基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:录用日期:作者简介:张国栋()男硕士研究生:.通信作者:尹强()博士副教授:.:./.基于格拉姆角场和 的滚动轴承故障诊断方法张国栋尹 强羊 柳(南京理工大学 机械工程学院 南京)摘要:针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法 采用格拉姆角场对一维轴承振动数据重构保留原始数据信息的同时包含了时间相关性采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优 利用西储大学的轴承数据集进行试验验证试验结果表明该方法可自适应生成网络结构平均诊断精度为 相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度关键词:格拉姆角场粒子群优化算法卷积神经网络滚动轴承故障诊断本文引用格式:张国栋尹强羊柳.基于格拉姆角场和 的滚动轴承故障诊断方法.兵器装备工程学报():.:.():.中图分类号:.文献标识码:文章编号:()():.:引言现代工业的不断发展使得机械设备趋向于大型化和复杂化增加了设备发生故障的概率 旋转机械在工业设备中占有极大的比重且滚动轴承因其机械效率高、承载力强、结构紧凑而被广泛使用但约 的旋转机械故障是轴承损坏引起的因此对轴承的健康检测与故障诊断具有重要意义 目前解析轴承的振动信号仍是获得轴承状态信息的主要方法 随着传感器技术的发展采样频率和采样点数都有所提高设备运行数据呈现“大数据”态势且振动信号受本身振动特性和设备负载的影响呈现出非线性和非平稳性的特点增加了故障模式识别的难度深度学习算法因其具有强大的学习能力和深度特征提取能力而被广泛应用在故障诊断领域 等提出在传统卷积神经网络()模型的基础上添加了多种卷积跨步模式来提取不同尺度的信号特征并扩展了特征维度在行星齿轮箱的多种工况下故障分类准确率达到 向玲等提出基于残差网络和长短时记忆神经网络的并行神经网络结构融合残差网络提取的空间特征和长短时记忆神经网络提取的时间特征结果表明该方法可以准确识别故障种类 等先通过经验模态分解对轴承振动信号进行降噪处理后将一维重构信号通过格拉姆矩阵转化为二维图像再通过 的分类实验证明经过格拉姆角场()重构后的振动数据能有效提升故障诊断的准确率上述深度学习算法中包含了大量的超参数超参数的选取对故障诊断的准确率有很大的影响 个人工选择的网络结构仅在全连接层的激活函数上选择不同但在 数据集上第 个 下的训练表现却有将近 倍之差文献 采用粒子群优化算法()优化 的卷积核数量、尺寸、步长池化核尺寸、步长以及 层的舍弃概率结果表明对超参数寻优后的 有较好的鲁棒性和准确性 文献对 进行优化提出了一种针对网络结构的编码方式使用 对 结构寻优降低了选择网络结构的主观性但是该算法没有考虑粒子当前速度更新方向是没有惯性权重的因此全局搜索能力欠佳受上述文献启发先将一维轴承振动信号通过格拉姆矩阵转化为二维的格拉姆图像采用文献的网络结构编码方式结合线性权重的 更新网络结构选取最优的网络结构以提升轴承故障诊断的分类精度 一维振动信号 通过式()将振动幅值归一化 通过式()将笛卡尔坐标系下的振动信号转化到极坐标系下得到每个时间点下的极角 和极径 其中 为时间戳 为正则化常数 ()()()()()()()格拉姆矩阵的定义为 并对 个向量的内积做了式()的新定义 根据角度差与和分为格拉姆差场、格拉姆和场 格拉姆差场相较于格拉姆和场有更强的表征能力所以本文中采用格拉姆差场的编码方式 ()()()()()()()()()()()具体信号转化为格拉姆图如图 所示 信号 ()()在 内采样频率为 转化为 的格拉姆矩阵 对原始信号进行下采样每 个数据点求平均值再对信号幅值归一化根据式()计算得到格拉姆矩阵 格拉姆编码完整的保留了时间序列信息此外还显示了数据的时间相关性 优化 结构算法.