一种电机轴承故障诊断方法及装置与流程

本发明涉及机械设备故障诊断领域，特别是指一种电机轴承故障诊断方法及装置。
背景技术：
：轴承是旋转机械中最关键的零件之一，其运行正常与否直接关系到机器性能。若轴承发生故障导致机器无法正常工作，轻则造成停产停工，重则直接危害到人的生命安全。传统的一维卷积神经网络虽然已经用于轴承的故障诊断，但都由于是一维时间序列信号，不易于特征提取，容易出现特征丢失现象，造成最终的诊断准确率不高。然而大部分的二维卷积神经网络结构并不直接适用于轴承的一维振动信号，因此，为了抑制过拟合，常常会加深常用的一维卷积神经网络深度来获取较大的感受野，这也使得神经网络结构复杂，设计难度大大提高。技术实现要素：本发明要解决的技术问题是提供一种电机轴承故障诊断方法及装置，以解决现有技术所存在的需要加深二维卷积神经网络的深度来进行轴承故障诊断，导致神经网络结构复杂的问题。为解决上述技术问题，本发明实施例提供一种电机轴承故障诊断方法，包括：获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。进一步地，所述一维轴承故障信号为一维时间序列的离散故障信号；所述将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图包括：对一维轴承故障信号进行归一化处理；对归一化处理后的信号进行取整，并将取整后的信号转化为灰度值信号；对得到的灰度值信号进行信号截取，将截取后的信号转换为二维矩阵，得到二维故障信号灰度图矩阵。进一步地，所述根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型包括：将得到的训练集图像输入二维卷积神经网络lenet-5进行故障诊断模型的训练。进一步地，所述将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别包括：将二维现场信号灰度图输入加深卷积神经网络，通过加深卷积神经网络对二维现场信号灰度图进行降噪处理；将降噪处理后的二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本发明实施例还提供一种电机轴承故障诊断装置，包括：第一转换模块，用于获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；训练模块，用于根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；第二转换模块，用于获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；诊断模块，用于将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。进一步地，所述一维轴承故障信号为一维时间序列的离散故障信号；所述第一转换模块包括：归一单元，用于对一维轴承故障信号进行归一化处理；取整单元，用于对归一化处理后的信号进行取整，并将取整后的信号转化为灰度值信号；转换单元，用于对得到的灰度值信号进行信号截取，将截取后的信号转换为二维矩阵，得到二维故障信号灰度图矩阵。进一步地，所述训练模块，用于将得到的训练集图像输入二维卷积神经网络lenet-5进行故障诊断模型的训练。进一步地，所述诊断模块包括：降噪单元，用于将二维现场信号灰度图输入加深卷积神经网络，通过加深卷积神经网络对二维现场信号灰度图进行降噪处理；诊断单元，用于将降噪处理后的二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本发明的上述技术方案的有益效果如下：上述方案中，获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。这样，根据得到的二维故障信号灰度图，利用二维卷积神经网络算法训练出用于诊断轴承故障的故障诊断模型，无需加深二维卷积神经网络结构的深度，能够降低二维卷积神经网络结构的复杂度。附图说明图1为本发明实施例提供的电机轴承故障诊断方法的流程示意图；图2为本发明实施例提供的信号转换为图像的流程示意图；图3为本发明实施例提供的电机轴承故障诊断方法的详细流程示意图；图4(1)为本发明提供的滚动磨损信号诊断情况对比示意图；图4(2)为本发明提供的内圈故障信号诊断情况对比示意图；图4(3)为本发明提供的外圈故障信号1诊断对比示意图；图4(4)为本发明提供的外圈故障信号2诊断对比示意图；图5为本发明实施例提供的电机轴承故障诊断装置的结构示意图。具体实施方式为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本发明针对现有的需要加深二维卷积神经网络的深度来进行轴承故障诊断，导致神经网络结构复杂的问题，提供一种电机轴承故障诊断方法及装置。实施例一如图1所示，本发明实施例提供的电机轴承故障诊断方法，包括：s101，获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；s102，根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；s103，获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；s104，将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本发明实施例所述的电机轴承故障诊断方法，获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。