本发明涉及故障诊断,具体为一种基于新型多尺度竞争网络的轴承故障诊断方法及系统。
背景技术:
1、旋转机械在实际工程中有着广泛的应用,越来越趋于集成化和智能化。旋转机械在工业系统中发挥着不可替代的作用,其健康监测和故障诊断对于工业信息化的发展至关重要,滚动轴承作为旋转机械系统的关键部件,经常在大载荷、高速旋转等恶劣环境下工作,如果发生损害,可能导致巨大的经济损失和重大事故。
2、现有技术中轴承故障诊断,深度学习方法在数据驱动故障诊断领域得到了广泛的关注,它可以自动提取更深层次的特征,目前深度学习都是采用单尺度特征学习方案,因此难以提取振动信号的多尺度特征,resnet只进行单一的前向传播,并没有使用各个层级之间的信息,使得该网络各个层级之间的联系孱弱,并且在下采样的过程中可能丢失掉很多重要信息,使得故障诊断的精度下降,并且深层网络对信号提取深层信息后都需要通过全连接层对故障进行分类,全连接层中各个神经元的更新都是同等进行的,这使得故障类型相似的信号或者多重故障的信号难以分辨,并且所有神经元共同地学习所有故障信息会使导致神经元学习效率低效。
3、因此,迫切需要研究一种准确、高效的滚动轴承故障诊断方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了一种基于新型多尺度竞争网络的轴承故障诊断方法及系统,解决了上述背景技术中提出的问题。
3、(二)技术方案
4、为实现以上目的,本发明通过以下技术方案予以实现:一种基于新型多尺度竞争网络的轴承故障诊断方法,包括:
5、获取工业现场机械设备振动信号数据;
6、对振动信号数据进行预处理,将其划分为训练集、测试集和验证集;
7、将预处理后的信号输入深度学习网络进行检测;
8、将新型多尺度残差网络提取的深层特征作为输入,通过多获胜良心自组织映射网络msomc前一层所提取的深层特征进行竞争,将竞争获胜的神经元权重进行更新;
9、将竞争获胜的神经元作为输入,支持向量机svm接收输入信号进行训练后输出该信号表达的信息,正常信号和各种故障信号,得到信号的具体故障类型。
10、优选地,所述对振动信号数据进行预处理,将其划分为训练集、测试集和验证集,包括:采用固定大小的滑动窗口获取无重叠的振动信号样本,每个样本包含1024个数据点,批量大小为128;
11、采用z-score归一化方法对原始振动信号进行处理,
12、
13、其中xi是输入样本,mean(xi)是xi的均值,而std(xi)是xi的标准差;
14、将样本划随机分为训练集、测试集和验证集,其中训练集占比70%用于训练模型,测试集占比10%用于测试算法的分类性能,验证集20%用于模型选择;
15、训练集样本和测试集样本之间不重叠。
16、优选地,所述将新型多尺度残差网络提取的深层特征作为输入,通过多获胜良心自组织映射网络msomc前一层所提取的深层特征进行竞争,包括:
17、结合多尺度残差网络mcrn模型提取深层空间特征,并消除不必要特征;
18、将多尺度resnet的输出输入到多竞争良心msomc层中产生竞争,以达到对神经元进行专项训练。
19、优选地,所述将竞争获胜的神经元权重进行更新,包括:在训练过程中,多竞争良心msomc根据所选的距离度量,搜索与输入向量最相似的多个节点作为竞争获胜单元,然后,使用多竞争良心msomc算法学习规则更新获胜节点的权值,使它们按照更靠近输入向量进行更新。
20、优选地,所述多竞争良心msomc的学习过程,包括:
21、一维振动信号在msomc网络中的训练过程,将所有振动信号描述为x,其中xi∈rd,
22、设wj为第j个神经元的权值向量,wj∈rd,j=1,...,t.
