基于GAF-CNN的柴油机振动信号故障诊断.pdf

第 卷第期 年月武汉理工大学学报(交通科学与工程版)J o u r n a l o fWu h a nU n i v e r s i t yo fT e c h n o l o g y(T r a n s p o r t a t i o nS c i e n c e&E n g i n e e r i n g)V o l N o A u g 基于GA F C NN的柴油机振动信号故障诊断李少康,)陈龙)陈辉,)管聪,)(武汉理工大学高性能船舶技术教育部重点实验室)武汉 )(武汉理工大学船海与能源动力工程学院)武汉 )(中国船舶集团有限公司系统工程研究院)北京 )摘要:文中提出一种基于格拉姆角场卷积神经网络(G A F C NN)的故障诊断方法利用格拉姆角场将一维柴油机振动信号转化为二维图像,通过超参数寻优的方法确定C NN模型网络结构,通过D r o p o u t技术和A d a m优化器让模型更好更快地实现拟和,最终将二维图像导入训练好的C NN模型进行实验验证结果表明:G A F C NN对训练集样本和测试集样本的故障诊断率分别为 和,与传统的C NN方法相比具有更高的准确率及稳定性关键词:柴油机;故障诊断;卷积神经网络;格拉姆角场中图法分类号:U d o i:/j i s s n 收稿日期:第一作者:李少康(),男,硕士生,主要研究领域为智能机舱通信作者:陈辉(),男,教授,主要研究领域为船舶电力推进及船舶智能化技术基金项目:国家重点研发计划项目(Y F E )、国家自然科学基金()引言柴油机的故障诊断是保证船舶稳定、可靠运行的重要环节基于振动信号的柴油机故障诊断方法可以非侵入式数据采集,被证明是最方便有效的故障诊断方法,得到了广泛应用由于柴油机工作条件复杂、噪声大,其振动信号往往是非线性、非平稳时间变化的,如何有效提取振动信号中的特征是故障诊断的难点传统的振动信号分析方法,主要利用时频域分析在揭示信号复杂性和非平稳特征方面具有明显优势的特点进行特征提取目前常用的方法有小波变换(WT)、短时傅里叶变换(S T F T)和W i g n e r V i l l e分布(WV D)等,这些方法可以直观的反映故障相关频率随时间的变化,但有一定的主观性和盲目性随着大数据时代的到来,各种智能诊断的算法被应用到柴油机设备的故障诊断中其中卷积神经网络(C NN)由于其强大的特征提取能力,以及能够通过局部感受野和权值共享方法大量减少参数的特点,相较于随机森林(r a n d o mf o r e s t)、深度 置 信 网 络(D B N)和 限 制 玻 尔 兹 曼 机(R BM)等方法,在诊断精度和效率方面明显更胜一筹虽然一维数据和二维图像都可以作为C NN的输入数据,但是C NN本身就是受到生物视觉认知机制启发而来,更加擅长识别二维图像因此,如何将一维柴油机振动信号转换为二维图像非常关键宫文峰等 利用数据重构的方法直接将一维滚动轴承数据转换为二维灰度图像,这种方法虽然简单有效,但是丢失了大量振动信号的时频域 信 息,破 坏 了 样 本 点 间 的 联 系苏 莹 莹等 将采集到的振动信号通过连续小波变换生成时频图后导入A l e x n e t网络,生成的时频图虽然很好的提取了原始数据中的特征信息,但是本质上仍属于一维数据,存在大量的无效信息,需要对时频图进行预处理操作针对上述研究的不足,文中提出一种新的二维图像编码方式,即格拉姆角场(g r a m i a na n g u l a rf i e l d,GA F)编码,这种编码方式可以保留原始信号的时频信息及样本点间的联系,生成的二维图像无需其他处理就可直接导入C NN中进行样本的特征提取及分 类,并且通过D r o p o u t技 术和A d a m优化器解决模型的过拟和以及寻优问题,实现模型 的快速拟和,构造出一 种基 于GA F C NN的智能故障诊断方法理论基础格拉姆角场(GA F)是由W a n g等 提出的一种可以将一维时间序列编码为图像的框架将一维序列数据进行缩放后,由直角坐标系转换到极坐标系,通过考虑不同点之间的角度和以识别不同时间点的时间相关性具体流程如下给定一个时间序列Xx,x,xn,由n个时间戳t和对应的值x组成利用缩放的方法将该序列的所有值都落在区间,内,为xi(xim a x(X)(xim i n(X)m a x(X)m i n(X)()因此,可以将值编码为角度余弦,将时间戳编码为半径,从而让缩放的时间序列转换到极坐标系统中,为ia r c c o s(xi),xi,xiXritiN,tiN()式中:ti为时间戳;N为用来调整极坐标系统范围的常数因子式()的编码是双射的,不会丢失任何的信息,因为当xi时,i,c o s()在这个区间当中是单调的,这样xi与i就形成了一一映射的关系由于r坐标与时间戳ti成 线 性 关 系,因 此 可 以 保 持 绝 对 的 时 间关系在将该时间序列数据由直角坐标系转换到极坐标系后,可以利用GA F将(ri,i)进行升维并转换为图像 GA