CN112668459B - 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法，其步骤包括：采集不同工况下滚动轴承无故障和故障振动信号，并进行数据预处理后转换成一维频谱作为数据集；训练时对数据进行数据增强扩充样本，利用有监督对比损失训练特征提取器，并利用有监督交叉熵损失训练分类器；组合特征提取器和分类器，进行故障诊断。本发明能有效的解决数据类别间特征互信息利用不充分和样本不足的问题，同时提升使用卷积神经网络在工况变化和工况不变的情况下对于振动信号故障诊断能力。

Description

基于有监督对比学习和卷积神经网络的滚动轴承故障诊断 方法

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于有监督对比的学习和卷积神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成.滚动轴承常见的故障包括内圈，外圈，滚动体，内外圈混合故障等。

传统技术主要通过采集轴承振动信号，一方面因为可采集的故障信号比较少；另一方面利用传统标签监督学习方法训练卷积网络提取特征，没有充分利用相同类别和不同类别数据之间特征的互信息，因此网络需要学习数据尽可能多的特征，其中相当一部分是冗余特征，这也使得模型对数据的要求很高，抗噪性很差，泛化和迁移能力不足，也就是说当测试数据所在域发生一些变化时，准确率会受很大影响，难以运用于实际情况。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法，以期能更加合理地扩充样本，充分利用相同类别数据和不同类别数据之间存在的特征互信息训练得到特征提取能力和泛化能力更优的卷积神经网络模型来实现滚动轴承故障诊断，从而更好地提取振动信号的特征，以提高在工况不变和工况变化的情况下的振动故障的诊断准确率。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法的特点是按如下步骤进行：

步骤1.利用加速度振动传感器采集A种工况下的正常类型和B-1类故障类型的滚动轴承的振动信号集合，记为X＝{X₁,X₂,...,X_i,...X_A}，X_i表示第i类工况的振动信号样本集合，1≤i≤A，并有：X_i＝{X_i1,X_i2,...X_ij,…X_iB}，X_ij表示第i类工况下第j类振动信号样本集合；1≤j≤B，并有

表示第i类工况下第j类振动信号样本集合中的第m个样本；1≤m≤C，C表示第i类工况下第j类振动信号的样本数，且

为L×1维向量，L表示振动信号长度；

步骤2.对振动信号集合X中所有样本

依次进行去除直流操作、小波降噪操作、快速傅里叶变换操作后得到预处理后的一维频谱信号集合

表示第i类工况下第j类振动信号样本集合中的第m个频谱信号，且

长度降为L/2；

步骤3.构建对比学习模型；

步骤3.1.构建一维卷积神经网络作为故障特征提取器；

所述故障特征提取器包含n个一维卷积层，m个批归一化层、m个激活层、m-1个最大化池化层和1个平均池化层；并由若干个卷积层后依次连接1个批归一化层、1个RELU激活层和1个最大池化层构成1个block块，从而组成多个block块，其中最后1个block块中采样平均池化层；

将所述一维频谱信号集合

输入所述故障特征提取器中，并输出L₁×1维故障特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的故障特征；

步骤3.2.构建多层感知器作为特征映射器；

所述特征映射器是由2个全连接层和1个激活层组成；

将所述L₁×1维故障特征集合

输入所述特征映射器中，并输出L₂×1维映射特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的映射特征；

步骤3.3.构建一个分类器，并将所述L₂×1维映射特征集合

输入所述分类器中，输出L3×1维分类结果集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的分类结果；

步骤4.在所述一维频谱信号集合

下使用有监督实例对比学习方法训练故障特征提取器；

步骤4.1.对第m个频谱信号

进行随机数据增强得到增强后的第m个频谱信号

步骤4.2.从所述一维频谱信号集合

中选取一批数量为N的频谱信号样本{S¹,S²,...,S^N}及其对应的增强后的频谱信号样本{S′¹,S′²,...,S′^N}和对应的类别{y₁,y₂,...y_N}输入故障特征提取器中，得到L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}；S^N表示一批中的第N个频谱信号样本，S′^N表示一批中增强后的第N个频谱信号样本，T^N表示第N个频谱信号样本的故障特征；

将所述L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}输入所述特征映射器中，得到L₂×1维的映射特征{Z¹,Z²,...,Z^N,...,Z^2N}，Z^N表示第N个频谱信号样本的故障特征；

步骤4.3.利用式(1)构建一批数据的有监督对比总损失函数L^sup：

式(1)中，

表示第r个频谱信号样本的损失，并有：

式(2)中，|代表条件符号，

代表以当前第r个频谱信号样本S^r作为锚样本的标签，

代表其他样本S^e的标签；

是原始N个样本中与锚样本S^r具有相同标签的数据个数，也包括S^r本身；

表示考虑一批原始样本和增强样本中所有与锚样本S^r具有相同标签的数据个数，但不包括S^r自身；exp(Z^r·Z^e/t)表示第r个映射特征Z^r与同类别的第e个映射特征Z^e的点积结果；

表示第r个映射特征Z^r与一批2N样本中不包括Z^r的所有映射特征的点积和，t是点积温度参数；

步骤4.4.基于有监督对比总损失函数L^sup，使用有监督对比学习方法对故障特征提取器进行迭代训练，得到训练好的故障特征提取器；

步骤5.从所述一维频谱信号集合

中选取另外一批频谱信号样本并输入训练好的特征提取器，得到新的故障特征集合；

将所述新的故障特征集合输入到所述分类器中，得到新的分类结果；

根据所述新的分类结果计算有监督交叉熵损失函数，用于反向训练所述分类器，得到训练好的分类器；

将所述训练好的特征提取器和训练好的分类器组成滚动轴承故障诊断模型用于实现滚动轴承的故障诊断。

与现有技术相比，本发明的有益效果在于：

1、本发明通过对振动时域信号进行去直流、小波降噪和快速傅里叶变换，将原始时域信号转成一维频谱信号，减弱了数据中包含的噪声，突出了包含故障特征的数据成分，同时降低了模型的复杂度，提高了模型训练速度。

2、本发明通过对数据的随机增强增加了训练的数据量，提高模型的泛化能力，随机增加噪声数据，提升了模型的鲁棒性，也就是说训练得到的故障诊断模型不会随着测试数据微小地变动而发生大的准确率波动。

3、本发明使用有监督对比学习方法，充分利用相同类别数据和不同类别数据之间的特征互信息得到提取有效故障特征能力更强的特征提取器；在工况不变和工况变化的情况下振动故障诊断性能得到提升。

附图说明

图1为本发明的整体流程图；

图2为振动时域信号；

图3为去直流后的振动时域信号；

图4为小波降噪后的振动时域信号；

图5为快速傅里叶变换后的频域信号；

图6为添加随机噪声的频域信号；

图7为本发明的对比框架图；

图8为本发明的特征提取器；

图9为本发明的特征映射器；

图10为本发明的线性分类器。

具体实施方式

本实施例中，如图1所示，一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法是按如下步骤进行：

步骤1.利用加速度振动传感器采集A种工况下的正常类型和B-1类故障类型的滚动轴承的振动信号集合，记为X＝{X₁,X₂,...,X_i,...X_A}，X_i表示第i类工况的振动信号样本集合，1≤i≤A，并有：X_i＝{X_i1,X_i2,...X_ij,…X_iB}，X_ij表示第i类工况下第j类振动信号样本集合；1≤j≤B，并有

表示第i类工况下第j类振动信号样本集合中的第m个样本；1≤m≤C，C表示第i类工况下第j类振动信号的样本数，且

为L×1维向量，L表示振动信号长度；

具体实施中，在步骤1中，采集4种工况下正常类型和3种故障类型振动信号，分别是：正常，内圈故障，外圈故障，内外圈复合故障.每个振动信号长度为2048；振动信号如图2所示.

步骤2.对振动信号集合X中所有样本

依次进行去除直流操作、小波降噪操作、快速傅里叶变换操作后得到预处理后的一维频谱信号集合

表示第i类工况下第j类振动信号样本集合中的第m个频谱信号；且

长度降为L/2；

具体实施中，在步骤2中依次对振动信号做去直流操作如图3，小波降噪如图4和快速傅里叶变换操作，得到长度为1024的频谱信号如图5；最后可选择对信号做归一化操作；

步骤3.构建对比学习模型，如图7所示；

步骤3.1.构建一维卷积神经网络作为故障特征提取器；

故障特征提取器包含n个一维卷积层，m个批归一化层、m个激活层、m-1个最大化池化层和1个平均池化层；并由若干个卷积层后依次连接1个批归一化层、1个RELU激活层和1个最大池化层构成1个block块，从而组成多个block块，其中最后1个block块中采样平均池化层；

具体实施中，特征提取器由8个一维卷积层，4个批归一化层，4个RELU激活层，3个最大池化层和1个平均池化层组成，结构如图8所示；这里根据信号的复杂程度可以选择更为复杂的深度残差收缩网络作为特征提取器.

将一维频谱信号集合

输入故障特征提取器中，并输出L₁×1维故障特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的故障特征；

步骤3.2.构建多层感知器作为特征映射器；

特征映射器是由2个全连接层和1个激活层组成；本实施例中，特征映射器是由2个全连接层和1个激活层组成；如图9所示；

将L₁×1维故障特征集合

输入特征映射器中，并输出L₂×1维映射特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的映射特征；

步骤3.3.构建一个分类器，本实施例的分类器采用线性分类器，结构如图10所示；并将L₂×1维映射特征集合

输入分类器中，输出L3×1维分类结果集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的分类结果；

步骤4.在一维频谱信号集合

下使用有监督实例对比学习方法训练故障特征提取器；

具体实施中，本发明划分了两种类型的数据集，类型一数据集取4种工况中任意1种作为测试集，其他3种作为训练集；类型二数据集在任意1种工况数据下取训练集和测试集，分别使用两种类型的数据集训练得到两种故障特征提取器，记为提取器1和提取器2，训练方式相同；

步骤4.1.对第m个频谱信号

进行随机数据增强得到增强后的第m个频谱信号

如图6所示；

步骤4.2.从一维频谱信号集合

中选取一批数量为N的频谱信号样本{S¹,S²,...,S^N}及其对应的增强后的频谱信号样本{S′¹,S′²,...,S′^N}和对应的类别{y₁,y₂,...y_N}输入故障特征提取器中，得到L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}；S^N表示一批中的第N个频谱信号样本，S′^N表示一批中增强后的第N个频谱信号样本，T^N表示第N个频谱信号样本的故障特征；

将L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}输入特征映射器中，得到L₂×1维的映射特征{Z¹,Z²,...,Z^N,...,Z^2N}，Z^N表示第N个频谱信号样本的故障特征；

步骤4.3.利用式(1)构建一批数据的有监督对比总损失函数L^sup：

式(1)中，

表示第r个频谱信号样本的损失，并有：

式(2)中，|代表条件符号，

代表以当前第r个频谱信号样本S^r作为锚样本的标签，

代表其他样本S^e的标签.

是原始N个样本中与锚样本S^r具有相同标签的数据个数，包括S^r本身；

表示考虑一批原始样本和增强样本中所有与锚样本S^r具有相同标签的数据个数，不包括S^r自身；exp(Z^r·Z^e/t)表示第r个映射特征Z^r与同类别的第e个映射特征Z^e的点积结果；

表示第r个映射特征Z^r与一批2N样本中不包括Z^r的所有映射特征的点积和，t是点积温度参数；

步骤4.4.基于有监督对比总损失函数L^sup，使用有监督对比学习方法对故障特征提取器进行迭代训练，得到训练好的故障特征提取器；

步骤5.从一维频谱信号集合

中选取另外一批频谱信号样本并输入训练好的特征提取器，得到新的故障特征集合；

将新的故障特征集合输入到分类器中，得到新的分类结果；

根据新的分类结果计算有监督交叉熵损失函数，用于反向训练分类器，得到训练好的分类器；

将训练好的特征提取器和训练好的分类器组成滚动轴承故障诊断模型用于实现滚动轴承的故障诊断。

具体实施中，在步骤5分别再次使用类型一数据集和类型二数据集输入到对应的特征提取器，然后利用有监督交叉熵损失训练对应的分类器，记为分类器1和分类器2；将对应的故障特征提取器与分类器组合成最终的故障诊断模型，对两种类型的数据集进行故障诊断，得到实验效果如表1表2；

表1

类型一数据集	训练(2，3，4)-测试1	1，3，4-2	1，2，4-3	1，2，3-4
					传统交叉熵	48.00％	78.91％	98.72％	98.92％
有监督对比	49.93％	84.13％	99.21％	99.21％

表2

类型二数据集	1	2	3	4
					传统交叉熵	94.09％	99.72％	99.60％	99.26％
有监督对比	96.24％	99.78％	99.72	99.63％

从表1中可以看出在工况发生变化的情况下，也就是说测试集与训练集相差较大的情况下，基于有监督对比学习训练的模型相较于传统学习方法稳定性更高，准确率明显提升；说明有监督对比学习提高了模型对于振动故障信号的特征提取能力和泛化能力；更好地应用于实际情况。

从表2中也可以直接看出在工况不变的情况下，也就是测试集与训练集相差不大的情况下有监督对比学习相较于传统学习方法提高了模型对于振动故障信号的诊断准确率，说明具有更好的特征提取能力。

Claims (1)

1.一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法，其特征是按如下步骤进行：

步骤1.利用加速度振动传感器采集A种工况下的正常类型和B-1类故障类型的滚动轴承的振动信号集合，记为X＝{X₁,X₂,...,X_i,...X_A}，X_i表示第i类工况的振动信号样本集合，1≤i≤A，并有：X_i＝{X_i1,X_i2,...X_ij,…X_iB}，X_ij表示第i类工况下第j类振动信号样本集合；1≤j≤B，并有

表示第i类工况下第j类振动信号样本集合中的第m个样本；1≤m≤C，C表示第i类工况下第j类振动信号的样本数，且

为L×1维向量，L表示振动信号长度；

步骤2.对振动信号集合X中所有样本

依次进行去除直流操作、小波降噪操作、快速傅里叶变换操作后得到预处理后的一维频谱信号集合

表示第i类工况下第j类振动信号样本集合中的第m个频谱信号，且

长度降为L/2；

步骤3.构建对比学习模型；

步骤3.1.构建一维卷积神经网络作为故障特征提取器；

所述故障特征提取器包含n个一维卷积层，f个批归一化层、f个激活层、f-1个最大化池化层和1个平均池化层；并由若干个卷积层后依次连接1个批归一化层、1个RELU激活层和1个最大池化层构成1个block块，从而组成多个block块，其中最后1个block块中采样平均池化层；

将所述一维频谱信号集合

输入所述故障特征提取器中，并输出L₁×1维故障特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的故障特征；

步骤3.2.构建多层感知器作为特征映射器；

所述特征映射器是由2个全连接层和1个激活层组成；

将所述L₁×1维故障特征集合

输入所述特征映射器中，并输出L₂×1维映射特征集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的映射特征；

步骤3.3.构建一个分类器，并将所述L₂×1维映射特征集合

输入所述分类器中，输出L₃×1维分类结果集合

表示第i类工况下第j类振动信号样本集合中第m个频谱信号的分类结果；

步骤4.在所述一维频谱信号集合

下使用有监督实例对比学习方法训练故障特征提取器；

步骤4.1.对第m个频谱信号

进行随机数据增强得到增强后的第m个频谱信号

步骤4.2.从所述一维频谱信号集合

中选取一批数量为N的频谱信号样本{S¹,S²,...,S^N}及其对应的增强后的频谱信号样本{S′¹,S′²,...,S′^N}和对应的类别{y₁,y₂,…y_N}输入故障特征提取器中，得到L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}；S^N表示一批中的第N个频谱信号样本，S′^N表示一批中增强后的第N个频谱信号样本，T^N表示第N个频谱信号样本的故障特征；

将所述L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}输入所述特征映射器中，得到L₂×1维的映射特征{Z¹,Z²,...,Z^N,...,Z^2N}，Z^N表示第N个频谱信号样本的故障特征；

步骤4.3.利用式(1)构建一批数据的有监督对比总损失函数L^sup：

式(1)中，

表示第r个频谱信号样本的损失，并有：

式(2)中，|代表条件符号，

代表以当前第r个频谱信号样本S^r作为锚样本的标签，

代表其他样本S^e的标签；

是原始N个样本中与锚样本S^r具有相同标签的数据个数，也包括S^r本身；

表示考虑一批原始样本和增强样本中所有与锚样本S^r具有相同标签的数据个数，但不包括S^r自身；exp(Z^r·Z^e/t)表示第r个映射特征Z^r与同类别的第e个映射特征Z^e的点积结果；

表示第r个映射特征Z^r与一批2N样本中不包括Z^r的所有映射特征的点积和，t是点积温度参数；

步骤4.4.基于有监督对比总损失函数L^sup，使用有监督对比学习方法对故障特征提取器进行迭代训练，得到训练好的故障特征提取器；

步骤5.从所述一维频谱信号集合

中选取另外一批频谱信号样本并输入训练好的特征提取器，得到新的故障特征集合；

将所述新的故障特征集合输入到所述分类器中，得到新的分类结果；

根据所述新的分类结果计算有监督交叉熵损失函数，用于反向训练所述分类器，得到训练好的分类器；

将所述训练好的特征提取器和训练好的分类器组成滚动轴承故障诊断模型用于实现滚动轴承的故障诊断。

Images