一种基于冻结卷积核的电机轴承诊断方法

摘要: 本发明涉及故障诊断,尤其是涉及一种基于冻结卷积核的电机轴承诊断方法。背景技术:1、滚动轴承是工业电机的核心易损零部件,据统计,电机80%以上的机械故障均源于轴承...
一种基于冻结卷积核的电机轴承诊断方法

本发明涉及故障诊断,尤其是涉及一种基于冻结卷积核的电机轴承诊断方法。

背景技术:

1、滚动轴承是工业电机的核心易损零部件,据统计,电机80%以上的机械故障均源于轴承各结构部件的失效。轴承包含内圈、外圈、滚动体、保持架、密封件五大关键结构,不同部件的故障诱因与振动特征存在本质区别:内圈随转轴旋转,故障会产生转速调制型周期性冲击;外圈固定于端盖,故障产生固定频率冲击振动;滚动体故障会引发无规则交变脉冲;保持架磨损、变形会导致低频紊乱振动;密封件老化、破损会引发摩擦噪声与微弱幅值扰动。

2、现有传统轴承故障诊断技术以频谱分析、小波变换、单一深度学习分类模型为主,存在显著技术缺陷:一是传统方法仅能判断轴承整体故障,无法精准区分内圈、外圈、滚动体、保持架、密封件的独立故障,难以定位失效部件,运维针对性差;二是现有深度学习诊断模型多采用全参数训练或全局微调模式,在工业现场轴承故障小样本、强噪声、变转速工况下极易过拟合,无法捕捉各部件的早期微弱故障特征;三是现有算法未针对不同轴承部件的差异化故障特征进行适配优化,通用特征与部件专属特征相互干扰,导致轻度故障、密封件故障、保持架低频故障识别精度极低;四是工业现场轴承数据存在严重的样本不均衡问题,正常样本数量庞大,各类部件故障样本稀缺,传统损失函数会导致模型偏向正常类别,漏检早期部件故障。

3、目前行业内缺少一种可针对性适配轴承五大结构部件差异化故障特征、适配小样本工业场景、抑制过拟合的智能诊断方案,无法实现轴承部件级的精准故障诊断。

技术实现思路

1、本发明的目的是提供一种基于冻结卷积核的电机轴承诊断方法,通过分级卷积核机制分离通用振动特征与部件专属故障特征,实现电机轴承全结构部件的高精度故障识别。

2、为实现上述目的,本发明提供了一种基于冻结卷积核的电机轴承诊断方法,包括以下步骤:

3、s1、采集电机轴承各部件运行原始振动信号,对原始振动信号进行标准化预处理;

4、s2、对标准化后的振动信号进行短时傅里叶变换,生成二维时频特征图谱并进行像素归一化处理;

5、s3、构建分级卷积神经网络诊断模型;

6、s4、对分级卷积神经网络诊断模型进行模型基础权重预训练,采用目标电机轴承多部件实测小样本数据集完成迁移训练;

7、s5、构建模型训练目标函数,迭代优化可训练网络参数;

8、s6、采集待测电机轴承实时振动信号,输入训练完成的分级卷积神经网络诊断模型,结合置信度阈值进行故障二次校验,输出最终诊断结果与运维建议。

9、优选的,s1中,标准化计算公式为:

10、;

11、式中,表示第个振动采样点幅值;表示标准化后第个振动采样点幅值;表示原始整段振动信号均值;表示原始整段振动信号标准差;;为单段振动信号总采样点数。

12、优选的,s2中,对标准化后的振动信号执行短时傅里叶变换,生成包含时域冲击特征和频域调制特征的二维时频特征图谱,并对时频特征图谱进行像素归一化处理,其中,短时傅里叶变换公式为:

13、;

14、式中,表示时刻、频率对应的时频复振幅;表示短时傅里叶变换滑动窗长度;表示汉宁窗窗函数在振动采样点处的权重;为虚数单位;

15、图谱像素归一化公式为:

16、;

17、式中,表示归一化后时频特征图谱坐标对应的像素特征值;表示时频矩阵坐标对应的幅值;表示整幅时频幅值矩阵;为时频特征图谱幅值最大值;为时频图谱幅值最小值。

18、优选的,s3中,构建面向轴承多结构部件故障识别的分级卷积神经网络诊断模型,分级卷积神经网络诊断模型依次包括输入层、冻结卷积核模块、批归一化层、可微调卷积核模块、随机失活层、全局池化层、全连接层和多部件故障分类输出层;

19、冻结卷积核模块用于提取电机轴承周期性冲击、振动边缘和噪声基底特征,其包括层卷积层,每层卷积运算表达式为:

20、;

21、式中,表示冻结卷积核模块第层卷积输入特征图在像素位置处的特征值;表示冻结卷积核模块第层卷积输出特征图像素位置处的特征值;为卷积核内相对坐标向量;为卷积核相对坐标欧式模长;为卷积核感受野定义域;表示轴承振动特征空间衰减权重函数,用于模拟轴承振动信号随感受野距离的自然衰减特性;为非线性激活函数;表示冻结卷积核模块第层卷积核权重;表示冻结卷积核模块第层卷积偏置参数。

22、优选的,s3中,可微调卷积核模块用于自适应学习轴承内圈、外圈、滚动体、保持架和密封件的故障调制特征、频率特征和冲击间隔特征,实现多部件故障的差异化识别;

23、可微调卷积核模块包括含层卷积层,每层卷积运算表达式为:

24、;

25、式中,表示可微调卷积核模块第层卷积输入特征图像素位置处的特征值;表示可微调卷积核模块第层卷积输出特征图像素位置处的特征值;表示部件故障特征增强权重函数;表示可微调卷积核模块第层可训练卷积核权重;表示可微调卷积核模块第层可训练卷积偏置参数;为非线性激活函数。

