一种基于神经网络的变转速工况下旋转机械故障分类方法与流程

1.本发明涉及故障诊断领域，具体是一种基于神经网络的变转速工况下旋转机械故障分类方法。


背景技术：

2.旋转机械广泛应用于生产生活中，如电动机、汽轮机、燃气轮机、发电机、齿轮箱、离心泵、机床、柴油机和汽油机等。旋转机械服役过程中，由于交变载荷和相对运动的存在，会不可避免地发生材料疲劳或磨损。当疲劳或磨损积累到一定程度时，会诱发机械设备的故障。故障会劣化设备的服役表现，影响生产效率和精度，甚至导致严重的安全事故，造成重大的生命财产损失。因此，开展旋转机械故障诊断，及时发现故障并维护，对避免上述问题的发生具有重大意义。
3.故障分类是故障诊断的关键步骤，其目的是确定故障的发生位置以及故障的发生原因。工程实际中，旋转机械通常运行在变转速工况下。比如，电梯要频繁启停以便上下乘客，相应的，驱动电梯的电机的需要频繁地加减转速。再比如，风力发电机，其转速随着风速随机变化。因此，本发明关注变转速工况下旋转机械的故障分类问题。相对于定转速工况，转速变化会导致复杂的信号幅值调制和频率调制，大大增加了故障分类的难度。
4.现有的变转速工况下的旋转机械故障分类的方法主要有两种。一种是先用复杂的信号处理方法对振动信号进行预处理以降低转速的影响，然后将预处理的信号输入到深度学习模型中进行分类；另一种是将振动信号直接输入到相对复杂的深度学习模型中进行分类，期望通过复杂模型强大的学习能力自动削弱转速变化的影响。前者虽然能去除转速的影响，但需要大量的人工劳动进行信号分析，不宜与大数据始时代的故障诊断；后者未能针对性地考虑转速变化的影响，导致其在变转速工况下分类精度不高。


