一种基于卷积自编码的变工况下滚动轴承故障诊断方法与流程

1.本发明涉及轴承故障智能诊断技术领域，尤其是涉及一种基于一维卷积自编码的变工况下滚动轴承故障诊断方法。


背景技术：

2.滚动轴承是旋转机械设备中常用的零部件，其健康状态关系着设备运行的可靠性与稳定性。但长期运行在高转速、重负载工况下，其故障频发，若得不到及时维护，将导致设备的其它零部件的损坏而造成更大的经济损失。因此实现对滚动轴承健康状态的准确识别具有重要意义。受需求及环境等多种因素影响，滚动轴承并非在单一工况下运行，而是常常运行在变速变载荷条件下，工况的变化一定程度上增加了故障特征与故障模式间映射关系的复杂性，给机械设备健康状态监测带来了巨大挑战。针对滚动轴承的故障诊断问题，国内外学者开展了大量的研究工作。以数字信号处理为基础的诊断方法研究较早，近年来，随着机器学习研究的不断深入，采用数据驱动的诊断方法取得较大进展，如支持向量机、随机森林、深度信念网络等。这种故障诊断方法往往需要人工提取特征，对专家经验有较强的依赖性，在变工况条件下应用有一定的局限性。为了摆脱人工提取特征带来的限制，深度学习方法在变工况下的轴承故障诊断中逐步得到应用，这类方法可以自动学习特征提取，但是训练深度学习模型时又常常存在收敛困难、训练速度慢的问题，使其广泛应用受到影响。


技术实现要素：

3.本发明提出了一种基于一维卷积自编码的变工况下滚动轴承故障诊断方法，通过将一维卷积自编码和卷积神经网络相结合，自动提取识别滚动轴承的变工况下的故障特征，实现了自适应特征提取和领域自适应的变工况下滚动轴承故障诊断。
4.为解决上述技术问题，本发明采用的技术方案是：
5.一种基于卷积自编码的变工况下滚动轴承故障诊断方法，具体包括以下步骤：
6.步骤s1、获得样本数据集：通过公开数据集获取滚动轴承在多个工况下的振动信号，并利用数据重叠分割方法对采集到的振动信号进行分割，得到振动信号的样本数据集，所述样本数据集包括源域数据集和目标域数据集；
7.步骤s2、将源域数据集和目标域数据集分别输入至一维卷积自编码的编码器中，得到源域特征参数矩阵和目标域特征参数矩阵；
8.步骤s3、将步骤s2中的源域特征参数矩阵和目标域特征参数矩阵输入到一维卷积自编码的解码器中得到重构后的样本数据集，通过重构后的样本数据集和样本数据集计算得到均方误差损失函数；
9.步骤s4、将源域特征参数矩阵输入至卷积神经网络中，输出源域的状态类别并计算得到交叉熵损失函数；
10.步骤s5、通过均方误差损失函数和交叉熵损失函数求和得到样本数据集的总损失函数，再利用反向传播算法更新一维卷积自编码和卷积神经网络的参数，直到样本数据集
的总损失为0时，停止更新一维卷积自编码和卷积神经网络的参数，进入步骤步骤s6；
11.步骤s6、计算得到目标域数据集的诊断准确率。
12.作为本发明的进一步的优选方案，所述步骤s1具体包括以下步骤：
13.步骤s11、获得样本数据集ⅰ：通过公开数据集获取滚动轴承在相同转速、不同负载下的振动信号，滚动轴承包括四种状态并在四种工况下运行，所述四种状态包括滚动体故障、外圈故障、内圈故障和正常状态；所述四种工况包括1797rpm/0hp、1772rpm/1hp、1750rpm/2hp和1730rpm/3hp；以1024个数据点为一个样本数据，并根据滚动轴承状态给赋予样本数据标签，将多个样本数据组成得到样本数据集ⅰ，所述样本数据集ⅰ包括四种不同的负载，将样本数据集ⅰ作为变负载数据集，以样本数据集ⅰ中的任一工况的数据作为源域数据集，则样本数据集ⅰ中的其他工况数据则为目标域数据集。
14.作为本发明的进一步的优选方案，所述步骤s1具体还包括以下步骤：
15.步骤s12、获得样本数据集ⅱ：通过公开数据集获取滚动轴承在不同转速、相同负载下的振动信号，滚动轴承的转速范围[900rpm，1620rpm]，此时，滚动轴承的状态包括外圈故障、内圈故障和正常状态，此时，以1024个数据点为一个样本数据，并根据滚动轴承状态赋予样本数据标签，将此状态下的多个样本数据组成得到样本数据集ⅱ，所述样本数据集ⅱ包括四种不同的转速，将样本数据集ⅱ作为变转速数据集，以样本数据集ⅱ中的任一工况的数据作为源域数据集，则样本数据集ⅱ中的其他工况数据则为目标域数据集。
[0016]
作为本发明的进一步的优选方案，步骤s2中的所述一维卷积自编码包括编码器和解码器，所述编码器由5层卷积层组成，所述解码器由7层反卷积层组成。
[0017]
作为本发明的进一步的优选方案，所述步骤s3中具体如下：
[0018]
将步骤s2中得到的源域特征参数矩阵和目标域特征参数矩阵，输入至一维卷积自编码的解码器中，得到重构后的样本数据并计算均方误差损失函数，将步骤s2中的源域特征参数矩阵和目标域特征参数矩阵输入到一维卷积自编码的解码器中得到重构后的样本数据集，通过重构后的样本数据集和样本数据集计算得到均方误差损失函数：
[0019][0020]
其中，x为一维卷积自编码的编码器的输入，i为样本编号,xi为编码器的第i个输入样本，y为解码器的输出，yi为第i个样本解码器的输出，n为样本数量。
[0021]
作为本发明的进一步的优选方案，所述步骤s4中所述卷积神经网络由两层卷积层和两层全连接层组成。
[0022]
作为本发明的进一步的优选方案，所述交叉熵损失函数为：
[0023][0024]
其中c为轴承状态类别数量，z为是卷积神经网络的输出，j为类别编号，j取值为0,1,2
…
c-1，为第i个样本经过卷积神经网络后的第j维的输出值；1{
·
}为指数函数，当时，1{
·
}＝1；当}＝1；当时，1{
·
}＝0；p为发生的概率。
[0025]
作为本发明的进一步的优选方案，所述步骤s6具体包括以下步骤：
[0026]
步骤s61：将s2中所述的目标域数据集输入到已经训练好的一维卷积自编码的编码器中得到目标域特征参数矩阵；
[0027]
步骤s62：当一维卷积自编码和卷积神经网络的参数停止更新后，得到训练完成后的一维卷积自编码和卷积神经网络，将步骤s61中的所述目标域特征参数矩阵输入训练完成后的一维卷积自编码和卷积神经网络中，输出得到甄别后的目标域的轴承状态类别，将甄别后的目标域的轴承状态类别与目标域的样本数据标签进行对比，计算得到本次滚动轴承故障的诊断识别精度。
[0028]
作为本发明的进一步的优选方案，在获得样本数据集之前，建立一维卷积自编码的变工况下滚动轴承故障诊断模型。
[0029]
作为本发明的进一步的优选方案，所述一维卷积自编码的变工况下滚动轴承故障诊断模型包括一维卷积自编码和卷积神经网络
[0030]
本发明具有如下有益效果：
[0031]
1、本发明公开的一种基于卷积自编码的变工况下滚动轴承故障诊断方法，通过将一维卷积自编码和卷积神经网络相结合，实现在不需要大量的试验数据的情况下，自动提取识别滚动轴承的变工况下的故障特征，实现了领域自适应，大大的提高了滚动轴承在变工况下故障诊断的准确率；
[0032]
2、本发明所公开的一种基于卷积自编码的变工况下滚动轴承故障诊断方法，由于编码器、解码器和神经网络均是由卷积层和反卷积层组成，使得训练参数不至于过多，训练过程更加稳定具有易于收敛、训练方便的优势。
附图说明
[0033]
图1是本发明的流程图；
[0034]
图2是本发明的卷积自编码网络结构图；
[0035]
图3是本发明的卷积神经网络结构图；
[0036]
图4是本发明的轴承故障诊断模型结构图；
[0037]
图5是本发明的模型在训练过程中的损失函数图；
[0038]
图6是本发明的一维卷积自编码训练效果图；
[0039]
图7是本发明的模型与对比模型诊断准确率的对比图。
具体实施方式
[0040]
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
[0041]
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
[0042]
如图1所示，一种基于卷积自编码的变工况下滚动轴承故障诊断方法，具体包括以下步骤：
[0043]
首先建立一维卷积自编码的变工况下滚动轴承故障诊断模型，所述一维卷积自编
码的变工况下滚动轴承故障诊断模型包括一维卷积自编码和卷积神经网络。
[0044]
步骤s1、获得样本数据集：通过公开数据集获取滚动轴承在多个工况下的振动信号，并利用数据重叠分割方法对采集到的振动信号进行分割，得到振动信号的样本数据集，所述样本数据集包括源域数据集和目标域数据集。
[0045]
步骤s11、获得样本数据集ⅰ：通过公开数据集获取滚动轴承在相同转速、不同负载下的振动信号，滚动轴承包括四种状态并在四种工况下运行，所述四种状态包括滚动体故障、外圈故障、内圈故障和正常状态；所述四种工况包括1797rpm/0hp、1772rpm/1hp、1750rpm/2hp和1730rpm/3hp；以1024个数据点为一个样本数据，并根据滚动轴承状态给赋予样本数据标签，将多个样本数据组成得到样本数据集ⅰ，所述样本数据集ⅰ包括四种不同的负载，将样本数据集作为变负载数据集，样本数据集ⅰ具体情况如表1所示：
[0046]
表1
[0047][0048][0049]
步骤s12、获得样本数据集ⅱ：通过公开数据集获取滚动轴承在不同转速、相同负载下的振动信号，滚动轴承的转速范围[900rpm，1620rpm]，此时，滚动轴承的状态包括外圈故障、内圈故障和正常状态，此时，以1024个数据点为一个样本数据，并根据滚动轴承状态赋予样本数据标签，将此状态下的多个样本数据组成得到样本数据集ⅱ，所述样本数据集ⅱ包括四种不同的转速，将样本数据集ⅱ作为变转速数据集，样本数据集ⅱ具体情况如表2所示：
[0050]
表2
[0051][0052]
步骤s13、将样本数据集ⅰ和样本数据集ⅱ作为两个变工况数据集，以样本数据集ⅰ或样本数据集ⅱ中的任一工况的数据作为源域数据集，则样本数据集ⅰ或样本数据集ⅱ中的其他工况数据则为目标域数据集。
[0053]
步骤s2、将源域数据集和目标域数据集分别输入至一维卷积自编码的编码器中，得到源域特征参数矩阵和目标域特征参数矩阵，其中一维卷积自编码由编码器和解码器组成，一维卷积自编码结构如图2所示，其中编码器由5层卷积层组成，解码器由7层反卷积层组成。
[0054]
步骤s3、将步骤s2中的源域特征参数矩阵和目标域特征参数矩阵输入到一维卷积自编码的解码器中得到重构后的样本数据集，通过重构后的样本数据集和样本数据集计算得到均方误差损失函数：
[0055][0056]
其中，x为一维卷积自编码的编码器的输入，i为样本编号,xi为编码器的第i个输入样本，y为解码器的输出，yi为第i个样本解码器的输出，n为样本数量。
[0057]
步骤s4、将源域特征参数矩阵输入至卷积神经网络中，输出源域的状态类别并计算得到交叉熵损失函数；
[0058][0059]
其中c为轴承状态类别数量，z为是卷积神经网络的输出，j为类别编号，j取值为0,1,2
…
c-1，为第i个样本经过卷积神经网络后的第j维的输出值；1{
·
}为指数函数，当时，1{
·
}＝1；当}＝1；当时，1{
·
}＝0；p为发生的概率。
[0060]
其中，上述的卷积神经网络由两层卷积层和两层全连接层组成。
[0061]
基于一维卷积自编码的变工况下轴承故障诊断模型结构如图4所示，可以看到模型可以分成三个部分：解码器、编码器和卷积神经网络，具体的网络参数如表3所示：
[0062]
表3
[0063][0064]
步骤s5、通过均方误差损失函数和交叉熵损失函数求和得到样本数据集的总损失函数，再利用反向传播算法更新一维卷积自编码和卷积神经网络的参数，直到样本数据集的总损失为0时，停止更新一维卷积自编码和卷积神经网络的参数：
[0065]
具体地，将均方误差损失函数与交叉熵损失函数求和得到得到样本数据集的总损
失函数，采用adam优化器，学习率为0.0003，训练轮数为600，小批量mini-batch大小为32，利用反向传播算法迭代更新一维卷积自编码网络和卷积神经网络的参数，直至样本数据集的总损失函数结果趋于0时，表示更新后的一维卷积自编码网络和卷积神经网络的参数趋于稳定，则表示一维卷积自编码的变工况下滚动轴承故障诊断模型训练完成，停止迭代更新过程，进入步骤s6。
[0066]
所述样本数据集的总损失函数如图5所示，可以看出整体训练过程较好，在训练初期，总损失函数迅速下降，在30轮之后，总损失函数已经达到0.01，验证集诊断准确率已经达到100％，该过程是卷积神经网络和一维卷积自编码神经网络的总损失函数均迅速下降的过程；之后总损失函数开始平稳缓慢地下降，该过程主要是一维卷积自编码的总损失函数的下降过程，600轮时损失函数为0.0009，因下降较缓慢不作展示。
[0067]
图6展示的是在0负载情况下原始数据与经过一维卷积自编码网络之后的重构数据的对比图，左边四张波形图为原始数据，右边四张波形图为重构数据，从上至下状态类型分别为正常状态、内圈故障、滚动体故障和外圈故障。由图6可以看出，原始数据和重构数据波形图基本一致，由于一维卷积自编码具有去噪功能，两种图在一些地方有细微差别，此外经过600轮的训练之后，损失函数达到0.0009也说明了一维卷积自编码网络训练效果较好。
[0068]
步骤s6、计算得到目标域数据集的诊断准确率。
[0069]
步骤s61：将s2中所述的目标域数据集输入到已经训练好的基于一维卷积自编码的变工况下滚动轴承故障诊断模型的编码器中得到目标域特征参数矩阵。
[0070]
步骤s62：当一维卷积自编码和卷积神经网络的参数停止更新后，得到训练完成后的基于一维卷积自编码的变工况下滚动轴承故障诊断模型，将步骤s61中的所述目标域特征参数矩阵输入训练完成后的基于一维卷积自编码的变工况下滚动轴承故障诊断模型中，输出得到甄别后的目标域的轴承的状态类别，将甄别后的目标域的工况类别与目标域的样本数据标签进行对比，计算得到本次滚动轴承故障的诊断识别精度。
[0071]
为了更加具体地分析一维卷积自编码的变工况下滚动轴承故障诊断模型的诊断性能，选用了三个模型进行对比，包括卷积神经网络、残差卷积神经网络和支持向量机。其中卷积神经网络为本发明中的模型去掉解码器之后的模型；残差卷积神经网络采用经典的网络结构；支持向量机提取特征参数包括6个时域特征(均方根、峭度、偏度、波形因子、峰值因子和标准差)、5个频域特征(中心频率、均方频率、均方根频率、频率方差、频谱散度)和4个时频特征(包络阶次谱中旋转阶次和故障特征阶次处的幅值)。
[0072]
首先利用数据集ⅰ(变负载数据集)进行验证，以某一工况的数据集作为训练集，其余工况数据集作为测试集，得到各模型诊断准确率如表4所示，其中每个模型中的每个诊断任务均是三次训练并预测取平均值的结果。可以看出对于a诊断任务，即负载为0hp工况下的测试集各模型诊断准确率均较高，三种基于卷积神经网络的模型可以达到100％，支持向量机达到97.6％，但是对于变工况下的数据，各模型诊断准确率均有所下降；对比b、c、d诊断任务的准确率以及三者的平均值可以看出，基于人工提取特征的支持向量机在三个变工况下的故障诊断准确率均较低，其原因可能是，所提取的特征并不具有很好的表达能力以及模型自身在变工况下的局限性；而基于卷积神经网络的三种模型平均诊断准确率都在92％以上，残差卷积神经网络变工况下的诊断能力较为稳定且表现良好，比简单的卷积神经网络模型诊断准确率在三个诊断任务上均较高；本发明所提模型在卷积神经网络模型的
基础上加入一维卷积自编码网络，可以看出，诊断准确率有大幅提升，b和c诊断任务已经达到99.5％以上，d诊断任务准确率较低，为93.5％，但相比其他模型仍然具有优势。
[0073]
表4
[0074][0075]
然后利用数据集ⅱ(变转速数据集)再次进行验证，以转速在900-1080rpm下的数据集用作训练集，其余转速下的数据集用作测试集，各模型在各工况下的诊断准确率如图7所示，每个模型有四个诊断任务，可以看出，其结果规律与数据集ⅰ上的基本一致，基于人工提取特征的机器学习模型支持向量机诊断效果最差，而本发明中所提模型在卷积神经网络的基础上加入一维卷积自编码网络，诊断诊断准确率有了较大提升，说明了基于本发明所提模型的有效性。
[0076]
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。