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() 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统技术方案_技高网
当前位置: 首页 > 专利查询>江南大学专利>正文

基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统技术方案

技术编号:40792935 阅读:9 留言:0更新日期:2024-03-28 19:22
本发明专利技术提供一种基于Soft‑IntroVAE和1D‑2DA‑FCNN的不平衡样本滚动轴承故障诊断方法及系统,涉及故障检测技术领域,该方法包括利用传感器采样各类故障的振动信号;对传感器采集到的振动信号进行重叠采样,并通过FFT变换将一维时序数据转化为一维时频数据;将不均衡的训练数据样本输入到Soft‑IntroVAE样本生成模型中进行样本增广,并将增广后的数据与原始训练数据进行融合,构建新的平衡训练集;将平衡训练数据样本输入到1D‑2DA‑FCNN轴承故障诊断模型中进行训练;将测试数据样本输入训练好的1D‑2DA‑FCNN轴承故障诊断模型进行特征提取,并进行分类,输出分类结果。本发明专利技术在数据不均衡情况下,能够显著提高轴承故障诊断的准确率。

【技术实现步骤摘要】

本专利技术涉及故障检测,尤其涉及一种基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法及系统。


技术介绍

1、随着现代工业的蓬勃发展,旋转机械在智能装备中起着至关重要的作用,其安全性受到广泛关注。轴承作为旋转机械中不可缺少的核心传动部件,在高速、重载等复杂运行环境下,会发生磨损、腐蚀、裂纹、变形等多种故障类型。轴承故障直接影响旋转机械的运行可靠性,并可能造成重大事故,造成经济损失甚至人员伤亡。因此,对滚动轴承进行及时准确的故障诊断是机械设备必不可少的,诊断后可以有效避免机械故障的进一步恶化。

2、传统的数据驱动故障诊断方法旨在从原始信号中提取有提取和故障识别。在特征提取方面,利用信号处理技术获得有效的特征,如傅里叶变换(fourier transform,ft)、短时傅里叶变换等,将原始信号在时域内转换为频域或时频域。cheng等采用了12种不同的时域统计特征来表示滚动轴承的健康状态。betta等采用快速傅立叶变换从原始信号中提取频域特征。zheng等提出了一种基于谱包络的监测信号处理方法用于故障诊断。对于故障识别,采用支持向量机(support vector machine,svm)和人工神经网络等机器学习方法,利用提取的特征训练分类模型来识别故障类型。程等针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,vmd)多尺度散布熵(multiscale dispersion entropy,mde)和极限学习机(extremelearning machine,elm)的柱塞泵微弱故障诊断方法,张等针对基于曲轴段角加速度和阈值规则相结合的方法在内燃机高速轻载运行时诊断单缸完全失火工况存在局限性的问题提出了一种结合人工神经网络作为故障模式识别方法。然而,这些方法严重依赖于专家知识和经验,这限制了它们在复杂实际场景中的应用。

3、近年来,随着智能传感和计算机技术的飞速发展,基于深度学习的故障诊断方法依靠强大的故障特征学习能力和端到端诊断特性逐渐成为研究热点,包括自编码器(autoencoder,ae)、深度信念网络(dbn)、卷积神经网络(convolutional neural network,cnn)、循环神经网络(recurrent neural networks,rnn)等。尽管上述模型在故障诊断方面显示出有效性,但它们依赖于大量标记数据进行监督学习。这些方法同时需要大量分布均衡的故障数据作为支撑才能获得较好的诊断效果。在实际生产中,机械设备发生故障是低概率事件,并且采集故障数据时设备可能已经无法运行,使得获得足够的标记故障样本在实际工程场景中比较困难,导致监督模型存在严重的过拟合问题。因此,利用有限的标记故障样本训练准确可靠的基于深度学习的故障诊断模型是值得研究的问题。目前的相关研究主要集中在数据处理和算法模型上。为了降低不平衡程度,数据处理方面主要通过欠采样、过采样和数据合成来改变训练集样本的分布。shi等采用线性判别分析对不平衡数据集进行欠采样,选取有代表性的数据组成样本平衡训练数据集,利用灰狼优化器调整支持向量机算法的阈值。zhang等设计了加权过采样和增强深度自动编码来提取特征。为了从多模态故障样本中学习并自动合成每个故障信号以平衡数据,zheng等开发了一种双歧视条件生成对抗网络框架。尽管上述方法在解决故障样本不均衡问题时能够取得一定的效果,但过采样方法在合成新样本的同时也可能造成过生成、过泛化或者改变原始数据分布的问题。

