一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法
【專利摘要】本發(fā)明屬于機(jī)械故障診斷領(lǐng)域，特別涉及到Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用。具體是提出了一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法。直接將振動信號的Morlet小波變換系數(shù)矩陣歸一化后作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段，采用帶標(biāo)簽有監(jiān)督的學(xué)習(xí)算法，使用極小化適應(yīng)函數(shù)的準(zhǔn)則，利用帶動量的梯度下降法調(diào)整各層的權(quán)值和偏置。將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)用于軸承故障的分類，對分類結(jié)果進(jìn)行解釋就實(shí)現(xiàn)了對軸承故障的診斷。本發(fā)明創(chuàng)造性地將Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來用于軸承故障的診斷，在原始分類數(shù)據(jù)的處理上比現(xiàn)有的技術(shù)簡單，經(jīng)測試，對于自建的樣本庫能到達(dá)80％以上的診斷識別率。
【專利說明】
一種基于Mor let小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷 方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及機(jī)械故障診斷領(lǐng)域，特別涉及到Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的應(yīng) 用。
【背景技術(shù)】
[0002] 滾動軸承在工業(yè)生產(chǎn)中應(yīng)用廣泛，尤其在旋轉(zhuǎn)機(jī)械設(shè)備中承擔(dān)重要角色，其健康 狀況直接影響整個(gè)設(shè)備的工作狀態(tài)，因此，對軸承故障診斷的研究具有十分重要的意義。
[0003] 振動信號分析是軸承故障診斷最常用，也是最行之有效的方法。小波變換的窗口 具有很好的自適應(yīng)特性和平移功能，能使高頻處時(shí)間分辨高，頻率分辨率低;而低頻處時(shí)間 分辨率低，頻率分辨率高，因而廣泛運(yùn)用在機(jī)械故障診斷等工程應(yīng)用中。
[0004] 軸承故障診斷實(shí)際上屬于模式識別的范疇，是一個(gè)提取軸承故障特征然后進(jìn)行分 類的過程。也即是設(shè)計(jì)一個(gè)非線性分類器，實(shí)現(xiàn)特征空間到模式空間的映射。常用的非線性 分類器有BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM)、徑向基網(wǎng)絡(luò)等。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN)是最近發(fā)展起來的一種非線性分類器，相比于其他深層網(wǎng)絡(luò)，CNN的 關(guān)鍵在于引入了卷積、采樣和權(quán)值共享的概念，由于這種網(wǎng)絡(luò)結(jié)構(gòu)對平移、比例縮放、傾斜 或者共他形式的變形具有高度不變性，近年來在圖像處理領(lǐng)域越來越受到重視:2012年， Krizhevsky等使用卷積神經(jīng)網(wǎng)絡(luò)搭建的系統(tǒng)，在ImageNet圖像數(shù)據(jù)集中將分類錯(cuò)誤率從 25 %下降到17 %; 2014年，F(xiàn)acebook搭建的卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)在人臉驗(yàn)證上將正確率提高 到97.25%，而人眼辨識的正確率是97.53%。
[0005] 綜上，小波變換在軸承故障診斷中已應(yīng)用非常廣泛，但大多需要分析故障信號的 小波尺度譜、功率譜等，以人工確定故障類型。也出現(xiàn)過很多應(yīng)用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等 人工智能方法進(jìn)行軸承故障的自動分析和診斷，本發(fā)明所述的卷積神經(jīng)網(wǎng)絡(luò)在軸承故障診 斷的應(yīng)用尚屬首次。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷 的方法。