F定义为Gc o s()c o s(n)c o s(n)c o s(nn)()GA F能够保持时间的依赖性,因为随着位置由左上 移 至 右 下,时 间 也 在 不 断 的 增 加而 且GA F还包括了时间相关性,因为G(i,jij|k)是利用时间间隔k的方向叠加来描述时间相关性的当k时,主对角线上的Gi,i就包含原始时间序列的数值和角度信息利用主对角线,可以将从深度神经网络中学习到的高维度特征大致的重构为时间序列GA F也存在着一定的缺点由式()可知:一个长度为n的间序列,经过GA F转换后会生成nn的矩阵当初始n值很大时,生成的图像尺寸就会非常大为了减小尺寸,可以使用分段聚合近似(P AA)的方法来平滑时间序列,该方法的特点是将原始时间序列数据进行平均分割,用分段的均值来代表原始数据因此,在减小尺寸的同时,还可以保持序列的完整趋势GA F将一维时间序列转换为二维图像的全部过程见图图基于G A F的转换过程基于GA F C NN的故障诊断算法在柴油机振动信号的故障诊断中,传感器采集的都是一维的时域信号,但是卷积神经网络主要应用于二维图像领域在以往的研究中往往是采用数据重构的方法,直接将一维振动信号进行等间隔截取拼接,生成二维灰度图像这种方法虽然简单高效,但是却丢失了振动信号中样本点间的联系,损失了很多至关重要的信息文中提出了一种基于G A F C N N的故障诊断算法,模型结构见图 图GA F C NN模型由图可知:GA F C NN算法主要分为输入层、特征提取层和输出层三层结构特征提取层和第期李少康,等:基于GA F C NN的柴油机振动信号故障诊断输出层和以往的C NN算法类似,都是利用卷积层和池化层进行特征提取,S o f a m a x分类器完成分类输出但在开始的数据输入层,本文设计了一种使用GA F代替数据重构获取二维图像数据的方法这种方法主要利用了GA F能够保持样本点间的时间依赖性和时间相关性的特点,既保留了振动信号的时域信息,又维护了样本点间的联系,大大提高了输入数据的信息量,便于C NN更好的提取特征基于GA F C NN故障诊断算法的基本诊断流程见图图基于G A F C NN的诊断流程图实验验证 实验数据以某四冲程柴油机为研究对象,采样频率为k H z,转速为 r/m i n,以 个点为一个采样周期实验采集了柴油机的五种工作状态数据作为训练数据,其中包括四种故障工况数据和一种正常工况数据每种工况包含 个样本,总共 个样本从每种工况下的 个样本中随机抽取 作为训练集样本,作为测试集样本,在训练集样本中再随机抽取 作为验证集样本,样本个数情况情况见表本实验收集到的五种工况下的振动信号时域波形情况见图 振动信号处理如果将上述采集到的样本数据直接输入到GA F中进行二维图像生成,由于每个样本当中包表五种振动信号实验数据集工况编号工况类型样本个数样本长度训练集样本数验证集样本数测试集样本数G 正常工况 G 单缸失火 G 燃烧提前 G 燃烧滞后 G 空气滤清器堵塞 图振动信号时域波形含 个振动信号点,通过GA F的原理可知,将会生成一个尺寸为 的图像,作为C NN的输入尺寸显然是过于庞大因此,采用P AA方法处理原始样本,将原始维度为 的样本压缩成,再将其导入GA F中生成了尺寸为 的二维图像,构成完整的数据集图为从每种工况中取一个样本的图示 C N N模型超参数的选择合适的C NN模型是由一系列超参数共同决定的,超参数能否正确选取直接关系着模型诊断能力的高低超参数主要包括滤波器的尺寸、滤波器的数量、随机失活率、全连接层大小、激活函数的选择、分类器的选择、学习率大小以及优化器类型等为了研究不同参数对模型准确率的影响,本文通过超参数寻优的方法,确立了一个精度较高的模型确定的C NN模型中包括两个卷积层、两武汉理工大学学报(交通科学与工程版)年第 卷图样本示意个池化层和两个全连接层卷积中的激活函数为R e l u函数,池化操作选择最大池化,随机失活率为,最终的分类器选择S o f t m a x分类器表为该模型结构的相关参数设置表卷积神经网络结构相关参数设置描述数值输入图像尺寸 ()卷积层滤波器数量 卷积层滤波器大小池化层滤波器大小卷积层滤波器数量 卷积层滤波器大小池化层滤波器大小全连接层节点数 全连接层节点数D r o p o u t随机失活率大小 输出神经元个数迭代次数 优化器的选择卷积神经网络虽然相比与传统神经网络能够通过参数共享的方法减少参数数量,但是本质上仍是通过梯度下降算法不断迭代更新参数,追求损失函数最小化的过程而在这一过程中,由于损失函数往往属于非凸函数,存在多个梯度为的区域,在经过这些区域时,梯度下降的速度非常缓慢,并且容易陷入局部最优解,从而导致模型精度的降低优化器的作用就是加快梯度下降的速度及提高精度,使得模型能够更好更快的实现拟和以 中确定的C NN模型结构作为基础模型,通过数据重构直接将振动信号转为二维图像作为输入数据,选取S G D,A d a g r a d,A d a d e l t a和A d a