基于多尺度卷积神经网络的滚动轴承故障诊断方法研究.pdf

第5 5 卷第3 期2023年5 月智能物联技术Technology of IoT&AlVol.55,No.3May,2023智能与算法基于多尺度卷积神经网络的滚动轴承故障诊断方法研究丛旖文（中国电子科技南湖研究院，浙江嘉兴3140 0 2）摘要：针对滚动轴承提取故障特征时容易被噪声干扰、依赖人工经验等问题，本文提出一种基于多尺度卷积神经网络（MCNN)的滚动轴承故障诊断方法。该方法首先利用多尺度数据预处理方法滤除振动信号中的高频噪声并进行数据增强，然后把多个时间尺度的振动信号输入到不同尺度下的一维卷积神经网络中，利用不同尺度的CNN提取滚动轴承振动信号中的不同特征，并将特征进行融合，从而得到滚动轴承更为全面的特征。该方法通过转子实验台验证，实验结果表明基于MCNN的滚动轴承故障诊断方法可以准确诊断出滚动轴承的故障类型，准确率高达10 0%。关键词：多尺度预处理；卷积神经网络；故障诊断；滚动轴承【中图分类号】TP183【文献标识码】A【文章编号】2 0 9 6-6 0 5 9(2 0 2 3)0 3-0 2 8-0 6Research on Fault Diagnosis Method of Rolling Bearings Based onMulti-Scale Convolution Neural NetworkCONG Yiwen(China Nanhu Academy of Electronics and Information Technology,Jiaxing 314002,China)Abstract:Aiming at the problems that rolling bearings are easily disturbed by noise and rely on manual experiencewhen extracting fault features,a rolling bearing fault classification method based on multi-scale convolution neural networkwas proposed in this chapter.In this method,the vibration signal is filtered out by multi-scale data preprocessing methodand the data is enhanced,then the rolling bearing vibration signals of multiple time scales are input into one-dimensionalconvolution neural network with different scales.Different features of rolling bearing vibration signals are extracted by CNNof different scales,and the features are fused to obtain more comprehensive features of rolling bearings.The method wasverified by the rotor test bench,and the experimental results showed that the rolling bearing fault classification methodbased on MCNN could accurately diagnose the fault types of rolling bearings,and the accuracy was 100%.Key words:multi-scale preprocessing;Convolutional Neural Networks;fault diagnosis;rolling bearings发安全生产事故，危害生命安全。作为旋转机械中的核心部件之一，滚动轴承的0引言随着现代工业的不断发展，旋转机械不断向着高精度、高负载、高转速的方向发展，应用也越来越广泛。同时，旋转机械时常处于复杂恶劣的运行环境中，很容易导致机械设备出现故障。一旦发生故障，轻则导致系统停止运行，造成经济损失，重则引主要作用是支撑转动的轴和轴上其他零件，保证轴在运行中的位置精度及旋转精度。滚动轴承的运行状态直接影响旋转机械的运行状态。