基于WGAN和CNN的轴承故障诊断研究.pdf

第2 1 卷第2 期2023年6 月doi:10.13960/j.issn.1672-2558.2023.02.007南京工程学院学报（自然科学版）Journal of Nanjing Institute of Technology(Natural Science Edition)Vol.21,No.2Jun.,2023投稿网址:http:/基于WGAN和 CNN的轴承故障诊断研究余媛,温秀兰,唐颖，赫忠乐，王智贤（南京工程学院自动化学院，江苏南京2 1 1 1 6 7)摘要：轴承作为机械系统的关键部件，可以解析出整个机械系统的故障信息和健康状态，提出一种基于改进生成对抗网络和卷积神经网络的轴承故障诊断方法.首先通过小波变换将一维轴承振动数据转换为二维时频图像数据；然后经设计的改进生成对抗网络训练轴承的二维图像数据，将达到纳什平衡后生成的数据补充到原始数据中增加轴承样本数据；最后将扩充完成的数据集输入卷积神经网络进行训练.测试结果显示轴承故障诊断平均准确率达9 4%，验证了故障数据不充足时该方法用于轴承故障诊断的可行性，关键词：轴承故障诊断；卷积神经网络；数据扩充；改进生成对抗网络中图分类号：TP206Bearing Fault Diagnosis Based on WGAN and CNNSHE Yuan,WEN Xiulan,TANG Ying,HE Zhongle,WANG Zhixian(School of Automation,Nanjing Institute of Technology,Nanjing 211167,China)Abstract:As the key component of mechanical system,rolling bearings can be used to analyze the fault information andhealth status of the whole mechanical system.It is of practical significance to study bearing fault diagnosis in industrialprocess.In this paper,a method of bearing fault diagnosis based on the improved generative adversarial network,Wasserstein GAN(WGAN)and convolution neural network(CNN)is proposed.Firstly,one-dimensional bearingvibration data is converted into two-dimensional time-frequency image data through wavelet transform.Then,the 2D imagedata of bearings trained by the designed WGAN network are supplemented with the data generated after reaching Nashequilibrium to add bearing sample data to the original data.Finally,the expanded data set is input into the CNN networkfor training.And the test results show that the average accuracy of bearing fault diagnosis is 94%,which confirms thefeasibility of the proposed method for bearing diagnosis when the fault data is insufficient.Key words:bearing diagnosis;convolutional neural network;data expansion;WGAN轴承作为工业设备中关键的机械构件,其运行状态是否正常直接影响机器的性能.在工程中采集的轴承故障信息数量较少且种类不均衡，为解决该问题,文献1 采用自润滑关节轴承摆动中磨损量的矩阵变化规律扩充原有的小样本,但增量矩阵的收稿日期：2 0 2 3-0 3-0 9；修回日期：2 0 2 3-0 3-2 5基金项目：江苏省研究生科研与实践创新计划项目（SJCX22_1071）；江苏省产学研合作项目（BY2022076）作者简介：余媛，硕士研究生，研究方向为工业机器人故障检测及诊断.E-mail:引文格式：余媛，温秀兰，唐颖，等.