CN110398369A - 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于1‑DCNN和LSTM融合的滚动轴承故障诊断方法。按下述步骤进行：a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，得到扩充信号；b.将扩充信号分别输入到1‑DCNN和LSTM两个通道中进行训练分析，提取特征信息；在1‑DCNN通道中提取得到空间特征信息，在LSTM通道中提取得到时间特征信息；c.将空间特征信息和时间特征信息通过concatenate层进行拼接操作，得到拼接特征；d.将拼接特征接入全连接层，通过Softmax分类器进行故障类别的分类。本发明准确率更高、收敛速度更快、LOSS损失更低、并具有良好的泛化性和鲁棒性。

Description

一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法

技术领域

本发明涉及轴承故障诊断方法，特别是一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法。

背景技术

滚动轴承作为机械设备中的核心部件之一，其健康状况是保证设备正常运行的关键.据不完全统计，旋转机械中约有30％的故障是由于轴承损坏导致，因此，轴承故障诊断技术的研究具有重要的经济价值和社会效益。

随着大数据驱动的人工智能技术的兴起，深度学习借助其强大的学习能力在特征学习、模式识别、数据挖掘等领域得到广泛应用。故障诊断借助深度学习技术的应用也取得了新的研究进展。作为深度学习典型的技术，卷积神经网络(CNN)和长短时记忆网络(LSTM)在故障诊断上的研究取得了一定进展。

文献“李恒,张氢,秦仙蓉,孙远韬.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J].振动与冲击,2018,37(19):124-131”记载有：通过短时傅里叶变换和卷积神经网络的方法，实现轴承的故障诊断，实验表明，该方法具有较高的识别精度。

文献“张朝林,范玉刚.CEEMD与卷积神经网络特征提取的故障诊断方法研究[J].机械科学与技术,2019,38(02):178-183”记载有：基于互补集合经验模态分解(CEEMD)与CNN的特征提取方法，从而实现轴承的故障诊断。

文献“JANSSENS O，SLAVKOVIKJ V，VERVISCH B，et al.Convolutional neuralnetwork based fault detection for rotating machinery[J].Journal of Sound andVibration，2016，377:331-345”记载有：通过快速傅里叶变换(FFT)和CNN的诊断方法，实现了轴承的故障分类。

上述研究虽然取得较好轴承故障诊断效果，但也存在一些问题：模型输入需要将一维轴承信号转为二维数据输入，在一定程度上损失了原始信号的完整性以及空间相关性；同时也增加了数据预处理的人为干扰，且没有发挥深度学习网络强大的特征自学习和数据处理能力。

发明内容

本发明的目的在于，提供一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法。本发明准确率更高、收敛速度更快、LOSS损失更低、并具有良好的泛化性和鲁棒性。

本发明的技术方案：一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，按下述步骤进行：

a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，得到扩充信号；

b.将扩充信号分别输入到1-DCNN和LSTM两个通道中进行训练分析，提取特征信息；在1-DCNN通道中提取得到空间特征信息，在LSTM通道中提取得到时间特征信息；

c.将空间特征信息和时间特征信息通过concatenate层进行拼接操作，得到拼接特征；

d.将拼接特征接入全连接层，通过Softmax分类器进行故障类别的分类。

前述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法所述的步骤b中，在1-DCNN通道中提取得到空间特征信息具体如下：

对于一个给定的样本Ф＝{S,L}，S表示原始以为振动信号样本，L表示样本对应的类标签，其过程用下述公式描述：

Fⁱ＝ConvlD(S*γⁱ _ConvlD) (1)

其中，ConvlD(*)表示CNN中的卷积操作，γⁱ _ConvlD表示第i个卷积层中的参数，Fⁱ表示提取到的空间特征信息。

前述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法所述的步骤b中，在LSTM通道中提取得到时间特征信息具体如下：

L_t＝O_t·tanh(C_t) (2)

