[发明专利]一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法

说明书

本发明公开了一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法，该方法使用不完备的数据进行两级建模：第一级实现故障类型识别。第二级实现故障损伤程度分类，将已识别故障类型的信号做短时傅里叶变换得到滑动窗时频图，提取不同损伤程度故障的细微差异性；将时频图作为第二级S‑CNN2的输入，并设计基于目标空间距离的分类器，实现同种故障损伤程度的分类与自学习。将该方法应用于故障实验平台采集的滚动故障数据，结果表明该方法在不完备数据建模的情况下，不仅能完成故障类型与损伤等级的准确划分，而且还能实现故障自学习和故障库自增长，增强了分类过程的智能性。

技术领域

本发明是一种滚动轴承故障智能诊断方法，尤其针对当前工业生产中大量的无标签数据，传统模式识别的方法很难建立有效的诊断模型这一问题时，应用此方法不仅可以实现轴承故障的准确分类还能实现模型的自学习，增强了分类过程的智能型。

背景技术

随着现代工业的快速发展，为满足当今社会的生产需求，国内外机械设备朝着智能化、复杂化、自动化、精密化、高速化的方向发展迅猛发展，从而使各个元器件之间的联系更加紧密，加上其复杂的工作环境，机械设备极易发生故障，且运行维护困难，一些关键部位的故障会引起整个设备的正常运行，从而造成重大的财产损失和人员伤亡。

滚动轴承作为机械设备的常用元件，不仅在工业生产中发挥着重要的作用，在日常生活中也承担着不可忽视的作用，由于滚动轴承长时间处在在高速旋转、交变荷载、高温的运行环境中，使之成为机械设备中最容易发生故障的部件。据相关数据统计，机械设备故障中有40％的故障是由轴承故障引起的，因此对滚动轴承进行准确的故障识别与分类，能有效地避免重大事故发生，降低维修成本，据统计，通过对滚动轴承进行故障诊断与识别，可降低25％-50％的维修费用和75％的事故发生率，从而最大限度的发挥轴承的工作潜力，节约开支。传统的滚动轴承故障诊断方法主要有小波分析法、支撑向量机、神经网络等方法，而现场得到的轴承故障数据通常是不完备和无标签的。随着信息采集系统应用的扩展，大型轴承状态监测的广度和深度不断加强，生成的数据呈海量特征。然而特征提取过程是一项费时费力的工作，并且对最终结果影响很大。传统特征提取与选择的方法具有一定的复杂性和不确定性，这些问题造成现场大量数据得不到有效利用。而以卷积神经网络(ConvolutionalNeural Networks,CNN)为代表的深度网络提供了一种能够自动提取原始数据特征的有效方法，可以解决数据量大、特征提取困难等问题。本发明将CNN与孪生结构相结合，提出了基于相似度度量的孪生结构CNN(S-CNN)的半监督自学习网络，对于未经训练的滚动轴承新故障、新损伤等级，在目标空间中，S-CNN会使其与已知等级或故障快速分离，并与同种等级或故障快速聚合，最终产生新故障或新损伤等级，解决故障自学习的问题。对于解决当前工业生产中大量无标签故障数据的分类具有较好的实际意义。

发明内容

本发明针对现场获取的故障数据往往是不完备和无标签的，导致传统模式识别的方法很难建立有效的诊断模型，提出了一种基于两级孪生卷积神经网络(SiameseConvolutional Neural Networks,S-CNN)的滚动轴承故障自学习方法，如图1所示，是本发明算法总体框图，该方法总体描述如下：首先将相似度度量的孪生结构与CNN相结合，构建S-CNN网络结构；。然后，基于构造的S-CNN网络结构，建立第一级故障类型识别网络S-CNN1：(1)利用形态学增强脉冲特征去除部分噪声；(2)应用S变换将信号故障类型共性特征进行提取，构造时频图；(3)将时频图样本输入到第一级S-CNN中，对其进行训练，最终形成第一级故障类型识别网络S-CNN1(训练好的网络利用网络在目标空间对同类型故障汇聚、不同类型故障分离特性，可实现滚动轴承故障类型的识别与自学习)；最后，建立第二级故障损伤程度分类网络S-CNN2：(1)应用具有滑动窗的短时傅里叶变换(STFT)将同类型故障不同损伤程度的差异性进行放大，得到滑动时频图样本；(2)将得到的时频图样本时频图样本输入第二级S-CNN中，对其进行训练，最终形成第二级故障损伤程度分类网络S-CNN2(训练好的网络是基于目标空间距离的分类器，可实现故障损伤程度的自学习和自增长)。

本发明的具体技术方案和实现步骤如下：