CN111964908A - 一种基于mwdcnn的变工况下轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于MWDCNN的变工况下轴承故障诊断方法，旨在提供一种变工况自适应性能力强，准确性高的变工况下轴承故障诊断方法。包括下述步骤：对待诊断数据集进行故障类型与标签的对应关系设置，并划分训练集与测试集；构建多尺度权值分配卷积神经网络故障诊断模型；利用训练集对多尺度权值分配卷积神经网络故障诊断模型进行训练，然后利用训练后的多尺度权值分配卷积神经网络故障诊断模型对测试集进行故障诊断，输出轴承故障类型。所述多尺度权值分配卷积神经网络故障诊断模型由特征提取模块、多尺度特征连接模块及分类模块构成。本发明的诊断方法具有抗噪性能及很高的变负载自适应性能力，准确性高。

Description

一种基于MWDCNN的变工况下轴承故障诊断方法

技术领域

本发明涉及机械故障诊断技术领域，特别涉及一种基于多尺度权值分配卷积神经网络模型(MWDCNN)的变工况下轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械系统中重要的零部件，起到承载和传递载荷的作用，它的运行状态决定了旋转机械工作的可靠性。轻微损伤会使系统出现异常振动，损伤严重时将直接导致设备损坏，甚至造成人员伤亡，因此，研究滚动轴承的故障诊断方法具有重要意义。

目前智能故障诊断方法主要以传统故障诊断和深度学习故障诊断为主，传统故障诊断是通过人工从时域、频域和时频域提取原始信号的主要特征，然后输入到已有的模型中进行学习，最后利用该模型进行故障诊断识别。这种方法需要专家经验和先进的信号处理方法，如时域统计特征、时频谱二值化、变分模态分解、小波变换等，具有一定的局限性，因此限制了传统故障识别方法的进一步发展。而深度学习故障识别利用深层网络结构直接对输入的样本进行特征提取，摆脱了对人工特征提取和专家知识的依赖，实现了端到端的故障诊断。目前深度学习已在计算机视觉、情感分类、语音识别等模式识别任务中取得了突破性进展，同时在工业领域也正在迅速发展。

实际生活中，机械设备常处于复杂多变的工况下，外界强噪声干扰以及负载的变化均会导致测试样本的分布与训练样本的领域分布出现偏差，给故障特征的有效提取带来极大的难度，因此，提高模型对变工况工作条件的域自适应性具有重要意义。目前，变工况下轴承故障诊断方法主要存在下述技术问题：

1)不能够适应多变的工作环境；

2)忽略了特征提取过程中有效特征和无效特征权值不同的问题；

3)没有充分利用浅层特征和深层特征。

由于现有技术中的上述不足之处，因此，需要提供一种变工况自适应性能力强、准确性高的变工况下轴承故障诊断方法。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种变工况自适应性能力强，准确性高的变工况下轴承故障诊断方法。

为实现本发明的目的所采用的技术方案是：

一种基于MWDCNN的变工况下轴承故障诊断方法，包括下述步骤：

(1)对待诊断数据集进行故障类型与标签的对应关系设置，并划分训练集与测试集；

(2)构建多尺度权值分配卷积神经网络故障诊断模型；

(3)利用所述训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练，然后利用训练后的所述多尺度权值分配卷积神经网络故障诊断模型对所述测试集进行故障诊断，输出轴承故障类型；

所述多尺度权值分配卷积神经网络故障诊断模型由特征提取模块、多尺度特征连接模块及分类模块构成；

所述特征提取模块由多个特征权值分配单元组成，末端的所述特征权值分配单元由卷积层与权值分配层组成，其余每个所述特征权值分配单元由卷积层、权值分配层及池化层组成；所述卷积层用于对输入的数据进行卷积运算；所述权值分配层用于对所述卷积层输出的特征进行权值分配，并保持输出特征的维度不变；所述池化层用于对所述权值分配层输出的特征进行最大池化处理；每个所述池化层输出的最大池化处理结果作为下一个所述特征权值分配单元的卷积层的输入；每个所述权值分配层的输出特征作为所述多尺度特征连接模块的输入；

