【技术实现步骤摘要】
本专利技术属于旋转机械故障诊断，具体是一种基于并行二维卷积神经网络的电机轴承故障分类方法。
技术介绍
1、滚动轴承作为电机类设备的关键部件，复杂工况下，其性能优劣直接影响电机的运行效率，随着部件恶化，可能导致工作机组性能下降、进而发生设备停机等严重后果。因此，准确、及时地诊断电机类轴承故障对于确保旋转类机械设备的可靠运行至关重要。
2、机械设备的故障诊断，其核心在于故障模式分类，定位故障模式发生的部件位置。在水泥，煤矿和热电等行业，电机类轴承是最容易出现失效的重要部件之一，并且实际工况导致振动信号存在非平稳性等特征，对故障诊断和分类产生了不利影响。因此，本专利技术关注在复杂工况下，电机类轴承故障的分类问题，以满足轴承故障诊断的实际工程要求。
3、现有电机类轴承故障分类的方法主要分为两大类，一种是在时域，频域或者时频域经过复杂的信号处理手段，并结合故障特征机理提取特定的量化指标，特征降维等进行故障分类；另一种是将振动信号作为输入量，通过搭建的深度学习网络模型进行自适应特征提取，实现轴承故障分类。前者需要对信号处理作大量操作，特征降维等存在人工干预性，不适于实际监测设备的大批量数据；后者则未专门考虑振动信号作为网络模型输入时，其他信号重排的可操作性以及鲁棒性的增强，进而对复杂工况的振动信号仍存在分类精度不高的情况。
技术实现思路
1、本专利技术目的在于克服现有技术的不足，提供一种基于并行卷积神经网络的电机轴承故障分类方法，将时域振动信号转化为灰度图像素点分布矩阵
2、为实现上述专利技术目的，本专利技术提供一种技术方案：一种基于并行二维卷积神经网络的电机轴承故障分类方法，包括以下步骤：
3、s1、数据采集：采集目标电机设备振动信号
4、s2、数据预处理：依据时域振动信号长度，调整为二维分布n*n矩阵，并转化为灰度图像素点分布矩阵。其次，将振动数据按照一定比例随机分为训练集和测试集，训练集和测试集，其中和为信号按列重排后的灰度图像素点矩阵集合，和为故障标签集合，；
5、s3、搭建并行二维卷积神经网络模型：包含输入层，并行卷积层，并行池化层和3层全连接层和输出层；其中并行卷积层由基本卷积层和膨胀卷积层组成，并在卷积层和池化层之间引入批量归一化，池化层采用最大池化方式，并对并行池化层的输出特征进行扁平化处理，得到一维故障特征向量后作为全连接的输入，经过神经元丢弃算法优化过拟合，最后通过输出层返回识别标签，实现滚动轴承故障分类；
6、s4、训练并行二维卷积神经网络：用s2步骤中的训练集训练并行二维卷积神经网络，使其输出的故障分类标签与真实的故障标签之间的交叉熵损失函数最小，其公式为：
7、（1）
8、其中为预测标签，为实际标签；
9、s5、测试并行二维卷积神经网络：用s2步骤中的测试集测试训练完成的并行二维卷积神经网络模型，直到输出的故障分类精度达到设定精度要求时执行s6步骤，否则，执行s3步骤；
10、s6：部署应用：测试完成的并行二维卷积神经网络模型对目标电机设备的振动数据执行滚动轴承的故障分类。
11、优选的，所述s2中振动信号按列重排后预处理方法为将矩阵元素归一化到特定区间，具体公式：
12、其中，,为二维矩阵m中元素最大值，为二维矩阵m中元素最小值。
13、优选的，所述s3中的并行二维卷积神经网络分支中至少包含一个卷积层、一个池化层和一个激活层。
14、优选的，所述s3中的卷积神经网络在卷积层和池化层之间，分别引入批量归一化。
15、优选的，所述s3中的卷积神经网络在3层全连接层之间嵌入神经元丢弃算法优化过拟合。
16、本专利技术具有以下有益效果：
17、1、本专利技术提出一种基于并行二维卷积神经网络的电机轴承故障分类方法，采集目标电机设备轴承端的振动数据和标定对应故障类型的标签数据，将振动数据预处理为灰度图像素点分布并分为训练集和测试集，用于训练搭建的并行二维卷积神经网络模型，当训练完成后用于部署应用，对目标的振动信号数据进行故障分类。其中，本方法所提的并行二维卷积神经网络模型，既保留基本的卷积神经网络架构，又引入并行的膨胀卷积核扩大其对输入数据的感受野，并在卷积层和池化层之间引入批量归一化操作，增强模型的泛化能力，其次在全连接层之间采用神经元丢弃算法优化过拟合，进而达到在输出层提高分类精度的效果。
18、2、本专利技术所提出的并行二维卷积神经网络模型不需对振动信号的时域和频域特征作复杂的预处理和提取工作量，可快速部署并适用于大数据量的批量处理环境。
本文档来自技高网...【技术保护点】
1.一种基于并行二维卷积神经网络的电机轴承故障分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S1中采集的振动信号，不局限于电机设备，也适用于其他旋转类机械设备。
3.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S2中的振动数据预处理的环节1为：信号按列重排为N*N二维矩阵M且满足 ；环节2为：并对二维矩阵M的元素作[0，255]归一化处理，具体公式为：
4.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S3中的卷积神经网络并行分支中至少包括一个卷积层，一个池化层和一个激活层，合并过程至少包含一个全连接层和输出层。
5.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S3中的卷积神经网络的膨胀卷积核的膨胀率至少大于等于2，全连接层之间神经元丢弃优化过拟合算法中的概率值小于1。
6.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类
7.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S4中的交叉熵损失函数的故障标签输入类型为独热标签，因此计算交叉熵损失函数时，需要将各个故障类型的损失函数求和后获得该值。
8.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述S5中的卷积神经网络梯度更新采用自适应矩估计优化算法，但不局限于该梯度算法。
...【技术特征摘要】
1.一种基于并行二维卷积神经网络的电机轴承故障分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述s1中采集的振动信号，不局限于电机设备，也适用于其他旋转类机械设备。
3.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述s2中的振动数据预处理的环节1为：信号按列重排为n*n二维矩阵m且满足 ；环节2为：并对二维矩阵m的元素作[0，255]归一化处理，具体公式为：
4.根据权利要求1所述一种基于并行卷积神经网络的电机轴承故障分类方法，其特征在于：所述s3中的卷积神经网络并行分支中至少包括一个卷积层，一个池化层和一个激活层，合并过程至少包含一个全连接层和输出层。
5.根据权利要求1所述一种基于并行卷积神经网络...
【专利技术属性】
技术研发人员：许旺山，饶猛，靳亚强，左明健，
申请(专利权)人：青岛明思为科技有限公司，
类型：发明
国别省市：
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。