【技術實現步驟摘要】
本專利技術涉及軸承故障，特別涉及一種小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法。
技術介紹
1、隨著工業4.0的發展，旋轉機械的預知健康與管理(phm)引起了學術界和工業界的廣泛關注，而設備的故障診斷在其phm中發揮著重要作用。滾動軸承作為旋轉機械的重要零部件之一，其健康狀況對設備的安全穩定運行至關重要。加之在實際工程中，軸承經常在變轉速的條件下運行。因此，變轉速下的軸承故障診斷引起了廣泛關注。
2、振動信號蘊含機械設備豐富的狀態信號。基于振動信號分析的故障診斷方法能夠根據故障機理可靠地識別故障類型，因此其診斷過程具有一定的物理意義。小波分析作為傳統信號處理方法中的典型代表，已在軸承故障診斷中取得了顯著成就。李等人提出了一種基于經驗小波變換的機械故障診斷方法。張等人利用正交小波基將振動信號變換到時間-尺度域，對高頻段尺度域的小波系數進行包絡細化譜分析以實現滾動軸承的故障診斷。然而，傳統的小波分析方法需要根據診斷目標和專業知識預先設定各種參數。并且大多數方法都適用于固定轉速的旋轉機械，其診斷精度受轉速變化的影響很大，更顯著的弊端之一是傳統信號分析方法難以處理海量故障數據。
3、數據驅動的深度學習方法不僅能自適應地從原始數據中挖掘故障特征，還能處理海量數據。然而深度學習方法通過卷積層中隨機初始化的核來提取局部特征，加之其內部決策過程是一個“黑匣子”的狀態，因此很難解釋所提取特征的物理含義。為賦予神經網絡一定的物理意義，li等人采用連續小波卷積層作為卷積神經網絡的第一卷積層，并使用各種變速箱數據驗證了其方
技術實現思路
1、本專利技術公開了一種基于可學習小波物理可解釋性網絡的軸承故障診斷方法，具體方法如下：
2、以morlet小波多小波濾波層作為第一層，cnn卷積塊作為第二層，構造可解釋性網絡；
3、獲取軸承故障時的歷史時域振動信號；
4、采用傅里葉變換處理歷史時域振動信號，得到歷史頻域振動信號；
5、以歷史頻域振動信號訓練可解釋性網絡；
6、通過加速度傳感器采集軸承當前時域振動信號，以訓練好的可解決釋性網絡診斷變轉速軸承故障。
7、進一步地，可解釋性網絡的關鍵參數由歷史時域振動信號確定，具體方法如下：
8、采用短時傅里葉變換處理歷史時域振動信號得到歷史時頻圖，采用改進的局部峰值搜索算法從歷史時頻圖提取歷史轉速信息；
9、根據歷史轉速信息擬合出morlet小波多小波濾波層關鍵參數。
10、進一步地，采用改進的局部峰值搜索算法從歷史時頻圖提取歷史轉速信息，具體方法如下：
11、對歷史時頻圖中的第一個時間點t1的轉速值μ(t1)進行篩選，根據局部最大峰值找出主譜峰所對應的頻率，按頻率從小到大得到的頻率為μ(t1)＝[μ11,μ12,…,μ1n]，考慮到時頻圖中噪聲和領近分量的干擾，給局部峰值搜索算法添加懲罰函數：
12、
13、其中，時頻圖局部最大峰值為：
14、p(t,μ(t))＝|tfd(t,μ(t)|2
15、局部峰值搜索算法的最終懲罰函數為：
16、
17、通過局部峰值搜索算法的最終懲罰函數，尋找最小懲戒函數所對應的瞬時旋轉頻率：
18、
19、其中，為在第i個時刻最終提取的瞬時旋轉頻率；為頻率搜索下限；為頻率搜索上限；c1，c2為常數，μ(tk)為時間點i在頻率搜索范圍內的頻率值；μ(tj)為包含i時刻及之前所有時刻提取的瞬時頻率。
20、進一步地，根據歷史轉速信息擬合出morlet小波多小波濾波層關鍵參數，具體方法如下：
21、根據提取的瞬時旋轉頻率，設計morlet小波多小波濾波層，morlet小波的頻域表達式為：
22、
23、其中，β為帶寬參數，控制小波窗口在頻域中的寬度；f0為中心頻率，決定小波窗口在頻率軸上的位置；f為設置的頻率范圍；
24、在構建morlet小波多小波濾波層時，帶寬參數βi和中心頻率fi由提取的旋轉頻率脊線擬合求取：
25、
26、其中，是第i個時間間隔的中間頻率；n是在提取瞬時旋轉頻率時劃分的時間間隔；κi0，κi1，ci分別是帶寬參數βi和中心頻率fi的擬合系數，morlet小波多小波濾波層為：
27、
28、得到第i個濾波核的提取的特征表達為：
29、li＝ψi(f)*f[x]
30、其中，x為原始振動信號；f[·]表示傅里葉變換。
31、進一步地，cnn卷積塊包括一個卷積層，一個bn層，一個全局池化層gap和一個激活函數relu構成卷積塊，其表達式為：
32、z＝gap(bn(relu(w×l+b)))
33、其中，w和b分別是卷積層的權重和偏置，l為morlet小波多小波濾波層提取的故障特征；z為卷積塊輸出的高維特征；
34、全連接層將卷積層提取的故障特征展平，表達式為：
35、z←flattening(z)
36、q＝ωzz+bz
37、其中，wz和bz為分類器的權重和偏置，softmax函數用來對輸入特征進行分類，表達式為：
38、
39、其中，s為故障類別數，oi為第i個類別的預測概率；
40、基于交叉損失熵cross-entropy來測量預測標簽和真實標簽的分布，其表達式為：
41、
42、其中，ri為i個故障類別的真實可能性。
43、進一步地，以歷史頻域振動信號訓練可解釋性網絡，具體方法如下：
44、將歷史頻域振動信號隨機分為訓練集和測試集；
45、在訓練過程中，根據鏈式法則，在反向傳播過程中優化卷積核的權重和morlet小波多小波濾層的關鍵系數，得到訓練好的可解釋性網絡。
46、由于采用了以上技術方案，本專利技術具有以下有益效果：
47、本專利技術借助于信號處理技術，賦予卷積神經網絡一定的物理意義，同時將轉速信息融入到卷積神經網絡的構建中，提高變速度條件下的軸承故障診斷精度，提高研究和經濟生產的效率。本文檔來自技高網...
【技術保護點】
1.一種小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，具體方法如下：
2.如權利要求1所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，可解釋性網絡的關鍵參數由歷史時域振動信號確定，具體方法如下：
3.如權利要求2所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，采用改進的局部峰值搜索算法從歷史時頻圖提取歷史轉速信息，具體方法如下：
4.如權利要求3所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，根據歷史轉速信息擬合出Morlet小波多小波濾波層關鍵參數，具體方法如下：
5.如權利要求1所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，CNN卷積塊包括一個卷積層，一個BN層，一個全局池化層GAP和一個激活函數ReLU構成卷積塊，其表達式為：
6.如權利要求5所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，以歷史頻域振動信號訓練可解釋性網絡，具體方法如下：
【技術特征摘要】
1.一種小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，具體方法如下：
2.如權利要求1所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，可解釋性網絡的關鍵參數由歷史時域振動信號確定，具體方法如下：
3.如權利要求2所述的小波驅動的物理可解釋網絡的變轉速軸承故障診斷方法，其特征在于，采用改進的局部峰值搜索算法從歷史時頻圖提取歷史轉速信息，具體方法如下：
4.如權利要求3所述的小波驅動的物理可解釋網...
【專利技術屬性】
技術研發人員：秦毅，趙麗娟，毛永芳，何彪，唐瑞，
申請(專利權)人：重慶大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。