[發明專利]一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法

在審

• 申請號: 201910433022.X
• 申請日: 2019-05-23
• 公開（公告）號: CN110031227A
• 公開（公告）日: 2019-07-19
• 發明（設計）人: 古天龍;孫鎮海;賓辰忠;朱恩新
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 石燕妮

本發明公開了一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，包括采集不同電機負載下不同狀態的滾動軸承振動加速度的時序信號，得到振動加速度數據；對采集的振動加速度數據進行數據增強處理；對數據增強處理后的振動加速度數據按照滾動軸承狀態類型貼上相應標簽；構建卷積神經網絡診斷模型，并用處理后的振動加速度數據對診斷模型進行訓練；其中，所述診斷模型具有雙通道卷積神經網絡，所述雙通道卷積神經網絡包括兩個用于分別抽取不同跨度的振動加速度數據的特征的卷積核；評估訓練后的診斷模型，并將其應用于監測待診斷的滾動軸承。本發明的方法在不增加原始數據的情況下獲得了更為細膩的信息，增加了診斷模型的精度與魯棒性。

技術領域

本發明涉及滾動軸承監測診斷技術領域，尤其涉及一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法。

背景技術

現代工業中，機器監測具有無可替代的意義。為了確保機器的正常運轉，減少由于機器故障帶來的經濟損失，人們追求更好的機械故障監測方法的腳步從未停歇。滾動軸承是旋轉機構的核心部件，其健康與否，對整體機構運轉有著很大的影響。近年來，智能故障診斷技術取代了費力且不牢靠的人工分析，提高了故障診斷的效率。深度學習模型借助其具有更好的逼近復雜函數的能力，大大提高了軸承故障診斷的準確性。

一般軸承故障診斷流程有信息采集、特征抽取、狀態識別、分析診斷、決策分類等若干環節。一般在滾動軸承診斷方法中振動法使用最為廣泛。而特征抽取是決定這診斷技術中重中之重。目前在振動信號應用方面主流方法如下：1，時序信號提取頻譜特征，放入深度學習模型；2，時序信號的頻譜圖或者將一維信號重排成二維，二維卷積；3，時序信號直接輸入到深度學習模型(一維卷積等)。

迄今為止，利用深度學習算法進行軸承診斷幾乎能達到98％以上的精度，因此，下一步工作的重心應該多考慮實際工況中算法的適應能力。目前已公布的發明專利“一種多通道深度卷積神經網絡的風電機組軸承故障診斷方法”，公開號為CN107560849A，通過獲取測試軸承驅動端和非驅動端的高頻振動加速度信號；該方法試圖使用兩種不同的工作環境來擴展算法的適應能力，但是單單通過增加數據的多樣性并沒有對算法的應用性有所提升。

發明內容

有鑒于此，本發明的目的是提供一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，利用數據增強技術與雙通道特征抽取方法，不僅實現的診斷的過程，也大大擴展的算法的適應環境與遷移能力。

本發明通過以下技術手段解決上述技術問題：

一種基于雙通道卷積神經網絡的滾動軸承狀態診斷方法，包括：

使用振動加速傳感器采集不同電機負載下不同狀態的滾動軸承振動加速度的時序信號，得到振動加速度數據；

對采集的振動加速度數據進行數據增強處理；

對數據增強處理后的振動加速度數據按照滾動軸承狀態類型貼上相應標簽；

構建卷積神經網絡診斷模型，并用處理后的振動加速度數據對診斷模型進行訓練；其中，所述診斷模型具有雙通道卷積神經網絡，所述雙通道卷積神經網絡包括兩個用于分別抽取不同跨度的振動加速度數據的特征的卷積核；

評估訓練后的診斷模型，并將其應用于監測待診斷的滾動軸承。

進一步，所述滾動軸承的狀態分為正常狀態、內圈故障、外圈故障和滾動體故障。

進一步，將電機零負載情況下的振動加速度數據作為訓練集，將電機不同負載情況下的振動加速度數據作為測試集，通過訓練集和測試集對卷積神經網絡診斷模型進行訓練和測試。

進一步，依據診斷模型的診斷訓練結果的準確率、精準率、召回率和F1-Measure，對訓練后的診斷模型進行評估，以判斷是否出現過擬合狀態和需要調整診斷模型結構和訓練樣本數量。