基于特征融合和ResNet的滚动轴承故障诊断.pdf

第 卷第 期 年 月机 电 工 程 .收稿日期:基金项目:辽宁省科技厅计划项目()作者简介:汤武初()男江西井冈山人硕士副教授硕士生导师主要从事列车走行部机械故障诊断等方面的研究:.:./.基于特征融合和 的滚动轴承故障诊断汤武初吕亚博刘佳彬韩 丹(大连交通大学 机械工程学院辽宁 大连)摘要:由于滚动轴承信号非平稳、非线性导致轴承的故障信息提取困难并且采用传统故障诊断方法诊断精度低又过度依赖专家经验以及深度学习的故障诊断方法需海量的训练数据为了解决上述问题提出了一种基于特征融合和深度残差神经网络()的滚动轴承故障诊断方法 首先利用变分模态分解()和经验模态分解()的方法分解了原始信号然后根据方差贡献率和相关系数筛选确定了有效分量对筛选出的有效分量进行了特征融合组成数据集输入到 模型中并进行了故障诊断最后利用开源数据集对基于特征融合和深度残差神经网络()的滚动轴承故障诊断方法进行了可行性和有效性验证并通过滚动轴承实例数据验证了其泛化能力和鲁棒性 研究结果表明:在开源数据集中采用该方法所获得的故障识别率达到了.相比于传统卷积神经网络()的故障识别率其故障识别率更高在滚动轴承实例数据集中采用该方法所获得的故障识别率达到了以上进一步证明了特征融合结合深度残差神经网络的故障诊断方法可有效应用于滚动轴承故障诊断中关键词:故障信息提取故障诊断精度残差神经网络变分模态分解经验模态分解有效分量特征融合中图分类号:.文献标识码:文章编号:()():.().()().().().:()()()引 言作为一种常见的支撑零部件轴承的主要作用是连接设备旋转部件和固定部件 由于起动性能好、结构紧凑、重量轻等特点滚动轴承被广泛应用于中低速旋转设备中 在转动机械的实际工作过程中特别是在运行环境比较恶劣时随着设备运转所需要的承载力不断变化在交变应力的作用下滚动轴承的整体工作性能也会随之发生变化因此为保证轴承的健康运行国内外学者针对轴承的状态监测和故障诊断方法进行了大量的研究近年来随着数据挖掘、深度学习等科技的快速发展基于数据驱动的深度学习方法成为故障诊断领域发展的新趋势 其基本思路是利用不同方法提取到振动信号的数学特征然后将其输入到人工智能算法中进行状态识别以完成故障诊断任务目前已有不少学者采用上述方法在故障诊断领域取得了一定成果 例如:刘强等人提出了优化变分模态分解与融合包络熵结合支持向量机的故障诊断方法 等人运用卷积神经网络直接提取了原始数据中的时频特征并测试在原始数据、频谱和组合时频数据中学习特征的不同性能结果表明卷积神经网络的提取效果要优于手动的特征提取效果但是在上述研究中有一部分没有结合深度学习的优势极度依赖故障诊断专家的经验和知识另一部分在研究中由于数据量不够而选择重叠数据导致结果的准确度有待考究 也有学者使用特征融合结合神经网络的方法取得了一定的成绩比如魏秀业等人将特征融合方法运用到齿轮箱故障诊断中能够有效地识别故障且训练结果要优于传统故障诊断方法但需要上千次的迭代周期训练周期太长基于此笔者提出一种基于特征融合并结合改进的一维残差神经网络()的滚动轴承故障诊断方法 该方法是根据相关系数和方差贡献率指标来筛选确定变分模态分解()和经验模态分解()的有效成分这些有效成分可以将原始信号按照由高频到低频的特征信息表现出来但是没有专家丰富的基础知识其仍然不能直接识别出是否出现了故障因此笔者结合改进的 可高效地自动提取多尺度特征信息对滚动轴承进行端对端的高精度故障分类诊断工作 基于特征融合的 诊断模型根据分解出来的不同频率成分下的时频信号可辨别出不同的故障类型同时经、分解出来的有效分量由高频到低频的每一条有效模态分量代表原始信号的某一频率成分的特征笔者将代表不同原始信号特征的模态分量进行拼接、融合形成新的特征样本数据 该方法可将原始信号的特征表达得更全面、多样便于输入到 中使其更加容易识别出故障信息提高故障诊断的精度基于、特征融合的 故障诊断模型如图 所示图 、特征融合的 故障诊断模型该模型的诊断步骤为:)利用、方法分别对原始数据进行分解得到不同的模态分量)根据方差贡献率和相关系数筛选有效分量对有效特征的分量进行融合形成新的数据样本)将融合后的数据样本输入到 中对其进行端对端的故障识别与诊断工作.