CN113984389B - 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法，包括步骤S1，通过加速度传感器获取带有正常与多个故障标签的滚动轴承时域振动信号数据，数据预处理，划分训练集和测试集；步骤S2，运用改进的多感受野模型基于时域信号构建图卷积层，提取经过图卷积层输出的图特征表示；步骤S3，将由图卷积层输出的特征表示输入改进的胶囊图神经网络，胶囊图神经网络运用注意力机制和动态路由机制，依次由主胶囊层、图胶囊层和类胶囊层组成，实现高层特征提取与分类；步骤S4，使用训练集训练经S1、S2和S3构建的滚动轴承故障诊断模型，并用测试集进行测试评估，得到轴承状态诊断结果。本发明不依赖于信号特征提取方法，多感受野与胶囊图神经网络的应用，更有利提取数据特征与挖掘数据结构联系，解决了在少量的标记样本和变工况下，较高准确率识别轴承故障类型的问题。

Description

一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊 断方法

技术领域

本发明涉及一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法，属于旋转机械智能故障诊断领域。

背景技术

滚动轴承是旋转机械中应用最为广泛的机械零件，被称为“工业的关节”，在国民经济和国防事业上，高端数控机床、先进轨道交通装备、航空航天器转动类设备以及工业、农业等设备的运转都离不开滚动轴承。然而，滚动轴承也是最容易产生故障的零件。长时间的高速重载运转致使滚动轴承产生诸如点蚀、磨损、断裂等故障，继而导致设备性能下降、功能丧失、停转等异常现象，甚至导致事故的发生，以至于造成重大生命和经济财产损失。因此，针对滚动轴承的智能故障诊断至关重要，能够实现故障预警，做到防患于未然，也能减少维护和人力成本。

传统的故障诊断方法是通过人工提取信号特征，判断轴承是否发生故障。比如短时傅里叶变换和小波变换等方法。随着机器学习在工程应用领域的发展，一些算法被运用在轴承故障诊断方面。比如支持向量机和贝叶斯统计等算法。对信号进行特征提取，分析识别提取到的特征，完成故障诊断。这些方法虽然有着不错的故障诊断效果，但是特征提取和识别分类的过程比较复杂，十分依赖专家知识协助完成故障诊断。由于数据量的增大，专家知识的局限性，对诊断性能的更高要求，传统方法已难以胜任大量数据下的故障诊断任务。近年来兴起的深度学习算法，因其在图像、语音识别等领域取得的成果，在故障诊断领域的研究也呈现上升趋势。相较于传统浅层机器学习方法，基于深度学习的方法能自动提取特征并建立特征与故障类别之间的复杂映射关系。诸如深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)等深度学习框架都已经应用在滚动轴承故障诊断中。

基于深度学习的方法其网络具有多层结构，需要大量的有标签样本对大量的网络参数进行训练，以实现其对海量故障数据挖掘与学习的优点。但是，在故障诊断领域，对样本的标注依赖于有丰富故障诊断经验和领域知识的专家，通常构建大量有标注样本很难实现。在稀少的标注样本下，深度神经网络的训练不能达到很好的收敛状态，从而导致网络模型表达能力不足、泛化性能不好。因此，针对标注样本匮乏情况下的故障诊断研究是一个既充满挑战又有重要应用价值的研究领域。另一方面，现有一些基于深度学习的滚动轴承故障诊断方法，强调数据集内特征的提取，而忽略了数据结构、特征间的相互联系和相对顺序，这对诊断也是重要的。

发明内容

本发明针对现有技术的不足，基于多感受野与胶囊图神经网络设计了一种滚动轴承故障诊断方法，该方法在提取样本特征时也能够实现数据结构特征的挖掘，解决了在少量的标记样本和变工况下，较高准确率识别轴承故障类型的问题，提高了诊断模型的泛化性和鲁棒性。

本发明首先对采集的滚动轴承传感器振动信号进行标准化预处理，划分训练集与测试集。然后，根据提出的多感受野算法构建图卷积层。其次，将图卷积层特征输入改进的胶囊图神经网络，进行用于分类的高层特征提取，通过训练得到具有故障识别与分类功能的轴承故障诊断模型。

本发明包括以下各步骤：

步骤S1：获取滚动轴承故障诊断模型的训练集与测试集

(1)在滚动轴承正常以及不同故障共k种状态下，使用加速度传感器采集长度为L的振动信号样本x_i，使用Z-score方法对每个样本进行标准化，μ_i为样本均值，σ_i为样本标准差，其表达式如下：

