一种基于深度可分离卷积的轴承故障在线诊断方法及系统

1.本发明涉及一种基于深度可分离卷积的轴承故障在线诊断方法及系统，属于机械设备的故障诊断领域。


背景技术：

2.为了及时发现工业生产过程中的隐患，需要对运行中的机械系统关键部件的健康状况进行监测。传统上对轴承的故障诊断都是利用采集设备将振动数据采集保存下来，然后采用人工特征提取进行故障分析，不仅成本高，而且高度依赖先验知识，诊断结果极大地受人为因素的影响。近些年由于人工智能的兴起，神经网络也在故障诊断领域取得了质的飞跃。目前基于神经网络的智能诊断的诊断精度和效率得到了极大提高，很大程度上避免了传统浅度学习中人为因素的干扰。但伴随着人们过分追求诊断的准确率，神经网络模型层数越来越多，运算量也呈指数式暴增，硬件资源一般的计算机或嵌入式系统的能力无法满足深度学习的需求，想要依靠神经网络自动实现轴承故障诊断，就必须配置高性能、硬件资源丰富的平台。高性能平台及采集设备高昂的费用，加上需要监测的测点数量之多，这些因素在很大程度上阻碍了卷积神经网络在故障诊断领域的发展。因此如何在保证精度的前提下减小模型的体积和参数量，将模型能够部署到算力一般、价格相对便宜的系统上是一个急需解决的问题。


