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。