System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断,具体涉及一种样本不平衡情况下滚动轴承故障诊断方法及装置。
技术介绍
1、制造行业是国家高速发展的重要基础,是科技发展的基本载体和国民经济的支柱产业。当今社会科技高速发展,制造业也越来越趋向于精密化、自动化、智能化。轴承作为旋转机械中不可或缺的零部件,其使用广泛,工况复杂,并且产生故障时会对财产安全与人身安全造成很大隐患。据统计,在所有的机械故障中,由滚动轴承引起的故障占30%,由此可见对滚动轴承进行故障诊断是非常有必要的。
2、随着各项技术的发展,从上世纪60年代开始,计算机、物理、机械等领域技术的融合为滚动轴承的故障检测提供了方向。滚动轴承的故障诊断一般是以传感器采集到的振动信号数据作为研究对象,再进一步对得到的信号进行特征提取与故障分类。滚动轴承的故障诊断方法主要包括传统诊断法和智能诊断法,其中,传统诊断法(如统计信号处理和机器学习)主要利用人工和领域专业知识进行数据的特征提取、选择和分类,而智能诊断法(如深度学习)是从数据中自动学习特征来完成故障诊断。目前,由于不同类型轴承的故障发生频率不同,一些故障类型的发生频率可能远远低于其他类型,使得数据集中的部分故障类型样本数量少于其他故障类型,导致出现样本不平衡问题。在滚动轴承样本不平衡的条件下,传统方法受到领域专业知识和研究者主观因素的影响,可能会产生大量的误判结果,智能诊断法中,一般的诊断模型对被诊断数据的认知偏向于多数类,而对少数数据的故障类别的学习欠缺,认知差,准确率自然也较差。针对这种情况,由于深度学习具有数据增强技术和成本代
技术实现思路
1、为解决上述技术问题,本专利技术提出一种深度学习驱动的样本不平衡情况下滚动轴承故障诊断方法及装置,有效处理因部分故障类型样本数量少于其他故障类型而导致不平衡数据,提高滚动轴承故障诊断的准确性和可靠性,提高旋转机械的安全性和工作效率,避免灾难性事故发生。
2、实现本专利技术目的的技术解决方案为:一种样本不平衡情况下滚动轴承故障诊断方法,具体的方法如下:
3、步骤1:数据采集,将振动加速度传感器安装在轴承上,并配置数据采集卡来采集轴承运行过程中产生的振动信号;
4、步骤2:数据预处理,对采集的数据进行短时傅里叶变换;
5、步骤3:构建虚拟数据生成模型,搭建cdcgan模型;
6、步骤4:数据生成模型训练,将步骤2中预处理后的数据输入cdcgan模型中进行训练;
7、步骤5:虚拟数据样本生成,利用步骤4中训练好的cdcgan模型生成不平衡集中样本数量较少的小样本,将大量的小样本填充至不平衡样本集,使滚动轴承的振动信号样本集达到平衡;
8、步骤6:构建故障诊断模型,构建2dcnn模型;
9、步骤7:故障诊断,利用填充后平衡数据集输入2dcnn模型中进行训练,将采集到的真实测试数据输入到训练好的模型中进行诊断,从而实现对滚动轴承的故障诊断。
10、本专利技术与现有技术相比,其显著优点是:
11、(1)利用采用短时傅里叶变换将初始时域信号转化为时频域信号并输出时频图,使得数据特征更加具体,减少了时序信息的丢失;
12、(2)通过条件深度卷积生成对抗网络(cdcgan)模型生成大量可以与真实样本相匹敌的虚拟样本,并用虚拟样本来填充样本数量较少的小样本以平衡各类样本数量,解决滚动轴承样本不平衡问题;
13、(3)采用二维卷积神经网络(2dcnn)模型进行故障诊断,采用线性整流函数(relu)来提高模型非线性性能,利用随机梯度下降(sgd)优化器对2dcnn模型进行优化来提高诊断准确率,更高效的实现滚动轴承故障诊断。
本文档来自技高网...【技术保护点】
1.一种样本不平衡情况下滚动轴承故障诊断方法,其特征在于,具体的方法如下:
2.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,
3.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤3中的虚拟数据生成模型的主要构架包括一个生成器网络和一个判别器网络,并在生成器与判别器中加入了辅助信息;生成器网络用于生成相似样本,它接受一个随机噪声向量作为输入,并根据训练数据生成一个接近真实的样本;判别器网络用于区分真实数据样本和生成器生成的虚拟样本,它接收一个输入样本并产生一个二分类输出。
4.根据权利要求3所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤3中的cDCGAN模型的目标函数如下所示:
5.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤4中的cDCGAN模型的具体训练过程如下:
6.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤6中2DCNN模型主要包括输入层、卷积层、激活层、池化层、卷积层、池化层、三个全连接
7.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤7中的具体步骤如下:
8.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤7.1中具体包括:
9.一种样本不平衡情况下滚动轴承故障诊断装置,其特征在于,包括数据采集模块、数据预处理模块、虚拟数据生成模块、故障诊断模块;
...【技术特征摘要】
1.一种样本不平衡情况下滚动轴承故障诊断方法,其特征在于,具体的方法如下:
2.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,
3.根据权利要求1所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤3中的虚拟数据生成模型的主要构架包括一个生成器网络和一个判别器网络,并在生成器与判别器中加入了辅助信息;生成器网络用于生成相似样本,它接受一个随机噪声向量作为输入,并根据训练数据生成一个接近真实的样本;判别器网络用于区分真实数据样本和生成器生成的虚拟样本,它接收一个输入样本并产生一个二分类输出。
4.根据权利要求3所述的样本不平衡情况下滚动轴承故障诊断方法,其特征在于,步骤3中的cdcgan模型的目标函数如下所示:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。