基于脉冲神经网络的轴承故障检测方法、系统、设备和存储介质

技术领域

本发明涉及轴承故障检测技术领域，具体涉及一种基于脉冲神经网络的轴承故障检测方法、系统、设备和存储介质。

背景技术

随着机械设备不断向着大型化，集成化，精密化以及智能化的方向快速发展，同一设备中不同的部件以及不同设备之间的连接性，耦合性越来越高。当机械设备中一个部分出现问题时，会导致整个设备出现停机和损坏等严重问题。因此维护机械设备安全稳定的运行已经成为当前科学界和工业界中一个重要的研究问题。

滚动轴承作为旋转机械设备中的重要部件之一，其良好稳定的运转对整个旋转机械设备的正常运行起着重要的保障作用。由于滚动轴承故障而导致的旋转机械故障在生产制造中已屡见不鲜。因此对包括滚动轴承在内的关键部件进行有效的健康监测和故障诊断，可以为机械设备的日常维护与管理提供强有力的依据，进而有效减少由机械设备故障导致的经济损失甚至人员伤亡等后果。

目前在滚动轴承故障诊断领域的技术主要可以分为三个方面，包括基于物理模型的诊断方法、基于专家经验的诊断方法和基于数据驱动的诊断方法。基于物理模型的诊断技术准确率高，但建模过程复杂且一个模型只对特定的几种轴承有效，无法拓展到其它轴承，基于专家经验的方法也面临同样的问题。基于数据驱动的故障检测方法有效解决了前两类方法产生的问题，但由于原始故障信号中含有较多的噪声，往往不能直接使用，因此基于数据驱动的故障诊断方法主要是从轴承的故障信号中提取相关的特征信息，进而设计合理的故障模式分类器进行故障诊断，因此这一类方法需要大量的样本数据来训练故障诊断模型。但是在实际的机械设备中，我们往往难以获取大量的样本数据，尤其是故障数据。这使得很多基于数据驱动的故障检测方法很难被真正应用到实际的故障诊断中。

发明内容

本发明的目的在于克服现有滚动轴承故障诊断的方法都具有一定的缺陷，无法满足多种型号以及多种运行工况，例如不同转速、负载的轴承检测或需要大量的样本数据来训练故障诊断模型，无法适用于小样本情况的问题。

为达到上述目的，本发明解决其技术问题所采用的技术方案为：提供一种基于脉冲神经网络的轴承故障检测方法，该方法基于脉冲神经网络对滚动轴承进行故障检测，使用变分模态分解作为样本数据的分解方法，并且选择了10个特征指标描述对应样本数据的特征信息，同时使用Tempotron学习算法学习本申请中的脉冲神经网络模型，从而解决了现有滚动轴承故障诊断的方法无法满足多种型号以及多种运行工况，例如不同转速、负载的轴承检测或需要大量的样本数据来训练故障诊断模型，无法适用于小样本情况的问题。具体如下：

基于脉冲神经网络的轴承故障检测方法，其特征在于，包括以下步骤：

S1.振动信号特征提取

对原始振动信号进行特征提取，获得特征指标，降低原始振动信号的噪声和维度；

S2.故障检测

搭建脉冲神经网络，所述脉冲神经网络包括两层，第一层作为编码神经元，对特征指标进行脉冲编码，第二层作为脉冲神经元，根据第一层神经元传来的脉冲从而判断轴承故障类型。

进一步的，所述步骤S1具体包括：

S11.对原始振动信号做分段截取，将每一个片段的原始振动信号作为一个样本数据；

S12.得到步骤S11所获得的样本数据后，对样本数据应用粒子群算法，其中平均最小包络熵作为适应度函数，最终得到该样本进行变分模态分解所需的两个重要参数，包括分解个数和惩罚因子；

