轴承智能故障诊断模型建立方法及系统

1.本发明涉及智能诊断技术领域，特别涉及一种轴承智能故障诊断模型建立方法及系统。


背景技术：

2.智能故障诊断是人工智能和故障诊断相结合的产物，在诊断过程中融合了领域专家知识和人工智能技术。滚动轴承作为旋转机械的关键部件，在工业生产中有着广泛的应用，是保障系统安全稳定运转的关键环节，也是整个机械系统中最容易出现故障的零部件之一，针对滚动轴承进行智能故障诊断，对保证设备的正常稳定运转具有重要意义。
3.滚动轴承故障诊断工作主要包括两类：定性诊断和定量诊断。定性诊断是指判断轴承是否存在故障以及故障存在的具体位置(如内圈故障、外圈故障等)；定量诊断是指确定轴承故障尺寸的大小及故障的严重程度。cn114894482a公开了一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，包括步骤1、信号预处理，根据轴承转速选择合适的采样率，将原始振动信号划分为等尺寸的样本信号；步骤2、数据增强，对样本信号采用高斯、凯泽、矩形窗函数，以及不同比例的重叠进行信号处理，产生新的信号样本，选择固定长度的窗函数，通过stft得到每个信号样本对应的二维时频谱；步骤3、对原始信号样本生成的时频图，将其转换成矩阵数据，使用nmf提取其中的故障特征，计算迭代后的闭式解，生成具有其特征的时频图，实现数据扩充；步骤4、构建一个用于故障诊断的轻量级cnn模型，通过设置合适的超参数，实现尽量少的层数下提高卷积速度，模型通过卷积、批归一化、池化操作提取扩充后训练样本中的特征，对故障类型进行分类；步骤5、设置多个数据集和参考组，参考评估诊断模型的分类效果，从准确度、精确度、召回率和f1值比较各个负载下故障诊断性能，测试该模型的跨域诊断性能，比较本方法于同类方法的优劣。
4.现有技术中，轴承故障诊断方法在划分训练集和测试集时，训练集中可能包含部分测试数据，造成了数据泄露；且过于依赖经验设计智能诊断模型结构，影响故障诊断结果。


