基于一维卷积神经网络的多工况轴承故障诊断.pdf
《基于一维卷积神经网络的多工况轴承故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于一维卷积神经网络的多工况轴承故障诊断.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷第期 年 月山东科技大学学报(自然科学版)J o u r n a l o fS h a n d o n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y(N a t u r a lS c i e n c e)V o l N o O c t D O I:/j c n k i s d k j z k 文章编号:()基于一维卷积神经网络的多工况轴承故障诊断鲁朋,宋保业,许琳(山东科技大学 电气与自动化工程学院,山东 青岛 )摘要:针对多工况下的轴承故障诊断问题,提出一种基于一维卷积神经网络的故障诊断方法.采用重叠采样方法从
2、CWR U数据集获得扩充的数据样本,并通过归一化获得训练数据;基于T e n s o r F l o w模型设计了轴承故障诊断的一维卷积神经网络,将预处理后的数据样本直接输入到网络中进行训练,实现了端到端的轴承故障诊断.实验表明,该方法避免了复杂的特征提取过程,具有较高的故障分类准确率和鲁棒的泛化能力,可以实现多工况下轴承故障的准确诊断.关键词:多工况;轴承;故障诊断;卷积神经网络中图分类号:TM 文献标志码:A收稿日期:基金项目:国家自然科学基金项目()作者简介:鲁朋(),男,河南周口人,硕士研究生,主要研究方向为机电系统故障诊断宋保业(),男,山东青岛人,副教授,博士,主要研究方向为机电系
3、统故障诊断,本文通信作者E m a i l:s o n g b a o y e s d u s t e d u c nB e a r i n g f a u l t d i a g n o s i s i nm u l t i p l ew o r k i n gc o n d i t i o n sb a s e do no n ed i m e n s i o n a l c o n v o l u t i o n a l n e u r a l n e t w o r kL UP e n g,S ONGB a o y e,XUL i n(C o l l e g eo fE l e c t
4、 r i c a lE n g i n e e r i n ga n dA u t o m a t i o n,S h a n d o n gU n i v e r s i t yo fS c i e n c e a n dT e c h n o l o g y,Q i n g d a o ,C h i n a)A b s t r a c t:T od e a lw i t ht h eb e a r i n gf a u l td i a g n o s i si n m u l t i p l ew o r k i n gc o n d i t i o n s,t h i sp a p e
5、 rp r o p o s e daf a u l td i a g n o s i sm e t h o db a s e do no n e d i m e n s i o n a lc o n v o l u t i o n a ln e u r a ln e t w o r k T h eo v e r l a p p e ds a m p l i n g m e t h o dw a sf i r s tu s e dt oo b t a i n t h e a u g m e n t e dd a t a s a m p l e s f r o mt h eCWRUd a t a
6、s e t,w h i c hw e r e t h e nn o r m a l i z e d t oo b t a i n t h et r a i n i n gd a t a B a s e do nt h eT e n s o r F l o w m o d e l,t h eo n e d i m e n s i o n a l c o n v o l u t i o n a l n e u r a ln e t w o r kw a sd e s i g n e df o rt h eb e a r i n gf a u l td i a g n o s i s,i n t o