基于WGAN和CNN的轴承故障诊断研究J.南京工程学院学报（自然科学版）,2 0 2 3,2 1（2）：3 4-3 8.原始磨损量数值是以万次计算；文献2 提出合成少数过采样技术（SMOTE）,在样本中间随机插值以达到故障数据扩充的目的，但扩充的数据会改变原始数据分布；文献3 提出采用变分自编码器（VA E)与神经网络相结合的样本数据扩充方法，第2 1 卷第2 期但存在收敛速度慢的问题.为能够对轴承故障进行准确诊断,文献4 通过采集滚动轴承的电流和振动等信号并提取其特征设计基于贝叶斯网络与自动编码器相融合的轴承故障诊断方法；文献5 提出一种结合奇异值分解的复合平方包络谱（SES)轴承故障诊断方法，实现对故障的分类上述方法在特定条件下能够较好地对轴承故障进行诊断,但在故障样本不充足时会出现诊断准确率下降、算法在训练过程中过拟合、计算量过大等问题.为在故障样本不充足情况下能够对轴承故障进行准确诊断,本文提出基于改进生成对抗网络（WG A N)扩充样本、采用卷积神经网络（CNN）实现轴承故障诊断方法，并用美国凯斯西储大学轴承公开数据集（CWRU）进行算法验证1算法理论基础1.1小波变换(CWT)CWT是时间（空间）和频率的局部变换,通过CWT可将信号分解为多个尺度和频率的小波函数和小波系数,提取信号的时频特征6 .CWT通过伸缩平移运算对信号（函数）逐步进行多尺度细化，达到高频处时间细分、低频处频率细分、自动适应时频信号分析的目的.CWT数学模型为：WT(a,)-,()()d式中：为尺度；T为平移量;t为时间.1.2改进生成对抗网络生成对抗网络(GAN)是一种基于统计学和博奔论的无监督深度学习模型，通过生成器和判别器不断博奔,达到一个动态纳什均衡7 ,GAN数学模型为：min maxV(D,G)=Exp(a)logD(x)+GDEp(c)log(1-D(G(2)式中:E为熵或期望;x为真实样本;p(x)为x的分布;z为噪声;p(z)为噪声分布;D()为判别器对真实样本的打分;D(G(z)）为判别器对生成样本G(2)的打分.余媛，等：基于WGAN和CNN的轴承故障诊断研究数学表达式为：W(p,g)=,if.,r.y/x-lIyI(p,g)式中:II(p,)为分布p和组合的所有可能的联合分布的集合；为联合分布.1.3卷积神经网络卷积神经网络是一种端到端、由滤波网络和分类网络共同组成的深度学习算法.滤波网络由多个卷积层、激活函数层和池化层组成，其作用是提取输人数据的特征9 分类网络由全连接层组成.卷积层对输人的信号进行卷积计算，其数学表达式为0 1.y(s)=Kx)=MKxo)式中：K(C）为第1 卷积层的第i个卷积核的第 个权值；X(）为第1 卷积层中第j个进行卷积的区域；W为卷积核的宽度.激活函数层对每一个卷积层输出的特征值进行非线性变换；池化层（即下采样层)作用是降低数据的特征维度、减少参数和防止过拟合1；全连接层(1)的作用是将池化层输出的多维特征铺展为一维特征作为输入进行分类操作.本文研究如何利用CNN强大的特征提取能力进行轴承故障类型的分类2车轴承故障诊断方法2.1诊断模型构建搭建基于WGAN和CNN的轴承故障诊断模型如图1 所示,其详细结构参数如表1、表2 所示.由图(2)1可见，WGAN网络中判别器由3 个卷积层和1 个全连接层组成，激活函数全为LeakyReLU,生成器网络结构为1 个全连接层和3 个卷积层,其中前3 层的激活函数为 LeakyReLU,最后一层的激活函数为Tanh;CNN轴承故障诊断网络由5 个卷积层、4 个最35考虑到经典GAN的损失函数容易受到超参数选择和随机初始化的影响,而WGAN可以生成高质量的数据,在本研究中采用WGAN扩充轴承样本数据.采用WGAN计算数据p到分布q的Wasserstein距离以使网络训练过程更加稳定，Wasserstein距离(3)W-1(4)36大池化层、1 个全局平均池化层和1 个Softmax层组成，优化器为Adams,损失函数为交叉嫡函数，Softmax层含有1 0 个输出,对应轴承1 0 种状态.二维时频图生成器随机噪声全连卷积层卷积层2卷兴层3出接层1卷积层地化层一图1 基于WGAN和CNN的轴承故障诊断模型表1WGAN网络模型卷积核模型层名Convl(LeakyReLU)Conv2(LeakyReLU)判别器Conv3(LeakyReLU)FlattenFlattenConvl(LeakyReLU)生成器Conv2(LeakyReLU)Conv3(Tanh)表2CNN网络模型层数层名1输入层2卷积层13池化层14卷积层25池化层26卷积层37池化层38卷积层49池化层410卷积层511全局平均池化层8 8 25612全连接层13输出层南京工程学院学报（自然科学版）2.2故障诊断算法流程轴承故障诊断算法流程如图2 所示.