技术实现要素：

5.经过长期实践发现，现有技术中轴承故障诊断方法不仅在建立神经网络模型时，训练集和测试集存在数据交叉，造成数据泄露，其次过于依赖经验数据对智能诊断模型进行构建；并且现有轴承故障诊断方法普遍用于判别轴承故障类型，难以实现同时对轴承故障类型及故障严重程度的判断。
6.有鉴于此，本发明旨在提出一种轴承智能故障诊断模型建立方法，所述轴承智能故障诊断模型建立方法包括，
7.步骤s1，获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，
8.x＝trr
×
(tl-sl so) ter
×
(sl-so)
9.trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl为单个样本的采样点数，so为采样偏移量；
10.步骤s2，按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，
[0011][0012]
测试集中的样本数ten为，
[0013][0014]
步骤s3，将训练集与测试集中的所有样本进行灰度化处理；
[0015]
步骤s4，构建轴承智能故障诊断的神经网络模型，将步骤s3处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；
[0016]
步骤s5，将步骤s3处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；
[0017]
步骤s6，将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。
[0018]
优选地，轴承智能故障诊断的神经网络模型包括convnext模型。
[0019]
优选地，轴承振动原始信号数据至少包括轴承正常、内圈故障、外圈故障的振动数据。
[0020]
优选地，轴承振动原始信号数据包括轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。
[0021]
本发明还公开了一种轴承智能故障诊断方法，包括，采集轴承振动信号数据，输入如上述的轴承智能故障诊断模型建立方法建立的轴承智能故障诊断模型，输出当前轴承的故障类型及故障的严重程度。
[0022]
本发明还公开了一种用于执行上述轴承智能故障诊断模型建立方法的系统，所述系统包括，
[0023]
获取单元，用于获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，
[0024]
x＝trr
×
(tl-sl so) ter
×
(sl-so)
[0025]
trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl为单个样本的采样点数，so为采样偏移量；
[0026]
预处理单元，用于按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，
[0027][0028]
测试集中的样本数ten为，
[0029][0030]
灰度化处理单元，用于将训练集与测试集中的所有样本进行灰度化处理；
[0031]
训练单元，用于构建轴承智能故障诊断的神经网络模型，将所述灰度化处理单元处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；
[0032]
对比单元，用于将灰度化处理单元处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；
[0033]
输出单元，用于将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。
[0034]
优选地，所述获取单元还包括数据采集系统，数据采集系统包括至少一个压电式加速度传感器、轴承基座、轴承，所述压电式加速度传感器固定安装至所述轴承基座上，所述轴承基座内设置有所述轴承，所述轴承与电机输出轴固定连接。
[0035]
优选地，所述获取单元至少包括显示装置，用于显示轴承正常、内圈故障、外圈故障的振动数据；轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。
[0036]
本发明公开了一种电子设备，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现上述的轴承智能故障诊断方法。
[0037]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明提供的方法。
[0038]
相对于现有技术，本发明轴承智能故障诊断模型建立方法通过获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；将训练集与测试集中的所有样本进行灰度化处理；构建轴承智能故障诊断的神经网络模型，将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；将处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。并提出一种轴承智能故障诊断方法，应用轴承智能故障诊断模型，以及执行上述轴承智能故障诊断模型建立方法的系统。不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，再通过数据预处理，能够完全避免训练集和测试集数据交叉造成的数据泄露；且能够综合考虑轴承故障类型及故障严重程度的预测标签与训练集中的标签进行对比，实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
[0039]
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0040]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0041]
图1为本发明的轴承智能故障诊断模型建立方法的示意图；
[0042]
图2为本发明的轴承智能故障诊断模型建立方法的流程图。
具体实施方式
[0043]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0044]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0045]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0046]
为了解决背景技术部分所指出传统轴承故障诊断方法不仅在建立神经网络模型时，训练集和测试集存在数据交叉，造成数据泄露，其次过于依赖经验数据对智能诊断模型进行构建；并且现有轴承故障诊断方法普遍用于判别轴承故障类型，难以实现同时对轴承故障类型及故障严重程度的判断等问题。本发明提供一种轴承智能故障诊断模型建立方法，如图1-图2所示，所述轴承智能故障诊断模型建立方法包括，
[0047]
步骤s1，获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，
[0048]
x＝trr
×
(tl-sl so) ter
×
(sl-so)
[0049]
trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl为单个样本的采样点数，so为采样偏移量；
[0050]
步骤s2，按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，
[0051][0052]
测试集中的样本数ten为，
[0053][0054]
步骤s3，将训练集与测试集中的所有样本进行灰度化处理；
[0055]
步骤s4，构建轴承智能故障诊断的神经网络模型，将步骤s3处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；
[0056]
步骤s5，将步骤s3处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；
[0057]
步骤s6，将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。
[0058]
