基于深度置信网络的轴承故障识别分析与研究.pdf

收稿日期：2023-06-11基金项目：国家自然科学基金（62001312，62101355）；辽宁省教育厅科学研究项目（JL-1909）；辽宁省科学技术计划项目（2021-MS-269）作者简介：刘雨轩（1996-），男，安徽合肥人，硕士研究生。通讯作者：王琳（1980-），女，辽宁沈阳人，副教授，博士，主要从事信号处理与生物工程等方向的研究。基于深度置信网络的轴承故障识别分析与研究刘雨轩1a，王琳1b，张鹏镇1a，徐鑫1b，尹晓伟1b，陈骥驰2（1.沈阳工程学院 a.能源与动力学院；b.机械学院，辽宁 沈阳 110136；2.沈阳工业大学 机械工程学院，辽宁 沈阳 110870）摘要：轴承为诸多机械设备的重要零部件，对其故障状态的识别对于设备的稳定运行具有重要的意义。本文首先利用改进的自适应噪声完全集合经验模态分解（ICEEMDAN）与小波阈值相结合的方法去除轴承振动信号中的伪迹，然后分别提取信号的标准差、峭度、样本熵等线性和非线性特征，最后将多域特征作为输入项，利用深度置信网络（DBN）进行训练识别，建立了能够有效识别轴承故障类型的网络模型。试验结果表明：该模型对轴承故障类型识别的正确率可达97.8%。关键词：轴承振动信号；ICEEMDAN；小波阈值；深度置信网络中图分类号：TP751.1文献标识码：A文章编号：1673-1603（2023）04-0084-06轴承是旋转机械的重要零部件，是最易受损的零部件之一，在目前的生产作业中大多靠人工经验对其故障进行检测分析，该方法主观性强、准确性低且实时性差，很难及时发现一些潜在故障。因此，国内外专家利用机器学习算法1-6对轴承振动信号进行分析，以提高故障诊断的准确性和及时性。轴承往往在含有大量复杂噪声的环境下工作，会影响识别其故障的准确性。因此，对其振动信号进行去噪处理十分关键。石明江等7提出了一种基于小波包分解去噪方法，利用小波包分解特性将信号分解为多个不同尺度的小波子带，对每个小波子带进行阈值处理。包广清等8先用经验模态分解（EMD）对振动信号进行分析，再采用自适应阈值进行信号重构。裴峻峰等9利用集合经验模态分解（EEMD）对信号进行分析，采用距离因子和相关系数相结合的方法筛选并重构IMF分量，去除了噪声分量，但难以解决伪模态问题。文献 10 在2014年提出改进自适应噪声完全集合经验模态分解（ICEEMDAN）方法，在一定程度上解决了采用EMD处理信号后残留噪声和伪模态的问题。传统的机器学习算法广泛应用在故障识别问题中，若机械设备的故障类型相似度高，仅靠手动特征提取再输入网络后可能会导致识别的准确性低，而深度神经网络可以提取信号中的高维度特征，很好地弥补传统机器学习算法在这方面的不足。文献 11-13 验证了深度置信网络（DBN）在数据特征提取及识别上的优越性，表明DBN可以DOI：10.13888/ki.jsie（ns）.2023.04.016第 19 卷第 4 期2 0 2 3 年 10 月Vol.19 No.4Oct.2023沈阳工程学院学报（自然科学版）Journal of Shenyang Institute of Engineering（Natural Science）提取数据中的高维度特征，能够提高识别故障的准确性。因此，本文以滚动轴承的振动信号为研究对象，利用改进自适应噪声完全集合经验模态分解算法与小波阈值相结合的方法对原始振动信号去噪，提取振动信号的多种特征，建立数据集并输入到网络中，建立基于深度置信网络的轴承故障诊断模型。1信号去噪1.1ICEEMDAN算法原理相较于EMD算法，ICEEMDAN方法的抗噪声能力更强，鲁棒性更好，可扩展性更佳。在对噪声的鲁棒性和可扩展性要求比较高的应用场景可以发挥更大的作用。算法步骤如下：1）定义算子Ej()为求1个信号EMD分解的第j个IMF分量。2）定义算子Mj()为求信号的局部均值。3）设原始信号为x n，应用EMD对原始序列信号x n 迭代分解I次。先计算一阶残差r1和第一阶本征模态函数fIMF1，再依次计算k阶残差rk和第k阶本征模态函数fIMFk：r1=1Ii=1IM(x+0(i)n)（1）fIMF1=x-r1（2）rk=1 Ii=1IM rk-1+k-1Ek(i)（3）fIMFk=rk-1-rk（4）式中，(i)为加入的第i组高斯白噪声，在求IMF的过程中，所加入的噪声信号都是原始噪声信号的IMF分量；j为加入噪声的信噪比与该噪声分量标准差之比；添加的白噪声组数和j都是 ICEEMDAN算法的入口参数。