26、优选的,s4中,采用公开轴承源域数据集对分级卷积神经网络诊断模型进行模型基础权重预训练,固定冻结卷积核模块全部权重与偏置参数,只开放可微调卷积核模块和全连接层参数,并采用目标电机轴承多部件实测小样本数据集完成迁移训练;

27、其中,冻结卷积核层数与总卷积层数的比例满足0.3≤≤0.6,比例的计算公式为:

28、;

29、式中,为冻结卷积层数量;为可微调卷积层数量;

30、迁移训练过程采用adam优化器进行可训练参数更新,参数更新公式为:

31、;

32、式中,为次迭代更新前的模型可训练参数集合为第次迭代更新后第迭代步生效的可训练参数集合;为模型训练迭代步数;为第步迭代对应的一阶动量;为步迭代对应的二阶动量;为一阶动量衰减系数;为二阶动量衰减系数;为模型训练基础学习率;为adam数值稳定常数;为焦点损失函数对当前迭代可训练参数的梯度;为哈达玛逐元素乘积;为修正后的一阶动量;为修正后的二阶动量。

33、优选的,在冻结卷积核模块与可微调卷积核模块之间增设批归一化层,批归一化公式为:

34、;

35、式中,为卷积层输出原始特征值;为当前训练批次特征均值;为当前训练批次特征方差;分别为批归一化可学习缩放、偏移参数;为批归一化防除零常数;

36、在可微调卷积模块后加入随机失活层抑制小样本过拟合,随机失活计算公式为:

37、;

38、式中,为上层卷积输出原始特征;为随机失活处理后特征;为服从0~1均匀分布的随机变量;为预设神经元失活概率;为指示函数,条件成立取1,否则取0。

39、优选的,s5中,构建包含聚焦因子的焦点损失函数作为模型训练目标函数,迭代优化可训练网络参数,焦点损失函数表达式为:

40、;

41、式中,表示单训练批次总损失值;表示单次训练批次样本数量;表示轴承多结构故障类别总数;表示第类部件故障的类别权重系数;表示故障聚焦因子;表示第个样本真实部件故障类别独热标签;表示模型输出第个样本属于第类故障的预测概率;

42、以最小化批次焦点损失期望作为模型整体迭代优化目标,整体训练目标表达式为:

43、;

44、式中,为模型整体训练目标损失;表示在可训练参数集上执行最小化求解优化;为批次样本期望均值运算。

45、优选的,s6中,采集待测电机轴承实时振动信号,重复步骤s1~s2生成待测时频特征图谱,输入训练完成的诊断模型,基于多部件多梯度故障识别体系、结合各轴承结构部件振动故障特征识别机制,输出轴承健康状态、故障部件位置和对应损伤程度,预设置信度阈值,当模型最大预测置信度时,判定轴承部件故障特征被噪声掩盖、特征不显著,输出预警信号并重新采集振动数据进行二次诊断。

46、优选的,多部件多梯度故障识别体系识别的故障类别包括轴承正常状态、内圈故障、外圈故障、滚动体故障、保持架故障和密封件故障,通过振动幅值倍率系数构建量化分级判据,振动幅值倍率系数表达式为:

47、;

48、式中,为轴承故障振动幅值倍率系数;为待测故障轴承稳态振动幅值有效值;为相同工况下正常无故障轴承基准振动幅值有效值;

49、根据振动幅值倍率系数,结合故障特征频谱显著度和噪声淹没程度三维判定指标,将各结构部件故障划分为轻度、中度和重度三级损伤等级,判定规则为:

50、当,判定部件故障特征频谱微弱,高频谐波不显著,故障特征易被工业噪声淹没,电机轴承仅存在微磨损、微点蚀、轻微摩擦畸变,无结构性材料剥落与形变缺陷,电机损伤等级为轻度损伤;

51、当时,判定部件故障特征频谱清晰稳定,出现规整周期性冲击调制特征,噪声干扰度低,电机轴承存在非破坏性结构缺陷,电机损伤等级为中度损伤;

52、当时,部件故障特征频谱高幅值富集、多阶谐波显著,冲击脉冲密集度高,电机轴承存在严重结构性缺陷,电机损伤等级为重度损伤。

53、因此,本发明采用上述一种基于冻结卷积核的电机轴承诊断方法,有益效果如下:

54、(1)本发明突破传统模型仅能整体故障判定的局限,可精准区分五大结构部件的独立故障,同时识别各部件轻、中、重度损伤等级,为轴承针对性维修、部件更换提供精准数据支撑,大幅提升电机运维效率,避免盲目更换整体轴承带来的资源浪费。

55、(2)本发明冻结通用特征卷积核,大幅减少模型可训练参数量,降低模型拟合容量,避免小样本工况下模型学习工业噪声、负载干扰等无效特征;同时保留预训练的通用振动特征提取能力,仅针对轴承部件专属特征进行微调优化,相比传统全量微调、从零训练模型,小样本工况下多部件故障识别准确率提升10%~18%,有效适配工业现场故障样本稀缺的实际场景。

56、(3)针对工业现场正常样本多、各类部件故障样本尤其是轻度故障样本稀缺的特点,本发明引入类别权重系数,对稀有部件故障、早期轻度故障增大损失约束权重,避免模型偏向预测正常类别,均衡提升轴承五大结构部件故障的识别精确率与召回率,适配工业真实数据分布特征。

57、(4)本发明仅对部分卷积层与全连接层参数进行梯度更新,大幅减少反向传播计算量,模型训练迭代收敛速度大幅提升,训练耗时显著降低;模型推理阶段结构轻量化,无需高端算力支撑,可直接部署于嵌入式边缘监测终端,满足工业电机7×24小时在线实时部件级故障诊断需求。

58、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。