本實用新型屬于機械故障診斷和計算機人工智能技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸的滾動軸承故障診斷裝置。

背景技術(shù)：

滾動軸承是旋轉(zhuǎn)機械中最為重要的關(guān)鍵部件之一，滾動軸承廣泛應(yīng)用于化工、冶金、電力、航空等各個重要領(lǐng)域，但同時它也經(jīng)常處在高溫、高速、重載等惡劣的工作環(huán)境中，致使?jié)L動軸承是最易損壞的元件之一。軸承性能與工況的好壞直接影響到與之相關(guān)聯(lián)的軸以及安裝在轉(zhuǎn)軸上的齒輪乃至整臺機器設(shè)備的性能，其缺陷會導(dǎo)致設(shè)備產(chǎn)生異常振動和噪聲，甚至造成設(shè)備損壞，事實上，機械失效問題歸因于軸承故障的機率非常高。因此，對滾動軸承故障進行診斷，尤其是對于早初期故障的分析，實現(xiàn)快速、準(zhǔn)確的軸承故障監(jiān)測對于機械設(shè)備的正常工作以及安全生產(chǎn)具有重大的意義。

特征提取實質(zhì)上是一種變換，通過映射或變換的方式將樣本在不同空間中進行轉(zhuǎn)換。目前常用的機械故障特征提取方法主要有傅里葉變換(Fourier Transform，簡稱FT)、快速傅里葉變換(Fast Fourier Transform，簡稱FFT)、小波變換(Wavelet Transform，簡稱WT)、和經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，簡稱EMD)、希爾伯特-黃變換(Hilbert-Huang Transform，簡稱HHT)等。

傅里葉變換作為線性時頻分析方法，能夠清晰快速地處理信號，具有一定的時頻分辨率，其靈活性和實用性較為突出，但是由于傅里葉變換是信號在頻域的表示，時間分辨率為零，并且它對非線性、非平穩(wěn)信號具有不確定性，導(dǎo)致其應(yīng)用范圍具有局限性。FFT方法無法同時兼顧信號在時域和頻域中的全貌和局部化問題。小波變換可以對時間頻率進行局部化分析，達到高頻處時間細分，低頻處頻率細分，自適應(yīng)地對時頻信號進行分析，但是小波基不同，分解結(jié)果不同，小波基比較難選擇。EMD方法能將信號分解為多個IMF(Intrinsic Mode Function，本征模態(tài)函數(shù))分量，對所有IMF分量做Hilbert變換能得到信號的時頻分布，但在理論上還存在一些問題，如EMD方法中的模態(tài)混淆、欠包絡(luò)、過包絡(luò)、端點效應(yīng)等問題，均處在研究之中。HHT是通過信號的EMD分節(jié)，是非平穩(wěn)信號平文化，它擺脫了線性和平穩(wěn)性的束縛，對突變信號有高精度。

目前所使用的特征提取方法基于信號處理技術(shù)，主要以人工提取為主，故障診斷的識別精度依賴于特征提取的優(yōu)劣程度。

有鑒于上述的缺陷，本設(shè)計人，積極加以研究創(chuàng)新，以期創(chuàng)設(shè)一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸的滾動軸承故障診斷裝置，以提高滾動軸承故障診斷的準(zhǔn)確性和有效性。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)問題，本實用新型的目的是提供一種準(zhǔn)確性和有效性較高的滾動軸承故障診斷裝置。

本實用新型的滾動軸承故障診斷裝置，包括

-加速度傳感器，用于采集四種工況下樣本滾動軸承工作在不同轉(zhuǎn)速的振動加速度信號以及待測滾動軸承工作時的振動加速度信號；

-數(shù)據(jù)處理單元，與所述加速度傳感器連接，包括卷積神經(jīng)網(wǎng)絡(luò)模塊，用于提取振動加速度信號的特征信號，將提取好的樣本軸承的特征結(jié)合其標(biāo)簽輸出、將提取好的待測軸承的特征直接輸出；

