基于GLCM-SDAE的滚动轴承故障诊断方法
发布时间：2022-02-10 04:39
目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码（Stacked De-noising Auto-Encoders,SDAE）算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵（Grey-Level Co-occurrence Matrix,GLCM）和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换（Short-Time Fourier Transform,STFT）将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机（Support Vector Machine,SVM）、深度信念网络（Deep Belief Network,DBN）等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊...
【文章来源】：沈阳建筑大学学报(自然科学版). 2020,36(04)北大核心CSCD
【文章页数】：9 页
【部分图文】：
技术路线图
SDAE网络结构如图2所示,每个DAE完成训练后,其输出层输出的数据将作为下一个DAE的输入,这样经过逐层的学习,完成了输入数据特征的表示.DAE的核心思想是令编码器的输入层节点按照给定的比例随机置为零.如图2中,黑色节点表示置零的神经元节点,这样将输入数据人工受损来训练网络,再从受损数据的基础上重构输出数据,从而整体提升编码器的鲁棒性能.利用逐层贪心算法训练每个DAE[17],在将训练好的DAE堆叠起来就组成了SDAE网络,为了实现模型的故障分类功能,笔者在SDAE网络最后一层加上了Soft-max分类器.SDAE网络在完成预训练后,模型中各隐藏层之间和最后的分类层之间的权重作为网络的初始模型参数,训练过程采用反向传播法更新网络参数[18],其过程可描述为:设输入的滚动轴承故障样本集为X={xi|1≤i≤N},隐藏层输出向量集为H={hi|1≤i≤N},输出层输出向量集合为 X ^ ={ x i ^ |1≤i≤Ν} .其中,N为故障样本总个数,xi为第i个故障样本,hi表示其所对应的特征向量,xi表示第i个故障样本对应的输出,则每个DAE隐藏层的输出表示为
为了验证所提出的方法的有效性,笔者准备了大量样本进行了故障诊断实验.笔者所采用的数据集来自美国西储大学轴承数据库[19].实验装置如图3所示,主要部件包括主轴电机、扭矩传感器、测功机和负载电机.采用电火花加工的加工方式对试验轴承进行单点故障处理,分别在轴承外圈(OR)、轴承内圈(IR)和滚动体(RE)的测试驱动端轴承上制造0.007 mm、0.014 mm和0.021 mm的单点故障.数据采样频率为12 kHz.实验采集到的原始时域信号图像如图4所示.由图可知,不同状态下的滚动轴承时域波形有一定区别,但对于非专业人士来说,难以实现对轴承故障状态的完全识别.图4 原始信号时域信号图
【参考文献】：
期刊论文
[1]基于多模态堆叠自动编码器的感应电机故障诊断[J]. 蒋爱国,符培伦,谷明,王金江. 电子测量与仪器学报. 2018(08)
[2]工业大数据分析技术的发展及其面临的挑战[J]. 何文韬,邵诚. 信息与控制. 2018(04)
[3]堆叠自编码网络性能优化及其在滚动轴承故障诊断中的应用[J]. 张西宁,向宙,夏心锐,李立帆. 西安交通大学学报. 2018(10)
[4]基于改进堆叠降噪自编码的滚动轴承故障分类[J]. 侯文擎,叶鸣,李巍华. 机械工程学报. 2018(07)
[5]基于小波时频图和CNN的滚动轴承智能故障诊断方法[J]. 袁建虎,韩涛,唐建,安立周. 机械设计与研究. 2017(02)
[6]基于IMF投影图像分析的滚动轴承故障诊断方法研究[J]. 黄雪梅. 机械传动. 2017(04)
[7]基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法[J]. 俞啸,丁恩杰,陈春旭,李力. 煤炭学报. 2015(11)
[8]基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究[J]. 巩萍,王阿明. 生物医学工程与临床. 2013(06)
博士论文
[1]基于时频图像识别的旋转机械多特征融合故障诊断方法研究[D]. 王维刚.哈尔滨工业大学 2016
本文编号：3618265
【文章来源】：沈阳建筑大学学报(自然科学版). 2020,36(04)北大核心CSCD
【文章页数】：9 页
【部分图文】：
技术路线图
SDAE网络结构如图2所示,每个DAE完成训练后,其输出层输出的数据将作为下一个DAE的输入,这样经过逐层的学习,完成了输入数据特征的表示.DAE的核心思想是令编码器的输入层节点按照给定的比例随机置为零.如图2中,黑色节点表示置零的神经元节点,这样将输入数据人工受损来训练网络,再从受损数据的基础上重构输出数据,从而整体提升编码器的鲁棒性能.利用逐层贪心算法训练每个DAE[17],在将训练好的DAE堆叠起来就组成了SDAE网络,为了实现模型的故障分类功能,笔者在SDAE网络最后一层加上了Soft-max分类器.SDAE网络在完成预训练后,模型中各隐藏层之间和最后的分类层之间的权重作为网络的初始模型参数,训练过程采用反向传播法更新网络参数[18],其过程可描述为:设输入的滚动轴承故障样本集为X={xi|1≤i≤N},隐藏层输出向量集为H={hi|1≤i≤N},输出层输出向量集合为 X ^ ={ x i ^ |1≤i≤Ν} .其中,N为故障样本总个数,xi为第i个故障样本,hi表示其所对应的特征向量,xi表示第i个故障样本对应的输出,则每个DAE隐藏层的输出表示为
为了验证所提出的方法的有效性,笔者准备了大量样本进行了故障诊断实验.笔者所采用的数据集来自美国西储大学轴承数据库[19].实验装置如图3所示,主要部件包括主轴电机、扭矩传感器、测功机和负载电机.采用电火花加工的加工方式对试验轴承进行单点故障处理,分别在轴承外圈(OR)、轴承内圈(IR)和滚动体(RE)的测试驱动端轴承上制造0.007 mm、0.014 mm和0.021 mm的单点故障.数据采样频率为12 kHz.实验采集到的原始时域信号图像如图4所示.由图可知,不同状态下的滚动轴承时域波形有一定区别,但对于非专业人士来说,难以实现对轴承故障状态的完全识别.图4 原始信号时域信号图
【参考文献】：
期刊论文
[1]基于多模态堆叠自动编码器的感应电机故障诊断[J]. 蒋爱国,符培伦,谷明,王金江. 电子测量与仪器学报. 2018(08)
[2]工业大数据分析技术的发展及其面临的挑战[J]. 何文韬,邵诚. 信息与控制. 2018(04)
[3]堆叠自编码网络性能优化及其在滚动轴承故障诊断中的应用[J]. 张西宁,向宙,夏心锐,李立帆. 西安交通大学学报. 2018(10)
[4]基于改进堆叠降噪自编码的滚动轴承故障分类[J]. 侯文擎,叶鸣,李巍华. 机械工程学报. 2018(07)
[5]基于小波时频图和CNN的滚动轴承智能故障诊断方法[J]. 袁建虎,韩涛,唐建,安立周. 机械设计与研究. 2017(02)
[6]基于IMF投影图像分析的滚动轴承故障诊断方法研究[J]. 黄雪梅. 机械传动. 2017(04)
[7]基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法[J]. 俞啸,丁恩杰,陈春旭,李力. 煤炭学报. 2015(11)
[8]基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究[J]. 巩萍,王阿明. 生物医学工程与临床. 2013(06)
博士论文
[1]基于时频图像识别的旋转机械多特征融合故障诊断方法研究[D]. 王维刚.哈尔滨工业大学 2016
本文编号：3618265
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3618265.html