[0007] 一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法主要包括以下4個(gè) 步驟：
[0008] 步驟（1 )、通過對軸承振動信號進(jìn)行Morlet小波變換，用小波變換的系數(shù)矩陣作為 原始的分類數(shù)據(jù)。
[0009] 步驟(2)、通過設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)作為軸承故障的分類器，其中，卷積神經(jīng)網(wǎng)絡(luò)包 括卷積與池化層、全連接層和分類輸出層。卷積與池化層和全連接層用于從原始的分類數(shù) 據(jù)中提取分類特征，分類輸出層用于軸承故障分類。
[0010] 步驟(3)、利用包含不同軸承故障類型的特征樣本庫訓(xùn)練步驟(2)的網(wǎng)絡(luò)，其中，訓(xùn) 練方式為帶標(biāo)簽的樣本進(jìn)行有監(jiān)督的學(xué)習(xí)，利用帶有動量的梯度下降法調(diào)整每一層的網(wǎng)絡(luò) 權(quán)值和偏置值。
[0011] 步驟(4)、利用步驟(3)訓(xùn)練好的網(wǎng)絡(luò)，對類別未知的軸承故障進(jìn)行分類，對分類結(jié) 果進(jìn)行解釋就實(shí)現(xiàn)了軸承故障的診斷。
[0012] 本發(fā)明的有益效果：
[0013] 1、將Morlet小波變換與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，直接用歸一化后的小波系數(shù)矩陣作為 軸承故障診斷的原始數(shù)據(jù)，不需要進(jìn)行額外處理。
[0014] 2、通過合理的設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有針對地訓(xùn)練，達(dá)到了90%以上的故障識 別率。
【附圖說明】
[0015] 為了更清楚地說明本發(fā)明的實(shí)施以及現(xiàn)有的技術(shù)方案，下面對實(shí)施例及現(xiàn)有技術(shù) 描述需要使用的附圖作簡單介紹。
[0016] 圖1是現(xiàn)有基于Morlet小波變換的軸承故障診斷的一般方法；
[0017] 圖2是不同波形參數(shù)β下Morlet母小波的時(shí)域波形圖和頻譜圖；
[0018] 圖3是波形參數(shù)β=1，不同尺度參數(shù)a下Morlet母小波的時(shí)域波形圖和頻譜圖；
[0019] 圖4是本發(fā)明所述的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；
[0020] 圖5是本發(fā)明所述的軸承故障診斷流程圖；
【具體實(shí)施方式】
[0021] 下面結(jié)合本發(fā)明的附圖，對本發(fā)明的實(shí)施方案進(jìn)行清楚地描述。所描述的實(shí)例僅 僅是本發(fā)明的一部分實(shí)施例，基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng) 造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0022] 1、采用Mor let小波變換提取軸承故障的時(shí)頻分類特征：首先確定Mor let母小波 基，然后確定尺度參數(shù)，構(gòu)成小波變換基，最后對軸承的振動信號進(jìn)行小波變換，得到由時(shí) 間信息和頻率信息組成的分類特征;其中
[0023] Morlet小波的母波為力2/2C0S5i，其中，β稱為波形參數(shù)，它決定了Morlet母 小波的形狀，如圖2所示。母小波的形狀越與被分析信號相似，信號中的特征成分越能被清 晰地提取出來;尺度參數(shù)a決定了母小波的伸縮特性，如圖3所示。在波形參數(shù)確定的前提 下，參數(shù)a決定了小波的帶通寬度，從而影響小波變換的分辨率。
[0024] 特別地，本發(fā)明取波形參數(shù)β = 0.7，尺度參數(shù)a = 1時(shí)窗口長度為10，頻率軸劃分為 1024,對軸承的振動信號進(jìn)行連續(xù)小波變換，得到小波系數(shù)矩陣。其中，信號x(t)的連續(xù)小 波變換的公式為
(式1)
