自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法

1.本发明涉及滚动轴承故障诊断类别领域，具体涉及自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法。


背景技术：

2.滚动轴承是旋转机械设备中的重要部件，担负着传递动能，连接旋转部件的关键作用。然而受到机械设备运行状态的变化和运行环境的变化，使得滚动轴承在运行过程中容易出现多种故障类型，严重时甚至会导致机械设备的停机。根据相关统计显示，使用滚动轴承的旋转机械设备中有90％的故障来自于滚动轴承，因此及时准确的对滚动轴承进行故障诊断有着重要的现实意义。
3.近年来随着传感器技术的不断提高和计算科学、计算设备的不断发展，深度学习技术取得了快速的进步，基于深度学习的方法对滚动轴承的故障诊断也取得了大量的研究成果，但目前的研究仅仅依靠于深度学习方法的黑盒原理，依靠随机的拟合来提取故障特征，建立故障特征与故障类型的关联，无法涉及到轴承物理机理知识和信号统计机理知识，无法可靠可解释地提取故障特征，常常会忽视一些隐藏在信号中的重要机理信息。因此设计针对信号处理和深度学习相结合的方法，利用信号中蕴含的统计机理信息，对深度学习中一些网络部件进行改造设计，使得网络具有机理意义，能够按照信号机理可靠可解释地提取重要特征，实现对故障信号的可靠性智能化分析是至关重要的。


