CN110705525A

CN110705525A - 一种诊断滚动轴承故障的方法及装置

Info

Publication number: CN110705525A
Application number: CN201911019625.1A
Authority: CN
Inventors: 陈志刚; 杜小磊; 赵志川; 赵杰; 白堂博
Original assignee: Beijing University of Civil Engineering and Architecture
Current assignee: Beijing University of Civil Engineering and Architecture
Priority date: 2019-10-24
Filing date: 2019-10-24
Publication date: 2020-01-17

Abstract

本发明实施例提供一种诊断滚动轴承故障的方法及装置，方法包括：将训练样本进行相关处理，得到时频谱图；基于时频谱图，训练集成深层脊波卷积自编码网络；基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别目标滚动轴承的故障类型和故障程度。本发明将SSST用于滚动轴承故障诊断，提高了滚动轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取；将脊波函数的时、频、方向局部特性与1D‑CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。

Description

一种诊断滚动轴承故障的方法及装置

技术领域

本发明涉及故障检测技术领域，尤其涉及一种诊断滚动轴承故障的方法及装置。

背景技术

滚动轴承是旋转设备的重要部件之一，被广泛应用于数控机床、航空航天及汽车等领域。滚动轴承的健康状态与整个设备的工作性能密切相关，一旦出现故障，轻则会降低生产质量，重则会造成生产事故，因此，针对滚动轴承故障的诊断研究不仅具有重要的理论意义，更有很好的实际应用价值。

目前，基于传感器物理量的滚动轴承诊断方法应用最广泛，且研究最多的是振动信号，方法主要是信号处理方法。但实际采集到的滚动轴承振动信号经常受到诸如多振源激励和响应相互耦合和强噪声等因素影响，一般表现出强烈的非线性和非平稳性，导致振动信号非常复杂，传统基于“人工特征提取+人工特征选择+浅层分类器模式识别”的滚动轴承故障诊断方法的诊断性能很大程度上依赖于人工特征提取和特征选择，而从原始特征集中为不同的诊断任务选择较为敏感的特征并不容易，此外支持向量机、神经网络等浅层分类器面临维数灾难问题，难以表征被测信号与机械故障之间的复杂映射关系。

因此，如何有效提高滚动轴承的故障识别率，成为亟待解决的技术问题。

发明内容

本发明实施例提供一种诊断滚动轴承故障的方法及装置，用以解决如何有效提高滚动轴承的故障识别率这一技术问题。

本发明实施例提供一种诊断滚动轴承故障的方法，包括：

将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；

基于所述时频谱图，训练集成深层脊波卷积自编码网络；

基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。

可选地，所述训练样本包括无标签训练样本和有标签训练样本。

可选地，所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图，包括：

对所述无标签训练样本和所述有标签训练样本进行归一化处理；

对归一化处理后的所述无标签训练样本和所述有标签训练样本进行同步挤压S变换，分别得到无标签时频谱图和有标签时频谱图。

可选地，所述基于所述时频谱图，训练集成深层脊波卷积自编码网络，包括：

分别将每个无标签时频谱图的像素按行排列成无标签列向量；

分别将所述无标签列向量输入集成深层脊波卷积自编码网络中，对所述集成深层脊波卷积自编码网络进行无监督训练；

分别将每个有标签时频谱图的像素按行排列成有标签列向量；

分别利用所述有标签列向量对无监督训练后的集成深层脊波卷积自编码网络进行有监督调整，得到训练好的集成深层脊波卷积自编码网络。

本发明实施例提供一种诊断滚动轴承故障的装置，包括：样本处理模块、网络训练模块和故障识别模块；

所述样本处理模块，用于将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；

所述网络训练模块，用于基于所述时频谱图，训练集成深层脊波卷积自编码网络；

所述故障识别模块，用于基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。

可选地，所述样本处理模块，具体用于：

可选地，所述网络训练模块，具体用于：

本发明实施例将SSST用于滚动轴承故障诊断，提高了滚动轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取。区别于传统的DAE故障特征提取方法，本发明将脊波函数的时、频、方向局部特性与1D-CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的诊断滚动轴承故障的方法的流程示意图；

