CN112577747B

CN112577747B - 一种基于空间池化网络的滚动轴承故障诊断方法

Info

Publication number: CN112577747B
Application number: CN202011436394.7A
Authority: CN
Inventors: 邓艾东; 刘洋; 程强; 邓敏强; 朱静; 史曜炜; 冯志刚; 马天霆; 王煜伟
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2020-12-07
Filing date: 2020-12-07
Publication date: 2023-08-08
Anticipated expiration: 2040-12-07
Also published as: CN112577747A

Abstract

本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

Description

一种基于空间池化网络的滚动轴承故障诊断方法

技术领域

本发明涉及轴承故障智能诊断技术领域，尤其是涉及一种基于空间池化网络的滚动轴承故障诊断方法。

背景技术

由于长期运行在重负载、高转速的环境下，滚动轴承成为了旋转机械设备中最易发生故障的零件之一。因此对滚动轴承进行早期故障诊断具有重要意义。滚动轴承的故障诊断实质上是一个模式识别过程，当轴承发生故障时，振动信号各频带能量发生变化。近年来，随着机器学习研究的不断深入，采用数据驱动的诊断方法取得较大进展，如支持向量机、随机森林、深度信念网络等。这种故障诊断方法的主要思想是先利用信号处理方法提取数据中的相关特征，然后通过特定的分类模型实现轴承故障诊断。然而人工提取特征工作量大、需要领域内专家知识、带有主观因素，在实际应用中，模型的诊断准确率和泛化能力往往会受到影响。为了摆脱人工提取特征带来的限制，深度学习方法在轴承故障诊断中逐步得到应用。常见的方法是利用卷积神经网络或者循环神经网络自适应地提取轴承振动信号的有效特征，最后由Softmax分类器实现故障分类。这类方法不需要人工提取特征，可以自动学习特征提取而不需要大量的先验知识，但是在特征选择以及训练稳定性上仍然存在缺陷，无法实现所提取特征的层次性和差异性的区分。

发明内容

本发明提出了一种基于空间池化网络的滚动轴承故障诊断方法，是一种将卷积神经网络与注意力模块相结合的滚动轴承故障诊断模型，实现了自适应特征提取和筛选的滚动轴承故障诊断。

本发明采用的技术方案如下：

一种基于空间池化网络的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：采集滚动轴承在各故障状态和正常状态下的振动信号，不同类型的轴承振动信号数据作为一个域赋予不同的标签，对轴承振动信号数据进行切割形成样本并划分为训练集、验证集和测试集；

步骤S2：将所述训练集和所述验证集中的样本输入到卷积神经网络中进行训练，所述卷积神经网络由多个“卷积+池化”组成，根据验证集诊断准确率和损失函数值调整所述卷积神经网络结构；

步骤S3：在调整后确定结构的卷积神经网络最后一个“卷积+池化”单元后，设置空间池化注意力机制实现对特征的加权，加权后的特征继续通过两层空间池化层实现对特征信息的整合，最后加入softmax分类器完成空间池化网络的构建；

步骤S4：将所述训练集和所述验证集中的样本输入到所述空间池化网络中进行参数更新，当目标函数满足迭代终止条件时停止更新；

步骤S5：将所述测试集的样本输入到已经训练好的所述空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

所述步骤S2具体包括以下步骤：

步骤S21：将步骤S1中的所述训练集和所述验证集样本输入到初始化的卷积神经网络模型，所述初始化的卷积神经网络模型为典型卷积神经网络；典型卷积神经网络由输入层，卷积层，池化层，全连接层和输出层组成，卷积层和池化层两者之间交替设置，通常取多个“卷积+池化”单元提取输入的多种特征；卷积层使用一定大小的卷积核对输入特征面的局部区域进行卷积运算，通过非线性激活函数后输出多个特征面，同一输入特征面与同一输出特征面中共用相同的卷积核，以此实现权值共享，易于训练。池化层通常紧跟卷积层之后，同样有多个特征面组成，它的每一个特征面与上一层卷积层输出的特征面唯一对应，不改变特征面的个数，池化层对局部接受域进行下采样操作。其数学模型可表述为：

式中，f()为池化函数，本方案选用最大池化方法，down()表示下采样函数；

步骤S22：根据所述测试集和所述验证集的诊断准确率及损失函数调整网络结构，最终选择的卷积神经网络结构由四个“卷积+池化”单元和一个全连接层和softmax分类器组成。