-識別模塊，與所述數(shù)據(jù)處理單元的輸出端連接，用于對結(jié)合了標(biāo)簽的樣本軸承的特征進行模型訓(xùn)練、對提取好的待測軸承的特征根據(jù)模型輸出進行狀態(tài)識別。

進一步的，所述加速度傳感器通過預(yù)處理模塊與所述數(shù)據(jù)處理單元連接，所述預(yù)處理模塊用于對振動加速度信號進行去噪處理。

進一步的，所述識別模塊為支持向量回歸分類器。

進一步的，所述四種工況分別為正常運轉(zhuǎn)、軸承內(nèi)圈故障運轉(zhuǎn)、軸承滾動體故障運轉(zhuǎn)、軸承外圈故障運轉(zhuǎn)。

借由上述方案，本實用新型至少具有以下優(yōu)點：

1、通過預(yù)處理模塊對信號進行去噪處理，確保振動加速度信號不受干擾，使數(shù)據(jù)處理單元擺脫了噪聲信號的影響，從而使支持向量回歸分類器能夠訓(xùn)練出精確的故障模型，供待測滾動軸承的信號進行匹配，以快速的得到待測滾動軸承的故障診斷結(jié)果；

2、將振動加速度信號由卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸處理，能夠提高滾動軸承故障診斷的準(zhǔn)確性和有效性，為解決滾動軸承故障診斷問題提供一種新的有效途徑，可廣泛應(yīng)用于機械、化工、冶金、電力、航空等領(lǐng)域的復(fù)雜系統(tǒng)中。

上述說明僅是本實用新型技術(shù)方案的概述，為了能夠更清楚了解本實用新型的技術(shù)手段，并可依照說明書的內(nèi)容予以實施，以下以本實用新型的較佳實施例并配合附圖詳細說明如后。

附圖說明

圖1是本實用新型的滾動軸承故障診斷裝置的架構(gòu)圖；

圖2是本實用新型對應(yīng)的原理圖；

圖3為本實用新型對應(yīng)的診斷方法流程圖；

圖4為滾動軸承健康狀態(tài)運轉(zhuǎn)的原始振動加速度信號時域分布圖(時域單位為s)；

圖5為滾動軸承內(nèi)圈故障狀態(tài)運轉(zhuǎn)的原始振動加速度信號時域分布圖(時域單位為s)；

圖6為滾動軸承滾動體故障狀態(tài)運轉(zhuǎn)的原始振動加速度信號時域分布圖(時域單位為s)；

圖7滾動軸承外圈故障狀態(tài)運轉(zhuǎn)的原始振動加速度信號時域分布圖(時域單位為s)；

圖8為反向傳播算法流程圖；

圖9為卷積神經(jīng)網(wǎng)絡(luò)模型的模型構(gòu)架示意圖；

圖10為訓(xùn)練樣本分類結(jié)果圖；

圖11為測試樣本分類結(jié)果圖。

具體實施方式

下面結(jié)合附圖和實施例，對本實用新型的具體實施方式作進一步詳細描述。以下實施例用于說明本實用新型，但不用來限制本實用新型的范圍。

參見圖1，本實用新型一較佳實施例所述的一種滾動軸承故障診斷裝置，包括加速度傳感器，加速度傳感器通過預(yù)處理模塊連接有數(shù)據(jù)處理單元，數(shù)據(jù)處理單元與識別模塊連接。其中，加速度傳感器用于采集四種工況下樣本滾動軸承工作在不同轉(zhuǎn)速的振動加速度信號以及待測滾動軸承工作時的振動加速度信號，四種工況分別為正常運轉(zhuǎn)、軸承內(nèi)圈故障運轉(zhuǎn)、軸承滾動體故障運轉(zhuǎn)、軸承外圈故障運轉(zhuǎn)；預(yù)處理模塊用于對振動加速度信號進行去噪處理；數(shù)據(jù)處理單元對振動加速度信號進行處理，包括卷積神經(jīng)網(wǎng)絡(luò)模塊，用于提取振動加速度信號的特征信號，將提取好的樣本軸承的特征結(jié)合其標(biāo)簽輸出、將提取好的待測軸承的特征直接輸出；識別模塊為支持向量回歸分類器，用于對結(jié)合了標(biāo)簽的樣本軸承的特征進行模型訓(xùn)練、對提取好的待測軸承的特征根據(jù)模型輸出進行狀態(tài)識別。