技术实现要素：

3.本发明提供了一种基于深度可分离卷积的轴承故障在线诊断方法及系统，通过深度可分离卷积搭建故障诊断模型，并进一步用于浏览器实现在线的故障诊断，可以进一步解决现有诊断模型参数量大、占用资源多、难以直接将大型网络部署在算力较差设备上的问题。
4.本发明的技术方案是：一种基于深度可分离卷积的轴承故障在线诊断方法，包括：模型训练步骤，将通过数据采集系统采集的历史振动数据输入到基于深度可分离卷积网络进行训练得到诊断模型；模型转换与部署步骤，将诊断模型转换保存为tensorflow.js图层格式，并将转换后的图层格式模型部署到浏览器中；故障识别步骤，在浏览器中从数据库中加载历史振动数据输入至转换后的图层格式模型进行诊断，得到数据的轴承状态。
5.所述数据采集系统包括实时控制器、采集卡、加速度传感器；iepe加速度传感器和采集卡通过传感器连接线连接，将iepe加速度传感器安装在所测轴承的上方，采集卡一侧插入到实时控制器插槽中；将上位机和实时控制器通过网线相连接；通过上位机设置数据采集的通道配置和采样配置参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；将振动数据的实时波形数据采用udp通信协议将数据上传到数据库进行存储。
6.所述模型训练步骤具体为：通过上位机下载数据库存储的历史振动数据，把数据由采集保存时的.tdms格式转换成.mat格式，将转换好格式的历史振动数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入基于深度可分离卷积网络进
行训练得到诊断模型。
7.所述基于深度可分离卷积网络包括：1个标准卷积层、4个深度可分离卷积层和2个全连接层。
8.所述基于深度可分离卷积网络具体设置如下：
9.第一层：标准卷积层：filter＝16，kernel_size＝3，strides＝16，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝2048
×
1，output_shape＝64
×
16；
10.第二层：dw层：filter＝32，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝64
×
16，output_shape＝32
×
32；
11.第三层：dw层：filter＝64，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝32
×
32，output_shape＝16
×
64；
12.第四层：dw层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h-swish，pool＝maxpooling，pool_size＝2，input_shape＝16
×
64，output_shape＝8
×
64；
13.第五层：dw层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h-swish，pool＝maxpooling，pool_size＝2，input_shape＝8
×
64，output_shape＝4
×
64；
14.第六层：全连接层：units＝100；activation＝'relu'；
15.第七层：全连接层：units＝4，activation＝'softmax'。
16.利用javascript技术对模型进行转换具体为：利用keras构建的整个模型转换为tensorflow.js图层格式，直接加载到浏览器进行推理预测，tensorflow.js图层格式是一个包含模型拓扑和权重文件清单的model.json文件；将keras模型导入tensorflow.js分为两步：首先，使用pythonapi导出tf.js图层格式，然后将模型加载到tensorflow.js中完成模型转换。
17.所述故障识别步骤具体为：浏览器上使用http协议和数据库连接进行访问，通过浏览器点击想要查看状态的数据将其加载到诊断模型中进行在线诊断，得到轴承的状态，并在浏览器上进行诊断结果显示。
18.一种基于深度可分离卷积的轴承故障在线诊断系统，包括：模型训练模块，用于将通过数据采集系统采集的历史振动数据输入到基于深度可分离卷积网络进行训练得到诊断模型；模型转换与部署模块，用于将诊断模型转换保存为tensorflow.js图层格式，并将转换后的图层格式模型部署到浏览器中；故障识别步骤模块，用于在浏览器中从数据库中加载历史振动数据输入至转换后的图层格式模型进行诊断，得到数据的轴承状态。
19.本发明的有益效果是：本发明通过深度可分离卷积思想搭建故障诊断模型，并将模型部署到浏览器中进行在线故障诊断；与现有技术相比，这种方法在保证诊断准确率的前提下，使模型的体积和运算量大大减少，大幅度的提升模型的运行速度，有效地控制了运行成本。为后续的轴承在线故障诊断系统提供了一种新的方法和思路。
附图说明
20.图1为本发明的流程示意图；
21.图2为传统卷积和深度可分离卷积结构对比图；
22.图3为深度可分离卷积搭建故障诊断模型结构图；
23.图4为本发明方法与标准卷积在不同训练次数下的准确率对比图。
具体实施方式
24.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
25.实施例1：如图1-4所示，一种基于深度可分离卷积的轴承故障在线诊断方法，包括：模型训练步骤，将通过数据采集系统采集的历史振动数据输入到基于深度可分离卷积网络进行训练得到诊断模型；模型转换与部署步骤，在tensorflow环境下将诊断模型(其中诊断模型为keras模型)转换保存为tensorflow.js图层格式，并将转换后的图层格式模型部署到浏览器中；故障识别步骤，在浏览器中从mysql数据库中加载历史振动数据输入至转换后的图层格式模型进行诊断，得到数据的轴承状态。
26.进一步地，可以设置所述数据采集系统包括实时控制器、采集卡、加速度传感器；iepe加速度传感器和采集卡通过传感器连接线连接，将iepe加速度传感器安装在所测轴承的上方，采集卡一侧插入到实时控制器插槽中；将上位机和实时控制器通过网线相连接；通过上位机设置数据采集的通道配置(信号类型、采样频率、采样点数)和采样配置(连续采样或间隔采样)参数按照需求设置，采集的轴承的振动数据保存成tdms文件格式，通过该种数据结构的文件方式可以让读写速度更快，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；将振动数据的实时波形数据采用udp通信协议将数据上传到mysql数据库进行存储。所述实时控制器采用compactdaq嵌入式平台，compactdaq可最大程度地提高测量的绝对精度；iepe加速度传感器能直接与采集设备连接，简化了测试系统，提高了测试精度和可靠性，同时具有低阻抗输出、抗干扰、噪声小、性价比高、安装方便等显著优点。
