一种新型的滚动轴承故障诊断方法及其系统与流程

1.本发明属于轴承故障分析技术领域，具体而言，涉及一种新型的滚动轴承故障诊断方法及其系统。


背景技术：

2.旋转机械设备是工业制造企业的重要装备，在现代工业，旋转机械长时间在高负载等苛刻的条件下工作，容易出现各种故障，这可能会导致经济损失，甚至是人员伤亡。滚动轴承是旋转机械中最关键的零件之一，在旋转机械发生故障时，约有35％是滚动轴承故障。
3.现有的主流滚动轴承故障诊断方法一般为深度学习方法，然而深度学习存在训练时间长，计算配置高，需要大量的样本等问题，与滚动轴承故障诊断实时响应要求存在矛盾，难以在工业落地。
4.因此，如何设计一种既可以快速准确实现滚动轴承故障诊断，同时满足计算资源较小等的轴承故障诊断方法仍是一个难点问题，这使得工业上一些重要设备得不到实时有效的监控预警，给国防建设和社会发展带来潜在的危害。随着工业物联网的发展，为了实现工业制造智能化，为实时监测制造设备的轴承状态建立一套智能诊断防护方法是很有必要的。


技术实现要素：

5.本发明实施例提供了一种新型的滚动轴承故障诊断方法及其系统，其目的在于解决现有的滚动轴承故障诊断方法使用的深度学习方法存在训练时间长、计算配置高和需要大量的样本的问题。
6.鉴于上述问题，本发明提出的技术方案是：
7.第一方面，本发明提供一种新型的滚动轴承故障诊断方法，包括：
8.获得所述轴承的振动信号数据以及对应的标签值，并对所述振动信号数据进行归一化处理；
9.将预处理后的所述振动信号数据输入第一层宽度卷积网络进行学习，得到第一层连接权重矩阵以及第一层预测的标签值；
10.将所述第一层预测的标签值作为输入、残差作为拟合优化输入第二层宽度网络进行学习，得到第二层连接权重矩阵以及第二层预测的标签值；其中，所述第二层宽度网络的层数大于或等于1；
11.整合所述第一层预测的标签值和所述第二层预测的标签值输入第三层宽度网络进行分析，输出最终预测的标签值。
12.作为本发明的一种优选技术方案，所述将预处理后的所述振动信号数据输入第一层宽度卷积网络进行学习，得到第一层连接权重矩阵以及第一层预测的标签值具体为：
13.假设所述振动信号数据为以及所述对应的标签以及所述对应的标签
14.式中：x表示振动信号数据；
15.y表示对应的标签值；
16.n1表示样本数目；
17.d表示样本维度；
18.n2表示标签数目；
19.c表示标签类别；
20.将所述振动信号数据被一组一维卷积核通过卷积操作映射为n1组卷积层；
21.再将所述卷积层平均池化处理得到n1组池化层；
22.将所述池化层展平得到n1组特征节点并最终得到总的特征层；
23.对所述总的特征层进行增强映射得到增强层；
24.结合所述总的特征层和所述增强层得到整合矩阵；
25.将所述整合矩阵通过最优化目标函数求导得到所述第一层连接权重矩阵；
26.根据所述第一层连接权重矩阵计算得到所述第一层预测的标签值。
27.作为本发明的一种优选技术方案，所述将所述第一层预测的标签值作为输入、残差作为拟合优化输入到第二层宽度网络进行学习，得到第二层连接权重矩阵以及第二层预测的标签值具体为：
28.将所述第一层预测的标签值作为输入、残差作为拟合优化进行输入；
29.将所述第一层预测的标签值进行线性特征映射得到n2组映射节点；其中，每组所述映射节点的特征窗口有k2个隐藏节点；
30.通过所述总的特征减去所述第一层预测的标签值得到所述第二层连接权重矩阵以及第二层预测的标签值。
31.作为本发明的一种优选技术方案，所述残差为所述对应的标签值与所述第一层预测的标签值之间的残差。
32.第二方面，本发明实施例还提供了一种新型的滚动轴承故障诊断系统，包括：
33.获得模块，用于获得所述轴承的振动信号数据以及对应的标签值，并对所述振动信号数据进行归一化处理；
34.第一层宽度卷积网络模块，用于将预处理后的所述振动信号数据输入第一层宽度卷积网络进行学习，得到第一层连接权重矩阵以及第一层预测的标签值；
35.第二层宽度网络模块，用于将所述第一层预测的标签值作为输入残差作为拟合优化输入到第二层宽度网络进行学习，得到第二层连接权重矩阵以及第二层预测的标签值；其中，所述第二层宽度网络的层数大于或等于1；
