基于HHO-CNN的軸承故障診斷方法研究

劉玉鑫,武文博,張雄,萬書亭

(1.國(guó)家電投內(nèi)蒙古能源有限公司 通遼霍林河坑口發(fā)電有限責(zé)任公司,內(nèi)蒙古 通遼 028000;2.華北電力大學(xué) 機(jī)械工程系,河北 保定 071003)

軸承被稱作是旋轉(zhuǎn)機(jī)械的關(guān)節(jié),廣泛應(yīng)用于帶式輸送機(jī)托輥群、風(fēng)力發(fā)電機(jī)傳動(dòng)鏈等設(shè)備中,起到重要的支撐和傳動(dòng)作用.軸承的運(yùn)行狀態(tài)關(guān)乎整個(gè)機(jī)械設(shè)備的可靠性和穩(wěn)定性,因此軸承的狀態(tài)監(jiān)測(cè)與故障診斷一直是本領(lǐng)域的熱點(diǎn)問題.基于頻域分析、時(shí)域分析和統(tǒng)計(jì)特征提取的診斷方法是常用的手段[1-2],這些方法具有明確的機(jī)理依據(jù)和良好的可解釋性,但是傳統(tǒng)特征提取方法往往依賴于領(lǐng)域?qū)＜业慕?jīng)驗(yàn),且對(duì)于復(fù)雜多故障模式難以進(jìn)行準(zhǔn)確地識(shí)別.近年來,深度學(xué)習(xí)在眾多領(lǐng)域迅猛發(fā)展,其強(qiáng)大的特征提取和學(xué)習(xí)能力在軸承故障診斷領(lǐng)域受到關(guān)注[3].機(jī)器學(xué)習(xí)模型,如卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)(RNN),在處理復(fù)雜數(shù)據(jù)、挖掘數(shù)據(jù)隱藏的特征以及提高預(yù)測(cè)和診斷準(zhǔn)確性方面表現(xiàn)出了卓越的能力.在軸承故障診斷中,機(jī)器學(xué)習(xí)模型可以從大量的監(jiān)控?cái)?shù)據(jù)中自主學(xué)習(xí)和識(shí)別故障模式,無需任何先驗(yàn)的知識(shí)或假設(shè),極大地提高了故障診斷的效率和準(zhǔn)確性[4-6].

盡管機(jī)器學(xué)習(xí)在軸承故障診斷中表現(xiàn)出了巨大的潛力,其應(yīng)用仍面臨著諸多困難.模型結(jié)構(gòu)和參數(shù)選擇、不均衡數(shù)據(jù)分布的權(quán)重匹配、模型決策過程的可解釋性等問題仍待進(jìn)一步解決.李昕燃等[7]提出了一種滾動(dòng)軸承故障診斷方法,該方法以改進(jìn)后的麻雀搜索算法(sparrow search algorithm,SSA)優(yōu)化支持向量機(jī)(support vector machine,SVM),優(yōu)化后的支持向量機(jī)能夠?qū)崿F(xiàn)更準(zhǔn)確的自適應(yīng)分類效果.楊昆等[8]提出了一種改進(jìn)的Faster R-CNN目標(biāo)檢測(cè)和分類模型,該模型相比于優(yōu)化前在運(yùn)算性能和識(shí)別準(zhǔn)確率等方面有顯著提升.金巖磊等[9]結(jié)合灰狼算法和變分模態(tài)分解(variational mode decomposition,VMD)提出了改進(jìn)的變分模態(tài)分解方法,并用于軸承故障信號(hào)分解及特征矩陣構(gòu)建,利用卷積神經(jīng)網(wǎng)絡(luò)(convdutional neural network,CNN)模型對(duì)特征矩陣進(jìn)行模式識(shí)別,達(dá)到了良好的診斷效果.金志浩等[10]將Welch功率譜和結(jié)合進(jìn)行軸承的故障診斷,該方法具有很好的抗干擾能力.段潔利等[11]針對(duì)果園索道軸承提出了一維端對(duì)端輕量化CNN檢測(cè)方法,該方法參數(shù)量小且準(zhǔn)確率高,在有噪聲的環(huán)境中有著很好的魯棒性.針對(duì)CNN故障識(shí)別準(zhǔn)確率和效率較低的問題,鄭建波等[12]利用循環(huán)譜相關(guān)(CSCoh)提取軸承的故障特征,生成循環(huán)譜相關(guān)圖像,應(yīng)用CNN對(duì)生成的故障特征灰度圖進(jìn)行識(shí)別,從而實(shí)現(xiàn)軸承的故障診斷.