这样，根据得到的二维故障信号灰度图，利用二维卷积神经网络算法训练出用于诊断轴承故障的故障诊断模型，无需加深二维卷积神经网络结构的深度，能够降低二维卷积神经网络结构的复杂度。在前述电机轴承故障诊断方法的具体实施方式中，进一步地，所述一维轴承故障信号为一维时间序列的离散故障信号；所述将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图包括：对一维轴承故障信号进行归一化处理；对归一化处理后的信号进行取整，并将取整后的信号转化为灰度值信号；对得到的灰度值信号进行信号截取，将截取后的信号转换为二维矩阵，得到二维故障信号灰度图矩阵。本实施例中，获取的原始一维轴承故障信号/一维轴承振动信号都是一维时间序列的离散信号，其中，信号中包含i个信号点。本实施例中，如图2、3所示，采用信号-图像转换的方法，将原始的一维轴承故障信号转换为二维故障信号灰度图具体可以包括以下步骤：a1，将信号点p(i)进行归一化处理，对归一化处理后的信号进行取整，并将取整后的信号转化为灰度值信号pm(i)：其中，函数f表示对归一化处理后的信号进行取整；a2，对得到的灰度值信号进行信号截取和矩阵转换，得到二维故障信号灰度图矩阵；本实施例中，灰度图的每个像素点包含0-255整数值，表示为图像每个像素点的灰度根据卷积神经网络的输入要求，需要将转换为灰度值信号进行长度截取，截取后的长度为n2，通常n的取值为32、64和128等，其中，n表示转换为图像的长度，其取值由使用的卷积神经网络类型决定。截取后n个离散信号为pn(i)，n的范围为f为取整函数，其中：pn(i)＝pm(i,i+n2-1)其中，imax为离散信号个数的最大值；经过截取后的离散信号仍为1×n2的一维矩阵，此时需要将其转换为n×n的二维矩阵，得到二维故障信号灰度图矩阵为：在前述电机轴承故障诊断方法的具体实施方式中，进一步地，所述根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型包括：将得到的训练集图像输入二维卷积神经网络lenet-5进行故障诊断模型的训练。本实施例中，将将得到的训练集图像作为训练数据输入二维卷积神经网络lenet-5进行故障诊断模型的训练，其中，二维卷积神经网络lenet-5深度较浅，训练速度快，训练好的故障诊断模型的诊断准确率高。本实施例中，二维卷积神经网络lenet-5包含七层结构，其中包括3个卷积层、2个最大池化层、1个全连接层和1个输出层；其中，假设3个卷积层分别编号为c1、c3、c5；2个最大池化层分别编号为s2、s4；1个全连接层编号为f6；1个输出层编号为l7，则具体连接方式为c1→s2→c3→s4→c5→f6→l7。本实施例中，c1：接受图片输入，进行第一次卷积运算，得到卷积核的参数即权重；s2：进行池化运算，减少计算量同时保留有用信息；c3：第二次卷积运算；s4：第二次池化运算，继续减小计算量；c5：第三次卷积运算；f6：降低特征维数，进行点积计算，加入偏置；l7：进行分类并输出。本实施例中，采用线性整流函数作为激活函数relu(x)：其中，x表示线性整流函数的输入本实施例中，故障诊断模型训练的精度会影响最终诊断类别的准确率。为保证参数(参数作为模型从历史训练数据中学到的一部分包括偏置、权值、卷积核尺寸等；)与超参数(超参数是模型外部的配置，其值不能从数据估计得到包括学习率，激活函数的种类等)的正确选择，本实施例采用amsgrad梯度下降算法，amsgrad梯度下降算法对不同的参数要动态的采取不同的学习率，又能保证学习率是非负数，让目标函数更快的收敛，加快训练速度，避免陷入局部最优点。在前述电机轴承故障诊断方法的具体实施方式中，进一步地，所述将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别包括：将二维现场信号灰度图输入加深卷积神经网络，通过加深卷积神经网络对二维现场信号灰度图进行降噪处理；将降噪处理后的二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本实施例中，同样采用信号-图像转换的方法，将获取的现场的一维轴承振动信号转换为二维现场信号灰度图，其中，所述二维现场信号灰度图含有噪声；然后将得到的二维现场信号灰度图输入加深卷积神经网络(dncnn)，通过dncnn对含有噪声的二维现场信号灰度图进行降噪处理；将降噪处理后的二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本实施例中，将含有噪声的二维现场信号灰度图作为加深卷积神经网络dncnn的输入，加深卷积神经网络dncnn的输出为移除干净图像的残差图像，通过加深卷积神经网络dncnn的处理得到较为纯净的去噪图像作为故障诊断模型的待诊断样本。本实施例中，dncnn采用残差学习策略，在加深卷积神经网络的隐含层中隐式地移除干净图像(cleanimage)，即输入为带噪的二维现场信号灰度图(noisyimage)，输出为移除干净图像的残差(噪声)图像(residualimage)。其中dncnn包括三部分：conv+relu：第一层，输入为m×m×c的图像，经过64个3×3×3的卷积核卷积，输出为64张m×m的特征图，即m×m×64的图像。conv+bn+relu：第(2～(d-1))层，有64个3×3×64的卷积核，所以这些层的输入输出都为m×m×64的图像。