基于卷积神经网络模型检测轴承故障的方法和设备与流程

1.本发明涉及轴承技术领域。本技术具体涉及用于检测轴承故障的方法以及设备。


背景技术：

2.轴承的运行状态无论对于列车的安全运行还是大型设备的正常运转都至关重要，提前预知轴承运行状态和发展趋势对于设备正常运转，减少财产损失有着重要意义。
3.目前，轴承的故障检测主要以包络解调等方法来对轴承振动信号进行分析，进而评判轴承故障以及预估失效尺寸。例如在中国专利文献cn 102840907 b中公开了一种对滚动轴承的振动信号特征提取和分析方法，其中，该方法通过插值重采样技术获得包络信号并且对其作包络谱分析。
4.然而，已知的轴承故障诊断技术、尤其对轴承失效尺寸的预估等需要经过复杂的信号处理，如包络解调，重采样，滤波处理，降噪，特征值计算等多个步骤。因此在进行大量数据分析时，耗费的时间较长且占用的数据处理资源较多。此外，当前轴承故障检测中的关键参数、例如关键阈值等的设定涉及较多的人为主观因素，由此轴承故障的检测结果可能会有准确度以及精度不高等缺点。


技术实现要素：

5.因此，本发明的目的在于提供一种用于检测轴承故障的方法和设备，借助提供的方法和设备能够更精确地对轴承故障进行检测，该检测过程优选能够省时省力地完成。
6.上述目的在一方面通过一种基于卷积神经网络模型检测轴承故障的方法实现。该检测方法包括：
7.a)获取轴承卷积神经网络模型；
8.b)获取轴承的振动信号；
9.c)对所获取的振动信号进行预处理以得到在时频域上的特征图；
10.d)将得到的特征图输入到所获取的轴承卷积神经网络模型中，得到轴承故障诊断信息。
11.在此提供的轴承故障检测方法可以用于各个领域中的轴承、尤其滚动轴承的故障检测。
12.在此，轴承的振动信号可以在轴承处于运行状态时由检测设备中的传感器测量。有利地，在为检测轴承故障而获取轴承的振动信号之前获得轴承卷积神经网络模型，并且轴承卷积神经网络模型被存储在例如轴承专家诊断系统或者在线轴承故障诊断系统。由此，在检测轴承故障时，可以直接调用预先建立的轴承卷积神经网络模型。
13.由振动信号经预处理得到的在时频域上的特征图作为输入图像被输入到轴承卷积神经网络模型中，轴承卷积神经网络模型经过计算能够直接给出轴承故障诊断信息。
14.通过将卷积神经网络技术结合至轴承检测，轴承卷积神经网络模型可以自动地从大量的数据中学习关于轴承失效的特征并且将结果向同类型的未知数据泛化。具体地，通
过卷积神经网络以及信号特征提取技术可以建立基于深度学习的轴承故障智能诊断以及失效尺寸预估的模型。由此可以省去对轴承系统中的大量关键的但不易测得的参数的测量、例如对轴承中载荷和转速的测量，同时可以省去在轴承检测中对关键阈值的人为设定，排除了轴承故障检测中的主观因素。因此，在此提供的轴承故障检测方法能够更精确地检测轴承故障并且故障检测省时省力。
15.在一种优选的实施方式中，轴承卷积神经网络模型构造为多层多神经元的深度学习卷积神经网络模型。由于多层以及多神经元或者说多滤波器的设置，能够更精确地确定轴承故障诊断信息。
16.在此，特别优选地，轴承卷积神经网络模型包括图像输入层、卷积层、线性修正单元层、批处理归一化层、最大池化层、全连接层、柔性最大值传输层，以及输出层。优选地，轴承卷积神经网络模型包括多个卷积层。优选地，轴承卷积神经网络模型包括多个网络结构，其中，每个网络结构包括多个卷积层，在多个卷积层后连接线性修正单元层、批处理归一化层、最大池化层。
17.在一种有利的实施方式中，通过如下步骤建立轴承卷积神经网络模型：
18.a1)准备关于轴承故障的数据集并且对数据集进行标签分类；
19.a2)将经标签分类的数据集中的振动信号进行预处理以得到在时频域上的特征图；
20.a3)预设卷积神经网络模型；
21.a4)利用经标签分类的特征图训练预设的卷积神经网络模型。
22.为了建立轴承卷积神经网络模型，需要准备大量样本数据，并对其进行标签分类，以训练预设的卷积神经网络模型。在此，对经标签分类的数据集中的振动信号的预处理优选如同上述的在实际检测轴承故障中的预处理。由此可以对数据集实施分帧切片处理。优选地，每帧特征图的尺寸例如是64
