[發(fā)明專(zhuān)利]基于卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201911255152.5
• 申請(qǐng)日: 2019-12-10
• 公開(kāi)（公告）號(hào): CN111060316A
• 公開(kāi)（公告）日: 2020-04-24
• 發(fā)明（設(shè)計(jì)）人: 張憲民;趙博
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華南理工大學(xué)
• 主分類(lèi)號(hào): G01M13/045
• 分類(lèi)號(hào): G01M13/045;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權(quán)專(zhuān)利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 黃國(guó)亮

本發(fā)明公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)方法和系統(tǒng)，所述方法包括以下步驟：獲取滾動(dòng)軸承的訓(xùn)練樣本集和測(cè)試樣本集；構(gòu)建第一一維卷積神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述訓(xùn)練樣本集，基于BP算法，對(duì)第一一維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得第二一維卷積神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述第二一維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)滾動(dòng)軸承進(jìn)行狀態(tài)監(jiān)測(cè)；所述訓(xùn)練樣本集包括訓(xùn)練樣本和期望的狀態(tài)性能標(biāo)簽。本發(fā)明的整體拓?fù)浣Y(jié)構(gòu)基于單一的一維卷積神經(jīng)網(wǎng)絡(luò)模型，該模型具有相對(duì)較低的模型復(fù)雜度，整體結(jié)構(gòu)更加的簡(jiǎn)潔，訓(xùn)練耗時(shí)更短。本發(fā)明作為可廣泛應(yīng)用于滾動(dòng)軸承監(jiān)測(cè)診斷技術(shù)領(lǐng)域中。

技術(shù)領(lǐng)域

本發(fā)明涉及滾動(dòng)軸承監(jiān)測(cè)診斷技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)方法和系統(tǒng)。

背景技術(shù)

作為現(xiàn)代機(jī)械裝備的主要類(lèi)型，旋轉(zhuǎn)機(jī)械裝備因其獨(dú)特的優(yōu)勢(shì)在工業(yè)設(shè)備中占據(jù)重要地位，而滾動(dòng)軸承作為保障旋轉(zhuǎn)機(jī)械裝備完成規(guī)定功能的重要零部件之一，其性能狀態(tài)的優(yōu)劣直接影響著旋轉(zhuǎn)機(jī)械裝備的穩(wěn)定性和可靠性。然而，在實(shí)際運(yùn)行工況下，滾動(dòng)軸承往往因多種因素的影響而呈現(xiàn)出性能衰退及服役周期過(guò)短的不足，常見(jiàn)的影響因素包括運(yùn)行條件、振動(dòng)和溫度等。隨著滾動(dòng)軸承性能的逐步衰退，進(jìn)而導(dǎo)致旋轉(zhuǎn)機(jī)械裝備針對(duì)相關(guān)任務(wù)的勝任力也逐步喪失。因此，針對(duì)滾動(dòng)軸承在服役過(guò)程中的狀態(tài)監(jiān)測(cè)極為必要，其進(jìn)一步地為滾動(dòng)軸承的維修與保養(yǎng)工作提供必要的決策依據(jù)。

滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)主要是通過(guò)對(duì)滾動(dòng)軸承運(yùn)行時(shí)產(chǎn)生的一些動(dòng)態(tài)信號(hào)進(jìn)行分析處理，如溫度、振動(dòng)和壓力等，進(jìn)而獲得表征滾動(dòng)軸承性能的特征，從而實(shí)現(xiàn)性能狀態(tài)的監(jiān)測(cè)。一般的，滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)可以分為傳統(tǒng)狀態(tài)監(jiān)測(cè)和智能狀態(tài)監(jiān)測(cè)兩大類(lèi)。針對(duì)傳統(tǒng)的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)，其主要依賴(lài)物理模型和信號(hào)處理等方式建立狀態(tài)監(jiān)測(cè)模型。但是，在實(shí)際工程運(yùn)用中產(chǎn)生的動(dòng)態(tài)信號(hào)往往呈現(xiàn)出復(fù)雜、非線性和多噪聲的特點(diǎn)，運(yùn)用傳統(tǒng)的物理模型和信號(hào)處理方法對(duì)其進(jìn)行建模往往比較困難和繁瑣。此外，基于時(shí)域、頻域和時(shí)頻域的特征提取方法對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)程度較高且缺乏針對(duì)性和客觀性，故傳統(tǒng)狀態(tài)監(jiān)測(cè)方法難以對(duì)實(shí)際工程中復(fù)雜工況下的軸承狀態(tài)進(jìn)行自動(dòng)、準(zhǔn)確地監(jiān)測(cè)。