算法 是一种元启发式优化算法模拟鸟类觅食的过程由 和 于 年提出 每一个可能的解为 个粒子粒子只有速度属性且具备个体学习和社会学习的能力粒子在优化问题中对应的值为适应度多个粒子组成的集合为粒子群图 为该算法的流程图 在迭代的过程中粒子按照式()根据个体当前位置()、个体当前速度方向()个体最优位置 和全局最优位置 决定下一次迭代的速度大小和方向()并以此速度更新粒子位置()以适应度值()判定粒子的新位置是否是最佳位置 其中 为惯性权重决定了当前粒子速度对下一步速度影响的大小 较大时全局搜索能力强局部搜索能力弱反之则局部搜索能力强全局搜索能力弱、分别代表个体学习和群体学习相对越大全局搜索能力强但是收敛速度慢而 相对越大粒子越快地趋向 过早地收敛陷入局部最优解()()()()()()()()兵 器 装 备 工 程 学 报:/./()()()()()()()()()()()()()()()()()图 信号到格拉姆图的转化过程.图 粒子群算法流程.算法 主要有卷积层()、池化层()和全连接层()堆叠而成 受生物视觉感受野的启发所以 多用于图像识别等领域 本质是通过多个卷积核对原始数据进行卷积操作提取特征通过池化操作降低网络参数最后通过全连接层实现数据分类无偏置项的卷积操作如图 所示其数学原理可以用式()解释其中、分别表示第 层的输入和输出 表示卷积核的权重矩阵()为非线性激活函数 引入激活函数的目的是为了增加网络的非线性使得网络有更复杂的表达能力()图 无偏置项的卷积示意图.激活函数常用的有 函数和 函数 函数可用式()表示可以将卷积运算后的值压缩到但是 函数在 附近会导致梯度爆炸而在真实值太大或太小的情况下又会出现梯度消失 函数将真值小于 的部分全部输出为 真值大于 的部分直接输出提高了网络的稀疏性解决了 函数在真值大于 部分的梯度爆炸与梯度消失现象且导数简单易求节约运算成张国栋等:基于格拉姆角场和 的滚动轴承故障诊断方法本 本文中采取的激活函数为 函数可用式()表示()()()()卷积层在对同一张输入特征图进行卷积操作时用同一个卷积核实现权值共享降低了网络参数此外可以对上一层输入通过多个卷积核卷积增加网络的表达能力实现特征的自动提取池化层主要是对上一层的输出进行下采样对输入的数据进行压缩达到减少运算的目的 常用的池化方式主要有最大池化和平均池化分别是选取特征图中池化感受野的部分的最大值、平均值输出组合成新的特征图的同时降低的图像尺寸.网络结构初始化及编码方式卷积层中的参数有卷积核大小、通道数、步长和补零池化层参数有池化方式(最大池化()平均池化()、池化核大小、步长和补零全连接层主要参数有神经元个数为了使得算法可行初始粒子群之前做以下合理设定:)最大层数为 最小层数为)网络第 层为卷积层且输入通道为 最后一层为全连接层且神经元个数等于类别总数另外全连接层的数量为 层)卷积核尺寸分为、三种步长为 补零为()/为卷积核尺寸池化核尺寸为 步长为补零为 假设控制网络的深度兼顾网络的表达能力与运算复杂度 假设控制全连接层数全连接层数占比过多无法提取深层特征且网络参数呈爆炸式增长加大运算复杂度 假设控制池化层的个数池化层的个数过多会使得输出特征尺寸小于卷积核尺寸保证卷积操作不改变输出尺寸、池化操作将输出尺寸变为原尺寸的/易于控制池化层数量 