一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法与流程

本发明涉及滚动轴承的故障诊断
技术领域：
，具体涉及一种基于集合经验模态分解和卷积神经网络的故障诊断方法，应用于现代机械设备中解决滚动轴承故障诊断问题。
背景技术：
：滚动轴承作为现代机械设备的关键器件，滚动轴承状态是否正常直接影响到整个机械设备的平稳运行。据相关数据显示，在现代机械中，由于滚动轴承无法正常使用而引起的机械故障约占总体故障的30％。此外，滚动轴承因污垢、锈蚀、润滑油缺少发生的磨损常常导致其极易损坏，如果按照设计寿命定期维修，便会出现两种情况：一是在正常使用期限内发生损坏，从而导致发生严重的意外事故；二是把超过使用期限但仍能正常使用的滚动轴承直接扔掉，造成不必要的浪费。传统的滚动轴承检测方法，工作人员需要定期将滚动轴承从设备上拆卸下来进行安全检查，但这种方法既耗费人力和时间，又要支付巨额维护费用，严重影响生产进程。此外，滚动轴承故障振动信号中含有强烈的环境噪声，具有非平稳、非线性特征以及提取特征困难等问题，如何设计合理的故障检测和诊断方法成为了大家关注的焦点。滚动轴承的故障诊断一般分为三部分，第一步需要将采集到的原始信号进行预处理，常见的信号预处理方法有傅里叶变换，小波变换，经验模态分解等。第二步是对处理后的信号进行特征提取，随着深度学习技术的不断发展，通过卷积神经网络(convolutionalneuralnetworks,cnn)对信号进行自适应的特征提取成为了一种主流，其中的1d卷积神经网络对于一维的时域信号有很强表征能力，能够对关键特征进行有效提取。第三步是对提取出的特征进行分类，诊断出故障类型。cnn是典型的有监督学习深度神经网络，目前基于cnn的故障诊断模型都是直接利用cnn进行分类，这种方法的实现要求每个类别拥有足够大的样本，即便如此，仍然无法避免过拟合现象的产生，同时cnn自带的分类器分类能力较弱，如何增强卷积神经网络的分类能力成为了研究的重点。技术实现要素：为了克服现有技术的不足，本发明的目的在于针对机械设备中的滚动轴承这一重要器件，提供了一种基于集合经验模态分解和卷积神经网络的支持向量机滚动轴承故障诊断方法，能够有效削弱信号中的多余内容，经验模态分解存在的混叠模态问题也得到了很好的解决；并能够有效且准确的实现滚动轴承的故障检测。本发明的目的是通过以下技术方案实现的：一种基于集合经验模态分解和卷积神经网络的故障诊断方法，包括以下步骤：(1)采集滚动体故障状态下、内圈故障状态下、外圈故障状态下和正常状态下的滚动轴承振动信号，作为原始振动信号进行模型训练；(2)将原始振动信号构建为训练集和测试集；(3)对采集到的原始振动信号进行集合经验模态分解(ensembleempiricalmodedecomposition，eemd)，将原始的振动信号分解为n个本征模态分量(intrinsicmodefunction，imf)，eemd分解的步骤如下：(3.1)向原始信号x(t)中加入m次正态分布的白噪声bk(t)，(k＝1,2,...,m)，即xk(t)＝x(t)+bk(t)(3.2)对加入白噪声的xk(t)进行多次eemd分解，得到n个imf分量mij(t)，(j＝1,2,…,n)以及残余项r(t)，其中mij(t)表示第i次加入白噪声得到的第j个imf分量；(3.3)将每次得到的imf分量做集成平均运算，得到原始信号x(t)经eemd的最终结果为：其中mj(t)为m个带白噪声信号得到的imf分量总体均值信号；(4)针对(3)中的n个imf分量构建神经网络，神经网络模型的损失函数是基于softmax的交叉熵损失函数，对将每个imf分量视为一个通道的信号，在前5层构建多通道的1d卷积神经网络，即第一层卷积神经网络的输入通道为n；(5)利用训练集对cnn进行训练，将(3)中提取的n个imf分量输入到(4)中构建的神经网络模型中进行训练；(6)利用训练好的模型对imf分量进行特征提取，通过多层卷积和池化操作提取出来的特征作为支持向量机(supportvectormachine,svm)的输入进行分类，从而达到故障诊断的目的。进一步，所述步骤(4)中，神经网络结构如下：(4.1)第一层：第一卷积层，卷积核大小为64×1、个数为16，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.2)第二层：第二卷积层，卷积核大小为3×1、个数为32，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.3)第三层：第三卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.4)第四层：第四卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.5)第五层：第五卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.6)第六层：池化层，其中池化层为globalaverage-pooling；(4.7)第七层：全连接层；(4.8)第八层：softmax层，利用softmax函数实现分类器。再进一步，训练的方法采用的是adam梯度下降方法，批量大小为128，迭代次数为100，训练完成后，保持cnn模型参数不变。本发明的技术构思为：首先对原始振动信号进行集合经验模态分解，生成n个imf分量。然后，利用构建的卷积神经网络模型对imf分量进行特征提取。