算法 算法的本质是无需设置任何预定的目标函数依据振动信号自身的时间尺度特征进行自适应地分解最终筛选出多个 分量其算法流程如图 所示图 经验模态算法流程 为循环次数 为原始信号()与上下包络线均值序列 的差序列()为分离出的各 分量 为余项序列机 电 工 程第 卷.算法 作为一种信号分析估计方法目前已被广泛应用于状态监测和智能诊断领域可实现自适应的信号处理功能与 方法不同的是 是一种完全非递归分解方法其基本思路是将原始振动信号按照实际分析需求自适应地将其分解成具有特别频率中心和有限带宽的模态分量.基于 和 的特征融合在滚动轴承实际运行环境中所采集的振动信号是复杂的虽然原始时域波形代表了滚动轴承最原始的状态信息但笔者直接将原始信号输入神经网络进行端对端的故障诊断时发现其存在特征识别度低、诊断精度低等问题 无论是时域分析法还是频域分析法只能整体表达信号的信息无法表达信号的局部特征因此笔者根据时频分析法利用、分解原始信号将其分解成由高频至低频的不同特征分量这些分量分别代表某一频率下的特征信息 通过串联拼接的方式按照由高频到低频的顺序将各有效模态分量融合成多倍扩容的一维向量:()式中:为筛选出的表达原始信号局部特征信息的有效模态分量对于不同工况下的振动信号融合后的特征向量包含可表达原始信号的局部特征信息:时域特征、频域特征以及时频域特征笔者将融合后的特征向量输入到 网络中其可自动识别并提取特征向量 中的融合特征对于不同工况、不同故障频率不用人为提取时域指标特征(均值、峭度值、均方根等)也不用进行频域分析可直接对其进行故障诊断该方法有利于提高故障诊断的速度以及结果的准确性 网络模型构建.卷积神经网络模型卷积神经网络()是一种典型的前馈神经网络其可自动提取多尺度特征信息一般由输入层、卷积层、池化层和全连接层组成传统 模型是 层神经网络结构网络模型如图 所示该模型包括 个卷积层、个全连接层 卷积层中使用非线性整流函数()作为激活函数笔者提出随机失活()方法防止过图 传统 网络模型结构拟合传统 主要参数设置如表 所示表 传统 网络结构参数的设置模块名称内核大小内核数量步长填充.深度残差网络模型深度残差网络和传统 的主要区别在于其使用了残差块可以根据需要灵活使用残差块个数及残差块的结构从而实现跳跃连接目的解决了传统 网络特征难提取的问题且残差块通过跨层数据通路跳过卷积运算将输入直接加在激活函数前因此可以有效地避免梯度消失和梯度爆炸的问题笔者设计的一维 网络模型基本结构如图所示图 深度残差神经网络模型基本结构第 期汤武初等:基于特征融合和 的滚动轴承故障诊断由图 可以看出:相比于传统 模型该深度残差神经网络模型是由 个不同的的残差块堆叠而成 每个残差块由不同的卷积层、规范化层()和激活函数 组成利用 和平均池化方法可进行正则化防止网络过深产生过拟合现象并达到加速训练、节省时间的目的深度残差神经网络结构的主要参数设置如表 所示表 深度残差神经网络结构参数的设置模块名称内核数量内核大小步长残差块 残差块 残差块 残差块 残差块 残差块 残差块 残差块 故障诊断试验笔者设置了两种不同的数据集对上述模型进行试验验证:)美国凯斯西储大学轴承数据中心提供的开源数据集利用开源数据集对其进行有效性验证同时将其与不同的数据处理方法相对比验证其优越性)大连交通大学双列圆锥滚子轴承振动质量动态分析试验台采集的数据集利用滚动轴承实例数据集进一步验证其泛化能力.开源数据集试验.试验数据笔者采用美国凯斯西储大学提供的开源数据集(该数据集被广泛用于轴承故障诊断试验)试验轴承为 深沟球轴承通过电火花放电的方式造成滚动体、外圈、内圈各 种故障其故障直径依次为.、.、.电机近似转速 /采样频率为 外加正常工况共计 种不同工况如表 所示表 滚动轴承 类工况标签状态描述轴承正常状态内圈故障直径.滚动体故障直径.外圈故障直径.内圈故障直径.滚动体故障直径.外圈故障直径.内圈故障直径.滚动体故障直径.外圈故障直径.