本實用新型中數(shù)據(jù)處理單元的卷積神經(jīng)網(wǎng)絡(luò)模塊對每種工況下的樣本的信號進行有效特征提取，得到每種工況下的各個樣本的信號對應(yīng)的訓(xùn)練樣本特征信息，用所提取的訓(xùn)練樣本特征訓(xùn)練支持向量回歸分類器，訓(xùn)練好的支持向量回歸分類器對樣本的數(shù)據(jù)與待測的數(shù)據(jù)進行匹配診斷，將與樣本滾動軸承最為匹配的待測滾動軸承所屬的工況類別判定為待測滾動軸承的工況類別。

總的來說，訓(xùn)練信號(樣本軸承的信號)經(jīng)過預(yù)處理進入到數(shù)據(jù)處理單元，首先是通過卷積神經(jīng)網(wǎng)絡(luò)模塊進行特征提取(這個過程也是對卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的過程)，然后將提取好的特征結(jié)合其標(biāo)簽輸入到支持向量回歸分類器進行模型訓(xùn)練；然后對于測試信號(待測軸承的信號)的處理，也是先通過訓(xùn)練信號調(diào)試好的卷積神經(jīng)網(wǎng)絡(luò)模塊進行特征提取，然后將提取好的特征輸入到訓(xùn)練信號訓(xùn)練好的支持向量回歸分類器進行模型測試，根據(jù)模型輸出進行狀態(tài)識別。

本實用新型的工作原理如下：

本實用新型的滾動軸承故障診斷裝置將卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸具備的優(yōu)點加以整合，利用深度學(xué)習(xí)和支持向量回歸進行滾動軸承故障工況的分類，實現(xiàn)對滾動軸承故障的識別和診斷，其具體操作流程如圖2和圖3所示，包括如下步驟：

步驟1：在四種不同工況下的滾動軸承轉(zhuǎn)動工作時，通過加速度傳感器分別采集每種工況下滾動軸承在不同轉(zhuǎn)速工作的振動加速度信號，進行去噪預(yù)處理，并添加工況標(biāo)簽，將經(jīng)過預(yù)處理并添加工況標(biāo)簽后的各種工況下的各個振動加速度信號數(shù)據(jù)作為訓(xùn)練樣本；所述四種工況分別為正常運轉(zhuǎn)、軸承內(nèi)圈故障運轉(zhuǎn)、軸承滾動體故障運轉(zhuǎn)、軸承外圈故障運轉(zhuǎn)。

滾動軸承在四種不同工況下轉(zhuǎn)動工作的振動加速度信號相互之間存在一定的差異，圖4至圖7分別示出了滾動軸承在健康狀態(tài)運轉(zhuǎn)、內(nèi)圈故障運轉(zhuǎn)、滾動體故障運轉(zhuǎn)和外圈故障運轉(zhuǎn)工況下的原始振動加速度信號時域圖(時域單位為s)，信號有明顯差異，但是還不能通過時域信號圖明確分出軸承健康狀態(tài)。因此可以基于滾動軸承在不同工況下的振動加速度信號數(shù)據(jù)，對其故障情況進行識別。

步驟2：建立卷積神經(jīng)網(wǎng)絡(luò)模型，使用訓(xùn)練樣本對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，將訓(xùn)練樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模型中，采用有監(jiān)督逐層訓(xùn)練方法進行逐層訓(xùn)練和調(diào)優(yōu)，得到卷積神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值和偏置參數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)模型的模型構(gòu)架示意圖如圖8所示，從結(jié)構(gòu)上看，卷積神經(jīng)網(wǎng)絡(luò)模型由若干層卷積層和池化層組成。

