一种滚动轴承的故障诊断方法、装置、设备和存储介质与流程

本发明属于设备故障检测领域，更具体地，涉及一种滚动轴承的故障诊断方法、装置、设备和存储介质。
背景技术：
：滚动轴承是机械行业中常见的标准件，广泛用于机械装备的传动系统中。由于滚动轴承通常的工作环境比较恶劣，因此极易发生损坏，给生产和人员安全带来很大的隐患。对滚动轴承进行故障诊断，可以及时发现滚动轴承已经存在的故障甚至是早期故障，避免轴承故障加深造成更大的危害。针对滚动轴承的故障诊断方法，可以分为传统非智能方法和智能诊断方法两类。传统的非智能诊断方法往往需要依赖专家经验，在实际场景下存在着步骤复杂、普适性不强的问题。而随着人工智能和大数据的发展，智能故障诊断方法可以从海量大数据中自动学习故障特征，训练故障智能诊断模型，有效提升了故障诊断的准确率。目前，智能诊断方法如深度学习方法已经得到了广泛的普及，相比非智能诊断方法有着更大的优势。然而，在故障诊断领域，大量的深度学习模型的类型与结构过于单一，难以从多个角度挖掘深层次的故障特征，因此识别的准确率大打折扣。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种滚动轴承的故障诊断方法、装置、设备和存储介质，其目的在于准确识别滚动轴承的故障，由此解决由于滚动轴承故障检测挖掘层级单一导致故障识别准确率低的技术问题。为实现上述目的，按照本发明的一个方面，提供了一种滚动轴承的故障诊断方法、装置、设备和存储介质。一种滚动轴承的故障诊断方法，包括：s1：采集所述滚动轴承的振动加速度原始信号；s2：对所述振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；s3：将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型得到所述待测样本对应的一维故障特征，各个所述待测样本各自对应的一维故障特征互不相干；s4：将每个所述一维故障特征重构为一个特征图，并将各个所述一维故障特征对应的特征图进行融合得到多通道特征图像；s5：将所述多通道特征图像输入到二维深度卷积神经网络模型，以使所述二维深度卷积神经网络模型输出所述滚动轴承的故障状态信息。在其中一个实施例中，所述步骤s3具体包括：将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型；利用各个所述一维深度卷积神经网络模型中的多个卷积层和多个池化层对每个所述待测样本进行特征提取，以从全连接层输出每个所述待测样本对应的一维故障特征。在其中一个实施例中，所述步骤s4具体包括：将每个所述一维故障特征重构为一个二维的特征图；将多个所述二维的特征图合成到一个所述多通道特征图像。在其中一个实施例中，所述步骤s5具体包括：将所述多通道特征图像输入到二维深度卷积神经网络模型中进行特征挖掘，得到目标尺寸的特征量；利用所述二维深度卷积神经网络模型末端的soft-max分类器对所述目标尺寸的特征量进行故障识别，以使所述二维深度卷积神经网络模型输出所述滚动轴承的故障状态信息。在其中一个实施例中，所述步骤s3之前，所述方法还包括：将多个所述一维深度卷积神经网络模型对应的激活函数设置为各不相同函数；将多个所述一维深度卷积神经网络模型对应的网络结构和超参数设置为相同参数。在其中一个实施例中，所述将多个所述一维深度卷积神经网络模型对应的激活函数设置为各不相同函数，包括：从relu、elu、tanh、sigmoid、gaussian、leakyrelu、sin、arctan及softplus中确定出各个所述一维深度卷积神经网络模型的激活函数。在其中一个实施例中，所述步骤s5之前，所述方法还包括：将所述二维深度卷积神经网络模型中池化层的数目和卷积层的数目设置为相同的数值。一种滚动轴承的故障诊断装置，包括：采集模块，用于采集所述滚动轴承的振动加速度原始信号；构建模块，用于对所述振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；第一提取模块，用于将多个所述待测样本中的每个所述待测样本分别输入到多个一维深度卷积神经网络模型得到每个所述待测样本对应的一维故障特征，各个所述待测样本各自对应的一维故障特征互不相干；重构融合模块，用于将每个所述一维故障特征重构为一个特征图，并将各个所述一维故障特征对应的特征图进行融合得到多通道特征图像；第二提取模块，用于将所述多通道特征图像输入到二维深度卷积神经网络模型，以使所述二维深度卷积神经网络模型输出所述滚动轴承的故障状态信息。