CN110595775A

CN110595775A - 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

Info

Publication number: CN110595775A
Application number: CN201910886575.0A
Authority: CN
Inventors: 刘志亮; 王欢; 彭丹丹; 郝逸嘉; 张峻浩
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2019-09-19
Filing date: 2019-09-19
Publication date: 2019-12-20
Anticipated expiration: 2039-09-19
Also published as: CN110595775B

Abstract

本发明公开了一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，首先采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号，并根据各个加速度振动信号所对应的故障状态设置故障状态标签，对每个加速度振动信号进行标准化处理，作为训练样本对多分支多尺度卷积神经网络模型进行训练，多分支多尺度卷积神经网络模型包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，然后采集滚动轴承当前的加速度振动信号，送入多分支多尺度卷积神经网络模型进行故障诊断。本发明通过采用多分支多尺度卷积神经网络模型，可以有效提高滚动轴承在强噪声环境和变载荷工况下的故障诊断性能。

Description

基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法

技术领域

本发明属于滚动轴承故障诊断技术领域，更为具体地讲，涉及一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是工业应用系统中的重要部件，而滚动轴承引发的故障是引起机器设备失效的重要原因，特别实在高速、重载工况下的滚动轴承，由于接触应力的长期反复作用，极易引起疲劳、裂纹、剥蚀等故障，这些故障将会使轴承的旋转精度降低，产生振动、噪声，增加轴承旋转的阻力，最终使轴承受到阻滞和卡死，造成整个机械系统的失效，因此对轴承的故障检测非常重要。

传统的智能故障诊断方法需要手动提取信号特征，如局部均值分解、经验模态分解、希尔伯特黄变换和小波变换等。然后，将这些手动提取的特征输入到机器学习算法中得到滚动轴承的故障诊断结果，如K最近邻、随机森林、朴素贝叶斯和支持向量机等。传统智能故障诊断方法具有以下缺点：1)滚动轴承的振动信号受其他运动部件和结构的影响，其振动特性非常复杂，手动提取的特征不能充分表征滚动轴承复杂的动力学特性。2)在强噪声环境下，与故障相关的信号特征被噪声完全淹没；在变载荷工况下，故障特征分布在不同的特征区间，因此，手动提取的特征不能真实地反映轴承故障特征的内在特性。3)这些机器学习分类算法属于浅层模型，难以学习到振动信号复杂的非线性关系，容易造成误判。

最近，卷积神经网络技术在计算机视觉、语音识别、自然语言处理和信号处理等领域，取得了令人印象深刻的成果。卷积神经网络作为深度学习中很有前景的方法，已被学者们应用到旋转机械故障诊断中。然而在强噪声环境和变载荷工况下，滚动轴承振动信号的故障特征提取更具挑战性，以上方法在强噪声和变载荷工况下的滚动轴承故障诊断任务中表现欠佳。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，可以提高滚动轴承在强噪声环境和变载荷工况下的故障诊断性能。

为实现上述发明目的，本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法包括以下步骤：

S1：以采样频率f_s采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号x_m[n]，其中m＝1,2,…,M，M表示所采集的加速度振动信号的数量，n＝1,2,…,N，N表示每个加速度振动信号中的采样点数量，从而获取加速度振动信号集X＝{x₁[n],x₂[n],...,x_M[n]}；并根据各个加速度振动信号x_m[n]所对应的故障状态，设置故障状态标签；

S2：对每一个加速度振动信号x_m[n]进行标准化处理，得到信号

S3：构建多分支多尺度卷积神经网络模型，包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，其中：

低频分支卷积网络用于提取输入信号中的低频分量，并通过卷积操作得到其输出特征y^L；

恒等映射分支卷积网络用于对输入信号进行恒等映射操作，得到输出特征y^I；

去噪分支卷积网络用于对输入信号进行去噪处理，并通过卷积操作得到其输出特征y^D；

特征融合层用于将三个分支卷积网络的输出特征y^L、输出特征y^I和输出特征y^D拼接成特征向量y^C＝[y^L,y^I,y^D]，并进行特征融合得到输出特征y；

全局平均池化层用于对特征y进行全局平均池化，得到特征y对应特征图的平均值，将得到的平均值输入至Softmax层；

Softmax层根据全局平均池化层得到的平均值估计得到各个故障状态的概率分布，将最大概率对应的故障状态作为故障诊断结果；

S4：将步骤S2处理得到的各个信号作为多分支多尺度卷积神经网络模型的输入，对应的故障状态标签作为多分支多尺度卷积神经网络模型的期望输出，对多分支多尺度卷积神经网络模型进行训练；

S5：以相同采样频率f_s采集当前滚动轴承的加速度振动信号x_test[n]，采用步骤S2中的相同方法对其进行标准化处理，得到信号

S6：将信号输入至步骤S4训练好的多分支多尺度卷积神经网络模型中，得到当前滚动轴承的故障诊断结果。

本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，首先采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号，并根据各个加速度振动信号所对应的故障状态设置故障状态标签，对每个加速度振动信号进行标准化处理，作为训练样本对多分支多尺度卷积神经网络模型进行训练，多分支多尺度卷积神经网络模型包括低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络、特征融合层、全局平均池化层和Softmax层，然后采集滚动轴承当前的加速度振动信号，送入多分支多尺度卷积神经网络模型进行故障诊断。

本发明具有以下有益效果：

1)本发明提出了多分支多尺度卷积神经网络模型，从输入信号的多个信号分量中学习丰富的特征表示，从而综合多角度的特征信息做出最佳判断；

2)本发明结合多尺度学习思想，提出多尺度卷积模块，该模块能够从原始输入信号中学习丰富和互补的长期特征和短期特征信息，提高了卷积神经网络对多尺度特征的学习能力；

3)本发明采用多特征融合层自适应地融合和优化多分支网络和多尺度网络学习到的丰富的特征，使最终得到的特征更能反映信号特征；

4)本发明多分支多尺度卷积神经网络模型可以从原始振动信号中自动地学习和融合丰富和互补的特征信息，从而准确地在强噪声和变载荷工况下诊断出滚动轴承的故障状态。

附图说明

图1是本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法的具体实施方式流程图；

图2是本发明中多分支多尺度卷积神经网络模型的示意图；

图3是本发明中恒等映射分支卷积网络的卷积模块结构示意图；

图4是本实施例中恒等映射分支卷积网络的结构图；

图5是本实施例中滚动轴承试验台的结构示意图；

图6是本实施例中本发明和五种对比方法在强噪声工况下的诊断性能对比图；

图7是本实施例中本发明和五种对比方法在不同载荷工况下的域适应结果图。

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

图1是本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法的具体实施方式流程图。如图1所示，本发明基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法的具体步骤包括：

S101：采集滚动轴承振动信号样本：

以采样频率f_s采集无故障和不同故障的滚动轴承在不同运行状态下的加速度振动信号x_m[n]，其中m＝1,2,…,M，M表示所采集的加速度振动信号的数量，n＝1,2,…,N，N表示每个加速度振动信号中的采样点数量，从而获取加速度振动信号集X＝{x₁[n],x₂[n],...,x_M[n]}。并根据各个加速度振动信号x_m[n]所对应的故障状态，设置故障状态标签。

在实际应用中，为了增加样本数量，可以采集M′个包含N′个采样点的加速度振动信号x_m′[n′]，m′＝1,2,…,M′，n′＝1,2,…,N′，N′＞N，然后采用一个长度为N的滑动窗口，按照预设步长对每个加速度振动信号x_m′[n′]进行滑动分割，将所得到的子信号即作为加速度振动信号x_m[n]。

S102：数据样本标准化：

对每一个加速度振动信号x_m[n]进行标准化处理，得到信号

本实施例中使用z-score标准化方法对每一个加速度振动信号x_m[n]进行标准化；

其中，μ_m是x_m[n]中所有采样点数据的平均值，σ_m是x_m[n]中所有采样点数据的标准差。

S103：构建多分支多尺度卷积神经网络模型：

图2是本发明中多分支多尺度卷积神经网络模型的示意图。如图2所法，本发明中所构建的多分支多尺度卷积神经网络模型包括三个分支，分别是低频分支卷积网络、恒等映射分支卷积网络、去噪分支卷积网络，还包括对三个分支的输出特征进行融合和后续处理的特征融合层、全局平均池化层和Softmax层，下面分别对每个组成部分进行详细说明。

·低频分支卷积网络

低频分支卷积网络用于提取输入信号中的低频分量，并通过卷积操作得到其输出特征y^L。

本实施例中低频分支卷积网络包括滑动平均滤波器和若干级联的卷积层，其中滑动平均滤波器对输入的信号进行滑动平均滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^L。

就滑动平均滤波器而言，假设输入信号为z[i]，i＝1,2,…,N，那么滤波后的信号z′[i]的计算公式为：

其中，w表示滑动平均滤波时的窗口大小；

级联的卷积层对滤波后的信号z′[i]进行多次卷积操作，得到输出特征y^L。各卷积层的具体参数可以根据实际需要设置。

·恒等映射分支卷积网络

恒等映射分支卷积网络用于对输入信号进行恒等映射操作，得到输出特征y^I。

恒等映射分支卷积网络是一个深层多尺度卷积神经网络，本实施例中恒等映射分支卷积网络包含若干个级联的、不同尺度特征学习能力的卷积模块，其中每个卷积模块包含若干个并列的卷积层和一个特征融合层，这些并列卷积层的输出特征按照特征通道拼接成一个特征向量输入特征融合层，由特征融合层进行特征融合处理后输出至后一个卷积模块。将最后一个卷积模块的输出作为恒等映射分支的输出特征y^I。

图3是本发明中恒等映射分支卷积网络的卷积模块结构示意图。如图3所示，假设卷积模块中的并列卷积层数量为H，那么各个卷积层的输出o^h可表示为：

o¹＝β₁(w₁*z′+b₁)

o²＝β₂(w₂*z′+b₂)

…

o^H＝β_H(w_H*z′+b_H)

其中，z′表示输入，*代表卷积操作，w_h和b_h分别为第h个卷积层的卷积核和偏置，其中w_h的大小为1×2^h-1k，k为对应卷积模块的卷积核长度。β_h(·)指ReLU，BN和dropout操作的函数变换。H个输出o^h按特征通道拼接成特征向量O＝[o¹,o²,...,o^H]，并将其输入到特征融合层中，即可得到该卷积模块的输出y^s。

恒等映射分支卷积网络的各个卷积模块的组成和参数可以根据实际需要设计，一般来说，深层多尺度卷积神经网络遵循以下几个设计规则：1)多尺度卷积层的数量决定网络的深度；2)深层多尺度卷积神经网络中卷积核的大小和dropout率随着深度的增加而减小；3)多尺度卷积神经网络中通道数随深度的增加而增大。图4是本实施例中恒等映射分支卷积网络的结构图。如图4所示，本实施例中恒等映射分支卷积网络中卷积模块的数量为5，每一层对应的卷积核长度k分别是6、5、4、3、2，卷积通道数C分别为16、32、64、128、256，卷积步长S分别为4、4、2、2、2，dropout率D分别为0.5、0.4、0.3、0.2、0.1。在实际应用中，如果需要更好地提取复杂信号的特征，可以堆叠更多的多尺度卷积神经层，并调整通道数和卷积核大小等。

·去噪分支卷积网络

去噪分支卷积网络用于对输入信号进行去噪处理，并通过卷积操作得到其输出特征y^D。

本实施例中去噪分支卷积网络包括一维高斯滤波器和若干级联的卷积层，其中一维高斯滤波器对输入的信号进行高斯滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^D。

一维高斯滤波器的模板可以表示为：

其中，j是模板g的长度，本实施例中取值为5，f(v)表示一维高斯函数：

其中，δ表示输入v的标准差。

·特征融合层

特征融合层用于将三个分支卷积网络的输出特征y^L、输出特征y^I和输出特征y^D拼接成特征向量y^C＝[y^L,y^I,y^D]，并进行特征融合得到输出特征y。输出特征y可以表示如下：

y＝C_b(y^C)＝C_b([y^L,y^I,y^D])

其中，C_b()表示特征融合层的特征融合操作，在实际应用中可以根据需要设置特征融合操作的具体方法。

·全局平均池化层

全局平均池化层用于对特征y进行全局平均池化，得到特征y对应特征图的平均值，将得到的平均值输入至Softmax层。

·Softmax层

Softmax层根据全局平均池化层得到的平均值估计得到各个故障状态的概率分布，将最大概率对应的故障状态作为故障诊断结果。

S104：训练多分支多尺度卷积神经网络模型：

将步骤S102处理得到的各个信号作为多分支多尺度卷积神经网络模型的输入，对应的故障状态标签作为多分支多尺度卷积神经网络模型的期望输出，对多分支多尺度卷积神经网络模型进行训练。

本实施例中使用交叉熵损失函数评估输出的误差，然后使用Adam优化算法优化该误差，从而提高多分支多尺度卷积神经网络模型的性能。

S105：获取当前滚动轴承振动信号：

以相同采样频率f_s采集当前滚动轴承的加速度振动信号x_test[n]，采用步骤S102中的相同方法对其进行标准化处理，得到信号

S106：故障诊断：

将信号输入至步骤S104训练好的多分支多尺度卷积神经网络模型中，得到当前滚动轴承的故障诊断结果。

为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。本次实验验证中采用滚动轴承试验台来模拟滚动轴承的工作过程。图5是本实施例中滚动轴承试验台的结构示意图。如图5所示，本实施例中所采用的滚动轴承故障诊断试验台包括驱动电机、皮带传动系统、垂直加载装置、横向加载装置、两个风扇电机和控制系统。垂直和侧向载荷加载装置的设计用于模拟滚动轴承承载的轴向和侧向的载荷。两个风扇电机可以产生与滚动轴承运行方向相反的风。通过两个加速度计确保滚动轴承水平方向和垂直方向的振动都能被检测到，信号的采样频率设置为5120Hz。

本次实验验证中预先加工了12种处于不同故障状态的滚动轴承。表1是本实施例中12种故障状态的状态信息。

表1

本次实验验证中所模拟的滚动轴承不同运行状态包括不同运行速度、不同垂向载荷和轴向载荷工况。在每种故障状态下，设计了五种运行速度：60km/h、90km/h、120km/h、150km/h和180km/h，四种不同的垂向的载荷：56kN、146kN、236kN和272kN，以及两个轴向的负载：0kN和20kN。因此，每种故障状态包括四十种不同的工况。通过对原始采集的加速度振动信号进行数据扩展之后，总共有188088个样本，采用其中142596个样本作为训练样本，另外45492个样本作为测试样本。

本次实验验证中采用Keras库和python 3.5实现本发明提出的多分支多尺度卷积神经网络模型。多分支多尺度卷积神经网络模型的训练和测试均在一台工作站进行，采用的是Ubuntu 16.04操作系统、Intel Core i7-6850K CPU和GTX1080TI GPU。在训练过程中，每个批次的大小设置为96，交叉熵损失函数和Adam优化算法的学习率为0.0001。

首先对本发明在强噪声工况下的诊断性能进行验证。为了更好地模拟高速列车的复杂工况环境，在原始信号中加入了不同信噪比(SNR)的高斯白噪声。本次实验验证中设置了三组不同SNR(-6dB，0dB和6dB)噪声信号的实验，分别模拟滚动轴承所处的强中弱的噪声工况。每一组实验均采用4倍交叉验证。同时以完全相同的训练策略对本发明和其他五种对比方法方法进行实验和对比。这五种对比方法分别是基于2维CNN的Wen-CNN(见文献“L.Wen,X.Li,L.Gao,and Y.Zhang,"A new convolutional neural network-based data-driven fault diagnosis method,"IEEE T.Ind.Electron.,65,pp.5990-5998,(2018).”)和ADCNN(见文献“X.Guo,L.Chen and C.Shen,"Hierarchical adaptive deepconvolution neural network and its application to bearing fault diagnosis,"Measurement,93,pp.490-502,(2016).”)，基于1维CNN的WDCNN(见文献“W.Zhang,G.Peng,C.Li,Y.Chen,and Z.Zhang,"A new deep learning model for fault diagnosis withgood anti-noise and domain adaptation ability on raw vibration signals,"Sensors-Basel,17,pp.425-446,(2017).”)，基于多尺度学习的CNN方法：MSCNN(见文献“G.Jiang,H.He,J.Yan,and P.Xie,"Multiscale convolutional neural networks forfault diagnosis of wind turbine gearbox,"IEEE T.Ind.Electron.,PP,pp.1-12,(2018).”)，与文献“G.F.Bin,J.J.Gao,X.J.Li,and B.S.Dhillon,"Early faultdiagnosis of rotating machinery based on wavelet packets—Empirical modedecomposition feature extraction and neural network,"Mech.Syst.Signal Pr.,27,pp.696-711,(2012).”中相同结构的4层BPNN。本发明中多分支多尺度卷积神经网络模型中恒等映射分支卷积网络的每个MSC模块采用了4个尺度，即h＝4。

图6是本实施例中本发明和五种对比方法在强噪声工况下的诊断性能对比图。如图6所示，本发明在所有噪声情况下均获得最好的诊断性能。特别地，即使SNR＝-6dB(噪音的功率是原始信号功率的大约3.98倍)，本发明仍然获得了93.97％的诊断性能。而且，其相比Wen-CNN有几乎22％的提升，说明本发明在无任何额外的去噪预处理的情况下，具有较强的抗噪性能。此外，BPNN在所有方法中准确率最低，这说明基于CNN的方法能更好地适用于滚动轴承的故障诊断。MSCNN在噪声环境下表现不佳，说明本发明能够从振动信号中提取更丰富更全面的判别特征，并且自适应地融合优化多种特征从而使模型做出更准确的判断。另一方面，从标准差结果看到，本发明在任何噪声下的标准差均是最小的，说明本发明的模型稳定性优于其他五种对比方法。

另外，本次实验验证中还验证了本发明在不同负载下的域适应能力。本次实验验证中选取了4种垂向载荷工况下的振动信号作为的数据集，其中包含56kN,146kN,236kN,and 272kN。将其中一种载荷数据作为测试集，其他三种载荷作为训练集，共得到4组实验数据。每一组数据均进行三次重复实验。

图7是本实施例中本发明和五种对比方法在不同载荷工况下的域适应结果图。如图7所示，本发明在不同载荷域适应任务中均获得了最好的诊断结果，说明当滚动轴承的工作负载变化时，本发明在不需要任何域适应算法处理下具有相当好的诊断性能。从准确率的变化趋势来看，载荷越小，各个方法的准确率越低。这是由于载荷越小，相应的故障特征越微弱，从其他载荷数据学习的强故障特征无法很好地适用于弱故障特征的识别。但是，本发明在小载荷(如56kN)的准确率为87.61％，在所有方法中性能最优，体现出模型学习的故障特征具有良好的泛化性。此外，可以看到本发明在对比方法中具有最好的域适应性能，这说明多尺度学习能更有效地挖掘出原始信号中更具有判别性的故障特征。然而，在56kN载荷下，本发明的准确率比MSCNN高出近10％，这再次说明了本发明具有更强大的多尺度学习能力和更有效的多特征融合能力。另一方面，从标准差结果来看，本发明的模型稳定性整体优于其他对比方法。综上所述，本发明更适用于滚动轴承的故障诊断。

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

1.一种基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S6：将信号输入至步骤S104训练好的多分支多尺度卷积神经网络模型中，得到当前滚动轴承的故障诊断结果。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S2中标准化处理的公式如下：

其中，μ_m是x_m[n]中所有采样点数据的平均值，σ是x_m[n]中所有采样点数据的标准差。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中低频分支卷积网络包括滑动平均滤波器和若干级联的卷积层，其中滑动平均滤波器对输入的信号进行滑动平均滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^L。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中恒等映射分支卷积网络包含若干个级联的、不同尺度特征学习能力的卷积模块，其中每个卷积模块包含若干个并列的卷积层和一个特征融合层，这些并列卷积层的输出特征按照特征通道拼接成一个特征向量输入特征融合层，由特征融合层进行特征融合处理后输出至后一个卷积模块；将最后一个卷积模块的输出作为恒等映射分支的输出特征y^I。

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述步骤S3中去噪分支卷积网络包括一维高斯滤波器和若干级联的卷积层，其中一维高斯滤波器对输入的信号进行高斯滤波，将得到的信号输入第一层卷积层中，将最后一层卷积层的输出作为低频分支的输出特征y^D。