所述多尺度特征连接模块用于将每个所述特征权值分配单元中的所述权值分配层的输出特征进行融合，采用通道数合并的方式将所述特征权值分配单元输出的特征进行连接；

所述分类模块用于将所述多尺度特征连接模块输出的特征进行全局平均池化处理，铺展成一维的特征向量，然后输入到所述分类模块的全连接层，利用softmax函数处理所述分类模块的全连接层的输出特征，进行故障诊断。

所述权值分配层的权值分配包括基于通道的权值分配和基于空间的权值分配；所述基于通道的权值分配是将输入的特征图F，经过基于长度和宽度的全局平均池化处理，压缩空间维度后得到特征图F_avg，接着利用第一全连接层对特征图F_avg进行压缩，然后输入到第二全连接层，利用sigmoid函数进行激活，将特征映射到0-1区间内，即对每个通道的重要性进行预测，得到不同通道的重要性大小，之后，与所述输入特征图F做乘法操作，生成基于通道的加权特征图F'；公式如下：

式中：σ是sigmoid函数；W₀是第一全连接层的权重，W₁是第二全连接层的权重；F_avg∈R^C×1×1；F∈R^C×H×W，F'∈R^C×H×W；R表示特征图维度；H是高度，W是宽度，C是通道数；

所述基于空间的权值分配是将所述基于通道的加权特征图F'，经过基于通道的全局平均池化和全局最大池化后进行合并，得到特征图F_a'_vg,max，然后通过卷积操作将其降维为1个通道，利用sigmoid函数进行激活，特征被映射到0-1区间，与所述基于通道的加权特征图F'做乘法操作，生成基于空间和通道的加权特征图F″；公式如下：

式中：σ是sigmoid函数；f^3×3是3×3卷积层；F'_avg,max∈R^2×H×W。

步骤(3)利用训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练的方法为：

以所述训练集的振动信号作为所述多尺度权值分配卷积神经网络故障诊断模型的输入，以故障类型对应的标签作为所述多尺度权值分配卷积神经网络故障诊断模型的输出，对所述多尺度权值分配卷积神经网络故障诊断模型进行训练。

所述分类模块中所述Softmax函数处理所述分类模块的全连接层的输出特征的计算公式如下：

式中，O是全连接最终的输出结果；H_i为所述多尺度权值分配卷积神经网络故障诊断模型的待求参数权值矩阵；b_i为所述多尺度权值分配卷积神经网络故障诊断模型的偏置值；P(·)是条件概率函数；exp(·)为自然指数函数；X是特征值；y是具体标签；k是标签总数。

所述卷积层的卷积运算如式(1)所示，

式(1)中:

为第l层第j个卷积核输出的特征图；M_i为第l-1层输出特征图集合；

为第l-1层输出的第i个特征图；

为第l层第j个卷积；

为第l层第j个卷积对应偏置项；f(·)为激活函数。

与现有技术相比，本发明的有益效果是：

1、本发明的诊断方法中的特征提取模块是由多个特征权值分配单元组成，该模块利用权值分配原理，按照特征的重要程度去提高有效特征的权值，抑制任务中用处不大的特征，使模型能够更好地提取有效特征信息，减小了无效特征的权重，进而提高模型提取特征的能力，从而提高了故障识别的准确率和稳定性。

2、本发明的诊断方法将经加权的浅层特征和深层特征进行多尺度连接，采用通道数合并的方式将特征权值分配单元输出的特征进行连接，实现有效特征的重复利用，特征之间能够优势互补，提高了模型提取特征的能力及模型的泛化性能。

3、本发明的诊断方法所建立的模型具有抗噪性能及很高的变负载自适应性能力，准确性高。

附图说明

图1所示为多尺度权值分配卷积神经网络故障诊断模型结构示意图；

图2所示为权值分配示意图；

图3所示为恒工况条件下本发明的诊断方法在不同数据集的t-SNE特征降维图；

图4所示为本发明模型不同负载条件下的测试集识别结果；

图5所示为变负载下模型准确率对比；

图6所示为变噪声下模型准确率对比；

图7所示为变噪声条件下多个测试集的t-SNE特征降维图。

具体实施方式

以下结合附图并以凯斯西储大学(CWRU)数据集为例对本发明进行详细说明。

本发明提出了一种多尺度权值分配卷积神经网络模型(Multi-scale WeightDistribution Convolutional Neural Networks，简称MWDCNN)，利用卷积神经网络对原始信号进行特征提取，对不同层提取的特征进行权值分配，然后将浅层和深层中权值分配后的特征进行融合，最后利用分类器进行模式识别，实现轴承故障诊断。

步骤1：以凯斯西储大学(CWRU)数据集为例，对该数据集进行相应标签的设置，并按照4:1的比例划分为训练集与测试集。

使用凯斯西储大学(CWRU)的滚动轴承数据对该模型进行实验与分析，实验对象为驱动器端轴承，轴承型号为深沟球轴承SKF6205，存在故障的轴承通过电火花加工技术分别在轴承的外圈(3、6、12点钟方向)、内圈和滚动体上布置单点缺陷，每个单点缺陷的损伤直径分别为0.007in、0.014in和0.021in，共计9种损伤状态，标签与轴承故障情况对应关系如表1所示。实验的采样频率为12kHz。

表1轴承故障情况与标签的对应关系

实验共建立了8个数据集，如表2所示。实验中，每次使用2048个数据点进行故障诊断。恒工况下数据集的训练集和测试集均采用单一负载类型，训练集中每种轴承故障状态均取384个样本，测试集中均取96个样本。变工况下训练集均采用3种负载，测试集均采用单一负载类型，训练集中每种轴承状态均取1536个样本，测试集中均取384个样本。其中训练集样本均采用样本重叠，而测试集样本间无重叠，以全面反映诊断方法的性能。

表2实验数据集描述

步骤2：构建多尺度权值分配卷积神经网络故障诊断模型(Multi-scale WeightDistribution Convolutional Neural Networks，简称MWDCNN模型)；该MWDCNN模型的结构示意图如图1所示。该模型由特征提取模块、多尺度特征连接模块以及分类模块三个部分构成。

1、特征提取模块：

所述特征提取模块用于对输入的数据集的振动信号利用权值分配原理，按照特征的重要程度去提高有效特征的权值，抑制任务中用处不大的特征。

所述特征提取模块由多个特征权值分配单元组成，本实施例中优选具有5个特征权值分配单元。末端的所述特征权值分配单元由卷积层与权值分配层组成，其余每个所述特征权值分配单元由卷积层、权值分配层及池化层组成。所述卷积层用于对输入的数据进行卷积运算；所述权值分配层用于对所述卷积层输出的特征进行权值分配，并保持输出特征的维度不变；所述池化层用于对所述权值分配层输出的特征进行最大池化处理；每个所述池化层输出的最大池化处理结果作为下一个所述特征权值分配单元的卷积层的输入；每个所述权值分配层的输出特征作为所述多尺度特征连接模块的输入。

卷积运算采用现有技术的方法。本实施例中，卷积层中一定大小的卷积核遍历输入特征图，与特征图的局部区域作如式(1)所示的卷积运算：

式(1)中:

为第l层第j个卷积核输出的特征图；M_i为第l-1层输出特征图集合；

为第l-1层输出的第i个特征图；

为第l层第j个卷积；

为第l层第j个卷积对应偏置项；f(·)为激活函数。

所述权值分配层的权值分配包括基于通道的权值分配和基于空间的权值分配，权值分配的示意图如图2所示，图中：FC表示全连接层(fully connected layers，简写为FC)，Conv表示卷积。

所述基于通道的权值分配是将输入的特征图F，经过基于长度和宽度的全局平均池化处理，压缩空间维度后得到特征图F_avg，接着利用第一全连接层对特征图F_avg进行压缩，然后输入到第二全连接层，利用sigmoid函数进行激活，将特征映射到0-1区间内，即对每个通道的重要性进行预测，得到不同通道的重要性大小，之后，与所述输入特征图F做乘法操作，生成基于通道的加权特征图F'；公式如下：