将轴承一维振动信号经小波变换批量生成二维时频图，将二维时频图作为WGAN网络的输入进行训练；当卷积卷积层2层1(a)WGAN网络模型池化层4卷积层5(b)CNN网络模型层大小层输出个数322232 12 12642264 4 41281 1128 2 21 5121 51212811128 2 2642264 4 4322232 13 13网络层大小步长零补方式64 64 1064 64 1164 64 32232 32 32132 32 64216 16 64116 16 12828 8 12818 8 25628 8 128122.560NONENONE4NONENONE2023年6 月卷全会出接层3判别器WGAN全局平均池化层全连接层WGAN网络中的判别器和生成器达到纳什平衡生后，将生成器得到的时频图扩充到原始时频图数据的抗充数据输出Softmax轴底层茶类结果3车轴承故障诊断检测3.1数据集的获取NONE数据集选自美国凯斯西储大学试验平台在设SAME定采样频率为1 2 kHz采集的驱动端故障振动信号VALID数据1 2 ,轴承故障样本类型见表3,包含轴承的内SAMEVALIDSAMEVALIDSAMEVALIDSAMENONE集中；扩充后的时频数据输入CNN网络训练，训练达到网络的终止条件后完成轴承故障的诊断，输出轴承故障分类结果。轴承一维振动信号获取CWT转为二维时频图二维时频图送入WGAN的判别器WGAN是否达到纳什平衡是加入原始数据集，扩充数据集CNN网络训练是否达到终止条件是训练完成，输出诊断结果图2轴承故障诊断算法流程圈、外圈和滚动体三类故障，在不同负载功率、电机转速和轴承直径下获得的9 种故障类型和1 种正常状态,共计1 0 类.3.2试验运行环境本试验基于深度学习框架TensorFlow搭建轴承故障诊断模型，包含WGAN轴承故障数据扩充和CNN故障诊断分类两个部分.硬件环境配置随机噪声经生成器处理送入判别器+第2 1 卷第2 期表3 车轴承故障样本类型负载功电机转速/轴承直故障故障类型率/W(r:min)2051.720滚动体7351 470205外圈7351 470205内圈7351 470正常见表4，软件环境为Windows11操作系统和Python3.7,其中深度学习框架采用TensorFlow2.9.1.表4 试验硬件环境配置硬件名称型号CPUi5-11400H 2.70 GHz内存DDR4/3 200 MHz显卡NVIDA GeForce RTX 3050固态硬盘512 CB3.3冈网络训练及试验结果采用WGAN网络进行数据扩充,设定WGAN网络模型运行周期epoch为3 0 0 0,学习率为0.0 0 0 1,训练批次为3 2，使用Adam优化器.经WGAN网络扩充后获得的数据样本数量为3 7 5 0,将样本的60%用于CNN网络训练、2 0%用于验证、2 0%用于测试.采用CNN网络对轴承故障训练集及验证集的损失函数曲线和准确率曲线如图3 所示.由图3可见，训练集损失函数随着迭代次数的增加逐渐下降到0.2、训练集准确率上升到9 6%；验证集损失函数随着迭代次数的增加逐渐下降到0.4、验证集准确率上升到8 8%.验证结果表明本文提出的故障诊断方法对训练集和验证集具有较高精度.CNN网络对轴承故障分类结果部分时频图如图4 所示.为了进一步验证本文提出方法的有效性,图5给出网络对测试集的运行输出结果.由图5 可见，对不同轴承故障类型预测准确率(recall)有一定差别:class3、c la s s 4、c la s s 5、c la s s 6、c la s s 7 和 class9 预测准确率为1 0 0.0 0%;class8和class0预测准确率余媛，等：基于WGAN和CNN的轴承故障诊断研究径/mm类型0.177 8017500.355 617720.533 41 7200.177 817500.355 617720.533 41.7200.177 81.7500.355 61 7720.533 4数量1111372.5F2.01.512345678901.00.500100r训练集80F%/率聊6040200图3轴承故障训练集及验证集损失函数、准确率曲线30000（a）滚动体故障30003100000(c)内圈故障图4 CNN对训练集分类结果的时频图均为9 8.6 7%;class1 准确率为 8 8.0 0%;class2 准确率最低，仅为5 4.6 7%，轴承故障诊断平均准确验证集训练集1020送代次数(a)损失函数验证集1020选代次数(b)准确率3000100000.010.02时间/s0.01时间/30300(b）外圈故障3.0003100000.02040工400.01时间/s0.01时间/s(d)正常50500.020.0238率为9 4.0 0%.图6 给出了测试集的混淆矩阵，图6中横坐标表示模型预测的轴承故障类型、纵坐标表示轴承实际的故障类型.