CN110307983B - 基于CNN-Bagging的无人机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于CNN‑Bagging的无人机轴承故障诊断方法，先采集轴承信号，再对轴承信号预处理，提取出时域信号和时频域信号；然后分别基于时域信号和时频域信号通过集成学习算法构建时域弱分类模和时频域弱分类模，最后通过时域弱分类模和时频域弱分类模预测出待检测无人机轴承信号的隶属概率值，从而实现无人机轴承故障诊断。

Description

基于CNN-Bagging的无人机轴承故障诊断方法

技术领域

本发明属于无人机系统的故障诊断技术领域，更为具体地讲，涉及一种基于CNN-Bagging集成学习的无人机轴承故障诊断方法。

背景技术

无人机技术日新月异，各式各样的无人机在军事领域发挥着巨大的作用。而航空发动机的轴承故障是引起无人机故障的主要因素，能够直接影响发动机的可靠性和健康状况。因此，无人机的轴承故障诊断是一个重要的研究课题。无人机轴承的故障形式多样，如何高精度的识别轴承故障类型对无人机系统的稳定性和可靠性有重要意义。除此之外，无人机飞行的空间姿态常导致的轴承受力环境多样，因此对诊断系统的泛化能力有较高要求。研究高精度和强泛化能力的故障诊断系统对无人机维护具有着重要意义。

故障诊断系统常需要对初始轴承故障信号预处理，信号的预处理是后续故障数据分析的基础，因此合适的故障信号预处理的研究具有重要意义。而目前存在的信息预处理方法如下：经验分解(EMD)、小波分析、变分模态分析等。其中EMD是递归筛选模式，这种递归筛选的方法对去噪的鲁棒性能一般，且不易于信号的收敛控制。小波分析去噪参数过多，去噪性能易受参数影响；变分模态分解(VMD)是一种信号分解并加权融合重构的方法，对于非稳性和信噪比低的信号去噪效果较为明显，因此本发明最终选择VMD作为信号预处理算法。

对于轴承的故障诊断模型，传统方法大多使用时域特征或者时频域特征，结合传统的机器学习算法，如支持向量机，贝叶斯分类算法，但是这些方法仅适用于小规模数据集，模型的学习能力有限且对样本敏感，容易过拟合。而无人机的机械设备监测数据通常是大规模海量数据，因此研究者逐步引入深度学习来进行故障诊断，如ANN、RNN和CNN。轴承振动信号通常表现出一定的结构性、周期性，大规模性，而ANN，RNN模型不具备尺度不变性，存在无法权重共享导致轴承故障识别精度不高的问题，相较之下，CNN则具有尺度不变性、较强的特征学习能力以及超强的海量数据处理能力，是轴承故障诊断较为理想的模型。

目前能表征故障的特征形式有很多，如幅度，相位，频率，时域信号，时频信号等等，由于时域特征包含信号中大量故障信息，时频特征则能通过时间频率关系较好的区分不同故障类型，因此主要使用时域特征和时频特征进行故障时别。

研究者通常将一维的振动时域信号输入CNN模型进行故障诊断，这种输入形式由于没有考虑信号故障内部的关联性而导致模型训练效率和故障诊断精度较低。针对此问题，本发明提出基于某个排列基数对信号进行结构化转换，形成网格输入形式，但是存在的问题是模型的精度易受基数影响。本文考虑不同故障类型在振动信号中表现出不同周期性，以故障周期作为上述排列基数对信号进行时间序列转换，得到时间序列矩阵更能表征各类故障的内部信息，同时也能提高CNN模型的训练速度。另一方面，时频特征的使用上，传统方法采用离线傅里叶变换提取时频特征，存在时间、频率定位不准的问题，本文选择连续小波变换的方法，通过可调节的时频窗口得到时频图像，使得时间、频率定位准确，能够较好的区分不同类型的轴承故障。

