基于多通道深度脉冲耦合神经网络的轴承故障检测方法

本发明涉及轴承故障检测，具体是基于多通道深度脉冲耦合神经网络的轴承故障检测方法。

背景技术：

1、随着工业设备的大型化和自动化水平的提高，旋转机械设备中轴承的工作状态监测与故障诊断已成为保障生产安全和设备稳定运行的重要环节。轴承作为旋转机械中重要的机械零部件，其性能直接关系到设备的整体运行状态。一旦发生故障，轻则引发振动、噪声，重则可能导致设备停机，甚至酿成严重的经济损失和安全事故。因此，发展高效的轴承故障检测技术，对于提升设备可靠性、降低运行成本具有重要意义。

2、目前，轴承故障检测技术主要依赖于振动信号的分析与处理。常见的技术手段包括时域分析、频域分析（如快速傅里叶变换，fft）和时频域分析（如小波变换）。这些方法在早期阶段取得了显著效果，但随着故障模式的多样化和工况复杂性的增加，传统方法的局限性逐渐显现；

3、为克服传统方法的不足，近年来，基于人工智能（ai）和深度学习的轴承故障检测方法逐渐受到广泛关注。特别是深度神经网络（dnn）和卷积神经网络（cnn），因其强大的特征提取和自适应能力，在故障检测领域展现出了良好的应用前景。神经网络能够自动从大量数据中学习并提取与故障相关的特征，减少了对人工经验的依赖。然而，尽管深度学习方法具有较好的表现，但仍存在以下问题：

4、1.数据需求量大：深度学习方法通常依赖于大量的标注数据进行训练，而在实际应用中，尤其是在设备正常运行期间，故障数据较为稀缺，限制了这些方法的实际应用。

5、2.训练时间长，计算资源要求高：深度神经网络结构复杂，参数众多，训练过程需要大量的计算资源和时间，难以在资源有限的场景下高效应用。

6、3.模型解释性差：虽然深度学习模型在检测精度上表现优异，但其内部工作机制复杂，难以为用户提供直观的故障诊断依据，导致模型的可解释性和可接受性较低。

7、作为一种具有生物启发的神经网络模型，脉冲耦合神经网络（pcnn）近年来被广泛应用于图像处理、特征提取等领域。pcnn具有独特的同步振荡机制，能够对输入信号进行自适应调节，特别是在处理具有空间复杂性的数据时表现出色。相比于传统神经网络，pcnn在提取信号的边缘特征和突变点方面具有显著优势。然而，经典的pcnn模型在处理高维复杂信号（如振动信号）时，仍存在以下局限性：

8、①.浅层结构限制特征提取能力：传统pcnn为浅层结构，难以有效捕捉复杂信号中的深层次特征。

9、②.缺乏全局信息处理能力：pcnn更多依赖于局部信息的提取，对于全局信号特征的建模能力有限，导致其在处理复杂故障模式时表现不佳。

10、为了解决上述问题，受类脑计算的启发，提出了一种基于多通道深度脉冲耦合神经网络（mc-dpcn）的轴承故障检测方法。通过引入深度网络结构，该方法大幅提升了对复杂故障信号的特征提取能力，并通过优化的网络结构和算法设计，克服了传统pcnn在高维信号处理中的不足。mc-dpcn不仅能够处理复杂的振动信号，还能够自适应调整网络参数，提升模型的泛化能力和鲁棒性。此外，该方法在噪声干扰和动态工况下，依然能够保持较高的故障检测准确性和实时性。

技术实现思路

1、本发明的目的在于提供基于多通道深度脉冲耦合神经网络的轴承故障检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于多通道深度脉冲耦合神经网络的轴承故障检测方法，其特征在于，包括以下步骤：

