一种基于变学习率多层感知机的轴承故障检测方法

1.本发明涉及故障检测技术领域，具体涉及一种基于变学习率多层感知机的轴承故障检测方法。


背景技术：

2.现代工业的发展促使设备自动化程度大幅度提高。智能制造产业升级需要不断加强机械设备的可靠性和效率。高效的健康监测系统被广泛应用在以滚动轴承为典型的旋转机械设备上。轴承状态监测在工业中愈发重要，因为轴承可靠性的提高可以大幅减少机器故障，避免造成重大生产损失和安全事故。
3.滚动轴承不但在生产中应用广泛，滚动轴承也是机械设备中的易损件，根据统计数据，旋转机械中故障大概有30%是滚动轴承失效产生；使用故障诊断技术后，机械设备发生故障的几率能够极大的降低，维修费用比之前少25%-50%；由于滚动轴承的寿命较长，根据国家标准，作为标准件有90%的可靠度阈值，就算是一样的材料在同一台机器上采用相同的工艺生产出同一批次轴承，它的寿命也都不一样；通常在现实当中依据设计的疲劳寿命进行定期检查修理，就有极大的几率损坏设备，出现经济损失；目前在企业实践中，如果是不重要场合的滚动轴承，主要还是依靠工程技术人员的经验通过触觉，听觉判断轴承的运行过程是否出现故障；在比较重要的场合，需要定期拆装检查轴承的运行情况，但是不能做到及时有效的预估故障状态；同时目前轴承故障缺陷的检测算法主要集中在传统的利用时域信号作为信号输入特征，再利用机器学习或者深度学习方法进行分类，准确率较高但是还没有达到符合核心零部件工业检测应用的情况；因此，亟需设计一种诊断速度快、诊断效率高的滚动轴承故障检测方法来解决现有技术存在的问题。