4、生成对抗网络(generative adversarial networks,gan)和变分自编码器(variational auto encoder,vae)是近年来兴起的最具潜力的无监督生成模型,经过研究者的不断改进,已被广泛应用。李等针对深度学习从不平衡的数据中提取的故障特征不准确,训练得到的神经网络模型的分类结果往往倾向多数类,极大影响了分类效果,结合卷积神经网络设计了一种新的生成对抗网络模型(convolutional wasserstein generativeadversarial network,cwgan)。王等针对sgan判别器上的线性卷积层提取图像深层次特征的能力较弱,使其在半监督环境下对图像进行分类的准确率不高,且生成的图像质量较差的问题,提出半监督多层感知器生成对抗网络(smpgan)。张等将vae-gan与cnn有效结合,构建vae-gan+flcnn轴承故障诊断模型,以解决样本不均衡问题。

5、综上所述,在轴承故障诊断领域,针对样本不均衡问题的研究还较少,亟需一种高准确率的滚动轴承故障诊断。


技术实现思路

1、为此,本专利技术实施例提供了一种基于soft-introvae(soft-intro variationalauto encoder,软阈值内省变分自编码器)和1d-2da-fcnn(一维卷积和二维扩张卷积融合卷积神经网络)的不平衡样本滚动轴承故障诊断方法及系统,用于解决现有技术中在实际工业过程中,采集到的轴承故障数据不均衡,进而导致深度学习诊断网络对少数类诊断效果低的问题。

2、为了解决上述问题,本专利技术实施例提供一种基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,该方法包括:

3、步骤s1:利用传感器采样各类故障的振动信号;

4、步骤s2:对传感器采集到的振动信号进行重叠采样,并通过fft变换将一维时序数据转化为一维时频数据,将数据划分为训练数据集和测试数据集;

5、步骤s3:将不均衡的训练数据样本输入到soft-introvae样本生成模型中进行样本增广,并将增广后的数据与原始训练数据进行融合,构建新的平衡训练集;

6、步骤s4:将平衡训练数据样本输入到1d-2da-fcnn轴承故障诊断模型中进行训练,直至满足模型训练终止条件或达到训练次数,停止训练并保存训练好的1d-2da-fcnn轴承故障诊断模型,具体包括:

7、首先将经过fft处理过的一维时频数据通过1d-cnn网络的卷积层,提取频谱信号的层次特性,再通过池化层,进一步使提取到的特征降维,从而减少数据和网络参数的数量,减小过拟合;

8、然后通过1d-cnn网络和2da-cnn网络的集合部分,将从1d-cnn网络中提取到的一维特征向量通过重新组合转化成二维的特征向量,输入到2da-cnn网络中进行进一步的特征提取;

9、接着将2da-cnn网络提取到的故障特征展平并输入到全连接层;

10、最后输入到softmax分类器中进行故障分类,分类部分采用经典的交叉熵损失最小化训练数据真实标签和预测标签之间的分类误差;

11、使用反向传播算法对1d-2da-fcnn轴承故障诊断模型进行训练,当满足模型训练终止条件或达到训练次数时,停止训练并保存训练好的模型;

本文档来自技高网...

【技术保护点】

1.一种基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,包括:

2.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,所述利用传感器采样各类故障的振动信号,具体包括:

3.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,所述对传感器采集到的振动信号进行重叠采样,并通过FFT变换将一维时序数据转化为一维时频数据,具体包括:

4.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,所述将不均衡的训练数据样本输入到Soft-IntroVAE样本生成模型中进行样本增广,其公式如下:

5.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,利用1D-CNN网络进行特征提取,得到一维卷积特征图,其公式表示如下:

<p>6.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,在1D-2DA-FCNN轴承故障诊断模型训练过程中,采用交叉熵损失作为损失函数,通过调整批次大小、学习率、迭代次数,获得最佳的特征提取模型;其中,交叉熵损失函数的公式如下:

7.根据权利要求1所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,其特征在于,所述输出分类结果为:

8.一种基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断系统,其特征在于,所述系统用于实现权利要求1至7任意一项所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法,具体包括:

9.一种电子设备,其特征在于,所述电子设备包括处理器、存储器和总线系统,所述处理器和存储器通过该总线系统相连,所述存储器用于存储指令,所述处理器用于执行存储器存储的指令,以实现权利要求1至7任意一项所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法。

10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备执行权利要求1至7任意一项所述的基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法。

...

【技术特征摘要】

1.一种基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,包括:

2.根据权利要求1所述的基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,所述利用传感器采样各类故障的振动信号,具体包括:

3.根据权利要求1所述的基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,所述对传感器采集到的振动信号进行重叠采样,并通过fft变换将一维时序数据转化为一维时频数据,具体包括:

4.根据权利要求1所述的基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,所述将不均衡的训练数据样本输入到soft-introvae样本生成模型中进行样本增广,其公式如下:

5.根据权利要求1所述的基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,利用1d-cnn网络进行特征提取,得到一维卷积特征图,其公式表示如下:

6.根据权利要求1所述的基于soft-introvae和1d-2da-fcnn的不平衡样本滚动轴承故障诊断方法,其特征在于,在1d-2da-fcnn...

【专利技术属性】
技术研发人员:王志国路近刘飞
申请(专利权)人:江南大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1