CN112132102B - 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 - Google Patents
一种深度神经网络结合人工蜂群优化的智能故障诊断方法 Download PDFInfo
- Publication number
- CN112132102B CN112132102B CN202011068823.XA CN202011068823A CN112132102B CN 112132102 B CN112132102 B CN 112132102B CN 202011068823 A CN202011068823 A CN 202011068823A CN 112132102 B CN112132102 B CN 112132102B
- Authority
- CN
- China
- Prior art keywords
- encoder
- bee colony
- sparse self
- artificial bee
- lossless
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 235000012907 honey Nutrition 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 241000257303 Hymenoptera Species 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 230000036039 immunity Effects 0.000 abstract 1
- 230000036541 health Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 238000002405 diagnostic procedure Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012733 comparative method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：提出一种用于振动信号的数据扩充策略、设计深度无损非负约束稀疏自编码器模型、利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。本发明能够增加缺失样本容量减小样本不平衡对深度学习模型训练的影响，增加故障特征的抗噪性，增强特征提取过程的鲁棒性，避免人工过多参与超参数选取，提高模型诊断过程的智能化和准确性。
Description
技术领域
本发明涉及一种深度神经网络结合人工蜂群优化的智能故障诊断方法。
背景技术
随着技术的发展，旋转机械正朝着速度、精度、效率越来越高的方向发展，基于机器学习的故障诊断方法依赖于大量的信号处理技术和人工经验，面对数据复杂、非线性和非平稳的情况下无法做到稳定且高精度的诊断效果。在提取故障特征过程中，需要诊断人员掌握大量的信号处理技术并结合丰富的工程实践经验来提取和选取故障特征。此外，该过程独立地对待特征提取和故障识别两个环节，并未考虑它们之间的关系。在模型训练阶段，由于振动信号包含大量的环境噪声，使得深度学习模型无法表征信号与故障类型之间复杂的映射关系，进而导致诊断能力及泛化性能均有明显不足，很难满足复杂非线性数据背景下旋转机械故障诊断的实际需求。因此，对旋转机械进行精准的故障识别必须要解决以下关键问题：
(1)在实际工程应用中，往往健康信号比故障信号获取容易，使得数据集出现类别不平衡现象，严重影响深度自编码器的训练；
(2)振动信号受到环境噪声的影响，使得深度自编码器的特征学习性能下降；
(3)深度神经网络的超参数的优化问题无关相关理论知识指导选取，需要依靠人工经验和相关实验进行确定，影响诊断的效率和精度，不利于模型的智能化。
为了克服上述缺陷，本发明提出一种深度神经网络结合人工蜂群优化的智能故障诊断方法。首先，本发明提出一种用于振动信号的数据扩充策略，降低类别不平衡数据对深度学习模型的影响；设计深度无损非负约束稀疏自编码器模型，提升模型对特征提取过程的鲁棒性，增强故障特征的质量；采用人工蜂群算法优化深度无损非负约束稀疏自编码器模型，减少人为参与参数选取过程，从而实现旋转机械的健康状态识别。
发明内容
本发明的目的是为了解决上述问题，设计了一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：
步骤1：提出一种用于振动信号的数据扩充策略；
步骤2：提出一种深度无损非负约束稀疏自编码器模型；
步骤3：采用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。
进一步地，所述的步骤1中，提出一种用于振动信号的数据扩充策略，其具体步骤为：
步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；