27.进一步地，可以设置所述模型训练步骤具体为：通过上位机下载数据库存储的历史振动数据，把数据由采集保存时的.tdms格式转换成.mat格式，将转换好格式的历史振动数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入基于深度可分离卷积网络进行训练得到诊断模型。通过对数据进行格式转换，可以有效地实现数据库与上位机中模型训练所需数据的格式兼容。
28.具体的：在tensorflow环境下训练基于深度可分离卷积构建的神经网络模型。从mysql数据库中下载历史数据，把数据由采集保存时的.tdms格式转换成需要的.mat格式，将转换好格式的数据首先进行预处理操作，其中包括归一化、打标签、划分训练集和验证集；完成归一化操作后将按0.7:0.3的比例将数据集采用抽样的方式划分为训练集和验证集，然后再完成打标签操作，在打标签中，标签0代表正常，1代表轴承内圈故障，2代表轴承滚动体故障，3代表轴承外圈故障。
29.将经过预处理后的训练集和测试集导入基于深度可分离卷积构建的网络进行训练。训练中，为提高断准确率，本发明输入数据长度为2048，通过反向传播和adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98。训练过程采用mini-batch学习，大小设置为32。在训练的同时也对模型采用验证集来验证直到训练完成。
30.进一步地，可以设置所述基于深度可分离卷积网络包括：1个标准卷积层、4个深度可分离卷积层和2个全连接层：具体如附图3所示。
31.进一步地，所述基于深度可分离卷积网络可以具体设置如下：
32.第一层：标准卷积层：filter＝16，kernel_size＝3，strides＝16，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝2048
×
1，output_shape＝64
×
16；
33.第二层：dw层：filter＝32，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝64
×
16，output_shape＝32
×
32；
34.第三层：dw层：filter＝64，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝32
×
32，output_shape＝16
×
64；
35.第四层：dw层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h-swish，pool＝maxpooling，pool_size＝2，input_shape＝16
×
64，output_shape＝8
×
64；
36.第五层：dw层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h-swish，pool＝maxpooling，pool_size＝2，input_shape＝8
×
64，output_shape＝4
×
64；
37.第六层：全连接层：units＝100；activation＝'relu'；
38.第七层：全连接层：units＝4，activation＝'softmax'。
39.其中，深度可分离卷积搭建故障诊断模型具体为：深度可分离卷积(depthwise separable convolution)，是由一层深度卷积(depthwise convolution)与一层逐点卷积(pointwise convolution)组合而成的，每一层卷积之后都紧跟着批规范化和relu激活函数，与标准卷积构成的神经网络相比，该模型保证诊断精度的基础上，以更小的空间代价(参数减少)和更少的时间代价(计算量更少)实现与标准卷积层一样特征提取的功能，降低对设备硬件资源的要求和模型运行时间。
40.进一步地，可以设置利用javascript技术对模型进行转换具体为：利用keras构建的整个模型转换为tensorflow.js图层格式，直接加载到浏览器进行推理预测，tensorflow.js图层格式是一个包含模型拓扑和权重文件清单的model.json文件；将keras模型导入tensorflow.js分为两步：首先，使用pythonapi导出tf.js图层格式，然后将模型加载到tensorflow.js中完成模型转换。将转换后的tensorflow.js模型部署到浏览器中运行，通过http协议和mysql数据库连接进行访问，点击需要查看状态的数据将其加载到诊断模型中进行在线诊断，即得到轴承的状态；
41.进一步地，可以设置所述故障识别步骤具体为：浏览器上使用http协议和mysql数
据库连接进行访问，通过浏览器点击想要查看状态的数据将其加载到诊断模型中进行在线诊断，得到轴承的状态，并在浏览器上进行诊断结果显示。
42.一种基于深度可分离卷积的轴承故障在线诊断系统，包括：模型训练模块，用于将通过数据采集系统采集的历史振动数据输入到基于深度可分离卷积网络进行训练得到诊断模型；模型转换与部署模块，用于在tensorflow环境下将诊断模型(其中诊断模型为keras模型)转换保存为tensorflow.js图层格式，并将转换后的图层格式模型部署到浏览器中；故障识别步骤模块，用于在浏览器中从mysql数据库中加载历史振动数据输入至转换后的图层格式模型进行诊断，得到数据的轴承状态。
43.本发明针对采用传统卷积神经网络进行轴承故障诊断时，训练模型参数量大、占用资源多、难以直接将大型网络部署在算力较差设备上的问题，提出了一种基于深度可分离卷积的智能轴承故障诊断方法。其核心在于采用深度可分离卷积替代传统卷积进行构建卷积神经网络，大大降低诊断模型的参数量和模型进行故障诊断的时间。并利用tensorflow环境提供的javascript技术对keras模型进行转换，将转换后的模型成功部署到浏览器上面，可以在无需安装任何应用和驱动的浏览器上实现轴承端到端的故障分类诊断(如采用滚动轴承)，极大降低了模型对硬件设备的要求。
44.为了验证本发明的有效性，选择美国凯斯西储大学公开的轴承振动信号数据对模型进行测试，本实验选用的轴承为skf轴承，电机转速约为1772r/min，负载为2hp工况下，采样频率为12khz，采集的驱动端(de端)振动数据。数据集包含正常轴承、内圈故障、滚动体故障以及外圈故障四种状态数据，本发明选取每种状态的样本200个，共计800个样本量。获得的数据集如下表所示：
45.表1实验数据集
[0046][0047]
基于深度可分离卷积构建的模型和基于标准卷积构建的模型分别按上述参数设置训练30次得到的结果如图4所示。
[0048]
通过如下表1所示的实验结果可知，基于深度可分离卷积构建的网络在保证准确率的同时，其模型的参数量大幅度下降，约为标准卷积网络的1/10，大大简化了模型，其推理时间也有一幅度的提升，充分验证了本发明的有效性，即在准确率相当的情况下，本发明具有的参数量少、运行时间短的优点使其可以部署到一些算力资源较差的硬件系统上。
[0049] 标准卷积网络深度可分离卷积网络训练集准确率99.98％99.94％
验证准确率99.28％99.50％模型参数量511885316推理时间2.3s1s
[0050]
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。