S13.得到步骤S12所获得的分解个数和惩罚因子后，对样本数据做变分模态分解，得到分量；

S14.对于原始振动信号和每一个分量，都计算其对应的10个特征指标，对于每一个样本数据，得到(k+1)*10个特征指标，k是每个样本数据对应的变分模态分解个数。

进一步的，所述步骤S14中的10个特征指标分别为：偏度因子、峰值因子、波形因数、裕度因子、脉冲因子、峭度因子、近似熵、样本熵、排列熵和模糊熵。

进一步的，所述步骤S2中第一层编码神经元的编码过程包括：将步骤S14得到的(k+1)*10个特征指标采用基于高斯谐调曲线的脉冲编码方法进行脉冲编码。

进一步的，所述步骤S2中第二层脉冲神经元使用Tempotron学习算法来进行神经网络的参数学习，学习后的每个神经元可以区分两种不同的脉冲模式，当一种模式被输入后，神经元的最大膜电位会超过阈值，使得神经元发放脉冲，而另一种模式输入后，神经元的最大膜电位不会超过阈值，使得神经元不会发放脉冲。

基于脉冲神经网络的轴承故障检测系统，其特征在于，所述系统包含：

特征提取模块，用于原始振动信号进行特征提取，获得特征指标，降低原始振动信号的噪声和维度；

故障检测模块，用于通过脉冲神经网络对提取的特征指标进行脉冲编码和故障类型检测。

进一步的，所述特征提取模块包括：

信号截取单元，用于对原始振动信号做分段截取，将每一个片段的原始振动信号作为一个样本数据；

粒子群算法单元，用于对信号截取单元所获得的样本数据应用粒子群算法，其中平均最小包络熵作为适应度函数，最终得到该样本进行变分模态分解所需的两个重要参数，包括分解个数和惩罚因子；

变分模态分解单元，用于在粒子群算法单元获得分解个数和惩罚因子后，对样本数据做变分模态分解，得到分量；

特征指标获取单元，用于对原始振动信号和每一个分量，计算其对应的10个特征指标，对于每一个样本数据，得到(k+1)*10个特征指标，k是每个样本数据对应的变分模态分解个数；

特征指标获取单元中的10个特征指标分别为：偏度因子、峰值因子、波形因数、裕度因子、脉冲因子、峭度因子、近似熵、样本熵、排列熵和模糊熵。

进一步的，所述故障检测模块中的脉冲神经网络包括编码层和脉冲层；

所述编码层进行脉冲编码的过程包括：将特征指标获取单元得到的(k+1)*10个特征指标采用基于高斯谐调曲线的脉冲编码方法进行脉冲编码；

所述脉冲层使用Tempotron学习算法来进行神经网络的参数学习，学习后的每个神经元可以区分两种不同的脉冲模式，当一种模式被输入后，神经元的最大膜电位会超过阈值，使得神经元发放脉冲，而另一种模式输入后，神经元的最大膜电位不会超过阈值，使得神经元不会发放脉冲。

电子设备，包括至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。

本发明的有益效果是：

本发明提供的一种基于脉冲神经网络的轴承故障检测方法，基于脉冲神经网络对滚动轴承进行故障检测，脉冲神经网络在处理信息的过程中，由于信息会被编码成脉冲序列，而脉冲序列中只有少部分是刺激状态，大大降低了脉冲神经网络的计算复杂度，使得脉冲神经网络具有低能耗的特点。因此利用脉冲神经网络进行滚动轴承的故障检测，不仅为轴承故障检测领域提供了一种全新的技术方法，同时也为脉冲神经网络从理论研究到实际应用提供了更多的参考和借鉴。

本发明提供的一种基于脉冲神经网络的轴承故障检测方法与其它滚动轴承故障诊断的方法相比，首先带来的是故障诊断准确率的提升；其次是本发明具有良好的泛化性，对于不同转速、负载以及损伤宽度的故障，都能进行有效识别，可以应用到不同的滚动轴承中；最后是针对小样本数据，本发明在实验验证中也具有良好的识别效果。