步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；
步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练。
进一步地，所述的步骤2中，提出一种深度无损非负约束稀疏自编码器模型，其具体步骤为：
步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型；
步骤2.2：修改无损非负约束稀疏自编码器的预训练规则，设计无损非负约束稀疏自编码器的参数学习规则；
步骤2.3：预训练Softmax分类器；
步骤2.4：将多个无损非负约束稀疏自编器与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型；
步骤2.5：对深度无损非负约束稀疏自编码器模型进行有监督微调。
进一步地，所述的步骤3中，采用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，其具体步骤为：
步骤3.1：准备深度无损非负约束稀疏自编码器，初始化人工蜂群算法的参数；
步骤3.2：设计人工蜂群算法的适应度函数，选择合适的概率值选取蜜源；
步骤3.3：确定雇佣蜂和跟随蜂在蜜源附近内的蜜源搜索准则；
步骤3.4：确定侦查蜂产生新蜜源的准则。
进一步地，所述步骤1.1中，数据划分的标准是训练数据与测试数据之间没有任何的关联数据信息，两者之间是独立同分布的关系，另外，此过程采用重采样技巧，对原始振动信号进行初次扩充。
进一步地，所述步骤1.2中，抖动通过模拟随机传感器噪声，提高振动信号的多样性，所模拟的随机噪声是高斯白噪声；对振动信号进行旋转操作，模拟传感器的位置倒放，在不改变数值大小的情况下颠倒数值的符号，从而达到数据的扩充。
进一步地，所述步骤1.3中，将原始振动信号与新产生的振动信号进行的是随机混合，从中选取合适的样本数组成平衡的训练样本集。
进一步地，所述步骤2.1中，构建无损非负约束稀疏自编码器(SAE-LNC)，无损约束项的设计为：
其中，θ为模型参数，Xn为训练数据集，Xc为稀疏自编码产生的无噪声数据集，为稀疏自编码器学习到的重构数据，γ为无损约束项的系数，它约束着纯净数据与训练数据之间差别。
此外，添加权重非负约束项修改损失函数，对权重进行约束，增强参数的学习能力，具体表达如下式：
其中，α为非负权重约束系数，为l+1层的第i神经元与l层的第j神经元之间的连接权重。
进一步地，所述步骤2.2中，由于添加了无损约束项和权重非负约束项，导致稀疏自编码器的训练规则不适用，通过反向传播算法和梯度下降算法设计出一种交替更新的训练准则。
进一步地，所述步骤2.3中，预训练Softmax分类器的损失函数的表达形式为：
其中，θ为分类器参数，N为训练样本的容量，I{y(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，z(m)为输出层第m个神经元的输出值，λ为惩罚项的控制参数。
进一步地，所述步骤2.4中，生成深度无损非负约束稀疏自编码器的堆栈形式为：SAE-LNC1隐含层提取的深度特征作为SAE-LNC2模型的输入，SAE-LNC2隐藏层的特征作为SAE-LNC3的输入，依次类推，将最后一个SAE-LNC模型提取的深度特征作为Softmax分类器的输入，逐渐将多个SAE-LNC模型的编码阶段的神经网络和Softmax分类器堆栈起来，构建深度SAE-LNC模型。
进一步地，所述步骤2.5中，对深度无损非负约束稀疏自编码器网络进行有监督微调，采用反向传播算法和梯度下降算法对深度无损非负约束稀疏自编码器模型进行有监督学习训练。
进一步地，所述步骤3.1中，初始化人工蜂群算法的参数，人工蜂群算法的初始化参数为最大迭代次数max-cycle、蜜蜂的数量N、蜜源的最大循环次数limit。
进一步地，所述步骤3.2中，人工蜂群算法设计的适应度函数为
其中，Vacc为深度无损非负约束稀疏自编码器的总体分类准确率。此外，跟随蜂选取蜜源概率准则为：
进一步地，所述步骤3.3中，雇佣蜂和跟随蜂在蜜源附近搜索新蜜源的公式如下：
new_popij＝popij+r(popij-popkj)
其中，popij为第i个蜜源，popkj为第k个蜜源，k∈{1，2，…，N｝，j∈{1，2，…，D｝，N表示为蜜蜂的数量，D表示人工蜂群算法优化的参数个数，这两个数都是随机选取的，但是k≠i；r是一个在[0，1]范围内的随机数。
进一步地，所述步骤3.4中，侦查蜂产生新蜜源的公式为
pop(i)＝(upbound-lowbound)×rand(0，1)+lowbound
其中，upbound和lowbound分别为邻域的上下边界，rand(0，1)为0到1之间的随机数。
