基于仿真数据和子领域自适应的轴承故障网络诊断框架.pdf

第 卷第 期 年 月机 电 工 程 .收稿日期:基金项目:江苏省高等学校自然科学基金资助项目()作者简介:韩洁()女江苏宿迁人硕士研究生主要从事轴承故障智能诊断方面的研究:.通信联系人:苏小平男教授博士生导师:.:./.基于仿真数据和子领域自适应的轴承故障网络诊断框架韩 洁苏小平康正阳(南京工业大学 机械与动力工程学院江苏 南京)摘要:在实际工业环境中往往缺乏相应工况的轴承故障数据用于模型训练这限制了深度学习在工业场景中的应用 基于此采用两种建模方式生成了轴承故障信号将其用于训练模型并利用深度子领域自适应方法缩小了模拟信号和真实信号间的差异提升了模型对真实信号的诊断精度 首先采用数学建模和基于 的有限元仿真两种方式建立了轴承故障仿真模型以获取与实际场景相同工况下的轴承故障仿真加速度信号其次针对仿真数据和真实数据存在差异的问题利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布最后采用原始一维振动信号作为输入在残差神经网络()模型架构上完成了端到端的轴承故障分类工作将德国帕德博恩大学采集到的轴承故障信号作为实验数据对上述模型的有效性进行了验证 研究结果表明:相较于有限元仿真数学建模生成的仿真信号能够较轻易地迁移到实际信号在无标签数据场景下具有.的轴承故障识别精度体现了数学建模在无监督轴承故障诊断领域的广阔应用前景是在真实工业系统和人工智能之间架起桥梁的关键技术关键词:轴承故障数据数学建模 有限元仿真子领域自适应残差神经网络()模型迁移学习能力中图分类号:.文献标识码:文章编号:()():.().:()引 言轴承被誉为“工业的关节”被广泛应用于国民经济和国防建设各个领域 因此对轴承的运行状态进行监测和故障诊断具有重要的意义随着人工智能的快速发展深度学习在轴承故障诊断领域得到了广泛研究通过模型训练可以端到端地自动识别轴承的故障类型和故障程度 然而深度学习模型的优异诊断性能离不开大量同分布的数据样本在实际工业场景中由于机械大部分时间处于正常工作状态通常难以事先获取同一设备、同一工况下充足的故障数据用于深度学习模型训练这限制了人工智能在工业场景下的应用通过数字孪生进行虚拟实验能够以较低的成本和较高的灵活度获取大量数据为解决深度学习缺乏训练样本的问题提供了可能 等人利用轴承三自由度动力学模型获取了故障数据并在卷积神经网络的基础上实现轴承故障识别的目标 等人分别建立了轴承故障和齿轮故障有限元模型将其应用于故障诊断方法研究中取得一定的成果 等人提出了一种基于模型和数据的数字孪生混合模型完成了数控机床的预测性维护工作然而仿真模型是理想化的工程设计通过模拟得到的数据往往与实际测量得到的数据存在较大差异导致神经网络的泛化能力降低针对训练样本与测试样本差异大的问题迁移学习能够将源域的知识迁移到相关目标域的任务上以提升模型在目标域上的分类精度 等人利用数字化车间的数字孪生模型生成了大量仿真数据并对其进行了训练采用少量的真实标签样本对模型进行了微调完成了对真实样本的故障分类任务但在实际场景下要获取少量真实故障样本仍存在困难 等人通过建立轴承数字孪生模型获取了轴承退化数据并使用对抗迁移方法将仿真数据用于实际实验台中的剩余寿命预测问题研究但其对抗迁移方法存在着收敛困难的问题导致模型难以进行训练 董绍江等人采用条件最大均值差异法缩小了仿真数据与实际数据的差异进而提高了无标签样本场景下的轴承故障分类精度但该方法只对源域和目标域特征进行了全局对齐因此容易导致负迁移现象的出现为了解决以上问题笔者采用数学建模和有限元仿真两种方式生成轴承故障仿真数据研究不同轴承故障模型生成的仿真信号对实际信号的迁移能力同时为了提高基于模拟故障信号训练的模型在真实故障数据上的分类精度利用深度子领域自适应方法对齐源域和目标域的全局分布和相关子领域的分布最后在 模型架构上进行端到端的轴承故障诊断 轴承故障数学建模.轴承故障模型轴承故障时产生的冲击振动可以看作脉冲序列函数笔者将故障信号建模为伪循环平稳过程考虑转频调制和滚动体滑移现象对轴承内圈故障和外圈故障模型进行简化其表达式如下:()(/)()()()()()()()()式中:为滚动体经过内圈或外圈故障点时产生冲击信号的频率()为单次欠阻尼衰减振动信号 为衰减系数为共振频率为冲击信号的幅值当轴承载荷方向不变轴承外圈固定内圈随轴旋转时外圈故障冲击信号的幅值没有调制现象内圈故障冲击信号的振幅受到转频 调制用频率为 的正弦(或余弦)函数表示为转频()为高斯白噪声为第 次冲击相对于故障周期的微小波动采用均值为、标准差为.的正态分布表示未加噪的轴承内圈故障模拟信号如图 所示图 内圈故障模拟信号.滚动体经过内圈或外圈故障点时产生冲击信号机 电 工 程第 卷的频率称为故障频率其计算公式如下:()()式中:为球过外圈故障频率为球过内圈故障频率 为滚动体个数 为滚动体直径 为节圆直径 为压力角此处的仿真模型选用 型轴承轴承转速为 /相应轴承故障模型参数设置如表 所示表 轴承故障模型参数 /外圈:内圈:外圈:.内圈:.模型可靠性验证针对数学建模得到的仿真信号笔者又添加了信噪比为 的噪声外圈故障和内圈故障信号及其包络谱如图 所示图 故障模拟信号及其包络谱.图 中包络谱上的等间隔虚线表示故障频率及其倍频从图 中可见:从外圈故障信号包络谱中提取到了外圈故障频率及其倍频内圈故障信号包络谱中展现了调制现象在内圈故障频率周围有大小为 倍转频的边频带这表明轴承故障数值模型是有效的 轴承故障有限元仿真.模型建立笔者以 型深沟球轴承为建模对象进行显式动力学分析轴承尺寸参数为:滚动体直径.节圆直径.外径 孔径 滚动体数量 个为了与实际工作轴承更加接近笔者在其建模过程中设置径向间隙为.兜孔间隙为.采用 方形法兰盘式轴承座并进行简化在 中采用渐变网格划分对轴承外圈内表面和内圈外表面部分进行网格细化单元大小为.笔者采用 前处理软件 进行显式动力学分析设置轴承内圈、外圈和滚动体材料为轴承钢保持架材料为黄铜 笔者对轴承内圈内表面节点建立节点刚体并施加径向载荷和转速参数值根据实际工况而定 滚动体与内圈、外圈和保持架之间采用自动面面接触轴承外圈外表面节点与轴承座内表面设置绑定接触轴承座螺栓孔位置设置固定约束仿真过程中考虑重力因素在 中通过删除单元方式以简单模拟局部故障建立的轴承故障有限元模型如图 所示图 轴承故障有限元模型.模型可靠性验证通过显式动力学仿真得到了节点加速度信号及其包络谱如图 所示从图 中可观察到:经过动力学仿真得到的冲击信号包含很多数值噪声且冲击信号幅值有较大波动但其希尔伯特包络谱中仍提取到了故障频率及其倍频在一定程度上表明了基于显式动力学建立的轴承故障模型的有效性第 期韩 洁等:基于仿真数据和子领域自适应的轴承故障网络诊断框架图 故障模拟信号及其包络谱.子领域自适应轴承故障诊断网络.子领域自适应现实场景中往往缺少可供训练的大量标签数据通过迁移学习可以将在大数据上训练的大模型应用到下游相关小数据任务上在迁移学习中一般将具有大量数据的任务称为源域将具有少量标签数据或无标签数据的任务称为目标域 当目标域含标签信息时可以利用微调的方式将在源域数据上训练的模型应用到目标域上当目标域不含标签信息时由于源域数据和目标域数据存在差异迁移学习性能往往受到限制 因此领域自适应方法被提出以减少源域和目标域之间的分布差异实现无标签数据下的分类识别目的深度子领域自适应()是无监督领域自适应方法中的一种 它利用偏差度量的方法缩小源域特征和目标域特征的差异 与大多数全局分布对齐方法不同中提出的局部最大均值差异()可以拉近相关子域的分布实现同一类别特征的对齐最大均值差异()测量的是再生希尔伯特空间中两个特征分布的距离与经典 相比 利用了源域真实标签和目标域伪标签在计算最大均值差异过程中给核函数添加了以类别信息表示的权重这可以拉近同一类别相关子域的特征分布其计算公式如下:()()()()()()式中:()为核函数为源域特征为目标域特征 为类别数为源域特征个数为目标域特征个数 为源域真实标签或目标域预测标签.模型框架笔者提出的轴承故障诊断模型架构如图 所示图 故障诊断模型框架.模型采用原始一维振动信号作为输入信号输入维度为 特征输出维度为 标签输出维度为 模型中包含两个目标损失领域自适应损失用来机 电 工 程第 卷拉近源域特征和目标域特征的距离分类损失用来度量源域数据的预测标签和真实标签的差异其计算公式如下:()()()式中:为源域样本分布 为类别数为源域真实标签为源域预测标签模型训练过程中优化的目标损失函数如下:()基础模型参考残差网络()并根据输入信号特征对模型参数进行改进该模型由卷积核堆叠而成每个卷积核后都跟随批量归一化层和 激活函数 基础模型一共包含五个模块其中针对输入信号尺寸过大的特点在第一个模块中使用尺寸为、步长为 的大卷积核其余四个模块各包含两个尺寸为 的卷积核和残差结构在每个模块后添加平均池化层以降低输入尺寸模型具体参数如表 所示表 模型参数 名称参数卷积层 ()残差块一 ()残差块二 ()残差块三 ()残差块四 全连接层()注:为通道数 为卷积核大小 为卷积核步长为平均池化 实验验证.数据集和模型参数介绍笔者采用德国帕德博恩大学轴承故障数据集对上述方法的有效性进行验证模块化实验平台如图 所示实验轴承型号为 轴承内圈故障和外圈故障采用电火花加工轴承转速为 /径向载荷为 采样率为 图 模块化实验平台.三种轴承故障实验信号如图 所示图 轴承故障实验信号.笔者分别利用数学建模和有限元仿真方式生成两种训练数据 显式动力学分析设置仿真时长为.单次采集四个节点的垂向加速度每种故障类型共获得 的数据为了公平对比数值模型单次生成长度.的信号并对此信号分别添加四种程度的噪声使其信噪比分别为 、和 为了保证截取后的样本不会丢失故障信息笔者设置样本长度为 个点不采用重叠采样时一共可以获得约 个样本模型总参数量为 初始学习率设置为.学习率采用系数为.的指数型衰减策略训练批次设置为 权重衰减系数设置为.批量大小设置为.实验结果及对比分析.样本大小对模型泛化能力的影响通过重叠取样笔者以不同移动步长截取数据研究不同训练数据量大小对模型泛化能力的影响此时不计算领域自适应损失 源域训练数据采用数学建模生成的信号每次实验重复十次第 期韩 洁等:基于仿真数据和子领域自适应的轴承故障网络诊断框架 笔者将十次训练过程中模型分类准确率的均值和最值绘制成图如图 所示图 重叠取样不同移动步长下模型精度收敛曲线.从图 中可以观察到:)当源域训练样本较少时模型对目标域样本的平均分类准确率先上升后下降然后趋于平稳 在模型能够对源域测试样本达到 分类准确率附近时模型对目标域测试样本的分类准确率达到最高值此后继续训练模型使之对源域样本过拟合导致其对目标域的分类精度下降)当源域训练样本较少时模型对目标域样本的识别精度波动范围较大且随着训练批次的增加波动并没有减小的趋势 由于模型参数量大根据少量训练样本训练出的模型有无数种拟合源域样本的参数组合 虽然存在某次训练能使模型对目标域达到较高的分类精度但同时也存在更差的分类结果)当源域训练样本增多时模型在第一个训练批次即第一次遍历源域训练样本后已经可以对源域测试集进行完美分类此时对目标域的分类精度也较高此后继续训练模型对目标域的平均分类精度大致呈上升趋势且波动逐渐减小 这表明源域样本的增加有利于目标域分类精度的提升和稳定最后一个训练批次的模型分类精度如表 所示从表 中可以得知:当移动步长为 源域训练样本约为 个时模型已经可以对源域样本完成的分类精度工作此时增大数据量对源域分类精度没有影响但却可以提高模型对目标域样本的分类精度使模型对目标域的分类精度从.增加到了.共提升了.表 不同数据量下模型的诊断精度 移动步长源域分类精度目标域分类精度.总之模型在目标域数据上的平均分类精度随着数据量的增大而增大最后趋于平缓 这表明重叠采样对于轴承故障信号而言是一种显著有效的数据增强方式增加源域训练样本的数量能够提高模型对目标域样本的识别精度.不同领域自适应方法对模型泛化能力的影响笔者采用重叠取样移动步长为 约为 个训练样本进行无监督领域自适应模型训练不同领域自适应方法下模型对目标域的平均识别精度和标准差如表 所示表 不同领域自适应方法下模型的诊断精度 领域自适应方法精度.机 电 工 程第 卷 表 中 代表在训练过程中不包含域自适应损失的方法 和 分别代表 种不同领域自适应损失计算方法从表中可以得知:不采用领域自适应方法时模型在目标域上的分类精度较低波动较大采用领域自适应方法之后模型在目标域上的分类精度得到了提升同时降低了标准差子领域自适应损失函数 使模型在目标域上达到了最高分类精度十次训练的均值为.相比于经典最大均值差异法的.提高了.体现了子领域自适应方法的有效性.不同数据生成方式对模型泛化能力的影响根据.节和.节的实验结果重叠采样的移动步长选取 领 域 自 适 应 损 失 函 数 采 用笔者对基于数学建模和有限元仿真得到的仿真信号迁移性能进行对比并保持训练数据量大小一致某次实验的混淆矩阵如图 所示图 混淆矩阵图.坐标轴标签 为正常 为外圈故障 为内圈故障由图()可知:采用数学建模生成的信号作为源域数据进行训练时目标域真实信号中只有一个内圈故障信号被误分类为正常信号而由图()可知:采用有限元仿真生成的信号作为源域数据进行训练时模型学到的分类知识难以拟合目标域真实故障信号分类效果较差两种仿真信号对实际信号的十次迁移结果如表 所示表 不同数据生成方式下模型的迁移精度 数据生成方式精度有限元仿真.数学建模.由表 可见:受建模精度的影响基于有限元仿真得到的信号对目标域数据的迁移精度较低只有.基于数学建模生成的信号与实际信号较为接近采用子领域自适应方法后对实际信号的迁移精度达到了.相比于有限元仿真提高了.体现了数学建模方法生成轴承故障信号在无监督轴承故障诊断领域的有效性 结束语在实际工业环境中往往缺乏相应工况的轴承故障数据用于模型训练这限制了深度学习在工业场景中的应用基于此笔者采用两种建模方式生成了轴承故障信号将其用于训练模型并利用深度子领域自适应方法缩小了模拟信号和真实信号间的差异提升了模型对真实信号的诊断精度研究结果表明:)在对源域测试样本分类精度保持不变的情况下通过对源域训练样本重叠采样使模型对目标域的分类精度增加了.表明重叠采样对振动信号来说是一种简单却极为有效的数据增强方式增加源域数据可提升模型在目标域的分类精度)在进行无监督领域自适应模型训练时子领域自适应方法相比于最大均值差异法提高了.表明子领域自适应方法可有效提升模型在无标签目标域上的分类精度)相比于有限元仿真数学建模生成的仿真信号对真实信号的迁移精度提高了.基于有限元仿真的数据生成方法受限于个人建模水平在较长的仿真过程中容易出现不可控现象导致对实际故障数据的迁移能力较差 基于数学建模的数据生成方法灵活性大、可控性好对实际信号的迁移精度高作为故障信号生成工具其可降低对模拟试验台的依赖缩减成本在后续的研究中笔者将对旋转机械的数字孪生模型进行深入研究以提高模型仿真精度为实际工业系统与人工智能搭建桥梁参考文献():.:.():.第 期韩 洁等:基于仿真数据和子领域自适应的轴承故障网络诊断框架 .():.雷亚国杨 彬杜兆钧等.大数据下机械装备故障的深度迁移诊断方法.机械工程学报():.():.():.:.():.():.():.():.():.:.董绍江朱朋朱孙科等.基于仿真数据驱动和领域自适应的滚动轴承故障诊断方法.中国机械工程():.():.():.():.():.():.周余成高哲瑜沈丹峰等.基于 和 的滚动轴承内圈故障特征诊断.轻工机械():.():.():./:.:/:.本文引用格式:韩 洁苏小平康正阳.基于仿真数据和子领域自适应的轴承故障网络诊断框架.机电工程():.():.机电工程杂志:/.机 电 工 程第 卷