法律状态公告日
法律状态信息
法律状态
2018-04-03
授权
授权
2016-04-13
实质审查的生效 IPC(主分类):G06N3/08 申请日:20151019
实质审查的生效
2016-01-13
公开
公开
【技术领域】
本发明涉及摩擦故障检测的技术领域,特别涉及一种基于CNN声发射识别 动静态部件间摩擦故障的方法,提高制造工艺中大型旋转机械的动态和静态部 件引起的摩擦故障检测效率。
【背景技术】
动静摩擦是旋转机械经常发生的故障,摩擦故障发生时,转子上会同时产 生力冲击和热冲击的作用。为了减少漏汽(气),大型旋转机械动静间隙通常设 计的很小,摩擦故障不仅在机组起停过程中发生,安装、检修和运行过程中稍 有不慎就可能发生动静摩擦。摩擦故障发生后,机组振动可能出现长时间波动, 也可能出现突发性波动,摩擦严重时,如果不及时处理,极有可能导致发生大 轴弯曲事故。
动态和静态部件之间的摩擦产生的故障通常为大型旋转机械,比如大型游 乐设施、汽轮发电机等,一旦摩擦故障严重导致意外发生时,损失是惨重的, 所以有效地识别正常执行中旋转机械的摩擦故障是很重要的。
混沌是存在于非线性动力学系统中的一种普遍现象,具有一些独特的动力 学性质:初值敏感性、内在随机性及遍历性。由于神经网络是高度非线性动力 学系统,而混沌又具有上述的特性,因此神经网络与混沌密切相关,所以混沌 神经网络被认为是可实现其真实世界计算的智能信息处理系统之一。混沌神经 网络,简称CNN,源于对人工神经网络(ANN)的非线性系统的动态特性的研 究,它通常需要使用统计神经网络模型,而不是确定的模型,使动态重新配置, 与反向传播(BP)神经网络不同,CNN搜索出混沌吸引子的相空间,并用不可 重复的规则循环访问所有的状态,可以有效避免陷入局部最小值的情况,较传 统的反向传播(BP)神经网络模型,具有更好的识别率,因此提出一种基于CNN 声发射识别动静态部件间摩擦故障的方法,来提高正常运行中的机器摩擦故障 的识别率。
【发明内容】
本发明的目的在于克服上述现有技术的不足,提供一种基于CNN声发射识 别动静态部件间摩擦故障的方法,其旨在解决现有技术中旋转机械中摩擦故障 识别率低,识别效果差的技术问题。
为实现上述目的,本发明提出了一种基于CNN声发射识别动静态部件间摩 擦故障的方法,其基于一种前馈CNN网络,所述前馈CNN网络是基于有基础 Logistic映射神经元的多层感应,所述前馈CNN网络包括前隐层和后隐层两部 分,所述前隐层由神经元F和神经元B成对组成,神经元F从上一层接收加权 和输出,神经元B从自己本身接收输出,所述后隐层由经元H组成,用以接收 相应的神经元F和神经元B,并通过加权函数以最终隐藏输出的方式输出,所 述前馈CNN网络由以下方程组成,分别是
步骤一、采集AE摩擦信号:从转子系统的摩擦支架上的调节螺钉上采集 AE摩擦信号,采样频率为1MHz,将AE摩擦信号分为三个类别,分别是无摩 擦信号、轻摩擦信号和重摩擦信号,每一类别有若干个训练样本数据,试验样 本的AE摩擦信号数量为若干个,特征参数是由12维倒频谱系数组成;
步骤二、设置CNN网络结构:设置单隐层前馈CNN网络,包括输入层、 隐藏层和输出层,所述输入层、隐藏层和输出层分别包含若干节点;
步骤三、设置训练算法:设置学习速率η、修正重冲击系数α、训练微分和 最大训练时间J;
步骤四、设置网络初始状态:设置神经元B的反馈权重神经阈值和 输出权重设置输入权重的随机分布区间;
步骤五、前馈CNN训练:设置隐藏层节点数量和训练时间,通过网络信号 计算输出,如果微分小于阈值或者已经达到迭代值,则训练结束;否则,返回 至落后阶段,通过推导、输出权重、落后的权重和学习速率,建立正确的优化 项,分别修正各项权重,重复前进和后退阶段,直到满足收敛条件;
步骤六、CNN识别:将训练后的CNN网络进行旋转机组中动静态部件的 摩擦故障识别。
作为优选,所述步骤二中输入层的节点数为14个,所述输出层的节点数为 3个。
作为优选,所述步骤五中隐藏层的节点数设置范围为7~11个。
作为优选,所述步骤一中的12维倒频谱系数包括Hurst指数和近似熵。
作为优选,所述输出权重的调整推导公式为:
作为优选,所述神经元B的反馈权重的调整推导公式为:
其中,pi(k)为导数,
作为优选,所述神经阈值的调整推导公式为:
作为优选,所述输入权重的调整推导公式为:
作为优选,所述J(k)是介于实际输出y(k)和期望的输出d(k)的之间的网络误 差函数,η是学习速率,α是修正重冲击系数。
本发明的有益效果:与现有技术相比,本发明提供的一种基于CNN声发射 识别动静态部件间摩擦故障的方法,步骤合理,运用混沌神经网络(CNN)检 测声发射源中的摩擦故障,在一定程度上避免导致的局部最小值问题,较传统 的BP神经网络模型,CNN需要比与类似理论和相同层数量更少的节点和更短 的时间,实现更好的性能,具有更好的识别率,解决了现有技术中旋转机械中 摩擦故障识别率低,识别效果差的技术问题。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明基于CNN声发射识别动静态部件间摩擦故障的方法的前馈 CNN组成示意图