×
64。备选地，每帧特征图也可以具有另外的尺寸。
23.在此，有利地，按照轴承失效部件和对应轴承失效部件的失效尺寸对数据集进行标签分类。在此，对于滚动轴承，轴承失效部件可以是外圈、内圈、滚动体以及保持架中的至少一个部件、优选全部部件。在此，失效的形式可以具有多样性。优选地，检测方法涉及的失效的形式包括部件材料的剥落。在这种情况下，失效尺寸则指剥落区域的尺寸。可选地，检测方法涉及的失效形式包括电蚀、断裂等。
24.在此，有利地，针对每个标签分类的特征图不少于5000帧。由此可以保证对预设的卷积神经网络模型的充足的训练。
25.利用经标签分类的大量的在时频域上的特征图输入到预设的卷积神经网络模型中，卷积神经网络模型会根据目标自行优化网络中的各种权重系数，直至算法收敛至所设定精度，此时认为轴承卷积神经网络模型训练完成。在一种实施方式中，训练目标为四种故障类型，即外圈故障、内圈故障，滚动体故障和保持架故障，具体地还涉及对应各类故障的失效尺寸。
26.在一种有利的实施方式中，尤其在步骤a)中以及在步骤c)中，振动信号的预处理包括：
27.c1)对振动信号进行包络解调分析得到解析信号；
28.c2)对解析信号进行低通滤波处理得到低频信号，从而滤除与轴承故障信息无关
的高频信号；
29.c3)利用时频域分析方法从低频信号提取在时频域上的故障特征。
30.特别有利地，时频域分析方法是短时傅里叶变换或者连续小波变换。
31.由此通过振动信号的预处理可以提高轴承卷积神经网络模型对轴承故障的准确定和可靠性。
32.在一种有利的实施方式中，轴承故障诊断信息包括轴承失效部件和对应轴承失效部件的失效尺寸。备选地或者附加地，轴承故障诊断信息还可以对应于标签分离地包括其它信息。
33.本技术的目的在另一方面通过一种基于卷积神经网络模型检测轴承故障的设备实现。该检测设备能够执行上述基于卷积神经网络模型检测轴承故障的方法。
34.优选地，检测设备包括：
[0035]-传感器，其用于检测轴承的振动信号；以及
[0036]-处理器，其用于执行：获取轴承卷积神经网络模型；对所获取的振动信号进行预处理以得到在时频域上的特征图；将得到的特征图输入到轴承卷积神经网络模型中，得到轴承故障诊断信息。
[0037]
有利地，检测设备还包括指示装置，指示装置用于输出轴承故障诊断信息。
[0038]
可以想到的是，检测设备还应包括其他必要的零部件，例如电源等。
[0039]
在此优选地，检测设备、尤其检测设备的处理器的存储单元存储有轴承卷积神经网络模型。在执行特定步骤时，处理器可以调用所存储的轴承卷积神经网络模型。
附图说明
[0040]
下面结合附图来示意性地阐述本发明的优选实施方式。附图为：
[0041]
图1是根据一种实施方式的检测轴承故障的方法的流程图，
[0042]
图2是根据一种实施方式的建立轴承卷积神经网络模型的流程图，
[0043]
图3是根据一种实施方式的对振动信号进行预处理的流程图，
[0044]
图4是根据一种实施方式的数据集矩阵的示意性的图表，以及
[0045]
图5是根据一种实施方式的轴承卷积神经网络模型的结构示意图。
具体实施方式
[0046]
图1示出了根据一种实施方式的检测轴承故障的方法的流程图。
[0047]
如图1所示，在根据本实施方式的检测方法中，在一方面，首先获取轴承卷积神经网络模型。
[0048]
在另一方面，还尤其借助检测设备中的传感器获取轴承在运行时的振动信号。然后，尤其借助检测设备的中的信号处理单元对所获取的振动信号进行预处理以得到在时频域上的特征图。
[0049]
随后，将得到的特征图输入到所获取的轴承卷积神经网络模型中，得到轴承故障诊断信息。
[0050]
图2示出了根据一种实施方式的建立轴承卷积神经网络模型的流程图。
[0051]
如图2所示，在根据本实施方式的检测方法中，在一方面，首先需要准备大量的具
有已知的故障的轴承样本。接下来，使得这些轴承样本处于运行状态并且通过传感器获取振动信号，由此形成振动信号数据集。随后，例如按照轴承失效部件和对应轴承失效部件的失效尺寸对数据集进行标签分类。之后，将经标签分类的数据集中的振动信号进行预处理以得到在时频域上的特征图。
