结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
阅读说明：本技术 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 (Rolling bearing fault diagnosis method and system combining edge calculation and deep learning ) 是由 仲志丹 赵耀 刘博� 杨遨宇 陈小龙 刘豪 庞晓旭 何奎 李健 王军华 于 2021-09-30 设计创作，主要内容包括：本发明公开了一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统,该方法包括如下步骤：边缘计算设备中的数据预处理模块对采集到的滚动轴承的振动信号进行预处理,得到样本数据；利用边缘计算设备中基于深度学习的故障检测与诊断模块对经上一步预处理得到的样本数据进行故障诊断和分类；利用边缘计算设备中储存有故障处理知识库,根据故障类别给出报警信号和应对方案；该系统包括信号采集模块、信号传输模块、搭载有数据预处理模块、故障检测与诊断模块以及故障处理知识库的边缘计算设备,边缘计算设备布置在数据源处。本发明将边缘计算和深度学习相结合,提高滚动轴承故障诊断的响应速度和准确率,满足了实时性和智能化。(The invention discloses a rolling bearing fault diagnosis method and system combining edge calculation and deep learning, wherein the method comprises the following steps: a data preprocessing module in the edge computing device preprocesses the acquired vibration signal of the rolling bearing to obtain sample data; utilizing a fault detection and diagnosis module based on deep learning in the edge computing equipment to carry out fault diagnosis and classification on the sample data obtained by the preprocessing of the previous step; a fault processing knowledge base stored in the edge computing equipment is utilized, and an alarm signal and a corresponding scheme are given out according to the fault category; the system comprises a signal acquisition module, a signal transmission module, and edge computing equipment loaded with a data preprocessing module, a fault detection and diagnosis module and a fault processing knowledge base, wherein the edge computing equipment is arranged at a data source. The method combines edge calculation and deep learning, improves the response speed and accuracy of fault diagnosis of the rolling bearing, and meets the requirements of real-time performance and intellectualization.)
技术领域
本发明属于边缘计算、轴承故障诊断智能化领域，具体涉及一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统。
背景技术
轴承故障是最常见的机械设备故障之一，保证轴承的正常运行，及时检测轴承的运行故障，对生产以及生命安全至关重要。传统方法通过研究时频域信号来诊断轴承，例如：小波包变换(WPT)、经验小波变换(EWT)、快速傅里叶变换(FFT)等，但是这些方法需要专业人士分析信号、取特征，自适应能力差，过程繁琐，诊断效果仍需要继续提高，诊断手段仍需要智能化。
