[发明专利]一种基于1-DCNN联合特征提取的轴承故障在线检测方法

说明书

本发明公开了一种基于1‑DCNN联合特征提取的轴承故障在线检测方法，步骤如下：将振动信号进行离散化处理得到特征参数，通过归一化以及稀疏处理，使得每个特征对应健康状态和每个故障的贡献能力相对一致，让每个特征进入1‑DCNN进行学习以及分类，得到每个特征对于健康状态以及每个故障的敏感度，之后根据设定的阈值来选择对应于健康状态和每个故障敏感的特征组，随后将选择的特征与原始信号通过映射函数进行重构，并且定义特征间的相关性度量，最终来达到故障诊断的能力。本发明根据轴承的故障已知且种类少的固有特点，由每个故障和健康状态来选择特征，与现有技术相比在特征选择方面更具合理性，且模型具有更高的鲁棒性，联合特征处理能进一步提高准确。

技术领域

本发明涉及一种基于1-DCNN联合特征提取的轴承故障在线检测方法，属于工业物联网中故障检测技术领域。

背景技术

轴承往往工作在高温、高速和重载等恶劣环境中，并且其振动信号中富含丰富的反映运行状态的信息，传统的轴承故障诊断，根据人工的经验选取特征值来进行故障诊断，或者不考虑信号的特点，选取一样的特征值。对于不同类型不同环境的轴承，一直使用知识驱动来进行故障诊断，是缺少鲁棒性的，也是不合理的。其次大部分的故障诊断的方案是数据驱动的，但是都是大部分不考虑时延的情况下追求准确度，而对于工业价值驱动的情况，在故障期间用来诊断的时间过长，造成了重大损失或者灾难性的损失，即使再高的诊断准确度，这类方法也是不合理的。本发明针对工业物联网中轴承的运行的环境，轴承故障的特点，提出了基于1-DCNN联合特征提取的轴承故障在线检测方法，目的在于提高准确度，对不同数据集的鲁棒性，并能在离线处理之后做到在线的监测。

发明内容

为解决现有技术中的不足，本发明提供一种基于1-DCNN联合特征提取的轴承故障在线检测方法，根据轴承的故障已知且种类少的固有特点，由每个故障和健康状态来选择特征，进一步提高诊断的准确度。

本发明中主要采用的技术方案为：

一种基于1-DCNN联合特征提取的轴承故障在线检测方法，包括如下步骤：

步骤1：采集轴承的振动信号并进行离散化处理，以400个采样点为一个周期，一个周期为一个样本，每个样本分成10段，每段称为一个特征，多个样本形成特征矩阵并且将特征矩阵进行预处理，对特征矩阵分别进行两种归一化处理，其中，第一种为单特征归一化处理，即将每个样本中的每个特征分别进行归一化处理后得到第一种数据集，第二种为所有特征全局归一化处理，从而得到第二种数据集；

步骤2：将原始信号未作处理的特征矩阵和第一种数据集中的特征矩阵按特征种类分别代入1-DCNN中进行分布式学习，即将每个特征假设成能判别故障的特征来进行学习，原始信号未作处理的特征矩阵学习的结果称为cnn_h模型，用于在线监测判断是否为健康状态，第一种数据集中的特征矩阵学习的结果称为cnn_j模型，仅为每个故障选取好的特征种类；

步骤3：两个模型均以判断准确度作为度量，得到每个特征对于健康状态和每种故障的敏感度，随后根据设置的准确度的阈值，cnn_h模型选择能够判别健康状态的特征组成特征组，cnn_j模型为每种故障分别选择一个特征组，即放弃分类时准确度低于敏感度阈值的特征；

步骤4：在cnn_j模型中，对于每个故障状态都有选择出来的一个特征组，将每个特征组分别通过映射函数与第二种数据集一起进行重构，将重构后的特征组与原始信号在自动编码器中进行耦合并在损失函数里加入选择出来的特征组与第二种数据集的相关性度量项，得到最终模型，且采用softmax进行分类。

步骤5.将轴承的振动信号进行实时采样，收集判断健康状态所需的特征，进入cnn_h模型进行判断是否是健康状态，如果不是，则将该段信号重新采样收集判断每个故障所需的特征进入步骤4得到的最终模型中采用softmax进行分类。

优选地，所述步骤1的具体步骤如下：