薛阳,雷文平,岳帅旭,徐向阳,王坤
(郑州大学 振动工程研究所,郑州 450001)
滚动轴承是重要的机械基础件,是旋转机械设备故障的主要来源[1],因轴承的故障比例占总故障的30%[2]。负载作为实际运行的一项重要指标,其变化会直接影响滚动轴承振动特征的改变[3],工厂的噪声环境也会对信号提取产生干扰。而深度学习[4]具有强大的特征提取能力,并能对工业大数据时代[5]海量的监测数据进行高效分析,因此可利用深度学习方法对变负载及噪声工况下滚动轴承故障类型进行判别。
兰州理工大学赵小强等提出改进Alexnet的滚动轴承变工况诊断方法[6],将一维时域信号横向插样构建以改进Alexnet输入的二维特征图,保留了特征提取过程中信号的时序性和关联性;安徽工业大学姜战伟提出一种基于参数优化的变分模态分解方法[7]对变工况滚动轴承时域信号处理,使其在变工况下滚动轴承多状态分类中具有更高准确率。以上研究是基于一种模态信号,近年来也有学者利用多模态特征对转子故障诊断开展了研究:长沙电力学院李录平等针对汽轮发电机组碰磨故障,采用傅里叶和离散小波变换分别从定性和定量两个方面[8]对汽轮发电机组动静碰磨故障的典型特征进行了分析和研究;陈志强等将一维振动信号转化为二维图像提取特征[9],用深度学习进行齿轮箱的故障识别。
现有的故障分析主要基于振动信号的时域、频域、时频域3个模态,当采用单一模态特征进行诊断分析时缺乏对其他模态的联合提取;而当模态特征提取过多时则可能出现信号冗余,增加诊断的复杂程度且无法保证诊断的时效性。西南交通大学郭亮等利用3个维度的信息特征构建网络实现低层信息融合[10];然后通过深度堆叠稀疏自编码器实现高层特征的提取;赵柄锡等对时域和时频域特征联合提取,对简单转子模型进行分析并实现故障诊断[11], Thirukovalluru等则提取了频域和时频域的低层特征[12],利用快速傅里叶变换将振动信号的功率谱分成均等的256份,计算每份功率谱能量占总信号能量的比例,形成相应的特征实现故障诊断。以上3项研究都将特征融合运用到转子模型故障诊断中,但并未实际应用到变载荷及噪声工况下的轴承工作环境中。基于此,本文提出一种针对特征分析的多模态融合[13]卷积神经网络(Multimodal fusion convolutional neural network, MF-CNN)模型,选取经典轴承试验台数据,对振动信号的时域、频域两种模态分别提取特征,再将不同模态特征融合进行故障诊断。
1.1 多模态特征融合
多模态融合(Multimodal fusion)负责联合多个模态的信息,多模态的数据可以从给定的学习任务所考虑的每种模式中提取补充信息,与仅使用单一模式相比,可以产生更丰富的表现形式。融合可在3个层级进行:数据层、特征层和决策层[9],特征层融合示意如图1所示。在轴承故障诊断中,不同域信号均为不同模态,该研究选定时域、频域两种模态信息,分别提取出两个模态特征,在特征层融合,实现诊断分类。
图1 多模态融合-特征层融合示意图
该网络主要包含两部分功能:1) 对时域和频域两个模态信息进行特征提取。特征提取层分别由2层卷积、2层池化、1层全连接、1层展平构成,为了从大量时域样本中获取更多故障特征故选取了两个大卷积核。2) 将提取结果用concatenate连接,实现多模态融合3个层级中的特征层融合。整个网络结构如图2所示。
图2 MF-CNN模型结构图
1.2 特征提取层
以CNN为框架构建的特征提取层是两个由2层卷积层、2层池化层、全连接层及分类层组成的多层网络,拥有大卷积核的卷积层和池化层穿插排列,用relu激活函数进行特征的非线性处理,分别对时域、频域信号进行全面特征提取。二次卷积得到的特征被第一个全连接层分类,利用最大池化方法减少特征参数,之后将得到的时域、频域两模态的多维特征分别展平到一维作为特征融合层的输入。整个特征提取层通过对同一原始信号的两种模态分别逐层学习,实现不同模态下隐含固有特征的提取。