一旦滚动轴承发生故障,将会影响整个设备的运转,所以应尽早发现滚动轴承的故障，从源头杜绝事故的发生。因此，收稿日期:2 0 2 2-11-17作者简介：丛旖文（19 9 6-），女，辽宁沈阳人，硕士研究生，研究方向：模式识别、人工智能、同时定位与建图。28：丛旖文：基于多尺度卷积神经网络的滚动轴承故障诊断方法研究堆叠预训练式深度神经网络特征提取小波变换输入快速傅里叶变换信号统计学特征经验模态分解特征降维主成分分析独立成分分析自编码器分类器支持向量机BP神经网络贝叶斯分类最近邻分类诊断结果卷积神经网络（端到端式）图1滚动轴承故障诊断方法概述Figure 1 Overview of rolling bearings fault diagnosis methods对滚动轴承的故障诊断十分重要。滚动轴承故障诊断方法概述如图1所示。传统的滚动轴承故障诊断方法存在两个问题：一是过于依赖经验，一般通过分析滚动轴承振动信号的频谱图并结合特征提取算法来进行，难以跟上工业现代化的步伐；二是滚动轴承的实际运行场景噜杂，运行工况复杂，故障特征容易被轴承运行时产生的噪声所掩盖,难以提取到鲁棒性故障特征 3。为了解决以上两个问题，本文提出一种基于多尺度卷积神经网络(Multi-scale Convolution Neural Network,MCNN)的滚动轴承故障诊断方法。1多尺度故障分类模型1.1多尺度数据预处理传统的故障诊断方法往往只把滚动轴承原始振动信号作为输入。这样会存在三个问题：（1)仅用原始振动信号会造成振动信号尺度单一，导致数据特征提取不全面；(2)振动信号中一般伴随着随机噪声的干扰，容易影响诊断结果；(3)振动信号数据较少,而数据量的增加可以提高网络的泛化性。因此，本文提出一种多尺度数据预处理方法，通过对振动信号原始数据进行处理，从而得到不同尺度的振动信号，让接下来的网络提取到更为全面的特征。通过多尺度数据预处理也可以在一定程度上滤除掉振动信号中的高频噪声。同时，经过多尺度数据预处理的振动信号在数量上得到了翻倍的增长，这使模型的泛化能力有了很大的提高。如图2 所示，该方法主要通过在原始振动信号上利用不重叠窗口的移动来计算算术平均值，从而得到不同尺度的振动信号。S=2X2X3X4 X5X6y2.1y2.2S=3X1x2X3x4y3,1y3,2图2 多尺度数据预处理方法Figure 2 Multi-scale data preprocessing method多尺度数据预处理的过程如式(1)所示：jsx,1j立Sn=(-1)s+1式中：N表示原始振动信号所输入的长度，s是多尺度数据预处理的尺度数；表示经过处理之后的数据排序；xn是原始振动信号的第n个值;ys，为多尺度数据预处理的输出值。经过多尺度数据预处理后的数据长度为N/s。经多尺度数据预处理之后的滚动轴承振动信号如图3所示。1.2卷积神经网络结构卷积神经网络(Convolutional Neural Network)的结构如图4所示，其主要组成部分具体如下。(1)卷积层卷积层是卷积神经网络的核心层，计算量占比最高,其参数由一些可学习的滤波器组成。由于使用同一个滤波器，卷积层中的神经元与周围所有神29Xnxm+1y2,3Y2j=(x,+xn+1)/2X6Xnn+1Xn+23,=(x,+xn+I+xn+2)/3(1)S智能物联技术0.250.00-0.25060012001800240030000.250.000.250.250.00S-0.25060012001800240030000.250.00-0.2506001200180024003000图3多尺度数据预处理后的滚动轴承信号Figure 3 Rolling bearing signals after multi-scale data preprocessing深度高度宽度输入输出图4卷积神经网络Figure 4 Convolutional neural network经元共享参数，因此卷积神经网络具有权值共享的特性。网络中所有的权重和偏差都相同,这也大大降低了卷积神经网络的计算量 5 。卷积层主要用于提取原始数据中的特征，在这一过程中主要依靠卷积核在原始数据上的滑动来进行。区别于传统神经网络中层与层之间的向量乘法运算，在卷积神经网络中用到的则是卷积运算，计算公式如式（2)所示。(2)j=0其中,W表示卷积核的宽度,K为权重矩阵,x4000 480006001200180024003000W-160004000480040004800400048007200600072006000720060007200特征对于具体任务来说几乎起不到作用，而池化层就会将这些穴余的特征进行去除，从而保留下来更为简练的特征。