[发明专利]一种基于一维数据增强和CNN的电机轴承故障诊断方法

说明书

本发明涉及一种基于一维数据增强的CNN的电机轴承故障诊断方法，先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；训练好的卷积神经网络模块是以二维图像数据集为训练集训练得到；二维图像数据集是将增强数据集和训练数据集整合后，输入数据转化模块直接转化得到；增强数据集是将训练数据集输入一维数据增强模块输出得到；一维数据增强模块包括用带softmax分类器的BP神经网络改良后的SAE；本发明将一维数据增强模块和CNN结合应用于故障诊断问题，着力于解决故障类型多样且各类的样本数据不足的情况下的故障诊断。

技术领域

本发明属于轴承生产故障诊断技术领域，涉及一种基于一维数据增强和CNN的电机轴承故障诊断方法。

背景技术

随着智能制造的快速发展，工业大数据背景下，智能化的故障诊断技术作为保障机械设备安全运行的重要工具，逐渐成为工业领域的热点问题，涌现出大量相关的研究。而电机的滚动轴承作为旋转机械的重要零部件，其运行状况对大型工业设备的生产安全和工作效率都有着直接的影响。滚动轴承的故障诊断也因此作为规避工业生产风险的重要手段成为研究的重点之一。

机器学习算法凭借它在自动提取数据特征方面的优势，在数据驱动的故障诊断算法中占据重要比重。支持向量机、主成分分析、随机森林等传统的机器学习算法都被逐一应用于故障诊断问题，且在特征提取和故障分类等方面都取得了良好的效果。但研究发现，各类机器学习算法中的重要参数的选择仍然很大程度上受制于研究人员的经验，且参数确定后的模型的泛化能力往往达不到要求。

而堆叠自编码器(SAE)、循环神经网络、生成对抗网络和卷积神经网络等深度学习模型在故障诊断问题上的成功应用缓解了机器学习算法的不足。这些神经网络通过深入挖掘故障诊断数据的特征信息，避免了人工特征提取的片面性和不确定性，模型的泛化能力也得到了很大的提升。但深度学习算法往往需要大量的充足的数据来训练网络，当训练数据偏少或故障类型过多时，诊断精度会受到明显的影响。其中，CNN由于特殊的神经网络结构，对于二维图像的分类有着巨大的优势，但首先，轴承故障诊数据多为一维的振动数据集，需要先进行一维数据到二维数据的转换才能使用CNN做后续处理；其次，当训练数据集存在分类的类型复杂且各类型的数据不充足时，CNN的分类精度会出现明显的下滑。因此，针对故障类型复杂且收集数据不充足的情况，还未有过以CNN为基础的故障诊断模型优化及应用的实例。且现有的技术方案在解决此类情况时都存在较为明显的缺陷，例如：未经优化的单个神经网络的故障诊断精度较低，且不涉及池化操作的神经网络在分类时更易出现严重的过拟合问题；而数据增强上，大多使用GAN等方法应用于事先转换后的二维的数据集，由于在数据增强阶段复杂的模型结构和大量的卷积运算，对整个模型的故障诊断效率影响较大。即无法做到效率和精度的平衡优化。

因此，研究一种能够兼顾效率和精度的轴承故障诊断方法的具有十分重要的意义。

发明内容

为解决现有技术中存在的问题，本发明设计了一种基于一维数据增强和CNN的故障诊断方法，首先使用带softmax分类器的BP神经网络对传统的SAE做了优化处理，并使用优化后的SAE对一维振动信号直接做了数据增强；然后，将一维数据增强模块和CNN结合，提出了一种新的模型，并将其应用于故障诊断领域。本发明在故障类型多样且各类的样本数据不足的情况下，能显著提高故障诊断精度的同时兼顾诊断效率。该系统可应用于工业大数据环境下电机轴承的故障诊断。

为达到上述目的，本发明采用的方案如下：

一种基于一维数据增强的CNN的电机轴承故障诊断方法，先将预处理后的一维振动信号分为训练数据集和测试数据集，将测试数据集输入数据转化模块直接转化为二维图像测试数据，并输入至训练好的卷积神经网络模块进行故障诊断测试；所述故障诊断测试是指训练好的卷积神经网络模块的输出层输出分类结果为16×1的一维向量，所述一维向量有且仅有一个值为1，其余值为0，1所在的位置即为测试结果；