噪声条件下轴承故障识别方法、装置、设备和存储介质与流程

1.本发明属于轴承故障诊断技术领域，更具体地，涉及一种噪声条件下轴承故障识别方法、装置、设备和存储介质。


背景技术：

2.轴承一直是工业生产中重要的设备零部件，由于长期处于高速旋转状态下，其状态稳定性至关重要。在轴承故障诊断领域，已有许多研究人员开展了相关研究，并取得了相关进展。其中，以基于振动信号的故障诊断方法居多。该类方法以采集轴承旋转过程中的振动信号，进而分析信号中蕴含的故障特性。
3.基于振动信号的轴承故障识别方法，可以分为传统非智能方法和智能识别方法两类。传统非智能方法通常建立在专家经验的基础上，部分步骤需要进行定制化，因此推广范围往往受限。智能方法主要以机器学习、深度学习等技术为主，强调可训练、自学习的特性，从而普适性和智能性都较强。但智能方法的效果很大程度上取决于模型训练的效果。而模型训练的效果很大程度上取决于数据样本的可靠性。目前大部分基于智能方法的研究大部分集中在对理想数据条件下的识别问题，忽视了实际诊断背景下高噪声的特性。由于工业生产中噪声的普遍性，采集得到的振动信号中包含了大量的噪声，因此在理想数据条件下训练的模型往往无法取得理想的效果。
4.由于图神经网络能借助邻边节点的信息进行特征学习，因此对噪声具备一定的鲁棒性。对此，本发明利用图神经网络的这一特性，提出了一种图网络构建方式，公布了一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，能很好地解决真实背景下噪声干扰的问题。


技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种噪声条件下轴承故障的识别方法、装置、设备和存储介质，其目的在于准确识别轴承的当前状态。由此解决数据样本被噪声干扰而影响诊断精度的问题。
6.为实现上述目的，按照本发明的一个方面，提供了一种轴承故障的识别方法、装置、设备和存储介质。
7.一种轴承故障的识别方法，包括：
8.s1：采集轴承振动加速度信号；
9.s2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；
10.s3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号。
11.s4：将s3中所述重构信号进行快速傅里叶变换，得到与重构信号等长的、关于中心对称的频谱信号，取其半边谱作为后续图神经网络的节点特征。
12.s5：构建特征图：将s4中所述半边谱作为图神经网络的节点特征，计算各节点的特
征之间的欧式距离；基于k近邻法则，对每个节点选择其欧氏距离上最近的k个点为其近邻点，形成边连接，非近邻点之间不存在边连接。
13.s6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建soft-max分类器，实现轴承的故障识别。
14.在其中一个实施例中，所述步骤s3具体包括：
15.利用一次离散小波变换会得到一组高频小波系数和一组低频小波系数。由于噪声具备高频特征，因此舍弃高频小波系数，保留低频小波系数。
16.利用低频小波系数进行信号重构，重构方式采用著名的mallat算法，由此我们得到基于低频小波系数重构的重构信号。
17.在其中一个实施例中，所述步骤s4具体包括：
18.对重构信号(如1024个采样点)进行快速傅里叶变换，得到等长的(1024个点组成)谱图，该谱图关于中心对称。
19.由于该谱图是中心对称的，为避免信息冗余，取其半边谱(第1-512个点)作为后续图神经网络的节点特征。
20.在其中一个实施例中，所述步骤s5具体包括：
21.构建特征图g，主要包含节点、边两项元素的构建。
22.构建节点元素，所述节点特征由s4中所述半边谱特征构成，总节点个数即为待测样本。
23.构建边元素，先计算各节点特征之间的欧式距离。对每一个节点，基于k近邻法则，选择与其欧式距离上最近的k个点作为其近邻点。近邻点之间互相形成边连接，非近邻点不存在边连接。
24.存在边连接的节点之间，设置连接权重w为1，否则为0。所述边连接为无向边连接，所述本步骤中的特征图为无向特征图。
25.在其中一个实施例中，所述步骤s6具体包括：
26.将s5构建的特征图作为图神经网络的输入，并基于多层图卷积操作，进行节点、边连接信息的特征挖掘。
27.所述图卷积操作，一般设置为3-5次，可根据节点属性的维度来自定义。所述图卷积操作的具体流程可参考如下文献：
28.d.i.shuman,s.k.narang,p.frossard,a.ortega,and p.vandergheynst,“the emerging field of signal processing on graphs,”ieee signal processing magazine,vol.30,no.3,pp.83
–
98,2013.
29.所述图卷积操作，在具体操作时，采用切比雪夫多项式作为卷积核，从而实现运算的简化。
30.在最后一次图卷积操作后，利用soft-max分类器，得到轴承的故障识别结果。
31.在其中一个实施例中，所述步骤s6之前还包括：
32.所述图神经网络在用于识别任务之前，需要进行训练。训练过程需要一定数据的、已知故障标签的样本进行特征图的构建，并进行图神经网络模型的训练。用于训练的样本同样是在噪声条件下获得的，从而保证图网络能很好地学习到噪声样本下轴承故障的特性分布。
33.一种轴承故障的识别装置，包括：
34.数据采集模块，用于采集所述轴承的振动加速度原始信号；
35.样本构建模块，用于对所述振动加速度信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；
36.特征降噪模块，用于将所述待测样本进行离散小波变换及重构，并进行快速傅里叶变换得到其半边谱。当存在多个待测样本输入时，它们彼此的处理互不相干；
37.图构建模块，基于降噪后的特征，构建节点属性和边连接属性，形成特征图。
38.图分析模块，用于将所述特征图进行多层图卷积操作，并在最后一层图卷积层后得到soft-max分类结果，即为轴承故障识别的结果；
39.一种轴承故障的识别设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
40.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
41.总体而言，通过本发明所构思的以上技术方案与现有技术相比，本技术的有益效果：
42.本发明基于降噪特征和图神经网络对轴承的振动信号进行识别分析，能很好的避免外界噪声对数据分析的影响，从而提高模型故障识别的准确性。具体的，先将待测样本进行离散小波变换，利用其低频小波系数进行信号重构，再对重构信号进行快速傅里叶变换。取快速傅里叶变换结果的半边谱构建节点属性，利用节点之间欧式距离来确定近邻点、从而确定边连接，形成特征图。将特征图作为图神经网络的输入，通过多层图卷积操作挖掘图特征。最后，利用soft-max分类器得到轴承故障识别结果。在高噪声的工业环境下，本发明所提方法能有效处理噪声对故障诊断造成的影响，充分挖掘故障特征，发现现有故障。从而提高设备可靠性、降低运维成本，提高生产效率。
附图说明
43.图1为一个实施例中噪声条件下轴承故障识别方法的流程图；
44.图2为一个实施例中步骤s5所构建特征图的示意图；
45.图3为一个实施例中高噪声样本进行故障识别后混淆矩阵的示意图；
46.图4为一个实施例的轴承故障识别装置的结构框图；
47.图5为一个实施例的轴承故障识别设备的内部结构示意图。
48.在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：
49.数据采集模块401、样本构建模块402、特征降噪模块403、图构建模块404和图分析模块405。
具体实施方式
50.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
51.图1为一个实施例中噪声条件下轴承故障识别方法的流程图，在此实施例中该轴承为一滚动轴承。如图1所示，对该滚动轴承进行故障识别，包括：步骤s1至步骤s6。
52.s1：采集该轴承即滚动轴承的振动加速度信号。
53.具体的，可以利用本发明故障识别设备内的处理器传输控制信号给加速度传感器，以使振动加速度传感器采集该轴承的原始振动信号，再传输给处理器。即利用处理器来采集得到振动加速度信号。
54.s2：对s1中采集得到的振动加速度原始信号进行归一化处理，并将连续预设数目的采样点进行组合，构建成一个待测样本，待测样本的数量通常为多个。
55.具体的，对采集到的原始振动加速度信号进行归一化，采用min-max归一化方法，使得每个采样点的数值都保持在[0，1]范围内，每预设数目且连续的采样点构建为一个待测样本；预设数目可以设置成256、512、1024等，也可以设置成其他数值，此处不做限定。在本实施例中，样本预设数目设置为1024。在本实施例中，采用滚动轴承(型号为6205-2rs jem skf)用于本发明方法的验证，本实施例数据来源为美国凯斯西储大学。采用该滚动轴承的十一类故障状态数据，内圈故障(包括0.007、0.014、0.021英寸三类故障尺寸，分别用标签1、2、3来标识)、外圈故障(包括0.007、0.014、0.021、0.028英寸三类故障尺寸，分别用标签4、5、6、7来标识)、滚动体故障(包括0.007、0.014、0.021、0.028英寸四类故障尺寸，分别用标签8、9、10、11来标识)。为验证本发明所提出方法的有效性，对上述每类故障样本构建100个待测样本(样本采样点长度为1
×
1024)，其中70个为用于模型训练的训练集样本，30个为用于检验模型和方法的测试集样本。因此，总共形成包含1100个样本的样本集，包含770个样本的训练集和包含330个样本的测试集。为验证本发明所提方法对噪声样本故障识别的有效性，对全体样本集里的样本，分别添加高斯噪声，使得每个样本的信噪比都保持在5db左右。
[0056]
s3：将待测样本进行离散小波变换，取一层小波分解的低频系数进行信号重构，得到重构信号。
[0057]
具体的，将待测样本进行一次离散小波变换，得到一组高频小波系数和一组低频小波系数。在本实施例中，待测样本包含1024个采样点，因此经过一次离散小波变换后，两组小波系数的尺寸均为512
×
1。
[0058]
舍弃高频小波系数，因为噪声往往是是高频的。保留低频小波系数。
[0059]
利用mallat算法对低频小波系数进行重构，得到尺寸为1024
×
1的重构信号。
[0060]
s4：将s3中所述重构信号进行快速傅里叶变换，得到与重构信号等长的、关于中心对称的频谱信号，取其半边谱作为后续图神经网络的节点特征。
[0061]
具体的，对s3的尺寸为1024
×
1重构信号进行快速傅里叶变换，得到的频谱信号尺寸同样为1024
×
1。
[0062]
该频谱信号关于中心对称，因此取其半边谱即可代表其特征，在本实施例中，我们统一取该频谱的第1-512个点。
[0063]
s5：构建特征图g：将s4中所述半边谱作为图神经网络的节点特征，计算各节点的特征之间的欧式距离；基于k近邻法则，对每个节点选择其欧氏距离上最近的k个点为其近邻点，形成边连接，非近邻点之间不存在边连接。
[0064]
具体的，特征图g的构建包括节点、边两项元素的构建。
[0065]
构建节点元素，所述节点特征由s4中所述半边谱特征构成，节点特征尺寸为512
×
1。总节点个数即为待测样本。
[0066]
构建边元素，先计算各节点特征之间的欧式距离。对每一个节点，基于k近邻法则，选择与其欧式距离上最近的k个点作为其近邻点。近邻点之间互相形成边连接，非近邻点不存在边连接。k的取值可根据具体情况设定，在本实施例中，k的值设置为5。
[0067]
存在边连接的节点之间，设置连接权重w为1，否则为0。所述边连接为无向边连接，所述本步骤中的特征图为无向特征图。
[0068]
s6：利用图神经网络的图卷积操作进行特征学习，并在图神经网络的最后构建soft-max分类器，实现轴承的故障识别。
[0069]
所述图卷积操作，可参考以下参考文献：
[0070]
d.i.shuman,s.k.narang,p.frossard,a.ortega,and p.vandergheynst,“the emerging field of signal processing on graphs,”ieee signal processing magazine,vol.30,no.3,pp.83
–
98,2013.
