一种轴承故障诊断系统及方法

1.本发明属于故障诊断领域，尤其涉及一种轴承故障诊断系统及方法。


背景技术：

2.随着现代工业技术的飞速发展，使得机器设备日益庞大和复杂。机器和设备如果出现缺陷，无法及时发现并修复缺陷的话，将影响工厂的生产效率，并会带来安全风险和重大经济损失。因此，如何及时、准确地诊断机械缺陷已成为重要的研究课题。滚动轴承应用广泛，是旋转机械重要的支撑部件，也是易损部件，滚动轴承的故障会影响机械运行并损坏机器。因此，进行滚动轴承早期故障监测及诊断是减少运维损失、保证设备运行安全的有效途径，具有重要的工程意义。
3.目前，通过信号振动监测是进行轴承故障诊断的常用手段。但传统的对轴承振动信号分析的方法，大都基于固定的基函数来分解信号，普遍缺乏对轴承的各种故障特征的自适应提取能力，使得滚动轴承的早期微弱故障特征淹没在其他振动成分中难以提取。深度学习能够通过神经网络从图像中提取多层次多维度深层特征进行分析，因此，倘若将基于轴承图像与振动信号的深度学习融合模型进行联合故障检测分析可显著改善轴承故障的整体检出率，提高诊断的准确度。