其中，O_t表示t时刻LSTM中的输出门限，C_t表示计算过程中的候选值向量，L_t表示提取到的时间特征信息。

前述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法所述的步骤c中，拼接操作具体如下：

其中，(⊙)表示维度的拼接操作，M_concat表示融合拼接CNN和LSTM后的特征。

前述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法所述的步骤d中，通过Softmax分类器进行故障类别的分类具体如下：

其中，表示Softmax分类器，γ^j _cls表示第j类的softmax参数，SC_j表示不同类别的预测概率分布。

有益效果

与现有技术相比，本发明针对滚动轴承故障振动信号的非线性和非平稳特征，设计了一种自适应的一维卷积神经网络(1-Dimensional Convolutional NeutralNetworks,1-DCNN)和长短时记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法：首先，将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道，然后通过维度拼接方式(Concatenate层)进行空间和时间维度上特征信息的融合，最后，通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征，实现了“端到端”的故障诊断。通过该方法，避免了因一维轴承振动信号转为二维数据输入时，所带来的原始信号完整性、空间相关性的损失，及数据预处理和人工特征提取的人为主观干扰，进而提高了轴承故障的识别精度。通过该方法，充分发挥了深度学习网络强大的特征自学习和数据处理能力。

本发明不仅保留了原始振动信号的特征信息，而且同时考虑了空间上的特征信息和时间上的特征信息，即同时考虑了数据的时序关系和前后关联关系，进一步提高了轴承故障的识别诊断精度。

为了验证本发明的有效性和泛化性，采用CUT-2实验平台进行下述实验：

实验例

1.1数据来源

实验装置如图1所示，该实验平台采用的轴承型号为6900ZZ,轴承的故障是利用电火花加工技术进行点蚀得到，如图2所示，故障主要加工在轴承内圈、外圈、球体上，产生的故障直径有：0.2mm和0.3mm。X、Y、Z轴方向的振动信号由加速度传感器在转速1500r/min采集得到，采样频率为2KHZ。把X、Y、Z轴方向加速度传感器采集到的轴承振动信号各分为10类故障状态，信号取样方式如图3所示，具体样本数据集见表1所示。每类故障样本按照随机70％的训练集和30％的测试集进行训练和测试。

表1样本数据集

1.2参数选择

在构建的深度学习模型中，选择合适的参数可以提高模型的准确度、降低模型的损失值和减少模型的训练时间，因此，本实验例中对模型所需要的超参数通过实验的方式来确定。

1.2.1激活函数的选择

一般情况下，激活函数的备选函数有Sigmoid函数、Tanh函数、Relu函数，采取不同的激活函数用于模型训练，结果如表2所示，根据评价指标准确率所示，选取Relu函数作为本模型的激活函数。(防止实验结果的偶然性，所得结果均训练迭代10次取平均值。)

表2样本数据集

1.2.2优化器的选择

本次实验中，备选优化器有Sgd、Adam、Rmsprop三种目前常用的主流优化器，采用以上不同的优化器对本文所提出的模型进行实验，结果如表3所示，根据评价指标准确率和时间所示，综合考虑X、Y、Z三轴，选取Rmsprop作为本模型的优化器。(防止实验结果的偶然性，所得结果均训练迭代10次取平均值。)

表3三种优化器对应诊断精度和测试时间

综上，本实验最终确定的具体网络参数如表4所示：

表4具体网络参数

1.3结果分析

为验证本发明的有效性和泛化性，把单一深度学习模型LSTM、单一深度学习模型CNN，以及把CNN的输出作为LSTM的输入的模型CNN-LSTM与本发明(以下简称1-DCNN-LSTM模型)进行对比实验，为避免实验结果的偶然性，所得结果均训练迭代10次取平均值。模型诊断的对比结果如图4所示，从图4中可以看出：本发明与LSTM模型做对比，识别率提高4％-5％，这是因为LSTM模型只考虑了时间特征信息，限制了准确率的提升；与CNN-LSTM模型做对比，本发明的识别率均高于CNN-LSTM 2％-3％，且收敛次数均低于CNN-LSTM，这是因为CNN-LSTM模型没有同时考虑时间和空间特征信息；值得注意的是，本发明的识别率均略高于CNN模型，但CNN模型的收敛次数远大于本发明1-DCNN-LSTM模型，且CNN只考虑提取原始信号的空间特征信息，忽略了其时间特征信息的提取。因此，本发明1-DCNN-LSTM模型具有较高的识别能力和较快的收敛速度以及良好的时间和空间特征表达能力。

