本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法及系統(tǒng)。
背景技術(shù):
在工業(yè)應(yīng)用中,滾動軸承是易損部件,也是關(guān)鍵的監(jiān)測部件,由此,就需要對其進(jìn)行故障診斷。以風(fēng)力發(fā)電機組的滾動軸承為例,由于直驅(qū)風(fēng)力發(fā)電機主軸轉(zhuǎn)速較低,使得滾動軸承的故障特征頻率處于較低的頻段,早期的故障特征較微弱。另外,由于風(fēng)速變化較大,風(fēng)力發(fā)電機一般都是在變轉(zhuǎn)速工況下工作,這增大了滾動軸承故障診斷的難度。
因此,為了解決滾動軸承故障診斷困難、誤判高的技術(shù)問題,需要設(shè)計一種新的滾動軸承故障診斷方法及系統(tǒng)。
技術(shù)實現(xiàn)要素:
本發(fā)明的目的是提供一種滾動軸承故障診斷方法及系統(tǒng),以解決傳統(tǒng)滾動軸承故障檢測效率低,誤判高的技術(shù)問題。
為了解決上述技術(shù)問題,本發(fā)明提供了一種滾動軸承的故障診斷方法,包括如下步驟:步驟S1,構(gòu)建用于反映滾動軸承工作狀況的數(shù)據(jù)庫;以及步驟S2,通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài)。
進(jìn)一步,步驟S1中構(gòu)建所述數(shù)據(jù)庫的方法如下子步驟:
步驟S11,采集滾動軸承在工作過程中的振動信號;
步驟S12,對振動信號進(jìn)行歸一化處理;以及
步驟S13,根據(jù)歸一化處理后的振動信號創(chuàng)建波形圖數(shù)據(jù)庫,以作為所述數(shù)據(jù)庫。
進(jìn)一步,所述步驟S11中采集所述振動信號,即
設(shè)定與振動信號對應(yīng)的加速度信號的時間序列為;
所述步驟S12中對振動信號進(jìn)行歸一化處理,即
設(shè)振動信號;
式中,,其中,。
進(jìn)一步,所述步驟S13中創(chuàng)建波形圖數(shù)據(jù)庫的方法包括:
將歸一化處理后的離散數(shù)據(jù)各相鄰點連接起來,得到振動信號的波形圖,保存黑白的波形圖為JPG格式圖片,即
構(gòu)建波形圖數(shù)據(jù)庫;以及
所述波形圖數(shù)據(jù)庫包括:滾動軸承在正常狀態(tài)和相應(yīng)故障狀態(tài)下的波形圖。
進(jìn)一步,所述步驟S2中通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài),即
通過卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)和決策識別當(dāng)前滾動軸承的工作狀態(tài)。
進(jìn)一步,所述通過卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)和決策識別當(dāng)前滾動軸承的工作狀態(tài)的方法包括如下子步驟:
步驟S21,創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)模型;
步驟S22,訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型;以及
步驟S23,對當(dāng)前輸入的滾動軸承對應(yīng)的波形圖進(jìn)行狀態(tài)識別。
進(jìn)一步,所述步驟S21中創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)模型的方法包括:
設(shè)定包含三個隱含層的卷積神經(jīng)網(wǎng)絡(luò);其中
輸入與一滾動軸承的振動信號相對應(yīng)的波形圖,輸出為該滾動軸承的工作狀態(tài),所述工作狀態(tài)包括:正常、磨損和破損狀態(tài);以及
通過二進(jìn)制數(shù)表示,即
100表示正常狀態(tài),010表示磨損狀態(tài),001表示破損狀態(tài)。
進(jìn)一步,所述步驟S22中訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練的方法包括如下子步驟:
步驟S221,使用自下上升的非監(jiān)督學(xué)習(xí)方式;即
先用無標(biāo)定數(shù)據(jù)訓(xùn)練第一隱含層,訓(xùn)練時先學(xué)習(xí)第一隱含層的參數(shù);且
將學(xué)習(xí)得到的前一隱含層的輸出作為下一隱含層的輸入,依次完成三層訓(xùn)練,以分別得到各隱含層的相應(yīng)參數(shù);以及
步驟S222,自頂向下的監(jiān)督學(xué)習(xí)方式;即
