基于emd和多通道卷积神经网络的轴承故障诊断方法
技术领域
1.本发明属于齿轮箱轴承故障诊断的技术领域，尤其是涉及一种基于emd 和多通道卷积神经网络的轴承故障诊断方法。
背景技术：2.齿轮箱在机械、电气等领域应用广泛，其中轴承是齿轮箱中重要的零部件。实际使用中，往往需要在很短的工期内完成较多的任务，齿轮箱需要长期超载运行，因此经常出现故障，造成不必要的停机。轴承作为齿轮箱中较易损坏的部件，因此对轴承进行早期故障诊断非常有必要。然而，轴承发生故障的情况多种多样，十分复杂，使用传统故障诊断方法，在处理复杂情况下采集的故障信号时，信号比较单一，处理方法较难达到理想的效果。
3.因此，深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。
技术实现要素：4.有鉴于此，本发明旨在提出一种基于emd和多通道卷积神经网络的轴承故障诊断方法，以缓解上述的技术问题。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.一种基于emd和多通道卷积神经网络的轴承故障诊断方法，包括以下步骤：
7.(1)使用emd对振动信号进行分解：将任意非线性信号分解为一系列imf 信号和一个余项。
[0008][0009]
式中n为分解得到的imf分量的个数；ci(t)为第i个imf分量；rn(t)为最终残余分量。
[0010]
假设待分解信号为x(t)，具体的算法流程如下：
[0011]
第一步：利用样条插值方法拟合得到上、下包络线。
[0012]
第二步：用x(t)减去上、下包络线的均值m1(t)得到一个分量k1(t)
[0013]
h1(t)＝x(t)-m1ꢀꢀꢀꢀ
(2)
[0014]
第三步：判断h1(t)是否满足imf条件，若满足，则将h1(t)记为 c1，作为第一个imf。否则重复上述步骤，假设直至第k次满足条件，得到
[0015]
c1＝h
1(k-1)
(t)-m1ꢀꢀꢀ
(3)
[0016]
第四步：从x(t)中减去c1(t)，得到残余分量r1(t)，将r1(t)重复步骤(1)、(2)，并将得到的新残余分量判断是否需要分解，若需要，则重复上述步骤，否则停止分解。
[0017]
(2)对imf分量的峭度值、相关系数进行加权运算：振动信号经emd分解后，计算各imf分量的峭度值。
[0018]
相关系数ρ反映含噪信号x(t)与各阶imf之间相关关系的密切程度。
[0019][0020]
式中：c为矩阵的协方差矩阵；n为信号的采样点数。
[0021]
(3)去掉分解后的残差项，选择峭度值较大imf分量：通过分析各阶imf 与x(t)的ρ，结合emd方法与噪声自身的特点，选择相关系数较大的imf分量达到去噪目的。由于各阶imf是由x(t)分解得到的，在多数情况下应有0＜ρ＜1。但实验发现，当含噪信号x(t)的信噪比较大时，会出现其分解得到的某高阶imf与自身的相关系数小于0的情况。由于欲通过相关系数反应各阶imf中碰摩ae信号能量与噪声能量的相对变化趋势，故当相关系数为负数时，对其取绝对值即可。
[0022]
(4)利用加权值挑选出具有明显特征的imf分量，计算流程如下：
[0023][0024]
其中，q表示imf分量数量，ku
{i}
表示第i个imf分量峭度值。
[0025]
t(i)＝0.8*ω(i)+0.2*
ꢀꢀꢀ
(6)
[0026]
其中，p(i)表示第i个imf分量的相关系数，t(i)表示第i个imf分量的加权值。
[0027]
(5)进行卷积运算：首个卷积层使用单个大卷积核进行卷积运算，可提高网络模型的鲁棒性，在后续网络结构中加入多通道卷积模块。
[0028]
(6)网络结构参数设计：mc-cnn综合使用单通道卷积和多通道卷积模块，可有效提取故障特征。
[0029]
(7)选择模型损失函数与训练方法：训练过程中，采用adam自适应优化器更新网络训练参数直至得到最优解，训练批次大小设置为128，迭代次数为160，最后使用softmax分类器实现故障分类。
[0030]
(8)初始化多通道卷积神经网络并开始训练：在确定该方法的准确率后，构造低信噪比信号对网络结构进行测试，并与其他网络结构进行横向对比。
[0031]