如图5 和图6 所示，池化层分为均值池化和最大池化两类，两者的区别在于对卷积层所提取出的特征降维时，是保留所有数值的均值还是其中的最大值。在本文中使用的是最大池化，因为最大池化更适合用在振动信号这种周期变化的信号上，在降维时可以避免丢失位置无差别特征。64285632Figure5Average pooling6428960096009600960062444488图5均值池化624412000120001200012000均值池化最大池化54866为被卷积的区域矩阵，l表示卷积层，i表示卷积核，j表示被卷积的区域。(2)池化层池化层的主要作用是对卷积层的输出进行降维。卷积层会从原始数据中提取到大量特征，有些.305362Figure 6Average pooling48图6最大池化4868丛旖文：基于多尺度卷积神经网络的滚动轴承故障诊断方法研究移动(3)激活层激活层的主要作用是对特征进行非线性变换。没有激活层的神经网络只具有简单的线性变化，难以将提取到的特征分开。在神经网络中,最常用的三类激活函数分别是Sigmoid函数、Tanh函数以及ReLU 函数。(4)全连接层卷积神经网络中全连接层的主要作用是对提取到的特征进行分类，其具体计算公式如式(3)所示。i=W1Xxi+W 12Xx2+W13XX3+b1Q2=W21Xxi+W2Xx2+W23Xx3+b2a3=W31Xxi+W32Xx2+W33Xx3+b3式中:xi,x2,x3表示全连接层输入;1,2,3表示全连接层输出。(5)损失函数损失函数的主要作用是比较卷积神经网络的输出与目标值的差距。如式(4)及(5)所示是两种较为常见的损失函数，分别是交叉函数和平方差函数。ZploglmL=一1m=1mL=1Z(pl-q)mk=12式中，m为一次性输入进网络的数据量。两个函数的区别在于,交叉熵函数所计算的是两者之间概率分布的一致性，而平方差函数则是计算并对比每一个样本的大小。本文的损失函数选择使用交叉熵函数。1.3一维卷积一维卷积就是卷积核只在一个方向进行滑动提取特征的过程。如图7 所示，卷积核由左向右在输人信号上滑动提取特征。输入OOOC(3)卷积核Figure 7 One-dimensional convolution(4)1.4多尺度卷积神经网络结构本文提出的多尺度卷积神经网络（Multi-scale(5)Convolutional Neural Network,MCNN)的结构如图 8所示。该网络共有四个尺度，将多尺度数据预处理池化图7 一维卷积神经网络neuralnetwork池化层1卷积层2池化层2全连接层Softmax图8 多尺度卷积神经网络结构图Figure 8 Multi-scale convolution neural network structure diagram智能物联技术之后的振动信号分别放进四个卷积神经网络中提取特征。这四组数据分别通过两个卷积层、两个池化层以及一个全连接隐藏层后进行融合并用Soft-max层进行分类。振动信号通过第一层卷积神经网络时采用ReLU激活函数后变为四组特征；之后经池化层降维后再输入进卷积神经网络中，激活函数依旧为ReLU函数，然后再经过一次池化层降维后将最后的特征图与全连接层连接，故障分类最后由Softmax层完成。网络中参数设置如表1所示。该模型共有2 层卷积与池化层，第一层卷积核大小为6 41，第二层卷积核的大小为31。隐含层神经元个数为10 0，Softmax层共有10 个输出，对应10 种轴承状态。表1卷积神经网络参数设置Tablel Parameter setting of convolution neuralnetwork网络层卷积核大小卷积核数量输出大小（宽x深）卷积层120池化层14卷积层25池化层22全连接层500Softmax层102实实验验证2.1实验装置与数据采集本文使用的实验装置为机械故障综合模拟实验台。如图9 所示，该实验台由电机、转子、主轴、滚动轴承及加速度传感器组成。电机的作用是驱动主轴，加速度传感器用来采集滚动轴承的振动信号。除此之外，该实验还用到了一个储存振动信号数据的电脑，上边搭载了AIC9916FS设备故障综合模拟诊断分析软件，用来记录数据。具体采集数据如表2 所示。2.2实验结果与分析本文中使用的深度学习框架为基于Tensorflow的Keras框架，在服务器上运行。服务器显卡为Nvidia TITAN XP，内存为6 4GB。本文算法利用Python语言进行编写并搭建多尺度卷积神经网络。