CN109635677A - 基于多标签分类卷积神经网络的复合故障诊断方法及装置 - Google Patents

Abstract

本发明公开了一种基于多标签分类卷积神经网络的复合故障诊断方法及装置，所述方法包括步骤：步骤1：采集并提取单一故障和复合故障工况下的振动加速度信号样本；步骤2：对于每个样本按类型给定标签后划分为训练集和测试集；步骤3：搭建深层一维卷积神经网络，设置Sigmoid激活函数和边界损失函数Margin Loss；步骤4：直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。本发明使分类器自适应地为复合故障输出多个标签，不但故障诊断精度高，且能克服传统分类器只能输出一个标签的局限性，实现对复合故障的诊断。

Description

基于多标签分类卷积神经网络的复合故障诊断方法及装置

技术领域

本发明属于机械制造技术领域，涉及一种机械故障诊断技术，具体涉及一种基于多标签分类卷积神经网络的复合故障诊断方法及装置。

背景技术

轴承和齿轮等旋转件是机械设备中一种必不可少的通用零部件，在现代工业设备中扮演着重要的角色。对旋转机械的故障诊断是预防性维修系统的重要组成部分，对延长机械设备的使用寿命、减少维护费用和增加设备运行的安全性具有重要意义。

基于人工智能的故障诊断方法，已经被广泛的应用于旋转机械的故障诊断并取得了较好的效果。一般旋转机械故障诊断可通过振动信号的采集、特征提取、分类来完成，而分类过程可由反向传播神经网络、支持向量机等机器学习算法来实现。卷积神经网络以其高效的特征提取能力和对输入的平移不变性受到广泛关注，尤其是在图像识别等领域得到迅速应用。近年来，学者们开始研究将传统的卷积神经网络一维化，并运用于一维序列数据的分类中。

对于旋转机械复合故障模式，目前大多数智能诊断方法将其单列为一种故障模式进行识别，忽略复合故障与单一故障之间的联系。对于一个深度学习诊断模型，如果要针对某个系统中多种可能的零部件复合故障建模，将会使得模型复杂度提高、模型参数数量大幅增加，而且还会导致某些复合故障数据量不足等问题。目前，机械复合故障的解耦分析仍然是智能诊断面临的一个挑战，它对机械设备的智能维护也具有重要意义。

发明内容

为解决现有技术存在的上述问题，本发明设计一种基于多标签分类卷积神经网络的复合故障诊断方法，将识别到的复合故障解耦为多个单一故障，以期提高故障系统的预测准确性和使用便利性。

本发明所提的技术方案是，一种基于多标签分类卷积神经网络的复合故障诊断方法，利用Margin Loss函数能扩大类外间距并缩小类内间距的特性，改进一维卷积神经网络的代价函数及激活函数，结合优化算法，使网络能自适应地为复合故障输出多个标签。

本发明采用具有多标签分类器结构的一维卷积神经网络，不仅具有较好的特征学习能力，而且可以实现对单一故障和复合故障进行精准识别。

本发明通过如下技术方案实现：

一种基于多标签分类卷积神经网络的复合故障诊断方法，包括步骤：

步骤1：采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本；

步骤2：对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集；

步骤3：利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数；

步骤4：在不对样本进行任何预处理的情况下，直接将训练集振动数据输入步骤3搭建的深层一维卷积神经网络中进行训练；

步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

本方案所述的代价函数由边界损失函数取代传统的交叉熵损失函数CrossEntropy，其在指导参数更新的过程中会自动最大化不同类别样本间距离并自动最小化相同类别样本间距离，这种特性不仅有助于加快网络的收敛速度，还能提高网络的鲁棒性。

所述输出层激活函数由Sigmoid取代Softmax，以保证每类故障概率的输出区间都为[0,1]，使得每一种故障类别都具有平等获得表达的权利。通过设定输出阈值，达到多标签输出的效果。

进一步地，所述步骤1中，所述样本提取参数包括样本提取长度和样本重叠率，其中，通过设置一定的样本提取长度截取一定长度振动信号离散点作为样本，设置一定的样本重叠率以最大化利用到现有数据。

进一步地，一个样本的提取长度包含1/3秒的数据，相邻样本之间有0.5的样本重叠率。

进一步地，所述步骤2中，在给定标签的过程中，对于单一故障，给定的标签是one-hot形式，对于复合故障，给定的标签是multi-hot形式。

进一步地，所述步骤3中，所述的一维卷积神经网络包括输入层、卷积层、池化层、整形层、全连接层和输出层，网络的超参数由Scikit-Learn框架的Grid Search方法确定。

