基于短时傅里叶变换的卷积神经网络复合故障诊断.pdf

第卷 第期沈 阳 化 工 大 学 学 报.收稿日期:基金项目:国家自然科学基金项目()作者简介:韩煜()男湖北武汉人硕士研究生在读主要从事基于神经网络的滚动轴承故障诊断研究.通信联系人:张凯()男辽宁锦州人副教授博士主要从事机械装备可靠性和设备智能控制研究.文章编号:()基于短时傅里叶变换的卷积神经网络复合故障诊断韩 煜 张 凯(沈阳化工大学 装备可靠性研究所 辽宁 沈阳)摘 要:针对传统故障诊断技术在复杂工况下滚动轴承复合故障振动信号进行故障诊断的准确率较低且泛化能力较差的问题提出一种基于短时傅里叶变换()的卷积神经网络故障诊断方法().该故障诊断方法首先通过对复杂工况下的振动信号进行短时傅里叶变换然后通过卷积神经网络对该振动数据进行训练学习最后进行故障诊断.为验证所提方法的有效性和可行性在滚动轴承包括复合故障在内的 类故障中将提出的方法与卷积神经网络()、支持向量机()和深度神经网络进行比较实验对比过程采用相同的滚动轴承数据进行实验以保证实验的公平性.实验结果证明:该故障诊断方法的故障诊断准确率达到了 滚动轴承复合故障诊断准确率得到大幅提升.关键词:短时傅里叶变换 卷积神经网络 复合故障 滚动轴承:./.中图分类号:文献标识码:滚动轴承是旋转机械的重要组成部分在实际工程中应用广泛.轴承在运行过程中出现故障会引发很多潜在的损失和隐患其任何意外故障往往会影响整个系统的稳定性和安全性.在实际工程中滚动轴承在面对不同复杂工况时其产生的故障不仅有单一故障还存在复合故障传统的故障诊断技术诊断效果并不理想并且针对不同的滚动轴承都需要对轴承重新进行研究分析费时费力.针对这种情况寻找一种泛化能力强、诊断准确度高的故障诊断方法很有必要.目前智能故障诊断方法研究主要是从滚动轴承运行过程中采集其原始的运行数据该数据类型包括振动信号、脉冲信号、声信号和电流信号等多种类型的滚动轴承特征信号.其中振动信号对滚动轴承运行过程中产生的影响敏感度较高所以一般采用滚动轴承的振动信号作为故障诊断的数据样本.滚动轴承的振动数据中包含很多特征量例如裕度值、均方根、峭度值和峰峰值等.传统的故障诊断方法就是通过采集滚动轴承的这些特征量然后进行信号处理研究判断轴承的状态这种方式不仅需要专业的知识并且还需要操作人员具有很多的工作经验例如、和小波包分析.近年来随着人工智能的发展通过计算机技术对滚动轴承进行故障诊断成为研究人员的研究热点.支持向量机()是将不同标签的样本通过二分类输出一个优化的分隔超平面进行滚动轴承故障诊断.深度神经网络()通过构建一个深层次的分类器结构将滚动轴承的特征信号深度挖掘学习样本数据的特征更新网络参数利用训练完成的模型进行故障诊断.同时还有许多其他先进的神经网络故障诊断方法例如、和 等.随着科技的发展对滚动轴承的故障诊断要求也在不断提高面对恶劣的工作环境和滚动轴承复合故障类型目前的智能故障诊断的精度要 第 期韩 煜等:基于短时傅里叶变换的卷积神经网络复合故障诊断 求已无法满足实际工程要求.因此笔者提出了基于短时傅里叶变换的卷积神经网络故障诊断方法()该方法致力于解决以下问题:()对于复杂工况下的滚动轴承复合故障诊断准确率不高()面对不同轴承系统的振动信号需要对故障诊断方法重新进行相应的参数调整需要一定的专业知识和丰富的工作经验对工作人员的要求很高.因此笔者针对目前故障诊断方法的局限性提出了优化的故障诊断方法.该方法从理论上讲是把传统的信号处理故障诊断方法与现阶段热门的深度学习故障诊断方法相结合实现优势互补进而实现优化提高诊断性能的目的.该方法优于其他传统方法有以下几点:()该方法会对数据进行清洗预处理提高神经网络学习的效率和准确度()针对不同的轴承信号采用合适的信号处理算法(短时傅里叶变换)大幅过滤噪声对振动数据的影响()采用改进的卷积神经网络算法模型提高了模型的泛化能力和识别准确度.最终针对复杂工况下的滚动轴承复合故障诊断精度较低的问题得到有效解决.短时傅里叶变换 短时傅里叶变换的原理短时傅里叶变换法是一种将时频域结合的分析方法主要针对非平稳信号和时变信号.短时傅里叶变换法基本原理:首先在时域信号上利用固定长度的窗函数进行分段截取并对每段截取的信号进行傅里叶变换处理从而获得在时间 附近一段时间内的局部频谱然后固定长度的窗函数根据时间 的位置在整个信号的时间轴上平移利用窗函数即能实现任意位置附近的时间段频谱的时间局域化最后将每段信号的频谱整合起来形成完整信号的频谱.