附图说明

图1是基于脉冲神经网络的故障诊断框架图；

图2是振动信号特征提取流程图；

图3是不同转速和训练集下的识别准确率图；

图4是本文的技术方案与其它方法的识别准确率对比图；

图5是本文的技术方案与其它方法的识别结果的箱形图；

图6是不同转速和训练集下的识别情况图；

图7是不同负载和训练集下的识别情况图；

图8是本文的技术方案与其它方法的识别准确率对比图；

图中：(a)PSO-VMD-SNN方法，(b)本申请的技术方案。

具体实施方式

下面将参照附图1-8更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例：

一.本发明的具体方法：

如图1所示，本申请的技术方案一共分为两部分。第一部分是针对振动信号进行特征提取。因为原始振动信号中含有较多的噪声，直接使用首先会降低模型训练的效果，其次由于原始数据量极大，直接使用会增加计算的复杂度，因此本申请选择对原始数据进行特征提取，降低原始数据的噪声和维度。本技术选择使用变分模态分解技术对轴承振动信号进行分解。变分模态分解技术是一种新的自适应信号处理方法。变分模态分解技术的分解过程就是变分问题的求解过程，该方法通过迭代搜索变分模型的最优解来确定各个分量的频率中心和带宽，进而实现信号的模态分解。变分模态分解技术既不需要像小波分解和短时傅里叶变换那样给出需要分解的基函数，也弥补了经验模态分解造成的模态混叠和断点不清的问题。由于变分模态分解技术需要指定分解个数和惩罚参数，本申请应用粒子群算法来寻找每一个信号对应的分解个数和惩罚参数。粒子群算法是一种群体智能优化算法，相比于其它智能优化算法，具有搜索速度快，设置参数少，算法结构简单，因此在应用上非常简便。由于包络熵可以描述信号的稀疏性，所以本申请的技术方案中选择平均最小包络熵作为本申请的适应度函数，寻找合适的变分模态分解个数和惩罚因子。

首先对本申请得到的振动信号做分段截取，将每一个片段的振动信号作为一个样本数据。如图2所示，对于得到的样本数据应用粒子群算法，以平均最小包络熵作为适应度函数，寻找合适的分解个数和惩罚因子。在得到分解个数和惩罚因子这个两个参数后本申请对样本数据做变分模态分解。分解后分量虽然解决了原始信号中含有大量噪声的问题，但直接对这些分量进行脉冲编码会使得本申请脉冲神经网络的计算复杂度大大增加。因此在本申请的技术方案中，考虑对于原始振动信号和每一个分量，都计算其对应的10个特征指标，包括偏度因子、峰值因子、波形因数、裕度因子、脉冲因子、峭度因子、近似熵、样本熵、排列熵和模糊熵。其中前6个指标属于无量纲的特征值，经常被用来检测和衡量信号中是否存在冲击以及机械设备的磨损情况。后4个是不同定义的熵值，主要用来衡量信号的混乱程度，不对不同故障类型的信号，其信号中呈现的频率和波形存在差异利用熵值可以反映出不同信号的差异。因此选择上述的特征指标来替代原始振动数据和分量一方面可以更清晰的描述信号中所蕴涵的特征，另一方面极大的降低了脉冲神经网络计算的复杂度。在此基础之上，对于每一个样本数据，本申请可以得到(k+1)*10个特征指标，其中k是每个样本数据对应的变分模态分解个数。由于在实际分解过程中对于每一个样本数据，所对应的分解个数存在差异，但在本申请的实验中只有大部分的样本数据对应的分解个数k是相同的。为了尽可能利用更多的样本数据，本申请选择分解个数相同并且在所有的分解个数中占比最多的样本数据。对于分解个数大于的样本数据，本申请选择该样本数据的前k个分量和原始信号，对于分解个数小于的样本数据，本申请则直接舍弃掉。实际上最终舍弃的样本数据在所有数据中的占比非常小，不会造成数据的浪费。