利用本发明的技术方法的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，该方法提出一种用于振动信号的数据扩充策略，增加训练样本的容量，降低训练样本不平衡对深度学习模型的影响；设计深度无损非负约束稀疏自编码器模型，抑制噪声特征学习，提升模型特征提取过程的鲁棒性，使学习到的故障特征具备更高的质量；利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，避免过多的人工参与，提高诊断模型的智能化和精度。因此，该发明具有较强实用价值，可为维修人员提供可靠的旋转机械工作状态信息，减少因故障而带来的经济损失，满足故障监测和诊断的需求。
附图说明
图1是本发明所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法的流程图；
图2是本发明所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法的训练和测试流程图；
图3是本发明所述的一个实例所用振动信号的采集实验平台图；
图4是本发明所述的一种用于振动信号的数据扩充策略流程示意图；
图5是本发明所述的深度无损非负约束稀疏自编码器模型的堆栈生成示意图；
图6是本发明所述一个实例采用人工蜂群算法优化模型的参数选择迭代过程图；
图7是本发明所述一个实例中12种健康状态下不同方法的轴承诊断结果对比图；
图8是本发明所述一个实例中不同信噪比下的测试精度对比实验结果图。
具体实施方式
下面结合附图对本发明进行具体描述，如图2所述，一种深度神经网络结合人工蜂群优化的智能故障诊断方法，包括以下步骤：
步骤1：设计用于振动信号的数据扩充策略；
步骤2：设计深度无损非负约束稀疏自编码器模型；
步骤3：采用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数。
接下来，通过一个实例对本发明的实施方式及其效果进行具体说明。
本实例的实验数据采集来源于西储大学的轴承数据集，振动信号的采集试验台如图3所示。轴承实验台的采集装置主要由一个2马力的电动机、一个扭矩传感器、负载电动机以及一个采样频率为12kHz的加速度传感器组成。此外，电机转速为1772rpm，对应的电机负载为1HP。待诊断的驱动端轴承型号为SKF6205，除正常状态(NO)下，采用电火花加工技术对轴承进行了三种单点损伤，包括滚动体(B)故障、内圈故障(IR)、外圈(OR)故障。故障轴承有四种不同程度的损伤直径分别为0.1778mm、0.3556mm、0.5334mm、0.7112mm。为简化故障类型的标记，当滚动体发生0.007in的故障时，记为B007。因此，轴承的十二种健康状态分布记为NO、B007、B014、B028、IR007、IR014、IR021、IR028、OR007、OR014、OR021。轴承数据的详细参数如表1所示。
表1轴承数据的详细信息
为了模拟各种不平衡的数据分布，在本发明案例中构造了四种不同数据集来模拟各种不平衡数据分布。在数据集A不同健康状态被分成相同的样本数量，70％的数据作为训练样本，剩余数据用做测试样本。因此，数据集A可作为平衡数据集。在数据集B中，根据不同的故障类型分区，并随机按照50％、30％、20％的数据用于训练，测试样本采用30％。为了便于比较，按照数据集B的策略，通过随机改变训练样本的百分比生成数据集C和D。表2列出了数据集的详细信息。
表2轴承数据集的不平衡样本比的详细描述
进一步地，步骤1所述的设计一种用于振动信号的数据扩充策略，如图4所示，其具体步骤为：
步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；
步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；
步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练。
进一步地，步骤2所述的设计深度无损非负约束稀疏自编码器模型，其具体步骤为：
步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型。
①设计无损约束项约束自编码器模型对振动信号中噪声信号的特征学习，其具体的表达式为：
其中，Xn为训练数据集，Xc为稀疏自编码产生的无噪声数据集，为稀疏自编码器学习到的重构数据，γ为无损约束项的系数，它约束着纯净数据与训练数据之间差别。
②采用权重非负约束项对网络模型的过拟合进行约束，提高模型的参数学习性能，该项的定义为：
其中，α为非负权重约束系数，为l+1层的第i神经元与l层的第j神经元之间的连接权重。
③考虑到稀疏输入在特征学习方面的优势，通过添加稀疏项来正则化损失函数，具体表达式为：
其中，β为权重调整参数，s为第二层神经元数，为第i个隐含层神经元的平均激活值，ρ为稀疏系数。
④分别将无损约束项、权重非负约束项和稀疏约束项进行合并，构建无损非负约束稀疏自编码器的损失函数，具体定义的函数为：
步骤2.2：设计网络模型的训练规则；由于添加了无损约束项和权重非负约束项，导致稀疏自编码器的训练规则不适用，通过反向传播算法和梯度下降算法设计出一种交替更新的训练准则，其具体步骤如表3所示。
