基于多尺度LBP-CNN網絡的滾動軸承故障診斷方法和系統技術方案

本發明專利技術涉及滾動軸承故障診斷技術領域，尤其涉及一種基于多尺度LBP

【技術實現步驟摘要】
基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法和系統


[0001]本專利技術涉及滾動軸承故障診斷
，尤其涉及一種基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法和系統。

技術介紹

[0002]滾動軸承是旋轉機械中最常見并且是很關鍵的機械部件，廣泛應用于國民經濟和國防事業各類旋轉機械的關鍵部件，滾動軸承被視為“工業的關節”和必備的軍事物資，由于軸承通常在惡劣的工作環境中工作，因此它們在工作中很容易發生故障。如果不及時發現故障，可能會導致機器意外停機，甚至導致災難性的損壞。因此，有必要采取一種檢測方式檢測滾動軸承的健康狀態，識別是否發生故障，以及故障的類型和故障的嚴重程度，進而采取必要的措施，防止軸承的進一步損壞，確保設備及時的休整，安全的運行。
[0003]相比于機器學習模型淺層的網絡結構，深度學習模型網絡層更深，功能更豐富，擁有較強的自適應學習特征的能力，能夠將特征抽取與特征分類融為一體，實現由數據到診斷結果的端到端過程。但是目前應用于軸承故障診斷方法都是基于固定的紋理特征類型進行特征分析，沒有考慮到紋理分析的多類型和多尺度特性，影響了滾動軸承故障診斷模型精度的提升，使得測量的精度低。

技術實現思路

[0004]本專利技術要解決的技術問題是：為了解決現有軸承故障診斷方法測量精度低的技術問題，本專利技術提供一種基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，將滾動軸承振動時頻分布的多類型LBP紋理融合分析和多尺度CNN卷積核特征融合分析，可更加快速有效的識別出滾動軸承的不同故障，且測量精度高。
[0005]本專利技術解決其技術問題所采用的技術方案是：一種基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，所述故障診斷方法包括：
[0006]步驟S1：采集振動信號，將所述振動信號利用連續小波變換轉換為時頻分布圖；
[0007]步驟S2：采用LBP方法對所述時頻分布圖的紋理特征信息進行多尺度刻畫，并疊加成具有不同編碼半徑的LBP編碼譜圖張量；
[0008]步驟S3：搭建多尺度二維卷積神經網絡；
[0009]步驟S4：將所述不同編碼半徑的LBP編碼譜圖張量輸入至所述多尺度二維卷積神經網絡進行訓練，得到訓練完成的多尺度二維卷積神經網絡，實現不同故障類型的映射；
[0010]步驟S5：在識別實際滾動軸承故障模式時，首先對未知狀態的滾動軸承的振動信號進行所述步驟S1和所述步驟S2的處理，獲得其對應不同編碼半徑的LBP編碼譜圖，然后利用所得到的訓練完成的多尺度二維卷積神經網絡進行分類，從而確定實際滾動軸承的故障類型。
[0011]進一步，具體地，所述步驟S1包括：
[0012]步驟S101：采集旋轉機械滾動軸承運行狀態下的原始信號f(t)；
[0013]步驟S102：將所述原始信號f(t)通過小波閾值降噪的方法濾除所述原始信號f(t)中的高斯白噪聲，得到降噪后的運行狀態下滾動軸承離散振動信號s(t)；(初步的降噪處理)
[0014]步驟S103：確定小波函數，利用所述連續小波變換時頻分析方法將振動信號s(t)轉換為CWT時頻分布圖，振動信號s(t)通過所述連續小波變換時頻分析的表達式如下：
[0015][0016]其中，C
s
(a,b)表示小波系數，表示基波函數Ψ
a,b
(t)的共軛函數，a代表展開變量，控制小波函數的伸縮，b是平移變量，控制小波函數的平移，t表示時間變量。
[0017]步驟S104：利用雙線性插值方法將所述C
s
(a,b)標準化為維度為【m,n】的二維時頻矩陣
[0018]進一步，具體地，所述步驟S2中所述LBP方法融合具有不同編碼半徑的圓形LBP算子、旋轉不變LBP算子和Uniform LBP算子；所述編碼半徑為R，所述編碼半徑區域內的采樣點數為P，選擇不同【R,P】參數組合，通過所述圓形LBP算子、旋轉不變LBP算子和Uniform LBP算子對所述二維時頻矩陣重編碼，獲取所述維度為【m,n】的二維LBP編碼矩陣并疊加成對應不同編碼半徑的LBP編碼譜圖張量維度為[m,n,c]，其中c為設定的通道數，每個通道對應一個L
i
矩陣。
[0019]進一步，具體地，在所述步驟S2中，構建三種【R,P】參數，三種【R,P】參數分別為【R,P】＝【1,8】、【R,P】＝【2,16】和【R,P】＝【4,32】，根據三種【R,P】參數獲取對應的二維LBP編碼譜圖張量。
[0020]進一步，具體地，所述步驟S3包括：將三種【R,P】參數獲取三種二維LBP編碼譜圖張量分別輸入多尺度二維卷積神經網絡的三個通道，多尺度二維卷積神經網絡的每個通道從輸入到輸出的結構為：輸入層、第一層卷積、第一層批歸一化處理、第一層激活、第一層最大池化、第二層卷積、第二層批歸一化處理、第二層激活、第二層最大池化、第三層卷積、第三層批歸一化處理、第三層激活、平均池化層、全連接層和輸出層。
[0021]進一步，具體地，所述多尺度二維卷積神經網絡的三個通道分別為第一輸入通道、第二輸入通道和第三輸入通道；其中，所述第一輸入通道的卷積核尺寸為1
×
1，所述第二輸入通道的卷積核尺寸3
×
3，所述第三輸入通道的卷積核尺寸5
×
5，第一輸入通道、第二輸入通道和第三輸入通道的全連接層的輸出尺寸均為64
×1×
1。
[0022]進一步，具體地，將【R,P】＝【1,8】參數對應的二維LBP編碼譜圖張量輸入至所述第一輸入通道；將【R,P】＝【2,16】參數對應的二維LBP編碼譜圖張量輸入至所述第二輸入通道；將【R,P】＝【4,32】參數對應的二維LBP編碼譜圖張量輸入至所述第三輸入通道；獲取三條輸入通道的權重文件，并傳輸至所述全連接層融合。
[0023]進一步，具體地，所述步驟S101中所述運行狀態包括正常運行狀態、內圈故障狀態、外圈故障狀態和滾動體故障狀態。
[0024]進一步，具體地，所述振動信號包括訓練集和測試集，所述訓練集由數據集和驗證集組成。
[0025]一種如上所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法所述使用的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷系統，所述故障診斷系統包括：
[0026]采集模塊，所述采集模塊包括加速度傳感器，所述加速度傳感器用于采集所述滾動軸承工作時的振動信號；
[0027]數據處理模塊，與所述采集模塊連接，所述采集模塊將所述振動信號傳輸至所述數據處理模塊，所述數據處理模塊對所述振動信號進行處理分析；
[0028]故障診斷模塊，與所述數據處理模塊連接，所述數據處理模塊將所述振動信號處理分析后的數據傳輸至所述故障診斷模塊，所述故障診斷模塊判斷所述滾動軸承的故障類型；
[0029]顯示模塊，本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，其特征在于，所述故障診斷方法包括：步驟S1：采集振動信號，將所述振動信號利用連續小波變換轉換為時頻分布圖；步驟S2：采用LBP方法對所述時頻分布圖的紋理特征信息進行多尺度刻畫，并疊加成具有不同編碼半徑的LBP編碼譜圖張量；步驟S3：搭建多尺度二維卷積神經網絡；步驟S4：將所述不同編碼半徑的LBP編碼譜圖張量輸入至所述多尺度二維卷積神經網絡進行訓練，得到訓練完成的多尺度二維卷積神經網絡，實現不同故障類型的映射；步驟S5：在識別實際滾動軸承故障模式時，首先對未知狀態的滾動軸承的振動信號進行所述步驟S1和所述步驟S2的處理，獲得其對應不同編碼半徑的LBP編碼譜圖，然后利用所得到的訓練完成的多尺度二維卷積神經網絡進行分類，從而確定實際滾動軸承的故障類型。2.如權利要求1所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，其特征在于，所述步驟S1包括：步驟S101：采集旋轉機械滾動軸承運行狀態下的原始信號f(t)；步驟S102：將所述原始信號f(t)通過小波閾值降噪的方法濾除所述原始信號f(t)中的高斯白噪聲，得到降噪后的運行狀態下滾動軸承離散振動信號s(t)；步驟S103：確定小波函數，利用所述連續小波變換時頻分析方法將振動信號s(t)轉換為CWT時頻分布圖，振動信號s(t)通過所述連續小波變換時頻分析的表達式如下：其中，C
s
(a,b)表示小波系數，表示基波函數Ψ
a,b
(t)的共軛函數，a代表展開變量，控制小波函數的伸縮，b是平移變量，控制小波函數的平移，t表示時間變量；步驟S104：利用雙線性插值方法將所述C
s
(a,b)標準化為維度為【m,n】的二維時頻矩陣3.如權利要求2所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，其特征在于，所述步驟S2中所述LBP方法融合具有不同編碼半徑的圓形LBP算子、旋轉不變LBP算子和Uniform LBP算子；所述編碼半徑為R，所述編碼半徑區域內的采樣點數為P，選擇不同【R,P】參數組合，通過所述圓形LBP算子、旋轉不變LBP算子和Uniform LBP算子對所述二維時頻矩陣重編碼，獲取所述維度為【m,n】的二維LBP編碼矩陣取所述維度為【m,n】的二維LBP編碼矩陣并疊加成對應不同編碼半徑的LBP編碼譜圖張量不同編碼半徑的LBP編碼譜圖張量維度為[m,n,c]，其中c為設定的通道數，每個通道對應一個L
i
矩陣。4.如權利要求3所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，其特征在于，在所述步驟S2中，構建三種【R,P】參數，三種【R,P】參數分別為【R,P】＝【1,8】、【R,P】＝【2,16】和【R,P】＝【4,32】，根據三種【R,P】參數獲取對應的二維LBP編碼譜圖張量。5.如權利要求4所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法，其特征在
于，所述步驟S3包括：將三種【R,P】參數獲取三種二維LBP編碼譜圖張量分別輸入多尺度二維卷積神經網絡的三個通道，多尺度二維卷積神經網絡的每個通道從輸入到輸出的結構為：輸入層、第一層卷積、第一層批歸一化處理、第一層激活、第一層最大池化、第二層卷積、第二層批歸一化處理、第二層激活、第二層最大池化、第三層卷積、第三層批歸一化處理、第三層激活、平均池化層、全連接層和輸出層。6.如權利要求5所述的基于多尺度LBP
?
CNN網絡的滾動軸承故障診斷方法...

【專利技術屬性】
技術研發人員：孟力，楊啟帆，劉志，樓佳妙，
申請(專利權)人：頻率探索智能科技江蘇有限公司，
類型：發明
國別省市：