一种强噪声环境下的滚动轴承故障诊断方法及系统

1.本发明属于滚动轴承故障诊断技术领域，特别是一种强噪声环境下的滚动轴承故障诊断方法及系统。


背景技术：

2.滚动轴承作为旋转机械最核心的零部件之一，一旦出现严重的故障将会产生巨大的经济损失。而随着传感技术的飞速发展，人们可以很好的记录下轴承的运行状况，但是如何在这海量数据中挖掘出故障信息就成为了轴承故障诊断领域的研究热点。
3.近年来，随着深度学习技术的快速发展，其特征表示和学习能力都有了很大的提高，甚至出现了一种端到端的使用方式，即对神经网络模型输入原始信号或者仅采用简单的预处理和数据扩充方法处理过的原始信号，就能够得到输出结果。除了便捷，更为重要的是这种端到端的方式所表现出的性能非常强劲，远比大部分的手工提取特征的方法更要实用。
4.虽然目前大多数的基于深度学习的轴承故障诊断方法正确率都很高，但是它们大多都没有考虑强噪声和多负载的复合因素。尽管有一些考虑了强噪声这一因素，但也只是在某一种负载下进行轴承故障诊断；而考虑多负载情况的，也只是忽略噪声的多负载领域自适应研究，能在强噪声和多负载复合环境下进行高准确率的轴承故障诊断的方法还很少，本发明旨在提供一种适用于高噪声环境下的滚动轴承故障诊断方法及系统，其能够克服噪声干扰，对多种载荷下的滚动轴承信号进行诊断。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提供一种强噪声环境下的滚动轴承故障诊断方法及系统，可以提高滚动轴承在强噪声和多负载复合环境下的故障诊断性能。
6.实现本发明目的的技术解决方案为：
7.一种强噪声环境下的滚动轴承故障诊断方法，包括以下步骤：
8.s1:以采样频率fs采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x
i,j
；
9.s2：对采集的振动加速度信号x
i,j
进行归一化处理得到归一化后的振动加速度信号并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；
10.s3：构建神经网络模型，包括：随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器、全连接层和softmax层；归一化后的样本依次经过随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器和全连接层的处理，最后通过softmax层输出以得到结果标签；其中，所述随机采样层用于增加受到模拟噪声干扰的训练数据；结合senet的cnn全局型特征提取器用于提取全局型故障特征；基于cnn的高维特征提取器用于从提取的全局型故障特征中抽
象出高维故障特征；基于gru的特征分类器用于对基于cnn的高维特征提取器提取的特征进行聚类；
11.s4：将步骤s2处理过后的归一化后的振动加速度信号以及对应的训练标签输入到步骤s3中的神经网络模型中进行训练；
12.s5：采用与步骤s1中相同采样频率fs采集当前设备滚动轴承的振动数据得到待测振动加速度信号x
i,j
；
13.s6：按照步骤s2对待测振动加速度信号x
i,j
进行归一化处理得到归一化后的测试数据将归一化后的测试数据输入到步骤s4所述的训练好的模型中，诊断出当前轴承的故障状态。
14.一种强噪声环境下的滚动轴承故障诊断系统，包括：
15.信号采集模块，用于以采样频率fs采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x
i,j
；
16.归一化处理处理模块，用于对采集的振动加速度信号x
i,j
进行归一化处理得到归一化后的振动加速度信号
17.训练标签设置模块，用于并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；
18.神经网络训练模块，包括：随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器、全连接层和softmax层；归一化后的样本依次经过随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器和全连接层的处理，最后通过softmax层输出以得到结果标签；其中，所述随机采样层用于增加受到模拟噪声干扰的训练数据；结合senet的cnn全局型特征提取器用于提取全局型故障特征；基于cnn的高维特征提取器用于从提取的全局型故障特征中抽象出高维故障特征；基于gru的特征分类器用于对基于cnn的高维特征提取器提取的特征进行聚类。
19.本发明与现有技术相比，其显著优点是：
20.1、本发明无需进行复杂的去噪以及人工特征选择的过程，可以自动的从原始振动信号中学习到故障信息。
21.2、本发明对训练数据进行随机采样，可以大幅提高抗噪声干扰的能力。
22.3、本发明采用结合senet的cnn全局型特征提取器可以高效获得重要的全局特征。
23.4、本发明采用基于gru的特征分类器来处理cnn特征提取器提取出的特征可以防止丢失原始振动信号的关联信息。
24.5、本发明通过自动调节测试数据的分布可以在强噪声和多负载复合环境下实现稳定且精确的滚动轴承故障诊断。
附图说明
25.图1是本发明一种强噪声环境下的滚动轴承故障诊断方法及系统的具体实施流程图。
26.图2是本发明的神经网络模型结构图。
27.图3是本发明的随机采样层的流形表示图。
28.图4是图2的中的senet具体结构图。
29.图5是本实施例中滚动轴承试验台的外观图。
30.图6是本实施例中本发明和五种对比方法在强噪声和多负载复合环境下的诊断结果对比图。
31.图7是本实施例的可视化实验结果图，从7(a-f)依次为原始信号、cnn1层、senet层、cnn3层、gru层以及fc层的映射的结果。
具体实施方式
32.下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
33.图1是本发明一种强噪声环境下的滚动轴承故障诊断方法及系统的具体实施方式流程图。如图1所示，本发明一种强噪声和多负载复合环境下的滚动轴承故障诊断方法，具体步骤如下：
34.s1:以采样频率fs采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x
i,j
；
35.s2：对采集的振动加速度信号x
i,j
进行归一化处理得到归一化后的振动加速度信号并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；
36.s3：构建神经网络模型；
37.本发明的神经网络模型结构图如图2所示，包括六个部分：随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器、全连接层和softmax层，下面对各个组成部分进行说明。
38.1、随机采样层是采用服从概率为p的伯努利分布的随机采样，其中p在每个训练周期取一个0.5到1之间的随机值。为保持数据长度，未被采样的数据原地置0。该步骤是基于两个方面提出，一方面它在训练时主动丢失部分的信息，以达到一种模拟噪声干扰的作用，从而大幅提高整个网络抗噪声干扰的能力。另一方面，流形理论认为如果低维度的数据能够通过流形映射出高维度的数据，那么它就能够代表数据本身的特征。同理，以如图3所示的低维流形来抽象表示轴承故障信息，实线上的点x即为原始训练数据，神经网络完全能预测出测试数据x'。但是若想要预测出添加了噪声的测试数据就需要扩宽原始训练数据x的范围，使其覆盖添加了噪声的测试数据通过对原始数据的随机采样这一种破坏可以获得从原始训练数据x映射出的新的训练数据其映射的范围是在如图3所示的虚线圆中。通过神经网络不断地训练，虚线表示的流形范围内的添加了噪声的测试数据都能够被预测出来，从而大幅提升整个神经网络的鲁棒性。
39.2、结合senet的增强型cnn特征提取器由一个cnn特征提取器和一个senet依次组成。
40.2.1：cnn特征提取器由一个卷积层、一个adabn层和一个elu激活层依次组成。采用大尺寸的卷积核以增加网络的视野，从而提取周期性故障特征并抑制高频噪声。采用adabn的方法来处理卷积层提取的特征，以减小测试数据和训练数据分布的差距，并加快模型的收敛速度，减少模型的训练时间。最后使用elu激活函数，在避免梯度消失的同时，保存输入的负半轴信息，从而使得后续的步骤能够获取到更全面的信息。
41.2.1.1：adabn层可以对卷积层结果进行标准化操作，标准化公式为：
[0042][0043][0044]
式中：x
(k)
为adabn层的输入，γ
(k)
、β
(k)
为adabn层的缩放与偏置参数，y
(k)
为adabn层的输出，其中γ
(k)