分解信号筛选有效分量笔者将上文各工况下的轴承数据进行归一化处理并以 个数据点为一个样本去分割振动信号共计 个样本集再利用 和 方法去分解样本得到多个 分量以正常工况样本为例原始数据和经 分解的各个 分量的时域波形图如图 所示机 电 工 程第 卷图 正常工况 分解图 原始数据和经 分解的各个 分量的时域波形图如图 所示图 正常工况 分解图由图()和图()可以看出:各 分量与原始信号的相关程度不同每一个 分量代表了原始信号中存在的一种内涵模态分量最后一阶分量为残差 由于信号成分复杂、分解参数选择等因素导致分解结果中存在虚假分量 因此笔者根据相关系数和方差贡献率来确定有效分量剔除与故障特征无关的分量根据文献可知相关系数大小所代表的相关程度高低如表 所示表 相关系数程度表相关系数 相关程度.不存在相关性.低度相关性.显著相关性.高度相关性 经 分解后的各分量与原始数据的相关系数如表 所示表 各分量与原始数据相关系数表工况.经 分解后的各分量与原始数据的方差贡献率如表 所示表 各分量方差贡献率表工况.经 分解后的各分量与原始数据的相关系数如表 所示表 各分量与原始数据相关系数表工况.第 期汤武初等:基于特征融合和 的滚动轴承故障诊断 经 分解后的各分量与原始数据的方差贡献率如表 所示表 各分量方差贡献率表工况.从表()和表()可以看出:在各工况下原始数据经、分解后前两阶 分量与原始信号的相关系数均大于.由此可以初步判断出经、分解出的前两阶分量为有效分量从表 可以看出:原始数据经 分解后前两阶分量的方差贡献率大于.且大于其平均值.同样从表 可以看出:经 分解的前两阶分量的方差贡献率均大于其平均值.综合表()表()最终确定:经、分解出的分量中有效分量为前两阶 和 笔者将上述筛选出的有效分量进行特征融合形成新的数据样本提取出了更为有效的特征信息并实现了数据扩容和数据预处理的目的同时抑制了因分解原始信号导致的模态混叠和端点效应使提取的故障信息更有效、更全面也解决了滚动轴承因实际工作环境恶劣而导致的故障特征难提取的问题.试验结果及对比分析)深度残差神经网络诊断结果与分析为了说明数据处理方法的有效性笔者将其与不同数据处理方法进行对比 经反复训练学习选用最大值为.的余弦退火学习率该学习率为周期循环学习率周期为 批量大小为 迭代周期为 特征融合后数据样本的训练集、测试集、损失值随训练迭代次数的变化如图 所示由图 可以看出:在前 个迭代周期内损失值下降很快且训练精度达到了 以后再经过 次迭代 条准确率曲线都逐渐趋于平稳达到完全收敛测试集的准确率为.损失值为.笔者将原始数据输入 网络模型中进行分类概率混淆矩阵如图 所示图 融合特征网络训练结果图 原始数据的分类结果由图 可知:将未经过数据融合的原始数据输入 模型中其分类精度较差仅正常工况的能被完全识别出其他工况均有较大误差总体准确度为.笔者将经 分解并融合有效分量的数据输入 网络模型中进行分类概率混淆矩阵如图 所示图 分解重构数据的分类结果从图 可以看出:其结果优于原始数据的分类结果总体准确度达到.笔者将经 分解并融合有效分量的数据输入 网络模型中进行分类概率混淆矩阵如图机 电 工 程第 卷 所示图 的分类结果从图 可以看出:总体准确度达到.但仍然有多个工况存在较大误差笔者将经、分解并融合有效分量的数据输入 网络模型中进行分类概率混淆矩阵如图 所示图 特征融合的分类结果从图 可以看出:总体准确度达到.仅有一个样本被错误分类且其训练速度最快损失值最小根据不同数据样本的概率混淆矩阵图可以看出:其他数据样本对于故障类别分类都有明显偏差而特征融合后的数据样本仅在滚动体故障上有极小的偏差 因此在故障信息的提取和识别方面笔者提出的方法更为有效基于不同数据处理方法样本在 网络模型中的训练结果如表 所示表 不同数据样本的故障诊断结果数据样本损失值训练集准确率/测试集准确率/训练速度/原始数据.分解数据.分解数据.特征融合数据.从表 可以看出:经过特征融合的数据样本的准确率达到.