一种轴承故障的诊断方法及装置与流程

本发明涉及机械故障诊断技术领域，具体涉及一种轴承故障的诊断方法及装置。

背景技术：

基于传统机器学习的故障诊断方法一般有两个步骤，特征提取和分类。因为收集的振动信号是原始时间序列信号，包含有利信息和噪声，所以，从原始的振动信号中提取有利信息成为必要。从原始信号中提取代表性特征的常见信号处理技术包括时域统计分析，小波变换和傅里叶谱分析。通常在特征提取之后，进行特征选择以消除无用且不敏感的特征。常见的特征选择方法包括主成分分析(pca)，独立成分分析(ica)和特征判别分析。提取完代表性特征后，训练分类器，包括支持向量机(svm)，k近邻(knn)，随机森林，决策树等。训练后，在测试样本上测试分类器，以计算其识别能力。传统的算法在训练时间和模型精度上都已经落后于深度学习算法。

基于机器学习的新分支形成的深度学习开始进入研究者们的视线，使用卷积神经网络来诊断机械部件的故障已经成为热点。卷积神经网络应用在计算机视觉时，数据输入通常是二维的，应用于处理自然语言处理和语音识别任务时，数据输入通常是一维的。

更深的卷积神经网络可以捕捉更丰富和更高级别的信号，同样，更深的层次也会带来缺陷。首先，反向传播通过链式求导规则计算梯度，当层数增加时，这很容易导致梯度的指数减小或者增加，容易遇到消失或爆炸的梯度问题，使得训练变得更加困难。其次，网络退化是另一个主要问题，导致训练样本的训练误差增加。这极大地限制了卷积神经网络在故障诊断领域的发展。

技术实现要素：

本发明的目的在于提供一种轴承故障的诊断方法及装置，旨在解决了上述问题，具有高的分类精度的同时，又能降低训练的难度。

为了实现上述目的，本发明提供以下技术方案：

一种轴承故障的诊断方法，包括以下步骤：

步骤s1、以设定频率采集轴承在一段时间内的振动数据；

步骤s2、根据所述振动数据确定训练集、验证集和测试集；

步骤s3、搭建一维深度残差卷积神经网络模型，确定所述一维深度残差卷积神经网络模型的结构参数和训练参数，所述结构参数包括卷积核大小、降采样率、残差块数目，所述训练参数包括训练的轮数、学习率；

步骤s4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练；

步骤s5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证，得到所述一维深度残差卷积神经网络模型的评价指标和性能指标；

步骤s6、判断所述评价指标和性能指标是否低于阈值，若是，调整所述结构参数和训练参数，并跳转到步骤s4，若否，保存一维深度残差卷积神经网络模型；

步骤s7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中，预测出测试集的故障诊断结果。

具体地，所述步骤s1包括：

获取轴承在各种状态下的原始时间序列信号，并以设定的采样频率和采样时长提取所述原始时间序列信号，其中，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

具体地，所述步骤s2包括：

根据采样频率和采样时长将所述振动数据的分割为单位时长的数据集，并将所述数据集划分为训练集、验证集和测试集，从而完成数据预处理；

所述单位时长为采样间隔时长的2～3倍，所述采样间隔时长为所述采样频率的倒数。

一种轴承故障的诊断装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下模块中：

采集模块，用于以设定频率采集轴承在一段时间内的振动数据；

分集模块，用于根据所述振动数据确定训练集、验证集和测试集；

初步搭建模块，用于搭建一维深度残差卷积神经网络模型，确定所述一维深度残差卷积神经网络模型的结构参数和训练参数，所述结构参数包括卷积核大小、降采样率、残差块数目，所述训练参数包括训练的轮数、学习率；

训练模块，用于将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练；

验证模块，用于将所述验证集输入所述一维深度残差卷积神经网络模型进行验证，得到所述一维深度残差卷积神经网络模型的评价指标和性能指标；

判断模块，用于判断所述评价指标和性能指标是否低于阈值，若是，调整所述结构参数和训练参数，并跳转到初步搭建模块，若否，保存一维深度残差卷积神经网络模型；

预测模块，用于将所述测试集输入至训练好的一维深度残差卷积神经网络模型中，预测出测试集的故障诊断结果。

进一步，所述采集模块具体用于：

获取轴承在各种状态下的原始时间序列信号，并以设定的采样频率和采样时长提取所述原始时间序列信号，其中，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

