[发明专利]基于CNN彩色特征图的额定运转时轴承故障识别法

说明书

基于CNN彩色特征图的额定运行时轴承故障类别识别法属于单源故障识别领域，其特征在于：(1)把按周期采集的各采样点振幅序列转换成故障源采样点上的时变振幅值序列；(2)按最大振幅值最接近的原则从八类轴承故障样本中找到候选故障样本，标志其故障类别；(3)用一个变偏置变权重的卷积函数，按样本振幅特征值序列和故障源实测振幅值序列间的对应采样时刻的像素值之差像素值变化率之差在误差允许范围内的方法找出实测故障振幅特征值序列，及相应的彩色特征图；(4)按色彩相似度值最接近的原则从同类故障样本中找到一个待定的故障样本；(5)用待定故障样本预置的故障特征频率与用谐波分析软件从故障实测彩色特征图求得的故障特征频率比较，若在误差允许范围内，则轴承类别确定。本发明精度高，耗时少，可视性强。

技术领域

基于三轴传感器和CNN彩色特征矩阵的轴承故障识别法输于设备传动件故障类别识别技术领域，尤其涉及单故障下基于卷积神经网络的彩色特征矩阵的以故障冲击波峰值为切入点的故障类别的判别技术领域。

背景技术

工业物联网(IoT)利用计算机网络从相连接的机器设备中收集数据并将数据整理共享，以及高效率的图形处理单元(GPU)的出现为超大数据量的训练及诊断提供了可能，在现代工业应用数据驱动进行控制及监测已成为热门的研究方向。预计2020年将有300亿台设备连接起来，产生的大量数据可以用来共享，提高深度学习网络的泛化能力。最近，深度学习已广泛应用于计算机视觉，语音识别，医疗图像，生物技术等方向。深度学习能充分挖掘大数据中的特征信息，基于深度学习的故障诊断逐渐成为一个热门话题，卷积神经网络是深度学习中一种具有代表性的图像识别网络。

滚动轴承、齿轮和转子作为旋转机械中的关键部件，需要定时维护翻修，稳定的设备诊断方法可以减少不必要的设备维修费用。常见的故障诊断系统包括两个关键步骤，分别是数据处理(特征提取)，以及故障识别。基本上，故障诊断可以被视为关于旋转机械状况的模式识别问题。深度学习能通过分层结构中的数据处理模块挖掘不同状态机械数据的特征，在每一层转换为更加抽象的特征，并通过分类器如softmax对其进行分类。具体而言，传统的故障识别方法包括K-最近邻算法(KNN)支持向量机(SVM)，和人工神经网络ANN，这些模型都是较为浅层的学习模型，特征学习能力较差，因此当数据差异性较小时，浅层模型难以直接从原始数据中挖掘出不同类型的本质特征，因此大多需要专家经验手工设计特征。2006年，Geoffrey Hinton对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。Hinton提出多层神经网络模型学习特征能力强，其提出的由多层限制玻尔兹曼机(RBM)组成的深度置信网络(DBN)应用效果获得突破进展，此后掀起了深度学习的浪潮。在过去几年中，相比传统的机器学习方法，深度学习已被广泛应用在故障诊断领域并取得了一定进展。卷积神经网络(CNN)是一种专门处理具有类似结构数据的神经网络，比如时间序列的数据和图像数据，本方法是一种基于单个三轴加速度传感器采集到的CNN彩色特征矩阵的轴承故障判别方法尤其是一种借助于用本发明所述的方法从大数据的角度出发按照以故障振动振幅最大值为必要条件而以待测轴承故障的彩色特征图相似度为充分条件进行判别的方法。

发明目的

本发明的目的在于提出一种基于单个三轴加速度传感器和CNN彩色特征矩阵轴承故障识别方法。由于轴故障振动从波形上看是一种在故障位置所在的采样点上反映出来的以冲击波为首并随时间依高频或低频振动而是时变衰减的波形，具有以下特征：

(1)当用一个加速度传感器去测量时，故障不仅与冲击波振幅所对应的采样时刻也与采样点的位置相对应，这种冲击振动波的形态在一个采样时间内必然是在多个采样点上所采集到的不同时刻振幅值的连续波形，对于一个固定的采样点而言，是一条时间-正负值曲线，但一个空间位置固定的加速度传感器在一个采样时长内采集到的即是依采样周期序号在每一个采样周期内采集到的对应于不同采样点而得到一个对应于各采样点也同时对应于各采样时刻的所有波形的连接体，在一个采样时长内表现是依采样周期序号串连起来的这种曲线。因而必须把经离散化后得到的以采样周期为单位串联输出的采样数据序列转换以采样点为单位并行输出的采样数据序列。