一种基于时间序列标度分析和CNN的轴承微小故障诊断方法
文献发布时间:2023-06-19 09:23:00
技术领域
本发明涉及机械设备故障诊断领域,提出一种基于时间序列标度分析和CNN 的轴承微小故障诊断方法。
背景技术
轴承是旋转机械设备最重要且最容易发生故障的部件之一,据统计,约有 30%的机械故障是由轴承引起,因此诊断轴承故障对机械设备的安全可靠运行具有重要意义。实现诊断的关键是提取轴承振动信号的故障特征,而由于噪声、传输路径等问题导致该信号呈现非平稳性和非线性,极易干扰和掩盖故障特征,尤其是早期微小故障的特征。而及时识别故障在微弱阶段的特征对整个设备的维护调节、寿命预测都具有很大的作用。
国内外学者针对轴承的微小故障识别进行了大量的研究工作。刘引峰将共振稀疏分解方法应用于滚动轴承的微弱故障特征提取,并与包络分析、小波分析的微弱故障特征提取进行了对比;Lukasz Jedlinski等将支持向量机与连续小波变换用于齿轮箱的早期故障诊断;宫文峰等提出了CNNs-SVM的新方法用于电机轴承的微小故障诊断。
轴承振动信号特征的提取是实现故障诊断的关键。传统方法如傅里叶变换只适用于平稳信号,不能对非平稳信号进行有效处理;小波分析则缺乏对所研究信号的自适应性;经验模态分解则存在过包络、欠包络、端点效应等问题。 1994年,PENG等人提出一种新的非平稳信号分析方法——去趋势波动分析,用以衡量时间序列的长程相关性。他能有效滤除非平稳信号中的各种不相关趋势,根据标度指数实现对不同事物的分类。李力等利用单一标度函数实现对齿轮箱5种故障的识别;李洋等利用多重分形去趋势波动分析实现对风力机轴承的故障诊断。
本发明即利用去趋势波动分析法在非平稳序列的独特处理能力,提取轴承振动信号的故障特征,再结合卷积神经网络强大的学习和分类能力,实现对早期微小故障的诊断,具体步骤如下:将采集的振动信号利用差分算法消除自相关性,对处理好的序列利用去趋势波动分析法提取信号的特征组成标度曲线,并将之转化为二维图像数据集,作为卷积神经网络的输入,通过训练学习实现对微小故障的分类。
发明内容
针对轴承早期微小故障容易被噪声等干扰或掩盖的问题,提出一种基于时间序列标度分析和CNN的轴承微小故障诊断方法,利用去趋势波动分析算法处理非平稳数据、提取信号特征的优势,结合卷积神经网络强大的学习分类能力,从而实现对微小故障的识别。
一种基于时间序列标度分析和CNN的轴承微小故障诊断方法,其特征包括以下步骤:
A、采集轴承数据,通过差分操作消除序列的自相关性;
B、利用去趋势波动分析算法计算差分序列的标度曲线;
C、构建由不同故障的标度序列组成的训练集和测试集;
D、构建卷积神经网络框架,初始化网络参数;
E、训练网络并使用测试集检验。
作为优选,步骤A中,消除序列自相关性的方法如下:
假定一个长度为N的时间序列x(i),(i=1,2,…,N),构造一个去均值的求和序列:
作为优选,步骤B中,利用去趋势波动分析算法计算差分序列的标度曲线的方法如下:
B1、将去除自相关性的新序列
B3、采用最小二乘法拟合每段数据的多项式趋势,拟合趋势记为 P
P
B4、计算每段数据的协方差函数F(k,n):
当k=1,2,…,K时,
当k=K+1,K+2,…,2K时,
B5、对2K个区间,计算F(k,n)的均值,求得波动函数F(n):
B6、改变时间尺度n,重复B1~B6,找出F(n)与n之间的幂律关系,即绘制lnF(n)~qlnn图像。
作为优选,步骤C中,数据集包括由标度曲线组成V=lnF(n),由于卷积神经网络处理二维图像数据,所以要将数据集二维化,设置原始数据的窗口长度为W,对每一个窗口的数据采用时间序列标度分析得到标度序列,将每一组标度序列作为一行,则得到二维数据集V,按照一定的比例将数据集划分为训练集和测试集。
