一種滾動軸承故障診斷方法技術

本發明專利技術涉及一種滾動軸承故障診斷方法，其利用卷積神經網絡理論的學習算法完成故障診斷所需的特征提取任務，可以不依賴人工選擇，由簡單到復雜、由低級到高級自動地提取輸入數據的本質特征，并能自動挖掘出隱藏在已知數據中的豐富信息；此外，采用了支持向量回歸方法對測試樣本進行分類識別，支持向量回歸具有強大的泛化能力，對未知的新樣本進行識別具有更好的精度，采用支持向量回歸作為分類器對樣本進行分類識別，可以克服深度學習默認的分類器泛化能力一般的缺點。本發明專利技術能夠提高滾動軸承故障診斷的準確性和有效性，為解決滾動軸承故障診斷問題提供一種新的有效途徑，可廣泛應用于化工、冶金、電力、航空等領域的復雜機械系統故障診斷中。

Fault diagnosis method for rolling bearing

The invention relates to a rolling bearing fault diagnosis method, using the learning algorithm based on convolutional neural network required to complete fault diagnosis feature extraction task, can not rely on artificial selection, from simple to complex, from low to high automatically extract the essential characteristics of the input data, and can automatically find plenty of information hiding in the known in the data; in addition, using support vector regression method to classify the test samples, support vector regression has strong generalization ability, a new sample of the unknown identification has better accuracy, using support vector regression as the classifier to classify samples, the generalization capability can overcome the disadvantages of general default deep learning. The invention can improve the accuracy of fault diagnosis of rolling bearing and effective, providing a new effective way to solve the problem of fault diagnosis of rolling bearing fault diagnosis of complex mechanical system can be widely used in chemical industry, metallurgy, electric power, aviation and other fields.