进一步地，所述Sigmoid激活函数的表达式如下：

其中及分别为激活前后的最后全连接层的第i个神经元的输出，C表示类别总数；

所述边界损失函数Margin Loss的表达式为：

其中，M和C分别表示样本个数及类别个数；T_c是示性函数，对于第m个样本，如果其真实状况包含第c类故障则否则注意此处一个样本可以包含多种类别；表示第m个样本对应的第c个输出神经元的激活值；p⁺表示当即第m个样本真实包含第c类故障时为了不受到惩罚的下限值，此处取0.9；p-表示当即第m个样本实际不包含第c类故障时为了不受到惩罚的上限值，此处取0.1；λ用于调节两个相加项的比重，此处取0.5。

进一步地，所述步骤4中不对数据做任何预处理，利用一维卷积神经网络自动提取特征，避免了人工特征提取与优化过程，减少了人工参与因素，增强了机械故障诊断的智能性。

一种基于多标签分类卷积神经网络的复合故障诊断装置，包括：

数据集的采集与提取模块，用于采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本；

标定及划分模块，对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集；

深层一维卷积神经网络搭建模块，用于利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数；

深层一维卷积神经网络训练模块，在不对样本进行任何预处理的情况下，直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；

故障状态分类模块，通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

一种电子设备，包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。

本发明提供的基于多标签分类卷积神经网络的复合故障诊断方法及装置，与现有技术相比具有如下优点：

1、本发明包含的网络能自动提取振动信号中的特征，这些特征具有优异的同类相似性及异类差异性，能更好地帮助网络对复合故障的解耦，从而提高网络的识别精度；网络具有多标签分类器结构，能更加直观地反映旋转机械故障状态，同时具有更高的鲁棒性。

2、使用本发明进行齿轮箱内轴承及齿轮的故障识别，结果显示本方法能准确地识别轴承及齿轮的单一故障和复合故障。

附图说明

图1是本发明实施例的方法的算法流程图；

图2是本发明实施例的方法的网络结构示意图；

图3是传统分类器识别效果图；

图4是多标签分类器识别效果图；

图5是实例中五挡变速器上传感器位置示意图；

图6是传统网络在实例中的识别结果混淆矩阵；

图7是本发明网络在实例中的识别结果混淆矩阵；

图8是本发明网络在实例中的实际输出标签形式。

具体实施方式

下面结合附图和具体实施步骤对本发明进行详细说明。

实施例

一种基于多标签分类器的一维卷积神经网络复合故障诊断方法，其算法流程如图1所示，所述方法利用Margin Loss函数能扩大类外间距并缩小类内间距的特性，改进一维卷积神经网络的代价函数及激活函数，结合优化算法，使网络能自适应地为复合故障输出多标签。该方法包括步骤如下：

步骤1：采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本长度和样本重叠率截断提取大量样本；

步骤2：对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将样本集随机划分为训练集和测试集；

步骤3：利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数Margin Loss；

步骤4：不对样本进行任何预处理，直接将训练集振动数据输入上一步搭建的深层一维卷积神经网络中进行训练；

步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

具体而言，所述步骤1中，所述样本提取参数包括样本提取长度和样本重叠率，其中，通过设置一定的样本提取长度截取一定长度振动信号离散点作为样本，设置一定的样本重叠率以最大化利用到现有数据。

具体而言，一个样本的提取长度包含1/3秒的数据，相邻样本之间有0.5的样本重叠率。

具体而言，所述步骤2中，在给定标签的过程中，对于单一故障，给定的标签是one-hot形式，对于复合故障，给定的标签是multi-hot形式。

具体而言，所述步骤3中，所述的一维卷积神经网络包括输入层、卷积层、池化层、整形层、全连接层和输出层，网络的超参数由Scikit-Learn框架的Grid Search方法确定。

具体而言，所述Sigmoid激活函数的表达式如下：

其中及分别为激活前后的最后全连接层的第i个神经元的输出，C表示类别总数；

所述边界损失函数Margin Loss的表达式为：

其中，M和C分别表示样本个数及类别个数；T_c是示性函数，对于第m个样本，如果其真实状况包含第c类故障则否则注意此处一个样本可以包含多种类别；表示第m个样本对应的第c个输出神经元的激活值；p⁺表示当即第m个样本真实包含第c类故障时为了不受到惩罚的下限值，此处取0.9；p-表示当即第m个样本实际不包含第c类故障时为了不受到惩罚的上限值，此处取0.1；λ用于调节两个相加项的比重，此处取0.5。

具体而言，所述步骤4中不对数据做任何预处理，利用一维卷积神经网络自动提取特征，避免了人工特征提取与优化过程，减少了人工参与因素，增强了机械故障诊断的智能性。

1.对一维卷积神经网络的说明：

卷积神经网络是一种深度前馈人工神经网络，对输入信息具有高效的特征提取能力，利用卷积神经网络进行学习时往往可以将特征提取操作完全交给机器。由于卷积神经网络采用局部卷积的操作，因此对输入数据的平移行为不敏感。基于这两个特点，研究人员经常将卷积神经网络作为图像识别任务的首选网络。

