基于CEEMDAN和CNN-TSA-GRU的滚动轴承故障识别方法研究.pdf

自控检测 ：收稿日期：；修回日期：基金项目：陕西省教育科学“十四五”规划 年度课题（）。第一作者简介：陈博（），男，陕西咸阳人，硕士，工程师，主要研究方向为故障诊断、数控加工技术。：基于 和 的滚动轴承故障识别方法研究陈博，魏豪，权伟（西安工程大学 工程训练中心，陕西 西安 ）摘要：为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解 和深度时间自注意力卷积网络 的滚动轴承故障识别模型。该模型首先采用 将信号分解为若干固有模态函数（，）分量，利用光谱放大因子 指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络 提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元 提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到 ；对比一维 和 模型，识别准确率分别提高 和 ，验证了该模型的有效性和优越性。关键词：故障识别；滚动轴承；深度学习；中图分类号：文献标志码：文章编号：（），（，）：，（）（），（），（），（），：；（）；（）第 卷 第 期 年 月轻工机械 滚动轴承在复杂机械系统中被广泛使用，其安全平稳运行对整个机械系统的运行状态起着至关重要的作用。但滚动轴承的运行工况一般比较复杂 ，其运行环境中存在着众多的噪声干扰，这就造成滚动轴承的故障难以被及时发现和识别，从而导致重大安全事故的发生 。因此，进行噪声环境下的滚动轴承故障识别研究是非常必要的。对滚动轴承故障特征提取主要是将信号中由轴承故障引起的冲击成分和其余干扰成分有效地分离开来。通用型信号分解方法有：经验模态分解（，）、集合经验模态分解（，）、互补 集 合 经 验 模 态 分 解（，）、局域均值分解（，）、变分模态分解（，）等。上述方法虽然在故障诊断中有一定的效果，但在自适应和鲁 棒 性 方 面 还 有 待 提 升。如 、和 都存在模态混叠影响和重构误差问题，极易受到白噪声干扰，存在模态选取和二次罚因子预设等问题。等 提出了完全集合经验模态分解（，）算法，采用添加辅助噪声来解决分解算法中存在的模态混叠问题，算法很大程度上降低了计算资源的成本并且实现信号的零重构误差 。近年来，为了进一步提高滚动轴承故障诊断精度和效率，人工智能中机器学习理论尤其是深度学习理论被用于滚动轴承智能诊断，成为研究热点。深度学习方法旨在通过搭建多层次的网络结构，逐层遍历提取数据中的深度特征，从而实现数据区分或数据预测，但深层的网络结构意味着传递过程中会产生大量的计算参数，导致模型僵化、泛化能力差。针对该问题，等 提出了自适应一维卷积神经网络方法，该方法被广泛应用于故障诊断与检测领域。一维卷积神经网络方法相比于其他深度学习方法的优势在于不过度依赖于大量的轴承故障数据，并且可以直接采用原始振动检测数据进行特征提取 。轴承信号中并不是所有特征都富含轴承故障信息，一些对轴承故障信息贡献不大的特征权重占比过大，将会降低模型的识别精度。为了有效提高故障特征的识别精度，课题组提出的基于 和 的深度学习故障识别模型首先依据 方法对复杂信号成分自适应分解，并采用光谱放大因子（，）指标从中筛选最优分量；其次将最优分量作为模型入参，充分提取数据样本的空间和时间特征；最后，经试验数据验证及对比该模型的故障识别效率。算法原理 完全集合经验分解 算法完全集合经验模态分解 算法基于 算法自适应调整噪声系数，产生信噪比不同的高斯噪声，并引入待分解信号，在避免模态混叠的同时几乎无重构性误差。假设原始信号为 （），自适应添加高斯白噪声并执行 分解直至参与分量不能继续分解为止，此时可得 的所有 个固有模态函数（，）分量，则原始信号的分解可表示为剩余残差 （）与各 分量 珋（）的叠加：（）珋（）（）。