由图6 可见，class3、class5、c la s s 6、c la s s 7 和class9预测结果均出现在对角线上,数值均为7 5,证明该网络对故障class3、class5、c la s s 6、c la s s 7 和class9预测准确率达1 0 0%.class4 的预测准确率为9 8.6 7%,class8 的预测准确率为9 4.6 7%,对classl和class2的预测效果较差.混淆矩阵与测试集准确率均显示 classl 和 class2的准确率不高,这是因为 CNN 网络训练集中 class1和class2的样本数量较少，训练不充分.precisionf1-scoresupport00.740011.000020.872330.974040.937551.000061.000070.961581.000090.9615accuracymacroavgweighted avg070140 00 000010571400 0010323202004001900300075000074400005000007500006000 000750007000000075008029000 00 0 00075F2341预测故障类型图6测试集混淆矩阵图4结语为解决故障样本不充分使得故障分类诊断准确率不高的问题，本文提出基于改进生成对抗网络扩充故障样本数据，并采用卷积神经网络进行故障南京工程学院学报（自然科学版）分类的轴承故障诊断方法.运用美国凯斯西储大学试验平台在设定采样频率为1 2 kHz采集的驱动端故障振动信号数据验证算法的正确性试验结果表明,轴承故障诊断平均准确率为9 4%.本文方法可在矿山开采、发电厂、电机厂等机械设备不停工作的轴承故障诊断中推广应用.参考文献：1李如琰,苏文文,张翔.基于小样本扩充的自润滑关节轴承磨损寿命评价技术J.轴承,2 0 1 8（6）：3 3-3 9.2 JADWAL P K,JAIN S,PATHAK S,et al.Improved resamplingalgorithm through a modified oversampling approach based onrecaltfspectral clustering and SMOTE J.Microsyst Technol,2022,28:0.98670.84570.88000.93620.54670.67211.00000.98681.00000.96771.00001.00001.00001.00001.00000.98040.98670.99331.00000.98040.94000.94470.94000.94470.9400图5测试集准确率0000 0 0200007107982023年6 月752669 2677.753张永宏，张中洋，赵晓平，等.基于VAE-GAN和FLCNN的不75757575757575757500.93637500.9363750706050403020100均衡样本轴承故障诊断方法J.振动与冲击，2 0 2 2,4 1(9：199209.4王进花，高媛，曹洁，等.基于AE-BN的发电机滚动轴承故障诊断J/0L.北京航空航天大学学报：1-1 0 2 0 2 3-0 2-23.5GAO Shuai,HAN Qinkai,ZHOU Ningning,et al.Dynamic andwear characteristics of self-lubricating bearing cage:effects ofcage pocket shapeJ.Nonlinear Dyn,2022,110:177-200.6李志军，陈伟根，周源，等.基于改进深度学习混合网络与小波分析的电机故障诊断方法J三峡大学学报（自然科学版),2 0 2 1,4 3(6):9 4 -9 9.75张中洋.少样本条件下的滚动轴承故障诊断方法研究D.南京：南京信息工程大学，2 0 2 2.8金毓林.基于深度学习的风力发电机齿轮箱轴承智能诊断研究D.沈阳：沈阳工业大学,2 0 2 2.9潘琳鑫，巩永旺，晏生莲.一种基于改进一维卷积神经网络的轴承故障诊断方法J.软件导刊,2 0 2 3,2 2（4）：3 8-4 2.10 HAN Yanfang,HUANG Yingkun,LI Liang,Bearing faulldiagnosis method based on Gramian angular field and ensembledeep learning J.Journal of Vibroengineering,2022,25(1):20-22.11金毓林.基于深度学习的风力发电机齿轮箱轴承智能诊断研究D.沈阳：沈阳工业大学,2 0 2 2.12郭俊锋，王淼生，孙磊，等.基于生成对抗网络的滚动轴承不平衡数据集故障诊断新方法J.计算机集成制造系统，2022,28(9):2825-2835.