CN115060494A - 一种滚动轴承的故障诊断方法 - Google Patents

Abstract

本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：将采集的滚动轴承的振动信号划分并转换为小波时频图像；对所有小波时频图像处理得到训练集、验证集和测试集；构建深度残差网络；确定训练集中错误标记样本的个数；使用训练集和验证集对预先创建的改进的深度残差网络进行训练和验证，得到验证集上诊断效果最优的诊断模型；使用测试集测试最优的诊断模型，并输出故障诊断结果。该方法利用奇异值分解求解最大值进行降维，能够保留更多的特征值；利用全局奇异值代替全连接层，避免过度拟合；损失函数能够最大化的降低错误标记样本对诊断结果的影响，最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果更加准确。

Description

一种滚动轴承的故障诊断方法

技术领域

本发明涉及机械设备状态监测和故障技术领域，具体涉及一种滚动轴承的故障诊断方法。

背景技术

滚动轴承被广泛应用于汽车、飞机、风机等各种现代工业机械之中，是很多现代机械中必不可少的关键零件。由于滚动轴承所处的外部环境、发生故障的原因、故障模式及其特征较为复杂和多样，因此，现有的滚动轴承故障诊断方法还难以满足实际需要。

随着大数据技术的快速发展，以卷积神经网络为代表的深度学习技术在滚动轴承故障诊断领域的应用受到广泛重视，这种方法首先对原始振动信号进行特征提取，然后再利用卷积神经网络的分类能力进行故障诊断，其故障诊断的准确率较高。尽管许多基于深度学习的故障诊断方法已经得到了研究，并取得了良好的诊断效果，然而，这些方法的诊断性能通常取决于在不同健康条件下采集的信号的质量。对于从实际工业应用中获得的信号，其质量通常很难保证。一方面，在实际工业应用中，采集到的信号中不可避免地存在大量噪声。神经网络中的卷积核和池核通常充当局部特征抽取器。在信号噪声的干扰下，由于局部特征抽取器难以检测相关故障特征，神经网络的特征学习能力受到显著影响。另一方面，在故障诊断领域，添加数据标签通常必须由专业人士才能完成，因而获取高质量的标签成本高昂，而且故障症状的模糊边界也使得故障数据集的标签更加困难，因此，真实工业应用中，人为因素导致的标签错误是不可避免的。与噪声环境(信号噪声)相比，噪声标签对分类器的诊断性能影响更大。

主要原因如下：

1)信号成分的重要性各不相同。然而，样本标签通常对所有样本产生相同的影响。

2)信号特征的尺寸比标签长得多。因此，在噪声标签或者噪声环境下，现有的基于深度学习的故障诊断方法诊断性能会显著降低，这限制了其在真实场景中的应用。

因此，在噪音环境和噪音标签下，如何利用深度学习技术实现滚动轴承高精度的故障诊断是一项亟待解决的问题。

发明内容

为了解决上述现有技术的不足，本发明提供一种滚动轴承的故障诊断方法，该方法利用奇异值分解求解最大值代替传统诊断模型的池化层的降维，能够保留更多的特征值，使故障诊断更加准确。并且利用对故障信号图像求解奇异值代替传统诊断模型的全连接层的复杂的输出向量，避免过度拟合并对诊断模型进行了简化，保证诊断模型的稳定及准确度。另一方面，本发明的方法提出了一个全新的损失函数，能够最大化的降低噪音标签即错误标记样本对诊断结果的影响，其对噪音环境和噪音标签具有很强的适应能力，可以在强噪音环境中以及样本标记错误的情况下实现滚动轴承高精度的故障诊断。

具体地，本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：

S1、将采集的滚动轴承的振动信号划分为前后衔接的多个数据段，并利用小波变换公式将采集到的振动信号转换为小波时频图像，

S2、对所有小波时频图像进行随机划分和归一化处理，得到训练集、验证集和测试集；

S3、根据预定的测试指标，确定训练集中的错误标记样本的个数，测试指标包括测试准确率和工程实际经验；

S4、构建深度残差网络，深度残差网络包括卷积层、奇异值分解池化层以及奇异值分解自适应层，所述奇异值分解池化层用于利用奇异值分解法得出多个卷积核的奇异值，并构建多个卷积核的奇异值矩阵作为奇异值分解池化层的输出矩阵，所述奇异值分解自适应层用于利用奇异值分解法计算得出每一张小波时频图像的奇异值，并将所有小波时频图像的奇异值拼接为向量作为深度残差网络softmax层的输入向量；