在卷积和激活函数间添加批量归一化。conv：通过c个3×3×64的卷积核，重建c维图像，作为输出。其中，m为图像像素，c为图片通道数，d为感受野深度，conv表示卷积层，relu表示激活函数-线性整流函数，bn表示批次标准化，可加速收敛。在经过信号-图像处理后，通过加深卷积神经网络dncnn的处理得到较为纯净的去噪图像作为故障诊断模型的待诊断样本。本实施例中，将待诊断样本作为训练好的故障诊断模型的输入，训练好的故障诊断模型根据输入的待诊断样本，输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。为了验证本发明实施例所述的电机轴承故障诊断方法的准确性，通过现场扭矩传感器采集转矩信号作为实验数据集，对数据集进行分割，每一种工况类型的训练集与验证集的比例为9:1，实验中共采集了4组轴承在一定转速范围下的震动数据，其中，选取滚动磨损0.250.03mm(ba)、内圈故障0.230.03mm(if)、外圈故障1-0.500.05mm-(of)、外圈故障2-0.300.05mm-(of)。转速分别为1680-1840rpm范围内，每间隔10rpm选取一个转速值作为转速设定，在每个转速设定值下每个轴承情况采集100组信号，并通过本实施例的信号-图像转换方法，将训练集与验证集转化为二维灰度图，并选取图片大小为64×64的转换格式。并在进行信号-图片转化后利用dncnn对图片进行降噪处理，形成去噪验证集。并利用去噪验证集内的数据进行故障分类验证，其中，故障信号的分类结果如图4(1)-(4)所示，图4(1)-(4)中分别表示表示准确个数、误报个数与未报个数，其中，误报表示故障诊断模型将验证数据分类为其他故障类型，未报表示故障诊断模型将验证数据分类为正常运行类型。如图4(1)-(4)所示，在训练集给出的转速范围内，各类故障信号均能达到不错的故障识别效果。以滚动磨损信号的分类结果为例，在训练集给出的转速1730-1790rpm内，但是超过此范围，故障识别效果大幅下降。不同转速范围的诊断结果如表1所示。表1不同转速范围的诊断结果转速范围识别准确率误报、未报个数1730-1790rpm94％5个以内1700-1800rpm90％10个以内1660-1830rpm80％15个以内1640-1880rpm75％25个以内实施例二本发明还提供一种电机轴承故障诊断装置的具体实施方式，由于本发明提供的电机轴承故障诊断装置与前述电机轴承故障诊断装置方法的具体实施方式相对应，该电机轴承故障诊断装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述电机轴承故障诊断装置方法具体实施方式中的解释说明，也适用于本发明提供的电机轴承故障诊断装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。如图5所示，本发明实施例还提供一种电机轴承故障诊断装置，包括：第一转换模块11，用于获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；训练模块12，用于根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；第二转换模块13，用于获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；诊断模块14，用于将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。本发明实施例所述的电机轴承故障诊断装置，获取电机轴承故障数据集，将故障数据集中的一维轴承故障信号转换为二维故障信号灰度图，得到训练集图像；根据得到的训练集图像，通过二维卷积神经网络训练故障诊断模型；获取现场的一维轴承振动信号，将一维轴承振动信号转换为二维现场信号灰度图；将二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。这样，根据得到的二维故障信号灰度图，利用二维卷积神经网络算法训练出用于诊断轴承故障的故障诊断模型，无需加深二维卷积神经网络结构的深度，能够降低二维卷积神经网络结构的复杂度。在前述电机轴承故障诊断装置的具体实施方式中，进一步地，所述一维轴承故障信号为一维时间序列的离散故障信号；所述第一转换模块包括：归一单元，用于对一维轴承故障信号进行归一化处理；取整单元，用于对归一化处理后的信号进行取整，并将取整后的信号转化为灰度值信号；转换单元，用于对得到的灰度值信号进行信号截取，将截取后的信号转换为二维矩阵，得到二维故障信号灰度图矩阵。在前述电机轴承故障诊断装置的具体实施方式中，进一步地，所述训练模块，用于将得到的训练集图像输入二维卷积神经网络lenet-5进行故障诊断模型的训练。在前述电机轴承故障诊断装置的具体实施方式中，进一步地，所述诊断模块包括：降噪单元，用于将二维现场信号灰度图输入加深卷积神经网络，通过加深卷积神经网络对二维现场信号灰度图进行降噪处理；诊断单元，用于将降噪处理后的二维现场信号灰度图输入训练好的故障诊断模型，由训练故障诊断模型输出各故障类别归属权重，根据输出的各故障类别归属权重，确定当前轴承的故障类别。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。以上所述是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12