基于神经网络的轴承故障检测方法与流程

1.本发明涉及工业人工智能技术领域，特别是涉及一种基于神经网络的轴承故障检测方法。


背景技术：

2.现代工业通用机械都配备了相当数量的滚动轴承。一般说来，滚动轴承都是机器中最精密的部件。通常情况下，它们的公差都保持在机器的其余部件的公差的十分之一。但是，多年的实践经验表明，只有10％以下的轴承能够运行到设计寿命年限。而大约40％的轴承失效是由于润滑引起的故障，30％失效是由于不对中或“卡住”等装配失误，还有20％的失效是由过载使用或制造上缺陷等其它原因所致。如果机器都进行了精确对中和精确平衡，不在共振频率附近运转，并且轴承润滑良好，那么机器运行就会非常可靠。机器的实际寿命也会接近其设计寿命。然而遗憾的是，大多数工业现场都没有做到这些。因此有很多轴承都因为磨损而永久失效。
3.对于轴承的故障检测，大部分还是采用人力服务的方式，无法完全实现智能化，需要消耗大量的人力和物力，成本较高，并且检测精度达不到预期。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种成本较低、检测精度较高的基于神经网络的轴承故障检测方法。
5.一种基于神经网络的轴承故障检测方法，所述方法包括：
6.采集轴承运行数据，建立轴承故障检测数据集，并将所述故障检测数据集划分为训练数据集与验证数据集；
7.建立神经网络模型，将所述训练数据集输入所述神经网络进行训练，获得训练神经网络；
8.将所述验证数据集输入所述训练神经网络进行验证，获得验证神经网络；
9.将轴承运行的实时数据输入所述验证神经网络，所述验证神经网络进行故障分析，获得故障检测结果。
10.进一步的，所述采集轴承运行数据，建立轴承故障检测数据集，包括
11.采集不同振动加速度下滚动轴承的内、外和球形数据，并将其进行混叠模仿高噪声环境，形成一维序列数据；
12.将所述一维序列数据转换为二维灰度数据，形成所述故障检测数据集。
13.进一步的，所述建立神经网络模型，包括：
14.建立神经网络模型的卷积层，所述卷积层由若干卷积单元组成。
15.进一步的，所述建立神经网络模型，还包括：
16.建立激活函数、软阈值函数与层归一化函数。
17.进一步的，所述建立神经网络模型，还包括：
18.建立收缩注意力模块，所述收缩注意力模块由一个平均池化层、两个1
×
1的卷积层、一个层归一化、一个激活函数和一个软阈值函数组成。
19.进一步的，所述建立神经网络模型，还包括：
20.建立全局注意力模块，所述全局注意力模块由一个softmax层，一个1
×
宽
×
高的卷积层，两个1
×
1的卷积层和一个激活函数组成。
21.上述基于神经网络的轴承故障检测方法，采用神经网络模型对故障数据直接进行分类，该方法不需要太多的专业领域知识，无需大量的时间成本和人力成本，成本较低，十分高效且可以达到较高精度。
附图说明
22.图1为一个实施例的基于神经网络的轴承故障检测方法流程图；
23.图2为收缩注意力模块原理图；
24.图3为全局注意力模块原理图；
25.图4为神经网络模型结构图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
27.如图1所示，在一个实施例中，一种基于神经网络的轴承故障检测方法，该方法包括以下步骤：
28.步骤s110，采集轴承运行数据，建立轴承故障检测数据集，并将故障检测数据集划分为训练数据集与验证数据集。具体的，采集不同振动加速度下滚动轴承的内、外和球形数据，并将其进行混叠模仿高噪声环境，形成一维序列数据；将一维序列数据转换为二维灰度数据，形成故障检测数据集。并将故障检测数据集划分为训练数据集和验证数据集。训练数据集用于训练神经网络模型，验证数据集用于验证神经网络模型的精度。
29.步骤s120，建立神经网络模型，将训练数据集输入神经网络进行训练，获得训练神经网络。
30.首先，建立神经网络模型的卷积层，该卷积层由若干卷积单元组成。卷积层的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征，输入特征映射与卷积核之间的卷积，并添加偏置项，表示如下：
[0031][0032]
式中，yj是第j个通道的输出特征映射，xi是第i个通道的输入特征映射， k为卷积核，b为偏置项，mj是计算第j个输出特征映射的通道集合，卷积可以重复多次得到输出特征映射。
[0033]
其次，建立激活函数，激活函数是神经网络的重要组成部分，激活函数给神经元引
入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中，激活函数表示如下：
[0034]
y＝max(x,0)，
[0035]
式中，x表示神经网络输入的值，y＝max(x,0)，实际上是将输入值与0比较，取两者中较大者。
[0036]
再次，建立软阈值函数，可以将原始信号中近零的域值通过软阈值法转换为零，软阈值函数表示如下：
[0037][0038]
式中，x表示层间传递的值，即待软阈值法处理的值，τ表示所设定的阈值。
[0039]
再者，建立层归一化函数，它针对深度网络中的某一层按如下公式进行归一化操作:
[0040][0041][0042]
式中，h表示小批量样本集合，l表示第l层，i表示第i个样本，μ
l
表示为计算出的均值，σ
l
表示为计算出的方差。
[0043]
接下来，建立收缩注意力模块，参见图2，该模块由一个平均池化层，两个1
×
1的卷积层，一个层归一化(layernorm，ln)一个激活函数(relu) 以及一个软阈值函数组成。该模块用于滤除噪声，收缩有效特征，使得特征提取更加精确。平均池化层可以对信号进行下采样，对特征进行压缩并去除冗余信息。1
×
1的卷积层可以在不同的通道上进行信息整合，防止关键信息的流失。将转换模块加入到残差网络中后，收缩注意力模块通过原始输入与经过转换模块后的输出进行软阈值操作实现对高噪声信号的过滤。
[0044]
再下来，建立全局注意力模块，该模块由一个softmax层，一个1
×
宽
×
高的卷积层，两个1
×
1的卷积层和一个激活函数组成，其中softmax层可以计算交叉熵损失函数，用softmax函数将特征变为(0,1)范围内，其中softmax 函数可以表示为：
[0045][0046]
式中，x和y分别是softmax函数的输入和输出，i和j是输出层神经元的索引，n是类的数目。
[0047]
参见图3，全局注意力模块运行可以分为三步:(1)全局建模用于全局上下文建模，将全局注意力聚合到所有位置，以捕获远程依赖，采用1
×
1卷积和 softmax获得注意力权重，然后执行注意力集中获得全局上下文特征；(2)通过 1
×
1卷积进行特征变换；(3)特征聚合，采用对每个位置的特征聚合全局上下文特征。值得注意的是，在转换模块中，为了获
得轻量级的优点，将通道数为c的1
×
1卷积块替换为通道数为c/r的1
×
1卷积块。其中r是瓶颈比，这种瓶颈变换模块可以有效的减少特征维数，使得计算成本下降。
[0048]
参见图4，输入特征先经过一个收缩注意力模块，通过收缩注意力模块将噪声滤除，随后其输出将会进入全局注意力模块，通过全局注意力模块进行特征提取。其中，全局注意力模块可以根据实验需要加入若干层。接着全局注意力模块的输出会进行批归一化(batchnorm，bn)单元，激活函数，全局平均池化操作。最后，连接一个全连接层并输出分类结果。
[0049]
最后，将训练数据集输入神经网络进行训练，获得训练神经网络。
[0050]
步骤s130，将验证数据集输入训练神经网络进行验证，获得验证神经网络。将该验证神经网络保存为最终的用于故障检测的神经网络模型。
[0051]
步骤s140，将轴承运行的实时数据输入验证神经网络，验证神经网络进行故障分析，获得故障检测结果。采集轴承运行的实时数据，并将该数据进行转换，生成对应的二维灰度图像，输入到神经网络模型中，该神经网络就可以将数据进行特征提取与分类，最终将故障结果输出。
[0052]
上述基于神经网络的轴承故障检测方法，采用神经网络模型对故障数据直接进行分类，该方法不需要太多的专业领域知识，无需大量的时间成本和人力成本，成本较低，十分高效且可以达到较高精度。同时，考虑一维振动数据比较复杂，以转换为二维图像为起点，首先将一维振动数据转换为二维灰度图像，灰度图像可以作为一个矩阵，其中数值的取值范围为0-255，根据模糊处理的方式，这种转换不会影响本身的精度，故在提高了模型的运算效率的同时提高了模型的泛化能力。另外在神经网络的中间层加入了软阈值，建立软阈值函数，可以将原始信号中近零的域值通过软阈值法转换为零，故在特征融合时加入软阈值函数可以加速计算，使得神经网络更加高效。再次，将神经网络进行残差连接，并将两个注意力机制模块进行集成，该方法可以提取数据的主要特征，使得重要特征更加明显，并将不重要的特征直接忽略，提高了在高噪声背景下轴承故障检测的精度。
[0053]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。