一種基于cnn聲發(fā)射識(shí)別動(dòng)靜態(tài)部件間摩擦故障的方法
【專(zhuān)利說(shuō)明】一種基于CNN聲發(fā)射識(shí)別動(dòng)靜態(tài)部件間摩擦故障的方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及摩擦故障檢測(cè)的技術(shù)領(lǐng)域，特別涉及一種基于CNN聲發(fā)射識(shí)別動(dòng)靜態(tài) 部件間摩擦故障的方法，提高制造工藝中大型旋轉(zhuǎn)機(jī)械的動(dòng)態(tài)和靜態(tài)部件引起的摩擦故障 檢測(cè)效率。 【【背景技術(shù)】】
[0002] 動(dòng)靜摩擦是旋轉(zhuǎn)機(jī)械經(jīng)常發(fā)生的故障，摩擦故障發(fā)生時(shí)，轉(zhuǎn)子上會(huì)同時(shí)產(chǎn)生力沖 擊和熱沖擊的作用。為了減少漏汽（氣），大型旋轉(zhuǎn)機(jī)械動(dòng)靜間隙通常設(shè)計(jì)的很小，摩擦故 障不僅在機(jī)組起停過(guò)程中發(fā)生，安裝、檢修和運(yùn)行過(guò)程中稍有不慎就可能發(fā)生動(dòng)靜摩擦。摩 擦故障發(fā)生后，機(jī)組振動(dòng)可能出現(xiàn)長(zhǎng)時(shí)間波動(dòng)，也可能出現(xiàn)突發(fā)性波動(dòng)，摩擦嚴(yán)重時(shí)，如果 不及時(shí)處理，極有可能導(dǎo)致發(fā)生大軸彎曲事故。
[0003] 動(dòng)態(tài)和靜態(tài)部件之間的摩擦產(chǎn)生的故障通常為大型旋轉(zhuǎn)機(jī)械，比如大型游樂(lè)設(shè) 施、汽輪發(fā)電機(jī)等，一旦摩擦故障嚴(yán)重導(dǎo)致意外發(fā)生時(shí)，損失是慘重的，所以有效地識(shí)別正 常執(zhí)行中旋轉(zhuǎn)機(jī)械的摩擦故障是很重要的。
[0004] 混沌是存在于非線(xiàn)性動(dòng)力學(xué)系統(tǒng)中的一種普遍現(xiàn)象，具有一些獨(dú)特的動(dòng)力學(xué)性 質(zhì)：初值敏感性、內(nèi)在隨機(jī)性及遍歷性。由于神經(jīng)網(wǎng)絡(luò)是高度非線(xiàn)性動(dòng)力學(xué)系統(tǒng)，而混沌 又具有上述的特性，因此神經(jīng)網(wǎng)絡(luò)與混沌密切相關(guān)，所以混沌神經(jīng)網(wǎng)絡(luò)被認(rèn)為是可實(shí)現(xiàn)其 真實(shí)世界計(jì)算的智能信息處理系統(tǒng)之一?；煦缟窠?jīng)網(wǎng)絡(luò)，簡(jiǎn)稱(chēng)CNN，源于對(duì)人工神經(jīng)網(wǎng)絡(luò) (ANN)的非線(xiàn)性系統(tǒng)的動(dòng)態(tài)特性的研究，它通常需要使用統(tǒng)計(jì)神經(jīng)網(wǎng)絡(luò)模型，而不是確定的 模型，使動(dòng)態(tài)重新配置，與反向傳播（BP)神經(jīng)網(wǎng)絡(luò)不同，CNN搜索出混沌吸引子的相空間， 并用不可重復(fù)的規(guī)則循環(huán)訪(fǎng)問(wèn)所有的狀態(tài)，可以有效避免陷入局部最小值的情況，較傳統(tǒng) 的反向傳播（BP)神經(jīng)網(wǎng)絡(luò)模型，具有更好的識(shí)別率，因此提出一種基于CNN聲發(fā)射識(shí)別動(dòng) 靜態(tài)部件間摩擦故障的方法，來(lái)提高正常運(yùn)行中的機(jī)器摩擦故障的識(shí)別率。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于CNN聲發(fā)射識(shí)別動(dòng)靜 態(tài)部件間摩擦故障的方法，其旨在解決現(xiàn)有技術(shù)中旋轉(zhuǎn)機(jī)械中摩擦故障識(shí)別率低，識(shí)別效 果差的技術(shù)問(wèn)題。