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法是反向傳播算法，算法流程示意圖如圖9所示，算法的原理是利用鏈?zhǔn)角髮?dǎo)計算損失函數(shù)對每個權(quán)重的梯度，根據(jù)梯度下降算法進行全重更新。

求解卷積神經(jīng)網(wǎng)絡(luò)模型所使用的代價函數(shù)是均方誤差損失函數(shù)，其公式為：

其中，是樣本m的第k個目標(biāo)標(biāo)簽值，是對應(yīng)的第k個網(wǎng)絡(luò)輸出值。

求解使均方誤差損失函數(shù)最小的參數(shù)來建立網(wǎng)絡(luò)，通過以下公式實現(xiàn)：

卷積層就是特征提取層。

卷積層中，每個單元的輸入與前一層的局部區(qū)域相連，并提取該局部的特征。使用同一個卷積核的特征圖的權(quán)值是相同的，即權(quán)值共享。局部連接和權(quán)值共享可以大大減少參數(shù)的數(shù)量。

步驟2.1：卷積神經(jīng)網(wǎng)絡(luò)通過幾個過程來求解公式(2)。第一步將要訓(xùn)練的數(shù)據(jù)輸入卷積層，進行卷積運算。每一隱藏層的輸入是上一層的輸出，計算公式如下：

s_i＝ρ(v_i),with v_i＝W_i·s_i-1+b_i. (3)

其中，W_i是卷積神經(jīng)網(wǎng)絡(luò)相鄰兩層之間的連接權(quán)值，s是輸入的訓(xùn)練數(shù)據(jù)，b_i是卷積神經(jīng)網(wǎng)絡(luò)相鄰兩層之間的偏置參數(shù)，ρ是激活函數(shù)。

根據(jù)上述激活概率，當(dāng)將給定訓(xùn)練樣本輸入至可見層節(jié)點時，采用卷積神經(jīng)網(wǎng)絡(luò)模型的分布函數(shù)激勵隱含層的所有節(jié)點后，再進行下一隱含層節(jié)點的激勵，從而重新獲得新層節(jié)點值。

一個卷積層會包含幾個不同的卷積特征圖，因此本層的輸出可以表示為前一層所有卷積特征圖的加和，公式顯示如下：

其中，符號*代表卷積運算，卷積運算可以表示如下：

池化層(聚合層)是特征映射層。

池化層起到二次特征提取的作用，它是對從卷積層出入的特征進行聚合統(tǒng)計，這些統(tǒng)計特征不僅具有低得多的維度，同時還會改善結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)求解公式(2)的第二步是將從卷積層輸出的特征輸入到池化層。所用公式為：

其中down(·)表示下采樣公式，代表第l層第i個節(jié)點的乘性偏置，代表第l層第i個節(jié)點的加性偏置。

步驟2.2：對步驟2.1所得卷積神經(jīng)網(wǎng)絡(luò)的最后一層輸出，采用有監(jiān)督逐層訓(xùn)練方法進行逐層訓(xùn)練和調(diào)優(yōu)，具體方式為：

使用前向傳播計算權(quán)重和偏置。由步驟2.1所得的卷積神經(jīng)網(wǎng)絡(luò)模型最后一層隱含層的輸出作為輸入被逐層傳播到輸出層，得到預(yù)測的分類類別。用鏈?zhǔn)角髮?dǎo)計算損失函數(shù)對每個權(quán)重的梯度，即靈敏度。梯度計算公式為：

在卷積神經(jīng)網(wǎng)絡(luò)中，第l層的梯度(靈敏度)的計算表達式為：

其中，代表每個元素相乘。

根據(jù)訓(xùn)練樣本的工況標(biāo)簽確定訓(xùn)練樣本的實際分類結(jié)果，將訓(xùn)練預(yù)測輸出的分類結(jié)果與訓(xùn)練樣本的實際分類結(jié)果進行比較得到分類誤差，將分類誤差逐層向后傳播，從而實現(xiàn)對卷積神經(jīng)網(wǎng)絡(luò)模型各層的連接權(quán)值參數(shù)進行調(diào)優(yōu)，連接權(quán)值進行更新的具體公式為：