滾動(dòng)軸承的智能狀態(tài)監(jiān)測(cè)方法是基于數(shù)據(jù)驅(qū)動(dòng)的，其主要步驟包括：1)數(shù)據(jù)采集與處理，2)模型構(gòu)建與訓(xùn)練，3)模型部署與實(shí)施。根據(jù)模型構(gòu)建與訓(xùn)練方式的不同，智能狀態(tài)監(jiān)測(cè)方法可以細(xì)分為基于淺層網(wǎng)絡(luò)的智能狀態(tài)監(jiān)測(cè)方法和基于深層網(wǎng)絡(luò)的智能狀態(tài)監(jiān)測(cè)方法。在實(shí)際運(yùn)用中，基于淺層網(wǎng)絡(luò)的智能狀態(tài)監(jiān)測(cè)方法雖然擺脫了對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)，實(shí)現(xiàn)了滾動(dòng)軸承性能狀態(tài)特征的自適應(yīng)學(xué)習(xí)，但是，該方法因其屬于淺層學(xué)習(xí)，故難以提取到滾動(dòng)軸承動(dòng)態(tài)信號(hào)中的深層特征及適應(yīng)復(fù)雜工況的變化。

從目前的公開(kāi)的資料來(lái)看，針對(duì)滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)方法主要采用了多個(gè)智能模型的集成來(lái)實(shí)現(xiàn)。例如申請(qǐng)公開(kāi)號(hào)為CN108710771A，名稱(chēng)為“基于深度特征集成提取的機(jī)械裝備服役可靠性評(píng)估方法”的中國(guó)專(zhuān)利申請(qǐng)，公開(kāi)了一種基于集成深度自編碼器模型的滾振動(dòng)軸承狀態(tài)監(jiān)測(cè)方法，該方法首先采集滾動(dòng)軸承的振動(dòng)數(shù)據(jù)，并劃分為訓(xùn)練樣本集和測(cè)試集。其次，基于不同的拓?fù)浣Y(jié)構(gòu)建立含有10個(gè)堆棧式自編碼器的集成模型，并將各個(gè)堆棧式自編碼器獲得的特征匯聚構(gòu)成特征池。隨后，將特征池中的所有特征按特征方向進(jìn)行聚類(lèi)，并計(jì)算各個(gè)特征與各聚類(lèi)中心的相關(guān)性。最后，按預(yù)先設(shè)定的閾值和各個(gè)特征的相關(guān)性對(duì)特征進(jìn)行篩選，并采用狀態(tài)參量法度量狀態(tài)之間的距離，實(shí)現(xiàn)滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)，為旋轉(zhuǎn)機(jī)械設(shè)備的安全運(yùn)行和維護(hù)提供參考。然而，上述方法的模型整體復(fù)雜度較高，依次訓(xùn)練10個(gè)獨(dú)立的堆棧式自編碼器使得模型訓(xùn)練耗時(shí)顯著增加。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的是提供一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)方法和系統(tǒng)，以降低滾動(dòng)軸承狀態(tài)監(jiān)測(cè)所用模型的訓(xùn)練時(shí)間。

本發(fā)明所采用的第一技術(shù)方案是：

一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)方法，包括以下步驟：

獲取滾動(dòng)軸承的訓(xùn)練樣本集和測(cè)試樣本集；

構(gòu)建第一一維卷積神經(jīng)網(wǎng)絡(luò)模型；