【技術實現步驟摘要】
一種滾動軸承故障診斷方法
本專利技術屬于機械故障診斷和計算機人工智能
，尤其涉及一種基于卷積神經網絡和支持向量回歸的滾動軸承故障診斷方法。
技術介紹
滾動軸承是旋轉機械中最為重要的關鍵部件之一，滾動軸承被廣泛應用于化工、冶金、電力、航空等各個重要領域，但同時它也經常處在高溫、高速、重載等惡劣的工作環境中，致使滾動軸承是最易損壞的元件之一。軸承性能與工況的好壞直接影響到與之相關聯的軸以及安裝在轉軸上的齒輪乃至整臺機器設備的性能，其缺陷會導致設備產生異常振動和噪聲，甚至造成設備損壞，事實上，機械失效問題歸因于軸承故障的機率非常高。因此，對滾動軸承故障進行診斷，尤其是對于早初期故障的分析，實現快速、準確的軸承故障監測對于機械設備的正常工作以及安全生產具有重大的意義。特征提取實質上是一種變換，通過映射或變換的方式將樣本在不同空間中進行轉換。目前常用的機械故障特征提取方法主要有傅里葉變換(FourierTransform，簡稱FT)、快速傅里葉變換(FastFourierTransform，簡稱FFT)、小波變換(WaveletTransform，簡稱WT)、和經驗模態分解(EmpiricalModeDecomposition，簡稱EMD)、希爾伯特-黃變換(Hilbert-HuangTransform，簡稱HHT)等。傅里葉變換作為線性時頻分析方法，能夠清晰快速地處理信號，具有一定的時頻分辨率，其靈活性和實用性較為突出，但是由于傅里葉變換是信號在頻域的表示，時間分辨率為零，并且它對非線性、非平穩信號具有不確定性，導致其應用范圍具有局限性。FFT方法無法同時兼顧信號在時域和頻域中的全貌和局部化問題。小波變換可以對時間頻率進行局部化分析，達到高頻處時間細分，低頻處頻率細分，自適應地對時頻信號進行分析，但是小波基不同，分解結果不同，小波基比較難選擇。EMD方法能將信號分解為多個IMF(IntrinsicModeFunction，本征模態函數)分量，對所有IMF分量做Hilbert變換能得到信號的時頻分布，但在理論上還存在一些問題，如EMD方法中的模態混淆、欠包絡、過包絡、端點效應等問題，均處在研究之中。HHT是通過信號的EMD分節，是非平穩信號平文化，它擺脫了線性和平穩性的束縛，對突變信號有高精度。目前所使用的特征提取方法基于信號處理技術，主要以人工提取為主，故障診斷的識別精度依賴于特征提取的優劣程度。鑒于上述的缺陷，本設計人積極加以研究創新，以期創設一種基于卷積神經網絡和支持向量回歸的滾動軸承故障診斷方法，以提高滾動軸承故障診斷的準確性和有效性。
技術實現思路
為解決上述技術問題，本專利技術的目的是提供一種基于卷積神經網絡和支持向量回歸的滾動軸承故障診斷方法，其首先采用卷積神經網絡來學習提取訓練樣本數據的有效特征，之后采用支持向量回歸分類方法對測試樣本進行分類識別，從而確定滾動軸承故障工況類別，實現對滾動軸承故障類別的診斷，以提高滾動軸承故障診斷的準確性和有效性。本專利技術的滾動軸承故障診斷方法，包括如下步驟：步驟1：在四種不同工況下的滾動軸承轉動工作時，通過加速度傳感器分別采集每種工況下滾動軸承在不同轉速工作的振動加速度信號，進行去噪預處理，并添加工況標簽，將經過預處理并添加工況標簽后的各種工況下的各個振動加速度信號數據作為訓練樣本；步驟2：建立卷積神經網絡模型，采用訓練樣本對卷積神經網絡模型進行訓練，將訓練樣本輸入卷積神機網絡模型中，采用有監督逐層訓練方法進行逐層訓練和調優，得到卷積神經網絡模型的連接權值和偏置參數；步驟3：將各種工況下的訓練樣本分別作為確定連接權值和偏置參數的卷積神經網絡模型的輸入，對訓練樣本進行深度學習，采用確定連接權值和偏置參數的卷積神經網絡模型分別對每種工況下的各個訓練樣本進行有效特征提取，得到每種工況下的各個訓練樣本對應的訓練樣本特征信息，用所提取的訓練樣本特征訓練支持向量回歸分類器；步驟4：通過加速度傳感器采集待測滾動軸承在轉動工作時的振動加速度信號數據，并進行去噪預處理，作為測試樣本；步驟5：將測試樣本作為確定連接權值和偏置參數的卷積神經網絡模型的輸入，對測試樣本進行深度學習，采用確定連接權值和偏置參數的卷積神經網絡模型對測試樣本進行特征提取，得到測試樣本特征信號；步驟6：將測試特征信息作為測試樣本的匹配特征，將每種工況下的各個訓練樣本對應的訓練樣本特征信息作為匹配基準，采用訓練好的支持向量回歸分類器對測試樣本與訓練樣本進行匹配診斷，將與測試樣本最為匹配的訓練樣本所屬的工況類別判定為測試樣本的工況類別，從而得到待測滾動軸承的故障診斷結果。進一步的，所述步驟2中所建立的卷積神經網絡模型的均方誤差損失函數為：其中，是樣本m的第k個目標標簽值，是對應的第k個網絡輸出值。求解使均方誤差損失函數最小的參數來建立網絡，通過以下公式實現：步驟2.1：卷積神經網絡通過幾個過程來求解公式(2)。第一步將要訓練的數據輸入卷積層，進行卷積運算。每一隱藏層的輸入是上一層的輸出，計算公式如下：si＝ρ(vi),withvi＝Wi·si-1+bi.(3)其中，Wi是卷積神經網絡相鄰兩層之間的連接權值，s是輸入的訓練數據，bi是卷積神經網絡相鄰兩層之間的偏置參數，ρ是激活函數。根據上述激活概率，當將給定訓練樣本輸入至可見層節點時，采用卷積神經網絡模型的分布函數激勵隱含層的所有節點后，再進行下一隱含層節點的激勵，從而重新獲得新層節點值。一個卷積層會包含幾個不同的卷積特征圖，因此本層的輸出可以表示為前一層所有卷積特征圖的加和，公式顯示如下：其中，符號*代表卷積運算，卷積運算可以表示如下：卷積神經網絡求解公式(2)的第二步是將從卷積層輸出的特征輸入到一個下采樣層(又叫池化層)，下采樣層的作用是聚合。聚合公式為：其中down(·)表示下采樣公式，代表第l層第i個節點的乘性偏置，代表第l層第i個節點的加性偏置。步驟2.2：對步驟2.1所得卷積神經網絡的最后一層輸出，采用有監督逐層訓練方法進行逐層訓練和調優，具體方式為：使用前向傳播計算權重和偏置。由步驟2.1所得的卷積神經網絡模型最后一層隱含層的輸出作為輸入被逐層傳播到輸出層，得到預測的分類類別。用鏈式求導計算損失函數對每個權重的梯度，即靈敏度。梯度計算公式為：在卷積神經網絡中，第l層的梯度(靈敏度)的計算表達式為：其中，代表每個元素相乘。由此得到各個隱含層中各個節點的靈敏度δ之后，按下式對卷積神經網絡模型的連接權值進行更新調優：根據訓練樣本的工況標簽確定訓練樣本的實際分類結果，將訓練預測輸出的分類結果與訓練樣本的實際分類結果進行比較得到分類誤差，將分類誤差逐層向后傳播，從而實現對卷積神經網絡模型各層的連接權值參數進行調優，連接權值進行更新的具體公式為：其中，η是學習率。經過上述逐層訓練，直至得到卷積神經網絡模型最后一層隱含層的輸出。對卷積神經網絡模型各層的連接權值進行調優后，最終確定整個卷積神經網絡模型的連接權值和偏置參數。進一步的，所述步驟6采用支持向量回歸分類方法對測試樣本與訓練樣本進行匹配的具體方式為：步驟6.1：尋找一個支持向量回歸的最優超平面。支持向量回歸函數的定義如下：其中，xi是輸入的樣本特征，和αi是拉格朗日乘子，b是偏置，K(·)是核函數。本專利技術本文檔來自技高網...