图2为滚动轴承故障诊断试验台；

图3为滚动轴承7种工况时域图；

图4为样本分割示意图；

图5为z(t)的S变换时频图；

图6为z(t)的SSST变换时频图；

图7为轴承外圈故障信号S变换时频图；

图8为轴承外圈故障信号SSST变换时频图；

图9为标准AE结构；

图10为RAE结构；

图11为3隐层DRCAN结构；

图12为不同方法的测试结果；

图13为多分类混淆矩阵；

图14为本发明一实施例提供的诊断滚动轴承故障的装置的结构示意图；

图15为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为验证本发明的可行性和有效性，以滚动轴承故障诊断测试平台为对象。实验所用的滚动轴承故障测试平台由Spectra Quest公司生产，实验滚动轴承的型号为NU202ECP滚动轴承。滚动轴承故障试验台如图2所示，由驱动器、电磁制动器、测试轴承等组成，采用ICP加速度计作为传感器并安装于滚动轴承座上。使用电火花技术在轴承内圈、外圈和滚动体上加工故障直径分别为0.16mm和0.32mm的环槽以模拟轴承轻度故障和中度故障。设置采样频率为12kHz，在1800r/min、负载1hp工况下采集轴承振动信号，共设计7种不同的滚动轴承工况，见表1。表2为滚动轴承参数。

表1滚动轴承7种工况描述

表2滚动轴承参数描述

滚动轴承的故障诊断实际上就是对故障编码进行识别的过程，必须对每个样本设置编码，以判断样本是否识别正确。由于实验共设置7种工况状态，故设置样本故障编码样式为7位数字组成。当输入某一种类型的振动数据时，输出结果中7位数字只有1位数字赋值为1，其余数字赋值为0，图3为7种工况时域波形。由时域图可知，轴承内圈和外圈故障信号出现周期性冲击成分，但早期故障信号受噪声干扰严重，部分冲击淹没在噪声中，振动情况较为复杂，难以区分滚动轴承故障类型及故障程度。且由于传统特征提取方法的不确定性和复杂性，使得轴承早期轻微故障特征和复合故障特征难以提取，致使故障诊断的难度很大。因此有必要引入深度学习进行逐层特征提取以建立各种故障状态与输入信号之间的精确映射关系。

实现深度学习的自适应故障诊断算法需要有大量的训练样本作为支撑，考虑到滚动轴承振动信号的主要信息蕴含在不同状态产生的冲击，因此，采用有重叠训练样本分割的方法实现训练样本扩充。样本分割示意图如图4所示，相比于无重叠样本分割方式，采用有重叠的样本分割策略既可以尽可能多的保留相邻元素之间的相关性，同时可以提高参与模型训练的样本数量，使模型尽可能学习到更具有鲁棒性的特征用于分类。在样本分割长度的选择上，较短的样本分割长度可以节省训练时间、提高模型的收敛速度，但是也会使样本中含有的信息量较少，在后续的非线性特征提取中会缺失部分信息，影响识别率；而较长的样本分割长度则会增加算法的收敛时间，影响故障检测模型的实时性。因此，选择合适的样本长度对于兼顾较高的故障识别率和较快的收敛速度至关重要。对不同故障状态下的原始振动信号以一定的重叠比例η进行分割。设某一故障状态下的振动信号X的长度为N，设置样本长度为len，则以重叠比例η进行样本扩充的实现方式为：

(1)获得在当前信号长度下的最大可分割样本数量:

其中，

为向下取整运算符。

(2)获取每个分割样本。第i个样本在原始振动信号X的位置可以表示为:

x_i＝X[(i-1)×len×h+1:(i-1)×len×h+len]，i∈[1,m]。x_i为分割后的数据样本，重叠比例η取0.8。

图1示出了本发明一实施例提供的诊断滚动轴承故障的方法的流程示意图，包括：

S11，将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图。

在本发明实施例中，利用加速度传感器采集不同工况下的滚动轴承振动数据。所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理包括：对采集到的不同工况下的滚动轴承振动数据进行归一化处理，其中，所述归一化处理为线性归一化处理；然后对归一化处理后的采集到的不同工况下的滚动轴承振动数据进行同步挤压S变换(synchronized synchrosqueezed S transform，SSST)，得到时频谱图。