式中：σ是sigmoid函数；W₀是第一全连接层的权重，W₁是第二全连接层的权重；F_avg∈R^C×1×1；F∈R^C×H×W，F'∈R^C×H×W；F是输入特征图；F'是基于通道的加权特征图。R表示特征图维度；H是高度，W是宽度，C是通道数。

所述基于空间的权值分配是将基于通道的加权特征图F'，经过基于通道的全局平均池化和全局最大池化后进行合并，得到特征图F_a'_vg,max，然后通过一个卷积操作将其降维为1个通道，利用sigmoid函数进行激活，特征被映射到0-1区间，与基于通道的加权特征图做乘法操作，生成基于空间和通道的加权特征图F″；公式如下：

式中：σ是sigmoid函数；F″∈R^C×H×W；f^3×3是3×3卷积层；F'_avg,max∈R^2×H×W；R表示特征图维度；H是高度，W是宽度，C是通道数。

池化层通常又称为下采样层，其主要作用是在保持特征不变性的前提下去掉一些冗余信息把重要的特征抽取出来，防止神经网络的参数过多而产生过拟合现象。本发明采用常规的最大池化算子提取输入特征中的局部最大值，降低可训练参数数目和提高特征的鲁棒性。

2、多尺度特征连接模块：

所述多尺度特征连接模块用于将每个所述特征权值分配单元的所述权值分配层的输出特征(包括浅层特征与深层特征)进行融合，采用通道数合并的方式将所述特征权值分配单元输出的特征进行连接，实现有效特征的重复利用，特征之间能够优势互补，使模型具有更好的泛化性能。

3、分类模块：

所述分类模块用于将所述多尺度特征连接模块输出的特征进行全局平均池化处理，然后输入到所述分类模块的全连接层进行权值再分配，之后，利用softmax函数处理所述分类模块的全连接层的输出特征，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，从而实现了故障诊断。假设处理的是K分类问题，则Softmax函数处理所述分类模块的全连接层的输出特征的计算公式如下：

式中，O是全连接最终的输出结果；W_i为所述多尺度权值分配卷积神经网络故障诊断模型的待求参数权值矩阵；b_i为所述多尺度权值分配卷积神经网络故障诊断模型的偏置值；P(·)是条件概率函数；exp(·)为自然指数函数；X是特征值；y是具体标签；k是标签总数，本模型k取值为10。

步骤3：利用训练集对MWDCNN模型进行训练，然后利用训练好的MWDCNN模型对测试集进行故障诊断。利用训练集对MWDCNN模型进行训练的方法为：

以所述训练集的振动信号作为所述多尺度权值分配卷积神经网络故障诊断模型的输入，以故障类型对应的标签作为所述多尺度权值分配卷积神经网络故障诊断模型的输出，对所述多尺度权值分配卷积神经网络故障诊断模型进行训练。

MWDCNN模型参数如表3所示。在训练过程中，每批处理的样本个数为16，优化器为Adam，学习率为0.0005，迭代步数20次。

表3：MWDCNN模型参数设置

(1)恒工况下的轴承故障诊断

首先，利用数据集A₁对MWDCNN模型进行训练和测试，模型在测试集和训练集中的准确率都能够达到100％，没有发生过拟合现象。测试集的损失函数值略低于训练集，收敛速度更快，表明该模型具有良好的诊断性能。

为了进一步观察MWDCNN模型对不同类别特征的学习情况，引入流形学习中的t-SNE(t-distributed stochastic neighbor embedding)对该模型提取的特征进行可视化分析。对数据集A₁、A₂、A₃、A₄的测试集特征可视化分析结果如图3所示。图3(a)为数据集A₁的原始振动信号的分布结果，由于原始信号未经过任何的特征提取，以及信号自身存在的冗余性，可分类性非常差。图3(b)、(c)、(d)、(e)分别是A₁、A₂、A₃、A₄测试集的振动信号在多尺度特征连接模块的特征可视化结果，可以看出在每个数据集中，相同的样本都聚集在相对应的区域，说明该模型能够提取有效特征，准确识别轴承的故障类型。