技术实现要素：

4.针对上述的缺点，本发明提供自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，结合信号机理知识，增强故障诊断技术的可靠性和可解释性，提高滚动轴承故障诊断能力，具有工程实用价值的故障诊断方法。
5.实现上述目的，本发明提供如下技术方案：
6.自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，包括以下步骤：
7.步骤1：通过加速度计采集旋转轴承不同健康状态的一维时间序列形式的振动信号，将采集的振动信号进行分段切片，求出每段切片的包络向量并打标签作为样本，将全部样本制作为数据集；
8.步骤2：针对所述包络向量求峭度值和分段滑窗求平均偏度值，用于高斯卷积核参数的设定，得到三种参数自适应的高斯卷积核，基于所述三种参数自适应的高斯卷积核构建的自适应参数的高斯卷积层用于提取包络向量的三个故障特征向量并进行拼接得到新的故障特征向量；
9.步骤3：将步骤2中提取到的新的故障特征向量输入到具有交叉熵损失函数的softmax分类器中，根据建立的故障特征和故障类别的映射关系，基于所述映射关系进行滚动轴承故障类别的诊断。
10.本发明技术方案的进一步改进在于：步骤1包括如下步骤：
11.步骤11：将一维时间序列形式的振动信号根据转速和采样频率分割成m个长度为n的无重叠片段，构成m个一维振动向量，长度n的计算表达式如下：
[0012][0013]
其中f为振动信号采样频率，r为旋转轴承转速；
[0014]
步骤12：对步骤11中长度为n的一维振动向量做希尔伯特变换求出长度为n的一维时间序列形式的包络向量，求包络向量计算表达式如下：
[0015][0016]
其中x(n)为振动信号，为对x(n)做希尔伯特变换得到的信号，为所求包络向量；
[0017]
步骤13：根据轴承健康状态及故障类型给对应的包络向量打标签，标签值分为0(正常)和1～p(p为故障类型数量)，将包络向量及其对应标签作为一个样本，将全部样本构建为数据集，对所述数据集按照比例划分为训练集、验证集和测试集。
[0018]
本发明技术方案的进一步改进在于：步骤2包括如下步骤：
[0019]
步骤21：将步骤1中得到的一维时间序列形式的包络向量计算峭度值k和分段滑窗计算平均偏度值
[0020]
所述峭度值k计算表达式如下：
[0021][0022]
其中n为包络向量长度，xi为包络向量第i个点的包络值，μ为包络向量的均值，σ为包络向量的标准差；
[0023]
所述平均偏度值计算表达式如下:
[0024][0025]
其中h为分段滑窗窗口数量，h为分段滑窗窗口的长度，a为当前分段滑窗窗口的起始点，x
t
为当前分段滑窗窗口内包络向量第t个点的包络值，μ
′
为当前分段滑窗窗口内包络向量的均值，σ
′
当前分段滑窗窗口内包络向量的为标准差；
[0026]
步骤22：利用步骤21中求到的峭度值k和平均偏度值生成三种高斯卷积核的参数序列用于高斯卷积核的自适应参数设定，步骤2中所述高斯卷积核的参数序列生成表达式如下：
[0027][0028][0029][0030]
其中k为峭度值，为平均偏度值，参数q为卷积核长度，w为从1到q长度为q的整数序列，exp{}为e的幂次运算；
[0031]
利用上述生成的三种高斯卷积核参数序列f1(w)、f2(w)、f3(w)，得到三种自适应参数的高斯卷积核；
[0032]
步骤23：利用步骤22中设计得到的三种自适应参数的高斯卷积核构建三种自适应参数的高斯卷积层，对步骤1中所得到的数据集中的样本进行特征提取，提取三个故障特征向量，进行拼接得到新的故障特征向量。
[0033]
本发明技术方案的进一步改进在于：步骤3中交叉熵损失函数loss计算表达式如下：
[0034][0035]
其中a为样本数，p+1为类别数量(p种故障类别和1种正常类别)，y
jc
为符号函数，若类型j和样本c的类型相同就是1，否则就是0，p
jc
为对于观测样本j属于类别c的预测概率。
[0036]
与现有技术相比，本发明提供的自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法有益效果如下：
[0037]
本发明提供的自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，该方法利用了信号统计机理知识的可靠性、可解释性和深度学习网络的强拟合能力，利用信号峭度值和平均偏度值设计了三种具有自适应参数的高斯卷积核并利用三种自适应高斯卷积核构建卷积层，用于提取三个不同的对信号冲击敏感的特征，并对三个特征进行拼接得到新的特征，因此本发明能够提取更为丰富可靠的故障诊断信息，能够增强对故障类型的分类能力，为滚动轴承故障诊断领域提供了一个新的方向。
附图说明
[0038]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法的流程图；
[0040]
图2为图1中自适应参数高斯卷积核生成模块的流程图。
具体实施方式
[0041]
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
本实施例结合附图对本发明进行详细说明：
[0043]
如图1所示，提供了一种自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，包括以下步骤：
[0044]
步骤1：如图1所示，使用加速度计从旋转机械设备中采集旋转轴承不同健康状态的一维时间序列形式的振动信号，将采集的振动信号进行分段切片，求出每段切片的包络
向量并打标签作为样本，将全部样本制作为数据集，具体操作步骤如下：
[0045]
步骤11：将一维时间序列形式的振动信号根据转速和采样频率分割成m个长度为n的无重叠片段，构成m个一维振动向量，长度n的计算表达式如下：
[0046][0047]
其中f为振动信号采样频率，r为旋转轴承转速；
[0048]
步骤12：对步骤11中长度为n的一维振动向量做希尔伯特变换求出长度为n的一维时间序列形式的包络向量，求包络向量计算表达式如下：
[0049][0050]
其中x(n)为振动信号，为对x(n)做希尔伯特变换得到的信号，为所求包络向量；
[0051]
步骤13：根据轴承健康状态及故障类型给对应的包络向量打标签，标签值分为0(正常)和1～p(p为故障类型数量)，将包络向量及其对应标签作为一个样本，将全部样本构建为数据集，对所述数据集按照比例划分为训练集、验证集和测试集。
[0052]
步骤2：如图2的自适应参数高斯卷积核生成模块的流程图所示，针对所述包络向量求峭度值和分段滑窗求平均偏度值，用于高斯卷积核参数的设定，得到三种参数自适应的高斯卷积核，利用所述三种高斯卷积核构建自适应参数的高斯卷积层用于提取包络向量的三个故障特征向量并进行拼接得到新的故障特征向量，具体操作步骤如下：
[0053]
步骤21：将步骤1中得到的一维时间序列形式的包络向量计算峭度值k和分段滑窗计算平均偏度值
[0054]
所述峭度值k计算表达式如下：
[0055][0056]
其中n为包络向量长度，xi为包络向量第i个点的包络值，μ为包络向量的均值，σ为包络向量的标准差；
[0057]
所述偏度值s计算表达式如下:
[0058][0059]
其中h为分段滑窗窗口数量，h为分段滑窗窗口的长度，a为当前分段滑窗窗口的起始点，x
t
为当前分段滑窗窗口内包络向量第t个点的包络值，μ
′
为当前分段滑窗窗口内包络向量的均值，σ
′
当前分段滑窗窗口内包络向量的为标准差；
[0060]
步骤22：利用步骤21中求到的峭度值k和平均偏度值生成三种高斯卷积核的参数序列用于高斯卷积核的自适应参数设定，步骤2中所述高斯卷积核的参数序列生成表达式如下：
[0061][0062]
[0063][0064]
其中k为峭度值，为平均偏度值，参数q为卷积核长度，w为从1到q长度为q的整数序列，exp{}为e的幂次运算；
[0065]
利用上述生成的三种高斯卷积核参数序列f1(w)、f2(w)、f3(w)，设计得到三种自适应参数的高斯卷积核；
[0066]
步骤23：利用步骤22中设计得到的三种自适应参数的高斯卷积核构建三种自适应参数的高斯卷积层，对步骤1中所得到的数据集中的样本进行特征提取，提取三个故障特征向量，进行拼接得到新的故障特征向量。
[0067]
步骤3：将步骤2中提取到的新的故障特征向量输入到具有交叉熵损失函数的softmax分类器中，建立故障特征和故障类别的映射关系，基于所述映射关系进行滚动轴承故障类别的诊断，具体操作如下：
[0068]
步骤31：将步骤23中所获得的故障特征输入到具有交叉熵损失函数的softmax分类器中，建立故障特征和故障类别的映射关系，得到最终的轴承故障诊断结果，其中交叉熵损失函数loss计算表达式如下：
[0069][0070]
其中a为样本数，p+1为类别数量(p种故障类别和1种正常类别)，y
jc
为符号函数，若类型j和样本c的类型相同就是1，否则就是0，p
jc
为对于观测样本j属于类别c的预测概率。
[0071]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明装置权利要求书确定的保护范围。