技术实现要素：

4.为实现上述目的，本发明提供了如下方案：一种轴承故障诊断系统及方法，其中，一种轴承故障诊断方法包括：
5.采集轴承的图像数据以及振动信号数据，并对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；
6.将所述轴承故障检测数据集划分训练集和测试集；
7.构建深度学习融合模型，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；
8.将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；
9.将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。
10.优选地，对所述图像数据和振动信号数据进行处理的过程包括，对采集的轴承运行图像进行图像分割裁剪和灰度处理后，进行图像特征提取；
11.以及基于小波包分解对原始振动信号进行预处理，得到特征向量，并进行归一化处理。
12.优选地，对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括，
13.基于itk软件沿轴承边界手动描绘roi，并对边界进行确定，完成对轴承运行图像的图像分割；将完成分割的轴承图像进行roi标注，以故障roi最短径的30％为外扩边界对
轴承图像进行裁剪，获得图像分割裁剪后的轴承图像；
14.将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1，求出图像连通区域面积最大的部分，保留连通区域所在的图像；然后，统计裁剪后图片的直方图分布，计算所述直方图统计后每个灰度数目的均值，记为mc；将灰度值大于2倍mc的值置为零，筛选图像中不全为零的行和列进行保留，获得裁剪无关区域后的灰度图像。
15.优选地，对裁剪无关区域后的灰度图像进行特征提取的过程包括，
16.对所述灰度图像数据进行卷积处理得到第一特征图数据，对所述第一特征图数据进行深度可分离卷积得到第二特征图数据，对所述第二特征图数据的特征通道进行均分，得到第一均分数据和第二均分数据，对所述第二均分数据进行卷积和相邻通道分离，得到第一相似特征数据和第二相似特征数据，对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接，得到第一特征数据，将所述第一特征数据和所述第一均分数据进行拼接，得到第二特征数据，基于第二特征数据获取第三特征图数据，基于第三特征图数据得到目标类别数目数据，基于目标类别数目数据，获得不同类型的图像数据。
17.优选地，将所述轴承故障检测数据集划分训练集和测试集之前还包括，采用随机匹配的策略，将处理后的图像数据和振动信号数据进行随机匹配，完成数据配对，获得模型输入数据。
18.优选地，构建深度学习融合模型的过程包括一维扩张卷积模块、lstm模块和全连接神经网络模块，训练过程使用交叉熵ce作为损失函数，使用后向传播算法对模型进行优化。
19.优选地，所述一维扩张卷积模块是在时间维度上做卷积，首先是从66通道通过一次一维卷积变成128通道，起到上采样作用，后面六层一维扩张卷积则是保持128通道，通过卷积不断扩大感受野，得到初步特征图；
20.输入数据：t
×
66的序列，时序长度为t，特征向量的数量为66；
21.上采样层：128个长度为5的卷积核，扩张系数为1，输入为t
×
66，输出为t
×
128；
22.第一层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；
23.第二层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；
24.第三层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128；
25.第四层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；
26.第五层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；
27.第六层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128。
28.优选地，所述lstm模块用于进一步提取时序特征；
29.输入为t
×
128，输出为t
×
128；
30.第一层全连接层：输入为1
×
128，输出维度为1
×
64；
31.第二层全连接层：输入为1
×
64，输出为1
×
32；
32.第三层全连接层：输入为1
×
32，输出为1
×
16；
33.第四层全连接层：输入为1
×
16，输出为1
×
8，8为分类数量；
34.所述全连接神经网络模块，在计算前将hiddenembeddingresize形成长向量，再送入全连接神经网络，最后通过softmax层输出最终故障检测识别结果。
35.还提供一种轴承故障诊断系统，包括，
36.数据采集模块，用于采集轴承的图像数据以及振动信号数据；
37.数据处理模块，与所述数据采集模块连接，用于对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；
38.模型构建模块，与所述数据处理模块连接，用于构建深度学习融合模型；
39.模型训练模块，与所述模型构建模块连接，用于将所述轴承故障检测数据集划分训练集和测试集，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；
40.故障检测模块，与所述模型训练模块连接，用于将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。
41.与现有技术相比，本发明具有如下优点和技术效果：
42.本发明使用双模态深度学习融合模型，同时接收轴承图像数据和振动信号数据信息输入，通过模型训练对轴承故障进行检测，能有效整合两种检测方式的优点，弥补两种检查手段的不足之处，检测效率高，诊断效果好。
附图说明
43.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
44.图1为本发明实施例的方法流程图；
45.图2为本发明实施例的系统结构示意图。
具体实施方式
46.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
47.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
48.如图1所示，本发明所提供的一种轴承故障诊断方法，包括，
49.采集轴承的图像数据以及振动信号数据，并对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；
50.将所述轴承故障检测数据集划分训练集和测试集；
51.构建深度学习融合模型，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；