36.第三层宽度网络模块，用于整合所述第一层预测的标签值和所述第二层预测的标签值输入第三层宽度网络进行分析，输出最终预测的标签值。
37.本发明实施例提供的上述技术方案的有益效果至少包括：
38.(1)本发明融合了堆叠宽度学习系统和卷积神经网络，卷积层可以提高模型的特征提取能力，而堆叠宽度学习系统可以进一步提高模型的拟合能力，在具有高效率的同时也提高了滚动轴承故障分类的准确率。
39.(2)本发明不仅能够易于计算、便于工程应用，而且还能够满足边缘网关设备的计算能力和处理故障的实时性要求，对滚动轴承故障分类具有一定的指导意义。
40.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
41.图1是本发明所公开的一种新型的滚动轴承故障诊断方法的流程图；
42.图2是本发明所公开的一种新型的滚动轴承故障诊断方法的步骤s2流程图；
43.图3是本发明所公开的一种新型的滚动轴承故障诊断方法的步骤s3流程图；
44.图4是本发明所公开的一种新型的滚动轴承故障诊断方法的第一层宽度卷积网络、第二层宽度网络和第三层宽度网络结构示意图；
45.图5是本发明所公开的一种新型的滚动轴承故障诊断系统的结构示意图。
46.附图标记说明：100、获得模块；200、第一层宽度卷积网络模块；300、第二层宽度网络模块；400、第三层宽度网络模块。
具体实施方式
47.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
48.因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
49.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
50.实施例一
51.参照附图1～4所示，本发明提供一种技术方案：一种新型的滚动轴承故障诊断方法，包括以下步骤：
52.步骤s1，获得所述轴承的振动信号数据以及对应的标签值，并对所述振动信号数据进行归一化处理。
53.步骤s2，将预处理后的所述振动信号数据输入第一层宽度卷积网络进行学习，得到第一层连接权重矩阵以及第一层预测的标签值。
54.假设所述振动信号数据为以及所述对应的标签以及所述对应的标签
55.式中：x表示振动信号数据；
56.y表示对应的标签值；
57.n1表示样本数目；
58.d表示样本维度；
59.n2表示标签数目；
60.c表示标签类别；
61.在一种实施例中，样本数目n1和标签数目n2的数量相同。
62.在另一种实施例中，标签数目n2比样本数目n1多或少。
63.参照附图2和4所示，步骤s2具体包括以下步骤：
64.步骤s21，将所述振动信号数据被一组一维卷积核通过卷积操作映射为n1组卷积层；
65.其中，第i组卷积层ci的表达式如下：
[0066][0067]
式中：ki表示第i个卷积核，i＝1，2，
…
n1，k＝[k1，k2…ki
]；
[0068]
s.t.表示限定条件；
[0069]
kk
t
表示对卷积核的参数矩阵正交化处理；
[0070]
表示线性函数或非线性函数；
[0071]
*表示卷积运算符号；
[0072]
βi表示偏置项。
[0073]
步骤s22，再将所述卷积层平均池化处理得到n1组池化层；
[0074]
其中，第i组池化层pi表达式为：
[0075]
pi＝avgpool(ci)
ꢀꢀꢀ
(2)。
[0076]
步骤s23，将所述池化层展平得到n1组特征节点并最终得到总的特征层；
[0077]
其中，n1组特征节点在第一层宽度卷积网络中的第i组特征节点的表达式如下：
[0078][0079]
故，总的特征层的表达式为：
[0080][0081]
步骤s24，对所述总的特征层进行增强映射得到增强层；
[0082]
上述增强层中包含m1组增强节点，其中，第j个增强节点的表达式如下：
[0083][0084]
式中：知是随机生成的系数；
[0085]
通常表示非非线性函数；
[0086]
令表示所有的增强特征，且其表达式为：
[0087][0088]
