CN113705078A - 一种转速波动下信号分辨率增强的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种转速波动下信号分辨率增强的轴承故障诊断方法，涉及机械故障诊断领域。方法包括：设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号；对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本；采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本；将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；采用生成的高分辨率样本集为训练集，验证超分辨率亚像素深度残差网络的准确性。

Description

一种转速波动下信号分辨率增强的轴承故障诊断方法

技术领域

本发明涉及机械故障诊断领域，具体涉及一种转速波动下信号分辨率增强的轴承故障诊断方法。

背景技术

在基于深度学习理论的机械智能故障诊断研究中，深度神经网络需要充足的数据集训练分类网络，以实现健康预测与故障诊断。数据增强作为解决样本不足问题的一种手段已被广泛研究。通常，上述研究的前提条件是设备的运行状态为恒转速运行，即电机的速度、负载及其它外部因素维持不变，在这种状态下采集的数据的信号也相对干净，且同一健康状况类型的样本间的波形浮动较小，易于分类网络的训练。在实际生产中，机器的工作条件是复杂的，包括温度，速度，负载等其他外部因素的影响，这些因素会导致所收集的信号发生波动并存在域偏移现象。在有限的训练样本和波动的测试样本的分布中也可以观察到差异，这增加了模型在不同健康状况下准确区分样本的难度。此外，速度的不确定性和变工况下加速度(变速率)的多样性，加剧了分类网络需要更多的数据来充分的训练网络。因此，数据增强技术不仅仅要考虑平稳状态下的机械故障诊断，也需要适用于速度大波动的应用场景。

现有的数据生成算法研究的重心在于解决恒转速工况下旋转机械部件的故障诊断，对于转速波动这种复杂工况的研究较少。

发明内容

本发明的目的是针对上述不足，提出了一种转速波动下信号分辨率增强的轴承故障诊断方法。该方法利用转速波动样本作为网络的输入，通过构建深度残差网络，有效学习和提取高级特征映射。

本发明具体采用如下技术方案：

一种转速波动下信号分辨率增强的轴承故障诊断方法，包括以下步骤：

(1)设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号；

(2)对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本；

(3)采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本；

(4)将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；

(5)采用生成的高分辨率样本集为训练集，对基于叠加自动编码器建立的故障诊断模型进行训练，随后采用真实的高分辨率样本为测试集，验证超分辨率亚像素深度残差网络的准确性。

优选地，步骤(3)中，对超分辨率亚像素深度残差网络进行训练，包括以下步骤：

(3-1)对于由L层组成的网络，第一层描述如式(1)所示：

f₁(I_LR)＝f₁(I_LR；W₁；b₁)＝φ(W₁*I_LR+b₁) (1)

其中，f表示网络层特征，I_LR表示低分辨率信号，W表示权重，b表示偏置，φ表示激活函数；

第一卷积层的输出作为残差网络的输入，对于单个残差块i，短路链接的表达为式(2)-(4)所示：

f_{l_1}(I_LR；W_{1:l_1}；b_{1:l_1})＝BN(φ(W_{l_1}*f_l-1(I_LR)+b_{l_1})) (2)

f_l(I_LR；W_{1:l_2}；b_{1:l_2})＝f_l-1(I_LR)+f_{l_2}(I_LR；W_{1:l_2}；b_{1:l_2}) (4)

其中，l表示第l层，，b_{l_i},i∈(1,2)，l∈(1,L-1)为第l层第i个残差块的权重和偏置，W_l的尺寸为n_l-1×n_l×1×3，n_l第l层的特征数量，BN表示批标准化，并使用Leaky ReLU作为激活函数；

(3-2)亚像素卷积层采用了两组，每一组由卷积层和随后的像素排列层组成，对于第一个亚像素卷积层，卷积层部分输出4通道特征图，使用PS函数将各通道的低分辨率特征重排列为高分辨率特征，其描述为式(5)所示：

X_HR＝f_L-2(I_LR；W_L-2；b_L-2)＝PS(W_L-2*f_L-3(I_LR；W_L-3；b_L-3)) (5)