52.将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；
53.将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。
54.进一步地优化方案，对所述图像数据和振动信号数据进行处理的过程包括，对采集的轴承运行图像进行图像分割裁剪和灰度处理后，进行图像特征提取；
55.以及基于小波包分解对原始振动信号进行预处理，得到特征向量，并进行归一化处理。
56.进一步地优化方案，对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括，
57.基于itk软件沿轴承边界手动描绘roi，并对边界进行确定，完成对轴承运行图像的图像分割；将完成分割的轴承图像进行roi标注，以故障roi最短径的30％为外扩边界对轴承图像进行裁剪，获得图像分割裁剪后的轴承图像；
58.将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1，求出图像连通区域面积最大的部分，保留连通区域所在的图像；然后，统计裁剪后图片的直方图分布，计算所述直方图统计后每个灰度数目的均值，记为mc；将灰度值大于2倍mc的值置为零，筛选图像中不全为零的行和列进行保留，获得裁剪无关区域后的灰度图像。
59.进一步地优化方案，对裁剪无关区域后的灰度图像进行特征提取的过程包括，
60.对所述灰度图像数据进行卷积处理得到第一特征图数据，对所述第一特征图数据进行深度可分离卷积得到第二特征图数据，对所述第二特征图数据的特征通道进行均分，得到第一均分数据和第二均分数据，对所述第二均分数据进行卷积和相邻通道分离，得到第一相似特征数据和第二相似特征数据，对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接，得到第一特征数据，将所述第一特征数据和所述第一均分数据进行拼接，得到第二特征数据，基于第二特征数据获取第三特征图数据，基于第三特征图数据得到目标类别数目数据，基于目标类别数目数据，获得不同类型的图像数据。
61.进一步地，对输入的灰度图像进行步长为2，卷积核大小为3*3的普通卷积，扩充特征通道数目，得到下采样1半的第一特征图数据，而后进行一次批量归一化操作和一次relu函数激活操作；将上述特征图进行步长为2，卷积核大小为3*3的深度可分离卷积，将特征图下采样一半，再进行一次批量归一化，而后进行1*1的卷积处理，再用relu函数激活；第二特征图数据；
62.具体地，将第二特征图数据的特征通道进行均分，得到第一均分数据和第二均分数据，保留一份，第二份送入n个block进行卷积操作，n为超参数；
63.首先每两个相邻通道分离出其中一个，得到两组相似特征，即第一相似特征数据和第二相似特征数据，保留第一组作为上文特征，第二组继续卷积；将第二相似特征数据首先进行3*3的深度可分离卷积，再进行一次批量归一化，而后进行1*1的卷积，最后用relu函数激活；将两个特征进行拼接，然后在将第一份特征与拼接后的特征再次拼接为一组特征；然后将拼接后的特征进行通道混洗，重新组合；
64.重复3次，得到下采样32倍的第三特征图数据，将第一相似特征数据最后两个维度进行全局平均池化后将中得到的特征图经过一个全连接层，将特征数目变换为目标类别数
目。
65.本实施例通过研究卷积神经网络中不同的结构在提取图像特征过程中所起的作用，探究更高效的特征提取结构，提出了一种轻量级的、快速的图像特征提取网络。第一，通过减少批量归一化操作和激活函数来减少密集的访存，但不会减弱特征提取能力。第二，通过调整通道数目，使每层卷积核的输入通道数目等于输出通道数目，由此可以使得内存访问成本最小。第三，减少1*1的卷积核的使用，可以减少参数量和计算量，通过通道混洗等操作减少弥补减少层数带来的精度损失。第四，将相邻的通道交替分离为两部分，将其中一部分通道跳过部分卷积层以加快梯度传递，提高收敛速度，同时可以保留部分早期特征，防止性能退化，另一部分继续进行正常的卷积操作。使用了更少的批量归一化和激活函数，以及去除了最大池化层，能够对图像数据进行快速推理的同时保留了一些上文提取的特征信息，也不会产生更多的内存消耗和计算量，使得模型提取特征更加高效。
66.进一步地优化方案，将所述轴承故障检测数据集划分训练集和测试集之前还包括，采用随机匹配的策略，将处理后的图像数据和振动信号数据进行随机匹配，完成数据配对，获得模型输入数据。
67.进一步地优化方案，构建深度学习融合模型的过程包括一维扩张卷积模块、lstm模块和全连接神经网络模块，训练过程使用交叉熵ce作为损失函数，使用后向传播算法对模型进行优化。
68.进一步地优化方案，所述一维扩张卷积模块由六层卷积层组成，基础卷积核的大小为5，每层的扩张系数分别为：2，4，6，2，4，6，每一层都加入skip connection结构以提高网络性能和训练梯度的稳定性。整个模块是在时间维度上做卷积，首先是从66通道通过一次一维卷积变成128通道，起到上采样作用，后面六层一维扩张卷积则是保持128通道，通过卷积不断扩大感受野，得到初步特征图。输入数据：t
×
66的序列，时序长度为t，特征向量的数量为66；上采样层：128个长度为5的卷积核，扩张系数为1，输入为t
×
66，输出为t
×
128；
69.第一层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；第二层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；第三层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128；第四层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；第五层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；
70.第六层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128。
71.所述lstm模块，起到进一步提取时序特征的作用，与rnn相比，它不仅能够有效解决长序列处理能力依赖的问题，还能基于长短期记忆网络的特点来自行学习时序特征，哪些时序特征需要短期记忆，哪些需要长期记忆，进而在时序下对不同特征能够更好提取。它为单向的lstm，输入维度为128，输出维度为128，激活函数为leaky-relu，系数为0.2。将计算结果的最后一个单元取出送入全连接神经网络模块运算。lstm层：输入为t
×
128，输出为t
×
128；第一层全连接层：输入为1
×
128，输出维度为1
×
64；第二层全连接层：输入为1
×
64，输出为1
×
32；第三层全连接层：输入为1
×
32，输出为1
×
16；第四层全连接层：输入为1
×
16，输出为1
×
8，8为分类数量。
72.所述全连接神经网络模块，在计算前会将hiddenembeddingresize形成(1，t
×
hidden_size)的长向量，再送入全连接神经网络，最后过一个softmax层得到最终故障检测识别结果。