进一步，所述分集模块具体用于：

根据采样频率和采样时长将所述振动数据分割为单位时长的数据集，并将所述数据集划分为训练集、验证集和测试集，从而完成数据预处理；

所述单位时长为采样间隔时长的2～3倍，所述采样间隔时长为所述采样频率的倒数。

本发明的有益效果是：本发明公开一种轴承故障的诊断方法及装置，直接使用原始的振动信号作为输入，降低了获得训练样本的难度，通过结合一维深度残差卷积神经网络模型和自残差训练，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例一种轴承故障的诊断方法的流程示意图；

图2是本发明实施例一种轴承故障的诊断装置的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所以其他实施例，都属于本发明的保护范围。

参考图1，本发明实施例提供的一种轴承故障的诊断方法，包括以下步骤：

步骤s1、以设定频率采集轴承在一段时间内的振动数据；通过直接使用原始的振动信号作为输入，降低了获得训练样本的难度。

步骤s2、根据所述振动数据确定训练集、验证集和测试集；

步骤s3、搭建一维深度残差卷积神经网络模型，确定所述一维深度残差卷积神经网络模型的结构参数和训练参数，所述结构参数包括卷积核大小、降采样率、残差块数目，所述训练参数包括训练的轮数、学习率；

步骤s4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练；

步骤s5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证，得到所述一维深度残差卷积神经网络模型的评价指标和性能指标；

步骤s6、判断所述评价指标和性能指标是否低于阈值，若是，调整所述结构参数和训练参数，并跳转到步骤s4，若否，保存一维深度残差卷积神经网络模型。

通过结合一维深度残差卷积神经网络模型和自残差训练，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

步骤s7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中，预测出测试集的故障诊断结果。

具体地，所述步骤s1包括：

获取轴承在各种状态下的原始时间序列信号，并以设定的采样频率和采样时长提取所述原始时间序列信号，本实施例中，所述原始时间序列信号采用加速度传感器进行测取，其中，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

具体地，所述步骤s2包括：

根据采样频率和采样时长将所述振动数据的分割为单位时长的数据集，并将所述数据集划分为训练集、验证集和测试集，从而完成数据预处理；

所述单位时长为采样间隔时长的2～3倍，所述采样间隔时长为所述采样频率的倒数。

参考图2，本发明实施例还提供一种轴承故障的诊断装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下模块中：

采集模块1，用于以设定频率采集轴承在一段时间内的振动数据；

分集模块2，用于根据所述振动数据确定训练集、验证集和测试集；

初步搭建模块3，用于搭建一维深度残差卷积神经网络模型，确定所述一维深度残差卷积神经网络模型的结构参数和训练参数，所述结构参数包括卷积核大小、降采样率、残差块数目，所述训练参数包括训练的轮数、学习率；

训练模块4，用于将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练；

验证模块5，用于将所述验证集输入所述一维深度残差卷积神经网络模型进行验证，得到所述一维深度残差卷积神经网络模型的评价指标和性能指标；

判断模块6，用于判断所述评价指标和性能指标是否低于阈值，若是，调整所述结构参数和训练参数，并跳转到初步搭建模块，若否，保存一维深度残差卷积神经网络模型；

预测模块7，用于将所述测试集输入至训练好的一维深度残差卷积神经网络模型中，预测出测试集的故障诊断结果。

具体地，所述采集模块1用于：

获取轴承在各种状态下的原始时间序列信号，并以设定的采样频率和采样时长提取所述原始时间序列信号，本实施例中，所述原始时间序列信号采用加速度传感器进行测取，其中，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

具体地，所述分集模块2用于：

根据采样频率和采样时长将所述振动数据分割为单位时长的数据集，并将所述数据集划分为训练集、验证集和测试集，从而完成数据预处理；

所述单位时长为采样间隔时长的2～3倍，所述采样间隔时长为所述采样频率的倒数。

所述一种轴承故障的诊断装置，包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种轴承故障的诊断装置的示例，并不构成对一种轴承故障的诊断装置的限定，可以包括比例子更多的部件，或者组合某些部件，或者不同的部件，例如所述一种轴承故障的诊断装置还可以包括输入输出设备等。

所称处理器可以是中央处理单元(central-processing-unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital-signal-processor，dsp)、专用集成电路(application-specific-integrated-circuit，asic)、现成可编程门阵列(field-programmable-gate-array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种轴承故障的诊断装置运行装置的控制中心，利用各种接口和线路连接整个一种轴承故障的诊断装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种轴承故障的诊断装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如智能存储卡(smart-media-card,smc)，安全数字(secure-digital,sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。