基于递归图与多层卷积神经网络的电机轴承故障诊断方法与流程

[0001]
本发明涉及电机轴承故障诊断领域，更具体的说，是涉及一种基于递归图与多层卷积神经网络的电机轴承故障诊断方法。


背景技术：

[0002]
轴承是电机中一个关键部件，电机轴承如果发生故障，将造成设备损坏，停工停产，甚至威胁生命安全。由于电机内部结构复杂，在轴承发生故障时其故障特征与故障类型是一种非线性关系。此前用于电机故障诊断的方法大都是采集轴承振动信号，人工手动提取特征，需要具有丰富信号处理经验和大量先验规则作为支撑，诊断效率低，这就要求使用一种新的方法进行特征提取和故障诊断。
[0003]
大部分设备的振动信号是非平稳、非线性的，越来越多的非线性信息处理技术被用于故障诊断领域中，如功率谱图分析、多元时间序列分析、分形维数分析等，其中递归图分析算法能够从信号的时间序列中抽取系统运行中的动力学信息，能够在关键信号上直接描述出主流信息，适用于振动信号特征表达。
[0004]
在图像识别处理上，引入近年来迅速发展的基于多层卷积神经网络的人工智能方法对电机轴承进行故障诊断的方案。卷积神经网络是一种典型的监督型前馈神经网络，它的训练目标是通过交替和叠加卷积核以及池化操作来实现对抽象特征的学习。多层卷积神经网络在图像特征自动提取及图像分类识别中有非常好的分类效果。