1.2.1 卷积层
本网络中的卷积层使用大卷积核对输入信号局部区域进行卷积以提取特征,即
(1)
为了克服梯度弥散现象,卷积后利用relu函数进行非线性变换,即
al(i,j)=f(yl(i,j))
(2)
式中:f表示激活函数;al(i,j)表示卷积层的激活值。
1.2.2 池化层
本网络在卷积层和全连接层后添加池化层,采用最大值池化法来减少神经网络参数个数及数据尺寸:
(3)
式中:al(i,t)表示上一层的激活值;Wp表示池化宽度;pl(i,j)表示池化结果。
1.2.3 全连接层
全连接层对提取到的特征进行分类。本网络中第一个全连接层加在第二次卷积之后,第二个全连接层加在特征融合层后进行分类，即
(4)
1.3 特征融合层
训练集数据D可以表示为
D={(t1,s1,y1)(t2,s2,y2)…(tn,sn,yn)}
(5)
式中:ti、si分别为预处理后放入CNN的时域信号和频域信号;yi表示由one-hot编码组成的图像标签。
在特征融合层用concatenate函数将两种模态的特征融合,接入全连接层和softmax激活函数完成时域、频域特征的融合,即
(6)
式中:gD是ti、θD的函数,表示时域信号经过特征提取层处理所得结果;gI是si、θI的函数,表示频域信号特征提取结果;S表示softmax激活函数;WD表示softmax层的权重;L表示交叉熵损失函数。
2.1 数据的来源
实验验证所采用的CWRU轴承数据集来自凯斯西储大学轴承试验台[14]。选取的驱动端深沟球轴承型号为SKF6205。实验采用了0～3 HP这4种负载下的滚动轴承故障数据,采样频率为12 kHz,数据样本数量为6 000个,包含了滚动轴承正常状态、内圈故障、外圈故障和滚动体故障及不同故障程度共10种状态,每种状态样本为2 000个,样本采样长度为2 048。
为扩大样本数量,对原数据集进行重叠采样,各数据集间的数据不重复使用,得到0 HP、1 HP、2 HP、3 HP这4种负载下不同故障类型样本个数各400个,共16 000个。
本次实验共构建了4组数据集,每组数据集又分为训练集和测试集两部分,训练集由单一载荷下的数据构成,测试集由另外3种载荷下的数据构成[15]。如数据集D1/023就表示用1 HP负载下的数据作为训练集,0 HP、2 HP及3 HP负载下的数据作为测试集。数据集的构成如表1所示。
表1 实验数据集组成
2.2 实验对比分析
本实验特设置对照组,用传统的单模态时域CNN、频域CNN与本研究提出的时频MF-CNN共同实验,得到各方法实验的准确率和损失,分析时域+频域特征的MF-CNN网络与单模态CNN对变工况滚动轴承故的诊断能力和适应性。
对4个数据集的原始信号添加高斯白噪声,信噪比范围从25 dB开始递减至17 dB,间隔为1 dB。在无噪声及不同噪声强度下用时域CNN、频域CNN和MF-CNN这3种方法分别做20次重复实验,对每种噪声条件下不同数据集和方法得到的20次实验结果取平均值,绘制成折线图如图3～图6所示。
图3 D0/123实验结果
图4 D1/023实验结果
图5 D2/013实验结果
图6 D3/012实验结果
通过折线图可以直观看出,在无噪声及信噪比大于17 dB的噪声条件下,4个数据集实验MF-CNN的准确率均大于80%,且大幅高于时域CNN、频域CNN准确率,具有良好的诊断能力。当信噪比降低至17 dB时,MF-CNN准确率仍高于单模态CNN,但仅在D2/013数据集准确率高于80%,其他3个数据集准确率均降低于80%,认为该噪声条件下不具备诊断能力。
将4个数据集用3种方法在18～25 dB这8种信噪比下诊断的准确率取平均值,绘制成柱状图如图7所示。
图7 不同信噪比下平均准确率
从图7中可以看出,对D0/123、D1/023、D2/013、D3/012这4个数据集,MF-CNN的准确率比时域CNN分别高9.1%、8.8%、7.1%、24.6%,MF-CNN的准确率比频域CNN分别高15.1%、10.5%、26.8%、18.1%,MF-CNN的准确率均高于两种单模态CNN,其中D3/012数据集下MF-CNN准确率比时域CNN高24.6%,比频域CNN高18.1%。
D3/012数据集以3 HP重载荷工况下的数据作为训练集,以0 HP(无载荷)、1 HP和2 HP(轻载荷)下的数据作为测试集,实现从已知故障类型的低负载数据到未知故障类型高负载数据的诊断。该数据集负载变化跨度大,该组诊断的实现对变工况下滚动轴承故障诊断的研究具有代表性意义。D3/012数据集在3种方法下实验所得准确率如表2所示。
表2 D3/012实验准确率
表3表明,在无噪声情况下MF-CNN准确率最高,时域CNN和频域CNN也有较强的诊断能力。当开始以信噪比25 dB施加高斯白噪声,时域CNN和频域CNN的准确率相较于无噪声条件分别降低15.3%和13.7%,MF-CNN准确率仍在90%以上。随着噪声增强,单模态CNN准确率急剧下降,信噪比达到24 dB时,时域CNN准确率降低至67.0%,已不具备诊断能力,此时MF-CNN准确率为87.3%;信噪比达到21 dB时,频域CNN准确率降低至67.7%,不具备诊断能力,此时MF-CNN为86.6%,仍能较好地进行诊断。信噪比达到18 dB时,MF-CNN准确率为83.7%,仍具备较好的诊断能力,比时域CNN高出28.1%,比频域CNN高出23%。
本文以实际工程应用为背景,对噪声及变负载下滚动轴承故障诊断展开研究,建立时域-频域多模态卷积神经网络模型MF-CNN,并以传统的单模态卷积神经网络模型(时域CNN、频域CNN)为对照,用凯斯西储大学滚动轴承实验数据进行实验。
实验证明在4种方式的变载荷及信噪比大于17 dB的噪声条件下,本研究提出的MF-CNN准确率比单时域CNN和频域CNN方法平均提升10%以上。在由重载荷向轻载荷变化的工况下提升更为明显,在该工况下给信号添加信噪比25dB高斯白噪声,时域CNN和频域CNN已不具备诊断能力,而该工况下信噪比为18 dB时MF-CNN仍能保持较高的准确率,因此该方法对在噪声下由重载荷向轻载荷变化的工况诊断能力更为突出,比传统单模态方法的有更大提高。该方法为噪声及变载荷工况下滚动轴承的故障诊断提供了新的思路。
猜你喜欢 频域时域信噪比 晚霞浅淡少年糖花火彩版B(2020年5期)2020-09-10一种海上浮式风电基础频域动力响应分析新技术振动工程学报(2019年2期)2019-05-13智慧农业物联网节点故障处理分析物联网技术(2016年11期)2017-01-12计算机网络技术在电子信息工程中的运用科学与财富(2016年18期)2016-12-22基于MATLAB 的信号时域采样及频率混叠现象分析电脑知识与技术(2016年13期)2016-06-29小波包去噪在暂态电能质量信号去噪中的应用科技视界(2016年11期)2016-05-23两种常用漂浮式风力机平台动态特性分析能源研究与信息(2015年3期)2015-11-18基于相似度算法的伪码起始位置变步长估计现代电子技术(2015年17期)2015-09-23不同入射角风波流海上漂浮式风力机频域与时域动态特性能源研究与信息(2014年3期)2014-10-30不同小波基函数下的语音去噪研究现代电子技术(2014年3期)2014-03-05