一种滚动轴承故障诊断方法及系统

技术领域

本发明涉及滚动轴承故障诊断领域，特别是涉及一种滚动轴承故障诊断方法及系统。

背景技术

滚动轴承在运行过程中极易发生断裂、磨损、疲劳剥落等故障，导致财产损失，甚至造成人员伤亡等情况。因此，及时对滚动轴承的故障进行诊断，对于安全生产有着重要意义。

目前大多数故障诊断会选取信号的单域信息进行深度学习，例如时域、频域、时频域信息等。但是由于受到噪声等因素的干扰，不同故障类型对不同域信号的敏感程度不一样，可能造成诊断模型的鲁棒性比较差，因此，研究多特征域输入的故障诊断方法具有重要意义。

随着计算机技术的发展，卷积神经网络、深度置信网络、长短时记忆网络等网络快速兴起，其中，卷积神经网络由于强大的学习能力等特点得到广泛应用，但该网络随着网络的加深，会导致网络退化的问题。因此，许多研究人员尝试在卷积层之间添加跳跃连接，特别是DenseNet使用了密集连接方式，确保了网络中各层之间的信息最大化，不仅缓解了学习问题，而且引入了特征重用。DenseNet具有引人注目的优势，但它也有明显的缺点。首先，网络的每个层通过组合的方式从前面层获得特征图，没有考虑不同通道之间的相互依赖性。第二，滚动轴承在工作时容易受到噪声的干扰，采用较深层的网络容易引入噪声，影响特征提取的效果。第三，DenseNet结构网络层数较多，结构复杂，计算速度较慢，无法快速识别故障，及时反馈故障信息，造成机械停机和财产损失情况的发生。第四，网络由密集块与过渡层交替连接组成，密集块只负责特征的提取，层间特征图大小保持不变，需要在过渡层对特征图进行降维，导致密集块的大部分计算存在冗余现象。

因此，基于上述问题，亟需一种新的滚动轴承故障诊断方法或系统，以提高滚动轴承故障诊断的精度。

发明内容

本发明的目的是提供一种滚动轴承故障诊断方法及系统，可提高滚动轴承故障诊断的精度。

为实现上述目的，本发明提供了如下方案：

一种滚动轴承故障诊断方法，包括：

获取滚动轴承当前的一维时序信号；

根据所述当前的一维时序信号分别确定对应的频域信号和包络谱信号；

根据当前的一维时序信号以及对应的频域信号和包络谱信号，采用基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果；所述基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型包括：卷积层、改进DenseNet、深度特征融合单元、平铺层、全连接层和softmax分类层；所述诊断结果包括：正常状态、内圈故障、外圈故障或滚动体故障；

基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果的过程为：

将当前的一维时序信号以及对应的频域信号和包络谱信号分别通过卷积层进行特征提取，得到相应的浅层特征；

将浅层特征分别通过改进DenseNet进行特征提取，得到相应的深层特征；所述改进DenseNet包括：改进的密集块和过渡层；改进的密集块为在密集块中引入池化层和多尺度卷积核；在改进的密集块中的每一卷积层后加入了挤压激励模块；

将深层特征通过深度特征融合单元中的注意力机制方法进行特征的加权融合，得到全局特征；

将全局特征依次通过平铺层、全连接层和softmax分类层进行结果输出，得到诊断结果。

可选地，所述根据所述当前的一维时序信号分别确定对应的频域信号和包络谱信号，具体包括：

对所述当前的一维时序信号进行标准化处理；

对标准化处理后的当前的一维时序信号进行傅里叶变换，确定对应的频域信号；

对标准化处理后的当前的一维时序信号进行包络谱分析，确定对应的包络谱信号。

可选地，所述根据当前的一维时序信号以及对应的频域信号和包络谱信号，采用基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果，之前还包括：