一种滚动轴承的故障诊断设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。总体而言，通过本发明所构思的以上技术方案与现有技术相比，本申请的有益效果：本发明基于集成的深度卷积神经网络模型对滚动轴承的原始振动加速度信号进行深层次的特征挖掘。具体的，先将待测样本输入到多个一维深度卷积神经网络模型得到多个一维故障特征，再使多个一维故障特征进行重构和融合得到多通道特征图像，再利用二维深度卷积神经网络模型对多通道特征图像进行特征提取和识别，从而获取更加准确的故障状态信息。在企业与工厂的实际生产过程中，本发明所提出方法能及时发现滚动轴承现有故障，避免产线因轴承报废导致停产，从而有效保障人员和设备安全，减少设备维修成本，提高企业效益。附图说明图1为一个实施例中滚动轴承的故障诊断方法的流程图；图2为一个实施例中步骤s3中获取待测样本对应的一维故障特征的流程图；图3为一个实施例中步骤s4中多个一维故障特征进行故障特征的重构与融合的示意图；图4为一个实施例中待测样本被故障识别后得到的混淆矩阵的示意图；图5为一个实施例中步骤s5利用二维深度卷积神经网络模型进行故障识别的流程图；图6为一个实施例的滚动轴承的故障诊断装置的结构框图；图7为一个实施例中滚动轴承的故障诊断设备的内部结构示意图。在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：采集模块601、构建模块602、第一提取模块603、重构融合模块604和第二提取模块605。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。图1为一个实施例中滚动轴承的故障诊断方法的流程图。如图1所示，滚动轴承的故障诊断方法，包括：步骤s1至步骤s5。s1：采集滚动轴承的振动加速度原始信号。具体的，可以利用滚动轴承的故障诊断设备内的处理器传输控制信号给加速度传感器，以使传感器采集滚动轴承的振动加速度原始信号，再传输给处理器。即处理器采集到振动加速度原始信号。s2：对振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的数据样本构建成一个待测样本，待测样本的数量为多个。具体的，对采集到的振动加速度原始信号进行归一化处理，使得每个采样点数值都保持在[0，1]范围内，每预设数目且连续的采样点构建为一个待测样本；预设数目可以设置成1024、2048或4096等，也可以设置成其他数值，此处不做限定。采用滚动轴承(型号为6205-2rsjemskf)的十类健康状态数据，分别为正常状态(符号n)、内圈故障(包括0.007、0.014、0.021英寸三类故障尺寸，用符号ir1、ir2、ir3代表)、外圈故障(包括0.007、0.014、0.021英寸三类故障尺寸，用符号or1、or2、or3代表)、滚动体故障(包括0.007、0.014、0.021英寸三类故障尺寸，用符号re1、re2、re3代表)。为验证本发明所提出方法的有效性，构建200个待测样本(样本长度为1×4096)，包含上述十类故障状态，用以验证本发明所提出方法的故障诊断效果。s3：将每个待测样本分别输入到多个一维深度卷积神经网络模型得到待测样本对应的一维故障特征，各个待测样本各自对应的一维故障特征互不相干。具体的，进行第一次特征提取，将待测样本分别输入到多个一维深度卷积神经网络模型，一维深度卷积神经网络模型的数目可以是三至九，此处不做限制。每个待测样本经过多层卷积层和多个池化层的特征提取，经过每个一维深度卷积神经网络模型的全连接层输出预设长度的以为故障特征，预设长度可以是1024或4096等。其中，1024对应的二维特征图像是32×32，4096对应的二维特征图像是64×64，一般将预设长度设置1024。以三个一维深度卷积神经网络模型为例，共获取到三段互不相干的一维故障特征。在其中一个实施例中，多个一维深度卷积神经网络模型对应的激活函数各不相同，而网络结构和超参数的设置完全相同。在另一个实施例中，从relu、elu、tanh、sigmoid、gaussian、leakyrelu、sin、arctan及softplus中确定出各个一维深度卷积神经网络模型的激活函数，及激活函数有这9中选项，一维深度卷积神经网络模型的数目可以为2-9个。