[0025] 2、米用設(shè)計(jì)的卷積神經(jīng)|wj絡(luò)（Convolutional Neural Networks，CNN)建立軸承故 障診斷模型。特別地，本發(fā)明所述的卷積神經(jīng)網(wǎng)絡(luò)包括：1個(gè)輸入層、4個(gè)卷積與池化層，1個(gè) 全連接層，1個(gè)分類輸出層。卷積層的卷積核大小分別為：11X11、5 X5、5X5、5X5,特征圖的個(gè) 數(shù)分別為30、50、50、40，池化層的窗口大小為2x2的最大池;全連接層為200個(gè)神經(jīng)元;分類 輸出層為16神經(jīng)元，共16個(gè)故障類別，采用softmax回歸分類器，如圖4所示。每一個(gè)卷積層 的輸入均來自上一個(gè)卷積層經(jīng)池化得到的特征圖，激活函數(shù)選用Sigmoid函數(shù)。
[0026] 特別地，本發(fā)明采用的訓(xùn)練方式為帶標(biāo)簽的樣本進(jìn)行有監(jiān)督的學(xué)習(xí)，利用帶有動 量的梯度下降法調(diào)整每一層的網(wǎng)絡(luò)權(quán)值和偏置值。適應(yīng)函數(shù)取如(式2)所示的平方誤差函 數(shù) (式2) 式中，N為樣本總數(shù)，C為輸出向量的維數(shù)，tP4Po"分別為期望輸出的向量的第j個(gè)元 素。
[0027] 本發(fā)明采用自建的樣本數(shù)據(jù)庫，共收集了 16種軸承故障樣本，樣本由振動信號和 類別標(biāo)簽組成，振動信號的采樣頻率均為12KHz共1024個(gè)采樣點(diǎn)。每種故障的訓(xùn)練樣本數(shù)為 6000,測試樣本數(shù)為3000。經(jīng)測試每種故障的診斷識別率在80%以上，比較令人滿意。
【主權(quán)項(xiàng)】
1. 一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法，其特征在于，故障 分類特征的提取和故障分類器的設(shè)計(jì)，包括以下步驟： 步驟（1 )、通過對軸承振動信號進(jìn)行Morlet小波變換，用小波變換的系數(shù)矩陣作為原始 的分類數(shù)據(jù)； 步驟(2)、通過設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)作為軸承故障的分類器，包括卷積與池化層、全連接 層和分類輸出層，卷積與池化層和全連接層用于從原始的分類數(shù)據(jù)中提取分類特征，分類 輸出層用于軸承故障分類； 步驟(3)、利用包含不同軸承故障類型的特征樣本庫訓(xùn)練步驟(2)的網(wǎng)絡(luò)，其中，訓(xùn)練方 式為帶標(biāo)簽的樣本進(jìn)行有監(jiān)督的學(xué)習(xí)，利用帶有動量的梯度下降法調(diào)整每一層的網(wǎng)絡(luò)權(quán)值 和偏置值； 步驟(4)、利用步驟(3)訓(xùn)練好的網(wǎng)絡(luò)，對類別未知的軸承故障進(jìn)行分類，對分類結(jié)果進(jìn) 行解釋就實(shí)現(xiàn)了軸承故障的診斷。2. 根據(jù)權(quán)利要求1所述一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方 法，其特征在于，所述Morlet小波的波形參數(shù)β = 0.7,尺度參數(shù)a=l時(shí)，小波窗長度為10,頻 率軸劃分為1024。3. 根據(jù)權(quán)利要求1所述一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方 法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括：1個(gè)輸入層、4個(gè)卷積與池化層，1個(gè)全連接層，1個(gè) 分類輸出層。4. 根據(jù)權(quán)利要求3所述一種基于Morlet小波變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方 法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)的輸入為Morlet小波變換的系數(shù)矩陣;卷積層的卷積核 大小分別為：1&11、515、515、515，特征圖的個(gè)數(shù)分別為30、50、50、40，池化層的窗口大小為 2x2的最大池；全連接層為200個(gè)神經(jīng)元；分類輸出層為16神經(jīng)元，共16個(gè)故障類別，采用 softmax回歸分類器。
【文檔編號】G06K9/00GK105841961SQ201610184385
【公開日】2016年8月10日
【申請日】2016年3月29日
【發(fā)明人】史永宏, 羅鑫, 劉新平, 宋繼志
【申請人】中國石油大學(xué)(華東)