m四种优化器进行调优,图为四种优化器分别在训练集和验证集下的学习曲线由图可知:在训练集中,虽然经过四种优化器训练后训练集的准确率都可以达到 的准确率但是明显可以观察到经过A d a m优化后的曲线收敛速度更加快,在迭代 次左右就达到了图不同优化器下训练集和验证集的准确率收敛状态,并且比起其他三种优化器曲线更加平稳,震荡更小在验证集中,S G D和A d a m优化的效果明显比A d a g r a d和A d a d e l t a优化的效果更明显,准确率能够达到 左右,而A d a g r a d和A d a d e l t a只能达到大约 的准确率虽然S G D和A d a m的优化效果差不多,但是S G D优化后的学习曲线震荡幅度明显更大,而A d a m优化器在训练集和验证集中不但能保持更高的准确率,并且震荡幅度很小因此,本文提出的C NN网络中使用A d a m优化器效果会更好 基于G A F C N N的故障诊断结果分析将实验数据经GA F转换后的二维图像,导入已初始化超参数的C NN模型,并通过A d a m优化器进行优化,将其在测试集中的准确率学习曲线与直接数据重构进行训练的结果进行对比,对比结果见图图G A F C NN测试集准确率对比曲线由图可知:在测试集上直接数据重构作为输入数据的C NN模型准确率只有,而GA F C NN模型在测试集上的准确率可以达到,大大提 高 了 诊 断 准 确 率;从 稳 定 性 方 面 分 析,GA F C NN模型的振荡幅度更小,收敛速度更快,具有更高 的稳定性这说明本文 提出 的GA F C NN模型相比于直接数据重构作为输入的C NN模型性能得到了明显的提升文中将测试集数据导入训练好的模型,利用第期李少康,等:基于GA F C NN的柴油机振动信号故障诊断混淆矩阵将实验数据进行可视化分析混淆矩阵的关键在于对每一类工况数据进行细分,得到正确和错误预测的样本数目和类别,通过分析,不仅可以得到每种工况的预测准确率,而且可以了解各个工况之间互相扰动的程度 GA F C NN模型在测试集下的混淆矩阵见图图测试集的混淆矩阵由图可知:每一种工况的测试集样本个数为 ,共种工况;从主对角线中可以得知每种工况下样本预测正确的数量及准确率,每一列都体现了各工况下样本被误判的数量及类型从图中可知,每种工况误判的样本个数不超过个,其中G(燃烧提前)和G(燃烧滞后)两种工况误判率最高,达到了,并且经误判类型分析,个误判的样本中个都是彼此误判,说明这两种工况之间关联性较强,容易造成混淆由总体分析可知:GA F C NN模型可以很好的区别正常工况、单缸失火、燃烧提前、燃烧滞后、空气滤清器堵塞五种工况类型,每类工况被误诊的概率不超过,其综合准确率可以达到 根据以上实验验证可知,本文提出的GA F C NN模型在柴油机振动信号的故障识别方面具有较高的可行性结 束 语传统故障诊断方法在处理一维时间序列时,通常直接采取数据重构的方法将一维数据转换为二维图像输入卷积神经网络,这种方法不仅会导致振动信号时频信息的丢失,而且还会破坏样本点间的联系,降低模型的诊断准确率针对这种问题,文中提出了一种基于GA F C NN的故障诊断方法,利用GA F可以保留样本点间时间依赖性和时间相关性的特点,替代数据重构,将经GA F生成的图像作为输入数据直接导入C NN模型中进行训练,并且通过D r o p o u t技术和A d a m优化器提高模型的运行速度和精度文中将GA F C NN诊断方法应用于柴油机振动信号的故障诊断,预测准率高达,并与传统的C NN模型进行比较,该方法最大可能地保留了原始数据的信息,提高了C NN诊断的准确率和稳定性,并且通过混淆矩阵可以精准获取误判的数量和类别参 考 文 献尹文龙,陈辉,管聪,等基于P C A P NN的柴油机故障识别方法研究J武汉理工大学学报(交通科学与工程版),():WAN GEX,C A IY,L IA,e ta l I n t e l l i g e n tf a u l td i a g n o s i so f d i e s e l e n g i n ev i aa d a p t i v eVMD R i h a c z e kd i s t r i b u t i o na n dg r a p hr e g u l a r i z e db i d i r e c t i o n a lNMFJM e a s u r e m e n t,():Z HA OX,CHE N GXY,J IS C o m b u s t i o np a r a m e t e r s i d e n t i f i c a t i o na n dc o r r e c t i o ni nd i e s e le n g i n ev i av i b r a t i o na c c e l e r a t i o ns i g n a lJA p p l i e dA c o u s t i c s,():F E NGZ,L I AN G M,CHUCF R e c e n t a d v a n c e