【技術保護點】
一種滾動軸承故障診斷方法，其特征在于，包括步驟：步驟1：當滾動軸承在四種不同工況下轉動工作時，通過加速度傳感器分別采集每種工況下滾動軸承在不同轉速工作的振動加速度信號，進行去噪預處理，并添加工況標簽，將經過預處理并添加工況標簽后的各種工況下的各個振動加速度信號數據作為訓練樣本；步驟2：建立卷積神經網絡模型，采用訓練樣本對卷積神經網絡模型進行訓練，將訓練樣本輸入卷積神經網絡模型中，采用有監督逐層訓練方法進行逐層訓練和調優，得到卷積神經網絡模型的連接權值和偏置參數等；步驟3：將各種工況下的訓練樣本分別作為確定連接權值和偏置參數的卷積神經網絡模型的輸入，對訓練樣本進行深度學習，采用確定連接權值和偏置參數的卷積神經網絡模型分別對每種工況下的各個訓練樣本進行有效特征提取，并用所提取的訓練樣本特征訓練支持向量回歸分類器，得到支持向量回歸分類器模型；步驟4：通過加速度傳感器采集待測滾動軸承在轉動工作時的振動加速度信號數據，并進行去噪預處理，作為測試樣本；步驟5：將測試樣本作為訓練好的卷積神經網絡模型的輸入，對測試樣本進行深度學習，采用確定了連接權值和偏置參數的卷積神經網絡模型對測試樣本進行特征提取，得到測試樣本特征信號；步驟6：將測試特征信息作為測試樣本的匹配特征，將每種工況下的各個訓練樣本對應的訓練樣本特征信息作為匹配基準，采用訓練好的支持向量回歸分類器對測試樣本與訓練樣本進行分類匹配，將與測試樣本最為匹配的訓練樣本所屬的工況類別判定為測試樣本的工況類別，從而得到待測滾動軸承的故障診斷結果。...