其中，上述激活函数的表达式如下表：在其中一个实施例中，如图2所示，步骤s3具体包括：步骤301和步骤302。步骤301、将每个待测样本分别输入到多个一维深度卷积神经网络模型。步骤302、利用各个一维深度卷积神经网络模型中的多个卷积层和多个池化层对每个待测样本进行特征提取，以从全连接层输出每个待测样本对应的一维故障特征。举例来说，三个一维深度卷积神经网络(1-dimensionaldeepconvolutionalneuralnetwork，1-ddcnn)模型采用不同的激活函数组合，对待测样本(包含连续的4096个采样点)进行第一次特征提取，从而从多个角度挖掘待测样本所蕴含的故障信息，避免单一的网络结构无法充分挖掘高维样本内包含的故障特征。每个1-ddcnn模型的激活函数设置如下表所示。另外，除激活函数设置外，三个1-ddcnn模型的网络结构与超参数设置完全一致，如下表所示：layerparameternameparametersizeoutputsizeinput//4096×1conv1convolutionalkernel8×1×44096×4pool1maxpoolingkernel4×11024×4conv2convolutionalkernel4×1×81024×8pool2maxpoolingkernel4×1256×8conv3convolutionalkernel4×1×16256×16pool3maxpoolingkernel4×164×16fc1weightmatrix/1024×1fc2weightmatrix1024×10241024×1outputweightmatrix1024×1010×1最后，三个1-ddcnn模型利用三个卷积层、三个池化层、和一个全连接层对待测样本进行逐层的特征提取，并将全连接层(上表fc2层)输出的一维故障特征(长度为1×1024)进行保存。s4：将每个一维故障特征重构为一个特征图，并将各个一维故障特征对应的特征图进行融合得到多通道特征图像。具体的，如图3所示，将多个一维故障特征进行故障特征的重构与融合。举例来说，将步骤s3中长度为1×1024的故障特征按图2中的方式转化为32×32的特征图，并将三个特征图像进行特征融合，组成一个三通道的特征图像。通道的数量与步骤s3中一维深度卷积神经网络模型的数量相同。在其中一个实施例中，步骤s4具体包括：将每个一维故障特征重构为一个二维的特征图。将多个二维的特征图合成到一个多通道特征图像。s5：将多通道特征图像输入到二维深度卷积神经网络模型，以使二维深度卷积神经网络模型输出滚动轴承的故障状态信息。具体的，采用的二维深度卷积神经网络(2-dimensionaldeepconvolutionalneuralnetwork，2-ddcnn)模型中卷积层和池化层的数量相同，如利用三个卷积层、三个池化层和一个全连接层对输入的32×32的故障特征图像进行二次特征提取，并在末端增加一个soft-max分类器进行故障分类。下表为2-ddcnn模型的网络结构超参数设置。layerparameternameparametersizeoutputsizeinput//32×32×3conv1convolutionalkernel4×4×832×32×8pool1maxpoolingkernel2×216×16×8conv2convolutionalkernel4×4×1616×16×16pool2maxpoolingkernel2×28×8×16conv3convolutionalkernel2×2×328×8×32pool3maxpoolingkernel2×24×4×32fc1weightmatrix/512×1fc2weightmatrix512×256256×1outputweightmatrix256×1010×1其中，2-ddcnn模型各层激活函数设置如下表所示：另外，soft-max分类器对目标尺寸的特征量进行故障识别，输出的故障标签采用one-hot编码形式，故障标签用于标识故障类型。故障标签的不同编码代表不同的轴承健康状态，能代表十类健康状态，如(0，1，0，0，0，0，0，0，0，0)代表故障尺寸为0.007英寸的轴承内圈故障。利用本发明所提出方法，图4为200个待测样本被故障识别后得到的混淆矩阵。