获取滚动轴承不同状态类型的一维时序数据；

分别确定不同状态类型的一维时序数据对应的频域信号和包络谱信号；

根据不同状态类型的一维时序数据以及对应的频域信号和包络谱信号确定数据集；

将数据集划分为训练集、验证集和测试集；

利用训练集训练基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型；

利用验证集和测试集分别对训练好的基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型进行验证和测试。

可选地，所述基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型的损失函数为交叉熵损失函数。

可选地，所述交叉熵损失函数为：

其中，H(p,q)为交叉熵损失函数，p(x

可选地，所述将深层特征通过深度特征融合单元中的注意力机制方法进行特征的加权融合，得到全局特征，具体包括：

通过多层次特征降维计算每一深层特征的权重；

确定每一深层特征的重要度权值；

根据层特征的权重和深层特征的重要度权值确定全局特征。

一种滚动轴承故障诊断系统，包括：

一维时序信号获取模块，用于获取滚动轴承当前的一维时序信号；

变换域信号确定模块，用于根据所述当前的一维时序信号分别确定对应的频域信号和包络谱信号；

诊断结果确定模块，用于根据当前的一维时序信号以及对应的频域信号和包络谱信号，采用基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果；所述基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型包括：卷积层、改进DenseNet、深度特征融合单元、平铺层、全连接层和softmax分类层；所述诊断结果包括：正常状态、内圈故障、外圈故障或滚动体故障；

基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果的过程为：

将当前的一维时序信号以及对应的频域信号和包络谱信号分别通过卷积层进行特征提取，得到相应的浅层特征；

将浅层特征分别通过改进DenseNet进行特征提取，得到相应的深层特征；所述改进DenseNet包括：改进的密集块和过渡层；改进的密集块为在密集块中引入池化层和多尺度卷积核；在改进的密集块中的每一卷积层后加入了挤压激励模块；

将深层特征通过深度特征融合单元中的注意力机制方法进行特征的加权融合，得到全局特征；

将全局特征依次通过平铺层、全连接层和softmax分类层进行结果输出，得到诊断结果。

可选地，所述变换域信号确定模块具体包括：

标准化处理单元，用于对所述当前的一维时序信号进行标准化处理；

傅里叶变换单元，用于对标准化处理后的当前的一维时序信号进行傅里叶变换，确定对应的频域信号；

包络谱分析单元，用于对标准化处理后的当前的一维时序信号进行包络谱分析，确定对应的包络谱信号。

一种滚动轴承故障诊断系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种滚动轴承故障诊断方法及系统，利用多域信号对滚动轴承进行故障诊断，相比于单维数据的深度学习算法，克服了滚动轴承原始信号信息单一的问题，多域信号可以同时提取多个变换域的有价值信息，尽可能减少信息的缺失，为故障诊断提供更多重要的特征信息，使模型能在噪声和变工况环境下保持好的准确性。采用改进DenseNet进行深层特征的提取，将池化层与密集块相融合，并引入多尺度卷积核和挤压激励模块(SEM)，不仅能够促进特征重用，降低特征图的维度，而且能够自动计算每个特征通道的重要性权重，增强当前任务的有用特征并抑制无用特征，提高了数据分类的准确性，具有较好的泛化能力，而且加快了网络收敛，提高了模型的拟合能力和变工况诊断性能；通过注意力机制方法对多个信号的深层特征进行加权融合，进而保证了诊断的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种滚动轴承故障诊断方法流程示意图；

图2为本发明所提供的基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定流程示意图；

图3为美国凯斯西储大学滚动轴承数据中心数据集试验台示意图；

图4为本发明所采用的基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型结构示意图；

图5为本发明方法中改进DenseNet结构示意图；

图6为本发明方法中改进DenseNet的挤压激励模块SEM示意图；

图7为本发明方法中注意力机制特征融合方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种滚动轴承故障诊断方法及系统，能够提高滚动轴承故障诊断的精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1和图2所示，本发明所提供的一种滚动轴承故障诊断方法，包括：

S101，获取滚动轴承当前的一维时序信号；

S102，根据所述当前的一维时序信号分别确定对应的频域信号和包络谱信号；即得到多个变换域信号。

S102具体包括：

对所述当前的一维时序信号进行标准化处理，将所有数据点转化为0～1之间的值，标准化的公式如下：

其中，x

之后，将标准化处理后的当前的一维时序信号扩展到多个特征域，如图4所示，对原始的一维时序数据进行傅里叶变换和包络谱分析，得到频率信号和包络谱信号，将两种信号与时域信号一起构成模型的输入。