7、 w h i c ht h ep r e p r o c e s s e dd a t as a m p l e s w e r ei n p u td i r e c t l yf o rt r a i n i n g,t h u sa c c o m p l i s h i n gt h eb e a r i n gf a u l td i a g n o s i si na ne n d t o e n d m a n n e r T h ee x p e r i m e n t ss h o wt h a tt h ep r o p o s e dm e t h o d,w h i c
8、 hc a na v o i dt h ec o m p l e xf e a t u r ee x t r a c t i o np r o c e d u r ea n da c h i e v eh i g h e rf a u l tc l a s s i f i c a t i o na c c u r a c ya n dr o b u s tg e n e r a l i z a t i o nc a p a b i l i t y,c a na c h i e v e t h e a c c u r a t eb e a r i n g f a u l t d i a g n
9、o s i s i nm u l t i p l ew o r k i n gc o n d i t i o n s K e yw o r d s:m u l t i p l ew o r k i n gc o n d i t i o n s;b e a r i n g;f a u l td i a g n o s i s;c o n v o l u t i o n a ln e u r a l n e t w o r k滚动轴承是旋转机械的易损零部件,发生故障时会造成整个系统的瘫痪,带来严重的经济损失和安全隐患 .因此,滚动轴承的早期故障诊断得到了国内外学者的深入研究.针对滚动轴承的故障诊断
10、,已经提出了若干基于信号处理的机器学习方法.例如,滚动轴承的振动信号可以反映轴承运行的时域特性,通过时域信号的分析和处理实现滚动轴承的故障诊断;滚动轴承内的各种零部件具有不同的故障特征频率,可以基于振动信号的频率特征达到故障诊断的目的.但是,基于时域信号的故障诊断方法,通常依赖专家知识对故障特征信号进行选取,而滚动轴承运动时所产生的振动信号具有非平稳特性,快速傅里叶变换等普通的频域分析方法并不善于处理时变非平稳信号.为解决该问题,时频域分析方法开始应用到滚动轴承的时鲁朋等:基于一维卷积神经网络的多工况轴承故障诊断变非平稳信号处理和故障诊断中,如小波变换、短时傅里叶变换、希尔伯特黄变换、S变换等
11、,对变换后的时频域信号,采用支持向量机、神经网络、模糊推理等机器学习方法实现轴承故障的识别.然而,为了得到较好的故障诊断结果,这些方法需要复杂的实验环境和大量的训练数据,这不仅要花费相当大的人力和物力,而且还需要很强的专业知识和复杂的信号处理系统.近年来,各类深度学习模型在轴承智能故障诊断领域中得到了广泛研究和应用.A b e d等利用离散小波变换提取滚动轴承的故障特征,然后采用递归神经网络进行故障检测和分类;J a n s s e n s等提出一种用于轴承故障特征自主学习的卷积神经网络,能够得到比传统方法更好的结果;H e等 提出一种结合自编码器与离散傅里叶变换的轴承故障诊断模型,用于轴承故
12、障信号的预处理、特征提取和故障分类;Y a o等 提出一种S I R C NN滚动轴承故障诊断模型,通过深度可分离卷积实现模型的轻量化,并利用反向残差结构保证了噪声环境下故障识别的准确性;X u e等 提出一种双流特征融合卷积神经网络,从 D C NN及其并行通道结构中提取深度特征,并结合特征融合策略获得可靠的故障诊断结果.尽管上述方法解决了滚动轴承故障诊断的若干难题,但仍然存在诸如信号特征提取过程繁琐、学习模型结构复杂、缺少复杂环境下的训练数据等问题.为此,本研究针对多工况下的轴承故障,提出一种基于一维卷积神经网络的故障诊断方法.通过重叠采样扩充数据集样本,并将其直接输入到基于T e n s
13、 o r F l o w模型设计的一维卷积神经网络,避免了复杂的特征提取过程;利用局部稀疏结构替换原始网络中的参数密集层,减少了网络参数的数量,防止模型过拟合的发生.实验结果验证了所提出方法的有效性和优越性.实验数据与预处理图滚动轴承结构与数据采集系统F i g R o l l i n gb e a r i n gs t r u c t u r ea n dd a t aa c q u i s i t i o ns y s t e m 实验数据集本研究的滚动轴承故障数据来源 于 美 国 凯 斯 西 储 大 学 的CWRU数据集,该数据集是轴承故障诊断研究领域的标准数据集,在若干故障诊断算法的验