、β
(k)
在训练模式下是自主学习训练的参数，在测试模式下用该参数来更新测试数据的分布，从而使得测试数据即使由于噪声影响，导致其与训练数据处于不同的分布，也可以得到良好的预测结果。
[0045]
2.1.2：elu的函数为：
[0046][0047]
式中：x是elu函数的输入，a是一个正超参数，可调节负输入值的饱和度，使得网络具有更强的鲁棒性。它在输入的非负区间像relu函数一样，可以在一定程度上解决梯度消失问题，但是它较relu函数更卓越的是它可以利用elu函数的输入x的负半轴的信息，并使得函数的整体输出更趋向于0，从而加快网络的收敛速度。
[0048]
2.2：senet的结构如图4所示，由一个全局平均池化层，一个全连接层，一个elu激活层，一个全连接层和一个sigmoid激活层依次组成。采用senet块来将cnn特征提取器提取的特征进行通道特征增强，从而自动增强有益的特征并抑制无用的特征，以达到一种全局特征提取的效果。senet的输入为cnn特征提取器输出的结果，结合senet的增强型cnn特征提取器的输出是senet的输出与cnn特征提取器输出相乘的结果。
[0049]
3、基于cnn的高维特征提取器由多个cnn特征提取器组成，下文实例采用了两个cnn特征提取器。每个cnn特征提取器由一个卷积层、一个adabn层、一个elu激活层和一个最大池化层依次组成。
[0050]
4、基于gru的特征分类器是由多个gru层堆叠而成，最后一个gru层的最后一个时间步作为基于gru的特征分类器的输出。由于gru可以提取相互关联的信息，因此用它来处理cnn生成的特征，可以更好地捕捉到原始数据的关联信息。与单一的cnn组成的网络相比，cnn与gru结合的网络能更好地在强噪声的干扰下稳定工作。
[0051]
5、全连接层是一个线性神经元层，将高维信息映射为每个故障状态的概率。
[0052]
6、softmax层将全连接层输出的故障状态概率中的最大值取出作为故障诊断结果。
[0053]
s4：将步骤s2处理过后的归一化后的振动加速度信号以及对应的训练标签输
入到步骤s3中的神经网络模型中进行训练；
[0054]
s5：采用与步骤s1中相同采样频率fs采集当前设备滚动轴承的振动数据得到待测振动加速度信号x
i,j
；
[0055]
s6：按照步骤s2对待测振动加速度信号x
i,j
进行归一化处理得到归一化后的测试数据将归一化后的测试数据输入到步骤s4所述的训练好的模型中，诊断出当前轴承的故障状态。
[0056]
基于上述方法，本实施例还提出了一种强噪声环境下的滚动轴承故障诊断系统，包括：
[0057]
信号采集模块，用于以采样频率fs采集无故障和不同故障类型以及不同故障程度的轴承在不同负载下的振动加速度信号x
i,j
；
[0058]
归一化处理处理模块，用于对采集的振动加速度信号x
i,j
进行归一化处理得到归一化后的振动加速度信号
[0059]
训练标签设置模块，用于并按照故障类型以及故障程度为归一化后的振动加速度信号设置深度学习的训练标签；
[0060]
神经网络训练模块，包括：随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器、全连接层和softmax层；归一化后的样本依次经过随机采样层、结合senet的cnn全局型特征提取器、基于cnn的高维特征提取器、基于gru的特征分类器和全连接层的处理，最后通过softmax层输出以得到结果标签；其中，所述随机采样层用于增加受到模拟噪声干扰的训练数据；结合senet的cnn全局型特征提取器用于提取全局型故障特征；基于cnn的高维特征提取器用于从提取的全局型故障特征中抽象出高维故障特征；基于gru的特征分类器用于对基于cnn的高维特征提取器提取的特征进行聚类。
[0061]
其中神经网络各层的设置和方法见上述步骤，此处不再赘述。
[0062]
为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行实验验证。本次实验验证采用凯斯西储大学(cwru)的轴承实验数据，使用电火花加工为电机轴承提供故障，在内滚道，滚动元件(即滚珠)和外滚道处分别引入直径0.007英寸至0.040英寸直径的故障，将故障轴承重新安装到测试电机中，并记录0至3马力(电机速度为1797至1720rpm)的电机负载的振动数据。图5是本实施例中滚动轴承试验台的外观图，包括一个1.5kw的电动机(图左侧)，一个扭矩传感器/译码器(图中间连接处)和一个功率测试计(图右侧)。