对标准化处理后的当前的一维时序信号进行傅里叶变换，确定对应的频域信号；

对标准化处理后的当前的一维时序信号进行包络谱分析，确定对应的包络谱信号。

S103，根据当前的一维时序信号以及对应的频域信号和包络谱信号，采用基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果；所述基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型包括：卷积层、改进DenseNet、深度特征融合单元、平铺层、全连接层和softmax分类层；所述诊断结果包括：正常状态、内圈故障、外圈故障或滚动体故障；

基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果的过程为：

将当前的一维时序信号以及对应的频域信号和包络谱信号分别通过卷积层进行特征提取，得到相应的浅层特征；

将浅层特征分别通过改进DenseNet进行特征提取，得到相应的深层特征；所述改进DenseNet包括：改进的密集块和过渡层；改进的密集块为在密集块中引入池化层和多尺度卷积核；在改进的密集块中的每一卷积层后加入了挤压激励模块；

将深层特征通过深度特征融合单元中的注意力机制方法进行特征的加权融合，得到全局特征；

得到全局特征的具体过程为：

通过多层次特征降维计算每一深层特征的权重；

确定每一深层特征的重要度权值；

根据层特征的权重和深层特征的重要度权值确定全局特征。

将全局特征依次通过平铺层、全连接层和softmax分类层进行结果输出，得到诊断结果。

S103之前还包括：

获取滚动轴承不同状态类型的一维时序数据；如图3所示，上述数据来自于美国凯斯西储大学滚动轴承数据中心的数据集，采用驱动端轴承状态数据，采集频率为12kHz，上述数据包括十种轴承状态类型，分别为正常状态、外圈故障、内圈故障和滚动体故障，其中外圈、内圈和滚动体三种故障的损伤直径分别为7、14和21mils，每个轴承状态采集100000个数据点，一共1000000个数据点。该数据集在同一时间只存在一种轴承状态类型，不存在并发情况。

分别确定不同状态类型的一维时序数据对应的频域信号和包络谱信号；

从原始信号的每个轴承状态随机抽取500个样本，每个样本1024个点，然后对一维原始信号进行预处理，得到频域信号和包络谱信号，由于采样频率的对称性，因此频域信号和包络谱信号的样本数据点只有原始信号样本长度的一半，且样本数据点为512个，三种信号总共抽取5000个样本，一共15000个样本，时域信号的样本组成信息如表1所示。

表1时序信号的样本组成信息表

根据不同状态类型的一维时序数据以及对应的频域信号和包络谱信号确定数据集；

将数据集划分为训练集、验证集和测试集；训练集、验证集和测试集各占60％、20％和20％。

利用训练集训练基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型；

训练的过程为：

首先，卷积层采用32个大小为1×64的大卷积核，三种信号的步长分别为16、8和8，用于提取信号的浅层特征。改进DenseNet提取信号的深层特征，主要包括4个卷积层、6个池化层，其中前3个卷积层为1×3和1×5的卷积核，步长为2，卷积核数各为16，最后一个卷积层的卷积核为1×3，步长为2，卷积核数为32，该网络在密集块中引入池化层和多尺度卷积核，并在每个卷积层后加入了SEM，可以调整通道权重，增强特征的表达能力。

其次，在深度特征融合单元采用注意力机制方法将三种信号的深层特征进行加权融合；

进而，将融合后的特征图展平为一维向量的形式，经过全连接层输入到softmax输出层，得到数据的预测概率值；

最后，通过交叉熵损失函数计算真实值与预测值之间的误差，用梯度下降算法对求得的误差进行反向传播计算，更新模型的参数，重复上述步骤，当训练次数达到最大迭代次数时，模型结束训练，保存训练好的模型参数。模型连接方式如图4所示。具体过程如下：