14、证中得到应用.CWRU数据集的滚动轴承结构和数据采集系统如图所示.在该数据采集系统中,kW的异步电动机通过自校准联轴器与功率计和扭矩传感器相连,并驱动风机运行.图中的编号、分别为风扇端、驱动端和负载端的轴承,编号A、B、C分别为与之相对应的加速度传感器.本研究的故障诊断实验采用驱动端轴承的振动加速度信号,实验所用的轴承为斯凯孚(S v e n s k aK u l l a g e r F a b r i k e n,S K F)公司生产的型号为S K F 的深沟球轴承,故障点由专业人员通过电火花加工制作而成.滚动轴承单点损伤直径分别为:、i n c h(i n c h mm),轴承外圈的损伤点
15、分别在时钟、点钟个不同位置进行设置,共计种损伤状态.系统的采样频率分为 和 k H z两种,记录h p(h p W)及转速为 r/m i n时的振动数据.表给出了驱动端轴承故障的具体说明.限于篇幅原因,仅给出了工况下 种状态滚动轴承振动加速度信号的时域波形,如图所示.为了解信号的频域特征,通过快速傅里叶变换获得信号频域波形,如图所示.山东科技大学学报(自然科学版)年第期表驱动端轴承故障说明T a b l eD e s c r i p t i o no f t h ed r i v i n gb e a r i n gf a u l t损伤位置故障名称轴承状态损伤直径/i n c h负载/h p
16、故障标签正常正常正常滚动体 滚动体轻微磨损 滚动体滚动体 滚动体中度磨损 滚动体 滚动体重度磨损 内圈 内圈轻微磨损 内圈内圈 内圈中度磨损 内圈 内圈重度磨损 外圈 外圈轻微磨损 外圈外圈 外圈中度磨损 外圈 外圈重度磨损 图h p工况轴承振动信号的时域波形F i g T i m ed o m a i nw a v e f o r mo fb e a r i n gv i b r a t i o ns i g n a l i nh pc a s e由图可以看出,不同故障类型和损伤程度的轴承振动加速度信号有明显区别.正常状态下,轴承振动信号的幅值较小,波形相对平稳,无明显冲击现象.当发生滚动体
17、故障时,存在很明显的冲击特征,不同故障程度下幅值各不相同.从图中还可看出,一些故障类型下的时域信号具有一定相似性,如 和 i n c h的滚动体故障,i n c h内圈故障和 i n c h外圈故障等,如果不经过信号处理则难以区分.图可以看出,轴承正常和故障时,振动加速度频域波形的低频区和高频区幅值不同.轴承正常时,低鲁朋等:基于一维卷积神经网络的多工况轴承故障诊断频区幅值高,高频区幅低;发生故障时,低频区幅值减小,高频区幅值增大.图h p工况轴承振动信号的频域波形F i g F r e q u e n c yd o m a i nw a v e f o r mo fb e a r i n g
18、v i b r a t i o ns i g n a l i nh pc a s e 数据预处理本研究的故障诊断实验中,以CWRU数据集中驱动端轴承振动加速度信号的一维时间序列为研究对象.深度神经网络需要使用大量的输入数据用于模型的训练和优化,但实际可用的数据量往往不能满足要求.为解决该问题,本研究采用重叠采样技术对实验数据进行扩充,采样方法如图所示.图(a)表示信号无重叠采样的分割过程,该方法能获得的数据样本数量有限,往往只适用于对数据量没有过高要求的传统机器学习模型的数据采样;图(b)表示信号有重叠采样的分割过程,通过控制步长或滑动窗口可以控制训练数据集的样本数.值得注意的是,采样步长的设
19、定由轴承转速和系统采样频率共同决定.CWRU数据集在不同负载下转速略有不同,不同工况下的轴承转速列于表中.本研究的故障诊断实验均采用 k H z采样频率的数据集.实验平台所用滚动轴承旋转周记为个冲量周期,设采样点数为N,则可以计算得到:N fn.()式中:n为轴承转速,f为系统采样频率.为方便计算,统一选取n r/m i n,此时N ,即在 k H z的采样频率下,若要保证选取的信号采样点布满个完整的旋转周期,那么设定信号段的采样步长应该不少于 个采样点,本研究中每个样本信号段的采样步长设定为 .为了方便训练卷积神经网络,对每段信号x均做线性归一化(m i n m a xs c a l i n
20、 g)处理,使结果映射到,区间,实现对原始数据的等比缩放,归一化处理方法为:xxxm i nxm a xxm i n.()山东科技大学学报(自然科学版)年第期图信号采样方法F i g S i g n a l s a m p l i n gm e t h o d表不同工况下轴承的转速T a b l eB e a r i n gs p e e d i nd i f f e r e n tw o r k i n gc o n d i t i o n s负载/h p转速/(r/m i n)本研究的故障诊断实验共设置个轴承故障信号数据集,分别表示负载功率为、和h p下的训练和测试数据集,每个训练和测试数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 工况 轴承 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。