基于振谱图和深度卷积神经网络的轴承故障诊断方法与流程

本发明属于滚动轴承故障诊断的技术领域，尤其涉及一种基于振谱图和深度卷积神经网络的轴承故障诊断方法。

背景技术：

滚动轴承在机械设备中使用广泛，其工作状态直接影响整个设备的运行品质。近年来，国内外因轴承故障而引起的机械设备重大事故屡有发生。因此，对滚动轴承进行状态监测与故障诊断能够避免重大事故的发生，获得重大的社会经济效益。

轴承故障诊断一般包括数据采集、预处理、特征提取、故障建模四个步骤，其中故障的表征及建模对故障诊断的正确性有着关键影响。目前，采集轴承的振动信号是监测轴承运行状态的主要方式之一，从振动信号中提取表征轴承故障特征的方法主要有奇异值分解、多尺度模糊熵分析、经验模态分解、高阶统计矩阵奇异值谱提取、层次模糊熵分析等，这些方法所提取的特征一般仅能部分地表征轴承故障信息。在轴承故障建模方面，基于传统机器学习的支持向量机、k最近邻分类、人工神经网络、隐马尔可夫模型等方法基于一个或综合多个故障特征进行故障识别，由于故障表征信息的不完备性，故障诊断的正确率有待提高。

技术实现要素：

本发明的目的在于提供一种基于振谱图和深度卷积神经网络的轴承故障诊断方法，基于已知故障模式的轴承振动信号振谱图、其对应的故障标签和滚动轴承故障诊断的深度卷积神经网络以获取轴承故障诊断结果，提高了轴承故障识别的准确率。为实现上述目的，本发明所采用的技术方案为：

一种基于振谱图和深度卷积神经网络的轴承故障诊断方法，包括以下步骤：

s1：构建振动信号的振谱图和对应的故障标签；

s2：构建深度卷积神经网络；

s3：训练深度卷积神经网络以获取深度卷积神经网络模型；

s4：将振谱图输入深度卷积神经网络模型以轴承故障诊断识别结果。

优选地，步骤s1具体为：

s11：分帧，对采样点数记为n的一段轴承振动信号分帧得到各帧信号，h为帧序号；

s12：加窗，对各帧信号添加汉明窗，窗长与帧长一致；

s13：离散傅里叶变换，对加窗帧进行离散傅里叶变换得到每帧信号的频谱；

s14：谱线编码，计算每帧信号的频谱能量密度值并将其映射到像素点颜色范围内以确定振谱图不同频率点的颜色；

s15：谱线重组，对所有振动信号帧的h条谱线按帧序号排列重组，得到振动信号的初始振谱图；

s16：根据初始振谱图制备对应的故障标签；

s17：尺度变换，对初始振谱图进行尺度变换，得到用于网络训练及诊断的振谱图。

优选地，步骤s12中，。

优选地，在步骤s12中，。

优选地，步骤s14中，所述像素点颜色范围为0～255。

优选地，步骤s17中获取的振谱图像素尺寸要求为227*227。

优选地，步骤s2中，所述深度卷积神经网络包括依次信号连接的5层卷积层、3层池化层和3层全连接层；所述深度卷积神经网络的输入层为接收糙度等级图像；所述3层全连接层的最后一层为输出层。

优选地，步骤s3中，训练方法包括参数的前向传播训练和误差反向传播训练；所述前向传播训练指将振谱图输入到所述深度卷积神经网络得到网络实际故障识别结果；

所述误差反向传播训练具体为：计算网络实际故障识别结果和故障识别结果之间的误差，将所述误差输入深度卷积神经网络，得到各层的误差。

优选地，所述前向传播训练和误差反向传播训练均采用随机梯度下降法对所述深度卷积神经网络迭代。

与现有技术相比，本发明的优点为：

1)对原始振动信号进行图形化编码得到时频域中的振谱图表示，表达的故障信息更丰富；

2)采用深度卷积神经网络进行识别故障，不必对原始故障振动信号进行特征提取和筛选等步骤，操作过程简单；

3)利用深度卷积神经网络的强大识别图形能力，故障的识别率更高。

附图说明

图1为本发明一实施例提供的深度卷积神经网络的训练及深度卷积神经网络模型识别轴承故障的流程图；

图2为轴承故障诊断中深度卷积神经网络的训练流程；

图3为轴承故障诊断中深度卷积神经网络的诊断流程；

图4为信号分帧原理图；

图5为谱线重组原理图；

图6为轴承故障诊断卷积神经网络结构及参数；

图7为振动信号振谱图的编码原理；

图8为滚动体、内圈、外圈发生故障以及无故障轴承的振谱图示例；

图9为轴承内圈故障尺寸为0.1778mm、0.3556mm、0.5334mm、0.7112mm以及无故障轴承的振谱图示例；

图10为训练过程中滚动轴承故障位置诊断的识别准确率；

图11为训练和诊断过程中滚动轴承故障位置诊断的误差曲线；

图12为训练过程中滚动轴承故障尺寸的识别准确率；

图13为训练和诊断过程中识别滚动轴承故障尺寸的误差曲线。

具体实施方式

下面将结合示意图对本发明的基于振谱图和深度卷积神经网络的轴承故障诊断方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