为进一步展示本发明1-DCNN-LSTM模型，分别引入X、Y、Z轴的测试过程中的准确率的变化以及loss损失值的变化，如图5所示，从图5中可以看出：X、Y、Z轴测试过程准确率和loss损失值变化均正常，没有发生过拟合现象，且Loss损失值均极低，表明本发明识别效果良好。

为进一步直观展示本发明1-DCNN-LSTM模型对各个类别的识别结果，分别引入X、Y、Z轴的混淆矩阵进行详细分析，如图6所示。从图6中可以看出：综合X、Y、Z轴来看，模型对除个别故障类别的其他故障的识别率均可达到100％，总体而言，故障类别综合识别正确率较高。综上所述，本发明1-DCNN-LSTM模型对于滚动轴承X、Y、Z轴方向的故障类别具有良好的识别效果。

综上，本发明直接利用原始一维振动信号作为深度学习模型的输入，结合CNN与LSTM在处理数据的空间和时序能力，自适应提取空间和时间故障特征信息，实现了“端到端”的轴承故障诊断。实验表明，与传统深度学习模型相比，本文的方法的准确率更高、收敛速度更快、LOSS损失更低，在不同方位的数据中都具有较高的识别准确度，因此，该模型也具有良好的泛化性和鲁棒性。

附图说明

图1是CTU-2轴承实验平台；

图2是轴承故障位置；

图3是信号取样方式；

图4是各个方向传感器诊断精度及模型收敛次数结果比较；其中，(a)：X轴方向对比结果(b)：Y轴方向对比结果(c)：Z轴方向对比结果

图5是各方向传感器准确率变化图(左)和loss损失值变化图(右)；其中，(a)：X轴方向变化图(b)：Y轴方向变化图(c)：Z轴方向变化图；

图6是各方向测试集分类结果；其中，(a):x轴方向混淆矩阵，(b):y轴方向混淆矩阵，(c):z轴方向混淆矩阵；

图7是本发明模型结构框架图；

图8是CNN典型网络拓扑结构；

图9是LSTM网络基本单元。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例1。一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，如图7所示，按下述步骤进行：

a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，得到扩充信号；

b.将扩充信号分别输入到1-DCNN和LSTM两个通道中进行训练分析，提取特征信息；在1-DCNN通道中提取得到空间特征信息，在LSTM通道中提取得到时间特征信息；

c.将空间特征信息和时间特征信息通过concatenate层进行拼接操作，得到拼接特征；

d.将拼接特征接入全连接层，通过Softmax分类器进行故障类别的分类。

具体地，步骤b中，在1-DCNN通道中提取得到空间特征信息具体如下：

对于一个给定的样本Ф＝{S,L}，S表示原始以为振动信号样本，L表示样本对应的类标签，其过程用下述公式描述：

Fⁱ＝ConvlD(S*γⁱ _ConvlD) (1)

其中，ConvlD(*)表示CNN中的卷积操作，γi_ConvlD表示第i个卷积层中的参数，Fⁱ表示提取到的空间特征信息。

具体地，步骤b中，在LSTM通道中提取得到时间特征信息具体如下：

L_t＝O_t·tanh(C_t) (2)

其中，O_t表示t时刻LSTM中的输出门限，C_t表示计算过程中的候选值向量，L_t表示提取到的时间特征信息。

具体地，步骤c中，拼接操作具体如下：

其中，(⊙)表示维度的拼接操作，M_concat表示融合拼接CNN和LSTM后的特征。

具体地，步骤d中，通过Softmax分类器进行故障类别的分类具体如下：

其中，表示Softmax分类器，γ^j _cls表示第j类的softmax参数，SC_j表示不同类别的预测概率分布。

前述的1-DCNN即为一维卷积神经网络(1-Dimensional Convolutional NeutralNetworks,1-DCNN)。卷积神经网络CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。近年来卷积神经网络在多个领域都有应用，比如：在语音识别、人脸识别、自然语言处理甚至脑电波分析等方面均有突破。一个典型的CNN网络通常包含输入层、卷积层、池化层、全连接层和输出层,如图8所示。