一维振动数据可以看作是行数为1的二维数据，采用一维卷积神经网络对其进行分析，同样既能做到高效的特征提取，又能保持平移不变性。

2.对多标签分类器原理的说明：

多标签分类一维卷积神经网络的结构示意图如图2所示，其主要特点是以一维卷积神经网络作为特征提取器，以Sigmoid为输出层激活函数构成多标签分类器，以MarginLoss作为训练时的代价函数。下面将对激活函数和代价函数的选择做出说明，并对比多标签分类器(Sigmoid+Margin Loss)与传统分类器(Softmax+Cross Entropy)的效果差异。

a.对输出层激活函数选择的说明：

传统的神经网络分类器采用Softmax作为输出层的激活函数，其表达式如下：

其中及分别为经Softmax激活前后的最后全连接层的第i个神经元的输出，C表示类别总数。

Softmax函数的原理是将最后全连接层的所有输出之和压缩至1，每个神经元的最终输出即为该神经元代表的类别的概率，而其中概率最高的神经元所代表的类别将被分类器表达。

与传统分类器不同的是，多标签分类器用Sigmoid代替Softmax作为输出层激活函数，显然，Sigmoid函数将最后全连接层的每一个神经元的值都映射到[0,1]区间，因此每一种类别都有平等获得表达的权利。为输出值设定一个阈值，使激活值超过阈值的所有神经元都得到表达，从而实现网络的多类别输出。

b.对代价函数选择的说明：

卷积神经网络中使用最广泛的代价函数是Cross Entropy函数，与其他函数相比，Cross Entropy函数具有更强的全局优化能力和更快的收敛速度。Cross Entropy函数的表达式如下：

其中w，b则分别表示网络的权值与偏置；M和C分别表示样本个数及类别个数；y^m表示第m个样本的真实类别；表示第m个样本对应的第c个输出神经元的激活值；1{*}是示性函数，“*”代表的表达式为真时返回1，否则返回0。

尽管Cross Entropy有诸多优势使得其在单输出神经网络中深受欢迎，然而对于本发明中的多输出神经网络，Margin Loss函数则是更合适的代价函数。这种新的代价函数可以有效地增大类间距离而减少类内距离，这将使得训练多标签输出的神经网络变得更加容易。

c.多标签分类器与传统分类器的效果对比说明：

传统分类器与多标签分类器分别对单一类别及复合类别的识别效果如图3，从图中可以看出，传统分类器对于两个耦合的类别的识别是无能为力的，而多标签分类器可以将耦合的多种类别进行解耦识别。

实验案例

轴承和齿轮是齿轮箱的两个关键部件，是旋转机械的重要组成部分。为了验证本发明所提方法的有效性，以某汽车五挡变速器为研究对象设计了轴承与齿轮故障的识别实验。

1.实验数据

所研究的五挡变速器示意图如图5所示，实验时设定五挡齿轮接合，输出轴转速为1100r/m，负载转矩为50Nm。通过安装在汽车变速器输出轴轴承座上的加速度计，以24kHz的采样频率采集原始振动信号。设定样本长度为4096个点，重叠率为0.5进行样本划分。有关齿轮箱数据集的详细信息列于表1中。

表1.齿轮箱数据集信息

2.网络参数的确定

将上述训练集中的原始振动数据输入到一维卷积神经网络中，网络从中自动学习和提取深层特征，这些特征随后输入多标签分类器，计算代价函数并指导网络权值与偏置的调整。

网络的超参数是通过Scikit-Learn框架中的Grid Search方法进行穷举选定。最终确定的网络包括2组卷积-池化层、1个整形层、2个全连接层和1个多标签分类层。网络的详细参数信息见表2。

表2.获得的网络最优参数

实验使用Keras工具箱实现，最大迭代次数设置为20，数据批尺寸设置为64，训练优化器选择Adam Optimizer。

3.实验结果与分析

在本实验中，将基于多标签分类器的一维卷积神经网络模型与传统一维卷积神经网络模型进行了比较，这两种模型除了代价函数和最后全连接层激活函数之外，其他网络结构完全相同。

为了评价本发明所提方法的优越性，采用混淆矩阵来评价两种方法的分类准确率和误分类率。图6和图7分别反映了传统模型和本发明所提方法识别结果的混淆矩阵。从混淆矩阵可以看出，该方法在齿轮箱故障诊断中取得了较好的效果，证明了所提方法的有效性和鲁棒性。另外，图7还表明，所提方法通过多标签分类器可以准确输出单个或多个样本的标签，同时，它并不会将单个故障情况识别成由正常状态和此故障组成的复合情况。