本实施例提出了一种基于振谱图和深度卷积神经网络的轴承故障诊断方法，包括步骤s1～s4，具体为：

s1：将振动加速度传感器放置在旋转机械上，利用所述振动加速度传感器采集不同滚动轴承故障状态下的旋转机械的振动信号，之后构建振动信号的振谱图和对应的故障标签；如图8从左到右依次为滚动体、内圈、外圈发生故障以及无故障轴承的振谱图示例，如图9从左到右依次为轴承内圈故障尺寸为0.1778mm、0.3556mm、0.5334mm、0.7112mm以及无故障轴承的振谱图示例。s1的流程图见图7。

s2：构建深度卷积神经网络；

s3：训练深度卷积神经网络以获取深度卷积神经网络模型；

s4：将振谱图输入深度卷积神经网络模型以轴承故障诊断识别结果。s3及s4的流程图具体见如图1。图3为步骤s4的流程图。

在本实施例中步骤s1具体为：

s11：分帧，对采样点数记为n的一段轴承振动信号分帧得到各帧信号，h为帧序号；振动信号的分帧原理如图4所示。设一段轴承振动信号xi，其采样点数记为n；对其分帧得到各振信号xih(t)，h为帧序号，h＝{1,2,...,h}，t为每帧信号内的时间序号，令每帧振动信号的帧长度为t，则t＝{0,1,...,t-1}；若每帧信号之间的重叠采样点数为0，则有

h＝(n-t)/(t-o)+1(1)

记a＝t-o，则每帧信号xih(t)计算如式(2)所示

xih(t)＝{xi(a(h-1)+0),xi(a(h-1)+1),...,xi(a(h-1)+t-1)}(2)

s12：加窗，对各帧信号添加汉明窗，窗长与帧长一致；即t＝{0,1,...,t-1}

ω(t)＝(0.54-0.46cos(2πt/(t-1)))(3)

加窗帧x'ih(t)的计算如式(4)

x'ih(t)＝xih(t)*ω(t)(4)

s13：离散傅里叶变换，对加窗帧进行离散傅里叶变换得到每帧信号的频谱；

在频域内取样，令ω＝2πk/t，可得加窗帧x'ih(t)的短时幅度谱如式(6)

其中，0≤k≤t-1。

s14：计算每帧信号xih(t)的频谱能量密度值pi(h,k)并将其映射到像素点颜色范围内以确定振谱图不同频率点的颜色；

将式(7)表示成以分贝为单位的形式

pi(h,k)(db)＝10log10(pi(h,k))(8)

根据式(8)可计算第h帧振动信号的频谱能量密度值(db)，通过式(9)可将其映射到像素点颜色[0，255]范围内，确定谱线上不同频率点的颜色，实现一帧振动信号的谱线编码。

s15：谱线重组，谱线的重组原理如图5所示。对所有振动信号帧的h条谱线按帧序号排列重组，得到振动信号的初始振谱图；其像素尺寸大小为h×k，k为在频域内采样点数，计算公式如下：

k＝t/2+1(10)

t为每帧采样点数。

图5中的每个点包含三个方面的信息：横坐标表示频率、纵坐标表示时间、颜色表示能量密度值。振谱图由h帧谱线组成，每帧谱线反映了短时平稳信号的频域信息，纵坐标反映了频域特征随时间的变化，故振谱图的三维信息既表征了一段振动信号的时域信息，同时表征了频域信息，表征时频域信息的形式直观、丰富。

s16：根据初始振谱图制备对应的故障标签；

s17：尺度变换，为使所得振谱图能输入深度卷积神经网络中进行训练，需对对初始振谱图进行尺度变换，得到用于网络训练及诊断的振谱图，获取的振谱图像素尺寸要求为227*227。

如图6所示，步骤s2中，深度卷积神经网络包括依次信号连接的5层卷积层、3层池化层和3层全连接层；深度卷积神经网络的输入层为接收糙度等级图像；3层全连接层的最后一层为输出层。卷积层包括5层，分别为c1、c2、c3、c4、c5；池化层共有三层，分别为p1、p2、p5；全连接层包括三层，分别为f6、f7以及f8(输出层)。