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图中及实 施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施 例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中, 省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
参阅图1,本发明实施例提供一种基于CNN声发射识别动静态部件间摩擦 故障的方法,其基于一种前馈CNN网络,所述前馈CNN网络是基于有基础 Logistic映射神经元的多层感应,所述前馈CNN网络包括前隐层和后隐层两部 分,所述前隐层由神经元F和神经元B成对组成,神经元F从上一层接收加权 和输出,神经元B从自己本身接收输出,所述后隐层由经元H组成,用以接收 相应的神经元F和神经元B,并通过加权函数以最终隐藏输出的方式输出,所 述前馈CNN网络由以下方程组成,分别是
步骤一、采集AE摩擦信号:从转子系统的摩擦支架上的调节螺钉上采集 AE摩擦信号,采样频率为1MHz,将AE摩擦信号分为三个类别,分别是无摩 擦信号、轻摩擦信号和重摩擦信号,每一类别有若干个训练样本数据,试验样 本的AE摩擦信号数量为若干个,特征参数是由12维倒频谱系数组成;
步骤二、设置CNN网络结构:设置单隐层前馈CNN网络,包括输入层、 隐藏层和输出层,所述输入层、隐藏层和输出层分别包含若干节点;
步骤三、设置训练算法:设置学习速率η、修正重冲击系数α、训练微分和 最大训练时间J;
步骤四、设置网络初始状态:设置神经元B的反馈权重神经阈值和 输出权重设置输入权重的随机分布区间;
步骤五、前馈CNN训练:设置隐藏层节点数量和训练时间,通过网络信号 计算输出,如果微分小于阈值或者已经达到迭代值,则训练结束;否则,返回 至落后阶段,通过推导、输出权重、落后的权重和学习速率,建立正确的优化 项,分别修正各项权重,重复前进和后退阶段,直到满足收敛条件;
步骤六、CNN识别:将训练后的CNN网络进行旋转机组中动静态部件的 摩擦故障识别。
所述步骤一中的12维倒频谱系数包括Hurst指数和近似熵。
所述输出权重的调整推导公式为:
所述神经元B的反馈权重的调整推导公式为:
其中,pi(k)为导数,
所述神经阈值的调整推导公式为:
所述输入权重的调整推导公式为:
所述J(k)是介于实际输出y(k)和期望的输出d(k)的之间的网络误差函数, η是学习速率,α是修正重冲击系数。
试验一:
在步骤一AE摩擦信号的采集中,每一类别的训练样本数据为500个,共 1500个,试验样本的AE摩擦信号数量为700个,在步骤二中设置输入层的节 点数为14个,输出层的节点数为3个,在步骤三中设置学习速率η=0.1、修正 重冲击系数α=0.05、训练微分为0.0001和最大训练时间J=1000,在步骤四中设 置神经元B的反馈权重神经阈值设置输出权重具有 同等概率,设置神经元F的输入权重随机均匀分布在[-1,1]区间,设置隐藏 层节点数量分别为7,8,9,10和11,设置训练偏差目标e≤0.0001,并基于学 习规则学习,观察不同节点数的训练步骤和时间,结果见表1。
表1不同数量的隐层节点数的比较
从试验一的表1中可以发现,超过以上节点数目的CNN网络可达到训练偏 差目标。当数目为8,它具有最短的时间。因此可以通过选择合适数量的节点数 和训练时间来减小接收的偏差。
试验二:
将隐藏层节点数量为8个的CNN网络与BP网络相比(BP网络也有一个隐 层)。通过不同的节点数,对两个模型的训练时间和分辨频率进行试验,结果如 表2所示。
表2CNN网络与BP网络的比较
从试验二中的表2可以看出,CNN的需要比与类似理论和相同层数量更少 的节点和更短的时间,误差率更小,能实现更好的性能,在故障诊断应用中CNN 网络能更容易识别,具有极大的优越性。对于在BP神经网络中的陷入局部最小 的缺陷,CNN使用混乱的字符来有效提高搜索的全局优化功能,提高了静态部 件间摩擦故障的识别率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明 的保护范围之内。
机译: 一种方法和学习设备,用于使用用于硬件优化的1x1卷积的基于CNN的对象检测器,以及使用该测试方法和测试设备,使用1×1卷积的CNN基于CNN的对象检测器的学习方法和学习设备用于硬件优化,以及使用Samem的测试方法和测试设备}
机译: 基于R-CNN算法的基于对象识别的移动终端三维图像显示的R-CNN 3系统和方法
机译: 一种在摩擦谱参数上识别破坏瞬态和动力学的方法SIGNALS声发射