s i nt i m e f r e q u e n c ya n a l y s i sm e t h o d sf o rm a c h i n e r yf a u l td i a g n o s i s:ar e v i e w w i t ha p p l i c a t i o ne x a m p l e sJM e c h a n i c a lS y s t e m sa n dS i g n a lP r o c e s s i n g,():李卫星,陶建峰,覃程锦,等同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断J西安交通大学学报,():,彭彬森,夏虹,王志超,等深度神经网络在滚动轴承故障诊断中的应用J哈尔滨工业大学学报,():尹爱军,李海珠,李江,等 W i g n e r V i l l e分布复小波相似性评价及应用J振动 测试与诊断,():王瑞涵,陈辉,管聪随机卷积神经网络的内燃机健康监测方法研究J振动工程 学报,():余永华,陈育成基于瞬时转速和机器学习的船用柴油机健康状态评估J内燃机 工程,():贾继德,贾翔宇,梅检民,等基于小波与深度置信网络的柴油机失火故障诊断J汽车工程,():张绍辉集成参数自适应调整及隐含层降噪的深层R BM算法J自动化学报,():宫文峰,陈辉,张泽辉,等基于改进卷积神经网络的滚动轴承智能故障诊断研究J振动工程学报,():武汉理工大学学报(交通科学与工程版)年第 卷 苏莹莹,毛海旭基于小波变换和C NN的涡旋压缩机故障诊断J中国测试,():WANGZ,OA T E ST E n c o d i n g t i m e s e r i e s a s i m a g e s f o r v i s u a l i n s p e c t i o na n dc l a s s i f i c a t i o nu s i n g t i l e dc o n v o l u t i o n a ln e u r a ln e t w o r k sC T h e T w e n t y n i n t hA a a i C o n f e r e n c e o nA r t i f i c i a l I n t e l l i g e n c e,T o k y o,F a u l tD i a g n o s i so fD i e s e lE n g i n eV i b r a t i o nS i g n a lB a s e do nG A F C N NL IS h a o K a n g,)C H E NL o n g)C H E NH u i,)G U A NC o n g,)(K e yL a b o r a t o r yo fH i g hP e r f o r m a n c eS h i pT e c h n o l o g yo fM i n i s t r yo fE d u c a t i o n,W u h a nU n i v e r s i t yo fT e c h n o l o g y,W u h a n ,C h i n a)(S c h o o l o fN a v a lA r c h i t e c t u r e,O c e a na n dE n e r g yP o w e rE n g i n e e r i n g,W u h a nU n i v e r s i t yo fT e c h n o l o g y,W u h a n ,C h i n a)(S y s t e m sE n g i n e e r i n gR e s e a r c hI n s t i t u t e,C S S C,B e i j i n g ,C h i n a)A b s t r a c t:Af a u l td i a g n o s i sm e t h o db a s e do nG r a mA n g l eF i e l dC o n v o l u t i o n a lN e u r a lN e t w o r k(GA F C NN)w a sp r o p o s e d O n e d i m e n s i o n a l d i e s e l e n g i n ev i b r a t i o ns i g n a lw a s t r a n s f o r m e d i n t o t w o d i m e n s i o n a l i m a g eb yG r a ma n g l e f i e l d,a n dC NNm o d e l n e t w o r ks t r u c t u r ew a sd e t e r m i n e db ys u p e r p a r a m e t e ro p t i m i z a t i o nm e t h o