所述步骤S3具体包括以下步骤：

步骤S31：分别在步骤S22中确定好的卷积神经网络的不同层加入空间池化注意力机制，由训练集和验证集的诊断准确率和损失函数确定空间池化注意力机制设置在卷积神经网络最后一个“卷积+池化”单元后，效果最佳。

所述注意力机制是通过计算注意力的概率分布，对关键性输入分配更多的权重，从而起到对模型的优化作用。

所述空间池化注意力机制是通过最大池化和均值池化实现特征在空间上的压缩，并通过sigmoid函数计算得出注意力的概率分布，设F为m×n维特征矩阵，其中m为空间维度，n为通道维度，空间池化注意力机制的数学模型可以表述为：

式中，AvgP()和MaxP()分别代表平均池化和最大池化，MLP()为多层感知机，σ为sigmoid激活函数，M(F)是由特征矩阵F学习得到的空间池化注意力概率矩阵，其大小为n×1，学习得到的注意力概率矩阵与原特征融合的计算公式为：

步骤S32：经过空间池化注意力机制加权后的特征又通过两层空间池化层进行特征信息整合；通常经过多个“卷积+池化”后得到的是高维特征，典型的卷积神经网络通过全连接层进行特征降维和特征信息的再次整合，但是全连接层所需训练参数较多，本文通过两层空间池化层代替全连接层，训练参数大大减少，训练速度和稳定性得到很大提升。

步骤S33：通过两层空间池化的特征输入到Softmax层实现滚动轴承状态分类。

所述步骤S4中，训练时采用Adam优化器，损失函数采用交叉熵损失函数；当训练集和验证集损失函数值都较小且趋于稳定时停止迭代。

所述步骤S5中，将同负载下的测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度，同时用不同负载下的样本进行验证并与其他模型进行对比分析。

所述步骤S1具体包括以下步骤：

步骤S11：首先是采集滚动轴承在滚动体故障B、外圈故障OR和内圈故障IR状态下，选取至少三种不同故障直径尺寸和正常状态下的振动信号，并加入高斯白噪声，不同类型的轴承振动数据作为一个域赋予不同的标签；

步骤S12：取连续的多个数据点为一个样本，采用数据重叠分割的方法进行数据增强。

步骤S13：将得到的样本划分为训练集、验证集和测试集，其中训练集和验证集样本的振动信号用于训练过程，所述测试集用于计算模型精度，不参与训练。

本发明的有益效果如下：

本发明能够在不需要大量先验知识的情况下自动提取特征，并且通过空间池化注意力机制对所提取的特征分配相应的权重，滚动轴承故障诊断准确率更高；

本发明用两层空间池化层代替传统卷积神经网络结构中的全连接层，需要训练的参数大大减少，具有训练速度快、训练过程稳定的优点；

本发明独特的网络结构设计实现了多层次的特征提取和特征选择，在变工况下故障诊断效果依然很好。

附图说明

图1是本发明的流程图。

图2是本发明的空间池化注意力原理图。

图3是本发明的空间池化网络结构图。

图4是本发明的卷积神经网络与空间池化网络在训练过程中的损失函数图。

图5是本发明的卷积神经网络与空间池化网络在训练过程中的诊断准确率图。

图6是本发明的卷积神经网络对各个类别的诊断准确的混淆矩阵率。

图7是本发明的“卷积神经网络+LSTM”模型对各个类别的诊断准确的混淆矩阵率。

图8是本发明的空间池化网络对各个类别的诊断准确的混淆矩阵率。

图9是本发明的卷积神经网络模型、“卷积神经网络+LSTM”模型和空间池化网络模型在不同负载下的诊断准确率图。

具体实施方式

以下结合附图说明本发明的具体实施方式。

如图1所示，本实施例的一种基于空间池化网络的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：采集滚动轴承在9种故障状态和1种正常状态下的振动信号，不同类型的轴承振动数据作为一个域赋予不同的标签，对其进行切割形成样本并划分为训练集、验证集和测试集；具体地包括如下步骤：

步骤S11：采集滚动轴承在滚动体故障B、外圈故障OR和内圈故障IR状态下，故障直径尺寸分别为0.18mm、0.36mm和0.54mm和正常状态下的振动信号，为了提高模型的泛化能力，加入高斯白噪声，信噪比SNR＝2，不同类型的轴承振动数据作为一个域赋予不同的标签；

步骤S12：取连续的2048个数据点为一个样本，采用数据重叠分割的方法进行数据增强，计算公式如下：

上式中，L为数据总长度，L₁为单个样本数据长度，D为步长，N获得的样本数。本实施例取D＝200，总共获得6000个样本；

步骤S13：将步骤S12得到的样本划分为训练集、测试集和验证集，其比例为65％、25％、10％；其中训练集和验证集样本的振动信号用于训练过程，测试集用于计算模型精度，不参与训练。数据集汇总如表1所示：

表1

步骤S2：将训练集和验证集中的样本输入到卷积神经网络中进行训练，卷积神经网络由多个“卷积+池化”组成，根据验证集诊断准确率和损失函数值调整卷积神经网络结构；

具体地包括如下步骤：

步骤S21：将训练集和验证集样本输入到初始化的卷积神经网络模型。

典型卷积神经网络由输入层，卷积层，池化层，全连接层和输出层组成，卷积层和池化层两者之间交替设置，通常取多个“卷积+池化”单元提取输入的多种特征。卷积层使用一定大小的的卷积核对输入特征面的局部区域进行卷积运算，通过非线性激活函数后输出多个特征面，同一输入特征面与同一输出特征面中共用相同的卷积核，以此实现权值共享，易于训练。其数学模型可描述为：

式中，为第l层的第j个特征映射，f()为激活函数，M为输入特征映射个数，/>为l-1层第i个特征映射个数，*为卷积运算符，/>为可训练的卷积核，/>为偏置；

池化层通常紧跟卷积层之后，同样有多个特征面组成，它的每一个特征面与上一层卷积层输出的特征面唯一对应，不改变特征面的个数，池化层对局部接受域进行下采样操作，其数学模型可表述为：

式中，f()为池化函数，本实施例选用最大池化方法，down()表示下采样函数。

步骤S22：根据测试集和验证集的诊断准确率及损失函数调整网络结构，最终选择的卷积神经网络由四个“卷积+池化”单元和一个全连接层和softmax分类器组成。

步骤S3：在调整后确定结构的卷积神经网络最后一个“卷积+池化”单元后设置空间池化注意力机制实现对特征的加权，加权后的特征继续通过两层空间池化层实现对特征信息的整合，最后加入softmax分类器完成空间池化网络的构建；具体地包括如下步骤：

步骤S31：分别在确定好的卷积神经网络的不同层加入空间池化注意力机制，由训练集和验证集的诊断准确率和损失函数确定空间池化注意力机制设置在卷积神经网络最后一个“卷积+池化”单元后效果最佳。

注意力机制的实质是通过计算注意力的概率分布，对关键性输入分配更多的权重，从而起到对模型的优化作用。空间池化注意力机制结构如图2所示，它是通过最大池化和均值池化实现特征在空间上的压缩，并通过sigmoid函数计算得出注意力的概率分布，设F为m×n维特征矩阵，其中m为空间维度，n为通道维度，则空间池化注意力机制的数学模型可以表述为：

式中，AvgP()和MaxP()分别代表平均池化和最大池化，MLP()为多层感知机，σ为sigmoid激活函数，M(F)是由特征矩阵F学习得到的空间池化注意力概率矩阵，其大小为n×1。学习得到的注意力概率矩阵与原特征融合的计算公式为：

步骤S32：经过空间池化注意力机制加权后的特征又通过两层空间池化层进行特征信息整合。通常经过多个“卷积+池化”后得到的是高维特征，典型的卷积神经网络通过全连接层进行特征降维和特征信息的再次整合，但是全连接层所需训练参数较多，以本专利所设计的模型为例，在最后一个“卷积+池化”模块后，数据大小为13×60，Softmax分类器的输入为1×60，若使用全连接层与Softmax分类器进行连接，则全连接层需要训练的参数个数为13×60×60，而本实施例用两层空间池化层代替全连接层的需要训练的参数总个数7×60，由此可见，训练参数数量大大减少，训练速度显著提升，同时也起到防止过拟合的作用，训练过程更加稳定；

步骤S33：通过两层空间池化的特征输入到Softmax层实现滚动轴承状态分类，空间池化网络结构如图3所示。

步骤S4：将训练集和验证集中的样本输入到空间池化网络中进行参数更新，当目标函数满足迭代终止条件时停止更新；

具体地，训练时采用Adam优化器，损失函数采用交叉熵损失函数。当训练集和验证集损失函数值都较小且趋于稳定时停止迭代。

步骤S5：将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

具体地，将同负载下的测试集的样本输入到已经训练好的空间池化网络模型中得到轴承状态类型并与标签进行对比，计算得出诊断精度。同时用不同负载下的样本进行验证并与其他模型进行对比分析。

