积神经网络（CNN）为代表的深度学习模型在机械设备故障诊断领域受到了越来越多的关注，不同于传统的机器学习模型，例如KNN、支持向量机（SVM）等，深度神经网络有着强大的特征提取能力与拟合效果，对处理机械故障诊断数据有着先天的优势。由于目标任务的难度增大，模型的结构也变得越来越复杂。使用者无法准确理解卷积神经网络模型的内部知识表示，分析出模型做出决策的真正原因，怎样利用神经网络在分类的同时，完成特征提取的任务依旧是状态监测领域的难点。

技术实现思路

[0005]本专利技术提供了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置，将信号在降噪前后的互信息规律应用于卷积神经网络模型的损失函数改进中，同时设置了模型的输入与输出尺寸一致，用于解决强背景噪声下滚动轴承的故障特征频率难以提取的问题。
[0006]本专利技术的技术方案是：根据本专利技术的一方面，提供了一种基于卷积神经网络的滚动轴承故障特征提取方法，包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。
[0007]将采集到的原始振动信号进行分段处理，取大于一个周期内的点数作为一个样本。
[0008]所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信
号。
[0009]所述用于特征提取的神经网络模型，包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层；卷积系统包括多个卷积层，设置每层的卷积核大小、步长均为1，最后一个卷积层设置为单一Feature输出；多层卷积的输出通过归一化处理后连接最大池化层进行降维，然后添加注意力机制层增加有效信息，后接全连接层输出；依据互信息规则，将模型的损失表示为交叉熵损失与互信息损失的结合。
[0010]所述互信息损失loss
MI
定义为：
[0011]式中，MI(input
i
,out
CSi
)表示卷积系统的输入信号与卷积系统的输出信号的互信息关系，input
i
是第个输入的包络谱信号，out
CSi
是input
i
经过卷积系统后的输出。
[0012]将用于特征提取的神经网络模型中最后一层卷积特征输出，作为可视化特征提取结果。
[0013]根据本专利技术的另一方面，提供了一种基于卷积神经网络的滚动轴承故障特征提取装置，包括：第一获得模块，用于依据采集的原始振动信号构建样本，获得样本集；划分模块，用于对样本集进行预处理，划分训练集与测试集；构建模块，用于基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；冻结模块，用于使用训练集训练构建好的神经网络模型，冻结网络权重；第二获得模块，用于调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。
[0014]根据本专利技术的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于卷积神经网络的滚动轴承故障特征提取方法。
[0015]本专利技术的有益效果是：本专利技术利用深度学习的强大，在完成可解释性的任务的同时，解决传统信号处理方法处理起来较为棘手的问题。首先，将振动信号转换为包络谱作为模型的输入使得输入层具有一定的物理意义；然后将用于特征提取的多层卷积视作一个系统，并设计该系统的输出与模型的输入大小一致使得模型便于理解；其次，添加注意力机制以增强明显特征；最后，基于信号降噪前后之间的互信息规律（模型输入与卷积特征互信息最大化）设计了损失函数来驱动卷积系统可以提取更多故障特征频率成分。进一步，通过仿真信号与真实案例表明：所提方法的输出结果不仅具有一定的解释性，并且在轴承的故障特征提取方面表现了优异的性能。
附图说明
[0016]图1是本专利技术的总体流程图；图2是本专利技术应用实施案例中某机械设备中滚动轴承的四组不同状态的振动信号的包络谱，四种状态分别为正常状态、外圈故障、内圈故障、滚动体故障；图3是本专利技术搭建的改进卷积神经网络的模型拓扑图；图4是本专利技术中测试集数据经过搭建模型后的混淆矩阵一；图5是本专利技术中测试集数据经过搭建模型后的混淆矩阵二；图6是本专利技术用改进卷积神经网络的方法应用于上述数据集滚动后特征提取的效
果图。
具体实施方式
[0017]下面结合附图和实施例，对专利技术做进一步的说明，但本专利技术的内容并不限于所述范围。
[0018]实施例1：如图1
‑
6所示，根据本专利技术实施例的一方面，提供了一种基于卷积神经网络的滚动轴承故障特征提取方法，包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。
[0019]进一步地，将采集到的原始振动信号进行分段处理，取大于一个周期内的点数作为一个样本。
[0020]进一步地，所述一个周期内的点数计算公式为；其中，D为周期内的点数，Fs为采样频率，fr为转频。
[0021]进一步地，所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号。
[0022]进一步地，所述用于特征提取的神经网络模型，包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层；卷积系统包括多个卷积层，设置每层的卷积核大小、步长均为1，最后一个卷积层设置为单一Feature输出；多层卷积的输出通过归一化处理后连接最大池化层进行降维，然后添加注意力机制层增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，包括：依据采集的原始振动信号构建样本，获得样本集；对样本集进行预处理，划分训练集与测试集；基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型；使用训练集训练构建好的神经网络模型，冻结网络权重；调用权重，输入测试集/待测试样本进行测试，获得特征提取结果。2.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，将采集到的原始振动信号进行分段处理，取大于一个周期内的点数作为一个样本。3.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号。4.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法，其特征在于，所述用于特征提取的神经网络模型，包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层；卷积系统包括多个卷积层，设置每层的卷积核大小、步长均为1，最后一个卷积层设置为单一Feature输出；多层卷积的输出通过归一化处理后连接最大池化层进行降维，然后添加注意力机制层增加有效信息，后接全连接层输出；依据互信息规则，将模型的损失表示为交叉熵损失与互信息损失的结合。5.根据权利要求4所述的基于卷积神经网络的滚动...

【专利技术属性】
技术研发人员：刘韬，王振亚，陈庆，刘畅，伍星，柳小勤，周俊，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：