技术实现要素：

[0005]
本发明的目的在于将递归图分析技术与多层卷积神经网络图像处理技术引入电机轴承故障诊断领域，为提高故障诊断正确率提出一种基于递归图与多层卷积神经网络的电机轴承故障诊断方法。本发明利用非线性理论中的递归图技术，结合图像处理技术和现代人工智能算法中多层卷积神经网络对电机轴承故障进行诊断识别，提高了故障诊断分类正确率。
[0006]
本发明的目的是通过以下技术方案实现的。
[0007]
本发明的基于递归图与多层卷积神经网络的电机轴承故障诊断方法，包括以下过程：
[0008]
(1)采集不同工况电机轴承一维振动信号；
[0009]
(2)采用非线性信息处理理论中的递归图算法将电机轴承一维振动信号转换为二维递归图；
[0010]
(3)通过图像处理技术，将全部递归图进行剪切、缩略预处理；
[0011]
(4)对预处理后的全部递归图标注故障分类标签，划分为训练集和测试集；
[0012]
(5)构建多层卷积神经网络模型
[0013]
根据故障特征向量维度，设计多层卷积神经网络的输入层、卷积层、池化层、全连接层和输出层；
[0014]
(6)输入训练集到构建好的多层卷积神经网络模型，进行迭代学习训练，优化多层卷积神经网络参数，直到训练的多层卷积神经网络模型收敛；
[0015]
(7)部署训练后的多层卷积神经网络模型，输入测试集，确定故障分类，评估诊断正确率，调整多层卷积神经网络模型的结构，优化参数直到最佳；
[0016]
(8)保存最佳多层卷积神经网络模型；
[0017]
(9)采集新工况条件下的电机轴承一维振动信号，按照步骤(2)、(3)处理后，输入到步骤(8)训练好的最佳多层卷积神经网络模型，对电机轴承的运行进行故障分类和识别。
[0018]
步骤(2)采用非线性信息处理理论中的递归图算法将电机轴承一维振动信号转换为二维递归图，具体过程：
[0019]
1)将不同状态的电机轴承一维振动时间序列信号x
i
，i＝1,2
…
n重构到二维空间中展示，重构算法如下：
[0020]
x
i
＝{x
i
,x
i+τ
,
…
x
i+(m-1)τ
},i＝1,2,
…
,n-(m-1)τ
ꢀꢀꢀ
(4)
[0021]
式中：x
i
为相点集合，二维相空间的点数为n，嵌入维数为m，时间延迟为τ；
[0022]
2)绘制递归图，由递归矩阵确定，其中各元素r
ij
(ε)由以下公式计算：
[0023]
r
ij
(ε)＝θ(ε-||x
i-x
j
||),i,j＝1,2,
…
,n
ꢀꢀꢀ
(5)
[0024]
式中，n为相点x
i
的个数，x
i
与x
j
为二维相空间任意两点，||x
i-x
j
||为二维相空间内任意两点间距离的范数，取l
2-范数，ε为距离阈值，θ(x)为heaviside函数：
[0025][0026]
将x
i
与x
j
代入公式(3)，得到n
×
n距离矩阵对应的0-1矩阵，由r
ij
取0或1的值，绘制出二维递归图。
[0027]
步骤(3)通过图像处理技术，将全部递归图进行剪切、缩略预处理，具体过程：
[0028]
1)将生成的二维递归图转换为二维灰度递归图；
[0029]
2)剪切二维灰度递归图图像；
[0030]
3)缩略剪切后的二维灰度递归图图像。
[0031]
步骤(4)中标注故障分类标签，划分为训练集和测试集，作为多层卷积神经网络的输入，包括：训练集为总样本60％，测试集为总样本40％。
[0032]
步骤(5)根据故障特征向量维度，设计多层卷积神经网络的输入层、卷积层、池化层、全连接层和输出层：
[0033]
1)输入层，统一归一化输入的图像；
[0034]
2)c1卷积层，输入32
×
32的图像，卷积核为5
×
5，卷积核种类为20个，步长为1；
[0035]
3)s2池化层，输入28
×
28的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2；
[0036]
4)c3卷积层，输入14
×
14的图像，卷积核为5
×
5，卷积核种类为40个，步长为1；
[0037]
5)s4池化层，输入10
×
10的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2；
[0038]
6)f5全连接层，采用softmax算法进行结果预测；
[0039]
7)输出层，输出预测结果。
[0040]
步骤(7)中评估诊断正确率，调整多层卷积神经网络模型的结构，优化参数：通过
评估诊断正确率的高低，更改步骤(5)中的多层卷积神经网络结构和参数，重新训练，继续提高模型诊断正确率。
[0041]
与现有技术相比，本发明的技术方案所带来的有益效果是：
[0042]
(1)本发明提出了将非线性信息处理理论中的递归图算法引入电机轴承故障诊断中，提供了一种新的解决思路。
[0043]
(2)本发明提出了将图像处理技术中灰度化、剪切、缩略等方法用于递归图的处理，有利于提高后续图像处理、识别速度。
[0044]
(3)本发明提出了将人工智能领域的多层卷积神经网络用于电机轴承振动信号转化的递归图中进行特征提取和故障识别的方法，提高了诊断正确率。
附图说明
[0045]
图1是电机轴承数据采集实验台；
[0046]
图2是本发明方法流程图；
[0047]
图3是电机轴承运行时正常与种故障状态下振动信号转化为递归图及后续图像处理过程。
具体实施方式
[0048]
下面结合附图对本发明作进一步的描述。
[0049]
本发明的基于递归图与多层卷积神经网络的电机轴承故障诊断方法，如图2所示，包括以下过程：
[0050]
(1)采集不同工况电机轴承一维振动信号。
[0051]
(2)采用非线性信息处理理论中的递归图算法将电机轴承一维振动信号转换为二维递归图。具体过程：
[0052]
1)将不同状态的电机轴承一维振动时间序列信号x
i
，i＝1,2
…
n重构到二维空间中展示，重构算法如下：
[0053]
x
i
＝{x
i
,x
i+τ
,
…
x
i+(m-1)τ
},i＝1,2,
…
,n-(m-1)τ
ꢀꢀꢀ
(7)
[0054]
式中：x
i
为相点集合，二维相空间的点数为n，嵌入维数为m，时间延迟为τ，由互信息法选取获得并统一设置。
[0055]
2)绘制递归图，由递归矩阵确定，其中各元素r
ij
(ε)由以下公式计算：
[0056]