表3无损非负约束稀疏自编码器模型的详细训练过程
步骤2.3：预训练Softmax分类器，其具体为：
①构建Softmax分类器模型的结构，构架两层神经网络层，分别为输入层和输出层，其中输入层的神经元个数与输入的状态特征维度相同，输出层的神经元个数与故障分类的类别数相同，将故障特征输入到Softmax分类器的输入层，开始进行训练，生成预测标签。
假设训练数据为{(z(1)，y(1))，…，(z(N)，y(N))｝，其中z(m)∈Rb，m＝1，2，…，N是一个输入Softmax分类器的输入向量，y(m)，m＝1，2，…，N是输入向量对应的标签。假设训练数据有k个不同的故障类型，那么，标签也有k个不同的值，表示为y(m)∈{1，2，…，k｝。Softmax向前传播中，根据输入向量，输出向量表示为：
o(m)＝θz(m)
其中，θ∈Rk×b为Softmax分类器的参数矩阵，具体形式为：
当z(m)属于故障类型为r时，y(m)＝r，r＝1，2，…，k的概率定义为：
则生成预测标签，采用gθ(z(m))用来评估z(m)属于每种故障类型的概率，具体表达式为：
②根据训练标签和预测标签计算损失误差，采用反向传播算法向后传递损失误差。
计算训练标签和预测标签的损失函数，其具体表达为：
其中，N-训练样本的容量，I{y(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，zj为输出层第j个神经元的输出值，λ为惩罚项的控制参数。
③利用梯度下降算法更新Softmax分类器的权重和偏置，直至达到训练次数，停止更新权重和偏置，至此Softmax分类器训练完毕，实现故障类型的辨识。
利用梯度下降算法更新Softmax分类器的参数，每次迭代过程，参数更新公式为：
其中，ε为学习率，θjｉ为θ的第j行，第i列的元素。
步骤2.4：将多个无损非负约束稀疏自编器(SAE-LNC)与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型，如图5所示，SAE-LNC1隐含层提取的深度特征作为SAE-LNC2模型的输入，SAE-LNC2隐藏层的特征作为SAE-LNC3的输入，依次类推，将最后一个SAE-LNC模型提取的深度特征作为Softmax分类器的输入，逐渐将多个SAE-LNC模型的编码阶段的神经网络和Softmax分类器堆栈起来，构建深度SAE-LNC模型。
步骤2.5：对深度无损非负约束稀疏自编码器网络进行有监督微调，采用反向传播算法和梯度下降算法对深度无损非负约束稀疏自编码器模型进行训练，其具体步骤如表4所示。
表4深度无损非负约束稀疏自编码器模型的训练过程
进一步地，步骤3所述的采用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，其具体步骤为：
步骤3.1：准备深度无损非负约束稀疏自编码器模型，初始化人工蜂群算法的参数；初始化人工蜂群算法的参数，人工蜂群算法的初始化参数为最大迭代次数max-cycle、蜜蜂的数量N、蜜源的最大循环次数limit。
步骤3.2：设计人工蜂群算法的适应度函数，选择合适的概率值选取蜜源；
人工蜂群算法设计的适应度函数为
其中，Vacc为深度无损非负约束稀疏自编码器的总体分类准确率。此外，跟随蜂选取蜜源概率准则为：
步骤3.3：确定雇佣蜂和跟随蜂在蜜源附件内的蜜源搜索准则；雇佣蜂和跟随蜂在蜜源附近搜索新蜜源的公式如下：
new_popij＝popij+r(ｐopij-popkj)
其中，k∈{1，2，…，N｝，j∈{1，2，…，D｝，N表示为蜜蜂的数量，D表示人工蜂群算法优化的参数个数，这两个数都是随机选取的，但是k≠i；r是一个在[0，1]范围内的随机数。
步骤3.4：确定侦查蜂产生新蜜源的准则；侦查蜂产生新蜜源的公式为：
pop(i)＝(upbound-lowbound)×rand(0，1)+lowbound
其中，upbound和lowbound分别为邻域的上下边界，rand(0，1)为0到1之间的随机数。
步骤3.5：人工蜂群算法优化深度SAE-LNC模型的超参数的详细过程如表5所示。
表5人工蜂群算法优化深度SAE-LNC模型的超参数过程
/>
至此，一种深度神经网络结合人工蜂群优化的智能故障诊断方法的步骤阐述完毕。首先确定深度SAE-LNC模型的参数，通过调试确定模型的各个神经网络层神经元个数分别为400-300-200-100-12。利用人工蜂群算法对深度SAE-LNC模型的超参数进行优化，迭代过程如图6所示。从图6中可以看出，随着迭代次数的增加，准确率和适应度值呈现逐渐递增的趋势，在迭代次数为30时，处于稳定状态。表6列出了深度SAE-LNC模型所需的详细参数。
表6深度SAE-LNC模型的参数
/>
