一种基于改进深度残差收缩网络的轴承故障诊断方法技术

一种基于改进深度残差收缩网络的轴承故障诊断方法

【技术实现步骤摘要】
一种基于改进深度残差收缩网络的轴承故障诊断方法


[0001]本专利技术涉及滚动轴承故障诊断
，具体涉及一种基于改进深度残差收缩网络的轴承故障诊断方法
。

技术介绍

[0002]滚动轴承作为许多旋转设备的核心组件，其正常运行对于设备的性能和可靠性至关重要
。
然而，由于长时间运行
、
恶劣工作环境和负载变化等因素的影响，滚动轴承容易发生故障，如磨损
、
裂纹和局部损伤等
。
因此，实时
、
准确地进行滚动轴承故障诊断具有重要的工程意义
。
[0003]传统的滚动轴承故障诊断方法主要基于信号处理和特征提取技术，如时域分析
、
频域分析和时频分析等
。
然而，这些方法在处理复杂的滚动轴承振动信号时存在一些局限性，如特征提取困难
、
噪声干扰和模式识别能力有限等
。
[0004]近年来，深度学习技术在故障诊断领域崭露头角
。
深度残差网络作为一种深度学习模型，具有优秀的特征学习和模式识别能力，能够学习到复杂数据的高级特征表示
。
然而，应用传统的深度残差网络在滚动轴承故障诊断中存在一些挑战，如网络结构的设计
、
信息传递的效率和模型复杂性的控制等问题
。
[0005]而深度残差收缩网络使用了软阈值化来消除与噪声相关的特征
。
软阈值化作为非线性层嵌入到残差构建模块之中
>。
在深度残差网络中构建一个子网络，通过深度学习的方法自动设置阈值，进行信号降噪处理，消除不重要的特征
。
但由于深度残差收缩网络的深度和复杂性，训练时间非常长，需要大量的计算资源
。
同时深度残差收缩网络的层数和复杂性需要更多的参数，导致模型更加庞大
。