为了进一步说明本发明所提方法对复合故障的解耦能力，给出所提方法进行故障识别的过程中抛出的实际标签，如图8所示。从图中可以看出，本发明所提方法能将由轴承故障和齿轮故障耦合的复合故障完全解耦为两个单一故障。

综上所述，本发明提供了一种基于多标签分类卷积神经网络的复合故障诊断方法。首先，利用一维卷积神经网络学习和提取振动原始信号的特征；其次，利用由Sigmoid激活函数和Margin Loss代价函数设计的多标签分类器分析卷积神经网络传来的特征，并识别出单一故障或复合故障；最后，利用包含了正常状态、轴承故障、齿轮故障和由两故障耦合的复合故障的齿轮箱数据集对该方法进行了验证。实验结果表明，该方法能有效地识别旋转机械的单一故障，并能将复合故障解耦成多个单一故障进行识别。

为了实现上述实施例，本发明实施例还提供了一种基于多标签分类卷积神经网络的复合故障诊断装置，包括：

数据集的采集与提取模块，用于采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本；

标定及划分模块，对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集；

深层一维卷积神经网络搭建模块，用于利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid函数，设置代价函数为边界损失函数；

深层一维卷积神经网络训练模块，在不对样本进行任何预处理的情况下，直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；

故障状态分类模块，通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

为了实现上述实施例，本发明实施例还提供了一种电子设备，包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现所述的诊断方法。

为了实现上述实施例，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的诊断方法。

最后需要说明的是，上述实施方式只是对本发明一个优选实施例所作的描述，并非对本发明保护范围进行的限定，在不脱离本发明设计精神的前提下，本领域技术人员对本发明的技术方案做出的各种等效的变化、修饰和改进，均应包括在本发明申请专利范围内。

Claims (10)

1.一种基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，包括步骤：

步骤1：采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本；

步骤2：对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集；

步骤3：利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数Margin Loss；

步骤4：直接将训练集振动数据输入步骤3搭建的深层一维卷积神经网络中进行训练；

步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

2.根据权利要求1所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，所述步骤1中，所述样本提取参数包括样本提取长度和样本重叠率，其中，通过设置一定的样本提取长度截取一定长度振动信号离散点作为样本，设置一定的样本重叠率以最大化利用到现有数据。

3.根据权利要求2所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，一个样本的提取长度包含1/3秒的数据，相邻样本之间有0.5的样本重叠率。

4.根据权利要求1所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，所述步骤2中，在给定标签的过程中，对于单一故障，给定的标签是one-hot形式，对于复合故障，给定的标签是multi-hot形式。

5.根据权利要求1所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，所述步骤3中，所述的一维卷积神经网络包括输入层、卷积层、池化层、整形层、全连接层和输出层，网络的超参数由Scikit-Learn框架的Grid Search方法确定。

6.根据权利要求1所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，

所述Sigmoid激活函数的表达式如下：

其中及分别为激活前后的最后全连接层的第i个神经元的输出，C表示类别总数；

所述边界损失函数Margin Loss的表达式为：

其中，M和C分别表示样本个数及类别个数；T_c是示性函数，对于第m个样本，如果其真实状况包含第c类故障则否则注意此处一个样本可以包含多种类别；表示第m个样本对应的第c个输出神经元的激活值；p+表示当即第m个样本真实包含第c类故障时为了不受到惩罚的下限值，此处取0.9；p-表示当即第m个样本实际不包含第c类故障时为了不受到惩罚的上限值，此处取0.1；λ用于调节两个相加项的比重，此处取0.5。

7.根据权利要求1所述的基于多标签分类卷积神经网络的复合故障诊断方法，其特征在于，所述步骤4中不对数据做任何预处理，利用一维卷积神经网络自动提取特征。

8.一种基于多标签分类卷积神经网络的复合故障诊断装置，其特征在于，包括：

数据集的采集与提取模块，用于采集旋转机械在单一故障和复合故障工况下的振动加速度信号，并设置一定的样本提取参数截断提取若干样本；

标定及划分模块，对于每一个样本，单一故障给定单个标签，复合故障给定多个标签，然后按一定比例将给定标签的样本集随机划分为训练集和测试集；

深层一维卷积神经网络搭建模块，用于利用Keras搭建深层一维卷积神经网络，设置输出层激活函数为Sigmoid激活函数，设置代价函数为边界损失函数；

深层一维卷积神经网络训练模块，在不对样本进行任何预处理的情况下，直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；

故障状态分类模块，通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。

9.一种电子设备，其特征在于：包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述程序时，实现如权利要求1至6中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。