[發(fā)明專利]一種基于優(yōu)選小波基與多維深度特征融合的滾動軸承聲發(fā)射智能診斷方法

在審

• 申請?zhí)枺?/td>: 202111388420.8
• 申請日: 2021-11-22
• 公開（公告）號: CN114048682A
• 公開（公告）日: 2022-02-15
• 發(fā)明（設(shè)計）人: 王之海;魏巍;柳小勤;賴澤浪;馮正江;李佳慧
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 昆明人從眾知識產(chǎn)權(quán)代理有限公司 53204
• 代理人: 沈艷尼

本發(fā)明涉及基于優(yōu)選小波基與多維深度特征融合的滾動軸承聲發(fā)射智能故障診斷方法。本發(fā)明包括：采集滾動軸承聲發(fā)射信號，用基于信噪比和布倫納梯度的質(zhì)量指標(biāo)選擇連續(xù)小波變換的最優(yōu)小波基；用選擇出的最佳小波基做連續(xù)小波變換，將一維聲發(fā)射信號轉(zhuǎn)換為二維時頻圖；劃分訓(xùn)練集、驗證集和測試集，定義故障類型；構(gòu)建多維深度特征融合神經(jīng)網(wǎng)絡(luò)模型。滾動軸承聲發(fā)射信號輸入到一維卷積神經(jīng)網(wǎng)絡(luò)、時頻圖輸入到二維卷積神經(jīng)網(wǎng)絡(luò)，通過特征金字塔結(jié)構(gòu)來對卷積神經(jīng)網(wǎng)絡(luò)提取的不同維度和不同深度的特征進(jìn)行融合；由訓(xùn)練集訓(xùn)練模型，驗證集調(diào)整模型，并使用測試集檢驗。本發(fā)明有效防止了模型的過擬合，增加了滾動軸承尤其是復(fù)合故障診斷的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于優(yōu)選小波基與多維深度特征融合的滾動軸承聲發(fā)射智能故障診斷方法，屬于機(jī)械故障診斷技術(shù)領(lǐng)域。

背景技術(shù)

滾動軸承是旋轉(zhuǎn)機(jī)械的核心部件，由于常在復(fù)雜而惡劣的環(huán)境中工作，導(dǎo)致滾動軸承更易損壞。因此，實時檢測滾動軸承運行狀態(tài)十分重要。大數(shù)據(jù)的出現(xiàn)為機(jī)械故障診斷的研究和應(yīng)用提供了更多的機(jī)會。在故障診斷領(lǐng)域，深度學(xué)習(xí)被證明是一種突破傳統(tǒng)方法固有局限性的有效方法，可不依賴于信號處理技術(shù)和專家先驗知識而直接采用測量數(shù)據(jù)自動獲取、挖掘機(jī)械數(shù)據(jù)有效特征，以準(zhǔn)確識別故障。深度學(xué)習(xí)方法具有強(qiáng)大的自學(xué)習(xí)能力，可自動從測量數(shù)據(jù)中獲取有價值信息。由于CNN 獨特的結(jié)構(gòu)，其對高維非線性數(shù)據(jù)有很好的特征提取能力。

聲發(fā)射技術(shù)是一種無損檢測方法，可檢測材料內(nèi)部動態(tài)缺陷，相對于振動方法可更早獲取滾動軸承內(nèi)部損傷信息，目前常用的分析方法包括參數(shù)分析和波形分析，這兩種分析方法高度依賴于現(xiàn)場診斷工程師的經(jīng)驗，難免受主觀因素影響。在實際工業(yè)環(huán)境中，滾動軸承往往產(chǎn)生復(fù)合故障，與單一故障信號相比，復(fù)合故障信號并不是單一故障信號的簡單疊加，而是不同元件故障特征相互耦合，彼此干擾，使得聲發(fā)射信號更加復(fù)雜，因此，給滾動軸承復(fù)合故障診斷帶來巨大困難。

多維融合數(shù)據(jù)可以發(fā)揮數(shù)據(jù)間的互補(bǔ)性，以彌補(bǔ)單維數(shù)據(jù)信息不完整的缺點。現(xiàn)有故障診斷領(lǐng)域的特征融合方法大多是用不同的深層網(wǎng)絡(luò)各自提取特征，然后把不同特征進(jìn)行組合拼接，這些方法在處理復(fù)雜故障數(shù)據(jù)時沒有充分利用多維信息的低層細(xì)節(jié)信息和高層的語義信息。多維信息融合需要不同維度的信息，因小波時頻圖非常適合對非平穩(wěn)非線性信號分析及處理，而聲發(fā)射信號正屬于這類數(shù)據(jù)，因此本專利將一維滾動軸承聲發(fā)射信號與連續(xù)小波變換二維時頻圖相融合。不同的小波基會導(dǎo)致后續(xù)數(shù)據(jù)處理精度的差異。因此，對小波基的選擇也是小波分析的關(guān)鍵步驟。

綜上，為解決多維信息利用不充分問題，本發(fā)明引入特征金字塔結(jié)構(gòu)，提出一種基于優(yōu)選小波基的多維深度特征融合的滾動軸承聲發(fā)射智能故障診斷方法。該方法能準(zhǔn)確識別滾動軸承復(fù)合故障，模型有較好的魯棒性和泛化能力。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于優(yōu)選小波基與多維深度特征融合的滾動軸承聲發(fā)射智能故障診斷方法，以用于解決滾動軸承復(fù)合故障難以準(zhǔn)確診斷的問題。

本發(fā)明的技術(shù)方案是：一種基于優(yōu)選小波基與多維深度特征融合的滾動軸承聲發(fā)射智能故障診斷方法，包括以下步驟：

Step1、采集滾動軸承聲發(fā)射信號；

Step2、用基于信噪比和布倫納梯度的質(zhì)量指標(biāo)選擇連續(xù)小波變換的最優(yōu)小波基；

Step3、用選擇出的最佳小波基做連續(xù)小波變換，將一維聲發(fā)射信號轉(zhuǎn)換為二維時頻圖；

Step4、劃分訓(xùn)練集、驗證集和測試集，定義故障類型；

Step5、構(gòu)建基于一維卷積、二維卷積和特征金字塔結(jié)構(gòu)的多維深度特征融合神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)模型輸入滾動軸承聲發(fā)射信號到一維卷積神經(jīng)網(wǎng)絡(luò)(One-dimensional Convolutional Neural Network，1D-CNN)、輸入時頻圖到2D-CNN，通過特征金字塔(Feature Pyramid Networks，F(xiàn)PN)結(jié)構(gòu)來對提取的不同維度和不同深度的特征進(jìn)行融合；