考虑到目前的CNN故障诊断模型大多使用单一的时域特征或者时频特征，而时域特征和时频特征存在优势互补的现象，时域特征的优势在于，计算复杂度小，有利于算法的实时性，缺点是鲁棒性较差，时频特征可以表征信号不同时刻位置的变化频率信息，十分适用于非平稳信号的分析，鲁棒性较好，但是计算复杂度较大，因此如何有效的实现优势互补具有重要意义。近年来，近年来，在数据融合和模型性能提升的处理上，集成学习的应用是一大研究热点，它能有效的融合数据，实现优势互补。此外，考虑到故障检测数据的海量性，可以合理的通过Bagging集成思想中的采样方法，充分利用数据的价值有效的提升模型的精度和泛化能力，Bagging集成学习的方法具有训练速度快，精度提上高的优势。目前，在无人机的故障诊断方面，将深度学习和Bagging集成学习结合的诊断方法尚无公开的相关文献资料，因此，这种高精度和强泛化能力的故障诊断算法的研究具有重要意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于CNN-Bagging的无人机轴承故障诊断方法，将时域信号和时频域信号分别作为CNN-Bagging的训练数据，通过调整模型参数和输入权重，，实现无人机轴承故障诊断。

为实现上述发明目的，本发明一种基于CNN-Bagging的无人机轴承故障诊断方法，其特征在于，包括以下步骤：

(1)、获取信号数据集

获取无人机内所有轴承的信号，构成信号数据集F＝{f⁽ⁱ⁾|i∈[1,m]}，f⁽ⁱ⁾表示第i个轴承产生的信号，m为无人机内轴承总个数；其中，f⁽ⁱ⁾为第i个轴承产生的正常信号或内环故障信号或滚珠故障信号或外环故障信号；

(2)、信号预处理

(2.1)、采用变分模态分解将f⁽ⁱ⁾分成n个分解信号

其中，分解后的第k个分解信号为：

其中，x∈[1,n]，σ为常数，α为二次惩罚因子，ω⁽ⁱ⁾为f⁽ⁱ⁾的中心频率，

为第k个分解信号的中心频率；

中心频率

的计算公式为：

(2.2)、将n个分解信号进行滤波处理后再叠加，形成信号U⁽ⁱ⁾，

(2.3)、基于小波变换分解信号U⁽ⁱ⁾，形成时频域信号F⁽ⁱ⁾；

(2.4)、以周期为断点，将一维时域信号U⁽ⁱ⁾重构为二维时域数据，得到时域信号S⁽ⁱ⁾；

(2.5)、利用自助采样法分别对时频域信号F⁽ⁱ⁾和时域信号S⁽ⁱ⁾进行采样，分别得到λ组时频域特征数据和时域特征数据；

(3)、利用λ组时域特征数据构建时域弱分类模

(3.1)、利用时域信号S⁽ⁱ⁾搭建CNN网络模型；

(3.2)、分别用每一组时域特征数据训练CNN网络模型，得到对应的时域弱分类模型，记为

(4)、利用λ组时频域特征数据构建时频域弱分类模

(4.1)、利用时频域信号F⁽ⁱ⁾搭建CNN网络模型；

(4.2)、分别用每一组时频域特征数据训练CNN网络模型，得到对应的时域弱分类模型，记为

(5)、CNN-Bagging网络模型的集成

基于Bagging技术，将2λ个弱分类模型进行级联融合，形成CNN-Bagging网络模型；

(6)、无人机轴承故障诊断

将待检测的无人机轴承信号分别输入至时域弱分类模型和时域弱分类模型，每一个弱分类模型输出代表正常轴承、内环故障、外环故障和滚珠故障的四个概率值；

再将2λ个弱分类模型输出的对应概率值进行累加，得到该检测信号的最终输出向量，然后取输出向量中最大概率值所在类别作为该轴承的故障诊断结果。本发明的发明目的是这样实现的：

本发明基于CNN-Bagging的无人机轴承故障诊断方法，先采集轴承信号，再对轴承信号预处理，提取出时域信号和时频域信号；然后分别基于时域信号和时频域信号通过集成学习算法构建时域弱分类模和时频域弱分类模，最后通过时域弱分类模和时频域弱分类模预测出待检测无人机轴承信号的隶属概率值，从而实现无人机轴承故障诊断。

同时，本发明基于CNN-Bagging的无人机轴承故障诊断方法还具有以下有益效果：

(1)、无人机的机械设备监测数据通常是大规模海量数据，使用深度学习CNN的方法具有尺度不变性、较强的特征学习能力等优点，能够提升数据的处理能力；

(2)、时域特征和时频特征存在优势互补的现象，时域特征的优势在于，计算复杂度小，有利于算法的实时性，时频特征可以表征信号不同时刻位置的变化频率信息，十分适用于非平稳信号的分析。将二者结合有利于更精准的故障诊断；

(3)、使用Bagging集成思想中的采样方法，充分利用数据的价值能有效的提升模型的精度和泛化能力，Bagging集成学习的方法具有训练速度快，精度提上高的优势。

附图说明

图1是本发明基于CNN-Bagging的无人机轴承故障诊断方法流程图；

图2是轴承信号的预处理流程图；

图3是时域信号重构示意图；

图4是时域信号建立CNN网络模型示意图；

图5是时频域信号建立CNN网络模型示意图；

图6是CNN-Bagging网络模型示意图；

图7是轴承信号诊断流程图；

图8是时域CNN模型、时频域CNN模型以及CNN-Bagging网络模型的分类准确率对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

EMD(Empirical Mode Decomposition)：经验模态分解；

VMD(variational mode decomposition)变分模态分解；

Bagging(bootstrap aggregating)：自助采样聚合；

CNN：卷积神经网络；

ANN(Artificial Neutral Network)：人工神经网络；

RNN(Recurrent Neural Networks)：循环神经网络；

图1是本发明基于CNN-Bagging的无人机轴承故障诊断方法流程图。

在本实施例中，如图1所示，本发明一种基于CNN-Bagging的无人机轴承故障诊断方法，包括以下步骤：

S1、获取信号数据集

获取无人机内所有轴承信号，构成信号数据集F＝{f⁽ⁱ⁾|i∈[1,m]}，f⁽ⁱ⁾表示第i个轴承产生的信号，m为无人机内轴承总个数，其中，轴承信号可能为正常信号、内环故障信号、滚珠故障信号和外环故障信号四类；

S2、如图2所示，轴承信号预处理

S2.1、采用变分模态分解将f⁽ⁱ⁾分成n个分解信号

其中，分解后的第k个分解信号为：

其中，x∈[1,n]，σ为常数，α为二次惩罚因子，ω⁽ⁱ⁾为f⁽ⁱ⁾的中心频率，

为第k个分解信号的中心频率；

中心频率

的计算公式为：

S2.2、将n个分解信号进行滤波处理后再叠加，形成信号U⁽ⁱ⁾，

S2.3、基于小波变换分解信号U⁽ⁱ⁾，形成时频域信号F⁽ⁱ⁾，时频域信号本身为频谱图，是二维信息，因此不需要重构；

S2.4、如图3所示，以周期为断点，将一维时域信号U⁽ⁱ⁾重构为二维时域数据，得到时域信号S⁽ⁱ⁾；

S2.5、利用自助采样法分别对时频域信号F⁽ⁱ⁾和时域信号S⁽ⁱ⁾进行采样，分别得到λ组时频域特征数据集和时域特征数据集；

S3、利用λ＝20组时域特征数据集构建时域弱分类模

S3.1、利用时域信号S⁽ⁱ⁾搭建CNN网络模型，根据时频域数据特性建立CNN网络模型如图4所示，CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层。

输入层：输入时域样本尺寸为64×16，通道数为1.