[0052]
在另一方面，预设多层多神经元的卷积神经网络模型。
[0053]
利用经标签分类的大量的在时频域上的特征图输入到预设的卷积神经网络模型中，卷积神经网络模型会根据目标自行优化网络中的各种权重系数，直至算法收敛至所设定精度。由此认为轴承卷积神经网络模型训练完成。
[0054]
图3示出了根据一种实施方式的对振动信号进行预处理的流程图。在此示出的振动信号进行预处理的步骤能够用于在图1中示出的实际检测轴承故障过程中涉及的振动信号的预处理，也可用于在图2中示出的在建立轴承卷积神经网络模型过程中涉及的振动信号的预处理。
[0055]
如图3所示，在本实施方式中，振动信号的预处理可以如此实现，即，首先对振动信号进行包络解调分析得到解析信号；然后对解析信号进行低通滤波处理得到低频信号，此时滤除与轴承故障信息无关的高频信号；之后利用时频域分析方法从低频信号提取在时频域上的故障特征得到在时频域上的特征图。时频域分析方法是短时傅里叶变换或者连续小波变换。时频域分析方法是短时傅里叶变换或者连续小波变换。
[0056]
图4示出了根据一种实施方式的数据集矩阵的示意性的图表。该图表示例性地示出了为训练预设的卷积神经网络模型而准备的样本数据集。
[0057]
在本实施方式中，按照轴承失效部件、即外圈、内圈、滚动体和保持架及其对应的多种失效尺寸(例如1mm、2mm和3mm)来对数据集进行标签分类。每个标签分类中的特征图具有5000帧，由此可以保证对预设的卷积神经网络模型的充足的训练。每帧特征图的尺寸在此是64
×
64。备选地，每帧特征图也可以具有另外的尺寸。
[0058]
图5示出了根据一种实施方式的轴承卷积神经网络模型的结构示意图。
[0059]
在本实施方式中，轴承卷积神经网络模型包括图像输入层、卷积层、线性修正单元层、批处理归一化层、最大池化层、全连接层、柔性最大值传输层，以及输出层。
[0060]
如图5所示，在此，轴承卷积神经网络模型以图像输入层起始。轴承卷积神经网络模型包括多个分别具有多个卷积层的网络结构。卷积层的过滤器可以具有5
×
5的尺寸，备选地也可以具有3
×
3等尺寸。过滤器的在各个网络结构中的个数按照从图像输入层到全连接层的顺序成倍地增加。在各个网络结构中，在多个卷积层后连接线性修正单元层、批处理归一化层、最大池化层。在具有多个卷积层的网络结构之后是全连接层、柔性最大值传输层以及输出层。
[0061]
在根据本文的另外的实施例中，提供了一种基于卷积神经网络模型检测轴承故障的设备。检测设备包括传感器、处理器、指示装置以及向传感器、处理器、指示装置供电的电源。在本实施例中，检测设备的处理器的存储单元存储有预先建立的轴承卷积神经网络模型。
[0062]
当轴承处于运行状态时，检测设备开始工作。首先，借助传感器检测轴承的振动信号。随后，借助处理器对振动信号进行预处理，并且得到在时频域上的特征图。之后，将得到的特征图输入到获得的轴承卷积神经网络模型中，得到轴承故障诊断信息。
[0063]
借助根据本文的实施方式提供的用于检测轴承故障的方法和设备，能够借助卷积神经网络模型检测轴承故障，从而可以对轴承故障进行识别并且对失效尺寸进行预估，其精确度高。此外，本文实施方式提供的检测轴承故障的方法和设备不同于传统的轴承故障诊断方法和神经网络模型，在此提供的轴承卷积神经网络模型不受载荷和转速等因素影响，在检测过程中不会耗费大量数据处理资源。另外，在此提出的轴承卷积神经网络模型具有客观性，不受主观因素影响，因此可靠性及稳定性较高。
[0064]
虽然在上述说明中示例性地描述了可能的实施例，但是应该理解到，仍然通过所有已知的和此外技术人员容易想到的技术特征和实施方式的组合存在大量实施例的变化。此外还应该理解到，示例性的实施方式仅仅作为一个例子，这种实施例绝不以任何形式限制本发明的保护范围、应用和构造。通过前述说明更多地是向技术人员提供一种用于转化至少一个示例性实施方式的技术指导，其中，只要不脱离权利要求书的保护范围，便可以进行各种改变，尤其是关于所述部件的功能和结构方面的改变。