技术实现思路

[0006]针对上述深度残差收缩网络的深度和复杂性，训练时间非常长，需要大量的计算资源，以及深度残差收缩网络的层数和复杂性需要更多的参数，导致模型更加庞大的技术问题，本技术方案提供了一种基于改进深度残差收缩网络的轴承故障诊断方法，基于深度残差收缩网络引入
Inception
模块来增强模型的表达能力，从不同尺度提取特征信息，能够有效提取滚动轴承振动信号的深层特征，并减少模型的复杂性；同时，采用滤波和特征提取预处理步骤，进一步提高了故障诊断的准确性和鲁棒性；能有效的解决上述问题
。
[0007]本专利技术通过以下技术方案实现：
[0008]一种基于改进深度残差收缩网络的轴承故障诊断方法，将
Inception
网络与深度残差收缩网络相结合的方法，建立一种有效的故障诊断模型；首先，对采集到的滚动轴承的振动信号进行去除噪声
、
重叠采样
、
归一化的预处理，保留信号中的有效信息，提高特征表示的准确性，并将预处理后的振动信号数据划分为训练集
、
验证集和测试集，比例为8：1：1，进行模型训练和测试；其次，设计一种结合
Inception
改进深度残差收缩网络结构，改进基于深度残差收缩网络通过自适应阈值确定和
Inception
模块，结合传统的故障诊断思路，通
过对自适应阈值去噪后的信号使用多个不同大小的卷积核来同时提取不同尺度的特征，通过使用多个不同尺度的卷积核和特征拼接，捕获输入数据中的全局和局部特征，将其输入神经网络中进行故障诊断模型的建立，使其更加适合处理轴承产生的振动信号数据；再次，挑选训练中涉及到的几种故障状态对应的测试数据来对模型效果进行评估；最后，使用经过训练的网络对提取的特征进行分类和故障诊断，从而实现滚动轴承的故障诊断方法；具体的操作步骤包括：
[0009]步骤1：数据集准备；
[0010]针对轴承运作过程中收集数据，将正常状态及多种不同工况下采集到的数据分别存储在数据集
12k_Drive_End_B007_0_118
，
12k_Drive_End_B014_0_185
，
……
，
normal_0_97
中；
[0011]步骤2：对收集到的信号进行数据预处理；
[0012]将通过数字滤波器对故障信号进行去除噪声和干扰处理；并对信号进行重叠采样，使得信号的采样率提高，减少抖动和伪迹，同时保证数据的连续性；再对信号进行划分，提高处理效率和准确性；
[0013]步骤3：构建故障诊断数据集；
[0014]步骤4：结合
Inception
思想对深度残差收缩网络进行改进，利用
TensorFlow
框架搭建新网络模型，从训练集中挑选正常状态及几种故障状态对模型实现训练；具体的为：
[0015]步骤
4.1
：基于深度残差收缩网络中
DRSN
‑
CW
模块，结合
Inception
思想进行改进：在
Inception
模块中加入
BN(Batch Normalization)
模型，代替
Inception
模块的分支二和分支三的
1x1
卷积层，用以规范化数据分布并加速训练过程；在分支一
1x1
卷积层后也加上
BN
，将该模型命名
Inception
‑
BN
；随后在深度残差收缩网络的残差收缩模块中，将软阈值处理后的数据输入
Inception
‑
BN
模块中，通过在同一层中使用多个不同大小的卷积核来对输入数据进行卷积操作，提取不同尺度的特征，提高了模型的识别能力和泛化能力；
[0016]步骤
4.2
：利用
TensorFlow
框架搭建深度残差收缩网络模型，将改进的残差收缩模块
RSBCI
替换原始的
DRSN
‑
CW
模块，并调用
Tflearn
库中的
Momentum
优化器，通过累积之前梯度的指数加权平均来更新模型参数；同时损失函数设置为交叉熵损失函数；
[0017]步骤
4.3
：从训练集中挑选正常状态及几种故障状态对改进后的深度残差收缩网络模型进行训练，在每轮训练开始前将训练集打乱，训练多次；
[0018]步骤
4.4
：从训练集中挑选正常状态及几种故障状态对多种深度学习方法模型进行模型训练，在每轮训练开始前将训练集打乱，训练多次；
[0019]步骤5：使用测试数据来对改进后的深度残差收缩网络模型的效果进行评估；对多种网络模型同样进行效果评估，最后对不同模型，不同模块数的效果评估进行对比；...