(9)利用测试集完成测试后进行鲁棒性测试：在原信号的基础上，加入对应噪声构造信噪比-6、-4、-2、0的信号。使用加权值方法得到图像数据集，不同的网络模型利用该数据集进行训练。实验结果表明mc-cnn在不同信噪比下均高于其他网络模型，证明了网络结构的优越性，同时在-6信噪比下仍然取得了82.34％的准确率，证明了该方法具有一定的鲁棒性。
[0032]
相对于现有技术，本发明提供的一种基于emd和多通道卷积神经网络的轴承故障诊断方法具有以下优势：
[0033]
1、深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。
[0034]
2、相比峭度值方法得到的数据集，该加权方法得到imf数据集轴承故障诊断准确率达到99.30％。
[0035]
3、出了一种新的深度神经网络模型—多通道卷积神经网络(mc-cnn)，应用于齿轮箱振动信号的故障诊断，大大提高了故障诊断能力。
[0036]
4、对原始信号构造不同信噪比的噪声进行测试，发现mc-cnn明显优于其他网络结构，证明了所提方法具有良好的泛化能力。
具体实施方式
[0037]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0038]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0039]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内单元的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0040]
下面将结合实施例来详细说明本发明。
[0041]
一种基于emd和多通道卷积神经网络的轴承故障诊断方法，包括以下步骤：
[0042]
(1)使用emd对振动信号进行分解：
[0043]
将任意非线性信号分解为一系列imf信号和一个余项，
[0044][0045]
式中n为分解得到的imf分量的个数；ci(t)为第i个imf分量；rn(t)为最终残余分量。
[0046]
假设待分解信号为x(t)，具体的算法流程如下：
[0047]
第一步：利用样条插值方法拟合得到上、下包络线。
[0048]
第二步：用x(t)减去上、下包络线的均值m1(t)得到一个分量k1(t)
[0049]
h1(t)＝x(t)-m1ꢀꢀꢀꢀꢀ
(2)
[0050]
第三步：判断h1(t)是否满足imf条件，若满足，则将h1(t)记为 c1，作为第一个imf。否则重复上述步骤，假设直至第k次满足条件，得到
[0051]
c1＝h
1(k-1)
(t)-m1ꢀꢀꢀꢀꢀ
(3)
[0052]
第四步：从x(t)中减去c1(t)，得到残余分量r1(t)，将r1(t)重复步骤(1)、(2)，并将得到的新残余分量判断是否需要分解，若需要，则重复上述步骤，否则停止分解。
[0053]
(2)对imf分量的峭度值、相关系数进行加权运算：
[0054]
振动信号经emd分解后，计算各imf分量的峭度值。
[0055]
相关系数ρ反映含噪信号x(t)与各阶imf之间相关关系的密切程度。
[0056][0057]
式中：c为矩阵的协方差矩阵；n为信号的采样点数。
[0058]
(3)去掉分解后的残差项，选择峭度值较大imf分量：
[0059]
通过分析各阶imf与x(t)的ρ，结合emd方法与噪声自身的特点，选择相关系数较大的imf分量达到去噪目的。由于各阶imf是由x(t)分解得到的，在多数情况下应有0＜p＜1。但实验发现，当含噪信号x(t)的信噪比较大时，会出现其分解得到的某高阶imf与自身的相关系数小于0的情况。由于欲通过相关系数反应各阶imf中碰摩ae信号能量与噪声能量的相对变化趋势，故当相关系数为负数时，对其取绝对值即可。
[0060]
(4)利用加权值挑选出具有明显特征的imf分量，计算流程如下：
[0061][0062]
其中，q表示imf分量数量，ku
{i}
表示第i个imf分量峭度值。
[0063]
t(i)＝0.8*ω(i)+0.2*
ꢀꢀꢀꢀ
(6)
[0064]
其中，ρ(i)表示第i个imf分量的相关系数，t(i)表示第i个imf分量的加权值。
[0065]