步骤s25，结合所述总的特征层和所述增强层得到整合矩阵；
[0089]
其中，整合矩阵的表达式如下：
[0090][0091]
步骤s26，将所述整合矩阵通过最优化目标函数求导得到所述第一层连接权重矩阵；
[0092]
其中，最优化目标函数的表达式为：
[0093][0094]
式中：||a1w
1-y||2表示预测误差；
[0095]
||w1||2表示l2的正则化，用来防止过拟合；
[0096]
λ表示正则化系数；
[0097]
故，对公式(7)求导并等于0可得到第一层连接权重矩阵，且第一层连接权重矩阵的表达式如下：
[0098][0099]
其中，w1表示第一层连接权重矩阵；
[0100]
i表示单位矩阵；
[0101]
y表示对应的标签值。
[0102]
步骤s27，根据所述第一层连接权重矩阵计算得到所述第一层预测的标签值。
[0103]
其中，u1＝a1w1ꢀꢀꢀ
(9)。
[0104]
式中：u1表示第一层预测的标签值。
[0105]
步骤s3，将所述第一层预测的标签值作为输入、残差作为拟合优化输入到第二层宽度网络进行学习，得到第二层连接权重矩阵以及第二层预测的标签值。
[0106]
参照附图3和4所示，步骤s3具体包括以下步骤：
[0107]
步骤s31，将所述第一层预测的标签值作为输入、残差作为拟合优化进行输入；
[0108]
具体而言，所述残差为所述对应的标签值与所述第一层预测的标签值之间的残差。
[0109]
步骤s32，将第一层预测的标签值进行线性特征映射得到n2组映射节点；其中，每组所述映射节点的特征窗口有k2个隐藏节点；
[0110]
其中，第二层宽度网络第i组特征节点的表达式如下：
[0111][0112]
式中：表示和随机生成的系数；
[0113]
表示线性函数或非线性函数。
[0114]
步骤s33，通过所述总的特征减去所述第一层预测的标签值得到所述第二层连接权重矩阵以及第二层预测的标签值。
[0115]
也就是公式(4)-(9)即可得到第二层连接权重矩阵以及第二层预测的标签值。
[0116]
在又一实施例中，所述第二层宽度网络的层数大于或等于1，每层的处理方式与步骤s3相同。
[0117]
步骤s4，整合所述第一层预测的标签值和所述第二层预测的标签值输入第三层宽度网络进行分析，输出最终预测的标签值。
[0118]
即
[0119]
式中：u2表示第二层预测的标签值。
[0120]
需要说明的是，如上所述的n1、n2、n3、i、m1、j、k2和k3均为整数变量。
[0121]
实施例二
[0122]
本发明实施例还公开了一种新型的滚动轴承故障诊断系统，参照附图5所示，包括：
[0123]
获得模块100，用于获得所述轴承的振动信号数据以及对应的标签值，并对所述振动信号数据进行归一化处理；
[0124]
第一层宽度卷积网络模块200，用于将预处理后的所述振动信号数据输入第一层宽度卷积网络进行学习，得到第一层连接权重矩阵以及第一层预测的标签值；
[0125]
第二层宽度网络模块300，用于将所述第一层预测的标签值作为输入、残差作为拟合优化输入到第二层宽度网络进行学习，得到第二层连接权重矩阵以及第二层预测的标签值；其中，所述第二层宽度网络大于或等于1；
[0126]
第三层宽度网络模块400，用于整合所述第一层预测的标签值和所述第二层预测的标签值输入第三层宽度网络进行分析，输出最终预测的标签值。
[0127]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0128]
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
[0129]
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
[0130]
对于软件实现，本技术中描述的技术可用执行本技术所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
[0131]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。