如图2所示，步骤s3中，训练方法包括参数的前向传播训练和误差反向传播训练；前向传播训练指将振谱图输入到深度卷积神经网络得到网络实际故障识别结果；误差反向传播训练具体为：计算网络实际故障识别结果和故障识别结果之间的误差，将误差输入深度卷积神经网络，得到各层的误差。在本实施例中，前向传播训练和误差反向传播训练均采用随机梯度下降法对深度卷积神经网络迭代。

更进一步，深度卷积神经网络网络训练过程中的卷积和采样过程计算如下：

1)卷积层参数计算

振谱图记为x'i(h×k),h＝k＝227，确定卷积核xs(w×h)，训练一个稀疏自动编码器，学习k个特征：

fs＝σ(w⁽¹⁾xs+b⁽¹⁾)(11)

式中：σ是sigmoid型函数，w⁽¹⁾和b⁽¹⁾分别是显层单元到隐层单元的权重和偏置，fs是一个卷积特征映射，其尺寸大小计算为：

s(fs)＝k×[((h+2×pad-w)/stride)+1]×[((k+2×pad-h)/stride)+1](12)

式中，k为卷积核个数；pad为边缘扩展参数，默认值为0；stride为卷积核步长，默认为1。

2)池化层参数计算

为提取高层特征，需进行池化操作。池化核尺寸为kp(m×n)，划分卷积层为若干不相交的m×n区域进行池化操作。池化方法包括最大值池化、平均值池化和随机值池化，本文选择最大值池化，设fs(r×c)是一个卷积特征映射，最大值池化公式为：

ps＝maxm×n(fs)(13)

池化后的特征映射尺寸大小计算公式为：

s(ps)＝k×[((r+2×pad-m)/stride)+1]×[((c+2×pad-n)/stride)+1](14)

式中，k为池化核个数；pad为边缘扩展个数，默认值为0；stride为池化核步长，默认值为1。

图10为滚动轴承故障位置诊断时测试过程精度随迭代次数变化曲线；由图10可知随着迭代次数的增加，测试集识别精度逐渐增加，当迭代次数超过20时，滚动轴承故障位置诊断识别精度最终达到100％。

图11为训练和测试过程中滚动轴承故障位置诊断的误差曲线，c1表示滚动轴承故障位置诊断时测试过程误差随迭代次数变化曲线；c2表示滚动轴承故障位置诊断时训练过程误差随迭代次数变化曲线。由图11可知随着迭代次数的增加，训练集和测试集误差逐渐减少，当迭代次数超过20时，滚动轴承故障位置诊断识别误差最终接近于0。

图12为训练过程中滚动轴承故障尺寸的识别准确率，即滚动轴承故障尺寸诊断时测试过程精度随迭代次数变化曲线；由图12可知随着迭代次数的增加，测试集识别精度逐渐增加，当迭代次数超过20时，滚动轴承故障尺寸诊断识别精度最终达到100％。

图13为训练和测试过程中识别滚动轴承故障尺寸的误差曲线，c2表示滚动轴承故障尺寸诊断时训练过程误差随迭代次数变化曲线；c1表示滚动轴承故障尺寸诊断时测试过程误差随迭代次数变化曲线由图13可知随着迭代次数的增加，训练集和测试集误差逐渐减少，当迭代次数超过20时，滚动轴承故障尺寸诊断识别误差最终接近于0。

经过长期研究得知，将深度学习应用在故障诊断领域的研究逐渐引起国内外学者的重视。深度学习在故障诊断领域的应用优势在于：(1)强大的特征提取能力，能从设备状态数据中自动提取故障特征，减少了对专家故障诊断经验和信号故障特征提取的依赖；(2)深度学习模型能够很好地表征设备状态监测信号和设备运行状况之间的高维非线性映射关系。本发明提出基于振谱图和深度卷积神经网络的一种新型的滚动轴承故障诊断方法，可准确诊断轴承的故障模式。

综上，在本发明实施例提供的基于振谱图和深度卷积神经网络的轴承故障诊断方法中，针对滚动轴承故障特征难以准确表征的问题，基于轴承振动信号具有短时平稳性的特点，提出对轴承振动信号进行分帧、加窗、dtft、图像编码等处理后构建表征轴承故障的振动信号振谱图。设计用于滚动轴承故障诊断的深度卷积神经网络，采用已知故障模式的轴承振动信号振谱图及其对应的故障标签对网络进行训练得到深度卷积神经网络模型，对待识别振动信号构建振谱图，输入深度卷积神经网络模型，得到轴承故障诊断结果。实验结果表明，该发明针对轴承故障识别准确率极高。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。