【技术保护点】

【技术特征摘要】
1.
一种基于改进深度残差收缩网络的轴承故障诊断方法，其特征在于：将
Inception
网络与深度残差收缩网络相结合的方法，建立一种有效的故障诊断模型；首先，对采集到的滚动轴承的振动信号进行去除噪声
、
重叠采样
、
归一化的预处理，并将预处理后的振动信号数据划分为训练集
、
验证集和测试集，以便进行模型训练和测试；其次，设计一种结合
Inception
改进深度残差收缩网络结构，改进基于深度残差收缩网络通过自适应阈值确定和
Inception
模块，结合传统的故障诊断思路，通过对自适应阈值去噪后的信号使用多个不同大小的卷积核来同时提取不同尺度的特征，通过使用多个不同尺度的卷积核和特征拼接，捕获输入数据中的全局和局部特征，将其输入神经网络中进行故障诊断模型的建立，使其更加适合处理轴承产生的振动信号数据；再次，挑选训练中涉及到的几种故障状态对应的测试数据来对模型效果进行评估；最后，使用经过训练的网络对提取的特征进行分类和故障诊断，从而实现滚动轴承的故障诊断方法；具体的操作步骤包括：步骤1：数据集准备；针对轴承运作过程中收集数据，将正常状态及多种不同工况下采集到的数据分别存储在数据集
12k_Drive_End_B007_0_118
，
12k_Drive_End_B014_0_185
，
……
，
normal_0_97
中；步骤2：对收集到的信号进行数据预处理；将通过数字滤波器对故障信号进行去除噪声和干扰处理；并对信号进行重叠采样；再对信号进行划分；步骤3：构建故障诊断数据集；步骤4：结合
Inception
思想对深度残差收缩网络进行改进，利用
TensorFlow
框架搭建新网络模型，从训练集中挑选正常状态及几种故障状态对模型实现训练；具体的为：步骤
4.1
：基于深度残差收缩网络中
DRSN
‑
CW
模块，结合
Inception
思想进行改进：在
Inception
模块中加入
BN
模型，代替
Inception
模块的分支二和分支三的
1x1
卷积层，用以规范化数据分布并加速训练过程；在分支一
1x1
卷积层后也加上
BN
，将该模型命名
Inception
‑
BN
；随后在深度残差收缩网络的残差收缩模块中，将软阈值处理后的数据输入
Inception
‑
BN
模块中，通过在同一层中使用多个不同大小的卷积核来对输入数据进行卷积操作，提取不同尺度的特征；步骤
4.2
：利用
TensorFlow
框架搭建深度残差收缩网络模型，将改进的残差收缩模块
RSBCI
替换原始的
DRSN
‑
CW
模块，并调用
Tflearn
库中的
Momentum
优化器，通过累积之前梯度的指数加权平均来更新模型参数；同时损失函数设置为交叉熵损失函数；步骤
4.3
：从训练集中挑选正常状态及几种故障状态对改进后的深度残差收缩网络模型进行训练，在每轮训练开始前将训练集打乱，训练多次；步骤
4.4
：从训练集中挑选正常状态及几种故障状态对多种深度学习方法模型进行模型训练，在每轮训练开始前将训练集打乱，训练多次；步骤5：使用测试数据来对改进后的深度残差收缩网络模型的效果进行评估；对多种网络模型同样进行效果评估，最后对不同模型，不同模块数的效果评估进行对比；步骤6：使用经过训练的网络对通过预处理的滚动轴承故障数据进行故障分类和故障诊断，具体的方式为：将训练好的最佳模型进行保存，将实际生产过程中的滚动轴承故障数据进行预处理，并将其提供给模型进行推理；最后，根据预测结果进行故障诊断，将模型运用到实际诊断
中，从而实现滚动轴承的故障诊断方法
。2.
根据权利要求1所述的一种基于改进深度残差收缩网络的轴承故障诊断方法，其特征在于：步骤1所述的针对轴承运作过程中收集数据，是采用凯斯西储大学滚动轴承数据集，该数据集是一个公开的实验室数据集，包含了不同工况下的正常和故障轴承的振动信号，数据集中的信号采样频率为
12kHz
，每个信号持续
10
秒钟
。3.
根据权利要求2所述的一种基于改进深度残差收缩网络的轴承故障诊断方法，其特征在于：所述的数据集中共有
10
种类型的轴承状态，分别为：正常
(Normal)、
内圈故障
(0.007
英寸
)(Inner Race Fault 0.007inch)、
内圈故障
(0.014
英寸
)(Inner Race Fault0.014inch)、
内圈故障
(0.021
英寸
)(Inner Race Fault 0.021inch)、
外圈故障
(0.007
英寸
)(Outer Race Fault 0.007inch)、
外圈故障
(0.014
英寸
)(Outer Race Fault 0.014inch)、
外圈故障
(0.021
英寸
)(Outer Race Fault 0.021inch)、
滚珠故障
(0.007
英寸
)(Ball Fault 0.007inch)、
滚珠故障
(0.014
英寸
)(BallFault 0.014inch)、
滚珠故障
(0.021
英寸
)(Ball Fault 0.021inch)
；数据集中的每种类型的轴承状态都有四种不同的负载条件，分别为0马力
(0HP)、1
马力
(1HP)、2
马...

【专利技术属性】
技术研发人员：陈晓兵，郭舒心，张闯闯，王蓉蓉，卢佳祺，陆恒，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：