[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

本發明提出了一種基于一維卷積神經網絡軸承故障診斷方法。滾動軸承作為工業設備中的重要部件，對滾動軸承的健康狀況進行監測和診斷是非常重要的。傳統的滾動軸承故障診斷方法對軸承故障識別精度低，需要人工提取特征，泛化能力差。本發明提出的一維卷積神經網絡(1D?CNN)方法不僅能準確診斷軸承故障，而且克服了傳統故障診斷方法的缺點。在本發明中，提出的卷積核的數目隨卷積核大小減小而減少的網絡結構，有效提高了滾動軸承故障檢測的準確性。實驗結果表明本發明所提出的1D?CNN網絡結構，在單一負載下平均準確率達到99.2％，在跨不同負載的平均準確率達到98.83％。與其他現有的相關工作比較，我們提出的方法具有較為優越的性能。

技術領域

本發明屬于軸承故障診斷領域，具體涉及基于一維卷積神經網絡(1D-CNN)的軸承故障診斷方法。

背景技術

現代工業設備都配備了相當數量的滾動軸承，滾動軸承是機械傳動設備中極其重要的部件，一旦滾動軸承發生故障，將會嚴重影響到機械設備穩定高效的運行，甚至威脅到設備的安全以及使用壽命。45％-55％的機械故障是由軸承故障的損壞而引起的，為了保證機械設備可以正常可靠的穩定運行，對機械設備智能監測技術的需求從未停止過。

傳統的軸承故障診斷需要具有豐富的機械知識以及較高的專家經驗，設計耗時且不能保證通用性，不能滿足軸承故障智能診斷的要求。滾動軸承故障診斷的機器學習方法首先從收集到的振動信號中提取故障特征，然后將提取的各種類型的故障特征映射的滾動軸承的不同故障類型中。滾動軸承故障診斷中常用的機器學習方法主要包括支持向量機(SVM)、K-近鄰(KNN)、K-均值聚類等。但是這些機器學習方法的分類精度主要取決于特征提取步驟，而且對于不同的故障類型還要重新設計特征提取器，另一方面這些算法具有的只是結構簡單的淺層結構，不能很好的學習復雜的軸承振動信號中的一些非線性關系。而深度學習方法在分析復雜和非平穩信號方面有著巨大的優勢。

深度學習可以從復雜和非平穩的軸承振動信號中自動提取故障特征，近年來許多有關滾動軸承故障診斷的研究都利用了深度學習的方法。近些年來，卷積神經網絡在模式識別領域取得了巨大的成功，其特點是可以自動的從信號或是圖像中提取特征，取代了需要較高專家經驗的繁瑣特征提取工程。而其中的卷積神經網絡(CNN)具有的局部感受野、權重共享和空間域子采樣，不僅降低了網絡的復雜度，也減少了過擬合的風險，大大提高了模式識別的準確性和效率。使用卷積神經網絡(CNN)進行滾動軸承故障識別主要有兩種方式，第一種方式是直接使用一維原始振動信號作為模型輸入，第二種是將原始振動信號轉換為二維圖像作為模型的輸入。與2D-CNN相比，1D-CNN的網絡直接使用一維原始振動信號作為輸入，無需任何的預處理。

為了提高滾動軸承故障診斷的準確性，本發明提出了一種基于一維卷積神經網絡的軸承故障診斷方法。

發明內容

本發明提出了一種基于一維卷積神經網絡(1D-CNN)軸承故障診斷方法。滾動軸承作為工業設備中的重要部件，對滾動軸承的健康狀況進行監測和診斷是非常重要的。傳統的滾動軸承故障診斷方法對軸承故障識別精度低，需要人工提取特征，泛化能力差。本發明提出的一維卷積神經網絡(1D-CNN)方法不僅能準確診斷軸承故障，而且克服了傳統故障診斷方法的缺點。在本發明中，提出的卷積核的數目隨卷積核大小減小而減少的網絡結構，有效提高了滾動軸承故障檢測的準確性。

本發明的技術方案步驟如下：

第一方面，本發明提供了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；