近年来，深度学习在图像检测、信号处理、故障领域方面成果显著，基于深度学习的滚动轴承故障诊断方法得到了发展，它们以强大自适应能力，自发的提取故障特征，识别能力大大提升。例如利用堆叠式自编码器构成了深度学习网络，可以用来诊断滚动轴承故障。虽然深度学习的方法提高了轴承故障诊断的准确率，但是收集故障数据，事后分析故障的模式不能满足工业设备实时检测的需求，而边缘计算解决了这个问题，边缘计算是指在数据源头的附近，采用开放平台，就近直接提供最近端的服务。因此将边缘计算和深度学习相结合，既满足了工业设备故障检测的低延迟性，又满足了诊断的准确性和智能化。
发明内容
本发明为了克服传统的滚动轴承故障诊断方法准确率低，智能化水平低，延迟性高等不足，提供了一种结合边缘计算和深度学习的滚动轴承故障诊断方法及系统，该方法利用边缘计算技术，将边缘计算设备部署在数据源处，同时搭载深度学习一维卷积自编码器算法，可以实时的对滚动轴承的故障进行检测、诊断，提高了故障诊断方法的智能化水平以及准确率，实现了故障诊断的实时性。
为了实现上述目的，本发明所采用的技术方案是：结合边缘计算和深度学习的滚动轴承故障诊断方法，包括如下步骤：
步骤一，由边缘计算设备中的数据预处理模块对采集到的滚动轴承的振动信号进行预处理，预处理包括信号数据标准化和利用滑动窗口算法塑造样本，在用滑动窗口算法塑造样本时，以信号数据标准化后的振动信号为样本点；
步骤二，利用边缘计算设备中基于深度学习的故障检测与诊断模块对经上一步预处理得到的样本数据进行故障诊断和分类，故障检测与诊断模块在故障诊断和分类前已完成故障诊断和分类所需的训练；
步骤三，利用边缘计算设备中储存有故障处理知识库，根据步骤二判断出来的故障类别，给出报警信号和应对方案。
以上方法中，步骤一的信号数据标准化表达如下：
xt＝(xi-μ)/σ
其中，xi是原始振动信号，μ为原始振动信号平均值，σ是原始振动信号标准差，xt是标准化后的振动信号。
以上方法中，步骤一中的滑动窗口算法塑造样本的方法如下：以xt为样本点，对于序列T＝(x1，x2，x3，…，xt)，取窗口长度为w，滑动步长为1，得到如下样本：
其中，t为包含所有样本点的总序列长度，T为样本点按时间先后顺序排列的序列，w为滑动窗口长度。
以上方法中，边缘计算设备中故障检测与诊断模块的训练包括编码器的训练和分类器的训练。
以上方法中，编码器的训练，以步骤一预处理后得到的样本为输入数据，由故障检测与诊断模块中的编码器生成特征向量，由故障检测与诊断模块中的解码器利用所述特征向量重构输入数据，并通过最小化重构误差优化编码器和解码器构成的模型。
以上方法中，分类器训练时，根据带有标签的多种故障数据样本对分类器进行训练，具体方法为：将编码器训练中由编码器生成的特征向量，输入全连接层，全连接层输出为：δ＝f(ωP+b)，其中，P为特征向量，ω为权重，b为偏差，f为激活函数；然后以全连接层的输出作为softmax层的输入，softmax层输出预测标签数据，预测标签分布为：
其中，δi表示输入，Q(δi)表示样本属于第i个标签的概率，k是类别数；
最后，损失函数为预测标签和真实标签分布的交叉熵函数，可表示为：
Loss＝-∑p(x)log q(x) (2)
其中，q(x)为真实标签分布，p(x)为公式(1)的预测标签分布，通过优化该损失函数训练分类器。
以上方法中，故障检测与诊断模块在对第一步预处理得到的样本数据进行故障诊断和分类时，以所述编码器提取的特征向量作为分类器的输入，由经训练的分类器直接确定输入信号的故障类型。
结合边缘计算和深度学习的滚动轴承故障诊断系统，包括信号采集模块，用于实时采集滚动轴承的振动信号；信号传输模块，用于将采集的振动信号实时传输至边缘计算设备；边缘计算设备布置在数据源处，搭载有数据预处理模块、故障检测与诊断模块以及故障处理知识库；所述数据预处理模块用于对实时振动信号进行数据标准化和利用滑动窗口算法塑造样本；所述故障检测与诊断模块包括编码器、解码器和softmax层分类器，解码器和所述编码器配合以训练编码器，softmax层分类器和所述编码器配合对预处理的样本进行故障诊断和分类。
在上述滚动轴承故障诊断系统中，所述编码器从前至后，由一维卷积层和一维池化层构成。
在上述滚动轴承故障诊断系统中，所述解码器从前至后，由上采样层和反卷积层构成。
本发明的有益效果是：1-本发明采用的滚动轴承的振动信号容易获取，简单便捷，信号对轴承故障敏感，信号类型选取得当。
2-本发明采用在数据源头部署边缘计算设备，具有一定的计算和储存能力，实现了对资源的高效利用，降低系统延迟性，满足了故障诊断的实时性。
3-本发明采用的边缘计算设备，搭载深度学习的故障检测与诊断模块，诊断准确率高，不需要人为提取故障特征，可以进行智能故障诊断。
