一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
【专利摘要】本发明属于机械故障诊断领域，特别涉及到Morlet小波变换和卷积神经网络的应用。具体是提出了一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法。直接将振动信号的Morlet小波变换系数矩阵归一化后作为卷积神经网络的输入。在卷积神经网络的训练阶段，采用带标签有监督的学习算法，使用极小化适应函数的准则，利用带动量的梯度下降法调整各层的权值和偏置。将训练好的卷积神经网络用于轴承故障的分类，对分类结果进行解释就实现了对轴承故障的诊断。本发明创造性地将Morlet小波变换和卷积神经网络结合起来用于轴承故障的诊断，在原始分类数据的处理上比现有的技术简单，经测试，对于自建的样本库能到达80％以上的诊断识别率。
【专利说明】
一种基于Mor let小波变换和卷积神经网络的轴承故障诊断 方法
技术领域
[0001]本发明涉及机械故障诊断领域，特别涉及到Morlet小波变换和卷积神经网络的应 用。
【背景技术】
[0002] 滚动轴承在工业生产中应用广泛，尤其在旋转机械设备中承担重要角色，其健康 状况直接影响整个设备的工作状态，因此，对轴承故障诊断的研究具有十分重要的意义。
[0003] 振动信号分析是轴承故障诊断最常用，也是最行之有效的方法。小波变换的窗口 具有很好的自适应特性和平移功能，能使高频处时间分辨高，频率分辨率低;而低频处时间 分辨率低，频率分辨率高，因而广泛运用在机械故障诊断等工程应用中。
[0004] 轴承故障诊断实际上属于模式识别的范畴，是一个提取轴承故障特征然后进行分 类的过程。也即是设计一个非线性分类器，实现特征空间到模式空间的映射。常用的非线性 分类器有BP神经网络、支持向量机（SVM)、径向基网络等。卷积神经网络（Convolutional Neural Networks，CNN)是最近发展起来的一种非线性分类器，相比于其他深层网络，CNN的 关键在于引入了卷积、采样和权值共享的概念，由于这种网络结构对平移、比例缩放、倾斜 或者共他形式的变形具有高度不变性，近年来在图像处理领域越来越受到重视:2012年， Krizhevsky等使用卷积神经网络搭建的系统，在ImageNet图像数据集中将分类错误率从 25 %下降到17 %; 2014年，Facebook搭建的卷积神经网络系统在人脸验证上将正确率提高 到97.25%，而人眼辨识的正确率是97.53%。
[0005] 综上，小波变换在轴承故障诊断中已应用非常广泛，但大多需要分析故障信号的 小波尺度谱、功率谱等，以人工确定故障类型。也出现过很多应用神经网络、支持向量机等 人工智能方法进行轴承故障的自动分析和诊断，本发明所述的卷积神经网络在轴承故障诊 断的应用尚属首次。
【发明内容】
[0006] 本发明的目的是提供一种基于Morlet小波变换和卷积神经网络的轴承故障诊断 的方法。
[0007] 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法主要包括以下4个 步骤：
[0008] 步骤（1 )、通过对轴承振动信号进行Morlet小波变换，用小波变换的系数矩阵作为 原始的分类数据。
[0009] 步骤(2)、通过设计卷积神经网络作为轴承故障的分类器，其中，卷积神经网络包 括卷积与池化层、全连接层和分类输出层。卷积与池化层和全连接层用于从原始的分类数 据中提取分类特征，分类输出层用于轴承故障分类。
[0010] 步骤(3)、利用包含不同轴承故障类型的特征样本库训练步骤(2)的网络，其中，训 练方式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络 权值和偏置值。
[0011] 步骤(4)、利用步骤(3)训练好的网络，对类别未知的轴承故障进行分类，对分类结 果进行解释就实现了轴承故障的诊断。
[0012] 本发明的有益效果：
[0013] 1、将Morlet小波变换与卷积神经网络结合，直接用归一化后的小波系数矩阵作为 轴承故障诊断的原始数据，不需要进行额外处理。
[0014] 2、通过合理的设计卷积神经网络结构，有针对地训练，达到了90%以上的故障识 别率。
【附图说明】
[0015] 为了更清楚地说明本发明的实施以及现有的技术方案，下面对实施例及现有技术 描述需要使用的附图作简单介绍。
[0016] 图1是现有基于Morlet小波变换的轴承故障诊断的一般方法；
[0017] 图2是不同波形参数β下Morlet母小波的时域波形图和频谱图；
[0018] 图3是波形参数β=1，不同尺度参数a下Morlet母小波的时域波形图和频谱图；
[0019] 图4是本发明所述的卷积神经网络的结构图；
[0020] 图5是本发明所述的轴承故障诊断流程图；
