《基于深度神经网络的滚动轴承故障诊断》由会员分享，可在线阅读，更多相关《基于深度神经网络的滚动轴承故障诊断（8页珍藏版）》请在金锄头文库上搜索。
1、基于深度神经网络的滚动轴承故障诊断 卫洁洁 杨喜旺 黄晋英 尹学慧 卫晓洁 中北大学计算机与控制工程学院 中北大学机械与动力工程学院 摘 要： 针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难, 而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势, 研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征, 所提取的特征作为 BP 神经网络 (BPNN) 的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态, 内圈故障, 外圈故障和滚珠故障四种状态以及各个状态的不同故障严
2、重程度的分析, 实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征, 还可以诊断出故障的严重程度, 和 BPNN 相比具有更高的诊断准确率。关键词： 深度学习; 深度神经网络; 滚动轴承; 智能故障诊断; 作者简介：卫洁洁 (1993) , 女, 山西运城人, 中北大学硕士研究生, 研究方向为深度学习与机械故障诊断, (E-mail) 。收稿日期：2017-07-04Rolling Bearing Fault Diagnosis Based on the Deep Neural NetworksWEI Jie-jie YANG Xi-wang HUANG Jin-ying Y
3、IN Xue-hui WEI Xiao-jie School of Computer and Control Engineering, North University of China; School of Mechanical and Dynamic Engineering, North University of China; Abstract： Shallowneural network method which rely on expert experience and signal processing technology for artificial extraction th
4、e characteristics of big rolling bearing data is becoming more and more difficult, whats more, shallowstructure limits that the neural network learn the function of the complex nonlinear relationship. Based on the advantages of feature extraction and big data processing, a newmethod of rolling beari
5、ng fault diagnosis based on deep neural network is studied. The method directly extract the useful characteristics from the original data, the extracted features can be as the BP neural network input to identify rolling bearing fault categories. Through the analysis of the four kinds of state of the
6、 normal state, the inner race failure, the outer race fault and the ball failure, and the severity of the different faults of the rolling bearings in each state, experimental results showthat the research of the method not only can dig out useful fault feature from original signal, also can diagnose
7、 the fault severity, compared with BPNN has higher diagnostic accuracy.Keyword： deep learning; deep neural network; rolling bearing fault; intelligent fault diagnosis; Received： 2017-07-040 引言滚动轴承在旋转机械中应用极为广泛, 是传递力矩及动力的重要零部件, 但因其工作环境恶劣, 也是最容易损坏的零部件之一1。因此, 对轴承进行状态监测与故障诊断具有重要实践意义。为了全面的检测滚动轴承的健康状况, 用状态
8、监测系统采集实时数据, 在机器长时间的运转中获取大量的数据2。数据获取通常比专家诊断分析要快3, 所以迫切的需要故障诊断方法分析大量的数据以及自动的提供准确的诊断结果。这种方法也叫智能故障诊断方法, 比如 ANN, 支持向量机 (SVM) 等用来区分机械健康状况4-5。基于智能诊断方法建立可靠的健康监测系统是保证这些装备安全运行的必需举措6。文献7提出一种基于自适应噪声的完备经验模态分解与 IMF 样本熵结合的滚动轴承故障特征提取方法。文献8针对传统解调分析难以提取轴承故障信息的这一特征, 提出了一种变分模态分解与最大相关峭度解卷积相结合的滚动轴承故障诊断方法。这些方法都是人工提取特征, 取决
