论文部分内容阅读
摘要： 针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题，提出了一种基于卷积神经网络（Convolution Neural Network，CNN）和离散小波变换（Discrete Wavelet Transform，DWT）的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现，构造出时频矩阵；然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达，将时频矩阵低层信号特征逐层变换形成抽象的深层特征，以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器，利用反向传播（Backpropagation， BP）逐层微调结构参数，建立特征空间到故障空间的映射以生成合适的分类器，从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验，结果证明了所提方法的可行性与有效性，并具有较好的泛化能力和稳健性。
关键词： 故障诊断； 滚动轴承； 卷积神经网络； 离散小波变换； 自适应提取
中图分类号：TH165+.3； TN911.7； TH133.33 文献标志码： A 文章编号： 1004-4523（2018）05-0883-09
DOI：10.16385/j.cnki.issn.1004-4523.2018.05.019
引 言
滾动轴承工作环境复杂，故障发生概率高、易损坏，当其出现局部损伤或缺陷时，轻则使设备产生噪音、振动异常，重则损伤设备[1-2]。目前国内外对于故障诊断主要利用信号处理方法（如包络解调、LMD、阶次分析和EMD分解等）提取故障特征，然后通过模式识别方法进行故障诊断，如：黎敏等[3]利用基于信息熵的循环谱分析方法对滚动轴承故障进行了诊断。Qu等[4]双树复小波包变换和多分类器对滚动轴承以及齿轮进行了故障诊断。Keskes等[5]利用小波包技术和支持向量机对感应电动机转子故障进行了故障识别。以上所述方法取得了不错的效果，但这些诊断方法需要依靠信号处理与诊断经验提取浅层故障特征，再利用模式识别的方法进行诊断。其中，故障特征提取是关键，而滚动轴承往往工作在工况交替的条件下，所测试得到的故障信号特征微弱且易被调制呈现出典型的非线性与非平稳性，难以通过浅层特征对其二维时频信息进行全面准确刻画。同时，这些方法所提取的特征与所应用的模式识别算法间匹配程度难以评价，两者不是有机融合的整体，影响诊断结果的可靠性。
深度学习因其具有自动学习数据内部特征的优势在故障诊断领域得到了成功应用。如Sun[6]等将稀疏自动编码器应用在感应电动机的故障诊断上，并取得了良好的效果。Lu等[7]采用堆叠去噪自动编码对往滚动轴承故障进行了诊断。雷亚国等[8]利用深度神经网络来进行机械装备健康监测。陈仁祥等[9]利用栈式稀疏加噪自编码深度神经网络进行了滚动轴承损伤程度诊断。这些方法为故障特征的自动学习提供了有益借鉴，但它们都是从单一的时域或频域中学习故障特征，其所学习到的特征还不能刻画滚动轴承故障信号的二维时频信息。
卷积神经网络（Convolution Neural Network， CNN）利用非监督方式通过多层特征提取层能自适应的将二维信息逐层变换形成抽象的分布式特征表达，提取的特征具有更强的泛化能力和判别能力[10]，且具有对移动、缩放、扭曲不变性的特点。其已在诸如图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果[11]。目前，CNN已运用于故障诊断领域，Chen等[12]将提取到的信号偏度、均值、方差和峭度等形成特征矩阵作为CNN输入用以识别变速箱中齿轮和轴承的故障。Ince等[13]利用一维卷积神经网络对发动机故障进行了诊断。Zeng等[14]将信号S变换时频图作为CNN输入用以提取相应故障特征以识别齿轮箱故障。