除此之外为了网络训练更优在每一个卷积层的后面加上批归一化层和非线性层 结构无法直接参与粒子群优化因此必须对网络结构进行编码以便更新结构 如图 所示初始化的粒子群中每一个 可用一串编码表示其中 代表卷积层 中包含的参数有卷积核尺寸和输出特征通道数 代表池化层包含的参数有池化核类型 代表全连接层包含的参数有神经元个数 本文中的目标是找到分类精度最高的网络结构为了兼顾损失函数和准确率粒子的适应度函数设置为训练一轮后在测试集上损失函数与准确率的比值(训练与测试过程中的 均为)损失函数采用交叉熵损失函数 在计算 个结构相减时采用方法如图 所示对网络结构进行更新时需要将结构拆分成卷积、池化部分和全连接部分 以 为基准计算结构之间的差异 卷积、池化部分从第 层开始做差如果层的类型相同则以 表示不同则以 的层类型表示全连接部分从最后一层开始 中多出 的部分以 表示意为删除该层图 网络结构初始化示意图.图 网络结构差异性示例图.初始化粒子的速度则是通过再次初始化一组粒子群计算 组粒子群中每个粒子的差异性作为每个粒子的初始化速度 确定下一次粒子的速度可用图 表示 其中 是粒子下一步速度受上一步速度的影响概率粒子的每一层速度更新方向是通过一个()随机数 决定当 在相应的更新方向规定区间内则速度向该方向更新 采用线性递减策略在./之间取值(.)()()图 速度更新示例图.最终粒子的更新由图 表示更新后有的粒子中的池化层数量可能超出上限需要从最后 个池化层依次删除直到兵 器 装 备 工 程 学 报:/./输出尺寸大于卷积核尺寸的最大值图 网络结构更新示例图.实验设计及验证为了验证改进的 编 码 方 式 的 可 行 性 和 有 效 性 在、内存、核 环境下采用 深度学习框架实现该算法.数据集选取与介绍实验中的数据采用的是美国凯斯西储大学()公开的轴承数据其实验平台如图 所示图 滚动轴承故障实验平台.该实验平台主要由最左侧的 台 马力的马达中间的扭矩传感器和编码器、最右侧的测功机和电子控制设备组成 对电机轴上的滚动轴承采用电火花加工的方式对滚动轴承上的滚珠、内圈、外圈引入单点故障 故障程度按照单点故障的直径分为 种分别是直径.、.、工作状态通过添加负载的方式分为负载、马力 采样频率有 和 种采样点分为驱动端和风扇端 文中选取的数据为采样频率为 驱动端振动数据详细故障种类、故障程度和负载见表.数据处理根据轴承转动周期和采样频率决定将样本长度设置为采用重叠采样的方法每次采样的窗口向右滑动 个数据点单一故障模式得到 个样本打乱样本顺序按照 的比例分为训练集和测试集 分割后的数据通过格拉姆角场将一维振动数据转为格拉姆图并以种类标签作为文件夹的名字 部分振动数据及对应的格拉姆图如图 所示表 选取的 轴承数据 故障位置故障直径/转速/()负载/标签无 内圈.滚珠.外圈.内圈.滚珠.外圈.内圈.滚珠.外圈.图 部分振动数据及对应的格拉姆图.)模型精度对比及诊断结果图 是粒子群算法寻优过程中的最佳粒子适应值更新图图 适应值迭代曲线.从图 中可以看出文献因为采用的无惯性权重张国栋等:基于格拉姆角场和 的滚动轴承故障诊断方法的 不考虑粒子当前速度对下一次迭代的影响所以粒子收敛速度快但陷入局部极值本文中采用的线性递减惯性权重的 兼顾搜索空间与收敛速度更容易突破局部极值找到更优解 本文中和文献生成的 结构如表 所示 训练集输入网络模型进行训练并在测试集上测试分类准确率网络训练参数如下:批训练样本数为 迭代总次数为使用 网络优化器交叉熵函数计算误差初始学习率设置为 学习率动态可调每迭代 次学习率缩小一半 为了能更直观地比较在 上进行同样操作训练过程中的准确率曲线如图 所示 网络参数最多但是诊断准确率却不及其他 种网络结构由此说明网络深度及网络参数量与网络表现并无直接关系网络结构对分类精度有较大影响表 网络结构与参数 本文方法层类型输出尺寸超参数文献层类型输出尺寸超参数 参数量 图 各网络在测试集上的准确率.