为了进一步验证本发明的有效性和先进性，本文采用了标准自编码器(AE)、深度稀疏自编码器(SAE)、深度去噪自编码器(DAE)、深度卷积自编码器(CAE)、卷积神经网络(CNN)、深度置信网络(DBN)、BP神经网络(BPNN)、支持向量机(SVM)、随机森林(RF)方法进行轴承故障诊断。两点需要说明：(1)所有深度学习和机器学习方法的输入都是原始信号，未经过任何的信号预处理；(2)这些方法的主要参数描述如下：设计的深度AE结构为400-300-200-100-12，学习率为0.004，迭代次数为500；设计的深度SAE结构为400-300-200-100-12，学习率为0.004，迭代次数为500，系数约束系数为0.26；设计的深度DAE结构为400-300-200-100-12，学习率为0.004，迭代次数为500，去燥约束系数为0.46；设计的CNN网络结构的卷积核为2*2；设计的DBN结构为400-300-200-100-12，学习率为0.1，迭代次数为60；设计的BPNN网络结构为400-801-12，学习率为0.015，迭代次数为1000；设计的SVM应用高斯核函数，核函数的惩罚因子和半径分别设置为40和0.25；设计的RF的树的数量为500，每个分割点上随机抽样的预测器的数量为20。
为避免实验结果出现偶然性和不确定性，每组实验进行10次实验，表7和表8分别为不同诊断方法的12中健康状态的平均测试准确率和平均测试准确率的标准偏差，图7为12种健康状态下不同诊断方法的轴承诊断结果对比图。
表7 10次实验中不同诊断方法的每种健康状态的平均测试准确率(％)
/>
在表7中，详细描述了在不同诊断方法下的每种健康状态的平均测试准确率。分析表7可知，本发明与其他先进的深度学习模型和机器学习模型对比，在识别健康状态为NO、B007、B014、B028、IR007、IR014、IR021、OR014具有较高的准确率，分别为100％、93.22％、99.67％、99.89％、99.56％、95.22％、99.67％、99.56％。此外，本发明在故障类型为B021、IR028、OR007、OR021处的测试准确率表现效果较低，分别为82.78％、99.67％、95.67％、81.33％。深度AE、深度SAE、深度DAE、DBN、BPNN、SVM、RF的每种故障类型的测试准确率低于提出的诊断模型。深度CAE在故障类型为B021、OR007、OR021处的测试准确率分别为89.89％、99.89％、96.11％，高于本发明在该故障类型处的准确率。然而，在其他故障类型中，深度CAE的测试准确率低于本发明的诊断模型。同样地，CNN诊断模型只在IR028处的准确率高于本发明的诊断模型，面对其他故障类型的识别，CNN的诊断准确率较低。另外，为了从整体说明本发明诊断效果的性能，通过计算每种诊断方法的总体平均测试准确率。本发明的总体测试准确率为95.52％，明显高于其他诊断方法的89.73％、90.80％、91.09％、91.81％、91.32％、90.54％、58.39％、65.62％、70.98％。实验结果表明，与其他方法相比，在不同健康状态的识别中，本发明能获取较高的准确率。
表8 10次实验中每种健康状态的平均测试准确率的标准偏差
| 对比方法 | NO | B007 | B014 | B021 | B028 | IR007 | IR014 | IR021 | IR028 | OR007 | OR014 | OR021 | Average |
| 本发明 | 0.0000 | 2.9602 | 0.7101 | 1.7374 | 0.3330 | 0.7363 | 1.7973 | 0.7107 | 0.5087 | 2.8750 | 0.7363 | 4.6547 | 1.4800 |
| 深度AE | 0.0000 | 5.1518 | 1.9423 | 5.7467 | 1.6505 | 2.5919 | 3.3270 | 2.7880 | 1.0234 | 3.8227 | 1.8598 | 4.9899 | 2.9078 |
| 深度SAE | 0.0000 | 4.6219 | 1.5295 | 4.6375 | 1.5275 | 2.0505 | 3.5949 | 2.5863 | 0.4440 | 33873 | 1.4430 | 3.5754 | 2.4498 |
| 深度DAE | 0.0000 | 2.9637 | 1.7542 | 4.3461 | 0.9928 | 1.2196 | 2.3389 | 1.8648 | 0.4440 | 4.8979 | 1.3134 | 5.0195 | 2.2629 |
| 深度CAE | 0.0000 | 3.6861 | 0.4964 | 1.2607 | 2.2819 | 1.1589 | 4.0383 | 2.4456 | 0.5087 | 0.3330 | 1.0472 | 0.8986 | 1.5130 |
| CNN | 0.7107 | 7.1669 | 7.4574 | 13.3796 | 1.3320 | 1.5763 | 5.8998 | 2.1652 | 0.0000 | 0.7363 | 7.9480 | 4.9063 | 4.4399 |