定义:若需要分析的信号为一个连续时间信号()则对该连续时间信号()进行短时傅里叶变换的具体表达式为 ()()().()式中()为窗函数.该短时傅里叶变换计算表达式的涵义为:在时间 处利用窗函数()截取信号()获得()()为信号被平移后的窗函数截断部分该部分信号视为平稳信号对截取的短时信号进行傅里叶变换处理获得该 时刻的局部频谱随着时间 的不断改变不断平移窗函数的中心位置即可获得信号不同时刻的傅里叶变换后的局部频谱将这些局部频谱集 合 起 来 就 是 短 时 傅 里 叶 变 换 的 结 果().信号经过短时傅里叶变换后的结果为一个二维的复函数该结果的含义为信号()随时间与频率变换的相位关系.在实际工程应用中有些信号在时域上很难看出其特征之间的关系因此考虑将信号变换到频域上进行分析研究就能更加清晰地了解特征之间的关系.连续短时傅里叶变换()也就是能够较好完成这一过程的信号处理算法 能够将以时间轴为坐标的时域信号变换到以频域为坐标轴的频域信号进行分析.短时傅里叶变换的参数选择通过对窗函数的研究发现一个理想的窗函数既要在频域上主瓣很窄又要拥有足够大的频率分辨率同时要保证其旁瓣足够低有效降低频率之间的干扰.但根据测不准原理可知在实际中无法做到主瓣和旁瓣同时性能最优这时就需要进行性能折中选择针对不同的实际问题选择最为合理的窗函数进行处理.常见的经典窗函数有矩形窗、汉宁窗()、海明窗()、高斯窗()、三角窗、布莱克曼窗()和凯泽窗().对于窗函数宽度的设定根据 测不准原理可知窗函数的时间与带宽乘积是一个恒定量所以不可能在保证频率分辨率达到最大的同时时间分辨率也达到最大.由于笔者研究的滚动轴承振动信号是从振动频率和采样频率去设置传感器进行样本采集在使用卷积神经网络智能故障诊断方法对该振动信号进行诊断时需要尽可能地保存该振动信号的最大信息量以保证神经网络进行样本训练学习时的数据样本充足和精度准确.由于矩形窗主瓣宽度较窄信号频谱能量能够最大程度地集中在主瓣上达到最大频率分辨率且在文中也经过了不同窗函数对比实验验证证明矩形窗为该研究内容最合适的窗函数 沈 阳 化 工 大 学 学 报 年因此笔者选用较为合适的矩形窗作为短时傅里叶变换的窗函数.矩形窗的具体公式为 ().()该矩形窗离散化后的频率响应函数表示为 ()(/)(/)()/.()矩形窗的特点为主瓣比较集中频率分辨率最高但其旁瓣较高并且称为时间变量的零次幂窗函数.卷积神经网络卷积神经网络模型有两大特点:局部感受野和权值共享.这些特点减少了参数值大大节省了训练成本并且能够更好地挖掘原始振动数据中的特征信息.卷积神经网络模型通过卷积、池化和激活函数生成输出特征映射来分层自主学习提取特征信息并通过全连接层和 层完成最后的分类.卷积层是卷积神经网络提取数据中特征信息的关键步骤其主要通过不同的卷积核获取输入信息的特征.此处假设 和 分别表示为第 层中与第 个特征映射相对应的第 个卷积核的权重和第 层中与第 个卷积核相对应的偏置设 为第 层中的第 个特征映射的输入则卷积操作公式为 ().()式中:表示局部区域输入与卷积核进行卷积运算表示第 层中生成的第 个卷积核的输出()表示为一个激活函数目前常用的激活函数有 函数、正切函数等.此处使用整流线性单元函数()作为卷积神经网络的激活函数该激活函数能够加快卷积神经网络的收敛过程使学习到的特征具有更强的可分性.卷积层之后都有一个池化层称为降采样层用于降低输入特征映射的分辨率使卷积神经网络具有更强的鲁棒性.其公式为 .()式中:表示池化层 中第 个卷积核的最大值池化输出为上一层卷积层的输出特征映射 为池化层的尺寸范围.全连接层是将经过若干卷积、池化操作后的特征映射依次按行展开连接成一维向量然后运用 函数获得 类不同滚动轴承健康状况的概率分布.表达式为.()式中:表示卷积神经网络的分类输出结果表示第 个输出神经元的值表示第 个神经元的输出值.实验采用 工具箱构建卷积神经网络模型其具体拓扑结构如图 所示.图 卷积神经网络模型.实验分析 实验装置及样本数据介绍实验所使用的实验装置为气动振动仪(见图)该振动仪由交流感应电动机、电机速度控制器、支撑轴、气动轴向压力装置和气动径向压力装置等组成.实验在空载和不同转速情况下依次对 种故障轴承和正常轴承(其中每种轴承样本均为 个以避免偶然性)进行测试测试获 第 期韩 煜等:基于短时傅里叶变换的卷积神经网络复合故障诊断 取的 类故障数据表示为、和.