本发明通过获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；将训练集与测试集中的所有样本进行灰度化处理；构建轴承智能故障诊断的神经网络模型，将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；将处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。并提出一种轴承智能故障诊断方法，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，再通过数据预处理，能够完全避免训练集和测试集数据交叉造成的数据泄露；且能够综合考虑轴承故障类型及故障严重程度的预测标签与训练集中的标签进行对比，实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
[0059]
为了更好地构建轴承智能故障诊断模型，并对轴承振动数据进行计算处理，从而获取不同故障类型及不同故障程度，同时提高准确率和计算效率，在本发明优选的情况下，轴承智能故障诊断的神经网络模型包括convnext模型。例如，微小convnext是包括结构，训练策略的卷积网络，基于pytorch深度学习框架搭建网络模型。微小convnext模型的整体结构为：stem层
→
三个逆瓶颈层
→
降采样层
→
三个逆瓶颈层
→
降采样层
→
九个逆瓶颈层
→
降采样层
→
三个逆瓶颈层
→
层归一化单元
→
全连接层。其中，stem层由一个卷积核大小和步长均为4的二维卷积和一个层归一化单元组成；降采样层由一个层归一化单元和一个卷积核大小和步长均为2的二维卷积组成；逆瓶颈层由一个卷积核大小为7的分组卷积和两个卷积核大小为1的二维卷积组成。此外，逆瓶颈层中还包括层归一化单元、全连接层、gelu激活函数以及drop_path正则化。通过对原始振动数据按训练集和测试集比例直接进行截断，并对截断后的振动数据进行重叠采样，实现了数据增强的同时，避免了测试集中数据泄露的问题；通过调整模型结构、采用逆瓶颈层、增大卷积核尺寸操作，构建了一种基于微小convnext的轴承智能故障诊断模型，提升了故障诊断的效果；本发明提出基于数据增强策略与微小convnext模型，同时训练轴承在不同故障类型以及不同故障严重程度下的样本集，实现一次性对轴承故障类型以及故障严重程度的诊断。
[0060]
为了全面覆盖轴承各类故障的振动数据对模型进行训练和测试，使得轴承智能故障诊断模型训练后准确率更高，收敛速度更快，在本发明优选的情况下，轴承振动原始信号数据至少包括轴承正常、内圈故障、外圈故障的振动数据。
[0061]
为了全面覆盖轴承振动数据中不同级别的故障，完成对模型进行训练和测试，使得模型能够预测轴承内圈与外圈在轻度故障、中度故障以及重度故障不同严重程度，在本发明优选的情况下，轴承振动原始信号数据包括轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。
[0062]
本发明还提供了一种轴承智能故障诊断方法，包括，采集轴承振动信号数据，输入如上述的轴承智能故障诊断模型建立方法建立的轴承智能故障诊断模型，输出当前轴承的故障类型及故障的严重程度。
[0063]
表1轴承智能故障诊断模型与其它方法准确率对比
[0064][0065]
选取了低于和高于19hz，例如，9hz、29hz、39hz转频下的振动数据，转频为9hz、29hz、39hz时，所提轴承智能故障诊断方法在50次迭代的过程中，在迭代次数10次以内，训练集准确率、损失以及测试集准确率均提高至100％。
[0066]
本发明通过应用上述轴承智能故障诊断的神经网络模型对轴承振动数据进行诊断，能够完全避免训练集和测试集数据交叉造成的数据泄露；且能够综合考虑轴承故障类型及故障严重程度的预测标签与训练集中的标签进行对比，实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高
[0067]
本发明还公开了一种用于执行上述轴承智能故障诊断模型建立方法的系统，所述系统包括，
[0068]
获取单元，用于获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；其中，截断位置x为，
[0069]
x＝trr
×
(tl-sl so) ter
×
(sl-so)
[0070]
trr为训练集的比例，ter为测试集的比例，tl是轴承振动原始信号数据总采样点数，sl为单个样本的采样点数，so为采样偏移量；
[0071]
预处理单元，用于按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；其中，训练集中的样本数trn为，
[0072][0073]
测试集中的样本数ten为，
[0074][0075]
灰度化处理单元，用于将训练集与测试集中的所有样本进行灰度化处理；
[0076]
训练单元，用于构建轴承智能故障诊断的神经网络模型，将所述灰度化处理单元处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；
[0077]
对比单元，用于将灰度化处理单元处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；
[0078]
输出单元，用于将预测标签与训练集中的标签进行对比，判断并输出轴承故障类
型及故障的严重程度。
[0079]
本发明提供的系统中，通过所述获取单元获取轴承振动原始信号数据，根据比例值将原始信号数据截断为训练集数据和测试集数据；在预处理单元中按照初始设定的单个样本的采样点数sl，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量so，并截取下一个样本，生成训练集和测试集；灰度化处理单元中将训练集与测试集中的所有样本进行灰度化处理；训练单元针对轴承智能故障诊断的神经网络模型进行构建，将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，输出训练好的轴承智能故障诊断模型；对比单元将处理后的测试集样本输入训练好的轴承智能故障诊断模型中，输出模型对测试集中每个样本的预测标签；输出单元将预测标签与训练集中的标签进行对比，判断并输出轴承故障类型及故障的严重程度。执行上述轴承智能故障诊断模型建立方法的系统。不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，再通过数据预处理，能够完全避免训练集和测试集数据交叉造成的数据泄露；且能够综合考虑轴承故障类型及故障严重程度的预测标签与训练集中的标签进行对比，实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
[0080]
为了更好地、更准确地获取更多的轴承振动数据，全面覆盖轴承各类故障的振动数据对模型进行训练和测试，使得轴承智能故障诊断模型训练后准确率更高，收敛速度更快，在本发明更为优选的情况下，所述获取单元还包括数据采集系统，数据采集系统包括至少一个压电式加速度传感器、轴承基座、轴承，所述压电式加速度传感器固定安装至所述轴承基座上，所述轴承基座内设置有所述轴承，所述轴承与电机输出轴固定连接。
[0081]
为了更为直观地显示获取的振动数据和故障信息，在本发明更为优选的情况下，所述获取单元至少包括显示装置，用于显示轴承正常、内圈故障、外圈故障的振动数据；轴承内圈与外圈在轻度故障、中度故障以及重度故障严重程度下的振动数据。
[0082]
本发明还公开了一种电子设备，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现上述的轴承智能故障诊断方法。
[0083]
进一步地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明提供的方法。
[0084]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0085]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0086]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，
可以是电性或其它的形式。
[0087]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0088]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0089]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0090]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。