4）最终残差R和原始序列信号x分别为R=x-k=1kfIMFk（5）x=R+k=1kfIMFk（6）不同的IMF分量所包含的信息不同。为删去无用分量，保留有用分量，本文利用斯皮尔曼相关系数法界定分界点，将与原始信号相关系数小于0.3 的主要由噪声产生的分量去除，保留其余的IMF分量并进行重构。斯皮尔曼相关函数表达式如下：R=i=1n()xi-x()yi-y i=1n()xi-x 2i=1n()yi-y 2（7）1.2小波阈值去噪小波阈值去噪是一种建立在小波变换多分辨率分析基础上的算法。由于噪声信号与有用信号在不同频带上的小波分解系数具有不同强度分布，所以可在重构时降低对应噪声的小波系数权重，提高原始信号的小波分解系数权重，即可获得噪声相对少的信号。小波阈值去噪的步骤如下：1）选用合适的小波函数，要求其对非平稳信号的适应性、信息压缩性及对原始信息的保留性好。2）按照不同的尺度将小波系数进行分组，得到分解后的小波系数。3）对噪声系数配以少量权重进行重构，对信号去噪。本文利用ICEEMDAN将轴承的原始振动信号分解成若干份，设置ICEEMDAN噪声与信息的标准差之比为0.16，平均次数为50，最大迭代次数为200，根据斯皮尔曼自相关系数法保留部分IMF分量。选择Symlet小波作为小波函数，对保留的IMF分量进行三层小波分解去噪。最后，对其重构，可得到最终的去噪信号。ICEEMDAN-WT的去噪流程如图1所示。1.3去噪结果以凯斯西储大学轴承振动信号的数据集为例。该数据集含有4种故障振动信号，每种信号取120 000个采样点，采样频率为200 Hz。0.8 s的原第 4 期刘雨轩，等：基于深度置信网络的轴承故障识别分析与研究85第 19 卷沈阳工程学院学报（自然科学版）始振动信号如图2所示，经过ICEEMDAN分解的振动信号IMF分量如图3所示。图1ICEEMDAN-WT去噪流程图20.8 s的原始振动信号图3经ICEEMDAN分解的振动信号IMF分量对分量进行快速傅里叶变换，可得到各个分量在频域上的分布，如图4所示。图4IMF的频域分布利用式（7）计算各分量与原始信号的相关系数，对相关系数大于0.3的分量进行小波阈值去噪，再重构，得到去噪后的振动信号，如图5所示。图5ICEEMDAN-WT去噪效果由图5可知：去噪后的振动信号更加平缓，这是因为ICEEMDAN分解再重构后，将一些有规律的噪声分量去除了，小波阈值去噪消除了一些尖锐的无规律噪声。由此可见，ICEEMDAN-WT具有良好的去噪效果。2基于DBN的轴承故障识别模型2.1数据集建立实验采集的传感器信号往往存在高维度、信息冗余等问题，直接输入到神经网络可能会导致训练86困难或结果不稳定。因此，先手动提取特征，将原始信号转换为更容易被模型学习的特征，再将提取后的特征输入到DBN进行深层次提取。这样不仅使模型识别的准确率更高、训练时间更短，也能减少输入数据的维度，提高模型训练的稳定性。计算信号有平均值、方差、峭度、标准差、能量熵、信息熵、多尺度熵等22个特征向量。2.2DBNDBN 通常由若干个受限玻尔兹曼机（RBM）构成，每个RBM包含1个显层和1个隐层，如图6所示。图6受限玻耳兹曼机显层接收输入数据并生成对应的隐层特征，每个RBM的隐层都作为下一个RBM的输入进行训练，直到所有RBM训练完成后，形成1个初始化的多层神经网络。经过反向传播后对神经网络参数权重进行微调，得到最终的DBN模型。设v=()v1,v2,vn为显层神经元当前所处状态的向量，h=()h1,h2,hn为隐藏层神经元当前所处状态的向量，则RBM的能量函数为E()v,h;=-i=1naivi-j=1mbihi-i=1nj=1mijvihj（8）式中，a、b分别表示 RBM 中可视单元、隐藏单元的偏置；ij为连接2个节点间的权重值；=w,a,b为参数。此时，该模型2个层的节点联合概率为P()v,h;=1 Z()exp-E(v,h|)（9）式中，Z为配分函数，表示神经元能够取到的总和。Z()=v,hexp-E(v,h|)（10）可视层条件概率为P(v|h;)=P()v,h;P()h;=iP(vi|h;)（11）隐藏层条件概率为P(h|v;)=P()v,h;P()h;=jP(vj|v;)（12）同一节点之间相互独立，则层节点被激活时的概率为P(vi=1|h;)=1 1+exp(-ai-j=1mjhj)（13）隐藏层节点被激活时的概率为P(hj=1|v;)=1 1+exp(-bi-j=1mjvj)（14）因为各个样本之间互不影响，所以可利用最大化似然函数的求解方法寻找合适的参数。似然函数为L()=vLvP()v（15）lnP()v()=EP(h|v)-E()v,h-EP()v,h-E()v,h（16）式中，为RBM中的参数；E()v,h为能量函数。所有的参数更新标准为ij=vihjP()h|v-vihjai=viP()h|v-vibi=hiP(h|v)-hi（17）本文利用DBN对手动特征提取后的轴承振动信号进行深层次提取，以此来获得更高的故障识别准确率。2.3基于DBN的轴承故障识别模型本文首先对去噪后的信号进行手动特征提取，再将提取的特征按照训练集和测试集 8:2 的比例随机排序后输入到 DBN。经过多次参数调试，将 DBN 设置为 3 层波尔茨曼机，每层神经元个数为 44：30：30，预学习率为 0.007，反向调整学习率为 2。轴承故障识别模型的训练流程如图 7所示，DBN结构如图8所示。第 4 期刘雨轩，等：基于深度置信网络的轴承故障识别分析与研究87第 19 卷沈阳工程学院学报（自然科学版）图7轴承故障识别模型完整训练流程图8DBN结构根据图8对输入的数据集进行训练，训练过程的准确率与损失函数如图9所示，该模型测试集的混淆矩阵结果如图10所示。图9DBN训练过程图10测试集混淆矩阵由图10可知：所建立的轴承故障识别模型的准确率达97.8%；状态1对应轴承的正常状态，识别准确率达到了100%；状态2对应轴承内圈故障，识别准确率达到了95.1%；状态3对应轴承外圈故障，识别准确率达到了97.8%；状态4对应轴承滚动体故障，识别准确率达到了97.8%。3故障识别模型对比分析为了进一步验证本文所建模型的优越性，分别建 立 了 ICEEMDAN-DBN、WT-DBN、ICEEMDAN-WT-SVM轴承故障识别模型，用相同的数据对其进行故障识别训练，所得结果同本文所建模型进行对比，结果如表1所示。表1模型识别准确率结果对比训练模型ICEEMDAN-WT-DBNICEEMDAN-DBNWT-DBNICEEMDAN-WT-SVM准确率97.8%95.6%93.4%89.1%由表1可知：本文所提出的ICEEMDAN-WT-DBN模型具有最高的识别准确率。4结论1）ICEEMDAN 算法通过精细化地多尺度分解，把信号分为相对平滑和较粗糙的部分并去除冗余分量。小波阈值去噪方法根据每个子带的方差88Analysis and Investigationon Discrimination of Bearing FaultBased on Deep Belief NetworksLIU Yuxuan1a,WANG Lin1b,ZHANG Pengzhen1a,XU Xin1a,YIN Xiaowei1b,CHEN Jichi2（1a.School of Energy and Power,1b.School of Mechanical Engineering,Shenyang Institute of Engineering,Shenyang 110136,Liaoning Province;2.School of Mechanical Engineering,Shenyang University of Technology,Shenyang 110870,Liaoning Province）Abstract：Bearings are important components of many mechanical equipment,and the discriminationof theirhealthy operating status is of great significance for the stable and safe operation of theequipment.In the presentwork,an improved method combining Improved Complete Ensemble Empirical Mode Decomposition withAdaptive Noise(ICEEMDAN)and wavelet threshold wasused to denoise the bearing vibration signals.Then,extracting standard deviation,kurtosis,sample entropy,and other linear and non-linear features from thedenoised signal.Finally,multi-domain featureswere used as input and training