其中:表示滚子表面故障表示内圈表面故障 表示外圈表面故障 表示正常、分别表示 、的滚动轴承表面故障尺寸.图 气动振动仪.实验所用滚动轴承为 型深沟球轴承在转速 /采样频率 条件下采集该轴承复合故障耦合和单种故障情况下的振动数据.每组数据选取 个数据点利用重叠法增加样本数增加后每类故障为 组数据.重叠法原理如图 所示重叠部分大小为 个数据点.类故障共获取了 组数据选择其中 为训练样本 为验证样本为测试样本进行测试.图 重叠法.为了验证笔者所提出的基于短时傅里叶变换的卷积神经网络故障诊断方法()的准确率将 与经典的故障诊断方法进行对比实验 包 括 支 持 向 量 机()、传统卷积神经网络()和深度神经网络()其参数设置与原文献相同.实验结果分析不同故障诊断模型诊断准确率的比对结果如表 所示.模型深度为 学习率设置为 迭代 次.由表 可以看出 滚动轴承复合故障诊断准确率达到 诊断精度远远优于其他优秀的故障诊断方法.表 不同故障诊断模型的诊断准确率比对结果 故障诊断模型 类故障诊断准确率/.为了验证 模型在强噪声等复杂工况下同样具有良好的诊断性能和抗干扰能力在添加噪声情况下对上述实验的故障诊断方法进行对比实验迭代次数同样设置为.添加不同强度噪声的对比实验结果如表 所示其具体不同噪声强度下的实验结果见图.由表 能够看出当滚动轴承复合故障振动信号添加噪声强度为 时 的诊断准确率为 的诊断准确率为 的诊断准确率为 而笔者提出的 模型的故障诊断准确率为 远远优于其他优秀的神经网络的抗噪性能.从图 能够明显看出在信噪比()为 时 方法诊断准确率也能高达.这是因为 方法存在一个 信号处理过程在卷积神经网络进行训练学习样本数据时减小了强噪声对网络模型的干扰从而使诊断准确率大幅提升.并且故障诊断方法的准确率随着噪声强度的不断减小逐渐提升.表 不同噪声强度的诊断准确率对比结果 /诊断准确率/沈 阳 化 工 大 学 学 报 年图 不同噪声强度下的故障诊断准确率.模型能够通过 方法将振动数据频谱中大部分的噪声频率过滤掉使该故障诊断方法的抗干扰能力大幅提升.实验结果表明该故障诊断方法在强噪声干扰工况下的准确率和鲁棒性都远远优于其他的故障诊断方法.模型进行故障诊断时其神经网络损失函数实时变化曲线如图 所示.神经网络故障诊断中损失函数的值越小意味着该模型在故障诊断中具有更高的准确率和拟合性.图 中 模型的损失函数在迭代 次左右就下降到了最优值附近同时损失函数最终值稳定在 左右非常接近于 基本等同于期望输出值该实验结果证明通过数据样本训练的模型准确率和拟合性非常好.图 损失函数收敛曲线.结 论()针对滚动轴承包含复合故障在内的 类故障诊断问题通过实验证明笔者提出的 模型对于滚动轴承复杂振动数据样本进行故障诊断的性能远远优于其他的故障诊断方法其故障诊断准确率能够达到.()在面对强噪声的复杂工况下 模型的故障诊断率为 而 神经网络模型的故障诊断率为 支持向量机的故障诊断率为 深度神经网络面对强噪声干扰故障诊断表现较差诊断率仅为.实验结果验证了基于短时傅里叶变换的卷积网络故障诊断方法()的有效性和可行性同时该故障诊断方法还具有很高的泛化能力和抗干扰能力.参考文献:王孝霖韩伟华顾含等.集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用.机械设计与制造():.刘长良武英杰甄成刚.基于变分模态分解和模糊 均值聚类的滚动轴承故障诊断.中国电机工程学报():.陈永会姜旭郭山国等.基于小波分析和 变换的滚动轴承故障诊断.机械设计():.吕明珠苏晓明陈长征等.改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用.机械与电子():.():.()():.():.刘良顺.基于 神经网络的滚动轴承故障诊断方法.农业机械学报():.包文杰.参数化的短时傅里叶变换及齿轮箱故障诊断.振动、测试与诊断():.曾大有.量子力学中的 测不准原理的数学推导以及在小波分析中的应用.华北航天工业学院学报():.曹继平.基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究.振动与冲击():.第 期韩 煜等:基于短时傅里叶变换的卷积神经网络复合故障诊断 ():()().().()().:(上接第 页)():.: