CN110361176A - 一种基于多任务特征共享神经网络的智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：（1）分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；（2）构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；（3）采用多任务联合训练，同时训练分类和预测模型；（4）将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。

Description

一种基于多任务特征共享神经网络的智能故障诊断方法

技术领域

本发明属于机械故障诊断领域，具体涉及一种基于多任务特征共享神经网络的智能故障诊断方法。

背景技术

随着科学技术的快速发展以及《中国制造2025》、《新一代人工智能发展规划》等国家战略的部署，我国机械制造业正逐步进入数字化的智能制造时代。各行各业的机械设备系统不断朝着复杂化、数字化和智能化的方向发展。然而，长期运行于高负荷、高转速和高作业率状态下的机械设备，极易出现疲劳失效，进而导致设备停机，甚至导致重大安全事故和巨大的经济损失。因此，智能故障诊断与预测性维护技术已经成为了工业界和学术界研究的热点话题。

近年来，基于深度学习和数据驱动的智能诊断方法在工业实际中得到了较为广泛地应用。然而，一般的智能故障诊断方法仍存在以下局限性：1)将不同退化程度的同类型故障视作多种不同的故障模式，利用分类的方法来识别退化程度。而在实际工业环境中，评价设备退化程度的参量多为连续变化的物理量，以分类的方法来进行设备退化评估不符合工业实际情况；2)当工况(如转速和载荷)发生变化时，诊断算法的泛化能力较差。传统方法一般通过扩大数据集的样本量来提高模型的泛化能力，但要收集所有工况下各个故障类型的数据，不仅经济代价大，而且费时费力，实施的可行性差；3)现有方法多限于诊断特定任务，如设备故障分类或性能退化预测，算法的可拓展性和可迁移性较差，难以满足实际工业环境中愈发多样和灵活的诊断需求。

发明内容

针对上述问题，本发明提出一种基于卷积神经网络和长短时记忆网络的多任务特征共享神经网络(Multi-Task Feature Sharing Neural Network,MFSNN)。该网络具有多任务特征共享的特点，采用多任务联合训练，可同时实现多任务智能诊断。

本发明的目的至少通过如下技术方案之一实现：

一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，其特征在于，包括步骤：

(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；

(2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；

(3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；

(4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。

进一步地，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。

进一步地，步骤(2)中构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从振动加速度信号中提取深层特征，具体构建步骤为：

2.1)将输入层的输入特征表示与不同尺寸的卷积核进行卷积，形成新的特征表示表达式为：

2.2)对步骤2.1)中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z^l，其数学模型为：

Z^l＝σ(W^l*Z^l-1+b^l)，

其中Z^l为第l层的输出，Z^l-1为第l-1层的输出，b^l为待优化的偏置，卷积核W^l为待学习的权重向量，σ为非线性激活函数；

2.3)对步骤2.2)输出的特征进行最大值池化操作，从而得到更为抽象的特征

进一步地，步骤(2)中构建的故障类型分类模型由卷积层和Softmax分类器组成；预测模型由堆栈长短时记忆网络组成；所述故障类型分类模型和预测模型的输入均为所述自适应特征提取器的输出，所述故障类型分类模型和预测模型共享自适应特征提取器提取的高维特征。

进一步地，所述步骤(3)采用多任务联合训练，训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：

L＝λ₁L₁+λ₂L₂

其中L₁和L₂分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ₁和λ₂为对应任务的权重，根据训练取得的效果，此处取λ₁＝0.3和λ₂＝1.0；

故障类型分类任务的损失函数为交叉熵损失函数(Cross EntropyLoss)，其表达式为：

其中N和K分别表示样本数及类别数；yⁿ表示第n个样本的真实类别；表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0；

故障尺寸预测任务的损失函数为均方误差损失函数(Mean Square Error,MSE)，其表达式为：

其中N表示样本数；表示第n个样本的真实故障尺寸；表示第n个样本的神经元预测值。

相比现有技术，本发明的有益效果包括：

1)本发明所提的基于多任务特征共享神经网络的智能故障诊断方法可同时实现对故障类型的分类和故障程度的预测，大大提升了诊断的多样性，为评价设备的综合性能和退化程度提供了重要信息。

2)本发明采用多任务联合训练，相较训练多个单任务模型的传统方法，减少了模型参数，降低了算法的时间复杂度。

3)本发明使用原始振动信号作为输入，避免了人为特征提取，减少了对信号处理等专业知识的依赖性，大大提升了诊断的智能性。

4)本发明所提的基于多任务特征共享神经网络的智能故障诊断方法具有较高的扩展能力，在实际工业应用中，可根据实际工业场景添加更多任务模型，从而灵活实现多属性智能诊断，对设备的健康评估和预测性维护具有重要意义。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的网络结构示意图。

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，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，包括步骤：

S1、分别采集旋转机械在不同实验工况下的振动加速度信号，再从原始振动加速度信号中截取一定长度的数据段来构成样本；试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。

S2、如图2所示，构建多任务特征共享神经网络，包括构建基于一维卷积神经网络的特征提取器，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从原始振动信号中提取深层特征，具体构建步骤为：

S2.1、将输入层的输入特征表示与不同尺寸的卷积核进行卷积，形成新的特征表示表达式为：

S2.2、步骤对S2.1中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z^l，其数学模型为：

Z^l＝σ(W^l*Z^l-1+b^l)

其中Z^l为第l层的输出，Z^l-1为第l-1层的输出，b^l为待优化的偏置，卷积核W^l为待学习的权重向量，σ为非线性激活函数。

S2.3、对步骤S2.2输出的特征进行最大值池化操作，从而得到更为抽象的特征

S3、构建基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型。

S4、采用多任务联合训练，在Keras框架下，将步骤S1中得到的训练集输入步骤S2-S3构建的模型，同时训练分类和预测模型。训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：

L＝λ₁L₁+λ₂L₂

其中L₁和L₂分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ₁和λ₂为对应任务的权重，根据训练取得的效果，此处取λ₁＝0.3和λ₂＝1.0；

故障类型分类任务的损失函数为交叉熵损失函数(Cross Entropy Loss)，其表达式为：

其中N和K分别表示样本数及类别数；yⁿ表示第n个样本的真实类别；表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0。

故障尺寸预测任务的损失函数为均方误差损失函数(Mean Square Error,MSE)，其表达式为：

其中N表示样本数；表示第n个样本的真实故障尺寸；表示第n个样本的神经元预测值。

S5、将实际工业环境中采集的振动加速度信号输入由步骤S4中训练好的模型，得到多任务诊断结果。

实验案例：

滚动轴承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，以滚动轴承为对象设计了故障分类和故障程度预测实验。

1、实验数据

实验数据集为美国凯斯西储大学的滚动轴承数据集。选取采样频率为12KHz的驱动端轴承加速度数据，包括3种工况，如表1所示。

表1试验工况

由原始信号中截取一定长度的数据段来构成单个训练样本。选取每个样本的长度为2048个点，相邻两个样本的首尾重合率为25％。具体数据集构成和样本数量如表2所示。

表2实验样本组成

2、网络参数

利用深度学习框架Keras构建模型，模型的结构参数见表3所示。训练优化器为Adam，学习率设置为0.001，批量(Batch_size)为128，迭代次数(Epochs)为20。

表3模型结构参数

3、实验结果与分析

将数据集以7:3划分为训练集和测试集，以交叉验证的方式，分别在A、B、C三种不同工况下验证模型在分类与预测方面的准确性。为合理评价诊断算法的准确性，利用分类准确率来评价故障类型的分类准确率，用均方根误差(Root Mean Square Error，RMSE)来评价故障尺寸的预测误差，其数学表达式为：

其中N表示样本数；表示第n个样本的真实故障尺寸；表示第n个样本的神经元预测值。实验结果见表4。

表4不同工况下的诊断结果

由表4可以发现，在不同工况下，模型对故障类型的识别准确率均达到了100％；对故障尺寸的预测也达到较高的精度，三种工况下RMSE的平均值为0.0125。

综上所述，本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测。即首先，通过基于卷积神经网络的自适应特征提取器，从原始振动信号中提取包含有多任务间共享知识的通用特征；然后，由基于Softmax分类器的故障分类模型和基于长短时记忆网络的故障程度预测模型同时实现多任务故障诊断。实验证明，方法同时实现了轴承故障类型的分类识别和故障尺寸的回归预测，具有较高的实际应用价值。

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 (5)

1.一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，其特征在于，包括步骤：

(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；

(2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；

(3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；

(4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。

2.根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。

3.根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，步骤(2)中构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从振动加速度信号中提取深层特征，具体构建步骤为：

2.1)将输入层的输入特征表示与不同尺寸的卷积核进行卷积，形成新的特征表示表达式为：

2.2)对步骤2.1)中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z^l，其数学模型为：

Z^l＝σ(W^l*Z^l-1+b^l)，

其中Z^l为第l层的输出，Z^l-1为第l-1层的输出，b^l为待优化的偏置，卷积核W^l为待学习的权重向量，σ为非线性激活函数；

2.3)对步骤2.2)输出的特征进行最大值池化操作，从而得到更为抽象的特征

4.根据权利要求3所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，步骤(2)中构建的故障类型分类模型由卷积层和Softmax分类器组成；预测模型由堆栈长短时记忆网络组成；所述故障类型分类模型和预测模型的输入均为所述自适应特征提取器的输出，所述故障类型分类模型和预测模型共享自适应特征提取器提取的高维特征。

5.根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，所述步骤(3)采用多任务联合训练，训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：

L＝λ₁L₁+λ₂L₂

其中L₁和L₂分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ₁和λ₂为对应任务的权重，根据训练取得的效果，此处取λ₁＝0.3和λ₂＝1.0；

故障类型分类任务的损失函数为交叉熵损失函数，其表达式为：

其中N和K分别表示样本数及类别数；yⁿ表示第n个样本的真实类别；表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0；

故障尺寸预测任务的损失函数为均方误差损失函数，其表达式为：

其中N表示样本数；表示第n个样本的真实故障尺寸；表示第n个样本的神经元预测值。