高于其他数据样本的准确率且损失值最小训练速度最快证明了特征融合后能够提高滚动轴承故障诊断正确率)与传统 网络结构诊断结果对比分析为了进一步说明 网络模型的优势笔者选择对比传统 网络将相同的 和 分解融合的数据样本输入传统神经网络进行训练 网络训练结果如图 所示图 网络训练结果从图 的 网络训练结果可以看出:与 网络模型相比其收敛速度慢且测试集的准确率仅达到 损失值大通过混淆矩阵得知仅正常工况的分类准确度达到 其余工况的分类准确度均有误差通过以上对比分析可知:与传统 相比无论是准确度还是收敛速度深度残差神经网络都有更大的优势且损失值更低训练效率更高 因此笔者设计的 网络对滚动轴承故障的诊断更有效.故障模拟试验为了进一步验证该方法在实际应用中的有效性、可行性以及 网络模型的泛化能力笔者设计第 期汤武初等:基于特征融合和 的滚动轴承故障诊断了轴承故障模拟试验除正常工况外另外设置了外圈、内圈、滚动体这 种故障共 种工况轴承试验平台如图 所示图 轴承试验台所测轴承是 的双列圆锥滚子轴承笔者利用试验台侧面的振动加速度传感器采集信号采样频率为 转速为 /试验轴承基本参数如表 所示表 试验轴承尺寸表型号/单位内径/外径/外圈高度/滚子数/套接触角/()内圈特征频率/.外圈特征频率/.滚动体特征频率/.按照 个采样点为一个数据样本笔者对采集到的数据进行分割同时为防止数据的重复叠加使用影响其准确度将窗口移动步长也设置为 四种工况共计生成 条数据样本随机选取 的数据样本作为测试集剩余 作为训练集笔者对 条样本进行、分解同样根据方差贡献率和相关系数筛选有效分量将融合后的数据输入前文设计的残差神经网络中经过 次迭代后测试集的准确率为.训练集的准确率为.其训练结果如图 所示结合美国凯斯西储大学开源数据集试验结果可知:笔者设计的 网络具有收敛速度快、准确率高的特点进而可以说明在滚动轴承故障诊断方面采用基于特征融合和改进 神经网络的方法具有较强的鲁棒性和通用性 结束语由于滚动轴承信号非平稳、非线性导致轴承的故图 轴承数据训练结果障信息提取困难并且采用传统故障诊断方法的诊断精度低为此笔者提出了一种基于特征融合和改进 的滚动轴承故障诊断方法首先使用 和 方法对原始数据进行预处理再根据相关系数和方差贡献率筛选出代表原始信号的有限特征分量并进行特征的融合最后将其输入 网络中进行故障诊断同时将该方法与传统 网络和不同数据处理方法进行对比利用美国凯斯西储大学开源数据集和滚动轴承实例数据集对其进行了验证研究结果表明:)采用 和 的方法分解原始信号筛选有效分量 更便于表达轴承故障特征得到更全面的故障信息其诊断结果可以达到.优于原始数据的诊断结果(.)且收敛速度更快)根据改进 网络和传统 网络诊断结果的对比分析改进 网络诊断结果为.其明显优于 网络诊断结果的()可见改进 网络对滚动轴承故障的诊断更为科学有效)滚动轴承实例试验结果表明原始数据经过 和 处理后并结合 网络故障诊断精机 电 工 程第 卷度达到.证明了该方法具有良好的泛化能力和较强的鲁棒性鉴于 网络模型的最优超参数需要反复试验训练才能确定因此在后续的工作中笔者会对基于网络模型的超参数选择算法进行深入研究参考文献():徐文宫.基于 的滚动轴承故障特征提取及识别研究.电站系统工程():.杨 宇罗鹏甘磊等.及其在滚动轴承故障分类识别中的应用.振动与冲击():.():.汪 峰周凤星严保康.基于特征量融合和支持向量机的滚动轴承故障诊断.科学技术与工程():.刘 强赵荣珍杨泽本.融合包络熵与 滚动轴承故障识别方法研究.噪声与振动控制():.():.魏秀业程海吉贺妍等.基于特征融合与 的行星齿轮箱故障诊断.电子测量与仪器学报():.范志锋华鉴波.基于多特征融合的行星齿轮箱点蚀故障诊断研究.机械与电子():.():./().:.():./.:.():./.:.():.():.杨 东宋汉江霍柏琦等.基于特征相关分析的柴油机故障诊断方法研究 .现代制造工程():.朱 强吴芮慎明俊等.辅助快速谱峭度的滚动轴承故障诊断方法.轻工机械():.本文引用格式:汤武初吕亚博刘佳彬等.基于特征融合和 的滚动轴承故障诊断.机电工程():.():.机电工程杂志:/.第 期汤武初等:基于特征融合和 的滚动轴承故障诊断