CN114913396A - 一种电机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种电机轴承故障诊断方法，属于电机与人工智能结合应用技术领域；本发明基于基于ACGAN和Transformer网络提出了一种更为智能化的电机轴承故障诊断方法，相较于市面上现有的故障诊断方法，本发明使用Vision Transformer网络作为GAN网络的生成器和鉴别器的骨干网络，能够同时完成数据生成和故障诊断；进行故障诊断时，将一维的时域信号转化为二维的图像后，通过构建的数据集交替训练生成式对抗网络的生成器和判别器，直至生成器和鉴别器均收敛，同时训练分类网络达到良好效果；更为重要的是，本发明所构建的网络及故障诊断模型的电机轴承故障诊断结果能够达到很高的精度。

Description

一种电机轴承故障诊断方法

技术领域

本发明涉及电机与人工智能结合应用技术领域，尤其涉及一种电机轴承故障诊断方法。

背景技术

生成对抗网络（Generative Adversarial Network ，GAN）由Goodfellow 于2014年提出，是一种优秀的无监督生成神经网络。从GAN面世以来，因为其强大的表达能力，已经在图像翻译、语义分割、数据生成等领域有了广泛的应用。其在故障诊断领域也有一定的应用，主要应用于数据增强以应对故障数据量不足的情况，较少有直接对故障进行分类的应用。

Transformer 网络是 Vaswani 等人于2017年提出的一种充分利用Attention(Attention Mechanism , AM)机制的网络，其通过自注意力机制来建立输入和输出之间的全局依赖关系，放弃了传统的循环结构，实现了序列输入的并行计算，同时消除了难以全局对局部特征之间的关系进行建模的卷积运算。最初的 Transformer 是编码器-解码器结构，是一个 Seq2Seq 模型，首先在自然语言处理领域(Natural Language Processing ,NLP)取得了巨大的成功。自 Transformer 提出后，又出现了将其解码器用于语言建模以及将编码器用于分类的应用。2021年，将 Transformer 应用于分类任务的 VisionTransformer 被提出，证明了 Attention 机制在特征提取的优越性，在一些分类问题上甚至可以取代卷积神经网络(Convolutional Neural Network , CNN)，因此 Transformer在故障诊断领域也有着很好的发展前景。

电动机是一种重要的旋转机械，广泛应用于航空航天、航空、电动汽车等工业领域，起着重要的驱动作用。在航空航天领域中，因为工作环境的恶劣性，电机容易发生各种故障。因此保证电机的可靠运行有着非常重要的意义，电机的故障诊断成为了学者们的研究热点。滚动轴承是电机的关键部件，其作为转子系统中的核心部件需要长期处于旋转中，往往工作在高速、高温以及高载荷的工况下，容易出现各种故障情况。而应用于航空航天领域的电机，由于其恶劣工作环境的影响，更容易在工作过程中发生故障。滚动轴承故障可能影响整个系统的正常运行，甚至造成重大的经济损失和人身伤害，因此采用合适的故障诊断方法，提升电机轴承故障诊断的准确率有很重要的意义。结合上述内容，本发明提出了一种基于 ACGCN 和 Transformer 网络的新型电机故障智能诊断方法。

发明内容

本发明的目的在于提供一种数据处理效果更好、故障诊断准确率更高的电机轴承故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种电机轴承故障诊断方法，所述方法基于ACGAN 和 Transformer 网络实现，具体包括以下步骤：

S1、数据获取：采集不同状态下的电机轴承的振动信号，进行预处理后整合为训练数据集和测试数据集，所述训练数据集和测试数据集中故障类型包括健康( NO )、外圈故障( OF )、内圈故障( IF )以及滚珠故障( OF )，进行预处理时，将采集的一维时域信号转化为二维图像以进行数据增强，作为网络中鉴别器的输入；

S2、网络搭建：使用 Python 进行网络的搭建，将 ACGAN 和Transformer 相结合，使用 Vision Transformer 网络作为 GAN 网络的生成器和鉴别器的骨干网络，包括分割、Transformer 编码器、线性映射、多层感知器模块，在鉴别器中实现真假鉴别和故障类型分类；

S3、网络训练：将S1中所得的训练数据集输入S2中所搭建的网络中进行训练，生成器的输入为标签信息和随机噪声，鉴别器的输入为标签信息、真实数据以及生成器生成的假数据，网络的生成器以随机噪声为输入，向鉴别器提供其产生的假数据，鉴别器对输入的真假数据进行鉴别，同时对输入故障数据进行多分类，训练方法包括但不限于自适应矩估计算法( Adam )、随机梯度下降法( SGD )等；

S4、性能测试：将S1中所得的测试数据集输入训练好的网络，测试网络性能。

优选地，所述S2中提到的 Transformer 编码器，由 N 个相互堆叠的基本模块组成，一个基本模块包括多头自注意力机制模块和前馈网络模块，所述多头自注意力机制模块和前馈网络模块的输入和输出都通过归一化和残差连接相连接，输出为：

其中，X _in 为 Transformer 编码器也即多头自注意力模块的输入；X _MSA为多头自注意力模块的输出也即前馈网络的输入；X _out 为前馈网络也即 Transformer 编码器的输出。

优选地，所述多头自注意力机制，首先通过参数矩阵映射维数为 d 的输入嵌入序列 X ，分别得到 query 矩阵 Q 、 key 矩阵 K 和 value 矩阵 V ，

然后利用所得的 Q 、 K 、 V 计算 Attention 值，再将各个头的Attention 输出进行拼接，具体计算公式为：

其中， i对应第 i 头的计算，d _k是 query 和 key 的维度，d _v是value的维度，

是稳定梯度的尺度因子，h 为多头自注意力机制的头数，自注意力机制中有 d _k = d _v = d/h。

优选地，所述S3中进行训练时，其模型损失函数为：

其中，L _S 为判别损失，L _C 为分类损失；

在 ACGAN 的训练中，优化的目标是训练判别器使 L _S + L _C 最大化，训练生成器使L _S - L _C 最小化。

与现有技术相比，本发明提供了一种电机轴承故障诊断方法，具备以下有益效果：

本发明基于ACGAN 和 Transformer 网络提出了一种更为智能化的电机轴承故障诊断方法，相较于市面上现有的故障诊断方法，本发明使用 Vision Transformer 网络作为 GAN 网络的生成器和鉴别器的骨干网络，能够同时完成数据生成和故障诊断；进行故障诊断时，将一维的时域信号转化为二维的图像后，通过构建的数据集交替训练生成式对抗网络的生成器和判别器，直至生成器和鉴别器均收敛，同时训练分类网络达到良好效果；更为重要的是，本发明所构建的网络及故障诊断模型的电机轴承故障诊断结果能够达到很高的精度。

附图说明

图1为本发明提出的一种电机轴承故障诊断方法的故障诊断流程示意图；

图2为本发明提出的一种电机轴承故障诊断方法的ACGAN 网络诊断模型示意图；

图3为本发明提出的一种电机轴承故障诊断方法的Transformer网络结构示意图；

图4为本发明提出的一种电机轴承故障诊断方法的网络的训练过程示意图；

图5为本发明提出的一种电机轴承故障诊断方法的诊断结果混淆矩阵示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

请参阅图1-5，一种电机轴承故障诊断方法，本方法基于 ACGAN 和 Transformer网络实现，具体包括以下步骤：

S1、数据获取：采集不同状态下的电机轴承的振动信号，进行预处理后整合为训练数据集和测试数据集，训练数据集和测试数据集中故障类型包括健康( NO )、外圈故障(OF )、内圈故障( IF )以及滚珠故障( OF )，进行预处理时，将采集的一维时域信号转化为二维图像以进行数据增强，作为网络中鉴别器的输入；

S2、网络搭建：使用 Python 进行网络的搭建，将 ACGAN 和Transformer 相结合，使用 Vision Transformer 网络作为 GAN 网络的生成器和鉴别器的骨干网络，包括分割、Transformer 编码器、线性映射、多层感知器模块，在鉴别器中实现真假鉴别和故障类型分类；

S3、网络训练：将S1中所得的训练数据集输入S2中所搭建的网络中进行训练，生成器的输入为标签信息和随机噪声，鉴别器的输入为标签信息、真实数据以及生成器生成的假数据，网络的生成器以随机噪声为输入，向鉴别器提供其产生的假数据，鉴别器对输入的真假数据进行鉴别，同时对输入故障数据进行多分类，训练方法包括但不限于自适应矩估计算法( Adam )、随机梯度下降法( SGD )等；

S4、性能测试：将S1中所得的测试数据集输入训练好的网络，测试网络性能。

本发明通过上述步骤得到一个电机轴承故障诊断网络，该网络的主要构成及方法如下：

GAN的训练主要是在子网络生成器和鉴别器在不断对抗竞争中进行的，生成器从一个服从高斯分布的噪声信号z中生成假样本G(z)，并通过训练不断产生尽可能接近真实样本的假样本。鉴别器利用真实信号x和合成信号G(z)进行训练，逐渐捕获真实信号的分布，并以概率值D(x)的形式确定输入信号是来自真实样本还是假样本。生成器和鉴别器交替训练并不断优化参数，最终达到纳什均衡。

GAN的损失函数为：

式中，p _r （x）是真实样本x 的分布；p _z （z）是随机噪声的分布；D（x）是鉴别器对输入数据为真实数据的概率的估计；G（z）是生成器产生的假样本；

表示变量x属于分布p(x) 时的期望值。

在原始的 GAN 网络中鉴别器被设计用于识别假样本和真实样本，而无法对不同的故障类型进行分类。为了解决这一问题，辅助分类器 GAN (Auxiliary Classifier GAN，CGAN)被提出。 ACGAN 相比于常规 GAN ，加入一个辅助网络来计算类信息，生成器和鉴别器都使用标签对数据进行训练。如图2所示，其不仅可以识别数据的来源，而且还可以对各种类进行分类。图2也包含了对轴承振动数据进行预处理示意部分，也展示了整体的故障诊断过程。 ACGAN 的损失函数由判别损失和分类损失两部分组成，如下式所示：

其中，L _S 为判别损失，L _C 为分类损失；

在 ACGAN 的训练中，优化的目标是训练判别器使 L _S + L _C 最大化，训练生成器使L _S - L _C 最小化。

如图3所示，为本发明中 ACGAN 网络的生成器和鉴别器的骨干网络Transformer，主要由图片分割、线性映射、 Transformer 编码器、多层感知器(Multi-LayerPerceptron, MLP)等模块构成。

Transformer 编码器的基本结构在图3给出，其由N个相互堆叠的 Transformer基本块组成。一个 Transformer 基本模块主要由多头自注意力（ MSA ）模块和 MLP 结构的前馈网络( Feed-Forward Networks , FFN)组成。 MSA 和 FFN 两个模块的输入和输出都通过归一化和残差连接相连接。这两个模块的输入输出关系分别为

其中，X _in 为 Transformer 编码器也即多头自注意力模块的输入；X _MSA为多头自注意力模块的输出也即前馈网络的输入；X _out 为前馈网络也即 Transformer 编码器的输出。

自注意力机制的计算过程如图3所示，它的计算过程如下：首先通过参数矩阵映射维数为 d 的输入嵌入序列 X ，分别得到query矩阵 Q_i、key 矩阵 K_i和value 矩阵 V_i，其中 i 代表多头机制中第 i 个头，然后对query 、key 、value 进行缩放注意力点积的操作，得到第 i 头的自注意力输出，具体计算公式为：

上式为单头注意力计算结果。其中

，参数矩阵 W _i ^Q , W _i ^K ∈R ^d×dk , W _i ^V ∈R ^d×dv ， d _k是 query 和 key 的维度，d _v是value的维度，

是稳定梯度的尺度因子，h 为多头自注意力机制的头数，自注意力机制中有 d _k = d _v = d/h。多头自注意力机制中有多个并行的自注意力操作，需要将所有头的自注意力输出进行拼接得到最终的输出，得到

其中，

，表示拼接后的线性映射操作。

输入数据进入生成器或鉴别器时，首先进行分割，分割得到大小相同的块。分割方式为：输入2D图片

，对其进行切分得到块

，其中，(H, W)为输入图片的分辨率参数，(P ₁, P ₂)是分割得到的块的像素参数，C 为通道数，N 是分割得到的块的数量，N =(HW)/( P ₁ P ₂) ，然后采用可学习线性投影对重构后的序列进行处理。本发明中以输入维度为64×64×3为例，首先被分割为维度8×8×3的块，每张图像生成64个块，也即输入序列维度为64×192。

之后对分割得到的块进行可训练的线性映射和展平，得到64个嵌入块，称为token ，维度不变。

在得到的 token 输入 Transformer 编码器之前，考虑到MSA 机制计算的并行计算方法，会忽略序列位置信息，因此需要叠加额外的位置编码

。同时要最终实现分类，这里加入一个可训练学习的称为 classtoken 的特殊 token ，以拼接的形式嵌入到序列的开头，来对应最终分类输出，此时编码器的输入可表示为

其中，

。

X _in 维度为65×192，输入到Transformer编码器，先经 MSA模块，本例中头数为4，经过线性映射后得到query 、key 和 value对应的矩阵 Q ，K ，V ，维度均为65×48，共分为4组，经过 MSA 计算后将结果拼接，得到前馈网络的输入X _MSA，维度为65×192。

X _MSA输入到前馈网络中，首先经过一个全连接层，通过 GeLU激活函数进行处理，然后再经过一个全连接层，其中两次全连接层之后要使用 dropout 防止过拟合。前馈网络模块中，两次全连接层之后最终输出维度不变。在分类问题中classtoken 对应的输出作为Transformer 编码器的最终输出X _out 。

生成器中 Transformer 的输出不用于分类，本发明的处理是去除classtoken 对应的输出并进行一些维度变化，最终将一系列块重新整合为和原始图片相同大小的图片作为生成器生成的假图片。

鉴别器中 Transformer 的输出用于分类，需要让 classtoken 对应的输出再经过一个 MLP 网络，得到分类结果。

综上所述，本发明基于ACGAN 和 Transformer 网络提出了一种更为智能化的电机轴承故障诊断方法，相较于市面上现有的故障诊断方法，本发明使用 VisionTransformer 网络作为 GAN 网络的生成器和鉴别器的骨干网络，能够同时完成数据生成和故障诊断；进行故障诊断时，将一维的时域信号转化为二维的图像后，通过构建的数据集交替训练生成式对抗网络的生成器和判别器，直至生成器和鉴别器均收敛，同时训练分类网络达到良好效果；更为重要的是，本发明所构建的网络及故障诊断模型的电机轴承故障诊断结果能够达到很高的精度。

实施例2：

基于实施例1但有所不同之处在于：

用一个实例来验证本发明中网络的性能。

S1、取样本数据：测试轴承提前设置好故障种类和故障程度，在一定条件下（包括但不限于转速大小、负载大小、电机型号、采样频率、轴承规格等）通过加速传感器采集电动机驱动端和风扇端的轴承的振动加速度信号，对得到的时频振动数据进行预处理，转化为2D图片格式，预处理采用小波变换对数据进行时频分析，将时频特征图均转换为64×64像素，而后按照一定的比例构建训练集和测试集。本实例中取6000组真实数据来测试网络的可靠性，数据见表1。

表1轴承振动数据

S2、搭建网络：使用Python3.6 对网络进行搭建， Transformer 网络作为 ACGAN的生成器和鉴别器的网络骨架，不需要任何卷积操作。 Transformer 网络的主要结构如图3所示，在生成器中可以生成假图片，在鉴别器中，可以同时实现鉴别真假和真实数据的分类。

S3、网络训练：采用平衡的故障训练数据集对搭建的故障诊断模型进行有监督训练模型训练时，学习率为0.001， GAN 网络梯度优化算法是 Adam 优化算法。

S4、性能测试：采用测试数据集对训练好的网络进行测试，得到故障诊断的准确率能够达到98.3%。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种电机轴承故障诊断方法，其特征在于，所述方法基于ACGAN 和 Transformer 网络实现，具体包括以下步骤：

S1、数据获取：采集不同状态下的电机轴承的振动信号，进行预处理后整合为训练数据集和测试数据集；

S2、网络搭建：使用 Python 进行网络的搭建，将 ACGAN 和Transformer 相结合，使用Vision Transformer 网络作为 GAN 网络的生成器和鉴别器的骨干网络，包括分割、Transformer 编码器、线性映射、多层感知器模块，在鉴别器中实现真假鉴别和故障类型分类；

S3、网络训练：将S1中所得的训练数据集输入S2中所搭建的网络中进行训练，生成器的输入为标签信息和随机噪声，鉴别器的输入为标签信息、真实数据以及生成器生成的假数据；

S4、性能测试：将S1中所得的测试数据集输入训练好的网络，测试网络性能。

2.根据权利要求1所述的一种电机轴承故障诊断方法，其特征在于，所述S2中提到的Transformer 编码器，由N个相互堆叠的基本模块组成，一个基本模块包括多头自注意力机制模块和前馈网络模块，所述多头自注意力机制模块和前馈网络模块的输入和输出都通过归一化和残差连接相连接，输出为：

其中，X _in 为 Transformer 编码器也即多头自注意力模块的输入；X _MSA为多头自注意力模块的输出也即前馈网络的输入；X _out 为前馈网络也即 Transformer 编码器的输出。

3.根据权利要求2所述的一种电机轴承故障诊断方法，其特征在于，所述多头自注意力机制，首先通过参数矩阵映射维数为 d 的输入嵌入序列 X ，分别得到 query 矩阵 Q 、key 矩阵 K 和 value 矩阵 V ，

然后利用所得的 Q 、 K 、 V 计算 Attention 值，再将各个头的Attention 输出进行拼接，具体计算公式为：

其中， i对应第 i 头的计算，d _k是 query 和 key 的维度，d _v是value的维度，

是稳定梯度的尺度因子，h 为多头自注意力机制的头数，自注意力机制中有 d _k = d _v = d/h。

4.根据权利要求1所述的一种电机轴承故障诊断方法，其特征在于，所述S3中进行训练时，其模型损失函数为：

其中，L _S 为判别损失，L _C 为分类损失；

在 ACGAN 的训练中，优化的目标是训练判别器使 L _S + L _C 最大化，训练生成器使L _S - L _C 最小化。

Images