23、随机初始化所有的权值,迭代次数为t,t=1,…,epoch总迭代次数;
24、msomc学习过程执行以下步骤:
25、步骤1:在训练集中随机选择一个向量xi;
26、步骤2:计算x与每个神经元权重wj,之间的l2范数距离,以确定满足的获胜神经元j*
27、
28、win函数代表输入向量x与权重wj距离最近的多个神经元,获胜概率为常数0.5;
29、步骤3:每次更新时,使用l2范数对权向量进行归一化,以稳定竞争学习,公式如下:
30、
31、wi′=wi/norm(wi) (3)
32、步骤4:调整获胜神经元j*的所有权值;
33、wj(t+1)=wj(t)+η(t)α(t,j*)(x-wj(t)) (4)
34、η(t)是在epoch在t时刻计算的学习率,
35、η(t)=e-i/(t+2) (5)
36、其中,i为将获胜神经元分割成h个小块i∈(1,h),t为当前训练次数,t∈(0,epoch),epoch为总迭代次数;
37、并对获胜神经元权重进行更新,更新学习率按照获胜神经元l2范数距离由小到大递减;
38、α(t,j*)为邻域函数,获胜神经元中进行更新的神经元数量随着迭代次数地增加而减小,我们使用如下邻域函数减少更新神经元的数量:
39、
40、其中,t为当前迭代次数,num为初始获胜神经元的数量,更新邻域随着迭代的进行而单调地减小。
41、优选地,所述多竞争良心msomc的学习过程,还包括:引入良心因子用于赢家处理,调整单位之间的胜率平衡;
42、加入了良心机制,距离计算公式修改为:
43、
44、按照多获胜单元的数量选择失真测度最小的获胜神经元,m为目标层神经元个数,bj初始为1/m;
45、参数c(t)和bj更新规律为:
46、bj=bj+d(1-bj) (8)
47、c(t)=c(0)(1-t/t) (9)
48、其中d和c(0)为常数,分别为0.0001和5,总学习次数为t,当前迭代次数为t。
49、优选地,所述新型多尺度残差网络提取的深层特征,包括:
50、不同通道数和尺寸的故障信息先通过1×1卷积将通道数统一;
51、经过avgpool扩大感受域的同时将信号长度统一;
52、通道数和尺寸相同的信息则通过不同核大小的avgpool扩大感受域;
53、最后将不同扩展率和不同尺度的信号连接起来,通过1×1卷积恢复通道数,完成多尺度信息之间的融合。
54、优选地,所述将竞争获胜的神经元作为输入,支持向量机svm接收输入信号进行训练后输出该信号表达的信息,包括:
55、训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类,这样k个类别的样本就构造出了k个svm分类器,分类时将未知样本分类为具有最大分类函数值的那类。
56、本发明还提供一种基于新型多尺度竞争网络的轴承故障诊断系统,包括:
57、振动信号数据获取模块:用于获取工业现场机械设备振动信号数据;
58、预处理模块:用于对振动信号数据进行预处理,将其划分为训练集、测试集和验证集;将预处理后的信号输入深度学习网络进行检测;
59、多尺度竞争模块:用于将新型多尺度残差网络提取的深层特征作为输入,通过多获胜良心自组织映射网络msomc前一层所提取的深层特征进行竞争,将竞争获胜的神经元权重进行更新;
60、故障类型输出模块:将竞争获胜的神经元作为输入,支持向量机svm接收输入信号进行训练后输出该信号表达的信息,正常信号和各种故障信号,得到信号的具体故障类型。
61、本发明还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行如前任一所述的方法。
62、(三)有益效果
63、本发明提供了一种基于新型多尺度竞争网络的轴承故障诊断方法及系统。具备以下有益效果:
64、本发明通过结合resnet、msomc和svm网络开发了一种新的故障诊断方法,先将数据进行预处理,将数据输入msrn网络提取深层特征(连接上下文信息),随后将所提取的深层特征输入到msomc模块进行竞争(寻找相似信息,神经元专项学习),获胜的神经元更新其参数,最后通过svm对故障进行分类(有更好的泛化性能),在resnet-msomc方法中,将resnet提取的深层信息通过msomc竞争层进行竞争学习,本方法使网络更加关注特定的信息而不是关注所有信息,可以使网络更加专注地学习,提升学习效率。