其中，η是學(xué)習(xí)率。

經(jīng)過上述逐層訓(xùn)練，直至得到卷積神經(jīng)網(wǎng)絡(luò)模型最后一層隱含層的輸出。

對卷積神經(jīng)網(wǎng)絡(luò)模型各層的連接權(quán)值進行調(diào)優(yōu)后，最終確定整個卷積神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值和偏置參數(shù)。

步驟3：將各種工況下的訓(xùn)練樣本分別作為確定連接權(quán)值和偏置參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，對訓(xùn)練樣本進行深度學(xué)習(xí)，采用確定連接權(quán)值和偏置參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型分別對每種工況下的各個訓(xùn)練樣本進行有效特征提取，得到每種工況下的各個訓(xùn)練樣本對應(yīng)的訓(xùn)練樣本特征信息。

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的特性，利用訓(xùn)練、調(diào)優(yōu)后確定連接權(quán)值和偏置參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型，獲得能夠代表原始信號本質(zhì)信息的特征，從而可以利用這些本質(zhì)特征作為分類識別的輸入。

用所提取的這些訓(xùn)練樣本特征訓(xùn)練支持向量回歸分類器，得到支持向量回歸分類器模型。

步驟4：通過加速度傳感器采集待測滾動軸承在轉(zhuǎn)動工作時的振動加速度信號數(shù)據(jù)，并進行去噪預(yù)處理，作為測試樣本。

步驟5：將測試樣本作為訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，對測試樣本進行深度學(xué)習(xí)，采用確定了連接權(quán)值和偏置參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型對測試樣本進行特征提取，得到測試樣本特征信號。

同理，該步驟利用確定好最優(yōu)連接權(quán)值和偏置參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型對測試樣本進行特征提取，通過得到的測試樣本特征中包含的待測滾動軸承的振動加速度信號數(shù)中包含的本質(zhì)特征與各種工況下的訓(xùn)練樣本重構(gòu)信號所體現(xiàn)的本質(zhì)特征進行匹配，來實現(xiàn)對待測滾動軸承所屬故障工況類別的識別。

步驟6：將測試特征信息作為測試樣本的匹配特征，將每種工況下的各個訓(xùn)練樣本對應(yīng)的訓(xùn)練樣本特征信息作為匹配基準(zhǔn)，采用訓(xùn)練好的支持向量回歸分類器對測試樣本與訓(xùn)練樣本進行匹配，將與測試樣本最為匹配的訓(xùn)練樣本所屬的工況類別判定為測試樣本的工況類別，從而得到待測滾動軸承的故障診斷結(jié)果。

支持向量回歸(Support Vector Regression，簡稱SVR)是基于支持向量機(Support Vector Machine，簡稱SVM)提出來的針對多類別分類的一種方法。SVM于1963年由Vapnik等實用新型提出，它以結(jié)構(gòu)風(fēng)險最小化原理為理論基礎(chǔ)，它將向量從低維空間映射到一個更高維空間里，在高維空間中建立一個最大分隔超平面(維度比高維空間維度少一維)，通過最優(yōu)超平面將數(shù)據(jù)分類。支持向量回歸是SVM的擴展，支持向量回歸將多分類問題演變?yōu)榛貧w問題，可以直接進行多類別的分類。

