[发明专利]基于一维卷积神经网络的轴承故障诊断方法

说明书

本发明提出了一种基于一维卷积神经网络轴承故障诊断方法。滚动轴承作为工业设备中的重要部件，对滚动轴承的健康状况进行监测和诊断是非常重要的。传统的滚动轴承故障诊断方法对轴承故障识别精度低，需要人工提取特征，泛化能力差。本发明提出的一维卷积神经网络(1D‑CNN)方法不仅能准确诊断轴承故障，而且克服了传统故障诊断方法的缺点。在本发明中，提出的卷积核的数目随卷积核大小减小而减少的网络结构，有效提高了滚动轴承故障检测的准确性。实验结果表明本发明所提出的1D‑CNN网络结构，在单一负载下平均准确率达到99.2％，在跨不同负载的平均准确率达到98.83％。与其他现有的相关工作比较，我们提出的方法具有较为优越的性能。

技术领域

本发明属于轴承故障诊断领域，具体涉及基于一维卷积神经网络(1D-CNN)的轴承故障诊断方法。

背景技术

现代工业设备都配备了相当数量的滚动轴承，滚动轴承是机械传动设备中极其重要的部件，一旦滚动轴承发生故障，将会严重影响到机械设备稳定高效的运行，甚至威胁到设备的安全以及使用寿命。45％-55％的机械故障是由轴承故障的损坏而引起的，为了保证机械设备可以正常可靠的稳定运行，对机械设备智能监测技术的需求从未停止过。

传统的轴承故障诊断需要具有丰富的机械知识以及较高的专家经验，设计耗时且不能保证通用性，不能满足轴承故障智能诊断的要求。滚动轴承故障诊断的机器学习方法首先从收集到的振动信号中提取故障特征，然后将提取的各种类型的故障特征映射的滚动轴承的不同故障类型中。滚动轴承故障诊断中常用的机器学习方法主要包括支持向量机(SVM)、K-近邻(KNN)、K-均值聚类等。但是这些机器学习方法的分类精度主要取决于特征提取步骤，而且对于不同的故障类型还要重新设计特征提取器，另一方面这些算法具有的只是结构简单的浅层结构，不能很好的学习复杂的轴承振动信号中的一些非线性关系。而深度学习方法在分析复杂和非平稳信号方面有着巨大的优势。

深度学习可以从复杂和非平稳的轴承振动信号中自动提取故障特征，近年来许多有关滚动轴承故障诊断的研究都利用了深度学习的方法。近些年来，卷积神经网络在模式识别领域取得了巨大的成功，其特点是可以自动的从信号或是图像中提取特征，取代了需要较高专家经验的繁琐特征提取工程。而其中的卷积神经网络(CNN)具有的局部感受野、权重共享和空间域子采样，不仅降低了网络的复杂度，也减少了过拟合的风险，大大提高了模式识别的准确性和效率。使用卷积神经网络(CNN)进行滚动轴承故障识别主要有两种方式，第一种方式是直接使用一维原始振动信号作为模型输入，第二种是将原始振动信号转换为二维图像作为模型的输入。与2D-CNN相比，1D-CNN的网络直接使用一维原始振动信号作为输入，无需任何的预处理。

为了提高滚动轴承故障诊断的准确性，本发明提出了一种基于一维卷积神经网络的轴承故障诊断方法。

发明内容

本发明提出了一种基于一维卷积神经网络(1D-CNN)轴承故障诊断方法。滚动轴承作为工业设备中的重要部件，对滚动轴承的健康状况进行监测和诊断是非常重要的。传统的滚动轴承故障诊断方法对轴承故障识别精度低，需要人工提取特征，泛化能力差。本发明提出的一维卷积神经网络(1D-CNN)方法不仅能准确诊断轴承故障，而且克服了传统故障诊断方法的缺点。在本发明中，提出的卷积核的数目随卷积核大小减小而减少的网络结构，有效提高了滚动轴承故障检测的准确性。

本发明的技术方案步骤如下：

第一方面，本发明提供了一种基于一维卷积神经网络的轴承故障诊断方法，用于通过检测收集到的轴承振动信号，来判断轴承是否故障以及故障的类型，其具体步骤如下：

S1：对电动机驱动端中的滚动轴承进行电火花人工损伤，形成若干类有损滚动轴承，不同类的有损伤滚动轴承具有不同的故障类型；

S2：分别针对无损伤滚动轴承以及每一类有损伤滚动轴承，通过部署在滚动轴承上的振动传感器，采集单一负载下的滚动轴承振动信号，形成带有故障类型标签的样本数据集；