具体操作过程，取2048个采样点为一段信号，同一段轴承采样信号可分解成多段振动信号，每段分段振动信号经emd分解后，振动频率从高到低依次排列，挑选特征明显且包含故障特征的imf分量至关重要。
[0066]
(5)进行卷积运算：
[0067]
首个卷积层使用单卷积核进行卷积运算，在后续网络结构中使用多通道卷积模块。mc-cnn的网络模型，其中包含两个多通道卷积模块，在全连接层前加入全局平均池化层，最后连接dropout层和分类器层，实现了对轴承振动信号的特征提取与故障分类。
[0068]
(6)网络结构参数设计：
[0069]
mc-cnn综合使用单通道卷积和多通道卷积模块，在有效提取故障特征的同时又提高了网络模型的鲁棒性。
[0070]
(7)选择模型损失函数与训练方法：
[0071]
训练过程中，采用adam自适应优化器更新网络训练参数直至得到最优解，训练批次大小设置为128，迭代次数为160，最后使用softmax分类器实现故障分类。
[0072]
(8)初始化多通道卷积神经网络并利用训练集开始训练：
[0073]
在确定该方法的准确率后，构造低信噪比信号对网络结构进行测试，并与其他网络结构进行横向对比
[0074]
(9)利用测试集完成测试后进行鲁棒性测试：
[0075]
整体技术路线流程，在原信号的基础上，加入对应噪声构造信噪比-6、
ꢀ‑
4、-2、0的信号。使用加权值方法得到图像数据集，不同的网络模型利用该数据集进行训练。实验结果
表明mc-cnn在不同信噪比下均高于其他网络模型，证明了网络结构的优越性，同时在-6信噪比下仍然取得了82.34％的准确率，证明了该方法具有一定的鲁棒性。
[0076]
(10)数据可视化：
[0077]
为了进一步探索mc-cnn提取特征的过程。将10类数据输入到cnn网络结构中，把各层提取特征通过t-sne进行降维可视化呈现。第一个卷积层、 softmax层，可以观察到原始数据在经过网络模型后，分类逐渐清晰。
[0078]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，包括以下步骤：使用emd将非线性振动信号分解为一系列imf信号和一个余项；计算各imf分量的峭度值，对imf分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的imf分量；利用加权值挑选出具有明显特征的imf分量；进行卷积运算。2.根据权利要求1所述的基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述进行卷积运算步骤包括：首个卷积层使用单卷积核进行卷积运算，在后续网络结构中使用多通道卷积模块。3.根据权利要求2所述的基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述进行卷积运算步骤之后包括：网络结构参数设计。4.根据权利要求3所述的基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述包括网络结构参数设计步骤之后包括：选择模型损失函数与训练方法。5.根据权利要求4所述的基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述选择模型损失函数与训练方法步骤之后包括：初始化多通道卷积神经网络并利用训练集开始训练。6.根据权利要求5所述的基于emd和多通道卷积神经网络的轴承故障诊断方法，其特征在于，所述初始化多通道卷积神经网络并利用训练集开始训练步骤之后包括：利用测试集完成测试后进行鲁棒性测试。
技术总结本发明提供了一种基于EMD和多通道卷积神经网络的轴承故障诊断方法，属于齿轮箱轴承故障诊断的技术领域，包括以下步骤：使用EMD将非线性振动信号分解为一系列IMF信号和一个余项；计算各IMF分量的峭度值，对IMF分量的峭度值及相关系数进行加权运算；去掉分解后的余项，选择峭度值较大的IMF分量；利用加权值挑选出具有明显特征的IMF分量；进行卷积运算。深度学习开始应用于设备故障诊断领域，对比传统方法，深度学习方法普遍能更好地提取到故障信号的特征，提升了机械故障诊断效率。提升了机械故障诊断效率。
技术研发人员：刘晓昂 赵福凯 岳卓 丁晋 甄冬
受保护的技术使用者：河北工业大学
技术研发日：2022.06.07
技术公布日：2022/11/1