(2)将标签分配至每个标准化后的样本得到带标签的样本集D：

按80％和20％比例将D划分为训练集D_train和测试集D_test

步骤S2：基于多感受野构建的图卷积层提取图特征表示

(1)通过卷积神经网络(CNN)提取样本低层特征，其计算表达式如下：

为由小批量(mini-batch)个/>组成的输入矩阵

(2)构建X的邻接矩阵A，A∈{0,1}^N×N，其表达式如下：

为X经1次多层感知机(MLP)的输出，本发明中MLP的激活函数选用Tanh函数，/>为/>的转置向量，Z-score为标准化方法

(3)计算基于多重感受野的特征表示，其表达式如下：

M⁰为经过1次图卷积网络的特征表示，M¹为经过2次图卷积神经网络的特征表示，R_l为感受野的感知范围，本发明中，取R_l＝4，即采用四重感受野，A的上标为幂次，如A²＝A·A，W_i ^j为第j次图卷积的第i个感受野的权值矩阵，由标准正态分布初始化，经过训练学习更新，/>f(·)为激活函数，本发明选用LeakyReLU函数

步骤S3：运用改进的胶囊图神经网络实现高层特征提取与分类

(1)定义改进的胶囊图神经网络用于权值更新的损失函数，其表达式如下：

式中，P_j为目标类指示数，目标类别j存在，P_j＝1，否则，P_j＝0

t⁺、t^-为假阳和假阴惩罚数，本发明中设置为t⁺＝0.8，t^-＝0.2

λ为调整系数，本发明中设置为λ＝0.5

(2)对图卷积层输出数据Mⁱ进行结构规整重组，构建主胶囊层，操作如下：

将Mⁱ变换规整为节点胶囊分量

将节点胶囊分量K_i按通道数堆叠重组，构成节点胶囊

主胶囊层U由N个节点胶囊集合组成，即每个节点是由l×C_l个胶囊向量组成，即/>l表示图卷积层的第l层，C_l为该层对应的通道数

(3)使用注意力模块，对主胶囊层第n节点中的第i枚胶囊向量u_(n,i)进行缩放(scaled)操作，赋予重要胶囊更大权重，其表达式如下：

上式中，是由第n个节点所包含的所有胶囊拼接而成，Linear(·)表示全连接神经网络

(4)构建图胶囊层，首先运用动态路由机制，计算主胶囊层各胶囊与图胶囊层各胶囊的耦合系数c_i,j，其表达式如下：

b_i,j为第i个主胶囊与第j个图胶囊的偏移系数，首次迭代时，b_i,j＝0

计算图胶囊的输入向量，其表达式如下：

对s_j进行挤压操作，在确保其原方向不变情况下，使其模长符合区间[0,1)，其表达式如下：

更新b_i,j，其表达式如下：

(5)构建类胶囊层，该层胶囊个数等于目标类别数，类胶囊层结构与图胶囊层类同，所以重复依次执行一遍[0037]、[0040]、[0042]、[0044]算法

对类胶囊层的胶囊输出使用Softmax函数，确定最大值对应的胶囊分量，即为预测类别

步骤S4，训练优化建立的滚动轴承故障诊断模型并测试评估

附图说明

图1是本发明的流程图。

图2是本发明提出的轴承故障诊断模型架构。

图3是本发明提出的多感受野图卷积网络与主胶囊层连接框架。

图4是本发明改进并应用的注意力模块。

图5是本发明应用的动态路由机制。

具体实施方式

以下结合附图1-5和实施例对本发明作进一步详细说明。

本发明的流程图如图1所示，

步骤S1，获取滚动轴承故障诊断模型的训练集与测试集：以一定时间间隔使用加速度传感器采集滚动轴承振动信号，从轴承振动信号中删除缺值点和停机点，使用Z-score方法对每个样本进行标准化，再将标签分配至每个标准化后的样本，构建带标签的样本集，按不同比例将样本集划分为训练集和测试集；

步骤S2，基于多感受野构建的图卷积层提取图特征表示：对已标准化后的样本以小批量的方法，如每批次36个样本，输入卷积神经网络(CNN)提取低层特征，再通过低层特征计算邻接矩阵，运用邻接矩阵和低层特征以多感受野的方式构建图卷积层，提取图特征；

步骤S3，运用改进的胶囊图神经网络实现高层特征提取与分类：首先定义好用于改进的胶囊图神经网络权值更新的损失函数，再对图卷积层的输出数据进行结构规整重组，构成节点胶囊，节点胶囊组成主胶囊层(图3)，将主胶囊层的输出作为输入，联合使用注意力模块(图4)与动态路由机制(图5)，构建图胶囊层，再次运用动态路由机制，通过图胶囊层提取的高层特征构建类胶囊层，最后通过类胶囊层的输出分量经Softmax函数转换，实现故障模式分类；

步骤S4，训练优化建立的滚动轴承故障诊断模型并测试评估：使用训练集对经步骤S1、S2、S3建立的滚动轴承故障诊断模型进行训练，优化器选用Adam算法，完成训练后，使用测试集输入训练好的模型，得到模型诊断结果，再与真实标签对比，评估模型诊断性能。

具体而言，在步骤S1中，使用加速度传感器对负载为1马力，转速分别为2000转/分钟、1750转/分钟、1500转/分钟等3种不同工况下的4种不同健康状态的滚动轴承进行采样，采样频率为20kHz，单次采样时间为2s，两次采样之间的时间间隔为30min，每类健康状态在各工况下的采样时间累积至110s，运用数据清洗技术对采样缺失点和异值点进行清洗重置，规定每个样本长度为1024个数据点，训练集与测试集的样本数满足80％与20％比例，分别为1600和400，如表1所示，对每个样本使用Z-score方法进行标准化；

表1.滚动轴承故障诊断实验分组

在步骤S2中，将mini-batch数值设为64，即一次性处理64个标准化样本，输入矩阵规模为64×1024，经过由4个一维卷积层(1d Conv layer)、2个池化层(Poolinglayer)和1个线性层(Linaer layer)构成的卷积神经网络，输出矩阵X规模为64×256；

构建X的邻接矩阵A，其表达式如下：

由邻接矩阵A计算基于多感受野的特征表示，其表达式如下：

采用四重感受野，即依次计算M⁰、M¹、M²和M³；

在步骤S3中，首先定义改进的胶囊图神经网络用于权值更新的损失函数，其表达式如下：

P_j为目标指示数，目标类别j存在，P_j＝1，否则，P_j＝0，本实例中，j＝4，t⁺＝0.8，t^-＝0.2，λ＝0.5；

对图卷积层输出数据Mⁱ进行结构规整重组，构建主胶囊层，操作如下：

本实例中，设定胶囊数N＝8，胶囊维度d＝32，将规整为节点胶囊分量通道数C_i＝64×64÷8÷32＝16，主胶囊层/>图卷积层的层数l为4，与选用的感受野数相等；

使用注意力模块，对主胶囊层第n节点中的第i枚胶囊向量u_(n,i)进行缩放操作，其表达式如下：

构建图胶囊层，首先运用动态路由机制，计算主胶囊层各胶囊与图胶囊层各胶囊的耦合系数c_i,j，其表达式如下：

b_i,j为第i个主胶囊与第j个图胶囊的偏移系数，首次迭代时，b_i,j＝0

计算图胶囊的输入向量，其表达式如下：

对s_j进行挤压操作，其表达式如下：

更新b_i,j，其表达式如下：

将q_j作为类胶囊层的输入，再次运用动态路由机制，得到4个输出分量；

使用Softmax函数对类胶囊输出分量进行计算，输出对应为1的分量，即为诊断类别；

在步骤S4中，使用训练集对经步骤S1、S2、S3建立的滚动轴承故障诊断模型进行训练，优化器选用Adam算法，迭代次数设定为300，初始学习率为0.001，完成训练后，使用测试集输入训练好的模型，得到模型诊断结果，再与真实类别标签对比，评估模型诊断性能；

引入准确率(accuracy)作为衡量分类任务是否正确分类的统计指标，即测试样本总数中正确分类的样本数所占比例；

实验结果准确率可达99％以上，表明基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断模型具有令人满意的分类效果。

本发明的有益效果：

从实验结果可以看出，基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断模型对于不同工况下的故障诊断任务的分类效果较为理想，在实际应用中可实现代替人工检测故障，大大减少人工成本，提高机器运行的整体效益。

本发明的技术关键点和保护点主要有二点：

1.基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断模型

2.运用多感受野方法替换图神经网络构建主胶囊层，改进图胶囊神经网络。

Claims (2)

1.一种基于多感受野与改进胶囊图神经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，获取轴承故障诊断模型的训练集与测试集；

步骤S2，基于多感受野构建的图卷积层提取图特征表示；

步骤S3，运用改进的胶囊图神经网络实现高层特征提取与分类；

步骤S4，训练优化建立的轴承故障诊断模型并测试评估；

其中，步骤S1具体包括：

S1-1、采样得到的时域振动数据进行Z-score标准化，其计算公式如下：

S1-2、标准化后的样本按不同比例划分为训练集和测试集；

步骤S2具体包括：

S2-1、以小批量(mini-batch)方式通过卷积神经网络提取样本低层特征，其计算表达式如下：

S2-2、运用多层感知机输出的特征矩阵与其转置矩阵相乘，再进行Z-score标准化后得到邻接矩阵，其计算公式如下：

S2-3、基于多感受野算法迭代计算图卷积层的图特征表示，其计算公式如下：

f(·)为激活函数，选用LeakyReLU函数；

步骤S3具体包括：

S3-1、基于步骤S2得到的图特征构建胶囊图神经网络的主胶囊层；

S3-2、由主胶囊层提取的特征在注意力模块和动态路由机制共同作用下构建图胶囊层；

S3-3、使用图胶囊层输出向量构建类胶囊层；

S3-4、类胶囊的输出向量经Softmax函数运算实现故障分类。

2.根据权利要求1所述的一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法，其特征在于：

基于多感受野构建图卷积网络使用的激活函数为LeakyReLU函数；

所述的改进胶囊图神经网络不再使用图神经网络提取节点胶囊，而是利用S2基于多感受野构建的图卷积层构建主胶囊层；

图胶囊层融合了注意力模块和动态路由机制，以生成图胶囊；

再次利用动态路由机制将图胶囊转化为用于图分类的类胶囊；

类胶囊由Softmax函数实现故障模式识别与分类。