技术实现要素：

4.针对上述存在的问题，本发明旨在提供一种基于变学习率多层感知机的轴承故障检测方法，本方法通过利用基于变学习率多层感知机交叉提取轴承信号故障，使损失函数值可以迅速降低完成故障诊断，提取特征速度快，不需要对数据进行任何预处理，而且诊断精度高，具有提取特征快、精确度高和鲁棒性好的特点。
5.为了实现上述目的，本发明所采用的技术方案如下：一种基于变学习率多层感知机的轴承故障检测方法，包括步骤step1.利用传感器采集和提取轴承的振动信号；step2.将传感器采集的轴承振动信号输入变学习率多层感知机中，在全连接层网络对振动信号进行特征迭代；step3.迭代完成后，利用反向传播过程自动优化网络结构的权重系数，其中自动优化的学习率是根据迭代次数变化的，并将经迭代后的时域信号进入支持向量机分类器，得到诊断模型；
step4.将测试数据输入到步骤step3得到的诊断模型中进行诊断，得到诊断结果，完成对轴承故障的检测。
6.优选的，步骤step1所述的轴承的振动信号包括轴承在正常状态下和内圈故障、外圈故障、滚动体故障四种条件下的振动信号的样本数据。
7.优选的，步骤step2所述的变学习率多层感知机对振动信号进行迭代的具体过程包括step201.将步骤step1提取到的振动信号输入全连接层1内；step202.将步骤step201提取到的特征数据输入relu层1内；step203.将经步骤step202处理后的特征数据输入丢弃层1内；step204.将步骤step203提取到的特征数据输入全连接层2内；step205.将步骤step204得到的特征数据输入relu层2内；step206.将步骤step205得到的特征数据输入丢弃层2内；step207.将步骤step206得到的特征数据输入全连接层3内；step208.将步骤step207得到的特征数据输入relu层3内；step209.将步骤step208得到的特征数据输入丢弃层3内；step210.将步骤step209得到的特征数据输入全连接层4内；step211.将步骤step210得到的特征数据输入relu层4内；优选的，在步骤step201中，所述全连接层1内有1024个输入通道，256个输出通道；优选的，在步骤step203中，所述丢弃层1的丢弃率为0.3；优选的，在步骤step204中，所述全连接层2内有256个输入通道，128个输出通道；优选的，在步骤step206中，所述丢弃层2的丢弃率为0.3；优选的，在步骤step207中，所述全连接层3内有128个输入通道，32个输出通道；优选的，在步骤step209中，所述丢弃层3的丢弃率为0.3；优选的，在步骤step210中，所述全连接层4内有32个输入通道，10个输出通道；优选的，步骤step3所述的反向传播过程的具体过程包括step301.利用反向传播算法将步骤step2的各个神经网络参数进行不断优化，其中自动优化的学习率是随着训练批次的变化而变化的，前10%训练批次设置学习率等于0.01,10%-30%训练批次设置学习率等于0.001,30%-50%设置学习率等于0.0001，50%-60%设置学习率等于0.00001，60%-80%设置学习率等于0.000001，80%-100%设置学习率等于0.0000001；step302.将步骤step301得到的数据输入到支持向量机分类器内自适应的选择最优特征并进行故障诊断模型的训练，得到诊断模型。
8.本发明的有益效果是：一种基于变学习率多层感知机的轴承故障检测方法，与现有技术相比，本发明的改进之处在于：本发明设计了一种基于变学习率多层感知机的轴承故障检测方法，本方法在使用时，通过利用多层感知机对振动信号进行反复的特征迭代，利用反向传播过程自动优化网络结构的权重系数，其中自动优化的学习率是变化的，利用支持向量机分类器进行分类，从而完成对于滚动轴承的故障检测，通过实验验证，本方法的准确率达到99.92%以上，具有提取特征速度快、分类精度高和鲁棒性好的优点。
附图说明
9.图1为本发明基于变学习率多层感知机的滚动轴承故障检测方法的检测流程图。
10.图2为本发明实施例2的训练准确度变化曲线图。
11.图3为本发明实施例2的训练损失变化曲线图。
具体实施方式
[0012] 为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0013]
实施例1：参照附图1所示的一种基于变学习率多层感知机的轴承故障检测方法，包括步骤step1.利用传感器采集和提取轴承的振动信号使用加速度传感器测量实验轴承在正常状态下和内圈故障、外圈故障、滚动体故障四种条件下的振动信号，得到包含正常状态和故障状态的振动信号的样本点数据；step2.将传感器采集的轴承振动信号输入变学习率多层感知机中，在全连接层网络对振动信号进行特征迭代；step201.将步骤step1提取到的振动信号输入全连接层1内进行特征提取；其中：所述全连接层1内有1024个输入通道，256个输出通道；step202. 将步骤step201提取到的特征数据输入relu层1内，将小于零的信号变为零，去除数据中的冗余信息；step203. 将经步骤step202处理后的特征数据输入丢弃层1内；其中：所述丢弃层1的丢弃率为0.3；step204.将步骤step203提取到的振动信号输入全连接层2内进行特征提取；其中：所述全连接层2内有256个输入通道，128个输出通道；step205. 将步骤step204提取到的特征数据输入relu层2内，将小于零的信号变为零，去除数据中的冗余信息；step206. 将经步骤step205处理后的特征数据输入丢弃层2内；其中：所述丢弃层2的丢弃率为0.3；step207.将步骤step206提取到的振动信号输入全连接层3内进行特征提取；其中：所述全连接层3内有128个输入通道，32个输出通道；step208. 将步骤step207提取到的特征数据输入relu层3内，将小于零的信号变为零，去除数据中的冗余信息；step209. 将经步骤step208处理后的特征数据输入丢弃层3内；其中：所述丢弃层3的丢弃率为0.3；step210.将步骤step209提取到的振动信号输入全连接层4内进行特征提取；其中：所述全连接层4内有32个输入通道，10个输出通道；step211. 将步骤step210提取到的特征数据输入relu层4内，将小于零的信号变为零，去除数据中的冗余信息； step3. 利用反向传播过程自动优化多层感知机的权重系数，其中自动优化的学习率是根据迭代次数变化的，并将经迭代后的时域信号进入支持向量机分类器，得到诊断
模型；step301.利用反向传播算法将步骤step2的各个神经网络参数进行不断优化，其中自动优化的学习率是随着训练批次的变化而变化的，前10%训练批次设置学习率lr等于0.01,10%-30%训练批次设置学习率lr等于0.001,30%-50%设置学习率等于0.0001，50%-60%设置学习率等于0.00001，60%-80%设置学习率等于0.000001，80%-100%设置学习率等于0.0000001；step302.将步骤step301得到的数据输入到支持向量机分类器内自适应的选择最优特征并进行故障诊断模型的训练，得到诊断模型；step4：将测试数据输入到步骤step302得到的诊断模型中进行诊断，得到诊断结果，完成对轴承故障的检测。
[0014]
实施例2：如图2-3所示，为了证明本方法的有效性，使用美国振动数据来源于美国凯斯西储大学的开放数据集：（1）该实验以电机驱动端和风扇端的轴承作为诊断对象，分别在测试轴承的内圈、滚动体以及外圈上采用电火花的加工方式引入单点损伤来模拟轴承的三种故障，其故障损伤尺度分别为0.007inch、0.014inch和0.021inch，然后在相似的工作状态下（负荷相等，转速接近），由电机驱动端上侧的加速度传感器采集得到的故障信号，采样频率为12khz。根据轴承故障的位置和尺寸将轴承的类别分为十种，以1024个数据点为一个样本，其中每个类别选择1600个样本（驱动端选择800个，风扇端选择800个），共16000个实验样本；（2）使用滚动轴承中的滚动体故障的实验数据对本发明方法的有效性进行验证：步骤一：选取一个滚动体发生故障的滚动轴承，使其在相同的工作转速下，使用加速度传感器检测滚动轴承上滚动体的振动信号；步骤二：将传感器采集的振动信号输入残差神经网络，在不同卷积层之间反复利用残差网络对振动信号进行特征迭代；步骤三：利用反向传播过程自动优化多层感知机的权重系数，其中自动优化的学习率是根据迭代次数变化的，并将经迭代后的时域信号进入支持向量机分类器，其训练准确度变化和训练损失变化曲线如图2和图3所示，得到最终诊断模型；步骤四：将测试数据输入到步骤三得到的诊断模型中进行诊断，得到诊断结果，完成对轴承故障的检测。
[0015]
实施例3：下面使用故障轴承对不同的滚动轴承的故障检测方法进行对比试验，进一步对本发明所述的检测方法进行验证：步骤一：选取一组滚动轴承数据，所述轴承的故障情况如表1所示：表1：滚动轴承的故障信息
步骤二：分别用时频特征+sv、ed+sv、小波+sv、cnn-sv和本发明所述的基于变学习率多层感知机等诊断方法对步骤一所述的故障轴承进行检测，将检测到的结果与上述表1的数据进行对比，得到各个检测方法的耗时和准确率的对比结果如表2所示：表2：不同方法的准确率对比从表2的结果可以看出，在同等条件下，本发明所述的基于变学习率多层感知机的诊断方法具有99.92%的准确率，相比其他检测方法，本发明具有检测精度高的优点；同时，我们通过所使用设备栏可以看出，本发明并没有用到gpu，相比其他4种检测方法，实施起来使用设备更少，其实施过程更加简单，因此可以看出，本发明所述的基于变学习率多层感知机的诊断方法相比其他4种现有的检测方法具有突出的优点。
[0016]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。