在训练的过程中,Adam算法的学习率设置为0.001,在全连接层处加Dropout并设置为0.5,也就32256x323264x326432x646416x641500 x1110是在全连接层迭代参数时随机丢弃一半的参数，其目的是为了防止过拟合现象。之后利用损失函数不断调整模型中的权重，最终在测试环节对滚动轴承的振动信号进行故障诊断，结果如图10 所示。为了验证多尺度数据预处理法的必要性，利用未经过预处理的一维卷积神经网络对滚动轴承直接进行特征提取和故障诊断。网络的超参数设置与AA电机B转子C主轴D滚动轴承E加速度传感器EBCD图9 故障综合模拟实验台Figure 9 Fault comprehensive simulation test bench32：丛旖文：基于多尺度卷积神经网络的滚动轴承故障诊断方法研究表2 实验台采集数据描述Table2 Description of the data collected by the experimental platform损伤位置标签损伤直径训练集8000测试集4000N-1.00OF11.00OF21.00OF31.00IF11.00IF21.00IF31.00BF11.00BF21.00BF31.00预测值标签图10MCNN滚动轴承故障分类结果Figure 10 Rolling bearing fault classification resultsof MCNN多尺度卷积神经网络完全相同，分类结果如图11所示。由图10 和图11两种方法的诊断结果对比可以看出，经过多尺度数据预处理的一维卷积神经网络,在进行故障诊断时的准确度明显高于没经过多尺度数据预处理的一维卷积神经网络，这也进一步验证了多尺度数据预处理的必要性和可行性。3结语本文提出的基于多尺度卷积神经网络的滚动轴承故障诊断方法，利用多尺度数据预处理法解决了轴承早期故障信号易被噪声干扰的问题；利用卷积神经网络搭建了一种端到端式的轴承故障诊断方法，解决了传统故障诊断方法依赖人工提取特征的问题,并在最后利用轴承模拟实验台进行验证。结果显示，本文方法对轴承的故障分辨率达到10 0%。该无N0外圈OF1OF20.20.38000800040004000滚动体OF3BF10.50.280008000400040001.0OF10.040.930.8OF2OF30.6IF1IF20.010.4IF3BF10.2BF2BF30.0图11CNN滚动轴承故障分类结果Figure 11 Rolling bearing fault classification resultsof CNN方法对滚动轴承的故障诊断具有一定的应用价值。参考文献：1 沈涛，李舜酪，辛玉，基于深度学习的旋转机械故障诊断研究综述 J.计算机测量与控制，2 0 2 0，2 8(9)：1-8.2胡昌华，施权，司小胜.数据驱动的寿命预测和健康管理技术研究进展 J，信息与控制，2 0 17，46(1)：7 2-8 2.3 彭宇，刘大同.数据驱动故障预测和健康管理综述 仪器仪表学报，2 0 14，35(3)：48 1-49 5.4Lecun Y,Bottou L.Gradient-based learning applied todocument recognition.Proceedings of the IEEE,1998,86(11):2278-2324.5 Alex K,Ilya S,Hinton G E.ImageNet classificationwith deep convolutional neural networksJ.Communica-tions of the ACM,2017,60(6):84-90.6 He K,Zhang X,Ren S,et al.Spatial Pyramid Pool-ing in Deep Convolutional Networks for Visual Recogni-tionJJ.IEEE Transactions on Pattern Analysis and Ma-chine Intelligence,2015,37(9):1904-1916.内圈BF2BF30.30.58000800040004000N-0.950.010.970.020.920.020.050.930.040.010.910.030.030.04THO2预测值标签IF10.2800040000.030.030.030.020.940.930.030.910.060.010.040.020.89IF20.3800040000.010.030.010.030.030.04IF30.5800040000.80.60.40.20.033