[发明专利]一种基于Spark的并行卷积神经网络轴承故障诊断方法

说明书

一种基于Spark的并行卷积神经网络轴承故障诊断方法，包括采集来的不同负载下轴承不同部件损伤的加速度计时域信号，从而获得轴承诊断数据集；对原始数据集做堆叠数据集增强；对堆叠处理后的数据依据不同的损坏部位以及损坏大小进行贴标签处理；对打完标签的数据集按照集群机器数量做分割并上传到HDFS；初始化卷积神经网络网络层各参数；利用spark将初始化的神经网络模型进行并行加速训练，并最终依据各弱学习机预测结果进行Bagging多路投票从而得出模型最终输出；本发明的方法可以大大提升卷积神经网络训练速度。

技术领域

本发明涉及滚动轴承故障检测技术领域，特别涉及一种基于Spark的并行卷积神经网络轴承故障诊断方法。

背景技术

在现代工业机电设备中旋转机械占据着举足轻重的地位。而滚动轴承又是旋转机械的关键部件其运行状态的正常与否直接关系到机电设备的运转；据不完全统计，轴承引起的电动机故障率高达40％-50％左右，直接影响电机设备的安全运行。

随着近几年来智能控制的不断发展以及工业数据量的不断增大，传统的特征提取方法例如频提取分析、倒谱分析、小波变换、经验模态分解等此类方法在以大数据驱动的当代弊端也逐渐显现。因而近些年出现了许多基于深度学习的轴承故障诊断特征自提取技术。例如，公开号为CN110031227A，名为“一种基于双通道卷积神经网络的滚动轴承状态诊断方法”一文通过利用数据集增强技术以及多通道特征提取方法，实现了诊断的整个过程，同时也大大的扩展了卷积神经网络算法的迁移能力。但是其并没有解决神经网络训练速度慢这一特点。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于Spark的并行卷积神经网络轴承故障诊断方法，利用Spark技术将神经网络进行并行加速训练，最后在利用Bagging算法做出策略决策，从而显著提高了神经网络训练速度。

为了实现上述目的，本发明采用的技术方案是：

一种基于Spark的并行卷积神经网络轴承故障诊断方法，包括以下步骤；

步骤一：

将加速度计布置在轴承一端，用于采集轴承在不同荷载以及损坏状况下滚动轴承的振动信号，从而得到损坏轴承的振动信号数据；

步骤二：

对步骤一收集的信号使用数据集堆叠技术，对采集来的数据做进一步处理，以增多训练集数量；

步骤三：

依照轴承损坏状态对数据进行打标处理；根据轴承损坏情况对数据集做标签分类；

步骤四：

依据随机抽样模型的方式对步骤三得到的数据集做出划分并存储在HDFS上；划分而成的多个子训练集；

构建并行卷积神经网络轴承故障诊断模型，并用打好标签的数据集对模型进行训练；其中，所述并行模型包含由spark管理的众多分布于不同计算机的弱CNN学习机，以及运行在Driver端的Bagging投票算法；

步骤五：

评估训练之后的并行模型，并将该模型用以诊断、分类滚动轴承故障类型。

所述步骤三中轴承损坏标签分为正常轴承振动数据以及损伤大小分别为0.007、0.014、0.021的轴承振动数据。

所述步骤五依据模型训练结果的准确率、加速比来对训练的模型进行评估，从而判断模型是否出现过拟合或训练不充分等情况。

所述步骤四具体为：

(4-1)：将打完标签的数据依据集群中的机器数量划分为多个子训

练集，划分方式如下式：

n＝N÷k