[發明專利]基于一維卷積神經網絡的軸承故障診斷方法

在審

• 申請號: 202110308444.1
• 申請日: 2021-03-23
• 公開（公告）號: CN113052062A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 陳志成;張真誠;李黎
• 申請（專利權）人: 杭州電子科技大學上虞科學與工程研究院有限公司;杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06K9/62;G01M13/045
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種基于一維卷積神經網絡的軸承故障診斷方法，用于通過檢測收集到的軸承振動信號，來判斷軸承是否故障以及故障的類型，其特征在于，具體步驟如下：

S1：對電動機驅動端中的滾動軸承進行電火花人工損傷，形成若干類有損滾動軸承，不同類的有損傷滾動軸承具有不同的故障類型；

S2：分別針對無損傷滾動軸承以及每一類有損傷滾動軸承，通過部署在滾動軸承上的振動傳感器，采集單一負載下的滾動軸承振動信號，形成帶有故障類型標簽的樣本數據集；

S3：利用所述樣本數據集對預先構建的一維卷積神經網絡進行訓練，得到一個最佳的滾動軸承故障診斷模型，所述一維卷積神經網絡的結構依次由輸入層、第一卷積層、第一Tanh激活層、第一最大池化層、第一Dropout層、第二卷積層、第二Tanh激活層、第二最大池化層、第二Dropout層、第三卷積層、第三Tanh激活層、第三最大池化層、第三Dropout層、第四卷積層、第四Tanh激活層、第四最大池化層、第五卷積層、第五Tanh激活層、第四Dropout層、Flatten層、Dense層、Softmax層和輸出層；模型輸入為滾動軸承振動信號，模型輸出為故障類型的診斷結果；

S4：針對待診斷的滾動軸承，按照與S2中相同的做法將振動傳感器部署在滾動軸承上，采集滾動軸承在負載下的振動信號，并將該振動信號輸入所述滾動軸承故障診斷模型中，得到當前故障類型的診斷結果。

2.根據權利要求1所述的基于一維卷積神經網絡的軸承故障診斷方法，其特征在于，所述S1中，電動機滾動軸承電火花人工損傷要求如下：

用電火花在電動機驅動端滾動軸承上加工單點損傷，其中損傷位置包括滾動軸承的內圈、滾珠和外圈，內圈和滾珠的損傷直徑有多種，外圈的損傷位置沿外圈圓周方向設置多種但損傷直徑保持一致，從而形成多類具有不同故障類型的滾動軸承。

3.根據權利要求2所述的基于一維卷積神經網絡的軸承故障診斷方法，其特征在于，所述滾動軸承內圈和滾珠上的損傷直徑為0.007英寸、0.014英寸和0.021英寸三種；所述滾動軸承外圈上的損傷位置分別位于外周的3點鐘、6點鐘和12點鐘方向，損傷直徑均為0.007英寸)；共有9類具有不同故障類型的滾動軸承。

4.根據權利要求2所述的基于一維卷積神經網絡的軸承故障診斷方法，其特征在于，所述滾動軸承的型號為SKF6205。

5.根據權利要求1所述的基于一維卷積神經網絡(1D-CNN)的軸承故障診斷方法，其特征在于，所述S2中，針對每一類無損傷或有損傷的滾動軸承采集振動信號的方法如下：

S21：將振動傳感器放置在電動機驅動端的軸承座上方，并連接16通道的數據記錄儀，從而構成對滾動軸承進行振動信號采集的采集系統；

S22：對同一類滾動軸承施加相同的單一負載，電動機驅動端的滾動軸承振動信號由16通道的數據記錄儀在12KHZ的采樣頻率下進行采集；

S23：將S22中采集的滾動軸承振動信號按照設定的樣本信號長度分割為一系列樣本信號，將樣本信號與相應的故障類型標簽一起構建為樣本數據集。

6.根據權利要求1所述的基于一維卷積神經網絡的軸承故障診斷方法，其特征在于，所述的單一負載為0HP、1HP、2HP或3HP。

7.根據權利要求1所述的基于一維卷積神經網絡的軸承故障診斷方法，其特征在于，所述的一維卷積神經網絡中，第一卷積層采用128個16×1的卷積核，第二卷積層采用64個8×1的卷積核，第三卷積層采用32個4×1的卷積核，第四卷積層采用16個4×1的卷積核，第五卷積層采用8個4×1的卷積核；第一最大池化層、第二最大池化層、第三最大池化層和第四最大池化層的池化核均為2×1，步長均為2；第一Dropout層和第二Dropout層的Dropout比率為0.3，第三Dropout層和第四Dropout層的Dropout比率為0.25。