在机器学习领域，混淆矩阵(confusionmatrix)，又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习(非监督学习，通常用匹配矩阵：matchingmatrix)。其每一列代表预测值，每一行代表的是实际的类别。200个待测样本仅有一例被识别错误，识别准确率为99.5％。在其中一个实施例中，如图5所示，步骤s5具体包括：步骤501和步骤502。步骤501、将多通道特征图像输入到二维深度卷积神经网络模型中进行特征挖掘，得到目标尺寸的特征量。步骤502、利用二维深度卷积神经网络模型末端的soft-max分类器对目标尺寸的特征量进行故障识别，以使二维深度卷积神经网络模型输出滚动轴承的故障状态信息。应该理解的是，虽然图1、2、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。图6为一个实施例的滚动轴承的故障诊断装置的结构框图。如图6所示，滚动轴承的故障诊断装置包括：采集模块601、构建模块602、第一提取模块603、重构融合模块604和第二提取模块605。采集模块601，用于采集滚动轴承的振动加速度原始信号；构建模块602，用于对振动加速度原始信号进行归一化处理得到数据样本，将连续预设数目的数据样本构建成一个待测样本；第一提取模块603，用于将每个待测样本分别输入到多个一维深度卷积神经网络模型得到每个待测样本对应的一维故障特征，各个待测样本各自对应的一维故障特征互不相干；重构融合模块604，用于将每个一维故障特征重构为一个特征图，并将各个一维故障特征对应的特征图进行融合得到多通道特征图像；第二提取模块605，用于将多通道特征图像输入到二维深度卷积神经网络模型，以使二维深度卷积神经网络模型输出滚动轴承的故障状态信息。本申请提供的滚动轴承的故障诊断装置基于多个集成的深度网络模型，能对滚动轴承原始信号进行深层次的特征挖掘，从而得到更加准确的故障识别效果，准确率可达99.5％。即本发明能够有效识别滚动轴承的现有故障，保障人员和设备安全。在其中一个实施例中，第一提取模块用于将每个待测样本分别输入到多个一维深度卷积神经网络模型；利用各个一维深度卷积神经网络模型中的多个卷积层和多个池化层对每个待测样本进行特征提取，以从全连接层输出每个待测样本对应的一维故障特征在其中一个实施例中，重构融合模块用于将每个一维故障特征重构为一个二维的特征图；将多个二维的特征图合成到一个多通道特征图像。在其中一个实施例中，第二提取模块用于将多通道特征图像输入到二维深度卷积神经网络模型中进行特征挖掘，得到目标尺寸的特征量；利用二维深度卷积神经网络模型末端的soft-max分类器对目标尺寸的特征量进行故障识别，以使二维深度卷积神经网络模型输出滚动轴承的故障状态信息。上述滚动轴承的故障诊断装置中各个模块的划分仅用于举例说明，在其他实施例中，可将滚动轴承的故障诊断装置按照需要划分为不同的模块，以完成上述滚动轴承的故障诊断装置的全部或部分功能。关于滚动轴承的故障诊断装置的具体限定可以参见上文中对于滚动轴承的故障诊断方法的限定，在此不再赘述。上述滚动轴承的故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。图7为一个实施例中滚动轴承的故障诊断设备的内部结构示意图。如图7所示，该滚动轴承的故障诊断设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个滚动轴承的故障诊断设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种滚动轴承的故障诊断方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。本申请实施例中提供的滚动轴承的故障诊断装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在滚动轴承的故障诊断设备上运行。该计算机程序构成的程序模块可存储在滚动轴承的故障诊断设备的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行滚动轴承的故障诊断方法的步骤。一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行滚动轴承的故障诊断方法。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12