欲利用CNN对轴承信号分布式时频特征进行充分学习提取，必须将信号的二维时频信息充分展现。目前，信号时频特征的方法中，短时傅里叶变换难以兼顾时域和频域分辨率，S变换[15]对高频带分辨率模糊，而离散小波变换（Discrete Wavelet Transform，DWT）具有无冗余分解和准确重构的特点，能将故障信号的频带严格区分开以对故障时频特征充分展现。因此，首先利用DWT将信号中的时频特征充分展现，将所构造出时频矩阵输入CNN中进行二维时频特征的分层自动提取，以实现滚动轴承故障诊断，最终形成了基于CNN和DWT的滚动轴承故障诊断方法。通过对不同故障类型、不同故障程度以及不同工况下的滚动轴承进行故障诊断实验，证明了所提方法的可行性与有效性。
关键词： 故障诊断； 滚动轴承； 卷积神经网络； 离散小波变换； 自适应提取
中图分类号：TH165+.3； TN911.7； TH133.33 文献标志码： A 文章编号： 1004-4523（2018）05-0883-09
DOI：10.16385/j.cnki.issn.1004-4523.2018.05.019
引 言
滾动轴承工作环境复杂，故障发生概率高、易损坏，当其出现局部损伤或缺陷时，轻则使设备产生噪音、振动异常，重则损伤设备[1-2]。目前国内外对于故障诊断主要利用信号处理方法（如包络解调、LMD、阶次分析和EMD分解等）提取故障特征，然后通过模式识别方法进行故障诊断，如：黎敏等[3]利用基于信息熵的循环谱分析方法对滚动轴承故障进行了诊断。Qu等[4]双树复小波包变换和多分类器对滚动轴承以及齿轮进行了故障诊断。Keskes等[5]利用小波包技术和支持向量机对感应电动机转子故障进行了故障识别。以上所述方法取得了不错的效果，但这些诊断方法需要依靠信号处理与诊断经验提取浅层故障特征，再利用模式识别的方法进行诊断。其中，故障特征提取是关键，而滚动轴承往往工作在工况交替的条件下，所测试得到的故障信号特征微弱且易被调制呈现出典型的非线性与非平稳性，难以通过浅层特征对其二维时频信息进行全面准确刻画。同时，这些方法所提取的特征与所应用的模式识别算法间匹配程度难以评价，两者不是有机融合的整体，影响诊断结果的可靠性。
深度学习因其具有自动学习数据内部特征的优势在故障诊断领域得到了成功应用。如Sun[6]等将稀疏自动编码器应用在感应电动机的故障诊断上，并取得了良好的效果。Lu等[7]采用堆叠去噪自动编码对往滚动轴承故障进行了诊断。雷亚国等[8]利用深度神经网络来进行机械装备健康监测。陈仁祥等[9]利用栈式稀疏加噪自编码深度神经网络进行了滚动轴承损伤程度诊断。这些方法为故障特征的自动学习提供了有益借鉴，但它们都是从单一的时域或频域中学习故障特征，其所学习到的特征还不能刻画滚动轴承故障信号的二维时频信息。
卷积神经网络（Convolution Neural Network， CNN）利用非监督方式通过多层特征提取层能自适应的将二维信息逐层变换形成抽象的分布式特征表达，提取的特征具有更强的泛化能力和判别能力[10]，且具有对移动、缩放、扭曲不变性的特点。其已在诸如图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果[11]。目前，CNN已运用于故障诊断领域，Chen等[12]将提取到的信号偏度、均值、方差和峭度等形成特征矩阵作为CNN输入用以识别变速箱中齿轮和轴承的故障。Ince等[13]利用一维卷积神经网络对发动机故障进行了诊断。Zeng等[14]将信号S变换时频图作为CNN输入用以提取相应故障特征以识别齿轮箱故障。
欲利用CNN对轴承信号分布式时频特征进行充分学习提取，必须将信号的二维时频信息充分展现。目前，信号时频特征的方法中，短时傅里叶变换难以兼顾时域和频域分辨率，S变换[15]对高频带分辨率模糊，而离散小波变换（Discrete Wavelet Transform，DWT）具有无冗余分解和准确重构的特点，能将故障信号的频带严格区分开以对故障时频特征充分展现。因此，首先利用DWT将信号中的时频特征充分展现，将所构造出时频矩阵输入CNN中进行二维时频特征的分层自动提取，以实现滚动轴承故障诊断，最终形成了基于CNN和DWT的滚动轴承故障诊断方法。通过对不同故障类型、不同故障程度以及不同工况下的滚动轴承进行故障诊断实验，证明了所提方法的可行性与有效性。