卷积层C1：卷积核尺寸设为3×3，Stride(步长)设定为1，Pad(零填充)设为1，特征图尺寸为64×16，特征图深度为6，激活函数选择relu函数。

池化层S1：Stride(步长)设定为2，Pad(零填充)设为0，特征图尺寸为32×8，池化层不改变特征图深度。

卷积层C2：卷积核尺寸设为3×3，Stride(步长)设定为1，Pad(零填充)设为1特征图尺寸为32×8，特征图深度为24，激活函数选择relu函数。

池化层S2：Stride(步长)设定为2，Pad(零填充)设为0，特征图尺寸为16×4，池化层不改变特征图深度。

全连接层：将神经元个数设为64，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5。

输出层Softmax：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。

S3.2、分别用每一组时域特征数据训练CNN网络模型，得到对应的时域弱分类模型，记为

S4、利用λ组时频域特征数据构建时频域弱分类模

S4.1、利用时频域信号F⁽ⁱ⁾搭建CNN网络模型，根据时频域数据特性建立CNN网络模型如图5所示，CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层。

输入层：输入时域样本尺寸为28×28，通道数为1。

卷积层C1：卷积核尺寸设为5×5，Stride(步长)设定为1，Pad(零填充)设为0，特征图尺寸为24×24，特征图深度为6，激活函数选择relu函数。

池化层S1：Stride(步长)设定为2，Pad(零填充)设为0，特征图尺寸为12×12，池化层不改变特征图深度。

卷积层C2：卷积核尺寸设为5×5，Stride(步长)设定为1，Pad(零填充)设为0，特征图尺寸为8×8，特征图深度为24，激活函数选择relu函数。

池化层S2：Stride(步长)设定为2，Pad(零填充)设为0，特征图尺寸为4×4，池化层不改变特征图深度。

全连接层FC：将神经元个数设为336，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5。

输出层Softmax：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。

S4.2、分别用每一组时频域特征数据训练CNN-Bagging网络模型，得到对应的时域弱分类模型，记为

S5、CNN-Bagging网络模型的集成

基于Bagging技术，将2λ个弱分类模型进行级联融合，形成CNN-Bagging网络模型；

S6、无人机轴承故障诊断

如图6所示，将待检测的无人机轴承信号分别输入至时域弱分类模型和时域弱分类模型，每一个弱分类模型输出代表正常轴承、内环故障、外环故障和滚珠故障的四个概率值；

再将2λ个弱分类模型输出的对应概率值进行累加，得到该检测信号的最终输出向量，然后取输出向量中最大概率值所在类别作为该轴承的故障诊断结果。

实例

假设一架无人机有n个轴承，分别为f1,f2,…,fn。针对f1首先基于变分模态分解(VMD)将f1轴承信号分解为时域信号S1和时频信号F1，然后将其通过集成模型CNN对f1进行故障诊断。基于上述过程分别对轴承f2…fn做故障诊断，诊断流程如图7所示，最终根据每个轴承的诊断结果判断轴承存在的故障情况

模型评判参数精确度Acc，查准率P，查全率R，F1和运算速率等指标。

设S_N和F_N分别表示时域模型和时频域模型数量，最终测试结果如表1所示。

指标参数	S<sub>N</sub>	F<sub>N</sub>	ACC(％)	·	R(％)	F1
								20	20	96.251	98.639	94.324	0.965

表1

如图8所示，时域模型训练25个训练期后准确率逐渐平缓，最终达到89.520％，；时频域模型训练在37个训练期后准确率逐渐平缓，最终达到92.732％。可以发现由时频域数据训练的CNN模型比由时域数据训练的模型准确率高，但仍低于时域和时频域数据训练的CNN+bagging集成模型准确率96.251％，因此将时频域模型与时域模型集成能够有效提高检测准确率。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于CNN-Bagging的无人机轴承故障诊断方法，其特征在于，包括以下步骤：

(1)、获取信号数据集

获取无人机内所有轴承的信号，构成信号数据集F＝{f⁽ⁱ⁾|i∈[1,m]}，f⁽ⁱ⁾表示第i个轴承产生的信号，m为无人机内轴承总个数；其中，f⁽ⁱ⁾为第i个轴承产生的正常信号或内环故障信号或滚珠故障信号或外环故障信号；