S5、在所述深度残差网络中添加损失函数和激活函数，所述损失函数的表达式如下式所示：

其中，t₁和t₂均为常数，0≤t₁＜1，t₂＞1，

z_j代表softmax层的输入，[·]₊＝max{·，0}，γ_t(z)通过

进行计算，N为求和，x为样本，i为样本的数量，c为故障类别总数，j为1，2，…c的常数；

所述激活函数如下式所示：

S6、对深度残差网络的学习率进行优化，使用动态学习率代替常用的静态学习率，使学习率随着训练进行而逐渐减小，动态学习率的公式如下式所示：

其中，μ为当前学习率；μ_min为最小学习率；μ₀为初始学习率；δ为为衰减因子；gs为当前训练步数；ds为批处理中样本数和整个训练集样本个数之比：

S7、使用训练集对深度残差网络进行训练，并使用验证集对步骤S5的深度残差网络进行验证，得到验证集验证的诊断效果最优的训练后的故障诊断模型；

S8、将测试集作为步骤S6得到的最优的故障诊断模型的输入，并输出最终的故障诊断结果。

优选地，步骤S1中的小波变换公式如下式所示：

其中，WT_x(a，τ)为小波变换系数，x(t)为采集到的振动信号，ψ_a，τ(t)为小波基函数，a为尺度因子，τ为平移量，具体的，小波基函数为Morlet小波，且中心频率和带宽均为3；t是采集振动信号的时间。

优选地，步骤S1中使用试验平台采集滚动轴承的振动信号，所述试验平台包括电机、转矩传感器、功率计和电子控制设备，所述试验平台包括电机、转矩传感器、功率计分别与所述电子控制设备通讯连接并受控于所述电子控制设备；使用加速度传感器采集滚动轴承运行过程中的加速度信号，所述加速度传感器沿滚动轴承旋转轴的轴向或者径向设置。

优选地，步骤S1中向采集的振动信号中加入高斯白噪声，从而能够模拟强噪音的环境，所述高斯白噪声按信噪比分为8个档次，从低到高分别为-4、-2、0、2、4、6、8、10。

优选地，步骤S2中按照设定的划分比例将多个小波时频图像作为样本随机划分为训练集、验证集和测试集，并分别进行归一化处理。

与现有技术相比，本发明的效果如下：

(1)本发明在构建故障诊断模型的过程中通过使用最大奇异值代替传统的最大池化或者平均池化，尽可能的保留更多的特征值，提取的特征图中包含更多的特征信息，因此最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果也更加准确。

(2)本发明通过在诊断模型中设置一个包含两个可调参数的损失函数代替传统的逻辑损失函数，诊断模型对噪音标签的适应性更强，在一部分样本标记错误的情况下，仍然能够实现故障轴承高精度的故障诊断，在工业应用中具有非常强的实际意义。

(3)本发明通过一种新的全局奇异值分解自适应策略，将每个特征映射的最大奇异值直接送入softmax层中，以代替卷积神经网络中的全连接层进行分类，不仅更具有可解释性，而且可以防止过拟合现象的发生，保证最终结果的准确性。

(4)本发明对学习率进行了优化，使用动态学习率代替常用的静态学习率。对于神经网络模型，学习率是一个非常重要的参数，会直接影响最终的诊断效果。理想的学习率应在训练开始阶段加快迭代更新的速度，之后在训练过程中慢慢衰减，以免网络模型发生震荡。因此，文本采用了具有动态衰减属性的学习率，使得学习率随着训练进行而逐渐减小，从而能够保证故障诊断模型的稳定性。

附图说明

图1是本发明的流程示意图；

图2是本发明实施例滚动轴承的故障诊断方法的流程图；

图3是本发明实施例中滚动轴承的结构示意图；

图4是本发明实施例中改进的深度残差网络结构示意图；

图5是本发明实施例滚动轴承的故障诊断方法中奇异值分解池化原理图；

图6是本发明实施例滚动轴承的故障诊断方法中全局奇异值池化原理图。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

本发明提供一种滚动轴承的故障诊断方法，如图1所示，其包括以下步骤：

S1、将采集的滚动轴承的振动信号划分为前后衔接的多个数据段，并利用小波变换公式将采集到的振动信号转换为小波时频图像，

S2、对所有小波时频图像进行随机划分和归一化处理，得到训练集、验证集和测试集；

S3、根据预定的测试指标，确定训练集中的错误标记样本的个数，测试指标包括测试准确率和工程实际经验；

S4、构建深度残差网络，深度残差网络包括卷积层、奇异值分解池化层以及奇异值分解自适应层，奇异值分解池化层用于利用奇异值分解法得出多个卷积核的奇异值，并构建多个卷积核的奇异值矩阵作为奇异值分解池化层的输出矩阵，奇异值分解自适应层用于利用奇异值分解法计算得出每一张小波时频图像的奇异值，并将所有小波时频图像的奇异值拼接为向量作为深度残差网络softmax层的输入向量；

S5、在深度残差网络中添加损失函数和激活函数，损失函数的表达式如下式所示：

其中，t₁和t₂均为常数，0≤t₁＜1，t₂＞1，

zj代表softmax层的输入，[·]₊＝max{·，0}，γ_t(z)通过

进行计算，N为求和，x为样本，i为样本的数量，c为故障类别总数，j为1，2，…c的常数；

激活函数如下式所示：

S6、对深度残差网络的学习率进行优化，使用动态学习率代替常用的静态学习率，使学习率随着训练进行而逐渐减小，动态学习率的公式如下式所示：

其中，μ为当前学习率；μ_min为最小学习率；μ₀为初始学习率；δ为为衰减因子；gs为当前训练步数；ds为批处理中样本数和整个训练集样本个数之比：

S7、使用训练集对深度残差网络进行训练，并使用验证集对步骤S5的深度残差网络进行验证，得到验证集验证的诊断效果最优的训练后的故障诊断模型；

S8、将测试集作为步骤S6得到的最优的故障诊断模型的输入，并输出最终的故障诊断结果。

优选地，步骤S1中的小波变换公式如下式所示：

其中，WT_x(a，τ)为小波变换系数，x(t)为采集到的振动信号，ψ_a，τ(t)为小波基函数，a为尺度因子，τ为平移量，具体的，小波基函数为Morlet小波，且中心频率和带宽均为3；t是采集振动信号的时间。

具体实施例

为了便于将本发明实施例滚动轴承的故障诊断方法与其他方法进行对比，本发明实施例均使用美国凯斯西储大学轴承实验数据，该数据集在故障诊断领域被广泛使用，但是需要说明的是，本发明实施例的适用范围不限于该数据集。

本实施例提供了一种滚动轴承的故障诊断方法，如图2所示，包括以下步骤：

S1、采集滚动轴承的振动信号：

如图3所示为本专利用于采集数据的实验平台，该实验平台主要包括一个2马力的电机1、一个转矩传感器2、一个功率计3和电子控制设备。电子控制设备与其他部件通讯连接并控制其他部件。上述部件均设置在底座4上。

使用电火花加工技术在轴承上布置单点故障，故障直径分别为0.007、0.014和0.021英寸(1英尺＝2.54厘米)，故障位置分别处于内圈、外圈和滚动体上，即总共10种故障模式，分别是：正常、滚动体0.007、滚动体0.014、滚动体0.021、内圈0.007、内圈0.014、内圈0.021、外圈0.007、外圈0.014和外圈0.021。

在滚动轴承的运行过程中，可以使用加速度传感器采集加速度信号，且加速度传感器沿滚动轴承5的旋转轴的轴向或者径向设置。例如，每秒钟采集12000个采样点。为了模拟强噪音的环境，向采集的振动信号中加入高斯白噪声，其中，高斯白噪声按信噪比分为8个档次，从低到高分别为-4、-2、0、2、4、6、8、10。

