[发明专利]一种基于CNN和FCMC的滚动轴承智能故障诊断方法

说明书

本发明公开了一种基于CNN和FCMC的滚动轴承智能故障诊断方法，克服现有技术的滚动轴承震动信号具有非平稳性、非线性和特征提取困难的问题，首先利用构建的卷积神经网络模型对原始振动信号进行特征提取，并通过主成分分析法对提取出的特征进行降维，然后将已知故障样本的特征输入模糊C均值聚类模型，对模糊C均值聚类模型进行训练，最后根据训练好的模糊C均值聚类模型，对待测故障样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明通过将卷积神经网络和模糊C均值聚类算法进行结合，既发挥出了卷积神经网络在特征提取方面的优势，也弥补了传统硬性聚类算法对故障类别无法进行有效划分的不足，并能够有效且准确的实现滚动轴承的故障检测。

技术领域

本发明涉及滚动轴承的故障诊断技术领域，尤其是涉及一种应用于解决现代机械设备中滚动轴承故障诊断问题的基于CNN和FCMC的滚动轴承智能故障诊断方法。

背景技术

近年来，深度学习(deep learning,DL)体系结构吸引了各个领域的研究人员。卷积神经网络(convolutional neural network,CNN)、深度置信网络、稀疏自编码器、递归神经网络等各种DL架构广泛应用于机械设备故障诊断领域。与传统的故障诊断方法相比，基于深度学习的故障诊断方法更快、更准确。其中，CNN表现最好。CNN是一种典型的有监督学习深度神经网络，可以从原始数据集中提取隐藏的特征。目前，大部分基于CNN的故障诊断模型都是通过CNN直接进行分类。为了使深度神经网络更好地发挥预测功能，研究人员将其与其他领域的先进算法或统计方法相结合。一些经典的组合模型，如神经网络与支持向量机的组合、神经网络与经验模态分解方法的组合、BP神经网络与最优小波树的组合、神经网络与小波变换的组合、神经网络与粒子群优化算法的组合等。由于这些组合模型相对于单一模型往往具有更高的预测精度，因此组合模型成为了当前的研究焦点，并逐渐应用于故障诊断领域。

虽然DL已被证明是建模和预测复杂场景的强大新工具，但这些模型仍然难以捉摸，这是深度学习技术广泛应用的关键障碍，也是深度学习技术进一步发展的瓶颈。研究表明，用户永远不会相信一个不能合理解释解决方案的模型。另一方面，模糊系统在设计上更容易理解，模糊理论与分类算法的结合逐渐进入人们的视野。模糊C均值聚类算法是一种无监督聚类技术，是目前应用最广泛的模糊聚类模型之一。模糊C均值聚类算法简称FCMC，模糊C均值聚类算法通过确定样本对类别的隶属度，实现样本对类别的模糊分类，使目标数据的分类结果更加合理。在众多故障诊断研究工作中，基于模糊C均值聚类算法的故障诊断的精度得到了很大的提高，但仍存在无法有效提取和区分原始信号特征的问题，大大降低了故障诊断的质量。针对一些原始信号的特征不能有效提取的问题,已有研究人员采用经验模态分解,集合经验模态分解(ensemble empirical mode decomposition,EEMD),变分模态分解等方法对原始信号进行特征提取,取得了不错的效果，但对于个别信号还是无法进行有效区分。综上，如何建立一个综合的预测模型来提高模型预测的准确性成为了研究的重点。

机械工业一直以来都是关系整个国民经济的基础工业。滚动轴承是旋转机械中最重要、最常见的部件之一，在整个机械系统中起着重要的作用。然而，机械设备在运行过程中会受到不同类型的不良故障的影响，造成额外的成本和生产时间的损失。其中，滚动轴承故障导致的机械故障约占总故障的30％。滚动轴承的失效是由多种因素引起的，如设计或安装不正确、酸性液体腐蚀、缺乏润滑油和塑性变形。利用状态监测技术进行滚动轴承故障识别是近20年来的一个研究课题。在轴承运行过程中，当滚子以轴速、轴承几何形状和缺陷位置确定的频率通过缺陷时，会产生脉冲振动信号，基于振动的状态监测一直是该领域中最常用的技术。滚动轴承故障检测的难点是滚动轴承的特征信号分布在，一个较宽的频段内，容易被噪声和低频覆盖。针对滚动轴承振动信号具有非平稳、非线性特征和特征提取困难的问题，如何设计合理的故障检测与诊断方法成为学者们研究的重点。