第二部分是针对第一部分提取的振动信号特征进行故障检测。在得到样本数据的特征信息之后，本申请将(k+1)*10个特征指标先进行脉冲编码，本申请的技术方案中选择的是基于高斯谐调曲线的脉冲编码方法。这是一种群体编码方法，在本申请的脉冲神经网络中，第一层的神经元相当于一组高斯函数，每个神经元以一个高斯函数的形式覆盖一定的编码范围，利用多个重叠的高斯函数对特征信息进行编码，从而将特征信息编码为一组脉冲序列。本申请的技术方案中脉冲神经网络使用Tempotron[10]学习算法来进行神经网络的参数学习。Tempotron算法是一种结构简单，易于实现的监督学习算法，它通过训练训练脉冲神经网络的权重参数，使得每个神经元可以区分两种不同的脉冲模式(这里分别标记为“+”和“-”)。脉冲神经网络经过训练后，当一种模式被输入后(假设是“+”)，神经元的最大膜电位就会超过阈值，使得神经元发放脉冲，而另一种模式(假设是“-”)输入后，神经元的最大膜电位不会超过阈值，使得神经元不会发放脉冲。本申请方案中使用两层脉冲神经网络，第一层作为编码神经元，对本申请的特征指标进行脉冲编码，第二层作为脉冲神经元根据上一层神经元传来的脉冲从而判断该样本数据的故障类型。本技术方案中第一部分使用Matlab进行实现，第二部分使用Pytorch框架进行实现。

综上，本发明方法步骤包括：

S1.振动信号特征提取

对原始振动信号进行特征提取，获得特征指标，降低原始振动信号的噪声和维度；

S11.对原始振动信号做分段截取，将每一个片段的原始振动信号作为一个样本数据；

S12.得到步骤S11所获得的样本数据后，对样本数据应用粒子群算法，其中平均最小包络熵作为适应度函数，最终得到该样本进行变分模态分解所需的两个重要参数，包括分解个数和惩罚因子；

S13.得到分解个数和惩罚因子后，对样本数据做变分模态分解，得到分量；

S14.对于原始振动信号和每一个分量，都计算其对应的10个特征指标，对于每一个样本数据，得到(k+1)*10个特征指标，k是每个样本数据对应的变分模态分解个数。

S2.故障检测

搭建脉冲神经网络，所述脉冲神经网络包括两层，第一层作为编码神经元，对特征指标进行脉冲编码，第一层编码神经元的搭建过程包括：将步骤S14得到的(k+1)*10个特征指标用基于高斯谐调曲线的脉冲编码方法进行脉冲编码。第二层作为脉冲神经元，根据第一层神经元传来的脉冲从而判断轴承故障类型。第二层脉冲神经元使用Tempotron学习算法来进行神经网络的参数学习，学习后的每个神经元可以区分两种不同的脉冲模式，当一种模式被输入后，神经元的最大膜电位会超过阈值，使得神经元发放脉冲，而另一种模式输入后，神经元的最大膜电位不会超过阈值，使得神经元不会发放脉冲。

二.对比实验：

为了验证本申请技术方案的有效性，本申请在两类数据集上都进行了实验验证。第一类是美国凯斯西储大学(CWRU)轴承数据中心提供的驱动端6205SKF深沟球轴承实验数据。该数据是轴承振动加速度数据，包括正常、内圈、外圈和滚动体故障在内的振动信号，由安装在磁性底座壳体上的加速度传感器采集，采样频率为12kHz。第二类数据是本申请基于HD-FD-H-03X转子滚动轴承与齿轮箱综合故障实验台模拟的轴承正常、内圈故障和外圈故障信号，信号为轴承在水平方向上的振动加速度信号。

表1.CWRU数据集.

表1是本申请选取的CWRU轴承振动信号类型，本申请分别获取了四种转速下的四类振动信号，包括正常振动信号，外圈、内圈以及滚动体故障信号，每类故障的损伤点宽度为0.1778mm，每一类振动信号中训练集样本有60个，测试集样本有20个。为了验证我们所提方法的有效性，本申请分别从每一类训练集中随机选取部分样本(15、30、45、60、75)进行训练，每次训练中测试集的样本总数是80。针对CWRU数据，每个样本数据含有600个点，由于每个样本数据的分解数量不同，本申请选择了每个样本的前3个分量，然后分别计算这三个分量和原始信号的10个特征，最后每个样本包含40个特征指标。