其中，X_HR表示经过分辨率增强后的高分辨率数据，L表示网络的总层；

(3-3)将得到的X_高分辨率作为第二个亚像素卷积网络的输入，表达为(6)所示：

其中，f_L-1(I_低分辨率)为输出的四通道特征图，再次使用PS函数增强数据：

X_UHR＝f_L(I_LR；W_L；b_L)＝PS(W_L*f_L-1(I_LR)) (7)

其中，X_{U高分辨率}代表超高分辨率数据；

(3-4)采用均方误差Mean Squared Error，MSE作为训练网络的目标函数：

其中，r表示放大因子，ξ(·)表示均方误差函数，x、y表示HR空间中的输出像素坐标，H表示样本数、W表示样本维度。

本发明具有如下有益效果：

本发明采用超分辨率亚像素深度残差网络从轴承的原始转速波动信号中自动排列故障特征，输入超高分辨率信号样本，并基于生成的超高分辨率样本进行故障诊断模型训练，采用真实的高分辨率样本进行模型测试，消除了转速波动对样本分辨率的影响，精准智能地实现了转速波动工况下轴承的故障诊断。

附图说明

图1为超分辨率亚像素深度残差网络结构示意图；

图2为四轴承故障类型的转速波动信息示意图；

图3为六种样本类型的频谱图，(a)为低分辨率，(b)超分辨率亚像素深度残差网络,(c-f)超分辨率亚像素深度残差网络周期划分的四个频谱,(g)高分辨率。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

一种转速波动下信号分辨率增强的轴承故障诊断方法，包括以下步骤：

(1)设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号。

(2)对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本。

(3)采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本。

对超分辨率亚像素深度残差网络进行训练，包括以下步骤：

(3-1)对于由L层组成的网络，第一层描述如式(1)所示：

f₁(I_LR)＝f₁(I_LR；W₁；b₁)＝φ(W₁*I_LR+b₁) (1)

其中，f表示网络层特征，I_LR表示低分辨率信号，W表示权重，b表示偏置，φ表示激活函数；

第一卷积层的输出作为残差网络的输入，对于单个残差块i，短路链接的表达为式(2)-(4)所示：

f_{l_1}(I_LR；W_{1:l_1}；b_{1:l_1})＝BN(φ(W_{l_1}*f_l-1(I_LR)+b_{l_1})) (2)

f_l(I_LR；W_{1:l_2}；b_{1:l_2})＝f_l-1(I_LR)+f_{l_2}(I_LR；W_{1:l_2}；b_{1:l_2}) (4)

其中，l表示第l层，，b_{l_i},i∈(1,2)，l∈(1,L-1)为第l层第i个残差块的权重和偏置，W_l的尺寸为n_l-1×n_l×1×3，n_l第l层的特征数量，BN表示批标准化，并使用Leaky ReLU作为激活函数；

(3-2)亚像素卷积层采用了两组，每一组由卷积层和随后的像素排列层组成，对于第一个亚像素卷积层，卷积层部分输出4通道特征图，使用PS函数将各通道的低分辨率特征重排列为高分辨率特征，其描述为式(5)所示：

X_HR＝f_L-2(I_LR；W_L-2；b_L-2)＝PS(W_L-2*f_L-3(I_LR；W_L-3；b_L-3)) (5)

其中，X_HR表示经过分辨率增强后的高分辨率数据，L表示网络的总层；

(3-3)将得到的X_高分辨率作为第二个亚像素卷积网络的输入，表达为(6)所示：

其中，f_L-1(I_低分辨率)为输出的四通道特征图，再次使用PS函数增强数据：

X_UHR＝f_L(I_LR；W_L；b_L)＝PS(W_L*f_L-1(I_LR)) (7)

其中，X_{U高分辨率}代表超高分辨率数据；

(3-4)采用均方误差Mean Squared Error，MSE作为训练网络的目标函数：

其中，r表示放大因子，ξ(·)表示均方误差函数，x、y表示HR空间中的输出像素坐标，H表示样本数、W表示样本维度。

(4)将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；

(5)采用生成的高分辨率样本集为训练集，对基于叠加自动编码器建立的故障诊断模型进行训练，随后采用真实的高分辨率样本为测试集，验证超分辨率亚像素深度残差网络的准确性。

超分辨率亚像素深度残差网络框架流程如图1所示。该框架包括原始数据采集和数据增强。首先采集被测部件的振动信号，采用快速傅里叶变换得到频域数据，表示为低分辨率信号。其次，在数据增强部分，利用深度残差网络提取特征图，利用亚像素卷积层对原始数据进行16次增强，得到超高分辨率样本。超分辨率亚像素深度残差网络的参数设置如下：训练的迭代次数固定为100，激活函数选用Leaky ReLU。采用Adam优化算法，学习速率设置为1E-3。最后，为了进行实验验证，利用叠加自动编码器测试生成的数据集的有效性。首先，将原始数据集分为训练和测试数据集。然后，使用训练数据集对生成网络进行训练。最后，将生成的样本作为训练集来训练叠加自动编码器。叠加自动编码器的参数设置如下：当输入维数为300时，三个隐层的神经元个数分别设置为600、200、100。当输入维度为300时，三个隐层的神经元个数分别设置为200、150和100。

实验轴承类型为N205EU圆柱滚子轴承，使用LMS数据采集仪及振动传感器采集数据，采样频率为25.6kHz。

三种故障类型(内圈、外圈和滚动体)分别对应有三种不同程度的损害：0.18mm、0.36mm和0.54mm，加上正常轴承一共十种健康类型。每种类型含有200个样本。设置两组数据集A和B，对这两个数据集中的每个样本进行快速傅里叶变换处理，使样本长度减少到原样本长度的一半。数据集A中每个样本包含2400个数据点，每个样本经过快速傅里叶变换操作后得到1200个傅里叶系数。数据集B中每个样本包含600个数据点，每个样本经过快速傅里叶变换操作后得到300个傅里叶系数。根据下式：

其中f_s为采样频率，N为采样点，Δf表示频率分辨率。由上式可知，数据集A和数据集B具有相同的采样频率,在每个样本点数量数据集B是1/4的数据集A。因此，数据集可以被称为一个高分辨率数据集，数据集B可以被称为低分辨率数据集。

图2随机提供了轴承信号四种类型的不规则速度波动情况。转速波动范围为500r/min～3000r/min，不同颜色的曲线表示不同类型的故障信号。图3(a)为低分辨率样本，从图3(b)可以看出，超分辨率亚像素深度残差网络可以使样本分辨率分别提高16倍，增强后的样本具有更多的样本点和相同的特征趋势。本发明使用1200个傅立叶系数作为叠加自动编码器的输入是合适的。因此，每个生成的超高分辨率样本被周期性地分为四个部分，每个部分包含1200个傅立叶系数。从图3(c)-(f)可以看出，与具有4800个傅立叶系数的超高分辨率样本相比，分割后样本的特征更加明显，更接近于图3(g)中高分辨率样本的特征趋势。

为了验证所提出的超分辨率亚像素深度残差网络的有效性，采用了的条件生成对抗神经网络模型、数据增强叠加自动编码器模型以及高效亚像素神经网络模型作为对比方法。上述三种对比方法的参数设置如下：条件生成对抗神经网络与数据增强叠加自动编码器模型除了输入神经元个数由1200变为300，其他参数一致；高效亚像素神经网络模型除了结构差异，网络参数与超分辨率亚像素深度残差网络一致。需要注意的是，数据增强叠加自动编码器和条件生成对抗神经网络能够生成相同输入维度的数据，因此采用12.5％的低分辨率数据集作为这两种模型的输入，其余50％的数据集作为叠加自动编码器分类网络的训练数据集，再将数据增强叠加自动编码器和条件生成对抗神经网络生成的数据集分别作为叠加自动编码器的测试数据集，以检验生成样本的质量。高效亚像素神经网络和超分辨率亚像素深度残差网络能够将每个样本的频谱维数分别增加为原来的4倍和16倍，而总样本数量保持不变，因此使用12.5％的低分辨率数据集作为这两种模型的输入，使用50％的高分辨率数据集作为叠加自动编码器分类网络的训练数据集。进一步的，选取50％的真实高分辨率数据集作为所有模型的测试集。为了便于归纳各方法在各阶段数据量的情况，表1对各方法的样本量进行了概述。

六种数据集类型的实验结果如表1最后一列所示。结果表明，高分辨率数据集的平均测试准确率为99.31％，标准偏差为0.29％。超分辨率亚像素深度残差网络的性能仅次于高分辨率数据集，平均准确度为97.32％，标准差为0.36％。在所有训练数据集中，低分辨率数据集的平均准确率最差低至30.44％，标准差高达5.90％。数据增强叠加自动编码器和条件生成对抗神经网络的平均准确率分别为54.54％±3.99％和56.58％±3.60％，结果略优于低分辨率。

表1

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.一种转速波动下信号分辨率增强的轴承故障诊断方法，其特征在于，包括以下步骤：

(1)设置不同的轴承健康状态，通过手动调节变频器控制电机转速在一定范围内随机波动，由此获得转速波动工况，并采集不同故障轴承在转速波动工况下的振动信号；

(2)对转速波动信号进行分段处理，每段信号样本维度设置相同，以较高转速信号段为低分辨率信号样本，以较低转速信号段为高分辨率信号样本；

(3)采用深度残差网络层和亚像素卷积层对低分辨率信号样本进行排列映射得到生成的高分辨率样本；

(4)将生成的超高分辨率样本周期性地分为四个部分，选取其中一部分作为生成的高分辨率样本；

(5)采用生成的高分辨率样本集为训练集，对基于叠加自动编码器建立的故障诊断模型进行训练，随后采用真实的高分辨率样本为测试集，验证超分辨率亚像素深度残差网络的准确性。

2.如权利要求1所述的一种转速波动下信号分辨率增强的轴承故障诊断方法，其特征在于，步骤(3)中，对超分辨率亚像素深度残差网络进行训练，包括以下步骤：

(3-1)对于由L层组成的网络，第一层描述如式(1)所示：

f₁(I_LR)＝f₁(I_LR；W₁；b₁)＝φ(W₁*I_LR+b₁) (1)

其中，f表示网络层特征，I_LR表示低分辨率信号，W表示权重，b表示偏置，φ表示激活函数；

第一卷积层的输出作为残差网络的输入，对于单个残差块i，短路链接的表达为式(2)-(4)所示：

f_{l_1}(I_LR；W_{1:l_1}；b_{1:l_1})＝BN(φ(W_{l_1}*f_l-1(I_LR)+b_{l_1})) (2)

f_l(I_LR；W_{1:l_2}；b_{1:l_2})＝f_l-1(I_LR)+f_{l_2}(I_LR；W_{1:l_2}；b_{1:l_2}) (4)

其中，l表示第l层，，b_{l_i},i∈(1,2)，l∈(1,L-1)为第l层第i个残差块的权重和偏置，W_l的尺寸为n_l-1×n_l×1×3，n_l第l层的特征数量，BN表示批标准化，并使用Leaky ReLU作为激活函数；

(3-2)亚像素卷积层采用了两组，每一组由卷积层和随后的像素排列层组成，对于第一个亚像素卷积层，卷积层部分输出4通道特征图，使用PS函数将各通道的低分辨率特征重排列为高分辨率特征，其描述为式(5)所示：

X_HR＝f_L-2(I_LR；W_L-2；b_L-2)＝PS(W_L-2*f_L-3(I_LR；W_L-3；b_L-3)) (5)

其中，X_HR表示经过分辨率增强后的高分辨率数据，L表示网络的总层；

(3-3)将得到的X_高分辨率作为第二个亚像素卷积网络的输入，表达为(6)所示：

其中，f_L-1(I_低分辨率)为输出的四通道特征图，再次使用PS函数增强数据：

X_UHR＝f_L(I_LR；W_L；b_L)＝PS(W_L*f_L-1(I_LR)) (7)

其中，X_{U高分辨率}代表超高分辨率数据；

(3-4)采用均方误差Mean Squared Error，MSE作为训练网络的目标函数：

其中r表示放大因子，ξ(·)表示均方误差函数，x、y表示HR空间中的输出像素坐标，H表示样本数、W表示样本维度。

Images