d T h r o u g hD r o p o u t t e c h n o l o g ya n dA d a mo p t i m i z e r,t h em o d e l c a nb e f i t t e db e t t e ra n df a s t e r,a n d f i n a l l y t h e t w o d i m e n s i o n a l i m a g ew a s i m p o r t e d i n t o t h e t r a i n e dC NNm o d e l f o re x p e r i m e n t a l v e r i f i c a t i o n T h e r e s u l t s s h o wt h a t t h e f a u l t d i a g n o s i s r a t e so fGA F C NNf o r t r a i n i n gs e ts a m p l e sa n dt e s t s e t s a m p l e sa r e a n d r e s p e c t i v e l y,w h i c h i sm o r ea c c u r a t ea n ds t a b l e t h a nt h e t r a d i t i o n a lC NN m e t h o d K e yw o r d s:d i e s e l e n g i n e;f a u l td i a g n o s i s;c o n v o l u t i o n a ln e u r a ln e t w o r k;g r a m i a na n g u l a r f i e l d(上接第 页)A n t i p e n e t r a t i o nP e r f o r m a n c eT e s t a n dN u m e r i c a lS i m u l a t i o no f aD e f l e c t i o nS t r u c t u r eX I EH o n g s h e n g)L U OG a n g)Y U A NK u n)(C h i n aS h i pD e v e l o p m e n ta n dD e s i g nC e n t e r,W u h a n ,C h i n a)(S c h o o l o fN a v a lA r c h i t e c t u r e,O c e a na n dE n e r g yP o w e rE n g i n e e r i n g,W u h a nU n i v e r s i t yo fT e c h n o l o g y,W u h a n ,C h i n a)A b s t r a c t:An o n u n i f o r md e f l e c t i o ns t r u c t u r ew a sp r o p o s e d T h es c a l em o d e l t e s t a n dn u m e r i c a l s i m u l a t i o nw e r eu s e d t os t u d y t h e a n t i p e n e t r a t i o no f t h ed e f l e c t i o ns t r u c t u r e,a n d i t s e f f e c t i v e n e s s i nc h a n g i n gt h ea t t i t u d eo f as u b s o n i c f l a t h e a d e dw a r h e a dw a sv e r i f i e d T h e r e s u l t ss h o wt h a t t h ed e f l e c t i o ns t r u c t u r ep r o p o s e d i nt h i sp a p e r c a ne f f e c t i v e l yp r o m o t e t h ep r o j e c t i l e f r o mv e r t i c a l p e n e t r a t i o nt oo b l i q u ep e n e t r a t i o nu n d e rs u b s o n i cp e n e t r a t i o nc o n d i t i o n s K e yw o r d s:p e n e t r a t i o n;y i e l ds t r e n g t h;r e s i d u a l s p e e d;b o d ya t t i t u d e;s u b s o n i c第期李少康,等:基于GA F C NN的柴油机振动信号故障诊断