classificationwas carried out withDeep Belief Network(DBN),and a network model thatcan effectively discriminatethe bearing fault typeswasestablished.Theexperimental results show that the accuracy of thisdiscriminant model for bearing fault typeis up to 97.8%.Keywords：Bearing vibration signal;ICEEMDAN;wavelet threshold;deep belief network确定1个阈值，将能量较小的高频噪声滤除，同时极大地保留有用信息。将两者相结合不仅去除了高频的噪声信号，还去除了低频的扰动信号，取得了良好的去噪效果。2）对去噪后的轴承振动信号手动提取时域、频域及非线性特征。通过手动提取特征建立数据集，输入网络，降低了数据的复杂程度，提高了后续故障识别模型的实时性及鲁棒性。3）本文建立了基于ICEEMDAN-WT-DBN的轴承故障识别模型，将特征提取后的信号作为DBN输入，充分利用了DBN对深层次特征的提取能力。与其他故障识别模型相比，ICEEMDAN-WT-DBN模型有明显的优势，准确率能够达到97.8%。参考文献1 WALKER P B，NORRIS J N，TSCHIFFELY A E，et al.Applications of transductive spectral clustering methodsin a military medical concussion databaseJ.IEEE/ACM Transactions on Computational Biology and Bioinformatics（TCBB），2017，14（3）：534-544.2 FUENTES R，MINEO C，PIERCE S G，et al.A probabilistic compressive sensing framework with applicationsto ultrasound signal processing J.Mechanical Systemsand Signal Processing，2019，117：383-402.3刘俊锋，董宝营，俞翔，等.基于FSC-MPE与BP神经网络的滚动轴承故障诊断方法 J.中国舰船研究，2021，16（6）：183-190.4刘长良，张书瑶，王梓齐.基于改进KNN回归算法的风电机组齿轮箱状态监测 J.中国测试，2021，47（1）：153-159.5李默臣，姚波，王福忠.基于MPSO-SVM的不确定条形区域故障诊断研究 J.沈阳工程学院学报（自然科学版），2021，17（2）：84-91.6李奇洁，尹常永，李晨，等.基于WOA-SVR算法的高压直流输电线路故障测距 J.沈阳工程学院学报（自然科学版），2023，19（1）：56-62.7 石明江，罗仁泽，付元华.小波和能量特征提取的旋转机械故障诊断方法 J.电子测量与仪器学报，2015，29（8）：1 114-1 120.8包广清，常勇，杨国金.基于EMD阈值方法的轴承故障振动信号去噪 J.计算机工程与应用，2015，51（10）：205-210.9裴峻峰，孙建华，宋传智，等.基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法 J.机械传动，2018，42（4）：150-155.10 COLOMINAS M A，SCHLOTTHAUER G，TORRESM E.Improved complete ensemble EMD：A suitabletool for biomedical signal processingJ.BiomedicalSignal Processing and Control，2014，14：19-29.11赵光权，葛强强，刘小勇，等.基于DBN的故障特征提取及诊断方法研究 J.仪器仪表学报，2016，37（9）：1 946-1 953.12 余萍，曹洁.深度学习在故障诊断与预测中的应用 J.计算机工程与应用，2020，56（3）：1-18.13 李益兵，黄定洪，马建波，等.基于深度置信网络与信息融合的齿轮故障诊断方法 J.振动与冲击，2021，40（8）：62-69.第 4 期刘雨轩，等：基于深度置信网络的轴承故障识别分析与研究89