9、于信号处理技术和诊断专家的先验知识。自从SCIENCE的深度学习出现, 就吸引了学术界与工业界的研究者们的注意9。深度学习有潜力克服当前智能诊断方法的缺陷:深度神经网络 (DNN) 能够自动的从原始数据中经过多次非线性转化提取特征, 无需人工提取特征。本文通过深度学习的训练, 研究了一种基于 DNN 方法的滚动轴承故障诊断方法。DNN首先经过无监督学习进行预训练, 从不同故障问题采取的信号中自动的挖掘故障特征, 然后通过监督算法进行微调, 建立不同机械健康状况和相应原始信号之间非线性的映射关系。1 DNN 简单介绍DNN 包含多隐层的深度结构, 每一层从前一层进行非线性转变得到下一层, 通过以
10、下两个过程进行训练: (1) DNN 的预训练经过逐层无监督方法, 用自动编码器进行训练; (2) 微调 DNN 用 BP 反向传播算法进行分类。自动编码器是一种三层10的无监督神经网络, 包含编码器和解码器两个部分, 如图 1 所示。图 1 自动编码器 下载原图编码器定义了一个编码函数 f , 对于来自旋转机械的数据集 中的每个信号 x, 我们定义:解码器定义了重构函数用 g 表示, 重构函数为:sf和 sg分别表示编码和解码的激活函数;b 和 d 分别表示偏置向量, 和分别代表权重。编码和解码参数集同时学习尽可能的重构出原始数据, 使得重构误差在 M 个训练样本集中尽可能的降到最小。自动编
11、码器的训练是为了找到参数集 =w, b和 使得重构误差最小:DNN 的输入层和第一隐层作为第一个自动编码器的编码器, 在第一层自动编码器经过训练后通过公式 (3) 重构误差, 编码网络的训练参数集被用来初始化DNN 的第一隐含层。依此类推, 直到第 N 层的自动编码器被训练初始化 DNN 的最后一层隐层。在 DNN 被预训练后, 为了接近目标函数, 用 BP 算法微调 DNN 参数缩小从原始数据计算的输出与健康状况标签的误差11。2 基于 DNN 智能诊断方法基于 DNN, 研究了智能诊断方法可以自动的从原始旋转机械信号中挖掘故障特征并用这些特征自动的分类机械的健康状况, 如图 2 所示。图
12、2 DNN 训练的流程图 下载原图所研究的方法包含以下四个步骤:(1) 将旋转机械不同健康状况下的原始信号归一化后组成训练集 , x 是训练集第 i 个信号, d 是 x 的健康状况标签和 M 是信号的个数。(2) 使用多隐含层构建一个 DNN, 输入单元的个数是信号 x 的维数, 然后用无标签数据集 逐层预训练堆栈式自动编码器, 自动编码器的个数指的是 DNN 隐层个数。以三个自动编码器为例具体过程如图 3 所示。自动编码器的训练参数w 1, b1用来初始化 DNN 第一隐层的参数, h 1是从第一层自动编码器计算得到, 然后用 h1作为输入训练第二层自动编码器初始化 DNN 第二层隐含层的
13、参数, 得到 h2, 最后依次类推继续训练直到第 N 层自动编码器被训练, 被编码为 hN。用这样的方式, 训练 N 层栈式自动编码器, DNN 所有的隐层都被预训练。图 3 预训练过程 下载原图(3) 通过机械健康状况的数目 y 决定输出层的维数, 从 x 得到 DNN 的输出计算过程如下: N+1是输出层的参数集, 用 BP 算法微调 DNN 参数。假设 x 的输出目标是 d, 误差公式为:= 1, 2, N+1, 参数集 更新公式如下:式中, 是微调过程的学习速率, 为了确保更新过程收敛12。(4) 将测试集输入到已训练好的 DNN 模型中, 并记录每个隐含层的输出向量进行故障诊断。3
14、基于栈式自动编码器的故障诊断3.1 数据描述轴承数据用西储大学13所提供的, 数据包含了采样频率为 12k Hz 的四种不同的负载下的数据:正常状况、内圈故障、外圈故障、滚珠故障。电动机驱动端故障的参数分别为 0.18mm、0.36mm 和 0.54mm。数据集的详细描述如表 1 所示。表 1 数据集详细描述 下载原表 数据集包含 1、2、3 负荷下 10 种轴承的健康状况。每种健康状况下有 100 组信号, 每组信号有 1200 个数据点。因此每个数据集 13 分别包含 1000 个样本, 每个样本有 1200 个数据点。数据集 A 为 1 负荷下 10 种健康状况的 1000 个样本。数据
15、集 B 包含 1、2、3 三种负荷下 10 种轴承健康状况, 每个状况有 300 个样本 (不同负荷下相同健康状况被视为一类) 。因此数据集 B 包含 3000 个样本。3.2 参数确定输入层是由每组信号的 1200 个数据点组成, 隐层层数是栈式自动编码器模型的重要参数, 经过多次试验不同隐层节点数和隐层层数比较如表 2 所示, 当隐层个数为 4 时, 重构误差已接近于 0, 当隐层个数是输入层一半时, 重构误差最小。因此每个隐层都取输入层的一半。表 2 不同隐层参数比较 下载原表 根据表 3 所选取的参数, 随机选取 800 个样本进行预训练 DNN, 这些样本也用来微调整个网络的参数,
16、其他 200 个样本用来测试, 每个数据集诊断试验做 20次。数据集 A 用所提出的的方法得到诊断结果如图 4a 所示。为了对比, 我们也用通常使用在旋转机械的智能诊断方法 BPNN 进行处理数据集, BPNN 和 DNN 具有相同的结构也用相同的参数进行训练, 在两个试验中, 标注相同的数据集分别用来训练 DNN 和 BPNN。用所研究的方法呈现的训练和测试的平均准确率从95%100%, 标准误差在 4.7%。意味着所使用的方法不仅仅识别故障类型也能识别故障的严重程度。可以看到 BPNN 诊断的准确率与 DNN 差别很大, 大多数准确率在 70%左右。为了定量的比较所提出的方法与 BPNN 的结果, 计算了每个数据集 20 次试验的平均准确率和误差, 如表 4 所示。用 BPNN 方法的准确率较低和平均误差更大, 表明了所研究的方法比 BPNN 的优越性。表 3 各个