图3是在不同转速以及不同数量训练集下的误差棒图。试验结果表明，首先本申请的技术方法可以对滚动轴承故障进行有效的诊断识别，图中每种状态下本申请识别的效果都可以达到平均85％以上的准确率。其次本申请的技术拥有着良好的鲁棒性，本申请对同一种状态都进行了15次实验，由图2中的误差棒可以看出每次实验本申请的实验结果的偏差都极小。最后是针对小样本的数据，本申请的技术仍然可以对振动信号进行有效的故障检测。

图4和图5是本申请的技术方案和基于PSO-VMD-SNN[11]的滚动轴承故障诊断方法的对比，在不同数量的训练集下，本申请的故障诊断技术具有更高的识别准确率，同时在多次实验重复实验中，本申请的技术方案有着更为显著的鲁棒性。

表2.仿真数据集

表2是本申请基于HD-FD-H-03X转子滚动轴承与齿轮箱综合故障实验台模拟了在不同转速，不同负载以及不同损伤宽度下轴承的正常、内圈和外圈故障信号。同样为了验证本申请发明在小样本中的有效性，本申请分别从每一类训练集中随机选取部分样本(50、100、150、200、250)进行训练，每一类测试集的样本数量是30。其中编码脉冲序列的高斯感受野数量为10，脉冲序列的时脉冲序列的时间窗口为100ms，学习率为0.001，epoch分别为10(训练集总数不超过1350)和20(训练集总数超过1350)。针对表2中的数据，每个样含有500个点，由于每个样本的分解数量不同，本文选择了每个信号的前2个分量，然后分别计算这两个分量和原始信号的10个特征，最后每个样本包含30个特征值。

图6是负载为0，损伤宽度为1mm的滚动轴承故障信号(包括正常、外圈和内圈故障)，本申请分别取不同数量的训练集(150和750)，在不同转速下的识别结果。图7是转速为3000r/min，损伤宽度为1mm的滚动轴承故障信号(包括正常、外圈和内圈故障)，本申请选取不同数量的训练集(150，300，450，600和750)，在不同负载下的识别结果。实验结果表明，对于不同的轴承负载、不同转轴转速以及不同数量的训练集，本申请方法都具有良好的识别效果，体现出了良好的泛化性。

最后本申请针对HD-FD-H-03X转子滚动轴承，进行了和其它方法的对比试验，如图8所示，本申请在负载为0，轴承转速为3000r/min下，包括正常信号以及不同损伤宽度(0.4，1，2和3mm)的故障信号在内的9类振动信号，在不同数量的训练集下(450，900，1350，1800和2250)，本申请的方法与LMD-SNN方法的实验结果对比。实验的结果表明本申请的技术方法展现出了更好的识别效果，同时每种状态下的重复实验都具有良好的鲁棒性。

脉冲神经网络被称为第三代人工神经网络，尽管包括ANN以及后来的CNN在内的神经网络模型在许多领域都获得了成功的应用，然而这些神经网络中神经元之间的信息传递方式更多是基于数学形式的，无法使用生物学上的神经元间信息传递机制进行描述。脉冲神经网络模拟了生物神经网络的传播机制，拥有更为强大的计算能力。为了描述神经元的动力学机制，研究者们建立了多种不同的神经元模型，经典的神经元模型包括Hodgkin-Huxley模型，Izhikevich模型和Leaky Integrate-Fire(LIF)模型。尽管最早的脉冲神经网络的研究和应用可以追溯到上世纪五十年代，但由于神经元复杂的动力学特性，相比于ANN，针对脉冲神经网络的应用仍然较少。然而在过去几十年中，得益于许多研究者的贡献，针对脉冲神经开发了各种学习算法，使得脉冲神经网络又重新回到了人们的视野中。在真实环境中由于神经元只有接收到刺激时才会做出反应，进行神经元膜电位的计算，在没有刺激的时候神经元会处于静息状态。脉冲神经网络在处理信息的过程中，由于信息会被编码成脉冲序列，而脉冲序列中只有少部分是刺激状态，这大大降低了脉冲神经网络的计算复杂度，使得脉冲神经网络具有低能耗的特点。因此利用脉冲神经网络进行滚动轴承的故障检测，不仅为轴承故障检测领域提供了一种全新的技术方法，同时也为脉冲神经网络从理论研究到实际应用提供了更多的参考和借鉴。