作为优选,步骤D中,卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层。在本发明中,输入层是由标度曲线构成的二维图像数据,卷积层和池化层分别有两层,卷积核大小为3×3,移动步长为1,填充方式为不填充,激活函数使用Relu函数,池化方法采用平均池化,输出层输出的是状态分类,使用Softmax分类器,1000对应正常状态,0100对应内圈故障,0010 对应外圈故障,0001对应滚动体故障。
作为优选,步骤E中,输入训练集,通过前向传播得到网络参数,判断输出结果与预期目标的误差,若在允许的范围内,则训练完成,输入测试集验证;若误差不收敛,则利用反向传播更新网络参数,直至收敛。
附图说明
下面结合附图,对本发明实施例作进一步详述。
图1是本实施例中的实施例装置图
图2是本实施例的故障诊断流程图
图3是本实施例中采集的故障信号图
图4是本实施例中内圈故障的标度曲线示例图
图5是本实施例中的一维数据转换二维图像示意图
图6是卷积神将网络的基本结构图
实施例应用在滚动轴承实验平台,该平台由电机、扭矩传动装置和负载电机组成,如图1所示。故障轴承安装在驱动端或风扇端分别进行测试,故障缺陷由电火花加工法制造,且根据故障位置分为内圈、外圈和滚动体故障。本案例中选取采样频率为12kHz所测得的驱动端故障轴承数据与正常轴承数据进行分析。实验所用SKF轴承设置了三种故障直径,分别为0.007英寸、0.014英寸和0.021英寸,代表了不同的早期故障程度。
参考图2的诊断流程,具体步骤与实施细节如下:
A、采集轴承数据,通过差分操作消除序列的自相关性;
B、利用去趋势波动分析算法计算差分序列的标度曲线;
C、构建由不同故障的标度序列组成的训练集和测试集;
D、构建卷积神经网络框架,初始化网络参数;
E、训练网络并使用测试集检验。
步骤A中,分别采集三种故障在不同故障程度下的数据,记为
对任一类型任一程度的故障信号时间序列x(i),(i=1,2,…,N),构造一个去均值的求和序列:
步骤B中,利用去趋势波动分析算法计算差分序列的标度曲线的方法如下:
B1、将去除自相关性的新序列
B2、采用最小二乘法拟合每段数据的多项式趋势,拟合趋势记为 P
P
B3、计算每段数据的协方差函数F(k,n):
当k=1,2,…,K时,
当k=K+1,K+2,…,2K时,
B4、对2K个区间,计算F(k,n)的均值,求得波动函数F(n):
B5、改变时间尺度n,重复B1~B4,找出F(n)与n之间的幂律关系,即绘制lnF(n)~qlnn图像。作为示例,图4显示的是内圈故障在0.007英寸下的标度曲线图。
步骤C中,数据集包括由标度曲线组成V=lnF(n),由于卷积神经网络处理二维图像数据,所以要将数据集二维化,设置原始数据的窗口长度为W,对每一个窗口的数据采用时间序列标度分析得到标度序列,将每一组标度序列作为一行,则得到二维数据集V,按照一定的比例将数据集划分为训练集和测试集。转换示意图如图5所示。
步骤D中,卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层,其基本结构如图6所示。在本发明中,输入层是由标度曲线构成的二维图像数据,卷积层和池化层分别有两层,卷积核大小为3×3,移动步长为1,填充方式为不填充,激活函数使用Relu函数,池化方法采用平均池化,输出层输出的是状态分类,使用Softmax分类器,1000对应正常状态,0100对应内圈故障,0010对应外圈故障,0001对应滚动体故障,相关参数设置如表1所示。
表1 CNN参数设置
步骤E中,输入训练集,通过前向传播得到网络参数,判断输出结果与预期目标的误差,若在允许的范围内,则训练完成,输入测试集验证;若误差不收敛,则利用反向传播更新网络参数,直至收敛。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可推想到的变化或替换,都应涵盖在本发明的保护范围之内。
- 一种基于时间序列标度分析和CNN的轴承微小故障诊断方法
- 一种基于一维数据增强和CNN的电机轴承故障诊断方法