针对训练与测试样本的选取存在随机性的问题对该网络结构训练 次 次训练的准确率如表 所示表 次训练的准确率 批次准确率/批次准确率/.综合 次训练结果该网络结构的平均诊断准确率为为了更好的展现模型的诊断情况通过混淆矩阵分析各个类别的故障具体诊断结果 图 图 分别是本文中、和文献网络测试的混淆矩阵兵 器 装 备 工 程 学 报:/./图 生成网络结构的混淆矩阵.图 的混淆矩阵.图 文献的混淆矩阵.从图中可以看出本文中、和文献的网络结构整体准确率分别为.、和.证明了 优化 结构的有效性 滚珠中度故障诊断的准确率分别为.、和.其中因为故障程度诊断错误的占比分别为、.和 在训练集与测试集均不存在样本不均衡的情况下 种网络结构对滚珠的中度故障诊断准确率均低于整体 这是因为 做数据预处理时虽然可以很好表述故障位置特征但对滚珠故障程度的特征过滤不彻底导致 种网络结构均无法高准确率的识别滚珠故障程度 )网络鲁棒性测试现实中轴端负载呈现非平稳性因此对 种网络结构进行鲁棒性性能实验 采用上述训练好的网络结构与参数测试数据分别为负载、和 下对应故障的格拉姆图通过计算获得 种网络结构在各负载下的诊断准确率结果如图 所示 从图中可以看出本文中网络在 种负载下的诊断精度可分别达到.、.和.均高于其他 种网络结构表明本文中网络结构的鲁棒性能最好图 不同负载下的诊断准确率.结论使用格拉姆角场将一维振动信号转化为二维图像作为 的输入结合线性递减惯性权重的 根据数据集自适应优化 结构最终得到一个可适用于滚动轴承故障诊断的分类器 得到如下主要结论:)线性递减惯性权重的 相比于无惯性权重的 拥有更大的搜索空间有更好的全局搜索性能改善了过早收敛的问题更易跳出局部极值找到全局最优解)分类器的性能与参数数量和网络深度无直接关联 结构对分类性能有较大影响)针对滚动轴承多种故障模式及故障程度的诊断问题不同于在网络超参数上优化使用 对网络结构优化平均诊断精度达到 且本文中网络结构相比于其他网络结构有更好的泛化性能仅在负载为 下训练测试负载为 、和 下的故障数据也可以有较好的分类精度可以实现对滚动轴承的故障诊断张国栋等:基于格拉姆角场和 的滚动轴承故障诊断方法参考文献:林慧斌习慈羊丁康.用于滚动轴承局部故障诊断的深度降采样方法.重庆理工大学学报(自然科学)():.()():.尹文哲夏虹彭彬森等.基于 的核电厂轴承故障诊断方法.哈尔滨工程大学学报():.():.王刚张加斯张晓光等.基于机械故障模拟实验台的多通道故障诊断实验设计.实验技术与管理():.():.王春雷路小娟.一种基于深度学习的电机轴承故障诊断方法.兰州交通大学学报():.():.向玲张兴宇胡爱军等.并行网络转子故障迁移诊断方法.动力工程学报():.():.():.白燕燕曹军张福元等.基于粒子群算法优化卷积神经网络结构.内蒙古大学学报(自然科学版)():.()():.赵安军赵啸荆竞等.优化卷积神经网络超参数的非侵入式电力负荷识别算法.激光与光电子学进展():.():.:.古莹奎吴宽李成.基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断.振动与冲击():.():.骆家杭张旭汪靖翔.基于格拉姆角场和多尺度 的轴承故障诊断.轴承():.():./.:/./.科学编辑 刘小锋 博士(宁波大学)责任编辑 涂顺泽兵 器 装 备 工 程 学 报:/./