对比实验选取在轴承故障诊断领域应用较为广泛的四个机器学习模型：支持向量机SVM、随机森林RF、一维卷积神经网络(1D-CNN)和“卷积神经网络+LSTM”模型(CNN-LSTM)。其中SVM和RF模型基于提取时域、频域、时频域特征建立，所提取特征包括平均频率、频率标准偏差、信息熵、分形维数等，经过筛选后共计120维特征。SVM的分类策略采用“onevsrest”的，核函数选用高斯核，惩罚系数C取6；RF模型树最大深度取8，数量为400；1D-CNN使用了4个“卷积+池化”单元、两个全连接层和一个Softmax分类层；CNN-LSTM使用4个“卷积+池化”单元提取多维特征，然后输入到双向LSTM模型中，最后用全连接层和Softmax层进行故障分类。在“卷积+池化”单元中，1D-CNN、CNN-LSTM的设置方式与空间池化网络相同。

每个模型诊断准确率的详细结果如表2所示。可以看出，基于人工提取特征的两个模型SVM与RF其故障诊断准确率相对较低，都在94％以下，原因主要在于该类模型的学习能力对所提取特征有较强的依赖而人工提取特征又难以挖掘出信号更全面、更深层的信息。这也突出了基于深度学习自动提取特征的优势，例如：一维卷积神经网络1D-CNN利用多个卷积核以及卷积核之间的叠加提取信号的多角度、多层次的特征，在测试集上实现了97.86％的诊断准确率；CNN-LSTM用“卷积+池化”单元提取短时特征，然后输入到LSTM中挖掘时序数据的内在联系，诊断准确率达到94.90％，相比人工提取特征的模型也有了显著提升。空间池化网络模型将空间池化注意力与1D-CNN结合，实现对特征的权重分配，训练数据集和测试数据集的诊断准确率分别达到99.89％和99.00％，此外，由于用两层空间池化层代替了传统卷积神经网络中的全连接层，训练参数大大减少，在单步训练消耗的时间上也有一定的提升。

表2

图4为本实施例的一维卷积神经网路1D-CNN与空间池化网络训练过程中的损失函数图；图5为本发明的一维卷积神经网路1D-CNN与空间池化网络训练过程中的诊断准确率图。

本实施例中1D-CNN与空间池化网络两者的优化器、mini-batch和学习率设置均相同。可以看出：空间池化网络的诊断准确率在训练刚开始便呈直线式上升，迭代次数为97时，准确率已经达到了90％，迭代次数为975时，模型完成收敛，诊断准确率不再发生变化；而1D-CNN诊断准确率在迭代次数小于1000时增长速度较快(仍显著慢于空间池化网络模型)，大于1000时以较为缓慢的速度增长，迭代次数大约为2700时模型完成收敛。由损失函数的变化情况可以看出，相比1D-CNN，空间池化网络不仅损失函数下降速度快，而且训练过程的随机波动较小，训练的更加稳定。由此可知，将空间池化注意力加入到1D-CNN中，强调关键的局部特征，抑制不必要的特征，极大的增强了对特征的表达能力和模型的学习能力；同时用两层空间池化层代替传统卷积神经网络中的全连接层使得空间池化网络训练速度更快、训练过程更加稳定。

为了进一步分析模型在各个类别的预测情况，图6、图7和图8分别展示了1D-CNN、CNN-LSTM和空间池化网络的诊断准确率的混淆矩阵，横纵坐标分别为样本的预测标签和真实标签，将故障表述简化，如“Normal”表示正常状态，“B007”表示滚动体故障且故障尺寸为0.18mm即0.007英寸。

对比可以看出，1D-CNN模型在预测故障状态为B014、B021、IR021时出现错误，其中对B021的诊断准确率最差，仅为80％；

CNN-LSTM模型在预测故障状态为B007、B014、B021、IR014、OR014时均出现错误，其中诊断准确率最低的是B014和B021，分别为81％、76％；