(2)变工况下的轴承故障诊断

首先利用数据集B、C、D、E进行训练和测试，验证MWDCNN模型在变负载条件下的故障识别准确度，生成混淆矩阵对实验结果进行表示，如图4所示。对误分类的样本进行分析，以数据集E的实验结果为例，如图4(d)所示，在测试集为负载0HP的情况下，对外圈0.021inch故障诊断的正确率为85.7％，有6.3％的样本被误分为外圈0.007inch故障，有8.0％的样本被误分为外圈0.014inch故障，其他故障类型识别正确率均为100％，整体的故障诊断的正确率为99.27％。虽然诊断的故障尺寸不同，但都将故障定位为外圈故障，说明MWDCNN模型学习到了这三种故障类型(外圈故障、内圈故障、滚动体故障)的非线性特征，具有很强的跨负载自适应能力。

为验证特征权值分配单元和多尺度特征连接模块在卷积神经网络中的应用均能够在负载变化情况下提高模型的故障识别能力和领域自适应能力，验证MWDCNN模型的优越性，与其他相关模型进行对比。为保证比较的公平性及准确性，与均采用5层卷积的传统卷积神经网络(CNN)以及多尺度特征连接的卷积神经网络(MFCCNN)进行对比，卷积核大小、步长与每层卷积核个数均和本文提出的模型参数相同，实验结果如图5所示。从图中可以看出，本发明的MWDCNN模型在每个数据集测试的准确率都能够达到98.64％以上，是测试效果最好的模型，进一步验证了该MWDCNN模型变负载条件下仍然具有良好的故障识别能力和域自适应性。同时可以看出，CNN在每个实验中表现都最差，这说明在变负载情况下，多尺度特征连接模块和特征权值分配单元都能够提高模型提取特征的能力。

利用数据集A，并对测试样本添加不同程度的高斯白噪声，进行在变噪声条件下的故障诊断，同时与其他相关模型进行比较，验证该模型在变噪声情况下故障识别准确度，实验结果如图6所示。显然，MWDCNN模型优于其他模型。当信噪比大于0dB时，该模型的准确率可以达到95.53％以上。这表明了该模型能够有效地提取特征，具有很强的抗噪性能，可以适应多变的工作环境。

为了深入理解不同程度的噪声对模型训练的影响，通过t-SNE降维，将诊断准确率低于99.90％的进行特征可视化。选择信噪比为-2dB、0dB、2dB、4dB的测试集，将多尺度特征连接模块输出的特征降成二维并进行可视化。如图7所示，虽然部分样本被分在其他类别之中，但整体看各类别之间几乎无重叠部分，特征的可分性很好，进一步表明该模型在变噪声环境下有良好的领域自适应能力。

本发明提出了一种基于多尺度权值分配卷积神经网络模型(MWDCNN)的轴承故障诊断方法：利用卷积神经网络对原始信号进行特征提取，对不同层提取的特征进行权值分配，然后将浅层和深层中权值分配后的特征进行融合，最后利用多分类器进行模式识别，实现轴承故障诊断。能够更好地提取有效特征信息，减小了无效特征的权重，提高了故障识别的准确率和稳定性；提高了模型提取特征的能力及模型的泛化性能；具有抗噪性能及很高的变负载自适应性能力。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于MWDCNN的变工况下轴承故障诊断方法，其特征在于，包括下述步骤：

(1)对待诊断数据集进行故障类型与标签的对应关系设置，并划分训练集与测试集；

(2)构建多尺度权值分配卷积神经网络故障诊断模型；

(3)利用所述训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练，然后利用训练后的所述多尺度权值分配卷积神经网络故障诊断模型对所述测试集进行故障诊断，输出轴承故障类型；

所述多尺度权值分配卷积神经网络故障诊断模型由特征提取模块、多尺度特征连接模块及分类模块构成；

所述特征提取模块由多个特征权值分配单元组成，末端的所述特征权值分配单元由卷积层与权值分配层组成，其余每个所述特征权值分配单元由卷积层、权值分配层及池化层组成；所述卷积层用于对输入的数据进行卷积运算；所述权值分配层用于对所述卷积层输出的特征进行权值分配，并保持输出特征的维度不变；所述池化层用于对所述权值分配层输出的特征进行最大池化处理；每个所述池化层输出的最大池化处理结果作为下一个所述特征权值分配单元的卷积层的输入；每个所述权值分配层的输出特征作为所述多尺度特征连接模块的输入；

所述多尺度特征连接模块用于将每个所述特征权值分配单元中所述权值分配层的输出特征进行融合，采用通道数合并的方式将所述特征权值分配单元输出的特征进行连接；

所述分类模块用于将所述多尺度特征连接模块输出的特征进行全局平均池化处理，铺展成一维的特征向量，然后输入到所述分类模块的全连接层，利用softmax函数处理所述分类模块的全连接层的输出特征，进行故障诊断。

2.根据权利要求1所述的基于MWDCNN的变工况下轴承故障诊断方法，其特征在于，所述权值分配层的权值分配包括基于通道的权值分配和基于空间的权值分配；所述基于通道的权值分配是将输入的特征图F，经过基于长度和宽度的全局平均池化处理，压缩空间维度后得到特征图F_avg，接着利用第一全连接层对特征图F_avg进行压缩，然后输入到第二全连接层，利用sigmoid函数进行激活，将特征映射到0-1区间内，即对每个通道的重要性进行预测，得到不同通道的重要性大小，之后，与所述输入特征图F做乘法操作，生成基于通道的加权特征图F'；公式如下：

式中：σ是sigmoid函数；W₀是第一全连接层的权重，W₁是第二全连接层的权重；F_avg∈R^{C ×1×1}；F∈R^C×H×W，F'∈R^C×H×W；R表示特征图维度；H是高度，W是宽度，C是通道数；

所述基于空间的权值分配是将所述基于通道的加权特征图F'，经过基于通道的全局平均池化和全局最大池化后进行合并，得到特征图F′_avg,max，然后通过卷积操作将其降维为1个通道，利用sigmoid函数进行激活，特征被映射到0-1区间，与所述基于通道的加权特征图F'做乘法操作，生成基于空间和通道的加权特征图F”；公式如下：

式中：σ是sigmoid函数；f^3×3是3×3卷积层；F'_avg,max∈R^2×H×W。

3.根据权利要求1或2所述的基于MWDCNN的变工况下轴承故障诊断方法，其特征在于，步骤(3)利用训练集对所述多尺度权值分配卷积神经网络故障诊断模型进行训练的方法为：

以所述训练集的振动信号作为所述多尺度权值分配卷积神经网络故障诊断模型的输入，以故障类型对应的标签作为所述多尺度权值分配卷积神经网络故障诊断模型的输出，对所述多尺度权值分配卷积神经网络故障诊断模型进行训练。

4.根据权利要求1所述的基于MWDCNN的变工况下轴承故障诊断方法，其特征在于，所述分类模块中所述Softmax函数处理所述分类模块的全连接层的输出特征的计算公式如下：

式中，O是全连接最终的输出结果；H_i为所述多尺度权值分配卷积神经网络故障诊断模型的待求参数权值矩阵；b_i为所述多尺度权值分配卷积神经网络故障诊断模型的偏置值；P(·)是条件概率函数；exp(·)为自然指数函数；X是特征值；y是具体标签；k是标签总数。

5.根据权利要求1所述的基于MWDCNN的变工况下轴承故障诊断方法，其特征在于，所述卷积层的卷积运算如式(1)所示，

式(1)中:

为第l层第j个卷积核输出的特征图；M_i为第l-1层输出特征图集合；

为第l-1层输出的第i个特征图；

为第l层第j个卷积；

为第l层第j个卷积对应偏置项；f(·)为激活函数。

Images