4、包括以下步骤：

5、s1.振动信号采集和预处理

6、通过安装在电机驱动端，风扇端，基座端等的加速度传感器，实时采集设备运行过程中的振动信号,

7、对采集的振动信号进行降噪处理，采用低通滤波器去除信号中的高频噪声，并通过归一化处理，将信号幅值标准化为0到1之间的范围，便于后续特征提取；

8、s2.特征提取

9、采用小波变换将信号从时域变换到时频域。按照窗口大小256，步长64，将多个位点的加速度数据转换为频谱图，作为深度脉冲耦合神经网络的多个通道输入；

10、设从加速度传感器采集的振动信号为，其中为时间变量，是轴承振动的加速度信号，该信号为离散的采样信号，其中是采样点数，假设采样频率为，则每个时间步长为。

11、

12、s3.模型构建

13、根据振动信号的特性选择合适的网络结构，该模型由多层pcnn构成，能够逐层提取信号中的多尺度特征；

14、轴承振动信号的频谱图首先会进入卷积单元；每个卷积单元内由卷积层与平均池化层组成，卷积块，批量归一化块，pcnn层组成；然后进入全连接单元；全连接块由一个全连接层，一个批量归一化块，一个pcnn层；在最终时刻t=n的输出用于分类；

15、s3.1批量归一化

16、bn首先计算一个批次样本的均值和方差，接着对这个批次的样本进行标准化处理，最后通过可学习的参数进行缩放和平移；

17、

18、其中bn（batch normalize）表示批量归一化，x是其中的一个输入样本，下标表示一个批量样本，表示逐个元素相乘，γ和β则分别为可学习的缩放系数和平移系数，为该批量样本的标准差，和分别为该批量样本的均值与方差，由下式计算得出：

19、

20、

21、其中是平移系数，通过移动平均得到整个数据集的均值与方差，确保模型在处理新的、未见过的数据时能够保持稳定的性能；

22、s3.2 pcnn神经元

23、带有卷积前馈连接的pcnn层可以被描述为：

24、

25、

26、

27、

28、

29、其中：

30、

31、阶跃函数：

32、

33、s4.模型训练

34、使用历史采集的轴承故障数据进行模型训练，数据集包含正常工况和多种故障类型，采用监督学习的方式，通过标签数据训练模型；

35、训练完成后，使用交叉验证方法对模型进行评估，确保其具有良好的泛化能力，验证过程需要检测模型在不同故障类型下的分类准确率、误差率等指标，准确率要求不低于95%；

36、s5.实时故障检测：将训练好的多通道深度脉冲耦合神经网络模型部署到轴承监控系统中，实时处理传感器采集到的振动信号，对设备的运行状态进行监控和诊断。系统自动判断是否存在故障，并识别出故障类型；

37、s6.故障预警：当检测到故障时，系统根据故障类型和严重程度，发出相应的预警信号，指导维护人员进行设备检修，避免故障进一步扩展。

38、进一步地，s2中为了获得频域上的信息，需要对离散的时域信号进行快速傅里叶变换，其数学表达式为：

39、

40、其中：

41、为频域信号的傅里叶系数，代表频率为的分量；为虚数单位；为fft的采样点数；k 表示离散频率的编号；

42、频谱图表示频率分量的幅值，振动信号的频谱幅值可以通过求傅里叶系数的模值来获得：

43、

44、其中，和分别为傅里叶变换结果的实部和虚部，为了更直观地表示信号的能量分布，使用对数刻度（db）对幅值进行处理：

45、

46、这样得到的就是频谱图中展示的频域幅值，表示每个频率成分的能量；

47、fft的结果是对称的，其中前点代表正频率分量，后点代表负频率分量；实际应用中，只保留正频率部分即可。频率轴定义为：

48、。

49、与现有技术相比，本发明的有益效果是：

50、1.通过小波变换预处理轴承的振动加速度数据，然后使用快速傅里叶变换得到时域数据，解决了传统视觉模型不能处理时间序列的加速度数据的问题。无需复杂的振动分析。

51、2.采用基于类脑计算开发的多通道脉冲耦合神经网络模型(mc-dpcn)，该模型受类脑计算启发，通过模拟大脑视觉皮层处理信号的机制，达到高精度与高鲁棒性。而已有专利/文章的大多采用传统的深度学习或机器学习模型。首次将类脑计算引入故障检测领域。