空间池化网络模型仅在预测故障状态为B021时出现错误，准确率为90％，其余的轴承状态均预测正确。

因此，在预测轴承状态为B021时三个模型的诊断准确率均为最差，空间池化网络将该状态10％的样本预测为B007和B014，1D-CNN将该状态12％的样本预测为B007，其余错误预测为IR007、IR014。

图9是本发明的卷积神经网络模型、“卷积神经网络+LSTM”模型和空间池化网络模型在不同负载下的诊断准确率图。分别在负载为1hp、2hp、3hp的轴承数据进行测试，各取1500个样本作为测试集，每个样本同样由连续的2048个数据点组成，并与1D-CNN和CNN-LSTM进行对比。由图可以看出，三个模型在0负载测试集上的故障准确率表现均较好，但在变负载的情况下，CNN-LSTM诊断准确率显著下降，在负载为2hp、3hp时下降到85％以下，难以应用在变负载运行情况的轴承故障诊断；而1D-CNN和空间池化网络相对较稳定，在三个测试集诊断准确率均在91％以上，在负载为1hp、2hp时，空间池化网络模型准确率明显高于1D-CNN，在负载为3hp时低于1D-CNN，但从整体诊断效果来看，空间池化网络在变工况下表现更优。

Claims

1.一种基于空间池化网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

步骤S1：采集滚动轴承在故障状态和正常状态下的振动信号，不同类型的轴承振动信号数据作为一个域赋予不同的标签，对轴承振动信号数据进行切割形成样本并划分为训练集、验证集和测试集，具体包括：

步骤S11：首先是采集滚动轴承在至少三种不同故障直径尺寸下滚动体故障B、外圈故障OR、内圈故障IR状态和正常状态下的振动信号，并加入高斯白噪声，不同类型的轴承振动数据作为一个域赋予不同的标签；

步骤S12：取连续的多个数据点为一个样本，采用数据重叠分割的方法进行数据增强；

步骤S13：将得到的样本划分为训练集、验证集和测试集，其中训练集和验证集样本的振动信号用于训练过程，测试集用于计算模型精度，不参与训练；

步骤S2：将所述训练集和所述验证集中的样本输入到卷积神经网络中进行训练，所述卷积神经网络由多个“卷积＋池化”组成，根据验证集诊断准确率和损失函数值调整所述卷积神经网络结构，具体包括：

步骤S21：将步骤S1中的所述训练集和所述验证集样本输入到初始化的卷积神经网络模型，所述初始化的卷积神经网络模型为典型卷积神经网络；

步骤S22：根据所述测试集和所述验证集的诊断准确率及损失函数调整网络结构，最终选择的卷积神经网络结构由四个“卷积＋池化”单元和一个全连接层和softmax分类器组成；

步骤S3：在调整后确定结构的卷积神经网络最后一个“卷积＋池化”单元后，设置空间池化注意力机制实现对特征的加权，加权后的特征继续通过两层空间池化层实现对特征信息的整合，最后加入softmax分类器完成空间池化网络的构建，具体包括：

步骤S31：分别在步骤S22中确定好的卷积神经网络的不同层加入空间池化注意力机制，由训练集和验证集的诊断准确率和损失函数确定空间池化注意力机制设置在卷积神经网络最后一个“卷积＋池化”单元之后；所述空间池化注意力机制是通过最大池化和均值池化实现特征在空间上的压缩，并通过sigmoid函数计算得出注意力的概率分布，设为维特征矩阵，其中/>为空间维度，/>为通道维度，空间池化注意力机制的数学模型可以表述为：

式中，和/>分别代表平均池化和最大池化，/>为多层感知机，为/>激活函数，/>是由特征矩阵/>学习得到的空间池化注意力概率矩阵，其大小为/>，学习得到的注意力概率矩阵与原特征融合的计算公式为：

步骤S32：经过空间池化注意力机制加权后的特征又通过两层空间池化层进行特征信息整合；

步骤S33：通过两层空间池化的特征输入到Softmax层实现滚动轴承状态分类；

2.根据权利要求1所述的基于空间池化网络的滚动轴承故障诊断方法，其特征在于，所述步骤S4中，训练时采用Adam优化器，损失函数采用交叉熵损失函数；当训练集和验证集损失函数值都较小且趋于稳定时停止迭代。

3.根据权利要求2所述的基于空间池化网络的滚动轴承故障诊断方法，其特征在于，所述步骤S5中,将同负载下的测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度，同时用不同负载下的样本进行验证并与其他模型进行对比分析。