【技術特征摘要】
1.一種滾動軸承故障診斷方法，其特征在于，包括步驟：步驟1：當滾動軸承在四種不同工況下轉動工作時，通過加速度傳感器分別采集每種工況下滾動軸承在不同轉速工作的振動加速度信號，進行去噪預處理，并添加工況標簽，將經過預處理并添加工況標簽后的各種工況下的各個振動加速度信號數據作為訓練樣本；步驟2：建立卷積神經網絡模型，采用訓練樣本對卷積神經網絡模型進行訓練，將訓練樣本輸入卷積神經網絡模型中，采用有監督逐層訓練方法進行逐層訓練和調優，得到卷積神經網絡模型的連接權值和偏置參數等；步驟3：將各種工況下的訓練樣本分別作為確定連接權值和偏置參數的卷積神經網絡模型的輸入，對訓練樣本進行深度學習，采用確定連接權值和偏置參數的卷積神經網絡模型分別對每種工況下的各個訓練樣本進行有效特征提取，并用所提取的訓練樣本特征訓練支持向量回歸分類器，得到支持向量回歸分類器模型；步驟4：通過加速度傳感器采集待測滾動軸承在轉動工作時的振動加速度信號數據，并進行去噪預處理，作為測試樣本；步驟5：將測試樣本作為訓練好的卷積神經網絡模型的輸入，對測試樣本進行深度學習，采用確定了連接權值和偏置參數的卷積神經網絡模型對測試樣本進行特征提取，得到測試樣本特征信號；步驟6：將測試特征信息作為測試樣本的匹配特征，將每種工況下的各個訓練樣本對應的訓練樣本特征信息作為匹配基準，采用訓練好的支持向量回歸分類器對測試樣本與訓練樣本進行分類匹配，將與測試樣本最為匹配的訓練樣本所屬的工況類別判定為測試樣本的工況類別，從而得到待測滾動軸承的故障診斷結果。2.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于：所述步驟2中建立的卷積神經網絡模型的均方誤差損失函數為：其中，是樣本m的第k個目標標簽值，是對應的第k個網絡輸出值，求解使均方誤差損失函數最小的參數來建立網絡，通過以下公式實現：步驟2.1：卷積神經網絡通過兩步來求解公式(2)，第一步將要訓練的數據輸入卷積層，進行卷積運算，每一隱藏層的輸入是上一層的輸出，計算公式如下：si＝ρ(vi),withvi＝Wi·si-1+bi.(3)其中，Wi是卷積神經網絡相鄰兩層之間的連接權值，s是輸入的訓練數據，bi是卷積神經網絡相鄰兩層之間的偏置參數，ρ是激活函數；本層的輸出可以表示為前一層所有卷積特征結果的加和，公式顯示如下：其中，符號*代表卷積運算，卷積運算可以表示如下：卷積神經網絡求解公式(2)的第二步是將從卷積層輸出的特征輸入到一個下采樣層，下采樣層用于聚合，聚合公式為：其中down(·)表示下采樣公式，代表第l層第i個節點的乘性偏置，代表第l層第i個節點的加性偏置。步驟2.2：對步驟2.1所得卷積神經網絡的最后一層輸出，采用有監督逐層訓練方法進行逐層訓練和調優，具體方式為：使用前向傳播計算權重和偏置：由步驟2.1所得的卷積神經網絡模型最后一層隱含層的輸出作為輸入被逐層傳播到輸出層，得到預測的分類類別；用鏈式求導計算損失函數對每個權重的梯度，梯度計算公式為：在卷積神經網絡中，第l層的梯度(靈敏度)的計算表達式為：其中，代表每個元素相乘；根據訓練樣本的工況標簽確定訓練樣本的實際分類結果，將訓練預測輸出的分類結果與訓練樣本的實際分類結果進行比較得到分類誤差，將分類誤差逐層向后傳播，從而實現對卷積神經網絡模型各層的連接權值參數進行調優...

【專利技術屬性】
技術研發人員：朱忠奎，曹世杰，尤偉，沈長青，劉承建，黃偉國，
申請(專利權)人：蘇州大學，
類型：發明
國別省市：江蘇,32