[發明專利]基于卷積神經網絡的滾動軸承智能診斷模型的建立方法

有效

• 申請號: 201810339956.2
• 申請日: 2018-04-16
• 公開（公告）號: CN108444708B
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 張小麗;楊吉;林綿浩;申彥斌;趙俊鋒;閆強
• 申請（專利權）人: 長安大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

本發明涉及一種基于卷積神經網絡的滾動軸承智能診斷模型的建立方法的設計方法，首先，將一維的振動信號映射成二維圖像信息，將二維圖像數據用于訓練網絡模型；其次，對應用過程中卷積神經網絡的結構參數進行分析，選擇較優的網絡參數，得到對機械故障分類能力較強的卷積神經網絡結構；實現了對不同負載不同轉速復雜工況下的機械故障的準確識別與分類；卷積神經網絡模型通過建立多層網絡大大提高了神經網絡的特征提取能力，克服了以往需要人工對大量信號處理技術的掌握以及對診斷經驗的依賴，能夠直接在原始的時域信號中通過學習的方式獲取故障特征，從而做出診斷，實現在每小時TB級數據量的情況下故障特征的自適應提取與健康狀況的智能診斷。

技術領域

本發明屬于大型旋轉機械設備的智能診斷領域，具體涉及一種基于卷積神經網絡的滾動軸承智能診斷模型的建立方法。

背景技術

在機械領域，例如汽車齒輪箱、大型風電裝備、航空發動機等諸多大型裝備都在往高效、高精度、高速的方向發展。為了保證這些裝備能夠穩定安全地運行，往往都配有相應的故障檢測系統。由于設備檢測點較多、檢測的時間長、檢測點的采樣頻率高，檢測系統獲得了大量的設備數據，機械故障的診斷領域也逐漸走向大數據時代。例如山西某鋼鐵廠的一條熱連軋鋼板生產線每分鐘產生的監測數據量就有10GB左右，在一條生產線上安裝了各式各樣的傳感器達到500個左右。例如，某大型裝備生產廠家的一套健康監測設備能夠實時地監測上百臺大型挖掘機和其他大型機械設備的運行狀態和關鍵設備的運行數據，監測點有上萬個，目前監測的數據量已經達到了900億條左右。還有上汽汽車廠的所有汽車加工設備都配備有相應的健康檢測裝置，能夠實時反映機械運行狀態和健康狀況，每小時產生的數量都達到了TB級別，總而言之當前機械領域的監測數據有如下特點：①快速性，檔期機械設備越來越復雜，精密程度越來越高，牽一發而動全身，各個部分的聯系愈加緊密，某一部分的微小故障可能就會引起整個設備的性能下降，因此快速地通過分析檢測數據發現故障就顯得尤為重要。②多樣性，現如今機械的健康檢測設備實時檢測設備健康狀態，數據十分復雜，包含了各種各樣復雜的數據，因此人工分析十分困難。③容量大，數據量達到了TB級以上，人工分析則費時費力且力不從心。以信號處理技術為手段的現代設備診斷技術，對多故障同時發生和各種故障之間可能存在的相互聯系及影響難以分析清楚。

發明內容

為了解決了現有技術中存在的問題，本發明公開了一種基于卷積神經網絡的滾動軸承智能診斷模型的建立方法，克服了以往需要人工對大量信號處理技術的掌握以及對診斷經驗的依賴，能夠直接在原始的時域信號中通過學習的方式獲取故障特征，從而做出診斷，實現在每小時TB級數據量的情況下故障特征的自適應提取與健康狀況的智能診斷。

為了實現上述目的，本發明采用的技術方案是，基于卷積神經網絡的滾動軸承智能診斷模

型的建立方法，包括以下步驟：

步驟1，先采集研究對象的振動數據，再對數據進行預處理；

步驟2，根據步驟1所采集的數據設計卷積神經網絡結構，生成訓練集和測試集，并且將訓練集數據用來訓練網絡模型；

步驟3，使用測試集驗證步驟2建立模型的準確度，并獲得診斷模型的準確率；

步驟4，根據步驟3測試集驗證所得的準確率與目標要求的準確率進行比較，然后調整網絡模型的結構參數，從而獲得滿足要求的網絡模型。

步驟1中，先對所有采集到的振動數據進行歸一化處理，使其數值在0到1之間；具體的歸一化計算方法如下：

再將歸一化后的一維數據數據處理成二維圖像信息。

步驟1中，將每一列的振動數據按順序排列，形成二維灰度圖片，并對每張圖片進行編號。

步驟2中，對需要診斷和預警的故障進行分類，建立與故障類型數目對應的子文件夾，每一種故障類型放到所對應的子文件夾中。