【具体实施方式】
[0021] 下面结合本发明的附图，对本发明的实施方案进行清楚地描述。所描述的实例仅 仅是本发明的一部分实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创 造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0022] 1、采用Mor let小波变换提取轴承故障的时频分类特征：首先确定Mor let母小波 基，然后确定尺度参数，构成小波变换基，最后对轴承的振动信号进行小波变换，得到由时 间信息和频率信息组成的分类特征;其中
[0023] Morlet小波的母波为力2/2C0S5i，其中，β称为波形参数，它决定了Morlet母 小波的形状，如图2所示。母小波的形状越与被分析信号相似，信号中的特征成分越能被清 晰地提取出来;尺度参数a决定了母小波的伸缩特性，如图3所示。在波形参数确定的前提 下，参数a决定了小波的带通宽度，从而影响小波变换的分辨率。
[0024] 特别地，本发明取波形参数β = 0.7，尺度参数a = 1时窗口长度为10，频率轴划分为 1024,对轴承的振动信号进行连续小波变换，得到小波系数矩阵。其中，信号x(t)的连续小 波变换的公式为
(式1)
[0025] 2、米用设计的卷积神经|wj络（Convolutional Neural Networks，CNN)建立轴承故 障诊断模型。特别地，本发明所述的卷积神经网络包括：1个输入层、4个卷积与池化层，1个 全连接层，1个分类输出层。卷积层的卷积核大小分别为：11X11、5 X5、5X5、5X5,特征图的个 数分别为30、50、50、40，池化层的窗口大小为2x2的最大池;全连接层为200个神经元;分类 输出层为16神经元，共16个故障类别，采用softmax回归分类器，如图4所示。每一个卷积层 的输入均来自上一个卷积层经池化得到的特征图，激活函数选用Sigmoid函数。
[0026] 特别地，本发明采用的训练方式为带标签的样本进行有监督的学习，利用带有动 量的梯度下降法调整每一层的网络权值和偏置值。适应函数取如(式2)所示的平方误差函 数 (式2) 式中，N为样本总数，C为输出向量的维数，tP4Po"分别为期望输出的向量的第j个元 素。
[0027] 本发明采用自建的样本数据库，共收集了 16种轴承故障样本，样本由振动信号和 类别标签组成，振动信号的采样频率均为12KHz共1024个采样点。每种故障的训练样本数为 6000,测试样本数为3000。经测试每种故障的诊断识别率在80%以上，比较令人满意。
【主权项】
1. 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法，其特征在于，故障 分类特征的提取和故障分类器的设计，包括以下步骤： 步骤（1 )、通过对轴承振动信号进行Morlet小波变换，用小波变换的系数矩阵作为原始 的分类数据； 步骤(2)、通过设计卷积神经网络作为轴承故障的分类器，包括卷积与池化层、全连接 层和分类输出层，卷积与池化层和全连接层用于从原始的分类数据中提取分类特征，分类 输出层用于轴承故障分类； 步骤(3)、利用包含不同轴承故障类型的特征样本库训练步骤(2)的网络，其中，训练方 式为带标签的样本进行有监督的学习，利用带有动量的梯度下降法调整每一层的网络权值 和偏置值； 步骤(4)、利用步骤(3)训练好的网络，对类别未知的轴承故障进行分类，对分类结果进 行解释就实现了轴承故障的诊断。2. 根据权利要求1所述一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方 法，其特征在于，所述Morlet小波的波形参数β = 0.7,尺度参数a=l时，小波窗长度为10,频 率轴划分为1024。3. 根据权利要求1所述一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方 法，其特征在于，所述卷积神经网络包括：1个输入层、4个卷积与池化层，1个全连接层，1个 分类输出层。4. 根据权利要求3所述一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方 法，其特征在于，所述卷积神经网络的输入为Morlet小波变换的系数矩阵;卷积层的卷积核 大小分别为：1&11、515、515、515，特征图的个数分别为30、50、50、40，池化层的窗口大小为 2x2的最大池；全连接层为200个神经元；分类输出层为16神经元，共16个故障类别，采用 softmax回归分类器。
【文档编号】G06K9/00GK105841961SQ201610184385
【公开日】2016年8月10日
【申请日】2016年3月29日
【发明人】史永宏, 罗鑫, 刘新平, 宋继志
【申请人】中国石油大学(华东)