本文針對(duì)CNN處理多分類模式識(shí)別過程中由超參數(shù)問題引起的準(zhǔn)確率低、收斂速度慢等問題,提出了一種基于哈里斯鷹優(yōu)化(HHO)算法優(yōu)化的CNN分類模型.使用HHO算法對(duì)CNN模型的超參數(shù)空間進(jìn)行優(yōu)化,計(jì)算適應(yīng)度值并獲取全連接層的單元數(shù)量和迭代次數(shù),利用優(yōu)化后的CNN模型對(duì)軸承數(shù)據(jù)集進(jìn)行分類,通過實(shí)驗(yàn)數(shù)據(jù)集驗(yàn)證了所提方法的有效性.

1 理論依據(jù)

1.1 HHO算法

HHO算法是一種群智能優(yōu)化算法,由Heidari等[13]于2019年提出,其靈感來源于哈里斯鷹獨(dú)特且高效的捕獵策略.在此策略中,一群鷹會(huì)聯(lián)手,從多個(gè)方向齊頭并進(jìn)地發(fā)動(dòng)攻擊,當(dāng)其中一只表現(xiàn)最優(yōu)秀的鷹做出沖擊行動(dòng)捕獵獵物時(shí),其他的鷹會(huì)調(diào)整策略并接替其進(jìn)行追擊.這種策略轉(zhuǎn)換在混淆逃逸的獵物方面效果顯著.此戰(zhàn)術(shù)的主要優(yōu)勢(shì)在于,哈里斯鷹能夠不斷地追逐獵物直至其筋疲力盡,最終由最強(qiáng)壯、經(jīng)驗(yàn)最豐富的鷹輕松捕獲并分享給同伴.HHO算法主要包含3個(gè)階段:勘探、勘探與開發(fā)的轉(zhuǎn)換以及開發(fā)階段.

1.1.1 勘探階段

HHO算法的種群初始化方法與大多數(shù)智能優(yōu)化算法相同,即隨機(jī)產(chǎn)生搜索空間中的若干候選解.設(shè)計(jì)2種策略模擬哈里斯鷹對(duì)獵物的搜索,并認(rèn)為2種策略的采用概率是相等的(產(chǎn)生1個(gè)[0,1]的隨機(jī)數(shù)和0.5進(jìn)行比較).2種搜索策略如下:

(1)

(2)

(3)

其中,N代表種群規(guī)模.

1.1.2 從勘探到開發(fā)的轉(zhuǎn)換階段

HHO算法可以從勘探轉(zhuǎn)換到開發(fā),哈里斯鷹會(huì)根據(jù)獵物的逃跑能量,在勘探和開發(fā)行為之間進(jìn)行轉(zhuǎn)換.而獵物的能量在逃跑過程中是動(dòng)態(tài)降低的,獵物的逃跑能量計(jì)算公式為

E=2E0(1-t/T),

(4)

其中,E0是獵物的初始逃跑能量,每次迭代中,在(-1,1)隨機(jī)取值;T為最大迭代數(shù).當(dāng)E0在-1～0時(shí),說明獵物身體衰弱;當(dāng)E0在0～1時(shí),說明獵物身體強(qiáng)壯.動(dòng)態(tài)逃逸能量E在迭代過程中呈下降趨勢(shì).當(dāng)逃逸能量|E|≥1時(shí),鷹搜索不同的區(qū)域來探索獵物的位置,此時(shí)HHO算法處于勘探階段;當(dāng)|E|<1時(shí),種群嘗試在當(dāng)前解的鄰域內(nèi)尋找更優(yōu)解.總之,當(dāng)|E|≥1時(shí)進(jìn)行勘探,當(dāng)|E|<1時(shí)進(jìn)行開發(fā).HHO算法在勘探和開發(fā)之間的動(dòng)態(tài)轉(zhuǎn)換如圖1所示.

圖1 獵物的逃跑能量轉(zhuǎn)換Fig.1 Escape energy conversion plot of the prey

1.1.3 開發(fā)階段

當(dāng)|E|<1時(shí),種群進(jìn)入開發(fā)階段.而在實(shí)際開發(fā)過程中,依據(jù)哈里斯鷹的捕食行為,設(shè)計(jì)了多種位置更新方式.首先定義一個(gè)[0,1]的隨機(jī)數(shù)r.

軟包圍:當(dāng)0.5≤|E|<1且r≥0.5時(shí),哈里斯鷹采用軟包圍策略進(jìn)行位置更新,

(5)

(6)

其中,J=2-2r,r是[0,1]隨機(jī)數(shù);即J是[0,2]的隨機(jī)數(shù);Δxt是當(dāng)前最優(yōu)個(gè)體的位置和當(dāng)前個(gè)體之間的“距離”.

硬包圍:當(dāng)|E|<0.5且r≥0.5時(shí),哈里斯鷹采用硬包圍策略進(jìn)行位置更新,

(7)

漸近快速俯沖的軟包圍:當(dāng)0.5≤|E|<1且r<0.5時(shí),獵物具有足夠的能量逃脫追捕,因此在軟包圍下,哈里斯鷹需要進(jìn)行突襲,即快速俯沖.在HHO算法中使用了Levy飛行模擬獵物的逃跑模式.假設(shè)哈里斯鷹可以在與同類的獵物競(jìng)爭(zhēng)中選擇較佳的俯沖方式撲向獵物.通過式(8)來幫助哈里斯鷹評(píng)估下一步的行動(dòng).

(8)

將這種評(píng)估與前一次的俯沖進(jìn)行比較,以檢測(cè)它是否是一次可行的俯沖,在接近獵物時(shí)做不規(guī)則的、突然且快速的俯沖.以Levy飛行來定義這種俯沖方式,

Z=Y+S·L(D),

(9)

S是一個(gè)D維隨機(jī)向量,每個(gè)元素取值[0,1].L(x)代表Levy飛行函數(shù),

(10)

其中,μ、v均為(0,1)的隨機(jī)值;β是一個(gè)常數(shù),設(shè)為1.5.將這種俯沖方式的選擇設(shè)計(jì)為基于哈里斯鷹當(dāng)前位置的適宜度,即

(11)

漸近快速俯沖的硬包圍:當(dāng)|E|<0.5且r<0.5時(shí),獵物沒有足夠的能量逃跑,哈里斯鷹會(huì)進(jìn)行硬包圍,并進(jìn)行俯沖以捕捉獵物.哈里斯鷹的下一步行為

(12)

如果哈里斯鷹發(fā)現(xiàn)獵物存在欺騙行為,也會(huì)改變其下一步行動(dòng),采用式(13)調(diào)整,

Z=Y+S·L(D)

(13)

1.2 CNN模型

在軸承故障診斷中,需要處理大量的振動(dòng)信號(hào)數(shù)據(jù),這些數(shù)據(jù)可以被看作是一維序列或者通過數(shù)學(xué)變換被轉(zhuǎn)換為二維圖像數(shù)據(jù),CNN模型包括卷積層、池化層、展平層、全連接層和輸出層,其中卷積層和池化層最為重要,CNN模型如圖2所示.

圖2 CNN模型Fig.2 CNN model

卷積層的作用是特征提取,卷積過程為

f=φ(W*x+b),

(14)

其中,x為振動(dòng)信號(hào)數(shù)據(jù),W卷積核矩陣,b為偏置量,φ為激活函數(shù),*為卷積操作.

池化層用于減小特征圖的尺寸,同時(shí)保留重要的信息.最常見的池化操作是最大池化,選擇每個(gè)區(qū)域中的最大值,從而減小圖像的空間分辨率,這有助于降低計(jì)算復(fù)雜度和防止過擬合.通常在卷積層之后應(yīng)用激活函數(shù),最常見的是修正線性單元(ReLU),以引入非線性性質(zhì),有助于CNN模型學(xué)習(xí)復(fù)雜的非線性關(guān)系.層疊結(jié)構(gòu),CNN通常由多個(gè)卷積層和池化層的層疊組成,以逐漸提取和組合不同級(jí)別的特征,這種層疊結(jié)構(gòu)允許CNN學(xué)習(xí)圖像的抽象表示.在CNN的頂部,通常有1個(gè)或多個(gè)全連接層,用于執(zhí)行最終的分類或回歸任務(wù).這些層與前面的卷積和池化層之間的特征進(jìn)行連接,并生成最終的預(yù)測(cè)結(jié)果.

CNN模型的一般執(zhí)行過程包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取和分類、模型測(cè)試和評(píng)估等.通過振動(dòng)傳感器等設(shè)備收集軸承的運(yùn)行數(shù)據(jù),包括正常運(yùn)行數(shù)據(jù)和不同故障狀態(tài)下的數(shù)據(jù),對(duì)原始的振動(dòng)信號(hào)進(jìn)行處理,可以直接將一維的振動(dòng)信號(hào)作為輸入,也可以通過時(shí)頻分析等方法將其轉(zhuǎn)化為二維的圖像,比如使用短時(shí)傅里葉變換(STFT)、小波變換等,這樣便于利用CNN在圖像處理上的優(yōu)勢(shì),使用CNN進(jìn)行特征提取和分類.通過訓(xùn)練,CNN能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)并提取出區(qū)分正常和故障軸承的特征,訓(xùn)練完成后,使用獨(dú)立的測(cè)試集評(píng)估模型的性能,包括準(zhǔn)確率、召回率、精確率等.相比于傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò),CNN在處理軸承故障數(shù)據(jù)上,具有更好的性能和更高的效率,這主要得益于卷積操作和權(quán)重共享的設(shè)計(jì),使得網(wǎng)絡(luò)能夠更好地捕捉軸承故障特征信息,并減少了大量的參數(shù),從而降低了過擬合的風(fēng)險(xiǎn).

2 模型參數(shù)

2.1 CNN模型參數(shù)設(shè)置

將CNN模型作為故障分類的主要模型,其中包含1層輸入層、1層全連接層和1層輸出層,模型的卷積層分別為1層、2層、3層時(shí)的準(zhǔn)確率和損失率如圖3所示,模型在卷積層為2層時(shí)損失率最低,而搭建卷積神經(jīng)網(wǎng)絡(luò)時(shí),通常是在卷積層之后緊接著添加池化層.1層卷積層搭配1層池化層是一種常見的模式,有助于減小特征圖的尺寸,減少計(jì)算負(fù)擔(dān),并逐漸提取特征,因此選取了2層卷積層、2層池化層構(gòu)建CNN模型.設(shè)置CNN網(wǎng)絡(luò)的具體參數(shù)如表1所示.在CNN網(wǎng)絡(luò)模型中,卷積層使用ReLU激活函數(shù),優(yōu)化器為adam,交叉熵?fù)p失函數(shù)與分類任務(wù)的本質(zhì)相符,易于優(yōu)化和計(jì)算梯度,因此使用交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)來指導(dǎo)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí),激活函數(shù)為Sigmoid.迭代次數(shù)初始設(shè)置為100,每次傳遞給模型的樣本數(shù)量為16,其中訓(xùn)練集樣本數(shù)量為90%,測(cè)試集為10%.

表1 CNN網(wǎng)絡(luò)參數(shù)

2.2 HHO優(yōu)化參數(shù)設(shè)置

HHO優(yōu)化參數(shù)設(shè)置如表2所示.

表2 HHO初始化參數(shù)

使用HHO算法優(yōu)化CNN模型的參數(shù):首先,以損失函數(shù)最小化為優(yōu)化的目標(biāo),將CNN模型的參數(shù)編碼為一個(gè)可搜索的解空間;其次,使用HHO算法搜索最優(yōu)解,在每一步迭代中,算法根據(jù)哈里斯鷹的捕食策略更新解,以期找到損失函數(shù)的最小值;最后,將算法找到的最優(yōu)解解碼回CNN模型的參數(shù),并更新模型.

2.3 算法流程

實(shí)驗(yàn)流程如圖4所示,實(shí)驗(yàn)的具體步驟如下.

步驟1:構(gòu)建軸承故障數(shù)據(jù)集,其中訓(xùn)練集占90%,測(cè)試集占10%;

步驟2:初始CNN模型參數(shù);

步驟3:利用HHO優(yōu)化CNN,尋找最優(yōu)迭代次數(shù)和全連接層單元數(shù);

步驟4:捕獲參數(shù)最優(yōu)解并返回CNN模型,確定迭代次數(shù)和全連接層單元數(shù);

步驟5:以Sigmoid作為激活函數(shù),進(jìn)行軸承故障分類;

步驟6:輸出結(jié)果,將軸承分類的準(zhǔn)確率和損失率轉(zhuǎn)為圖像輸出.

3 實(shí)驗(yàn)信號(hào)處理

3.1 辛辛那提大學(xué)軸承實(shí)驗(yàn)臺(tái)數(shù)據(jù)集

辛辛那提大學(xué)軸承實(shí)驗(yàn)臺(tái)如圖5所示,實(shí)驗(yàn)臺(tái)由交流電動(dòng)機(jī)、電動(dòng)機(jī)轉(zhuǎn)速控制器、轉(zhuǎn)軸、支撐軸承、液壓加載系統(tǒng)和測(cè)試軸承等組成.采用高精度加速度計(jì)測(cè)量軸承X方向和Y方向的振動(dòng)信號(hào).實(shí)驗(yàn)采用Y方向上的振動(dòng)信號(hào)構(gòu)建數(shù)據(jù)集,采樣頻率為20 kHz,采樣時(shí)長(zhǎng)為1 s,采樣點(diǎn)數(shù)為20 480.數(shù)據(jù)集標(biāo)簽設(shè)置為內(nèi)圈故障、外圈故障、滾動(dòng)體故障和正常數(shù)據(jù).4類信號(hào)的時(shí)域如圖6所示.

a.正常數(shù)據(jù);b.內(nèi)圈故障;c.外圈故障;d.滾動(dòng)體故障圖6 4類信號(hào)時(shí)域Fig.6 Time domain diagram of four types of signals

用CNN模型進(jìn)行分類,得到的訓(xùn)練集和測(cè)試集的準(zhǔn)確率和損失率如圖7所示,準(zhǔn)確率在迭代15次以后收斂,達(dá)到了96%.損失率在迭代100次以后還未收斂.

圖7 4類信號(hào)CNN模型實(shí)驗(yàn)結(jié)果Fig.7 Experimental results of the CNN model for 4 types of signals

在優(yōu)化算法中,適應(yīng)度函數(shù)是用來評(píng)估解(即一組參數(shù)或決策變量)的質(zhì)量.適應(yīng)度值通常與解的好壞成正比:更好的解有更高的適應(yīng)度值.利用HHO算法優(yōu)化CNN,得到的優(yōu)化參數(shù)見表3.

表3 HHO優(yōu)化參數(shù)

將優(yōu)化后的參數(shù)替代之前的預(yù)設(shè)參數(shù),得到的模型準(zhǔn)確率和損失率如圖8所示,HHO-CNN模型準(zhǔn)確率在迭代5次以后開始收斂,達(dá)到了100%的準(zhǔn)確率,損失率在迭代50次以后開始收斂,損失率為0.較CNN模型在準(zhǔn)確率和損失率都有了很大提升,同時(shí)在計(jì)算速度(FPS)和運(yùn)行內(nèi)存占用方面也有了很大進(jìn)步,結(jié)果見表4.

表4 HHO-CNN和CNN內(nèi)存占用和FPS對(duì)比

圖8 4類信號(hào)HHO-CNN模型實(shí)驗(yàn)結(jié)果Fig.8 Experimental results of the HHO-CNN model for 4 types of signals

SNE是一種常見的無監(jiān)督學(xué)習(xí)方法,用于降低數(shù)據(jù)集的維度,同時(shí)盡可能保留原始數(shù)據(jù)的變異性.T-SNE可以將高維的軸承數(shù)據(jù)可視化為二維的散點(diǎn)圖,方便直觀地理解軸承的故障分類.在圖9中,HHO-CNN模型分類結(jié)果特別清晰,而CNN模型雖然已經(jīng)成功分類,但是部分故障類型樣本存在混疊.混淆矩陣顯示了模型的真實(shí)標(biāo)簽和預(yù)測(cè)標(biāo)簽之間的關(guān)系,包括正確的預(yù)測(cè)(真陽性和真陰性)和錯(cuò)誤的預(yù)測(cè)(假陽性和假陰性).通過混淆矩陣可以理解模型的性能,尤其是模型對(duì)于不同類別的分類情況,從而能夠更準(zhǔn)確地評(píng)估模型的精確度等指標(biāo).圖9中,HHO-CNN模型沒有分類錯(cuò)誤,CNN模型存在2處分類錯(cuò)誤.

a.HHO-CNN降維可視化;b.CNN降維可視化;c.HHO-CNN混淆矩陣;d.CNN混淆矩陣圖9 HHO-CNN和CNN模型實(shí)驗(yàn)結(jié)果對(duì)比Fig.9 Comparison of the experimental results of the HHO-CNN and CNN models

3.2 西安交通大學(xué)軸承數(shù)據(jù)

西安交通大學(xué)軸承實(shí)驗(yàn)平臺(tái)由交流電動(dòng)機(jī)、電動(dòng)機(jī)轉(zhuǎn)速控制器、轉(zhuǎn)軸、支撐軸承、液壓加載系統(tǒng)和測(cè)試軸承等組成,如圖10所示.實(shí)驗(yàn)中使用DT9837便攜式動(dòng)態(tài)信號(hào)采集器采集振動(dòng)信號(hào),以Y軸方向采集的信號(hào)構(gòu)建數(shù)據(jù)集,采樣頻率為25.6 kHz,采樣間隔為1 min,每次采樣時(shí)長(zhǎng)為1.28 s,采樣點(diǎn)數(shù)為131 072,數(shù)據(jù)設(shè)置如表5所示.9種信號(hào)的時(shí)域見圖11.

表5 數(shù)據(jù)設(shè)置

圖10 西安交通大學(xué)軸承實(shí)驗(yàn)臺(tái)Fig.10 Bearing experimental bench of Xi'an Jiaotong University

a.正常;b.工況1外圈故障;c.工況1保持架故障;d.工況2內(nèi)圈故障;e.工況2外圈故障;f.工況2保持架故障;g.工況3外圈故障;h.工況3內(nèi)圈故障1;i.工況3內(nèi)圈故障2圖11 西安交通大學(xué)軸承實(shí)驗(yàn)臺(tái)9類信號(hào)時(shí)域圖Fig.11 Time domain diagram of 9 types of signals of bearing test bench of Xi'an Jiaotong University

保持HHO-CNN和CNN模型的參數(shù)不變,利用CNN模型對(duì)西安交通大學(xué)軸承實(shí)驗(yàn)臺(tái)的數(shù)據(jù)進(jìn)行分類得到的結(jié)果如圖12所示,CNN模型在迭代20次以后收斂,準(zhǔn)確率為95%,損失率迭代100次以后仍未收斂.

圖12 9類信號(hào)CNN模型實(shí)驗(yàn)結(jié)果Fig.12 Experimental results of the CNN model for 9 types of signals

利用HHO對(duì)CNN進(jìn)行優(yōu)化,HHO優(yōu)化后的迭代次數(shù)為70,全連接層的單元數(shù)為68,得到的結(jié)果如圖13所示.準(zhǔn)確率迭代10次以后收斂,保持在98%,損失率迭代10次以后保持在7%.

圖13 9類信號(hào)HHO-CNN模型實(shí)驗(yàn)結(jié)果Fig.13 Experimental results of the HHO-CNN model for 9 types of signals

圖14所示為9種不同類型軸承故障的混淆矩陣,HHO-CNN模型在標(biāo)簽2、4、7出現(xiàn)了分類錯(cuò)誤,CNN模型僅在標(biāo)簽0、3、5分類正確,其他標(biāo)簽都存在錯(cuò)誤.

a．HHO-CNN混淆矩陣;b．CNN混淆矩陣圖14 HHO-CNN和CNN模型實(shí)驗(yàn)結(jié)果對(duì)比Fig.14 Comparison of the experimental results of the HHO-CNN and CNN models

為直觀展示模型的優(yōu)化過程,采用T-SNE可視化將高維特征映射到二維空間,如圖15所示.在圖像輸入層中,同一類別的數(shù)據(jù)點(diǎn)相對(duì)雜亂、分散,很難對(duì)每種故障類型進(jìn)行分類.通過構(gòu)建CNN模型和設(shè)置CNN模型參數(shù),能夠?qū)⑼活愋偷臄?shù)據(jù)點(diǎn)進(jìn)行歸納,但是錯(cuò)分的數(shù)據(jù)比較多,通過HHO算法優(yōu)化,搜尋最優(yōu)參數(shù),得到最終的分類結(jié)果,僅有2、4、7識(shí)別錯(cuò)誤,存在少數(shù)數(shù)據(jù)點(diǎn)錯(cuò)分,其他樣本之間彼此遠(yuǎn)離.

圖15 T-SNE可視化Fig.15 T-SNE visualization

3.3 模型對(duì)比

為了評(píng)估HHO-CNN軸承故障檢測(cè)模型的優(yōu)勢(shì),同時(shí)選擇GA-CNN、PSO-CNN、WOA-CNN[14-15]作為參照模型進(jìn)行比較.在保持CNN模型其他參數(shù)不變的前提下,利用這4種優(yōu)化算法共同優(yōu)化全連接層的單元數(shù)量,結(jié)果如圖16所示.圖16表明HHO-CNN模型在準(zhǔn)確率、損失率和計(jì)算速度方面優(yōu)于其他3種模型.

a.準(zhǔn)確率;b.損失率圖16 4類優(yōu)化模型分類結(jié)果對(duì)比Fig.16 Comparison of the classification results of four optimized models

以RMSE(均方根誤差)、MAE(平均絕對(duì)誤差)衡量模型預(yù)測(cè)誤差,數(shù)值越小說明模型的預(yù)測(cè)效果越好.R2(決定系數(shù))用來衡量模型預(yù)測(cè)能力,數(shù)值越接近1說明模型的預(yù)測(cè)效果越好.4種模型分析對(duì)比結(jié)果如圖17所示.圖17表明HHO-CNN模型優(yōu)于另外3種模型.

4 結(jié)論

針對(duì)CNN模型進(jìn)行模式識(shí)別過程中的超參數(shù)問題,尤其是在處理多分類時(shí)由超參數(shù)引起的準(zhǔn)確率低、收斂速度慢等情況,提出了一種HHO-CNN方法.

1)HHO對(duì)CNN模型的超參數(shù)空間進(jìn)行優(yōu)化,具有高效的探索和利用表現(xiàn),使得CNN結(jié)構(gòu)更適合軸承故障數(shù)據(jù)集的復(fù)雜性,增強(qiáng)了模型學(xué)習(xí)數(shù)據(jù)中復(fù)雜模式的能力.

2)得益于HHO以適應(yīng)度最優(yōu)為目標(biāo)的參數(shù)捕獲和位置更新能力,使得全連接層的單元數(shù)量和迭代次數(shù)可以實(shí)現(xiàn)迅速收斂,并將優(yōu)化后全連接層的單元數(shù)量和迭代次數(shù)賦值給CNN模型,表現(xiàn)出更高的診斷準(zhǔn)確性、更高的精度、更快的運(yùn)算速度以及更少的內(nèi)存占用率.

3)通過軸承多故障分類數(shù)據(jù)驗(yàn)證了所提方法對(duì)不同故障類型和故障程度數(shù)據(jù)集的模式識(shí)別效果.