技术实现要素：

5.本发明目的在于克服现有技术的不足，提供一种基于神经网络的变转速工况下旋转机械故障分类方法，可自动去除转速变化的影响，提高深度学习模型在变转速工况下的分类精度。
6.为实现上述发明目的，本发明提供一种技术方案：一种基于神经网络的变转速工况下旋转机械故障分类方法，包括以下步骤：s1、采集目标旋转机械信号：所述旋转机械信号包括振动信号、转速信号和对应的故障标签；s2、数据预处理：将振动信号进行标准化处理，将转速信号行归一化处理，将振动信号和转速信号随机分成两个无重复子集：一个训练集{和一个测试集{，其中；其中，表示
振动信号，表示转速信号，表示故障标签；s3、搭建速度自适应卷积神经网络模型：速度自适应卷积神经网络模型包括卷积神经网络分支和速度自适应分支；所述卷积神经网络分支以振动信号时间序列为输入信号，所述速度自适应分支以转速信号时间序列为输入信号；所述速度自适应卷积神经网络模型的输出为预测的故障标签；s4、训练速度自适应卷积神经网络模型：用s2步骤中的训练集训练速度自适应卷积神经网络模型，使其输出的故障标签和预测的故障标签之间的损失函数最小；所述损失函数为交叉熵损失函数，公式为：其中，和分别为真实标签和模型预测的标签；s5、测试速度自适应卷积神经网络模型：用s2步骤的测试集测试s4步骤训练完成的速度自适应卷积神经网络模型，输出的故障分类精度达到设定的精度时进行s6步骤，否则，返回s3步骤；s6、上线应用：测试完成的速度自适应卷积神经网络模型可对目标机械新获取的数据的进行故障分类。
7.优选的，所述转速信号为目标机械的任一旋转轴的转速。
8.优选的，所述s1中的振动信号包括加速度信号、速度信号、位移信号、扭矩信号和声压信号中的一种或多种。
9.优选的，所述s2中将振动信号进行标准化处理的方法为将振动信号的均值归零、标准差归一，具体公式为：其中，和分别为训练集的均值和标准差。
10.优选的，所述s2中将转速信号归一化处理方法为将转速的范围缩比或扩比到一定范围。
11.优选的，所述s3中的卷积神经网络分支包括至少一个卷积层、一个池化层和一个softmax层。
12.优选的，所述速度自适应分支包括至少一个神经网络层，所述神经网络为卷积层、全连接层或循环网络层中的一种。
13.优选的，所述深度学习模型速度自适应卷积神经网络模型,其卷积神经网络分支和速度自适应分支合并方式为点积、向量积或数量积中的一种。
14.本发明具有以下有益效果：1、本发明一种基于神经网络的变转速工况下旋转机械故障分类方法，采集目标旋转机械的振动和转速样本数据以及对应的故障类型标签数据，将样本进行预处理后划分为测试集和训练，用于训练搭建好的速度自适应卷积神经网络模型，当模型训练完成后用于线上应用，对测量的信号样本进行故障分类。其中，本方法所提的速度自适应卷积神经网络
模型，可根据转速自适应地调整模型的学习重点，从而抑制转速带来的影响。具体的，速度自适应卷积神经网络模型的卷积神经网络分支从振动信号中提故障特征，然而该特征受到转速的影响；速度自适应分支学习一个转速自适应函数，该函数可根据转速，自适应地调整卷积神经网络分支中的信息流，从而达到抑制转速影响，提高分类精度的目的。
15.2、本发明所提速度自适应卷积神经网络模型可自动去除转速的影响，不需要复杂的信号预处理，可用于数据量大的情形。
附图说明
16.图1是本发明的流程图；图2是速度自适应卷积神经网络模型的示意图；图3是实施例所示的数据集的故障类型；图4是实施例所示的数据集的加速度信号的一个样本；图5是实施例所示的数据集的转速信号的一个样本图6是实施例所示的数据集包含的数据量；图7是实施例所示的速度自适应卷积神经网络模型训练损失函数和测试损失函数；图8是实施例所示的速度自适应卷积神经网络模型训练精度和测试精度；图9是实施例所示的速度自适应卷积神经网络模型和现有模型的分类精度对比。
具体实施方式
17.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、完整地描述，显然，所描述的实施例仅仅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。
18.下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
19.请参阅图1-图9，本发明提供一种技术方案：一种基于神经网络的变转速工况下旋转机械故障分类方法，包括以下步骤：s1、采集目标旋转机械的振动信号、转速信号和对应的故障标签；在本实施例中，所述目标旋转机械包括但不限于电动机、发电机、齿轮箱、泵和风机等旋转机械; 振动信号包括但不限制于加速度信号、速度信号、位移信号、扭矩信号和声压信号等; 转速可为目标机械的任一旋转轴的转速。
20.s2、数据预处理。将振动信号和转速信号随机分成两个无重复子集：一个训练集{和一个测试集{
，其中；在本实施例中，振动信号样本集标准化处理主要是将振动信号的均值归零、标准差归一，具体公式为：其中，和分别为训练集的均值和标准差。
21.转速归一化处理主要讲转速的范围缩比或扩比到一定范围，具体的比例可以根据实际需要来设定，例如[0, 1]或[-1, 1]或(0, 1]。
[0022]
s3、搭建速度自适应卷积神经网络模型（简写为sa-cnn模型）。该模型包括两个分支：卷积神经网络（cnn）分支和速度自适应（sa）分支；卷积神经网络分支以振动信号时间序列为输入，速度自适应分支以转速信号时间序列为输出;两个分支在输出层前的任一层合并；整个模型速度自适应卷积神经网络模型的输出为预测的故障标签;在本实施例中，深度学习模型速度自适应卷积神经网络模型中，卷积神经网络分支包括至少一个卷积层conv，一个池化层pooling layer和一个softmax层； 速度自适应分支包括至少一个神经网络层，网络类型可以为卷积层或全连接层或循环网络层；卷积神经网络分支和速度自适应分支合并方式可以为点积、向量积或数量积；合并位置至少在输出层之前。
[0023]
图2展示了本实施例中采用的深度学习模型速度自适应卷积神经网络模型的结构，其中卷积神经网络分支包括4个卷积层（conv1
ꢀ–ꢀ
conv4），一个最大池化层（maxpooling），一个全局平均池化层（gap），一个全连接层（fully connected），一个softmax层。每个卷积层后面都有一个批量归一化层（bn）和一个relu层。bn层目的是避免训练过程中梯度爆炸；relu层是为了施加常用的relu这一激活函数。速度自适应分支包括2个卷积层（conv s1
ꢀ–ꢀ
conv s2），1个平均池化层（averagepooling）。前两个卷积层的激活函数为relu；最后一个卷积层的激活函数为sigmoid，以保证所学的速度自适应函数的范围为（0，1）。卷积神经网络分支和速度自适应分支的合并位置在卷积神经网络分支的第二个卷积层之前，合并方式为点积。
[0024]
s4、训练速度自适应卷积神经网络模型。用s2的训练集训练速度自适应卷积神经网络模型，使得模型输出的故障标签和预测的故障标签之间的损失函数最小，具体的训练过程在此不再赘述，和通用的神经网络训练流程一致。
[0025]
本实施例中，速度自适应卷积神经网络模型的损失函数为交叉熵损失函数，公式为，其中，和分别为真实标签和模型预测的标签。
[0026]
s5、测试速度自适应卷积神经网络模型。用s2的测试集测试s4训练完成的模型的
故障分类，若在测试集上的预测精度足够高，则到下一步，否则，返回s3；第六步：上线应用。测试完成的速度自适应卷积神经网络模型用于对目标机械获取的新的振动信号和转速信号进行分类。
[0027]
为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。实施例所用数据为典型旋转机械行星齿轮箱的故障数据集。该数据集包括不同健康状态的行星齿轮箱在连续变转速工况下的振动数据和速度数据。齿轮箱健康状态包括12种类型，如图4所示；转速工况为在300rpm~1500 rpm之间连续变转速。数据集中的一个加速度信号和转速信号样本如图4和图5所示。数据集的样本个数如图6所示。
[0028]
本实施例中，各卷积层的卷积核个数为32-32-64-64，卷积核神经元个数为3-3-3-3；对速度自适应分支，各卷积层的卷积核个数为32-32，卷积核神经元个数为3-3。
[0029]
本实施例中，图6所示的样本中，80%将被随机选择为训练集，其余20%为测试集。模型采用adam法进行训练。模型的训练损失和测试损失如图7所示，训练精度和测试精度如图7所示。本方法提出的速度自适应卷积神经网络模型能较快收敛，测试精度为98.38%，测试精度满足要求，则训练好的速度自适应卷积神经网络模型即可用于新采集的数据的故障分类。
[0030]
为了进一步展示本发明所提方法相对现有方法的优势，图9对比了同类型模型在图7所示的数据集上的分类精度。其中，cnn模型即为速度自适应卷积神经网络模型中卷积神经网络分支，csl-cnn模型为一种可调整模型学习重点的方法（具体见https://doi.org/10.1016/j.ymssp.2018.03.025）。图9显示，本发明所提速度自适应卷积神经网络模型获得了最大的分类精度，体现了本发明所提故障分类方法的优势。
[0031]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。