| DBN | 0.0000 | 3.1525 | 2.8639 | 2.2481 | 3.6921 | 1.2624 | 3.3705 | 4.0511 | 1.7374 | 2.4944 | 1.3320 | 5.5216 | 2.6438 |
| BPNN | 0.4440 | 4.7927 | 1.8648 | 5.2543 | 4.1422 | 3.3508 | 4.6192 | 4.7147 | 6.2306 | 5.7991 | 3.6659 | 3.7870 | 4.0554 |
| SVM | 3.8199 | 8.5809 | 8.2247 | 3.3057 | 0.4440 | 4.2238 | 5.9243 | 2.5742 | 0.9220 | 4.1645 | 4.2752 | 5.0393 | 4.2915 |
| RF | 0.0000 | 2.9840 | 3.7260 | 4.0505 | 1.3587 | 4.0981 | 5.2711 | 5.6317 | 4.1610 | 3.2266 | 2.9591 | 4.3203 | 3.4823 |
在表8详细描述了不同诊断方法的12种健康状态的平均测试准确率的标准偏差。分析表8可知，与其模型相比，本发明在健康状态为NO、B007、B014、B028、IR007、IR014、IR021、IR028、OR014的标准偏差较低，分别为0、2.9602、0.7101、0.3330、0.7363、1.7973、0.7107、0.5087、0.7363。然而，本发明在B021、OR007、OR021的标准偏差分别为1.7374、2.8750、4.6547，低于深度CAE的对应故障类型的1.2607、0.3330、0.8986。为了更好地分析模型的稳定性能，计算每种诊断方法的平均标准偏差说明本发明的稳定性能。本发明的平均标准偏差为1.4800，低于其他诊断方法的2.9078、2.4498、2.2629、1.5130、4.4399、2.6438、4.0554、4.2915、3.4823。比较结果表明，在识别故障类型中，本发明的稳定性高于其他方法。
为了验证本发明的抗噪性能，对数据集A加入信噪比分别为0dB、2dB、4dB、6dB、8dB、10dB的随机噪声，且每种信噪比进行10次试验。表9表示为轴承数据集A在不同降噪比下两种对比方法的测试准确率和标准偏差。图8为两种方法在0～10不同信噪比下10次试验的测试精度，其中(a)、(b)、(c)、(d)、(e)、(f)分别为0dB、2dB、4dB、6dB、8dB、10dB。通过观察发现，随着随机信号程度的增加，本发明和深度SAE模型的测试精度均有下降。然而，在所有的10次试验中，在不同的信噪比下，本发明始终比深度SAE模型的测试精度高。此外，两个对比方法在不同信噪比下的测试精度的偏差分别为6.95％、6.84％、6.04％、5.70％、5.93％、4.39％。由此表明，本发明在低信噪比下的性能改进比高信噪比下的性能改进更明显。同时，随着随机信号的减弱，本发明的稳定性逐渐提高。因此，验证了本发明在挖掘状态特征的抗噪性能比深度SAE模型更具有优势。
表9轴承数据集A在不同降噪比下两种对比方法的测试精度和标准偏差
通过以上的实验验证了本发明的诊断精度和稳定性能，接下来将验证本发明在不平衡数据中的表现性能。在试验使用的数据集是不平衡数据集B、C、D。另外，本文采用重采样方法进行对比验证。为了进一步验证该方法在不同数据集下的性能，采用查准率、查全率和F-score进行模型性能的评价。表10为数据扩充方法的对比实验，其中，M1-DSAE-LNC为重采样策略的方法。从表10中看出，当采用深度SAE-LNC(DSAE-LNC)模型对不平衡数据进行故障诊断时，查准率、查全率和F-score测度的值很低。随着对训练样本的扩充，三种测度的值也在提高。无疑，本发明提出的数据扩充策略相比于其他方法而言，得到的性能测度值最高。此外，该方法的标准偏差也是呈现逐渐降低的趋势，表明了本发明的具有较好的鲁棒性。因此，根据对比结果可以看出，本发明在解决类别不平衡条件下，依然具有较高的准确性和稳定性。
表10数据扩充方法的对比实验
综上，本发明所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，针对数据类别不平衡的条件，提出一种用于振动信号的数据扩充策略；设计出一种深度无损非负约束稀疏自编码器模型，提高诊断模型提取故障特征的能力和增强特征提取过程的鲁棒性；采用人工蜂群算法优化深度无损非负约束稀疏自编码器模型，避免过多人工参与，提高诊断模型参数选取的科学性和智能化。在训练数据出现类别不平衡和高噪声干扰下，本发明解决了现存深度神经网络诊断精度不高、稳定性差以及特征提取不足的缺陷，提高捕获故障特征的能力，增加特征提取过程的鲁棒性，从而实现旋转机械的高精度诊断。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。
Claims (7)
1.一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，包括以下步骤：