[0071]
所述图卷积操作，在本实施例中进行三次，为提高图卷积的速度和效率，在具体操作时，采用用切比雪夫(cheb)多项式作为卷积核，relu为激活函数。
[0072]
具体的，图神经网络的结构形式可表示为：
[0073]
output＝softmax(cheb(σ(cheb(σ(cheb(input,w
(0)
)),w
(1)
)),w
(2)
))
[0074]
其中，σ为激活函数，在此实施例中图神经网络的三层卷积层均采用relu激活函数，w
(0)
，w
(1)
，w
(2)
分别表示第一次卷积、第二个卷积、第三次卷积时的权重矩阵。
[0075]
具体的，在本实施例中，图神经网络共包括1个输入层、3个图卷积层，详细的结构参数为：512-300-200-11。每层图卷积层的卷积核个数设置为3。
[0076]
具体的，在最后一次图卷积操作后，利用soft-max分类器，对每个节点最后一次卷积后得到的特征进行故障识别，得到1-11之间的类别标签，分别代表本实施例中滚动轴承的11种故障。
[0077]
利用本发明所提出方法，图3为330个测试集样本进行故障识别后的混淆矩阵。在机器学习领域，混淆矩阵(confusion matrix)，又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果。其每一列代表预测值，每一行代表的是实际的类别。由图3可以看出，330例测试样本全部被正确识别，准确率高达100％。
[0078]
图4为一个实施例的轴承故障识别装置的结构框图。如图4所示，轴承的故障识别装置包括：数据采集模块401、样本构建模块402、特征降噪模块403、图构建模块404和图分析模块405。
[0079]
数据采集模块401，用于采集所述轴承的振动加速度原始信号；
[0080]
样本构建模块402，用于对所述振动加速度信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；
[0081]
特征降噪模块403，用于将所述待测样本进行离散小波变换及重构，并进行快速傅里叶变换得到其半边谱。当存在多个待测样本输入时，它们彼此的处理互不相干；
[0082]
图构建模块404，基于降噪后的特征，构建节点属性和边连接属性，形成特征图。
[0083]
图分析模块405，用于将所述特征图进行多层图卷积操作，并在最后一层图卷积层后得到soft-max分类结果，即为轴承故障识别的结果。
[0084]
本技术提供的轴承故障识别装置基于信号处理技术和图神经网络模型，结合了频谱分析与深度学习技术的各自优势，能对噪声条件下的轴承故障样本进行有效的识别，故障识别准确率可达100％。即本发明能够有效识别噪声条件下轴承的现有故障，有着较强的实用价值和推广意义。
[0085]
在其中一个实施例中，特征降噪模块用于将所述待测样本进行离散小波变换及重构，并进行快速傅里叶变换得到其半边谱。进行一次离散小波变换，保留低频小波系数并进行信号重构。再利用快速傅里叶变换得到频谱图，取其半边谱，输出到图构建模块作为节点特征。
[0086]
在其中一个实施例中，图构建模块用于将特征降噪模块所输出的半边谱特征进行节点构建，从而构建节点元素。再根据节点之间的欧式距离，利用k近邻法则确定每个节点的k个近邻点，对近邻点之间构建边连接，形成无向的特征图，并输入到图分析模块中去。
[0087]
在其中一个实施例中，图分析模块用于将输入的特征图进行深度特征挖掘和故障识别。利用多层卷积操作对输入特征图的节点信息和边信息进行特征提取，并在最后一次卷积操作后利用soft-max分类器进行故障的识别，以使图神经网络能够最终输出轴承故障信息。
[0088]
上述噪声条件下轴承故障识别装置中各个模块的划分仅用于举例说明，在其他实施例中，可将轴承故障识别装置按照需要划分为不同的模块，以完成上述轴承故障识别装置的全部或部分功能。
[0089]
关于轴承故障识别装置的具体限定可以参见上文中对于轴承故障识别方法的限定，在此不再赘述。上述轴承故障识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0090]
图5为一个实施例中轴承故障识别设备的内部结构示意图。如图5所示，该轴承故障识别设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个轴承故障识别设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，用于实现以下各个实施例所提供的一种轴承故障识别方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。
[0091]
本技术实施例中提供的轴承故障识别装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在轴承故障识别设备上运行。该计算机程序构成的程序模块可存储在轴承故障识别设备的存储器上。该计算机程序被处理器执行时，实现本技术实施例中所描述方法的步骤。
[0092]
本技术实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行轴承故障识别方法的步骤。一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行轴承故障识别方法。
[0093]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。