其中，卷积层中的每个卷积核都代表着一个特征图，这些卷积核通过一组权重来卷积前一层的输入并组成一组特征输出，成为下一层的输入。卷积层的后面常接入的是池化层(下采样层)，池化层会对卷积层得到的特征图进行降维操作，同时在一定程度上也控制了过拟合。经过前面的卷积层和池化层后，会接一个全连接层进行汇合，然后通过Softmax分类器进行分类。

前述的LSTM即为长短时记忆网络(Long Short-Term Memory,LSTM)。长短期记忆神经网络是基于传统的递归神经网络(RNN)所改进的一种时间循环神经网络，其通过引入记忆单元解决了梯度爆炸或梯度消失的问题。LSTM网络的基本单元中包括输入门限(InputGate)、输出门限(Output Gate)、遗忘门限(Forget Gate)，如图9所示。其中，输入门限和输出门限分别用来接收参数、输出参数，遗忘门限用来判断进入LSTM的信息是否有用，符合算法认证的信息被留下，不符合的则选择遗忘。

本发明的方法，也即是1-DCNN-LSTM网络结构模型，参见图7，1-DCNN-LSTM网络模型主要有两部分组成，1-DCNN负责空间特征信息的提取，LSTM负责时间特征信息的提取。CNN部分由卷积层、全局平均池化层、Dropout层、softmax分类层组成。LSTM部分使用两个LSTM层进行叠加。其过程可以描述为：首先把原始振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，然后该输入数据同时经过CNN通道和LSTM通道进行模型训练分析。然后把CNN的池化层所提取的空间特征信息和LSTM进行Flatten层所提取的时间特征信息通过concatenate层进行时间和空间特征信息的拼接，最后接入全连接层通过Softmax分类器实现故障类别的分类。

Claims (5)

1.一种基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，按下述步骤进行：

a.将原始一维振动信号通过滑动窗口重叠取样的方法进行数据的处理和扩充，得到扩充信号；

b.将扩充信号分别输入到1-DCNN和LSTM两个通道中进行训练分析，提取特征信息；在1-DCNN通道中提取得到空间特征信息，在LSTM通道中提取得到时间特征信息；

c.将空间特征信息和时间特征信息通过concatenate层进行拼接操作，得到拼接特征；

d.将拼接特征接入全连接层，通过Softmax分类器进行故障类别的分类。

2.根据权利要求1所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤b中，在1-DCNN通道中提取得到空间特征信息具体如下：

对于一个给定的样本Ф＝{S,L}，S表示原始以为振动信号样本，L表示样本对应的类标签，其过程用下述公式描述：

Fⁱ＝ConvlD(S*γⁱ _ConvlD) (1)

其中，ConvlD(*)表示CNN中的卷积操作，γⁱ _ConvlD表示第i个卷积层中的参数，Fⁱ表示提取到的空间特征信息。

3.根据权利要求2所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤b中，在LSTM通道中提取得到时间特征信息具体如下：

L_t＝O_t·tanh(C_t) (2)

其中，O_t表示t时刻LSTM中的输出门限，C_t表示计算过程中的候选值向量，L_t表示提取到的时间特征信息。

4.根据权利要求3所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤c中，拼接操作具体如下：

其中，(⊙)表示维度的拼接操作，M_concat表示融合拼接CNN和LSTM后的特征。

5.根据权利要求4所述的基于1-DCNN和LSTM融合的滚动轴承故障诊断方法，其特征在于，步骤d中，通过Softmax分类器进行故障类别的分类具体如下：

其中，表示Softmax分类器，γ^j _cls表示第j类的softmax参数，SC_j表示不同类别的预测概率分布。