r
ij
(ε)＝θ(ε-||x
i-x
j
||),i,j＝1,2,
…
,n
ꢀꢀꢀ
(8)
[0057]
式中，n为相点x
i
的个数，x
i
与x
j
为二维相空间任意两点，||x
i-x
j
||为二维相空间内任意两点间距离的范数，取l
2-范数，ε为距离阈值，θ(x)为heaviside函数：
[0058][0059]
将x
i
与x
j
代入公式(3)，得到n
×
n距离矩阵对应的0-1矩阵，由r
ij
取0或1的值，绘制出二维递归图。
[0060]
(3)通过图像处理技术，将全部递归图进行剪切、缩略等预处理。
[0061]
具体过程：
[0062]
1)将生成的二维递归图转换为二维灰度递归图；
[0063]
2)剪切二维灰度递归图图像，保留主要信息；
[0064]
3)缩略剪切后的二维灰度递归图图像，提高图像处理速度。
[0065]
(4)对预处理后的全部递归图标注故障分类标签，划分为训练集和测试集，作为多层卷积神经网络的输入，其中包括：训练集为总样本60％，测试集为总样本40％。
[0066]
(5)构建多层卷积神经网络模型
[0067]
根据故障特征向量维度，设计多层卷积神经网络的输入层、卷积层、池化层、全连接层和输出层。
[0068]
1)输入层，统一归一化输入的图像；
[0069]
2)c1卷积层，输入32
×
32的图像，卷积核为5
×
5，卷积核种类为20个，步长为1；
[0070]
3)s2池化层，输入28
×
28的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2；
[0071]
4)c3卷积层，输入14
×
14的图像，卷积核为5
×
5，卷积核种类为40个，步长为1；
[0072]
5)s4池化层，输入10
×
10的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2；
[0073]
6)f5全连接层，采用softmax算法进行结果预测；
[0074]
7)输出层，输出预测结果。
[0075]
(6)输入训练集到构建好的多层卷积神经网络模型，进行迭代学习训练，优化多层卷积神经网络参数，直到训练的多层卷积神经网络模型收敛。
[0076]
(7)部署训练后的多层卷积神经网络模型，将测试集输入训练好的多层卷积神经网络模型中进行特征提取，确定故障分类，通过评估诊断正确率的高低，更改步骤(5)中的多层卷积神经网络结构和参数，重新训练，继续提高模型诊断正确率，优化参数直到最佳。
[0077]
(8)保存最佳多层卷积神经网络模型。
[0078]
(9)采集新工况条件下的电机轴承一维振动信号，按照步骤(2)、(3)处理后，输入到步骤(8)训练好的最佳多层卷积神经网络模型，对电机轴承的运行进行故障分类和识别。
[0079]
具体实施例：
[0080]
本实施案例包括正常、内外圈故障、滚动体故障等5种轴承运行状态，利用凯斯西储大学电机轴承实验台数据集进行验证，实验台如图1所示。选取电机转速为1750rpm，采样频率12khz，驱动端轴承的振动信号数据，数据组成如表1。
[0081]
表1实验数据
[0082][0083]
如图2所示，本发明的实施步骤如下：
[0084]
(1)5种电机轴承运行状态振动信号采集，采集到的一维信号波形如图3中所示。
[0085]
(2)采用非线性信息处理理论中的递归图算法将电机轴承一维振动信号转换为二维递归图。
[0086]
(a)将不同状态的电机轴承一维振动时间序列信号x
i
，i＝1,2
…
n重构到二维空间中展示，重构算法如公式(1)。
[0087]
(b)绘制递归图，由递归矩阵确定，其中各元素由公式(2)和(3)确定。
[0088]
(3)图像处理，主要包括：
[0089]
(a)将生成的二维递归图转换为二维灰度递归图；
[0090]
(b)将二维灰度递归图剪切为像素320
×
320的图像；
[0091]
(c)将剪切后的320
×
320的灰度递归图缩略为32
×
32。
[0092]
处理过程如图3中所示。
[0093]
(4)对预处理后的全部递归图标注故障分类标签，划分为训练集和测试集，作为多层卷积神经网络的输入，其中包括：训练集为总样本60％，测试集为总样本40％。
[0094]
(5)构建并训练多层卷积神经模型
[0095]
(a)输入层，统一归一化输入的图像；
[0096]
(b)c1卷积层，输入32
×
32的图像，卷积核为5
×
5，卷积核种类为20个，步长为1。
[0097]
(c)s2池化层，输入28
×
28的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2。
[0098]
(d)c3卷积层，输入14
×
14的图像，卷积核为5
×
5，卷积核种类为40个，步长为1。
[0099]
(e)s4池化层，输入10
×
10的图像，池化窗口为2
×
2，池化方式为最大池化，步长为2。
[0100]
(f)f5全连接层，采用softmax算法进行结果预测。
[0101]
(g)输出层，输出预测结果。
[0102]
(6)输入训练集到构建好的多层卷积神经网络模型，进行迭代学习训练，优化多层卷积神经网络参数，直到训练的多层卷积神经网络模型收敛。
[0103]
(7)部署训练后的多层卷积神经网络模型，将测试集输入训练好的多层卷积神经网络模型中进行特征提取，确定故障分类，通过评估诊断正确率的高低，更改步骤(5)中的多层卷积神经网络结构和参数，重新训练，继续提高模型诊断正确率，优化参数直到最佳。
[0104]
(8)保存最佳多层卷积神经网络模型。
[0105]
(9)采集新工况条件下的电机轴承一维振动信号，按照步骤(2)、(3)处理后，输入到步骤(8)训练好的最佳多层卷积神经网络模型，对电机轴承的运行进行故障分类和识别。
[0106]
表2是本发明对5种电机轴承运行状态进行多次实验的诊断识别正确率平均值，由此可以看出本发明对电机轴承故障的诊断正确率较高。
[0107]
表2
[0108][0109]
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领
域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。