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種基于CNN聲發(fā)射識(shí)別動(dòng)靜態(tài)部件間摩擦故障 的方法，其基于一種前饋CNN網(wǎng)絡(luò)，所述前饋CNN網(wǎng)絡(luò)是基于有基礎(chǔ)Logistic映射神經(jīng)元 的多層感應(yīng)，所述前饋CNN網(wǎng)絡(luò)包括前隱層和后隱層兩部分，所述前隱層由神經(jīng)元F和神 經(jīng)元B成對(duì)組成，神經(jīng)元F從上一層接收加權(quán)和輸出，神經(jīng)元B從自己本身接收輸出，所述 后隱層由經(jīng)元Η組成，用以接收相應(yīng)的神經(jīng)元F和神經(jīng)元B，并通過(guò)加權(quán)函數(shù)以最終隱藏輸 出的方式輸出，所述前饋CNN網(wǎng)絡(luò)由以下方程組成，分別是& 4$ (A--1 )|丨-A,1(A-!)j、
經(jīng)元B的反饋權(quán)重，4為輸入權(quán)重，?f為神經(jīng)元閾值，ftf為輸出權(quán)重，具體步驟如下：
[0007] 步驟一、采集AE摩擦信號(hào)：從轉(zhuǎn)子系統(tǒng)的摩擦支架上的調(diào)節(jié)螺釘上采集AE摩擦信 號(hào)，采樣頻率為1MHz，將AE摩擦信號(hào)分為三個(gè)類(lèi)別，分別是無(wú)摩擦信號(hào)、輕摩擦信號(hào)和重摩 擦信號(hào)，每一類(lèi)別有若干個(gè)訓(xùn)練樣本數(shù)據(jù)，試驗(yàn)樣本的AE摩擦信號(hào)數(shù)量為若干個(gè)，特征參 數(shù)是由12維倒頻譜系數(shù)組成；
[0008] 步驟二、設(shè)置CNN網(wǎng)絡(luò)結(jié)構(gòu)：設(shè)置單隱層前饋CNN網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出 層，所述輸入層、隱藏層和輸出層分別包含若干節(jié)點(diǎn)；
[0009] 步驟三、設(shè)置訓(xùn)練算法：設(shè)置學(xué)習(xí)速率η、修正重沖擊系數(shù)α、訓(xùn)練微分和最大訓(xùn) 練時(shí)間J;
[0010] 步驟四、設(shè)置網(wǎng)絡(luò)初始狀態(tài)：設(shè)置神經(jīng)元Β的反饋權(quán)重，神經(jīng)閾值和輸出權(quán) 重，《af?設(shè)置輸入權(quán)重的隨機(jī)分布區(qū)間；
[0011] 步驟五、前饋CNN訓(xùn)練：設(shè)置隱藏層節(jié)點(diǎn)數(shù)量和訓(xùn)練時(shí)間，通過(guò)網(wǎng)絡(luò)信號(hào)計(jì)算輸 出，如果微分小于閾值或者已經(jīng)達(dá)到迭代值，則訓(xùn)練結(jié)束；否則，返回至落后階段，通過(guò)推 導(dǎo)、輸出權(quán)重、落后的權(quán)重和學(xué)習(xí)速率，建立正確的優(yōu)化項(xiàng)，分別修正各項(xiàng)權(quán)重，重復(fù)前進(jìn)和 后退階段，直到滿(mǎn)足收斂條件；
[0012] 步驟六、CNN識(shí)別：將訓(xùn)練后的CNN網(wǎng)絡(luò)進(jìn)行旋轉(zhuǎn)機(jī)組中動(dòng)靜態(tài)部件的摩擦故障識(shí) 別。
[0013] 作為優(yōu)選，所述步驟二中輸入層的節(jié)點(diǎn)數(shù)為14個(gè)，所述輸出層的節(jié)點(diǎn)數(shù)為3個(gè)。
[0014] 作為優(yōu)選，所述步驟五中隱藏層的節(jié)點(diǎn)數(shù)設(shè)置范圍為7~11個(gè)。
[0015] 作為優(yōu)選，所述步驟一中的12維倒頻譜系數(shù)包括Hurst指數(shù)和近似熵。
[0016] 作為優(yōu)選，所述輸出權(quán)重叫°的調(diào)整推導(dǎo)公式為：
[0021] 作為優(yōu)選，所述神經(jīng)閾值的調(diào)整推導(dǎo)公式為：
[0025] 作為優(yōu)選，所述J(k)是介于實(shí)際輸出y(k)和期望的輸出d(k)的之間的網(wǎng)絡(luò)誤差