（）光谱放大因子 指标将信号的傅立叶变换幅度谱和信号在同一频率区间内的幅度谱的比值定义为光谱放大因子，该指标用来表示信号主频率的能量比重 。指标可以不受噪声强度变化的干扰，有效筛选 分解的最优分量子序列，具体定义如下：（）（）。（）式中：为光谱放大因子；（）是信号的傅立叶变换幅度谱；（）是第 个子序列分量的傅立叶变换振幅谱；为理论故障特征频率；为以 为中心的频宽，其保证实际故障频率在以理论故障频率 为中心的频带内。卷积神经网络 一 维 卷 积 神 经 网 络（自控检测陈博，等：基于 和 的滚动轴承故障识别方法研究 ，）通过多个滤波器对故障数据进行卷积与池化运算，从而提取有效的轴承故障特征。典型一维卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成，其中卷积层和池化层提取输入数据的特征，而全连接层主要负责分类，其结构如图 所示。图 一维卷积神经网络结构 时间自注意力机制 网络入参的多个特征样本中，每个样本对分类结果的贡献度不同，甚至存在一些冗余特征，结合振动信号具有的隐含时间特性，课题组提出改进的时间自注意力机制，在传统自注意力机制计算查询参数 、键参数 和数值参数 之前增加长短记忆网络（，）层给输入数据附带隐藏时间标签，注意力层对输入数据相关性检测增加时间维度，提升权重系数分配精度。（，（，）（，）（，）；（）（，）；（）。（）式中：为 分类器；为输入序列长度，为时间标签，且 ，；为卷积网络的输出特征向量；为查询向量；为评分函数；为长短时记忆网络；为时间自注意力层的输出特征向量，即分配权重系数后的特征样本数据。时间自注意力机制如图 所示。图 时间自注意力机制 故障信号预处理 分解重构由于信号中的噪声成分对网络模型的参数训练会造成较大影响，因此采用凯斯西储大学（）滚动轴承数据中心的滚动轴承试验数据进行降噪预处理研究，针对该信号进行 分解，得到 个 分量结果如图 所示，将噪声和有用信号进行了分离，有用信号主要集中在 上，如表 所示。依据 指标选取数值大于 （，和 ）作为有效分量。将所筛选的 个有效分量相加分解重构得到如图 所示结果。从图 （）中可以看出，信号中的噪声信号得到有效剔除，冲击脉冲变得明显，异音特征得到了有效的增强。图 （）中内圈故障特征频率也能明显找出。表 不同 分量 指标结果 数据标准化处理进行数据归一化，利用离差标准化方法，使结果值映射到 ，之间。函数如下：（）（）（）。（）式中：为振动测试信号幅值；为原始信号幅值标准化处理的归一化数值，作为网络模型入参。数据标准化处理可以防止网络模型梯度爆炸，保轻工机械 年第期图 分解的 分量 图 分解重构后的信号 证结果的可靠性。算法流程滚动轴承故障识别流程图如图 所示，主要由 部分内容构成：）数据预处理。采用 处理振动监测信号，得到信号分解后的多阶本征模态函数 ，结合 指标筛选最优 分量，将其纳入数据集。）网络模型训练。构建 深度学习网路模型，将步骤 ）中预处理数据进行打乱划分为训练集和测试集，训练集用于训练网络模型，测试集验证模型准确率。试验分析 数据准备为验证该方法的有效性，课题组采用凯斯西储大学（）滚动轴承数据中心的滚动轴承试验数据进 自控检测陈博，等：基于 和 的滚动轴承故障识别方法研究行验证，数据集是世界公认的滚动轴承诊断标准数据集。图 轴承故障识别流程图 图 试验台及测试轴承 试验台设置如图 所示。其包含 的电动机、扭矩传感器和示功器。试验研究 种滚动轴承的健康状况，分别是正常、轴承内圈故障、轴承外圈故障和滚珠故障，其中每种故障均有 损伤直径。实验的采样频率为 ，每个样本含有 个数据点。正常数据和 种故障数据各采集 组，总共 组数据。组数据拆分成训练集和测试集如表 所示。表 凯斯西储大学轴承数据集参数 轴承状态样本总数训练集样本数测试集样本数标签正常 内圈故障 外圈故障 滚珠故障 网络模型参数设置为了证明该方法的有效性，将该方法应用到凯斯西储大学实验数据上进行分析。