步骤1：提出一种用于振动信号的数据扩充策略，其具体步骤为：
步骤1.1：数据划分：将采集所得的振动信号分割为训练数据和测试数据；
步骤1.2：训练数据扩充：利用重叠采样策略将训练数据分割成若干样本，采用抖动技巧和旋转技巧产生新的训练数据；其中，抖动通过模拟随机传感器噪声，提高振动信号的多样性，所模拟的随机噪声是高斯白噪声；对振动信号进行旋转操作，模拟传感器的位置倒放，在不改变数值大小的情况下颠倒数值的符号，从而达到数据的扩充；
步骤1.3：训练数据混合：将原始训练数据和新产生的训练数据进行混合，合成的训练数据用于深度学习网络的训练；
步骤2：提出一种深度无损非负约束稀疏自编码器模型，其具体步骤为：
步骤2.1：设计无损约束项和引用权重非负约束项对稀疏自编器的损失函数进行修改，构建无损非负约束稀疏自编码器模型；
步骤2.2：修改无损非负约束稀疏自编码器的预训练规则，设计无损非负约束稀疏自编码器的参数学习规则；
步骤2.3：预训练Softmax分类器；
步骤2.4：将多个无损非负约束稀疏自编器与Softmax分类器进行堆栈，形成深度无损非负约束稀疏自编码器模型；
步骤2.5：对深度无损非负约束稀疏自编码器网络进行有监督微调；
步骤3：利用人工蜂群算法优化深度无损非负约束稀疏自编码器的超参数，其具体步骤为：
步骤3.1：准备深度无损非负约束稀疏自编码器，初始化人工蜂群算法的参数；
步骤3.2：设计人工蜂群算法的适应度函数，选择合适的概率值选取蜜源；
步骤3.3：确定雇佣蜂和跟随蜂在蜜源附近内的蜜源搜索准则；
步骤3.4：确定侦查蜂产生新蜜源的准则。
2.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.1中，无损约束项的设计为：
其中，Xn为训练数据集，Xc为稀疏自编码产生的无噪声数据集，为稀疏自编码器学习到的重构数据，γ为无损约束项的系数，它约束着纯净数据与训练数据之间差别，此外，添加权重非负约束项修改损失函数，对权重进行约束，增强参数的学习能力，具体表达如下式：
其中，α为非负权重约束系数，为l+1层的第i神经元与l层的第j神经元之间的连接权重。
3.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.2中，由于添加了无损约束项和权重非负约束项，导致稀疏自编码器的训练规则不适用，因此设计出一种交替更新训练准则，通过反向传播算法和梯度下降算法交替循环来更新模型。
4.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.3中，Softmax分类器的损失函数的表达形式为：
其中，N为训练样本的容量，I｛y(m)＝j}为指示函数，只有当大括号内的值为真时才取值为1，否则为0，z(m)为输出层第m个神经元的输出值，λ为惩罚项的控制参数。
5.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤2.4中，深度无损非负约束稀疏自编码器的堆栈形式为：无损非负约束稀疏自编码器SAE-LNC1隐含层提取的深度特征作为SAE-LNC2模型的输入，SAE-LNC2隐藏层的特征作为SAE-LNC3的输入，依次类推，将最后一个SAE-LNC模型提取的深度特征作为Softmax分类器的输入，逐渐将多个SAE-LNC模型的编码阶段的神经网络和Softmax分类器堆栈起来，构建深度SAE-LNC模型。
6.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤3.2中，人工蜂群算法设计的适应度函数为：
其中，Vacc为深度无损非负约束稀疏自编码器的总体分类准确率；此外，跟随蜂选取蜜源概率准则为；
7.根据权利要求1所述的一种深度神经网络结合人工蜂群优化的智能故障诊断方法，其特征在于，所述步骤3.3中，雇佣蜂和跟随蜂在蜜源附近搜索新蜜源的公式如下：
new_popij＝popij+r(popij-popkj)
其中，k∈{1，2，…，N｝，j∈{1，2，…，D｝，N表示为蜜蜂的数量，D表示人工蜂群算法优化的参数个数，这两个数都是随机选取的，但是k≠i；r是一个在[0，1]范围内的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068823.XA CN112132102B (zh) | 2020-09-28 | 2020-09-28 | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068823.XA CN112132102B (zh) | 2020-09-28 | 2020-09-28 | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132102A CN112132102A (zh) | 2020-12-25 |
| CN112132102B true CN112132102B (zh) | 2024-04-19 |