[0026] 本發(fā)明的有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于CNN聲發(fā)射識(shí)別動(dòng) 靜態(tài)部件間摩擦故障的方法，步驟合理，運(yùn)用混沌神經(jīng)網(wǎng)絡(luò)（CNN)檢測(cè)聲發(fā)射源中的摩擦 故障，在一定程度上避免導(dǎo)致的局部最小值問(wèn)題，較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型，CNN需要比與 類(lèi)似理論和相同層數(shù)量更少的節(jié)點(diǎn)和更短的時(shí)間，實(shí)現(xiàn)更好的性能，具有更好的識(shí)別率，解 決了現(xiàn)有技術(shù)中旋轉(zhuǎn)機(jī)械中摩擦故障識(shí)別率低，識(shí)別效果差的技術(shù)問(wèn)題。
[0027] 本發(fā)明的特征及優(yōu)點(diǎn)將通過(guò)實(shí)施例結(jié)合附圖進(jìn)行詳細(xì)說(shuō)明。 【【附圖說(shuō)明】】
[0028] 圖1是本發(fā)明基于CNN聲發(fā)射識(shí)別動(dòng)靜態(tài)部件間摩擦故障的方法的前饋CNN組成 示意圖 【【具體實(shí)施方式】】
[0029] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明了，下面通過(guò)附圖中及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。但是應(yīng)該理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā) 明，并不用于限制本發(fā)明的范圍。此外，在以下說(shuō)明中，省略了對(duì)公知結(jié)構(gòu)和技術(shù)的描述，以 避免不必要地混淆本發(fā)明的概念。
[0030] 參閱圖1，本發(fā)明實(shí)施例提供一種基于CNN聲發(fā)射識(shí)別動(dòng)靜態(tài)部件間摩擦故障的 方法，其基于一種前饋CNN網(wǎng)絡(luò)，所述前饋CNN網(wǎng)絡(luò)是基于有基礎(chǔ)Logistic映射神經(jīng)元的 多層感應(yīng)，所述前饋CNN網(wǎng)絡(luò)包括前隱層和后隱層兩部分，所述前隱層由神經(jīng)元F和神經(jīng) 元B成對(duì)組成，神經(jīng)元F從上一層接收加權(quán)和輸出，神經(jīng)元B從自己本身接收輸出，所述后 隱層由經(jīng)元Η組成，用以接收相應(yīng)的神經(jīng)元F和神經(jīng)元B，并通過(guò)加權(quán)函數(shù)以最終隱藏輸 出的方式輸出，所述前饋CNN網(wǎng)絡(luò)由以下方程組成，分別是A,1幻=-1小-&認(rèn)-1)j、
經(jīng)元B的反饋權(quán)重，為輸入權(quán)重，if為神經(jīng)元閾值，ef為輸出權(quán)重，具體步驟如下：
[0031] 步驟一、采集AE摩擦信號(hào)：從轉(zhuǎn)子系統(tǒng)的摩擦支架上的調(diào)節(jié)螺釘上采集AE摩擦信 號(hào)，采樣頻率為1MHz，將AE摩擦信號(hào)分為三個(gè)類(lèi)別，分別是無(wú)摩擦信號(hào)、輕摩擦信號(hào)和重摩 擦信號(hào)，每一類(lèi)別有若干個(gè)訓(xùn)練樣本數(shù)據(jù)，試驗(yàn)樣本的AE摩擦信號(hào)數(shù)量為若干個(gè)，特征參 數(shù)是由12維倒頻譜系數(shù)組成；
[0032] 步驟二、設(shè)置CNN網(wǎng)絡(luò)結(jié)構(gòu)：設(shè)置單隱層前饋CNN網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出 層，所述輸入層、隱藏層和輸出層分別包含若干節(jié)點(diǎn)；
[0033] 步驟三、設(shè)置訓(xùn)練算法：設(shè)置學(xué)習(xí)速率η、修正重沖擊系數(shù)α、訓(xùn)練微分和最大訓(xùn) 練時(shí)間J;