• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于屬性描述的零樣本滾動(dòng)軸承故障診斷

      2022-08-16 08:48:30趙曉平呂凱揚(yáng)張中洋
      振動(dòng)與沖擊 2022年15期
      關(guān)鍵詞:特征提取故障診斷準(zhǔn)確率

      趙曉平, 呂凱揚(yáng), 邵 凡, 張中洋

      (1.南京信息工程大學(xué) 計(jì)算機(jī)與軟件學(xué)院,南京 210044;2.南京信息工程大學(xué) 江蘇省網(wǎng)絡(luò)監(jiān)控中心,南京 210044;3.南京信息工程大學(xué) 自動(dòng)化學(xué)院,南京 210044)

      機(jī)械故障診斷是對(duì)工業(yè)生產(chǎn)設(shè)備進(jìn)行維護(hù)的最佳途徑,故滾動(dòng)軸承故障診斷[1]是現(xiàn)今工業(yè)生產(chǎn)過(guò)程不可或缺的任務(wù)。因滾動(dòng)軸承長(zhǎng)期處于連續(xù)工作狀態(tài)且工作環(huán)境極其惡劣,故很容易發(fā)生故障[2]。一旦滾動(dòng)軸承損壞,輕則導(dǎo)致機(jī)器故障延誤生產(chǎn),重則造成重大事故甚至出現(xiàn)傷亡。因此,對(duì)滾動(dòng)軸承的工作狀況進(jìn)行監(jiān)測(cè),確認(rèn)已發(fā)生的故障類(lèi)型并及時(shí)做出相應(yīng)的零件更換具有重要意義[3]。

      隨著科技的不斷創(chuàng)新以及大數(shù)據(jù)技術(shù)的不斷發(fā)展,大量軸承運(yùn)轉(zhuǎn)狀態(tài)的監(jiān)測(cè)信息被記錄下來(lái)。因此,以數(shù)據(jù)驅(qū)動(dòng)方式為根本的故障診斷方法被學(xué)術(shù)以及工業(yè)領(lǐng)域廣泛運(yùn)用。而在實(shí)際數(shù)據(jù)采集環(huán)境中,通過(guò)頻繁停機(jī)檢查確定故障類(lèi)型費(fèi)時(shí)費(fèi)力,故需通過(guò)試驗(yàn)臺(tái)采集已知故障信號(hào)從而對(duì)實(shí)際工作環(huán)境中的未知故障進(jìn)行診斷。傳統(tǒng)的滾動(dòng)軸承故障診斷方法主要采用時(shí)頻分析方法,通過(guò)對(duì)振動(dòng)信號(hào)的故障特征進(jìn)行降維和提取,進(jìn)而獲取故障診斷結(jié)果。蔡艷平等[4]結(jié)合經(jīng)驗(yàn)小波變換與同步壓縮小波變換進(jìn)行圖像的紋理特征提取,有效地降低了振動(dòng)信號(hào)間的交叉干擾,提高了故障診斷的準(zhǔn)確率。李勇發(fā)等[5]考慮到故障檢測(cè)方法泛化能力較弱的問(wèn)題,提出了融合支持向量數(shù)據(jù)描述與小波奇異譜的滾動(dòng)軸承故障檢測(cè)方法,通過(guò)db5小波對(duì)信號(hào)分解后進(jìn)行篩選,最后通過(guò)支持向量數(shù)據(jù)描述訓(xùn)練,有效地實(shí)現(xiàn)了滾動(dòng)軸承故障診斷。但是,傳統(tǒng)的故障診斷方法過(guò)分依賴(lài)于專(zhuān)家知識(shí),容易造成誤判,且面對(duì)數(shù)據(jù)量日益增大的機(jī)械診斷任務(wù),很難高效地完成診斷工作。

      近年來(lái),深度學(xué)習(xí)技術(shù)迅猛發(fā)展,在圖像識(shí)別與分割、自動(dòng)駕駛、目標(biāo)風(fēng)格變換等方向都得到了廣泛運(yùn)用。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)作為深度學(xué)習(xí)中的一類(lèi)模式分析方法,因其強(qiáng)大的自適應(yīng)特征提取能力以及學(xué)習(xí)能力,越來(lái)越多的學(xué)者和專(zhuān)家將其運(yùn)用到故障診斷領(lǐng)域。趙曉平等[6]提出了一種基于多任務(wù)深度學(xué)習(xí)模型的診斷方法,針對(duì)單標(biāo)簽系統(tǒng)會(huì)忽視復(fù)合故障之間關(guān)系的情況,引入了多標(biāo)簽系統(tǒng),從而實(shí)現(xiàn)了對(duì)多故障情況的準(zhǔn)確分類(lèi)。湯保平等[7]考慮到齒輪箱內(nèi)部各個(gè)零部件的振動(dòng)信號(hào)重疊嚴(yán)重的問(wèn)題,提出了一種多共振分量融合CNN,得到了不錯(cuò)的分類(lèi)效果。針對(duì)傳統(tǒng)的旋轉(zhuǎn)機(jī)械故障算法抗干擾性差,無(wú)法準(zhǔn)確提取故障特征的問(wèn)題,Shao等[8]提出了一種基于遷移學(xué)習(xí)的對(duì)抗域自適應(yīng)方法,對(duì)故障特征利用最大均方差和域混淆函數(shù)進(jìn)行域間自適應(yīng),實(shí)現(xiàn)了跨域故障診斷。但是,深度學(xué)習(xí)故障診斷模型大多是以數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)對(duì)模型進(jìn)行訓(xùn)練,通過(guò)試驗(yàn)臺(tái)采集的數(shù)據(jù)進(jìn)行模型訓(xùn)練,往往導(dǎo)致訓(xùn)練出來(lái)的故障診斷模型可遷移性較差。在實(shí)際生產(chǎn)過(guò)程中,因?yàn)楣r不同、生產(chǎn)環(huán)境復(fù)雜等原因,出現(xiàn)的故障種類(lèi)不可預(yù)測(cè),這可能會(huì)導(dǎo)致無(wú)可用的測(cè)試類(lèi)樣本進(jìn)行故障診斷模型的訓(xùn)練。因此,為了解決上述問(wèn)題,筆者結(jié)合零樣本學(xué)習(xí)(zero-shot learning, ZSL)的思想,在無(wú)測(cè)試類(lèi)樣本可供訓(xùn)練的情況下完成對(duì)未知類(lèi)故障的診斷工作。

      ZSL[9]由Palatucci和Hinton等于2009年提出,該方法在模型的學(xué)習(xí)過(guò)程中,訓(xùn)練集和測(cè)試集沒(méi)有交集。ZSL模型在使用非測(cè)試類(lèi)的樣本進(jìn)行訓(xùn)練后,通過(guò)屬性遷移、語(yǔ)義輸出編碼、跨模態(tài)遷移[10]等方法,仍能對(duì)測(cè)試類(lèi)進(jìn)行準(zhǔn)確的分類(lèi)。Norouzi等[11]構(gòu)造了一個(gè)圖像分類(lèi)模型,通過(guò)類(lèi)標(biāo)簽將圖像映射到語(yǔ)義空間中,從而在不需要對(duì)測(cè)試類(lèi)進(jìn)行額外訓(xùn)練的情況下,完成圖片分類(lèi)任務(wù)。Verma等[12]建立了一個(gè)基于概率編碼器的ZSL框架,減小了預(yù)測(cè)的偏差,在ZSL常用的公開(kāi)數(shù)據(jù)集上都得到了不錯(cuò)的結(jié)果。然而上述幾個(gè)ZSL的試驗(yàn)中,試驗(yàn)對(duì)象往往是物品或者動(dòng)物等,而將零樣本圖像識(shí)別的方法遷移到故障診斷方向時(shí),這些物品的屬性并不適用于工業(yè)傳感器信號(hào),因此在進(jìn)行零樣本滾動(dòng)軸承故障診斷任務(wù)時(shí),需要更加有代表性的故障屬性信息來(lái)輔助識(shí)別工作。

      針對(duì)零樣本故障診斷問(wèn)題,F(xiàn)eng等[13]采用了一種基于故障描述的屬性遷移方法,從而實(shí)現(xiàn)了對(duì)TEP數(shù)據(jù)集故障的準(zhǔn)確診斷,該方法使用良好的語(yǔ)言描述代替樣本來(lái)進(jìn)行診斷和識(shí)別各種故障,然而該模型完成特征提取任務(wù)的主成分分析方法(principal component analysis,PCA),需要大量的先驗(yàn)知識(shí)才可以最優(yōu)化保留特征維數(shù),故提取的特征往往不能很好地代表訓(xùn)練和測(cè)試樣本。針對(duì)上述問(wèn)題,筆者從屬性描述的角度出發(fā),提出了一種結(jié)合Xception網(wǎng)絡(luò)[14]與CNN的零樣本滾動(dòng)軸承故障診斷方法,即X-CNN故障診斷模型。本方法憑借對(duì)現(xiàn)有固定故障類(lèi)型的屬性學(xué)習(xí),完成在工業(yè)場(chǎng)景下對(duì)未見(jiàn)類(lèi)故障的識(shí)別工作,以此擺脫對(duì)共享故障類(lèi)型的依賴(lài),從而令使用范圍更加廣泛。該方法采用Xception網(wǎng)絡(luò)對(duì)故障信號(hào)時(shí)頻圖進(jìn)行特征提?。桓鶕?jù)故障類(lèi)別的屬性描述構(gòu)建屬性矩陣,使用CNN對(duì)提取的特征進(jìn)行屬性學(xué)習(xí);最后通過(guò)屬性矩陣的相似度比較完成故障診斷工作。

      1 理論基礎(chǔ)

      1.1 ZSL

      傳統(tǒng)的機(jī)器學(xué)習(xí)采用大量具有標(biāo)簽的數(shù)據(jù)進(jìn)行有監(jiān)督學(xué)習(xí),現(xiàn)如今人們已經(jīng)不滿(mǎn)足這種繁瑣的學(xué)習(xí)方式,于是針對(duì)一些尚未獲得大量訓(xùn)練數(shù)據(jù)的新類(lèi)型,或者需要消耗繁雜、巨大的人力物力才能獲得足夠訓(xùn)練數(shù)據(jù)的對(duì)象,提出了一種零樣本學(xué)習(xí)方法[15]。

      ZSL衍生于遷移學(xué)習(xí)[16],但是卻與普通的遷移學(xué)習(xí)方法有著很大的區(qū)別:在ZSL的訓(xùn)練過(guò)程中,訓(xùn)練集樣本類(lèi)型和測(cè)試集是沒(méi)有交集的[17]。ZSL模型通過(guò)對(duì)其他已知類(lèi)別的學(xué)習(xí),完成對(duì)未知類(lèi)的識(shí)別。這一過(guò)程常常搭建直接屬性預(yù)測(cè)(direct attribute prediction,DAP)模型來(lái)進(jìn)行分類(lèi)工作。DAP的結(jié)構(gòu)圖如圖1所示。

      圖1中:D1,D2,…,DK為訓(xùn)練類(lèi)數(shù)據(jù);DK+1,DK+2,…,DK+M為測(cè)試類(lèi)數(shù)據(jù);y={ε1,ε2,…,εN}為不同類(lèi)型訓(xùn)練數(shù)據(jù)的屬性向量。通過(guò)對(duì)屬性學(xué)習(xí)器α1,α2,…,αz的訓(xùn)練,完成對(duì)數(shù)據(jù)屬性的預(yù)測(cè),從而得到輸入數(shù)據(jù)的特征估計(jì),最終進(jìn)行分類(lèi)判斷,其分類(lèi)過(guò)程如式(1)

      圖1 直接屬性預(yù)測(cè)模型

      (1)

      式中:M為數(shù)據(jù)包含的屬性數(shù)目;εn,l為l類(lèi)屬性的第n個(gè)分量;p(εn,lx)為輸入數(shù)據(jù)x的特定屬性包含的概率;P(εn,l)則為對(duì)該類(lèi)特定屬性的先驗(yàn)估計(jì)。

      1.2 Xception網(wǎng)絡(luò)

      Xception網(wǎng)絡(luò)是一種將有殘差連接的深度可分離卷積層進(jìn)行線(xiàn)性堆疊的深度學(xué)習(xí)模型,Xception網(wǎng)絡(luò)將Resnet中的卷積層模塊替換為極致的Inception模塊[18],極致的Inception模塊對(duì)輸入先進(jìn)行了普通的卷積操作,然后對(duì)1*1卷積后的每一個(gè)通道分別進(jìn)行3*3的卷積操作,并在最后將結(jié)果concat,該過(guò)程如圖2所示。Xception網(wǎng)絡(luò)在原網(wǎng)絡(luò)的基礎(chǔ)上提高了網(wǎng)絡(luò)的運(yùn)行效率,在不增加網(wǎng)絡(luò)復(fù)雜度的情況下改善了模型的效果。

      2 X-CNN故障診斷模型

      X-CNN模型通過(guò)對(duì)已知類(lèi)故障樣本的學(xué)習(xí),完成對(duì)未知類(lèi)故障樣本的診斷。這一過(guò)程分為兩個(gè)階段:第一階段采用Xception特征提取網(wǎng)絡(luò)對(duì)樣本進(jìn)行特征提??;第二階段使用基于CNN的屬性學(xué)習(xí)器完成對(duì)特征的屬性學(xué)習(xí)以及預(yù)測(cè),并最終通過(guò)相似度度量獲得具體的故障診斷結(jié)果。

      圖2 Inception模塊

      2.1 Xception特征提取網(wǎng)絡(luò)

      X-CNN模型選用Xception網(wǎng)絡(luò)進(jìn)行時(shí)頻圖特征提取。Xception網(wǎng)絡(luò)通過(guò)36個(gè)卷積層來(lái)進(jìn)行基礎(chǔ)的特征提取,其引入了Entry flow,Middle flow和Exit flow 3層,每個(gè)flow都有若干個(gè)conv_bn模塊或者sep_bn模塊。本模型刪除用于輸出的Exit flow,Xception特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

      (1) Entry flow

      Entry flow共進(jìn)行了8次卷積,其作用是對(duì)輸入振動(dòng)信號(hào)時(shí)頻圖進(jìn)行下采樣,減小空間維度。其中的con_bn層將卷積層與批歸一化層(batch normalization,BN)結(jié)合,sep_bn層將可分離卷積層與BN層結(jié)合。這一改進(jìn)省去了整個(gè)BN層的計(jì)算量。BN層計(jì)算過(guò)程如式(2)。

      (2)

      圖3 Xception特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖

      (2) Middle flow

      Middle flow將3個(gè)可分離卷積層重復(fù)運(yùn)算8次以不斷學(xué)習(xí)通道間的關(guān)系,實(shí)現(xiàn)特征的優(yōu)化,即圖3中Middle flow模塊內(nèi)部的虛線(xiàn)連接處。再將原網(wǎng)絡(luò)中的Exit flow中的部分模塊添加至Middle flow,在完成特征優(yōu)化后流向sep_bn層和conv_bn層,進(jìn)行特征的匯總和整理后,將多維特征輸出。

      2.2 基于CNN的屬性學(xué)習(xí)器

      基于屬性描述的零樣本滾動(dòng)軸承故障診斷方法需要對(duì)提取的特征進(jìn)行屬性預(yù)測(cè),因CNN采用局部連接和權(quán)值共享的方式,可以有效地降低權(quán)值的數(shù)量,使得網(wǎng)絡(luò)易于優(yōu)化,從而很好得完成特征提取與多分類(lèi)任務(wù)[19],故選用CNN作為特征圖的屬性學(xué)習(xí)器。

      基于CNN的屬性學(xué)習(xí)器由特征提取層和預(yù)測(cè)分類(lèi)層組成,其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

      (1) 特征提取層

      特征提取層由卷積層、池化層組成[20]。卷積層和池化層對(duì)輸入數(shù)據(jù)的特征進(jìn)行提取。卷積的過(guò)程中,使用矩形的卷積核對(duì)輸入對(duì)象的每一個(gè)像素點(diǎn)進(jìn)行卷積計(jì)算,同一輸入對(duì)象共享權(quán)重。卷積計(jì)算過(guò)程如式(3)

      fi+1=Wi?fi+bi

      (3)

      式中:fi為卷積運(yùn)算的輸入;fi+1為卷積過(guò)后產(chǎn)生的特征圖;Wi為權(quán)重;bi為偏置值;?為卷積運(yùn)算符。通過(guò)卷積操作,會(huì)增加輸出的特征圖個(gè)數(shù),這將導(dǎo)致輸出維度不斷增大,造成維度災(zāi)難,故通過(guò)添加最大池化層的方式降低輸出維度并保留主要特征,最大池化的過(guò)程對(duì)輸入特征的紋理較為敏感,其過(guò)程見(jiàn)式(4)。

      Max-pooling(f[i-1],f[i],f[i+1])=

      max(f[i-1],f[i],f[i+1])

      (4)

      通過(guò)將卷積層和池化層進(jìn)行堆疊,不斷降低參數(shù)量,與此同時(shí)獲得感受野的提升,該過(guò)程見(jiàn)圖4特征提取層結(jié)構(gòu)。卷積池化層后使用ReLU激活函數(shù),使得原先的單一線(xiàn)性變化多樣化,從而增強(qiáng)學(xué)習(xí)能力。

      (2) 預(yù)測(cè)分類(lèi)層

      預(yù)測(cè)分類(lèi)層中用全連接層將提取的所有主要特征合并,并將其輸送至SoftMax分類(lèi)器,經(jīng)過(guò)全連接層或者池化層輸出可得一個(gè)k行j列的矩陣Yk*j,其中:k為樣本數(shù)量;j為j個(gè)類(lèi)別對(duì)應(yīng)的量化值。對(duì)于輸入樣本x以及其對(duì)應(yīng)的標(biāo)簽y,可以用q(y=jx)表示y屬于j類(lèi)別的概率,Softmax函數(shù)的公式為

      (5)

      圖4 基于CNN的屬性學(xué)習(xí)器網(wǎng)絡(luò)結(jié)構(gòu)

      2.3 X-CNN故障診斷流程

      圖5為X-CNN故障診斷流程圖,由圖5可以看出X-CNN故障診斷模型由數(shù)據(jù)預(yù)處理階段、特征提取階段、屬性學(xué)習(xí)及分類(lèi)階段組成。

      (1) 數(shù)據(jù)預(yù)處理階段

      隨機(jī)選擇凱斯西儲(chǔ)大學(xué)原始振動(dòng)信號(hào),按照Z(yǔ)SL的思想(訓(xùn)練類(lèi)樣本在測(cè)試類(lèi)樣本中均不出現(xiàn)),對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練集和測(cè)試集的劃分,劃分比例為22∶5。對(duì)所選取的訓(xùn)練集和測(cè)試集,分別進(jìn)行短時(shí)傅里葉變換(short-time Fourier transform, STFT)得到振動(dòng)信號(hào)時(shí)頻圖。

      (2) 特征提取階段

      對(duì)模型進(jìn)行訓(xùn)練時(shí),將訓(xùn)練集時(shí)頻圖作為樣本輸入到Xception網(wǎng)絡(luò)訓(xùn)練,對(duì)其進(jìn)行特征提取,訓(xùn)練直至網(wǎng)絡(luò)收斂,從而獲得時(shí)頻圖的特征并將訓(xùn)練完畢的Xception網(wǎng)絡(luò)保存。將測(cè)試集信號(hào)時(shí)頻圖輸入到訓(xùn)練完畢的Xception特征提取網(wǎng)絡(luò),通過(guò)Entry flow完成對(duì)時(shí)頻圖的下采樣以及降低維度后,經(jīng)Middle flow完成對(duì)特征的不斷優(yōu)化,得到訓(xùn)練集和測(cè)試集的特征圖并輸出供屬性學(xué)習(xí)器使用。

      (3) 屬性學(xué)習(xí)及分類(lèi)階段

      將訓(xùn)練階段中由訓(xùn)練集得到的特征圖傳入到屬性學(xué)習(xí)器{α1,α2,…,αM}中,對(duì)其M個(gè)屬性分別訓(xùn)練對(duì)應(yīng)的屬性學(xué)習(xí)器。測(cè)試階段,將測(cè)試集特征輸入屬性學(xué)習(xí)器中,獲得測(cè)試樣本的屬性預(yù)測(cè)矩陣,并將測(cè)試集樣本的屬性預(yù)測(cè)矩陣與數(shù)據(jù)集屬性表進(jìn)行相似度度量,從而診斷最終的故障類(lèi)別。

      圖5 X-CNN故障診斷流程圖

      3 試驗(yàn)分析

      為驗(yàn)證所提方法對(duì)未知類(lèi)故障的診斷能力,試驗(yàn)中選用真實(shí)的滾動(dòng)軸承數(shù)據(jù),數(shù)據(jù)選自凱斯西儲(chǔ)大學(xué)(Case Western Reserve University, CWRU)的滾動(dòng)軸承數(shù)據(jù)集。

      3.1 數(shù)據(jù)預(yù)處理

      CWRU數(shù)據(jù)集的采集試驗(yàn)臺(tái)如圖6所示。裝置主要由3個(gè)部分組成:位于最左側(cè)的1.5 kW的驅(qū)動(dòng)電機(jī)、位于中間的扭矩傳動(dòng)裝置、位于最右側(cè)的功率測(cè)試機(jī)。加速度傳感器分別安裝在試驗(yàn)電機(jī)的基座處、風(fēng)扇端、驅(qū)動(dòng)端的電機(jī)外殼處,從而獲得基座加速度數(shù)據(jù)(base accelerometer data, BA)、風(fēng)扇端加速度數(shù)據(jù)(fan end accelerometer, FE)、驅(qū)動(dòng)端加速度數(shù)據(jù)(drive end accelerometer data, DE)。同時(shí),CWRU通過(guò)電火花加工技術(shù)在滾動(dòng)軸承三處布置單點(diǎn)故障,分別是內(nèi)圈故障(InnerRace)、外圈故障(OuterRace)和滾動(dòng)體故障(Ball),并且選用0.17 mm,0.35 mm,0.52 mm,0.7 mm的不同故障體量級(jí)別。除此之外,外圈故障還區(qū)分為外圈3點(diǎn)鐘,外圈6點(diǎn)鐘和外圈12點(diǎn)鐘三處損傷點(diǎn)。

      圖6 CWRU試驗(yàn)臺(tái)

      在試驗(yàn)中屬性描述為判斷某種故障屬性是否出現(xiàn),按照不同故障類(lèi)型的故障位置(內(nèi)圈故障、外圈3點(diǎn)鐘方向故障、外圈6點(diǎn)鐘方向故障、外圈12點(diǎn)鐘方向故障、滾動(dòng)體故障)、電機(jī)負(fù)載0,0.75 kW,1.5 kW,2.25 kW、故障大小0.17 mm,0.35 mm,0.52 mm,0.7 mm等信息定義其屬性。

      根據(jù)選用的數(shù)據(jù)集,定義了13種不同的屬性(如表1所示),其中包括4種故障尺寸屬性、4種運(yùn)行負(fù)載屬性、5種不同故障位置屬性。試驗(yàn)從驅(qū)動(dòng)端數(shù)據(jù)中根據(jù)5種不同的故障位置、4種不同的工作負(fù)載和4種故障的損傷尺寸選取了共計(jì)27類(lèi)故障數(shù)據(jù)進(jìn)行試驗(yàn),按照不同滾動(dòng)軸承狀態(tài)選取的不同故障類(lèi)別數(shù)及其樣本數(shù)如表2所示。

      表1 屬性描述對(duì)應(yīng)表

      表2 故障類(lèi)別數(shù)及樣本數(shù)

      其中無(wú)故障狀態(tài)因本試驗(yàn)存在3種負(fù)載故選擇3類(lèi),外圈故障因其包含更多類(lèi)故障位置故選擇10類(lèi),滾動(dòng)體和內(nèi)圈故障選擇7類(lèi),共計(jì)27類(lèi)故障。

      對(duì)選取的故障類(lèi)型定義數(shù)據(jù)編碼,數(shù)據(jù)編碼代表故障的發(fā)生位置、尺寸以及機(jī)器的運(yùn)行負(fù)載:對(duì)于故障位置,正常類(lèi)型為N,滾動(dòng)體故障為B,內(nèi)圈故障為IR,外圈故障為OR;故障類(lèi)型后的兩位數(shù)字代表故障尺寸。如“OR07@3_0”代表外圈故障,故障尺寸0.17 mm,且負(fù)載為0,故障位置為外圈3點(diǎn)鐘方向。表3展示了從CWRU數(shù)據(jù)集中,選取用作試驗(yàn)部分的屬性描述在向量空間中的配置,共計(jì)27種故障。表3中:“1”表示該故障具備該屬性;“0”表示該故障不具備該屬性。通過(guò)對(duì)3種不同的屬性類(lèi)型,共計(jì)13種屬性的學(xué)習(xí),可以實(shí)現(xiàn)在不使用測(cè)試類(lèi)故障樣本進(jìn)行訓(xùn)練的情況下,完成對(duì)測(cè)試類(lèi)故障的診斷分類(lèi)工作。

      將選取的振動(dòng)信號(hào)數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集、測(cè)試集,其序號(hào)如表4所示。

      在對(duì)CWRU所提供的振動(dòng)信號(hào)進(jìn)行預(yù)處理時(shí),考慮到選取的特征提取網(wǎng)絡(luò)在對(duì)圖像處理方面有著優(yōu)異的表現(xiàn),故先采用STFT將故障信號(hào)數(shù)據(jù)轉(zhuǎn)變?yōu)闀r(shí)頻圖,從而獲得其隨時(shí)間變化的頻譜信息。在STFT中使用Hanmming窗作為窗函數(shù)并且預(yù)設(shè)窗函數(shù)長(zhǎng)度為256,窗重疊度為50%,采樣頻率設(shè)為120 kHz。

      3.2 試驗(yàn)與結(jié)果對(duì)比分析

      3.2.1 特征提取網(wǎng)絡(luò)效果分析

      對(duì)時(shí)頻圖進(jìn)行特征提取是基于屬性描述的零樣本滾動(dòng)軸承故障診斷方法的第二步,本試驗(yàn)中分別使用有監(jiān)督的機(jī)器學(xué)習(xí)方法PCA、改進(jìn)后的Xception特征提取網(wǎng)絡(luò)來(lái)提取時(shí)頻圖的相關(guān)特征,特征提取網(wǎng)絡(luò)的主要參數(shù)見(jiàn)表5。表5中Entry flow和Middle flow中的殘差連接conv_bn步長(zhǎng)相同,卷積核大小分別為1×1和3×3,池化過(guò)程都選擇最大池化,padding方式為“same”,大小為3×3,步長(zhǎng)為2。其余sep_bn和conv_bn的卷積核大小皆為3×3,各自的步長(zhǎng)如表5所示。

      設(shè)置對(duì)比試驗(yàn)時(shí),需對(duì)選定機(jī)器學(xué)習(xí)方法參數(shù)進(jìn)行設(shè)置。在進(jìn)行特征提取時(shí),選用的PCA方法,保留前20個(gè)主要特征。屬性學(xué)習(xí)階段選用經(jīng)典機(jī)器學(xué)習(xí)分類(lèi)方法,即支持向量機(jī)(support vector machine, SVM)、概率樸素貝葉斯(naive Bayesian, NB)和隨機(jī)森林(random forest, RF)進(jìn)行屬性學(xué)習(xí)。對(duì)PCA提取的20個(gè)主要特征,使用SVM,NB和RF進(jìn)行屬性學(xué)習(xí)器的訓(xùn)練。其中SVM的懲罰系數(shù)C設(shè)為1,NB中不設(shè)先驗(yàn)概率大小,利用極大似然法進(jìn)行計(jì)算,RF的決策樹(shù)數(shù)設(shè)為50。

      X-CNN故障診斷網(wǎng)絡(luò)通過(guò)Entry flow和Middle flow完成對(duì)時(shí)頻圖的特征的逐步提取,特征提取網(wǎng)絡(luò)的末端添加一個(gè)Softmax層,并設(shè)置網(wǎng)絡(luò)的損失函數(shù)如下

      (6)

      訓(xùn)練集和測(cè)試集的分類(lèi)準(zhǔn)確率和Loss值見(jiàn)圖7和圖8,試驗(yàn)結(jié)果表明,Xception網(wǎng)絡(luò)可以很好的提取時(shí)頻圖特征并進(jìn)行分類(lèi)工作。如圖7所示,在訓(xùn)練階段,當(dāng)iteration達(dá)到1 000次時(shí),在訓(xùn)練集上模型的分類(lèi)準(zhǔn)確率已經(jīng)達(dá)到99.5%,Loss值已經(jīng)降到了0.348,在這之后模型訓(xùn)練的分類(lèi)準(zhǔn)確率和Loss值的變化趨勢(shì)逐漸平緩。如圖8所示,在測(cè)試階段,當(dāng)進(jìn)行到第1 000個(gè)iteration時(shí),模型的分類(lèi)準(zhǔn)確率已經(jīng)達(dá)到99.6%,Loss值降到了0.298,在這之后準(zhǔn)確率和Loss值保持穩(wěn)定。由此可見(jiàn)若是只對(duì)可見(jiàn)類(lèi)進(jìn)行分類(lèi),Xception網(wǎng)絡(luò)可以很好地完成任務(wù),從而說(shuō)明了Xception網(wǎng)絡(luò)具有極強(qiáng)的分類(lèi)能力。

      表3 CWRU數(shù)據(jù)集屬性表

      表4 訓(xùn)練集、測(cè)試集劃分

      圖7 訓(xùn)練集準(zhǔn)確率與Loss值

      圖8 測(cè)試集準(zhǔn)確率與Loss值

      為了驗(yàn)證Xception網(wǎng)絡(luò)是否具備優(yōu)異的特征提取能力,本試驗(yàn)使用t-SNE方法將提取的多維特征降維后投影到二維空間中進(jìn)行可視化分析,若投射結(jié)果可分性好,則可以說(shuō)明該方法的特征提取能力強(qiáng)。本試驗(yàn)隨機(jī)選取了7種故障對(duì)其進(jìn)行特征提取并且降維可視化,使用PCA方法以及Xception特征提取網(wǎng)絡(luò)進(jìn)行特征提取后,特征降維可視化的結(jié)果如圖9和圖10所示。通過(guò)觀(guān)察圖9可以發(fā)現(xiàn)使用PCA方法進(jìn)行特征提取后,負(fù)載為2.25 kW、損傷尺寸0.17 mm和負(fù)載為1.5 kW、損傷尺寸0.52 mm的滾動(dòng)體故障發(fā)生了混淆,即圖9中圓圈劃出部分,故PCA特征提取方法對(duì)不同故障尺寸與負(fù)載的滾動(dòng)體故障區(qū)分能力較弱。而觀(guān)察圖10可以發(fā)現(xiàn)使用Xception網(wǎng)絡(luò)提取的特征可分性極好,各種不同位置、尺寸、負(fù)載的故障類(lèi)型特征可分性極強(qiáng),特征分類(lèi)無(wú)混淆。故相較于使用PCA進(jìn)行特征提取的方法,Xception網(wǎng)絡(luò)可以更好得進(jìn)行特征提取。

      表5 特征提取網(wǎng)絡(luò)主要參數(shù)

      圖9 PCA特征提取降維可視化

      圖10 Xception網(wǎng)絡(luò)特征提取降維可視化

      3.2.2 屬性學(xué)習(xí)器效果對(duì)比

      使用CNN作為屬性學(xué)習(xí)器對(duì)提取的特征圖進(jìn)行屬性預(yù)測(cè),所搭建的CNN網(wǎng)絡(luò)參數(shù)如表6所示??紤]到Softmax通過(guò)自然底數(shù)e使得輸入差異擴(kuò)大,然后使用配分方式將結(jié)果歸一化為概率分布,具有優(yōu)異的分類(lèi)效果,故選用Softmax作為最終全連接層輸出的分類(lèi)函數(shù)。此外,屬性學(xué)習(xí)器選用Adam作為優(yōu)化器,選用categorial crossentropy損失函數(shù)。使用訓(xùn)練完畢的屬性學(xué)習(xí)器對(duì)其進(jìn)行屬性預(yù)測(cè),從而評(píng)估其屬性學(xué)習(xí)的準(zhǔn)確率。將屬性矩陣傳入學(xué)習(xí)器,分別預(yù)測(cè)13種屬性在多種不同故障類(lèi)型種是否存在。使用PCA方法與Xception網(wǎng)絡(luò)提取特征后使用不同屬性學(xué)習(xí)器進(jìn)行屬性學(xué)習(xí),其準(zhǔn)確率如圖11所示。

      表6 CNN參數(shù)

      由圖11可知,X-CNN模型對(duì)故障尺寸(屬性1~4)、故障位置(屬性9~13)的屬性學(xué)習(xí)準(zhǔn)確率高,最低的屬性預(yù)測(cè)準(zhǔn)確率可達(dá)75.4%。在對(duì)屬性1~4與屬性9~13進(jìn)行分析時(shí),觀(guān)察圖11(a)可知,使用X-CNN進(jìn)行屬性學(xué)習(xí)的準(zhǔn)確率優(yōu)于PCA+RF或者X-RF,最高預(yù)測(cè)準(zhǔn)測(cè)率可達(dá)100%,最低預(yù)測(cè)準(zhǔn)確率可達(dá)85.2%。X-CNN對(duì)屬性的預(yù)測(cè)準(zhǔn)確率明顯優(yōu)于使用傳統(tǒng)方法;由圖11(b)可知,使用X-NB對(duì)多數(shù)屬性的預(yù)測(cè)準(zhǔn)確率都高于PCA+NB,而X-CNN對(duì)所有屬性的預(yù)測(cè)準(zhǔn)確率都高于X-NB;觀(guān)察圖11(c)可知,使用X-SVM進(jìn)行屬性預(yù)測(cè)的準(zhǔn)確率優(yōu)于使用PCA+SVM進(jìn)行屬性預(yù)測(cè),而使用X-CNN對(duì)所有屬性的預(yù)測(cè)準(zhǔn)確率皆?xún)?yōu)于X-SVM。相對(duì)于內(nèi)圈故障和滾動(dòng)體故障,X-CNN模型對(duì)外圈故障的屬性識(shí)別率尤其優(yōu)秀,針對(duì)3點(diǎn)鐘方向和12點(diǎn)鐘方向的外圈故障屬性學(xué)習(xí)的準(zhǔn)確率都達(dá)到了100%,對(duì)0.7 mm的故障屬性識(shí)別準(zhǔn)確率也達(dá)到100%。觀(guān)察圖11可以發(fā)現(xiàn),本方法對(duì)振動(dòng)信號(hào)的負(fù)載屬性(即圖中的屬性5,6,7,8)的識(shí)別能力均較弱,準(zhǔn)確率均在50%左右??梢?jiàn)本方法對(duì)于負(fù)載的識(shí)別能力較弱,分析原因是相同故障狀態(tài)的滾動(dòng)軸承在變負(fù)載條件下,數(shù)據(jù)特征分布差異較小,這一情況增加了區(qū)分難度。為減小這類(lèi)特征分布差異所帶來(lái)的問(wèn)題,可以使用度量學(xué)習(xí)方法,或者使用triplet loss損失函數(shù),加大相似特征之間的分布差異,從而提高區(qū)分度。這一情況為接下來(lái)的研究學(xué)習(xí)提供了方向。

      (a) X-CNN與RF方法下屬性學(xué)習(xí)準(zhǔn)確率比較

      (b) X-CNN與NB方法下屬性學(xué)習(xí)準(zhǔn)確率比較

      (c) X-CNN與SVM方法下屬性學(xué)習(xí)準(zhǔn)確率比較

      3.2.3 零樣本分類(lèi)結(jié)果分析

      為保證試驗(yàn)過(guò)程的合理性和真實(shí)性,對(duì)所選擇的數(shù)據(jù)集進(jìn)行測(cè)試集和訓(xùn)練集的隨機(jī)劃分,其中訓(xùn)練類(lèi)故障樣本與測(cè)試類(lèi)故障樣本無(wú)交集,樣本序號(hào)和故障類(lèi)型的對(duì)應(yīng)情況可見(jiàn)表3。對(duì)測(cè)試集進(jìn)行故障類(lèi)別診斷過(guò)程中,考慮到過(guò)小的K值會(huì)造成過(guò)擬合,而過(guò)大的K值會(huì)增大學(xué)習(xí)的近似誤差,故通過(guò)交叉驗(yàn)證法確定最優(yōu)K值為K=7,并且選用歐氏距離作為度量標(biāo)準(zhǔn)。

      表7展示了使用Xception網(wǎng)絡(luò)和PCA方法進(jìn)行特征提取后,配合不同屬性學(xué)習(xí)器,在不同數(shù)據(jù)集上的分類(lèi)準(zhǔn)確率。由表7可知,使用Xception提取特征后進(jìn)行屬性學(xué)習(xí)并進(jìn)行故障診斷,相較于使用PCA方法,無(wú)論是使用SVM,RF還是NB作為屬性學(xué)習(xí)器,都可以獲得更高的分類(lèi)準(zhǔn)確率,最高達(dá)到了82.6%,而使用PCA作為特征提取器時(shí),在5組試驗(yàn)中準(zhǔn)確率最高的PCA+RF也只有59%,平均準(zhǔn)確率最高僅僅55.92%。此外,相對(duì)于使用機(jī)器學(xué)習(xí)方法作為屬性學(xué)習(xí)器,使用CNN作為屬性學(xué)習(xí)器時(shí)可以獲得更高的分類(lèi)準(zhǔn)確率,單次分類(lèi)的準(zhǔn)確率最高達(dá)到了88.5%,平均準(zhǔn)確率達(dá)到了86.5%,可見(jiàn)X-CNN模型對(duì)于各種故障屬性、故障位置、故障大小的滾動(dòng)軸承故障進(jìn)行診斷時(shí)魯棒性較強(qiáng)。

      表7 分類(lèi)準(zhǔn)確率

      圖12展示了對(duì)數(shù)據(jù)集A使用Xception進(jìn)行特征提取后,運(yùn)用不同屬性學(xué)習(xí)器進(jìn)行故障診斷的混淆矩陣。圖12中,縱坐標(biāo)代表了測(cè)試樣本的真實(shí)類(lèi)別,橫坐標(biāo)表示模型預(yù)測(cè)的類(lèi)別,橫縱坐標(biāo)交點(diǎn)代表預(yù)測(cè)的準(zhǔn)確率。圖12(a)中X-CNN模型的平均準(zhǔn)確率達(dá)到了88.2%,診斷準(zhǔn)確率最低的故障類(lèi)型也可達(dá)到83%,遠(yuǎn)高于其他使用PCA作為特征提取方法后得到的結(jié)果,相比于圖12(b)~圖12(d)中其他使用Xception網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)的方法,CNN對(duì)屬性學(xué)習(xí)的準(zhǔn)確率比SVM(82.6%)、RF(73.4%)、NB(76.2%)等機(jī)器學(xué)習(xí)方法更高,圖12(c)與圖12(d)方法對(duì)于測(cè)試集中的各種不同種類(lèi)的故障,均存在較高的識(shí)別錯(cuò)誤率,平均準(zhǔn)確率僅76.6%與74.2%。比較圖12(a)與圖12(b),可以發(fā)現(xiàn),X-SVM模型的識(shí)別精度相當(dāng)高,但是對(duì)于某種特定的故障類(lèi)型識(shí)別效果一般,最優(yōu)診斷結(jié)果與最差診斷結(jié)果誤差可達(dá)36%,而X-CNN方法最優(yōu)準(zhǔn)確率可達(dá)100%,最低可達(dá)83%,結(jié)果誤差僅17%。可見(jiàn)X-CNN模型對(duì)各種不同的故障種類(lèi)在零樣本情況下分類(lèi)的魯棒性更高。

      (c) X-RF診斷結(jié)果混淆矩陣

      4 結(jié) 論

      本文提出的X-CNN方法由Xception特征提取網(wǎng)絡(luò)和基于CNN的屬性學(xué)習(xí)網(wǎng)絡(luò)組成。通過(guò)對(duì)特征的提取以及屬性的學(xué)習(xí),實(shí)現(xiàn)了由故障特征空間到故障屬性空間的映射,進(jìn)而在無(wú)測(cè)試類(lèi)樣本可供訓(xùn)練的情況下完成故障診斷工作,試驗(yàn)結(jié)果表明:

      (1) 經(jīng)過(guò)Xception網(wǎng)絡(luò)提取的故障特征,相較于PCA等傳統(tǒng)機(jī)器學(xué)習(xí)方法,可以更好得代表故障信號(hào),且通過(guò)該方法提取的故障特征可以為屬性學(xué)習(xí)過(guò)程提供優(yōu)質(zhì)的輸入。

      (2) 通過(guò)將CNN和其他3種傳統(tǒng)機(jī)器學(xué)習(xí)方法(SVM,RF,NB)構(gòu)成的屬性學(xué)習(xí)器比較可知,基于CNN的屬性學(xué)習(xí)器可以更加準(zhǔn)確得進(jìn)行屬性學(xué)習(xí)工作且具備更強(qiáng)的魯棒性。

      (3) 所構(gòu)建的X-CNN故障診斷模型以多種屬性作為輔助信息,將特征的分類(lèi)轉(zhuǎn)化為對(duì)不同屬性的識(shí)別,屬性共享于不同的故障種類(lèi)之間,從而進(jìn)行由故障特征空間到故障屬性空間的映射,通過(guò)對(duì)屬性的學(xué)習(xí)可以高效且準(zhǔn)確地完成故障診斷任務(wù)。

      綜上,X-CNN故障診斷模型能夠完成在零樣本條件下的故障診斷工作,適用范圍更廣且魯棒性強(qiáng),為解決可供訓(xùn)練數(shù)據(jù)類(lèi)別不足而導(dǎo)致的特征學(xué)習(xí)不充分的模型訓(xùn)練問(wèn)題提供了新的思路。

      猜你喜歡
      特征提取故障診斷準(zhǔn)確率
      乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
      健康之家(2021年19期)2021-05-23 11:17:39
      不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
      2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
      基于Daubechies(dbN)的飛行器音頻特征提取
      電子制作(2018年19期)2018-11-14 02:37:08
      高速公路車(chē)牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
      Bagging RCSP腦電特征提取算法
      因果圖定性分析法及其在故障診斷中的應(yīng)用
      基于MED和循環(huán)域解調(diào)的多故障特征提取
      基于LCD和排列熵的滾動(dòng)軸承故障診斷
      基于WPD-HHT的滾動(dòng)軸承故障診斷
      鲜城| 涞源县| 福海县| 西和县| 萝北县| 辽源市| 老河口市| 叙永县| 镇远县| 西藏| 乌拉特后旗| 蓬安县| 青海省| 德令哈市| 定襄县| 永昌县| 屏东市| 天镇县| 新巴尔虎右旗| 原阳县| 于都县| 东至县| 桓台县| 永定县| 中山市| 顺昌县| 闸北区| 东宁县| 宁夏| 泰顺县| 凤城市| 奎屯市| 宽城| 绵阳市| 北京市| 会宁县| 恩施市| 北安市| 霍林郭勒市| 女性| 凌源市|