最后，将提取出的特征输入svm进行分类，从而实现对滚动轴承的故障诊断。本发明的有益效果主要表现在：本发明采用集合经验模态分解的方法对原始振动信号进行预处理，能够有效削弱信号中的多余成分，滤出混杂的噪声，并且经验模态分解存在的混叠模态问题也得到了很好的解决。接着将多个imf分量作为多维信号输入到卷积神经网络，通过卷积神经网络对imf分量进行特征提取，不仅能对单个imf分量的特征进行了有效提取，也能够将多个imf分量联合的相关性特征进行提取。然后利用svm对卷积神经网络提取的特征进行分类，能够有效且准确的实现滚动轴承的故障检测。附图说明图1是本发明基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法流程图；图2是正常信号与滚动体故障(7inch、14inch、21inch)、内圈故障(7inch、14inch、21inch)、外圈故障(7inch、14inch、21inch)的对比图，其中，(a)是正常信息，(b)是滚动体故障(7inch)，(c)是滚动体故障(14inch)，(d)是滚动体故障(21inch)，(e)是内圈故障(7inch)，(f)是内圈故障(14inch)，(g)是内圈故障(21inch)，(h)是外圈故障(7inch)，(i)是外圈故障(14inch)，(j)是外圈故障(21inch)；图3是集合经验模态分解的流程图；图4是滚动轴承滚动体故障振动信号eemd结果图；图5是构建的神经网络结构图；图6是全连接层fc1提取特征二维散点图。图7是全连接层fc1提取特征三维散点图。具体实施方式下面结合附图对本发明作进一步描述。参照图1～图7，一种基于集合经验模态分解和卷积神经网络的支持向量机滚动轴承故障诊断方法，包括以下步骤：(1)数据采用的是美国凯斯西储大学(cwru)的滚动轴承数据中心的标准数据，采集滚动体故障状态下、内圈故障状态下、外圈故障状态下和正常状态下的滚动轴承振动信号，所采集的各种状态下的振动信号如图2所示，作为原始振动信号进行模型训练；(2)将原始振动信号构建为训练集和测试集；(3)对采集到的原始振动信号进行集合经验模态分解(ensembleempiricalmodedecomposition，eemd)，将原始的振动信号分解为n个本征模态(intrinsicmodefunction，imf)分量，eemd分解的流程图如图3所示，操作步骤如下：(3.1)向原始信号x(t)中加入m次正态分布的白噪声bk(t)，(k＝1,2,...,m)，即xk(t)＝x(t)+bk(t)(3.2)对加入白噪声的xk(t)进行多次eemd分解，得到n个imf分量mij(t),(j＝1,2,…,n)以及残余项r(t)。其中mij(t)表示第i次加入白噪声得到的第j个imf分量；(3.3)将每次得到的imf分量做集成平均运算，得到原始信号x(t)经eemd的最终结果为：其中mj(t)为m个带白噪声信号得到的imf分量总体均值信号；(4)针对(3)中的n个imf分量构建神经网络，所生成的imf分量如图4所示，神经网络模型的损失函数是基于softmax的交叉熵损失函数，具体的方法是对将每个imf分量视为一个通道的信号，在前5层构建多通道的1d卷积神经网络，即第一层卷积神经网络的输入通道为n，如图5所示，构建的神经网络结构如下：(4.1)第一层：第一卷积层，卷积核大小为64×1、个数为16，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.2)第二层：第二卷积层，卷积核大小为3×1、个数为32，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.3)第三层：第三卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.4)第四层：第四卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.5)第五层：第五卷积层，卷积核大小为3×1、个数为64，后面连接有非线性激活层和池化层，其中激活层的激活函数为relu，池化层为max-pooling；(4.6)第六层：池化层，其中池化层为globalaverage-pooling；(4.7)第七层：全连接层；(4.8)第八层：softmax层，利用softmax函数实现分类器；(5)利用训练集对cnn进行训练，将(3)中提取的n个imf分量输入到(4)中构建的神经网络模型中进行训练，其中训练的方法采用的是adam梯度下降方法，批量大小为128，迭代次数为100，训练完成后，保持cnn模型参数不变；(6)利用训练好的模型对imf分量进行特征提取，所提取特征的散点图如图6和图7所示，通过多层卷积和池化操作提取出来的特征作为支持向量机(supportvectormachine,svm)的输入进行分类，从而达到故障诊断的目的。表1为本发明与现有算法效果对比模型emd+cnn+softmaxeemd+cnn+svm准确率98.88％99.78％表1表1为本发明与现有方法进行比较，通过对故障诊断准确率的对比，可以看出本发明相比于现有方法提高了故障识别的准确率和可靠性。对原始信号进行集合经验模态分解的方法可以有效克服经验模态分解存在的模态混叠问题，能够对原始振动信号进行有效的预处理。同时利用svm对卷积神经网络提取出的特征提取分类，克服了softmax由于样本数量问题出现的过拟合现象，能够有效且准确地诊断出滚动轴承的故障类别。当前第1页12