[0063]
本实例采用的是采集频率为12hz的数据，每2048个点为一个样本。为了使训练的样本更充分，本实例采用数据增强技术对训练数据进行扩充，使得深度学习可以学习到更多的故障特征，从而提高整体性能。本实例采用的数据增强方法是重叠采样的方法，不仅增多了训练的样本，还使得样本边缘的故障信息能够被更好的学习到。需要注意的是，数据集必须先划分为训练数据和测试数据，然后才能在训练数据中进行数据增强，否则训练数据和测试数据中会有部分重复的数据。为了验证所提出模型的抗噪声能力，在测试数据中加入加性高斯白噪声以模拟工业环境中的随机噪声。为了尽可能的模拟出真实的环境，本实例除了将-10～10db的高斯白噪声加入到数据集中，还将1～3hp不同负载下的数据相互混
合。最终的训练数据是未加噪声的多负载工况的数据，测试数据是带有-10～10db的高斯白噪声的多负载工况的数据。训练数据和测试数据的数量以及故障类型如表1所示。
[0064][0065]
表1
[0066]
本次实验选择adam作为训练的优化器，初始的学习率为0.005。为快速提高模型的训练精度而采用学习率阶梯下降策略：学习率每50个周期下降20％，共训练500个周期。annet的具体结构参数见表2。
[0067][0068][0069]
表2
[0070][0071]
表3
[0072]
本实例为证明所提出方法的优越性，将与现有的与本发明有一定类似的方法进行对比。这些方法是：基于cnn-gru的aannet(见文献jin g,zhu t,akram m w,et al.an adaptive anti-noise neural network for bearing fault diagnosis under noise and varying load conditions[j].ieee access,2020,8:74793-74807.)，基于adabn的wdcnn(见文献wei z,peng g,li c,et al.a new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals[j].sensors,2017,17(3):425.)以及基于通道注意力的cat-gru(见文献z.wang,h.wang,z.liu and j.liu,"rolling bearing fault diagnosis using cnn-based attention modules and gated recurrent unit,"2020global reliability and prognostics and health management(phm-shanghai),2020,pp.1-6)。实验独立运行10次，计算出10次实验结果的均值与方差。
[0073]
在强噪声与多负载混合环境下的实验结果如图6所示，本发明所提出的神经网络模型预测的准确度最高，同时可以发现对于微小的高斯白噪音干扰，大多数的方法都可以进行高准确度的预测，而随着高斯白噪音的增加，只有本发明提出的方法衰减的最慢，直到高斯白噪音在-6db的时候，它都有94.0％的准确率，且其十次独立测试方差为0.020，也说明其稳定性也非常好。
[0074]
为了直观的了解各网络层的处理效果，可通过t-sne降维技术将所提方法对轴承故障信号的各层处理结果进行映射。为快速处理，本实施例采用主成分分析法将高维特征维度从高维特征缩减到100维，然后采用t-sne算法将这100维的特征映射为二维平面上，以充分展示各网络层的特征处理效果。
[0075]
以被-4db的加性高斯白噪音处理过的测试数据作为该网络的输入，使用t-sne降维技术将神经网络的各层输出可视化，结果如图7(a-f)所示。图中有10类不同的数据点，其值与表1一一对应。从图中可以发现，原始信号在特征空间中是相互混杂在一起的，然后随着annet的各个网络层的处理，每一层输出特征开始同类相互靠拢，异类相互分离。这也就意味所提出的网络能够从原始信号中提取有用的特征，能够在高噪声和变负载条件下区分不同类型的轴承故障。
[0076]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。