支持向量回歸的目的是尋找一個最優(yōu)超平面，這個最優(yōu)超平面的學(xué)習(xí)策略是間隔最大化，即它能夠使得支持向量間的間隔取最大值。

支持向量回歸分類方法對測試樣本與訓(xùn)練樣本進行匹配的具體操作依據(jù)為：

步驟6.1：支持向量回歸函數(shù)的定義如下：

其中，x_i是輸入的樣本特征，和α_i是拉格朗日乘子，b是偏置，K(·)是核函數(shù)。

本實用新型選用高斯徑向基(RBF)核函數(shù)：

其中：σ為RBF核函數(shù)的參數(shù)。

支持向量回歸的最優(yōu)問題為：

s.t.y_i-w·x_i-b≤ε+ξ_i

其中，||w||是權(quán)重的2范數(shù)，C是規(guī)則化因子，ξ_i和是松弛變量，ε是誤差限度。

構(gòu)造如下拉格朗日函數(shù)：

其中，μ_i是關(guān)于ξ_i的拉格朗日乘子。

式(14)對w、b和ξ的偏導(dǎo)數(shù)為零，得到：

將公式(15)代入到公式(14)中，并將最小化目標(biāo)函數(shù)轉(zhuǎn)化為其對偶凸優(yōu)化問題，得到凸優(yōu)化目標(biāo)：

步驟6.2：在四種工況的訓(xùn)練樣本中，每種工況對應(yīng)的標(biāo)簽為y，y∈{0，1，2，3}，通過支持向量回歸分類方法得到M類問題的分類決策函數(shù)：

其中，α_i和為分類決策函數(shù)中的拉格朗日系數(shù)；b為分類決策函數(shù)的最優(yōu)超平面位置系數(shù)；n為四種工況的訓(xùn)練樣本的總數(shù)；K(x_i,x)表示高斯徑向基核函數(shù)。

由此得到四種工況下的分類決策函數(shù)。

步驟6.3：將測試樣本特征作為四種工況對應(yīng)的分類決策函數(shù)的輸入量，計算出測試樣本特征作為輸入量的支持向量回歸決策類決策函數(shù)值，即其所對應(yīng)的工況類別判定為測試樣本的工況類別，得到待測滾動軸承的故障診斷結(jié)果。

通過實驗數(shù)據(jù)驗證，采用本實用新型的基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸的滾動軸承故障診斷裝置按上述流程進行故障診斷，在250個訓(xùn)練樣本和250個測試樣本的數(shù)據(jù)條件下，本裝置對訓(xùn)練樣本的識別準(zhǔn)確率能達到99.6％，如圖10所示，對測試樣本的準(zhǔn)確率能達到98％，如圖11所示，這個分類精度能夠滿足實際應(yīng)用需求。

綜上所述，本實用新型基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量回歸的滾動軸承故障診斷裝置，利用卷積神經(jīng)網(wǎng)絡(luò)理論學(xué)習(xí)算法自適應(yīng)地完成故障診斷所需的特征提取，自動挖掘出隱藏在已知數(shù)據(jù)中的豐富信息，擺脫了對大量信號處理知識與診斷工程經(jīng)驗的依賴，節(jié)省了勞動成本和時間，并且在監(jiān)測診斷能力和泛化能力方面具有很大的優(yōu)勢。因為采用了支持向量回歸分類方法對測試樣本進行分類識別，支持向量回歸分類方法可以直接對多類故障進行分類，其學(xué)習(xí)過程可以被看成是一個優(yōu)化尋找最優(yōu)解的過程，采用之前設(shè)計好的有效方法去尋找和發(fā)現(xiàn)目標(biāo)函數(shù)的全局最小值，方法較為穩(wěn)定和準(zhǔn)確。與現(xiàn)有技術(shù)比較，本實用新型的滾動軸承故障診斷裝置能夠提高滾動軸承故障診斷的準(zhǔn)確性和有效性，為解決滾動軸承故障診斷問題提供一種新的有效途徑，可廣泛應(yīng)用于機械、化工、冶金、電力、航空等領(lǐng)域的復(fù)雜系統(tǒng)中。

以上所述僅是本實用新型的優(yōu)選實施方式，并不用于限制本實用新型，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本實用新型技術(shù)原理的前提下，還可以做出若干改進和變型，這些改進和變型也應(yīng)視為本實用新型的保護范圍。