(2)、信号预处理

(2.1)、采用变分模态分解将f⁽ⁱ⁾分成n个分解信号

其中，分解后的第k个分解信号为：

其中，x∈[1,n]，σ为常数，α为二次惩罚因子，ω⁽ⁱ⁾为f⁽ⁱ⁾的中心频率，

为第k个分解信号的中心频率；

中心频率

的计算公式为：

(2.2)、将n个分解信号进行滤波处理后再叠加，形成信号U⁽ⁱ⁾，

(2.3)、基于小波变换分解信号U⁽ⁱ⁾，形成时频域信号F⁽ⁱ⁾；

(2.4)、以周期为断点，将一维时域信号U⁽ⁱ⁾重构为二维时域数据，得到时域信号S⁽ⁱ⁾；

(2.5)、利用自助采样法分别对时频域信号F⁽ⁱ⁾和时域信号S⁽ⁱ⁾进行采样，分别得到λ组时频域特征数据和时域特征数据；

(3)、利用λ组时域特征数据构建时域弱分类模型

(3.1)、利用时域信号S⁽ⁱ⁾搭建CNN网络模型；

(3.2)、分别用每一组时域特征数据训练CNN网络模型，得到对应的时域弱分类模型，记为

(4)、利用λ组时频域特征数据构建时频域弱分类模型

(4.1)、利用时频域信号F⁽ⁱ⁾搭建CNN网络模型；

(4.2)、分别用每一组时频域特征数据训练CNN网络模型，得到对应的时域弱分类模型，记为

(5)、CNN-Bagging网络模型的集成

基于Bagging技术，将2λ个弱分类模型进行级联融合，形成CNN-Bagging网络模型；

(6)、无人机轴承故障诊断

将待检测的无人机轴承信号分别输入至时域弱分类模型和时频域弱分类模型，每一个弱分类模型输出代表正常轴承、内环故障、外环故障和滚珠故障的四个概率值；

再将2λ个弱分类模型输出的对应概率值进行累加，得到该检测信号的最终输出向量，然后取输出向量中最大概率值所在类别作为该轴承的故障诊断结果。

2.根据权利要求1所述的基于CNN-Bagging的无人机轴承故障诊断方法，其特征在于，所述步骤(3.1)中，利用时域信号S⁽ⁱ⁾搭建CNN网络模型为：

所述CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层；

输入层：输入时域样本尺寸为64×16，通道数为1；

卷积层C1：卷积核尺寸设为3×3，步长Stride设定为1，零填充Pad设为1，特征图尺寸为64×16，特征图深度为6，激活函数选择relu函数；

池化层S1：Stride设定为2，Pad设为0，特征图尺寸为32×8；

卷积层C2：卷积核尺寸设为3×3，Stride设定为1，Pad设为1特征图尺寸为32×8，特征图深度为24，激活函数选择relu函数；

池化层S2：Stride设定为2，Pad设为0，特征图尺寸为16×4；

全连接层：将神经元个数设为64，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5；

输出层：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。

3.根据权利要求1所述的基于CNN-Bagging的无人机轴承故障诊断方法，其特征在于，所述步骤(4.1)中，利用时频域信号F⁽ⁱ⁾搭建CNN网络模型为：

所述CNN网络模型主要包括输入层、卷积层、池化层、全连接层和输出层；

输入层：输入时域样本尺寸为28×28，通道数为1；

卷积层C1：卷积核尺寸设为5×5，步长Stride设定为1，零填充Pad设为0，特征图尺寸为24×24，特征图深度为6，激活函数选择relu函数；

池化层S1：Stride设定为2，Pad设为0，特征图尺寸为12×12；

卷积层C2：卷积核尺寸设为5×5，Stride设定为1，Pad设为0，特征图尺寸为8×8，特征图深度为24，激活函数选择relu函数；

池化层S2：Stride设定为2，Pad设为0，特征图尺寸为4×4；

全连接层FC：将神经元个数设为336，将Dropout参数设定为0.5，令该层层神经元失活的概率为0.5；

输出层：输出类别数为4，分别对应正常信号、内环故障信号、滚珠故障信号、外环故障信号。

Images