附图说明
图1为本发明所述方法的整体流程框图。
图2为本发明中涉及到的滑动窗口算法示例图。
图3为本发明中涉及到的故障检测与诊断模块的结构视图。
图4为本发明整个系统的结构图。
具体实施方式
下面以电机风扇为例，对本发明作进一步的详细说明，但并不作为对发明做任何限制的依据。
如图1所示，所述的结合边缘计算和深度学习的滚动轴承故障诊断方法包括如下几个步骤：
步骤一，在电机风扇端以及驱动端的轴承基座上分别安装一个加速度传感器用于采集相应轴承的实时振动信号，并通过信号传输模块传输至边缘计算设备；
步骤二，边缘计算设备中的数据预处理模块对接收到的实时振动信号进行预处理，包括信号数据标准化和利用滑动窗口算法塑造样本；
其中信号数据标准化表达如下：
xt＝(xi-μ)/σ
其中，xi是原始振动信号，μ为原始振动信号平均值，σ是原始振动信号标准差，xt是标准化后的振动信号；
接着以xt为样本点，用如图2所示的滑动窗口算法塑造训练样本，表达如下：
对于序列T＝(x1，x2，x3，…，xt)，取窗口长度为w，滑动步长为1，得到如下样本：
其中，t为包含所有样本点的总序列长度，T为样本点按时间先后顺序排列的序列，w为滑动窗口长度，也是样本长度；
步骤三，利用边缘计算设备中基于深度学习的故障检测与诊断模块对经上一步预处理得到的样本数据进行故障诊断和分类，故障检测与诊断模块在故障诊断和分类前已完成故障诊断和分类所需的训练；
步骤四，利用边缘计算设备中储存有故障处理知识库，根据步骤三判断出来的故障类别，给出报警信号和应对方案。
其中，边缘计算设备中基于深度学习的故障检测与诊断模块在预先的训练中，需要进行编码器的训练和分类器的训练。
编码器的训练需要编码器和解码器的参与，编码器的结构如图3所示的编码层，由从前至后的一维卷积层和一维池化层构成，解码器的结构如图3所示的解码层，由从前至后的上采样层和反卷积层构成。在进行编码器训练时，以步骤一预处理后得到的样本为输入数据，由所述的编码器生成特征向量，由所示的解码器利用所述特征向量重构输入数据；当轴承的内圈、外圈、滚动体等位置出现故障时会影响变量之间的相互关系，从而影响解码器的重构效果；最后通过最小化重构误差优化编码器和解码器构成的模型，使得编码器训练至最优。
分类器的训练发生在编码器训练之后，需要编码器、全连接层和softmax层的参与，分类器的结构如图3所示的分类层，由全连接层和softmax层构成。在训练分类器时，首先，将编码器训练中由编码器生成的特征向量，输入全连接层，全连接层输出为：δ＝f(ωP+b)，其中，P为特征向量，ω为权重，b为偏差，f为激活函数；其次，以全连接层的输出作为softmax层的输入，softmax层输出预测标签数据，预测标签分布为：
其中，δi表示输入，Q(δi)表示样本属于第i个标签的概率，k是类别数；
最后，损失函数为预测标签和真实标签分布的交叉熵函数，可表示为：
Loss＝-∑p(x)log q(x) (2)
其中，q(x)为真实标签分布，p(x)为公式(1)的预测标签分布，通过优化该损失函数训练分类器。所述真实标签即为带有标签的多种故障数据样本。
本发明所述的结合边缘计算和深度学习的滚动轴承故障诊断方法可以实现轴承数据的采集，利用深度学习的故障检测与诊断模块对轴承进行实时检测，延迟率低，智能化水平高，准确率高。
基于以上滚动轴承故障诊断方法，相应的结合边缘计算和深度学习的滚动轴承故障诊断系统如图4所示，包括信号采集模块，通过安装的加速度传感器实时采集滚动轴承的振动信号；信号传输模块，用于将采集的振动信号实时传输至边缘计算设备；边缘计算设备布置在数据源处，搭载有数据预处理模块、故障检测与诊断模块以及故障处理知识库；所述数据预处理模块用于对实时振动信号进行数据标准化和利用滑动窗口算法塑造样本；所述故障检测与诊断模块包括编码器、解码器和softmax层分类器，解码器和所述编码器配合以训练编码器，所述编码器从前至后，由一维卷积层和一维池化层构成，解码器从前至后，由上采样层和反卷积层构成；softmax层分类器和所述编码器配合对预处理的样本进行故障诊断和分类，softmax层分类器由全连接层和softmax层构成。
该边缘计算设备基于Raspberry Pi 4B硬件资源，其具有成本低，能耗低，支持边缘计算技术等优点。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，所属领域的普通技术人员应当理解，参照上述实施例可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换均在申请待批的权利要求保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：箔片空气轴承的冲击工况测试设备