卷积层采用32个大小为1×64的大卷积核，三种信号的步长分别为16、8和8，用于提取信号的浅层特征，卷积过程的表达式如下所示：

其中，

改进DenseNet主要包括改进密集块和SEM。用于提取信号的深层特征。

改进密集块由DenseNet网络改进而来，DenseNet网络主要由密集块和过渡层组成，其中密集块的作用是特征的提取与多层特征之间的融合，池化层的作用降低特征图的维度，但该网络存在许多缺点。基于此，本发明将池化层引入到密集块中，提出了一种改进密集块结构，如图5所示，主要包括4个卷积层、6个池化层，其中前3个卷积层为1×3和1×5的卷积核，步长为2，卷积核数各为16，最后一个卷积层的卷积核为1×3，步长为2，卷积核数为32。该结构继承了DenseNet网络优点的同时降低了模型的复杂度，提高了训练速度，增强了网络的抗噪能力。

SEM连接到改进密集块卷积层之后，用于调整通道权重，增强不同通道之间的相互依赖性，如图6所示，有利于提高变工况环境下的诊断能力。

深度特征融合单元是将改进DenseNet对提取到的深度特征进行融合，本发明采用注意力机制的特征加权融合算法主要流程包括Excitation、Proportion和Fusion。如图7所示，具体过程如下：

Excitation：通过多层次特征降维计算特征的权重u

u

其中，h

Proportion：计算特征图中每个特征的重要度权值a

其中，n为每个特征图中的特征数量。

Fusion：对深度特征进行加权融合运算，得到全局特征f。

全连接层的计算公式如下：

其中，

softmax层主要用于计算轴承状态的预测概率值，softmax表达式如下所示：

其中，P(z

交叉熵损失函数的表达式如下：

其中，p(x

利用验证集对训练好的网络模型进行验证，输出网络模型参数，用测试集测试模型的识别准确率。

为了测试模型的准确率，与DenseNet、ResNet和多尺度DenseNet进行对比，网络精确度如表2所示，从表中看出本文方法精度最高，达到了99.772％。

表2不同方法识别准确率/％

本发明方法可以有效融合多种变换域信息，增加了信息的多样性和完整性，

并且改进Densenet不仅简化了模型，减少了训练时间，而且减少了噪声的干扰，提高了滚动轴承故障诊断的准确率；在实现多域信息融合的同时也实现了多层特征的融合，加快了网络收敛，提高了模型的拟合能力和变工况诊断性能。

对应上述方法，本发明还提供一种滚动轴承故障诊断系统，包括：

一维时序信号获取模块，用于获取滚动轴承当前的一维时序信号；

变换域信号确定模块，用于根据所述当前的一维时序信号分别确定对应的频域信号和包络谱信号；

诊断结果确定模块，用于根据当前的一维时序信号以及对应的频域信号和包络谱信号，采用基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果；所述基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型包括：卷积层、改进DenseNet、深度特征融合单元、平铺层、全连接层和softmax分类层；所述诊断结果包括：正常状态、内圈故障、外圈故障或滚动体故障；

基于改进DenseNet和深度特征融合的滚动轴承故障诊断模型确定诊断结果的过程为：

将当前的一维时序信号以及对应的频域信号和包络谱信号分别通过卷积层进行特征提取，得到相应的浅层特征；

将浅层特征分别通过改进DenseNet进行特征提取，得到相应的深层特征；所述改进DenseNet包括：改进的密集块和过渡层；改进的密集块为在密集块中引入池化层和多尺度卷积核；在改进的密集块中的每一卷积层后加入了挤压激励模块；

将深层特征通过深度特征融合单元中的注意力机制方法进行特征的加权融合，得到全局特征；

将全局特征依次通过平铺层、全连接层和softmax分类层进行结果输出，得到诊断结果。

所述变换域信号确定模块具体包括：

标准化处理单元，用于对所述当前的一维时序信号进行标准化处理；

傅里叶变换单元，用于对标准化处理后的当前的一维时序信号进行傅里叶变换，确定对应的频域信号；

包络谱分析单元，用于对标准化处理后的当前的一维时序信号进行包络谱分析，确定对应的包络谱信号。

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本发明还提供一种滚动轴承故障诊断系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。