S12，基于所述时频谱图，训练集成深层脊波卷积自编码网络。

在本发明实施例中，将S11中得到的时频谱图进行向量化处理，并将向量化处理后的时频谱图输入集成深层脊波卷积自编码网络(ensemble deep ridgelet convolutionalauto-encoder network，EDRCAN)中，训练EDRCAN，对滚动轴承故障特征进行深度学习，得到训练好的EDRCAN。

S13，基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。

在本发明实施例中，所述目标滚动轴承的振动数据是待诊断的滚动轴承的振动数据。将所述目标滚动轴承的振动数据先进行线性归一化处理；然后对目标滚动轴承的振动数据进行SSST，得到目标时频谱图。将所述目标时频谱图的像素按行排列成目标列向量，并将所述目标列向量输入训练好的EDRCAN中，即可识别出所述目标滚动轴承的故障类型和故障程度。

本发明实施例将SSST用于滚动轴承故障诊断，提高了轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取。区别于传统的DAE故障特征提取方法，本发明将脊波函数的时、频、方向局部特性与1D-CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。

进一步地，在上述方法实施例的基础上，所述训练样本包括无标签训练样本和有标签训练样本。

在本发明实施例中，从分割样本中随机选取70％作为训练样本，组成训练样本集。从训练样本集中随机选取80％作为无标签训练样本对EDRCAN进行无监督训练，训练样本集中剩余的20％作为有标签训练样本对无监督训练后的EDRCAN进行有监督调整。

在此需要说明的是，分割样本中剩余的30％作为测试样本，组成测试样本集。用于测试训练好的EDRCAN的输出结果是否符合预期结果。

本发明实施例通过从分割样本中随机选取70％作为训练样本，为后续实现深度学习的自适应故障诊断算法提供了支撑。

进一步地，在上述方法实施例的基础上，所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图，包括：对所述无标签训练样本和所述有标签训练样本进行归一化处理；对归一化处理后的所述无标签训练样本和所述有标签训练样本进行同步挤压S变换，分别得到无标签时频谱图和有标签时频谱图。

在本发明实施例中，通过线性归一化方法，提高深度学习分类准确率同时缩减分类计算时间，对所述无标签训练样本和所述有标签训练样本进行归一化处理，线性归一化计算公式如下：

式中，i＝1，2，3，...，n；n为轴承振动信号的采样点数；x_i为轴承振动数据；x'_i为轴承振动数据线性归一化后得到的数据；x_max为轴承振动数据中幅值最大的值；x_min为轴承振动数据中幅值最小的值。

然后，对归一化处理后的所述无标签训练样本和所述有标签训练样本进行SSST。具体而言，首先，定义信号x(t)的S变换

式中，S(f，b)为x(t)的时频谱，t为时间，f为频率，b为位移参数。令

则S(f，b)重写为

式中，

是

的复共轭，则S(f，b)等价变换为

式中，是x(t)的Fourier变换，

是

的Fourier变换的复共轭。令x(t)＝Acos(2πf₀t)，有

^

x(w)＝Aπ[δ(w-2πf₀)+δ(w+2πf₀)]

则

将S(f，b)对时间求导可得

则x(t)的瞬时频率表达式为

对于x(t)＝Acos(2πf₀t)，定义其SSST变换

式中，f_k为S变换的离散频率，间隔Δf_k＝f_k-f_k-1，f_c和Δf_c分别为“挤压”区间的中心频率和带宽，Δf_c＝f_c-f_c-1。

其次，进行模拟信号分析。为验证SSST的性能，进行仿真信号分析，使用带噪声的仿真信号z(t)模拟故障信号。z(t)由调频信号z₁(t)、弱调频信号z₂(t)、余弦信号z₃(t)和白噪声w组成，如下：

设置采样时间为2s，采样间隔2ms，图5和图6分别为z(t)的S变换和SSST变换的时频谱图。可见，S变换时频分辨率低，在真实频率附近存在伪频率成分；而SSST通过“挤压”使能量回到真实频率上，提高了信号的时频分辨率。

最后，进行实际振动信号分析

以滚动轴承外圈故障为例，故障频率计算如下：

式中，f_r＝n/60为转频，n为转速，d和D分别为滚动体和节圆直径，Z为滚珠数，α为接触角，求得轴承外圈故障特征频率为101.25Hz，转频30Hz。图7和图8分别为轴承外圈故障信号S变换和SSST变换时频谱图，可以看出，S变换时频谱图能量发散，脊线模糊，故障频率不清晰；而SSST时频谱图脊线较明显，故障频率较清晰，时频分辨率较高。

本发明实施例将SSST用于滚动轴承故障诊断，提高了滚动轴承振动信号的时频分辨率，有利于后续DRCAN的自动特征提取。

进一步地，在上述方法实施例的基础上，所述基于所述时频谱图，训练集成深层脊波卷积自编码网络，包括：分别将每个无标签时频谱图的像素按行排列成无标签列向量；分别将所述无标签列向量输入EDRCAN中，对所述EDRCAN进行无监督训练；分别将每个有标签时频谱图的像素按行排列成有标签列向量；分别利用所述有标签列向量对无监督训练后的EDRCAN进行有监督调整，得到训练好的EDRCAN。在本发明实施例中，每个无标签时频谱图有自己的像素，分别将每个无标签时频谱图的像素按行排列成无标签列向量；其中，为了充分利用不同DRCAN相互提供的互补信息获得比单一DRCAN更好的学习效果，将多个DRCAN进行集成，构造EDRCAN。EDRCAN模型由三个具有不同激活函数的DRCAN组成，每个DRCAN是多个脊波卷积自编码网络(ridgelet convolutional auto-encoder network，RCAN)的叠加，第一级RCAN的输出作为第二级RCAN的输入，第二级RCAN的输出作为第三级RCAN的输入，以此类推；通过对数据的逐层学习完成EDRCAN的无监督训练，然后通过有标签时频谱图结合反向传播BP算法以误差最小化原则自上向下传输完成整个EDRCAN的微调，得到训练好的EDRCAN。

本发明实施例将脊波函数的时、频、方向局部特性与1D-CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征。

在此需要说明的是，使用训练好的EDRCAN对滚动轴承的故障类型和故障程度进行判别，并通过加权平均法输出识别结果。具体为当第i个DRCAN的分类结果为y_i(i＝1，2，3)时，集成模型的分类输出Y通过将各DRCAN的分类结果加权平均计算得到：

式中，r＝1，2，3，表示各DRCAN的精度排序。例如，精度最高的DRCAN模型r＝3；精度最低的模型r＝1。

为验证本发明的优越性，使用ANN、DBN、DAE和标准DRAE进行分析比较，参数列于表3。

表3其他方法的参数

为减小随机因素影响，共进行10次测试，取平均结果。表4列出了各方法的平均诊断正确率和标准差，图12列出了每次实验的详细诊断结果。

表4不同方法的平均诊断结果

从表4和图12可知，与其他方法相比，本发明的10次测试结果具有更高的诊断正确率和稳定性，平均测试正确率达到99.27％，标准差仅0.26。ANN为传统浅层模型，难以建立滚动轴承各种故障状况与信号之间的复杂映射关系，且极易陷入局部极小值，导致其诊断准确率低，仅39.12％；DBN由多个限制玻尔兹曼机叠加而成，能自动从数据中提取特征信息，具有比ANN更强的非线性映射能力，但DBN初始权值具有指向性从而使网络的特征提取失去全面性，且在微调阶段易陷入局部最优，平均诊断正确率为90.12％；DAE在分类效果上优于DBN，但其对噪声敏感，其平均诊断正确率为91.27％；标准DRAE将脊波作为深层网络的激活函数，增强了网络自动特征提取和表示的性能，分类效果优于DAE和DBN，但泛化能力差，其平均诊断正确率为94.12％，而本发明本发明将脊波函数的时、频、方向局部特性与1D-CNN的权值共享、局部感受野的结构思想和DAE自动特征提取能力相结合，构造DRCAN，DRCAN网络学习到的特征在尺度、位移和方向形变上具有特征不变性，增强了网络泛化性能，避免了复杂的人工提取特征过程，可以有效挖掘数据的本质特征；并将多个DRCAN进行集成，充分利用了不同DRCAN模型相互提供的互补信息获得比单一模型更好的学习效果。表5列出了所有方法的平均训练时间和平均识别时间，本发明的平均训练时间为340.16s，平均识别时间0.021s，虽然本文方法训练时间较其他方法更长，但单个样本的识别时间较短，具有较好的实用性。

表5不同方法的平均计算时间

将本发明与“人工特征提取+浅层分类器”方法进行对比分析，采用人工提取的时域、频域、时频域共39个特征构成输入，这些故障特征较好地反映了轴承故障信息，浅层分类器分别为ANN、SVM和随机森林(Random forest，RF)，共进行10次故障诊断实验。实验结果见表6，可知本发明的诊断性能优于“人工特征提取+浅层分类器”方法，在故障诊断能力方面更具优势。ANN、SVM和RF等传统浅层模型的性能很大程度上依赖于繁琐的人工特征提取与选择，而人工特征提取受主观因素影响较大，导致诊断精度和泛化能力低。

表6不同方法的平均诊断结果

图13给出了本发明第1次测试结果的多分类混淆矩阵，矩阵纵坐标表示实际标签，横坐标表示预测标签，主对角线元素表示每种工况下的识别精度，可以看出，复合故障状态c的分类正确率较低。

在此还需要说明的是，以下是对自动编码器(auto encoder，AE)、一维卷积神经网络(1D-CNN)、脊波自编码器(RAE)、脊波卷积自编码器(RCAE)、DRCAN的说明。

AE是一种无监督神经网络，旨在将输入数据和输出数据的重建误差降至最低，标准AE的结构如图9所示，标准自编码器包括输入层、隐层和输出层，激活函数是Sigmoid函数，对于无标签训练样本x＝[x₁，x₂，...，x_m]^T，自动编码器的第一步是将输入数据x通过Sigmoid激活函数变换为隐层特征向量h＝[h₁，h₂，...，h_p]^T：

h＝sigmoid(Wx+b)

sigmoid(t)＝1/(1+e^-t)

式中，W是权重矩阵，b是偏置向量，θ＝{W，b}是输入层和隐层之间的参数集。AE的第二步是将隐层向量h映射回重构向量x^＝[x^₁，x^₂，...，x^_m]^T：

x^＝sigmoid(W'h+b')

式中，θ’＝{W’，b’}是隐层和输出层之间的参数集。

训练AE的目的是优化参数集{θ，θ’}＝{W，b，W’，b’}以最小化重建误差。一般自动编码器的重建误差采用均方误差代价函数，对于S个无标签训练样本集{x₁，x₂，...，x_S}，重建误差定义为：

式中，x^s＝[x^s ₁，x^s ₂，...，x^s _m]^T(s＝1，2，...，S)是样本集中的第s个输入样本。S是无标签训练样本的个数，m是每个样本的维数。x^s _i是第s个输入样本x_s的第i维输入，

是重建样本的第i维重构输出。

一维卷积神经网络(1D-CNN)由一维卷积核和一维池化核构建。设c为当前层次，i^c为该层输入，o^c表示该层输出，w^c和b^c分别为该层连接权值和偏置，可得i^c＝w^c*i^c-1+b^c，则该层输出如下：

o^c＝ReLU(i^c)

式中，ReLU为修正线性单元函数。对于卷积层，其前向传播公式如下：

式中，j表示第j个特征映射图，M_j表示特征图集合，该特征图集合为第c层的第j个特征图和第c-1层相连接部分，k_ij ^c表示该层卷积核权重向量，*为卷积符号。对于池化层，前向传播公式如下：

down()为下采样函数，b_j ^c 为偏置。

标准AE的目的是最小化输入和输出之间的重构误差以逼近一个恒等函数，从而自动完成特征提取，具有一定的鲁棒性和无监督特征学习的能力，而脊波函数包含尺度因子、位移因子和方向因子，位移因子使脊波沿信号的时间轴进行遍历性分析，尺度因子用于分析信号的不同频率，方向因子用于分析信号不同方向的特性，因此，将脊波作为AE的激活函数具有更明显的优势。RAE使用脊波函数代替AE的Sigmoid函数，具有比AE更优的特征提取和表示的性能，结构如图10所示。

给定m维输入向量z＝[z₁，…，z_m]^T，隐层脊波神经元j的输出为：

式中，m为RAE输入层和输出层神经元个数，L为隐层神经元个数，W_jk是输入层神经元k和隐层神经元j的连接权值，a_j、c_j和u_j分别为隐层神经元j的尺度因子、平移因子和方向因子。ψ为小波函数，以Morlet小波的实部为例，表达式如下：

则脊波神经元j的输出重写为：

输出层神经元i的输出为

Sigmoid(t)＝1/(1+e^-t)

式中，W_ij是输出层神经元i和隐层神经元j的连接权值。

RAE得到的特征编码可以较好的重构原始数据，不易陷入局部最优，但RAE所需要调整的参数众多；而1D-CNN具有稀疏连接特性和权值共享特性，网络的参数个数较少，学习到的特征在尺度、位移上具有特征不变性，但随着网络层数的加深梯度传递衰减严重，易陷入局部最优，因此本发明将RAE和1D-CNN相结合，构造RCAE。对于输入信号x，RCAE第k个神经元的特征编码过程可以表示为：

h^k＝ψ[u^k(x*W^k-c^k)./a^k]

式中，ψ为小波函数，W^k为卷积核权重矩阵，a^k、c^k和u^k分别为隐层脊波神经元的尺度因子、平移因子和方向因子向量，*为卷积符号，./为按元素相除符号，以Morlet小波的实部为例，表达式如下：

则脊波神经元j的输出重写为：

本发明省去池化操作，重构信号为反卷积操作，如下：

式中，L为隐层神经元个数，每个神经元表示一种特征映射，W_T ^k为卷积核权重矩阵转置，b为偏置向量。

RCAE的均方误差损失函数存在对噪声敏感的缺陷，本发明采用最大相关熵损失函数，其对复杂非平稳背景噪声不敏感，具有与复杂信号特征相匹配的潜力。设两个随机变量A＝[A₁，A₂，…，A_n]^T，B＝[B₁，B₂，…，B_n]，相关熵的近似计算如下：

式中，σ为高斯核函数尺寸。

则RCAE损失函数可以通过最大化以下函数实现：

式中，N为样本个数，x_i为输入样本，y_i为重构样本。则RCAE的损失函数表示如下：

式中，λ₂为权重衰减项系数，s_l是第l层的神经元个数(s₁＝s₃＝m，s₂＝L)，W_IJ(l)为第l层权重，W_IJ(1)＝W_ij，W_IJ(2)＝W_jk。训练RCAE就是找到一组参数θ_RAE＝{W_ij，W_jk，a_j，c_j，u_j}使RCAE损失函数最小化。RCAE各参数更新公式如下：

式中，η为学习率，L_RCAE(k)是RCAE第k次迭代的重构误差，lr为动量项系数。

RCAE可用于对滚动轴承振动信号进行无监督特征学习，为进一步提高所学习特征的质量，在RCAE的基础上构建DRCAN。DRCAN堆叠多个RCAE，采取逐层训练方法，将上一级RCAE的隐层输出作为下一级RCAE的输入，同时保证损失函数最小化，从而构成多层次的网络结构。在DRCAN预训练过程中，所需的训练样本均无标签样本，因此是无监督学习。无监督训练完成后，为进一步优化网络所提取的特征，在DRCAN最后一层加上Softmax层，使用带标签样本结合BP算法对网络整体微调，3隐层DRCAN结构如图11所示，首先，使用训练样本(无标签)训练第一个RCAE，并学习第1隐层特征(低层特征)；其次，第1隐层特征成为第2个RCAE的输入，用于学习第2隐层特征(高层特征)；再次，第2隐层特征成为第3个RCAE的输入，以获得第3隐层特征(最高层特征)；最后，将学习到的最高层特征输入到Softmax分类器中进行故障模式识别。

为克服单一DRCAN的局限性，提高泛化性能，采用多个DRCAN的集成。不同的脊波函数构成不同的DRCAN，不同的DRCAN网络会表现出不同的特征和互补的学习行为。本发明利用3种不同的脊波来构造不同的DRCAN，3种脊波方程列于表7。

表7 3种脊波函数的方程

本发明虽然省去了大量滚动轴承振动信号人工特征提取的时间，但依然需要一定人力和时间来选择合适的网络结构，本发明中诸如隐含层层数、各隐层神经元个数、惩罚参数等均会影响轴承诊断正确率。本实例基于AutoKeras软件得到的最优隐含层数目、隐含层节点数目及其他超参数。AutoKeras采用的架构搜索方法是一种结合了贝叶斯优化的神经架构搜索，主要关注于降低架构搜索所需要的计算力，并提高搜索结果在各种任务上的性能。神经架构搜索(neural architecture search，NAS)是自动机器学习中一种有效的计算工具，旨在为给定的学习任务搜索最佳的神经网络架构。然而，现有的NAS算法通常计算成本很高。网络态射是一种改变神经网络架构但保留其功能的技术，目前已经成功地应用于神经架构搜索。因此，可以利用网络态射操作将训练好的神经网络改成新的体系架构，如，插入一层或添加一个残差连接，然后，再进行迭代运算就可以进一步训练新架构以获得更好的性能。基于网络态射的NAS方法要解决的最重要问题是运算的选择，即从网络态射运算集里进行选择，将现有的架构改变为一种新的架构。AutoKeras使用了一种带有网络态射的高效神经架构搜索，利用贝叶斯优化通过每次选择最佳运算来引导搜索空间，并创建了一种基于编辑距离的神经网络核函数，它给出了将一个神经网络转化为另一个神经网络需要多少运算。综上，AutoKeras软件利用贝叶斯优化通过每次选择最佳运算来引导结构搜索空间，能根据所给定的数据集，自动搜索在执行某个任务时可以达到最佳表现的网络结构。最终，基于AutoKeras，本实施例网络模型参数如下：输出7层网络，包括输入、输出层及5个隐层，输入层神经元个数为1024，输出层神经元个数为7，第1隐层神经元个数为512，第2隐层神经元个数为261，第3隐层神经元个数为127，第4隐层神经元个数为58，第5隐层神经元个数为26。即网络模型结构为1024-512-261-127-58-26-7。其他超参数输出如下：惩罚参数λ₂为0.04，RCAE的初始学习率为0.1，迭代次数为220，Batch Size为20。

图14示出了本发明实施例提供的诊断滚动轴承故障的装置的结构示意图，所述装置包括：样本处理模块141、网络训练模块142和故障识别模块143；

所述样本处理模块141，用于将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；

所述网络训练模块142，用于基于所述时频谱图，训练集成深层脊波卷积自编码网络；

所述故障识别模块143，用于基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，识别所述目标滚动轴承的故障类型和故障程度。

可选地，所述样本处理模块141，具体用于：

可选地，所述网络训练模块142，具体用于：

图15为本发明一实施例提供的电子设备的逻辑框图；所述电子设备，包括：处理器(processor)151、存储器(memory)152和总线153；

其中，所述处理器151和存储器152通过所述总线153完成相互间的通信；所述处理器151用于调用所述存储器152中的程序指令，以执行上述方法实施例所提供的诊断滚动轴承故障的方法，例如包括：将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；基于所述时频谱图，训练集成深层脊波卷积自编码网络；基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，得到所述目标滚动轴承的故障类型和故障程度。

本发明一实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，该计算机程序被处理器执行时实现了执行上述各实施例提供的诊断滚动轴承故障的方法，例如包括：将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图；基于所述时频谱图，训练集成深层脊波卷积自编码网络；基于目标滚动轴承的振动数据，利用训练好的集成深层脊波卷积自编码网络，得到所述目标滚动轴承的故障类型和故障程度。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种诊断滚动轴承故障的方法，其特征在于，包括：

基于所述时频谱图，训练集成深层脊波卷积自编码网络；

2.根据权利要求1所述的诊断滚动轴承故障的方法，其特征在于，所述训练样本包括无标签训练样本和有标签训练样本。

3.根据权利要求2所述的诊断滚动轴承故障的方法，其特征在于，所述将采集到的不同工况下的滚动轴承振动数据作为训练样本进行相关处理，得到时频谱图，包括：

4.根据权利要求3所述的诊断滚动轴承故障的方法，其特征在于，所述基于所述时频谱图，训练集成深层脊波卷积自编码网络，包括：

5.一种诊断滚动轴承故障的装置，其特征在于，包括：样本处理模块、网络训练模块和故障识别模块；

6.根据权利要求5所述的诊断滚动轴承故障的装置，其特征在于，所述训练样本包括无标签训练样本和有标签训练样本。

7.根据权利要求6所述的诊断滚动轴承故障的装置，其特征在于，所述样本处理模块，具体用于：

8.根据权利要求7所述的诊断滚动轴承故障的装置，其特征在于，所述网络训练模块，具体用于：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述诊断滚动轴承故障的方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述诊断滚动轴承故障的方法的步骤。