73.如图2所示，本实施例还提供一种轴承故障诊断系统，包括，
74.数据采集模块，用于采集轴承的图像数据以及振动信号数据；
75.数据处理模块，与所述数据采集模块连接，用于对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；
76.模型构建模块，与所述数据处理模块连接，用于构建深度学习融合模型；
77.模型训练模块，与所述模型构建模块连接，用于将所述轴承故障检测数据集划分训练集和测试集，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；
78.故障检测模块，与所述模型训练模块连接，用于将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。
79.以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种轴承故障诊断方法，其特征在于，包括：采集轴承的图像数据以及振动信号数据，并对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；将所述轴承故障检测数据集划分训练集和测试集；构建深度学习融合模型，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。2.根据权利要求1所述的轴承故障诊断方法，其特征在于，对所述图像数据和振动信号数据进行处理的过程包括，对采集的轴承运行图像进行图像分割裁剪和灰度处理后，进行图像特征提取；以及基于小波包分解对原始振动信号进行预处理，得到特征向量，并进行归一化处理。3.根据权利要求2所述的轴承故障诊断方法，其特征在于，对采集的轴承运行图像进行图像分割裁剪和灰度处理的过程包括，基于itk软件沿轴承边界手动描绘roi，并对边界进行确定，完成对轴承运行图像的图像分割；将完成分割的轴承图像进行roi标注，以故障roi最短径的30％为外扩边界对轴承图像进行裁剪，获得图像分割裁剪后的轴承图像；将完成图像分割裁剪的轴承图像的灰度值大于0的像素点均置为1，求出图像连通区域面积最大的部分，保留连通区域所在的图像；然后，统计裁剪后图片的直方图分布，计算所述直方图统计后每个灰度数目的均值，记为mc；将灰度值大于2倍mc的值置为零，筛选图像中不全为零的行和列进行保留，获得裁剪无关区域后的灰度图像。4.根据权利要求3所述的轴承故障诊断方法，其特征在于，对裁剪无关区域后的灰度图像进行特征提取的过程包括，对所述灰度图像数据进行卷积处理得到第一特征图数据，对所述第一特征图数据进行深度可分离卷积得到第二特征图数据，对所述第二特征图数据的特征通道进行均分，得到第一均分数据和第二均分数据，对所述第二均分数据进行卷积和相邻通道分离，得到第一相似特征数据和第二相似特征数据，对所述第二相似特征数据进行深度可分离卷积并与所述第一相似特征数据进行拼接，得到第一特征数据，将所述第一特征数据和所述第一均分数据进行拼接，得到第二特征数据，基于第二特征数据获取第三特征图数据，基于第三特征图数据得到目标类别数目数据，基于目标类别数目数据，获得不同类型的图像数据。5.根据权利要求1所述的轴承故障诊断方法，其特征在于，将所述轴承故障检测数据集划分训练集和测试集之前还包括，采用随机匹配的策略，将处理后的图像数据和振动信号数据进行随机匹配，完成数据配对，获得模型输入数据。6.根据权利要求1所述的轴承故障诊断方法，其特征在于，构建深度学习融合模型的过程包括一维扩张卷积模块、lstm模块和全连接神经网络模块，训练过程使用交叉熵ce作为损失函数，使用后向传播算法对模型进行优化。7.根据权利要求6所述的轴承故障诊断方法，其特征在于，所述一维扩张卷积模块是在时间维度上做卷积，首先是从66通道通过一次一维卷积变
成128通道，起到上采样作用，后面六层一维扩张卷积则是保持128通道，通过卷积不断扩大感受野，得到初步特征图；输入数据：t
×
66的序列，时序长度为t，特征向量的数量为66；上采样层：128个长度为5的卷积核，扩张系数为1，输入为t
×
66，输出为t
×
128；第一层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；第二层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；第三层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128；第四层扩张卷积：128个长度为5的卷积核，扩张系数为2，输入为t
×
128，输出为t
×
128；第五层扩张卷积：128个长度为5的卷积核，扩张系数为4，输入为t
×
128，输出为t
×
128；第六层扩张卷积：128个长度为5的卷积核，扩张系数为6，输入为t
×
128，输出为t
×
128。8.根据权利要求6所述的轴承故障诊断方法，其特征在于，所述lstm模块用于进一步提取时序特征；输入为t
×
128，输出为t
×
128；第一层全连接层：输入为1
×
128，输出维度为1
×
64；第二层全连接层：输入为1
×
64，输出为1
×
32；第三层全连接层：输入为1
×
32，输出为1
×
16；第四层全连接层：输入为1
×
16，输出为1
×
8，8为分类数量；所述全连接神经网络模块，在计算前将hiddenembeddingresize形成长向量，再送入全连接神经网络，最后通过softmax层输出最终故障检测识别结果。9.一种轴承故障诊断系统，其特征在于，包括，数据采集模块，用于采集轴承的图像数据以及振动信号数据；数据处理模块，与所述数据采集模块连接，用于对所述图像数据和振动信号数据进行处理，获得轴承故障检测数据集；模型构建模块，与所述数据处理模块连接，用于构建深度学习融合模型；模型训练模块，与所述模型构建模块连接，用于将所述轴承故障检测数据集划分训练集和测试集，基于所述训练集对所述深度学习融合模型进行训练，获得初始融合模型；将所述测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；故障检测模块，与所述模型训练模块连接，用于将轴承运行的实时数据输入所述目标融合模型进行故障检测，获得故障检测结果。

技术总结
本发明公开了一种轴承故障诊断系统及方法，包括采集轴承的图像数据以及振动信号数据并进行处理，获得轴承故障检测数据集；划分训练集和测试集，构建深度学习融合模型，基于训练集对深度学习融合模型进行训练，获得初始融合模型；将测试集输入初始网络模型进行测试，将优化集结果最好的模型进行保存，获得目标融合模型；将轴承运行的实时数据输入目标融合模型进行故障检测，获得故障检测结果。本发明使用双模态深度学习融合模型，同时接收轴承图像数据和振动信号数据信息输入，通过模型训练对轴承故障进行检测，能有效整合两种检测方式的优点，弥补两种检查手段的不足之处，检测效率高，诊断效果好。诊断效果好。诊断效果好。


技术研发人员：刘强 文博 徐晓鸣 吴滨梅 代政伟 杨磊
受保护的技术使用者：广东海洋大学
技术研发日：2023.04.17
技术公布日：2023/7/12