基于步驟S221中得到的各隱含層的相應(yīng)參數(shù),且優(yōu)化調(diào)整整個卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù),以實現(xiàn)監(jiān)督訓(xùn)練,其過程包括:
隨機初始化初值,以獲得更接近全局最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)模型模型的參數(shù)。
進(jìn)一步,所述步驟S23中對當(dāng)前輸入的滾動軸承對應(yīng)的波形圖進(jìn)行狀態(tài)識別的方法包括:
通過卷積神經(jīng)網(wǎng)絡(luò)模型識別滾動軸承的工作狀態(tài),即
首先將輸入的波形圖與數(shù)據(jù)庫中分類完成的三種滾動軸承工作狀態(tài)的波形圖進(jìn)行對比,找出和輸入波形圖最相似的圖片,該最相似的圖片所屬的滾動軸承工作狀態(tài)即為要識別的軸承工作狀態(tài),以完成滾動軸承的故障診斷。
又一方面,本發(fā)明還提供了一種滾動軸承的故障診斷系統(tǒng)。
所述滾動軸承的故障診斷系統(tǒng)包括:
數(shù)據(jù)庫,用于存儲滾動軸承相應(yīng)工作狀況對應(yīng)數(shù)據(jù);以及
識別模塊,通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài)。
本發(fā)明的有益效果是,本發(fā)明的滾動軸承故障診斷方法及系統(tǒng)通過加速度傳感器獲取滾動軸承的振動信號,這種滾動軸承的故障診斷方法利用卷積神經(jīng)網(wǎng)絡(luò)模型強大的圖像識別能力,通過大數(shù)據(jù)的深度學(xué)習(xí)識別滾動軸承故障,實現(xiàn)滾動軸承故障的監(jiān)測與預(yù)報,顯著提高滾動軸承故障診斷的準(zhǔn)確率和實時性。
附圖說明
下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。
圖1是本發(fā)明的滾動軸承的故障診斷方法的方法流程圖;
圖2是本發(fā)明的步驟S1中構(gòu)建所述數(shù)據(jù)庫的方法流程圖;
圖3是本發(fā)明的步驟S2中構(gòu)建所述數(shù)據(jù)庫的方法流程圖;
圖4是本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示圖。
具體實施方式
現(xiàn)在結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)的說明。這些附圖均為簡化的示意圖,僅以示意方式說明本發(fā)明的基本結(jié)構(gòu),因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。
實施例1
如圖1所示,本實施例1提供了一種滾動軸承的故障診斷方法,包括如下步驟:
步驟S1,構(gòu)建用于反映滾動軸承工作狀況的數(shù)據(jù)庫;以及
步驟S2,通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài)。
如圖2所示,具體的,步驟S1中構(gòu)建所述數(shù)據(jù)庫的方法如下子步驟:
步驟S11,采集滾動軸承在工作過程中的振動信號;
步驟S12,對振動信號進(jìn)行歸一化處理;以及
步驟S13,根據(jù)歸一化處理后的振動信號創(chuàng)建波形圖數(shù)據(jù)庫,以作為所述數(shù)據(jù)庫。
進(jìn)一步,所述步驟S11中采集所述振動信號,即
設(shè)定與振動信號對應(yīng)的加速度信號的時間序列為;
所述步驟S12中對振動信號進(jìn)行歸一化處理,即
設(shè)振動信號;
式中,,其中,。
具體的,所述步驟S13中創(chuàng)建波形圖數(shù)據(jù)庫的方法包括:
將歸一化處理后的離散數(shù)據(jù)各相鄰點連接起來,得到振動信號的波形圖,保存黑白的波形圖為JPG格式圖片,即構(gòu)建波形圖數(shù)據(jù)庫;以及所述波形圖數(shù)據(jù)庫包括:滾動軸承在正常狀態(tài)和相應(yīng)故障狀態(tài)下的波形圖。
作為步驟S2的一種優(yōu)選的實施方式,所述步驟S2中通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài),即通過卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)和決策識別當(dāng)前滾動軸承的工作狀態(tài)。
如圖3所示,具體的,所述通過卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)和決策識別當(dāng)前滾動軸承的工作狀態(tài)的方法包括如下子步驟:
步驟S21,創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)模型;
步驟S22,訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型;以及
步驟S23,對當(dāng)前輸入的滾動軸承對應(yīng)的波形圖進(jìn)行狀態(tài)識別。
其中,所述步驟S21中創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)模型的方法包括:
設(shè)定包含三個隱含層的卷積神經(jīng)網(wǎng)絡(luò);其中
輸入與一滾動軸承的振動信號相對應(yīng)的波形圖,輸出為該滾動軸承的工作狀態(tài),所述工作狀態(tài)包括:正常、磨損和破損狀態(tài);以及
通過二進(jìn)制數(shù)表示,即100表示正常狀態(tài),010表示磨損狀態(tài),001表示破損狀態(tài)。
所述步驟S22中訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練的方法包括如下子步驟:
步驟S221,使用自下上升的非監(jiān)督學(xué)習(xí)方式;即
先用無標(biāo)定數(shù)據(jù)訓(xùn)練第一隱含層,訓(xùn)練時先學(xué)習(xí)第一隱含層的參數(shù)(這一層可以看作是得到一個使得輸出和輸入差別最小的三層神經(jīng)網(wǎng)絡(luò)的隱層(圖4中分別用隱含層1、隱含層2和隱含層3));進(jìn)一步,由于卷積神經(jīng)網(wǎng)絡(luò)模型的限制以及稀疏性約束,使得得到的卷積神經(jīng)網(wǎng)絡(luò)模型能夠?qū)W習(xí)到數(shù)據(jù)本身的結(jié)構(gòu),從而得到比輸入更具有表示能力的特征;在學(xué)習(xí)得到第n-1層后,將n-1層的輸出作為第n層的輸入,訓(xùn)練第n層,由此分別得到各層的參數(shù);對于本實施例采用三層隱含層的卷積神經(jīng)網(wǎng)絡(luò),即將學(xué)習(xí)得到的前一隱含層的輸出作為下一隱含層的輸入,依次完成三層訓(xùn)練,以分別得到各隱含層的相應(yīng)參數(shù)。
步驟S222,自頂向下的監(jiān)督學(xué)習(xí)方式;即
基于步驟S221中得到的各隱含層的相應(yīng)參數(shù),且優(yōu)化調(diào)整整個卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù),以實現(xiàn)監(jiān)督訓(xùn)練,其過程包括:
隨機初始化初值,以獲得更接近全局最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)模型模型的參數(shù)。由于步驟S221中的第一步不是隨機初始化,而是通過學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)得到的,因而這個初值更接近全局最優(yōu),從而能夠取得更好的效果。
所述步驟S23中對當(dāng)前輸入的滾動軸承對應(yīng)的波形圖進(jìn)行狀態(tài)識別的方法包括:通過卷積神經(jīng)網(wǎng)絡(luò)模型識別滾動軸承的工作狀態(tài),即首先將輸入的波形圖與數(shù)據(jù)庫中分類完成的三種滾動軸承工作狀態(tài)的波形圖進(jìn)行對比,找出和輸入波形圖最相似的圖片,該最相似的圖片所屬的滾動軸承工作狀態(tài)即為要識別的軸承工作狀態(tài),以完成滾動軸承的故障診斷。
實施例2
在實施例1基礎(chǔ)上,本實施例2還提供了一種滾動軸承的故障診斷系統(tǒng),包括:數(shù)據(jù)庫,用于存儲滾動軸承相應(yīng)工作狀況對應(yīng)數(shù)據(jù);以及識別模塊,通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài)。
關(guān)于數(shù)據(jù)庫的構(gòu)建以及識別模塊中通過數(shù)據(jù)庫識別當(dāng)前滾動軸承的工作狀態(tài)的具體實施步驟參見實施例1的相關(guān)論述。
以上述依據(jù)本發(fā)明的理想實施例為啟示,通過上述的說明內(nèi)容,相關(guān)工作人員完全可以在不偏離本項發(fā)明技術(shù)思想的范圍內(nèi),進(jìn)行多樣的變更以及修改。本項發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容,必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。