S2、按照设定的分段长度将采集到的振动信号划分为前后衔接的多个数据段，并分别对每个数据段进行小波转换，以得到相应的小波时频图像。

具体的，以600个采样点为分段长度，将每种故障模式的采样点切分为200个数据段，即每个数据段均包含600个连续的采样点，并利用小波变换公式将采集到的振动信号转换成小波时频图像。

通过以下小波变换公式将采集到的振动信号转换为小波时频图像：

其中，WT_x(a，τ)为小波变换系数，x(t)为采集到的振动信号，ψ_a，τ(t)为小波基函数，a为尺度因子，τ为平移量。具体的，小波基函数可以是Morlet小波，且中心频率和带宽均为3，t为采集振动信号的时间。

通过小波变换将振动信号转换成小波时频图像，以减少背景噪声的影响，提取出振动信号的故障特征，得到改进的深度残差网络的输入样本格式。

根据上述方法，分别对10种故障模式的每一段的采样点的数据进行转换得到的时频图像。

S3、将所有小波时频图像进行随机划分和归一化处理后，得到训练集、验证集和测试集。

具体的，按照设定的划分比例将多个小波时频图像作为样本随机划分为训练集、验证集和测试集，并分别进行归一化处理。例如，以7∶2：1的划分比例将每种故障模式的小波时频图像随机划分为训练集、验证集和测试集三部分，并将它们都归一化到[-1,1]，即对于每种故障模式，训练集包括140张小波时频图像(训练样本数)，验证集包括40张小波时频图像(验证样本数)、测试集包括20个小波时频图像(测试样本数)，每张小波时频图像均为一个样本，详细数据如表1所示。

表1：每种故障模式的小波时频图像的训练集和样本集

S4、根据预定的测试指标，确定训练集中错误标记样本的个数，测试指标包括测试准确率、工程实际经验。测试准确率的定义为：测试样本中所有被正确诊断的个数占所有测试样本个数的比例；工程实际经验是根据工程实际情况，错误标记的样本数据是由于标注工作失误而造成的，因此数量不可能太多，这里我们设置为最大比例为训练样本的10％。

测试指标还可以包括人工标注成本等参数。可以理解的是，错误标记样本的个数越少，样本的精确度越高，最终故障诊断精确度越高，但是对人工标注的要求就越高，相应的标注成本也越大。

根据表1，总的训练集样本数为1400个，则错误标记样本的个数可以设为0(噪音标签比例为0)、28(噪音标签比例为2％)、70(噪音标签比例为5％)或者140(噪音标签比例10％)个。

S5、使用训练集对预先创建的改进的深度残差网络进行训练，并通过验证集选择最优的训练好的网络模型，改进的深度残差网络结构图如图4所示。

创建改进的深度残差网络的方法包括：基于神经网络模型，设计深度残差网络的结构。

具体的，对传统的深度残差网络结构进行改进，主要包括使用奇异值分解降维方法代替传统的最大池化或者平均池化；使用一种包含两个可调参数的新的损失函数代替传统的逻辑损失函数；使用全局奇异值分解自适应策略代替传统的全连接层。

如图4所示，深度残差网络包括多个卷积层、多个奇异值分解池化层以及奇异值分解自适应层，奇异值分解池化层用于利用奇异值分解法得出多个卷积核的奇异值，并构建多个卷积核的奇异值矩阵作为奇异值分解池化层的输出矩阵，奇异值分解自适应层用于利用奇异值分解法计算得出每一张小波时频图像的奇异值作为深度残差网络的输出向量。

图5所示是本实施例中奇异值分解池化层的示意图，传统的最大池化或者平均池化使用矩阵的的最大值或者平均值进行降维，该方式会丢失掉矩阵的很多特征信息。奇异值分解池化层利用矩阵的最大奇异值进行降维，输出多个卷积核的奇异值组成的矩阵，在保证降维的基础上，不仅可以保留更多的特征信息，而且可以起到降噪的作用。

图6所示是本实施例中全局奇异值自适应策略的示意图，传统的全连接层包含的参数比较多，容易导致过拟合，本发明的奇异值分解自适应层通过对整个特征图进行奇异值分解，并将最大奇异值作为神经元的特征值，将一系列特征图转变成一个特征向量，从而能够防止过度拟合并简化模型。

S6、为了解决噪音标签导致故障诊断准确率下降的问题，本发明使用一个包含两个可调参数的损失函数来代替传统的逻辑损失(logistic loss)函数，与传统的逻辑损失函数相比，改进后的损失函数对异常值具有更强的鲁棒性。该损失函数的表达式如下式所示：

其中，t₁和t₂均为常数，0≤t₁＜1，t₂＞1，

z_j代表softmax层的输入，[·]₊＝max{·，0}，γ_t(z)通过

进行计算，N为求和，x为样本，i为样本的数量，c为故障类别总数，j为1，2，…c的常数。

S7、使用训练集对深度残差网络进行训练，并使用验证集对步骤S5的深度残差网络进行验证，得到验证集验证的诊断效果最优的训练后的故障诊断模型。

S8、将测试集中的样本输入训练过的IResNet模型，得到故障诊断结果。

为了验证本发明具有很强的泛化性，即本发明故障诊断时的准确率具有很强的稳定性，我们将做了10次重复实验，10次的平均测试准确率如表3所示。

表2 10次试验的平均测试准确率

在现实环境中，由于人为操作的失误，错误的标签是不可避免的。但是，如果太多噪声标签的研究将变得毫无意义，因为在实际故障诊断中不允许发生如此巨大的错误。因此，在本文中，我们在训练集中添加了0％、2％、5％和10％的标签噪声率，以形成四个训练子数据集。每个数据集类包括1400个训练样本、400个验证样本和200个测试样本。我们的性能得到了改进通过使用每个数据集类，将本专利的损伤函数与原始ResNet进行比较。我们将每个试验重复10次，并采用平均值各实验值作为评价指标，如表2所示。

如表2所示。随着LNR的增加，两种方法的测试精度在不同的时间段都有所下降级别。然而，当LNR为0％、2％、5％和10％时，该模型的性能更好，相较于传统损伤函数模型分别提高了0.77％、0.82％、2.56％以及3.16％。能够看出，本专利提出的该模型在所有噪声率方面都优于Resnet。给出了该方法对标签噪声的识别精度。显然，我们提出的方法在不同级别的标签噪声下具有出色的鲁棒性。即使有10％的噪音标签，我们改进的Resnet模型也表现良好，达到令人满意的准确度。正常情况下，当小波时频图像映射到特征点时，特征点分布很难清晰的看出边界，而经过该模型的训练，特征变得可分割。即使在高LNR的情况下提出的模型很容易被分割。这证明了该模型具有良好的故障诊断和特征提取能力学习。

为了更清楚地展示本发明的优势，我们以西储大学轴承试验数据为基础，在加噪环境下，从平均测试准确率的角度，将本发明实施例的故障诊断方法的结果与现有几种方法多尺度卷积神经网络-双向长短时记忆神经网络(Multi-scale convolutional neuralnetwork-bidirectional long short term memory neural network,MSCNN-BiLSTM)、变分模态分解-深度卷积神经网络(Variational mode decomposition-deep convolutionalneural networks,VMD-DCNNs)、分类对抗式自动编码器(Categorical AdversarialAutoencoders,CatAEE)以及卷积神经网络-长短时记忆神经网络(Convolutional neuralnetwork-long short term memory neural network,CNN-LST)的结果做了对比。其结果如表3所示。

表3本发明(WT-IResNet)平均准确率与其他方法的对比

从表3中可以看出，同现有方法对比，不同信噪比下，本发明故障诊断的准确率都极具竞争力，即使信噪比为-4db时，本发明故障诊断的准确率依然达到了90％以上。

综上所述，本发明实施例基于小波变换和改进的深度残差网络的故障诊断方法，利用小波变换完成故障诊断所需的时频特征提取，不仅挖掘出隐藏在原始诊断信号中的丰富信息，而且减少了对诊断经验和特征选择的依赖，而后利用改进的卷积神经网络实现噪音环境和噪音标签下滚动轴承的故障诊断。采用了一个包含两个可调参数的新损失函数来代替原始损失函数，从而能够克服人为标记错误对最终诊断结果的影响。不仅克服了传统神经网络技术对标签严重依赖的缺点，将人从繁重的手动标注劳动中解放出来，极大的节省了人工成本，而且在故障诊断的准确度和有效性方面都有明显的提高。本发明为解决滚动轴承故障诊断问题提供了一种新的切实可行的有效途径，可广泛应用于机械、化工和航空航天等领域的故障诊断中。此外，新的全局奇异值分解自适应策略加强了特征映射和类别和本机可防止整体结构的过度拟合。在噪声标签和环境下，我们提出的方法的性能都是令人满意的。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种滚动轴承的故障诊断方法，其特征在于：其包括以下步骤：

S1、将采集的滚动轴承的振动信号划分为前后衔接的多个数据段，并利用小波变换公式将采集到的振动信号转换为小波时频图像；

S2、对所有小波时频图像进行随机划分和归一化处理，得到训练集、验证集和测试集；

S3、根据预定的测试指标，确定训练集中的错误标记样本的个数，测试指标包括测试准确率和工程实际经验；

S4、构建深度残差网络，深度残差网络包括卷积层、奇异值分解池化层以及奇异值分解自适应层，所述奇异值分解池化层用于利用奇异值分解法得出多个卷积核的奇异值，并构建多个卷积核的奇异值矩阵作为奇异值分解池化层的输出矩阵，所述奇异值分解自适应层用于利用奇异值分解法计算得出每一张小波时频图像的奇异值，并将所有小波时频图像的奇异值拼接为向量作为深度残差网络softmax层的输入向量；

S5、在所述深度残差网络中添加损失函数和激活函数，所述损失函数的表达式如下式所示：

其中，t₁和t₂均为常数，0≤t₁<1,t₂>1,

z_j代表softmax层的输入,[·]₊＝max{·,0}，γ_t(z)通过

进行计算，N为求和，x为样本，i为样本的数量，c为故障类别总数，j为1,2，...c的常数；

所述激活函数如下式所示：

S6、对深度残差网络的学习率进行优化，使用动态学习率代替常用的静态学习率，使学习率随着训练进行而逐渐减小，动态学习率的公式如下式所示：

其中，μ为当前学习率；μ_min为最小学习率；μ₀为初始学习率；δ为为衰减因子；gs为当前训练步数；ds为批处理中样本数和整个训练集样本个数之比；

S7、使用训练集对深度残差网络进行训练，并使用验证集对步骤S5的深度残差网络进行验证，得到验证集验证的诊断效果最优的训练后的故障诊断模型；

S8、将测试集作为步骤S6得到的最优的故障诊断模型的输入，并输出最终的故障诊断结果。

2.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中的小波变换公式如下式所示：

其中，WT_x(a,τ)为小波变换系数，x(t)为采集到的振动信号，ψ_a,τ(t)为小波基函数，a为尺度因子，τ为平移量，具体的，小波基函数为Morlet小波，且中心频率和带宽均为3；t是采集振动信号的时间。

3.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中使用试验平台采集滚动轴承的振动信号，所述试验平台包括电机、转矩传感器、功率计和电子控制设备，所述试验平台包括电机、转矩传感器、功率计分别与所述电子控制设备通讯连接并受控于所述电子控制设备；使用加速度传感器采集滚动轴承运行过程中的加速度信号，所述加速度传感器沿滚动轴承旋转轴的轴向或者径向设置。

4.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S1中向采集的振动信号中加入高斯白噪声，从而能够模拟强噪音的环境，所述高斯白噪声按信噪比分为8个档次，从低到高分别为-4、-2、0、2、4、6、8、10。

5.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于：步骤S2中按照设定的划分比例将多个小波时频图像作为样本随机划分为训练集、验证集和测试集，并分别进行归一化处理。

Images