Family
ID=73843797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011068823.XA Active CN112132102B (zh) | 2020-09-28 | 2020-09-28 | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132102B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656977B (zh) * | 2021-08-25 | 2023-07-07 | 绵阳市维博电子有限责任公司 | 一种基于多模态特征学习的线圈故障智能诊断方法及装置 |
| CN114912589B (zh) * | 2022-07-18 | 2022-10-04 | 中船重工(武汉)凌久高科有限公司 | 一种基于全连接神经网络优化的图像识别方法 |
| CN116525104B (zh) * | 2023-06-26 | 2023-11-17 | 中国人民解放军总医院 | 一种心源性休克快速分期分诊系统、设备及可存储介质 |
| CN117423067B (zh) * | 2023-12-18 | 2024-03-12 | 成都华芯智云科技有限公司 | 一种基于tof技术的客流统计终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
| CN108956145A (zh) * | 2018-07-17 | 2018-12-07 | 中国科学院沈阳自动化研究所 | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
| CN111562109A (zh) * | 2020-05-19 | 2020-08-21 | 重庆邮电大学 | 一种机械设备深度学习状态识别与诊断方法 |
-
2020
- 2020-09-28 CN CN202011068823.XA patent/CN112132102B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
| CN108956145A (zh) * | 2018-07-17 | 2018-12-07 | 中国科学院沈阳自动化研究所 | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
| CN111562109A (zh) * | 2020-05-19 | 2020-08-21 | 重庆邮电大学 | 一种机械设备深度学习状态识别与诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 非负自编码网络基于部分特征表示的变工况滚动轴承状态识别;张炎 等;《仪器仪表学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132102A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
| Zhang et al. | A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels | |
| CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
| CN108875918B (zh) | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 | |
| Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
| CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
| CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN113988126A (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
| Wang et al. | Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data | |
| CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN115374810A (zh) | 基于动态可分离卷积神经网络的故障诊断方法及设备 | |
| CN115688040A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN112414715A (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |