[发明专利]基于卷积神经网络的滚动轴承智能诊断模型的建立方法

说明书

本发明涉及一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法的设计方法，首先，将一维的振动信号映射成二维图像信息，将二维图像数据用于训练网络模型；其次，对应用过程中卷积神经网络的结构参数进行分析，选择较优的网络参数，得到对机械故障分类能力较强的卷积神经网络结构；实现了对不同负载不同转速复杂工况下的机械故障的准确识别与分类；卷积神经网络模型通过建立多层网络大大提高了神经网络的特征提取能力，克服了以往需要人工对大量信号处理技术的掌握以及对诊断经验的依赖，能够直接在原始的时域信号中通过学习的方式获取故障特征，从而做出诊断，实现在每小时TB级数据量的情况下故障特征的自适应提取与健康状况的智能诊断。

技术领域

本发明属于大型旋转机械设备的智能诊断领域，具体涉及一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法。

背景技术

在机械领域，例如汽车齿轮箱、大型风电装备、航空发动机等诸多大型装备都在往高效、高精度、高速的方向发展。为了保证这些装备能够稳定安全地运行，往往都配有相应的故障检测系统。由于设备检测点较多、检测的时间长、检测点的采样频率高，检测系统获得了大量的设备数据，机械故障的诊断领域也逐渐走向大数据时代。例如山西某钢铁厂的一条热连轧钢板生产线每分钟产生的监测数据量就有10GB左右，在一条生产线上安装了各式各样的传感器达到500个左右。例如，某大型装备生产厂家的一套健康监测设备能够实时地监测上百台大型挖掘机和其他大型机械设备的运行状态和关键设备的运行数据，监测点有上万个，目前监测的数据量已经达到了900亿条左右。还有上汽汽车厂的所有汽车加工设备都配备有相应的健康检测装置，能够实时反映机械运行状态和健康状况，每小时产生的数量都达到了TB级别，总而言之当前机械领域的监测数据有如下特点：①快速性，档期机械设备越来越复杂，精密程度越来越高，牵一发而动全身，各个部分的联系愈加紧密，某一部分的微小故障可能就会引起整个设备的性能下降，因此快速地通过分析检测数据发现故障就显得尤为重要。②多样性，现如今机械的健康检测设备实时检测设备健康状态，数据十分复杂，包含了各种各样复杂的数据，因此人工分析十分困难。③容量大，数据量达到了TB级以上，人工分析则费时费力且力不从心。以信号处理技术为手段的现代设备诊断技术，对多故障同时发生和各种故障之间可能存在的相互联系及影响难以分析清楚。

发明内容

为了解决了现有技术中存在的问题，本发明公开了一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法，克服了以往需要人工对大量信号处理技术的掌握以及对诊断经验的依赖，能够直接在原始的时域信号中通过学习的方式获取故障特征，从而做出诊断，实现在每小时TB级数据量的情况下故障特征的自适应提取与健康状况的智能诊断。

为了实现上述目的，本发明采用的技术方案是，基于卷积神经网络的滚动轴承智能诊断模

型的建立方法，包括以下步骤：

步骤1，先采集研究对象的振动数据，再对数据进行预处理；

步骤2，根据步骤1所采集的数据设计卷积神经网络结构，生成训练集和测试集，并且将训练集数据用来训练网络模型；

步骤3，使用测试集验证步骤2建立模型的准确度，并获得诊断模型的准确率；

步骤4，根据步骤3测试集验证所得的准确率与目标要求的准确率进行比较，然后调整网络模型的结构参数，从而获得满足要求的网络模型。

步骤1中，先对所有采集到的振动数据进行归一化处理，使其数值在0到1之间；具体的归一化计算方法如下：

再将归一化后的一维数据数据处理成二维图像信息。

步骤1中，将每一列的振动数据按顺序排列，形成二维灰度图片，并对每张图片进行编号。

步骤2中，对需要诊断和预警的故障进行分类，建立与故障类型数目对应的子文件夹，每一种故障类型放到所对应的子文件夹中。