首先利用 方法对实验数据进行处理，并筛选出最优 分量进行重构，有效去除了信号中的噪声干扰，增强了各类信号中的特征；然后将数据进行滑移窗处理构造数据集，并将数据集打乱顺序，随机选取 的数据用作训练集，剩余的 用作测试集；通过 故障识别模型进行训练，该模型首先经过时间自注意力层对数据特征自适应分配权重；然后采用 提取数据样本空间特征；采用 层提取数据样本时间特征；最后，由 分类器输出分类结果，具体的网络层结构参数如表 所示。表 网络模型结构与参数 序号名称核尺寸步长输出尺寸卷积层 池化层 卷积层 池化层 卷积层 池化层 卷积层 池化层 卷积层 池化层 层 层 全连接层 输出层 轻工机械 年第期 结果及分析为了验证该方法诊断性能的优势，分别绘制训练过程和测试过程的准确率曲线，如图 所示。图 准确率随迭代次数的变化结果 从图 可看出模型在不断的迭代训练过程中，准确率逐渐上升，在迭代次数 左右基本收敛。图 表明模型在不断迭代过程中损失值逐渐减小。可以看出该方法在轴承故障识别方面具有更好的性能。图 网络模型损失值随迭代次数的变化情况 对比方法的结果分析为了进一步验证该网络模型的有效性，设置了 个对照组：一维 和 模型。采用与上文一样的数据和实验设置进行仿真。利用多分类混淆矩阵对 种不同模型的特征聚类情况进行可视化处理，实验结果如图 所示。图中纵坐标每行表示该种故障被错判为其他故障的个数，横坐标每列表示 种样本中被判为此类故障的个数。可以看出，其中一维卷积神经网络模型分类准确率为 ，模型准确率为 ，课题组所提模型准确率达到了 ，在保证了较高的学习效率的同时也取得了较好的诊断结果，证明了该模型具有更好的诊断特性。图 模型识别结果 图 模型识别结果 结论为消除噪声对智能故障诊断模型的干扰，课题组提出了一种基于 和 的滚动轴承故障识别模型。经过试验数据和对比方法验证，得出如下结论：自控检测陈博，等：基于 和 的滚动轴承故障识别方法研究图 改进模型识别结果 ）该模型采用 对故障信号进行分解，能有效拆分信号中的复杂成分，并结合 指标筛选有效信号分量进行重构，成功提取出故障信号中冲击成分，实现信号降噪和特征强化，解决了非高斯噪声干扰问题。）该模型在传统的 网络基础上添加了改进时间自注意力机制（）对数据分配权重，弱化冗余特征信息、保留目标特征，并利用门控循环单元（）提取样本数据时间特征，使得网络得到更充分的学习，提高了整个模型的鲁棒性。）采用西储大学轴承数据集开展故障识别研究，试验结果表明所提出故障识别模型相比一维卷积神经网络模型和 模型准确率分别高 和 。证明了该模型具有更高的诊断精度。参考文献：，（）：阳建宏，黎敏，丁福焰 滚动轴承诊断现场实用技术 北京：机械工业出版社，：，：陈龙，张纯龙 基于 包络谱特征与 的滚动轴承故障诊断 煤矿机械，（）：谢振龙，岳彩旭，刘献礼，等 基于 的钛合金铣削过程刀具磨损监测 振动测试与诊断，（）：刘志慧，徐兴平，牛怀磊，等 基于 的立管涡激振动响应最优降噪光滑模型参数识别研究 振动与冲击，（）：朱渔，李丹，李晓明，等 基于 和 算法的齿轮泵行星轮典型故障诊断 机械设计与研究，（）：刘荣伟，何伟挺，汪琳琳，等 基于 的离心泵偏工况诊断方法研究 振动与冲击，（）：杨波，黄倩，付强，等 基于 和优化 的离心泵故障诊断方法 机电工程，（）：高素杰，巫世晶，周建华，等 基于 排列熵和 神经网络的行星齿轮箱故障诊断方法 机械传动，（）：胡爱军，白泽瑞，赵军 参数优化 结合 维谱的滚动轴承复合故障特征分离方法 振动与冲击，（）：户文刚，张燕霞 基于 和随机森林的离心泵滚动轴承故障诊断 机电工程技术，（）：黄晓诚，贺青川，陈文华 基于 与 的电机轴承故障检测方法 机电工程，（）：，：，：刘洋，王林军，李立军，等 基于 和 的轴承故障分析 机床与液压，（）：罗惠中，刘嘉，甘育娇，等 一种基于 改进小波阈值的 信号去噪算法 光电子激光，（）：，（）：，：丁晓雯，丁强，顾君篧，等 基于 的冷水机组故障诊断 低温与超导，（）：，：，：轻工机械 年第期