第３８卷第５期２０２１年５月
机㊀㊀电㊀㊀工㊀㊀程
ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ
Ｖｏｌ.３８Ｎｏ.５Ｍａｙ２０２１
收稿日期:２０２０－０９－０９
基金项目：辽宁省自然科学基金资助项目(２０１９
ＢＳ１８６)
作者简介：刘红军(１９７１－)ꎬ男ꎬ辽宁沈阳人ꎬ副教授ꎬ硕士生导师ꎬ主要从事数字化制造技术方面的研究ꎮE￣mail:133****8635＠１６３.ｃｏｍ
ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１－４５５１.２０２１.０５.０１０
基于ＧＡＤＦ与卷积神经网络的滚动
轴承故障诊断研究
∗
刘红军ꎬ魏旭阳
(沈阳航空航天大学机电工程学院ꎬ辽宁沈阳１１００００)
摘要：为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ提出了一种格拉姆角差场(ＧＡＤＦ)结合改进卷积神经网络(ＣＮＮ)的智能故障诊断模型ꎮ首先ꎬ将一维时序振动信号通过格拉姆角差场转化为二维图像ꎬ提取了图像特征ꎬ并输入了改进后的ＣＮＮ模型ꎻ其次ꎬ改进的ＣＮＮ模型采用全局池化层替代了传统的全连接层ꎬ有效地解决了传统ＣＮＮ模型参数爆炸的问题ꎻ最后ꎬ进行了试验研究ꎬ通过Ａｄａｍ小批量优化法进行了迭代训练ꎬ达到了理想的检测精度ꎮ试验与研究结果表明：该诊断方法在特征提取方面更快速㊁准确ꎬ充分展现了ＣＮＮ模型的非线性表达能力ꎬ检测精度优于其他智能诊断算法ꎮ关键词：格拉姆角差场ꎻ故障诊断ꎻ卷积神经网络ꎻ深度学习中图分类号:ＴＨ１３３.３３㊀㊀㊀㊀文献标识码:Ａ
文章编号:１００１－４５５１(２０２１)０５－０５８７－０６
ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＧＡＤＦａｎｄ
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
ＬＩＵＨｏｎｇ￣ｊｕｎꎬＷＥＩＸｕ￣ｙａｎｇ
(ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＡｅｒｏｓｐａｃｅＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１００００ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:Ｉｎｏｒｄｅｒｔｏｇｉｖｅｆｕｌｌｐｌａｙｔｏｔｈｅａｄｖａｎｔａｇｅｓｏｆｄｅｅｐｌｅａｒｎｉｎｇｒｅｃｏｇｎｉｔｉｏｎｉｎｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｉｎｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｅｔｅｃｔｉｏｎꎬａｎｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｂａｓｅｄｏｎＧｒａｍａｎｇｌｅｄｉｆｆｅｒｅｎｃｅｆｉｅｌｄ(ＧＡＤＦ)ａｎｄｉｍｐｒｏｖｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ(ＣＮＮ)ｗａｓｐｒｏｐｏｓｅｄ.Ｆｉｒｓｔｌｙꎬｔｈｅｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌｔｉｍｅｓｅｒｉｅｓｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｔｒａｎｓｆｏｒｍｅｄｉｎｔｏａｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｔｈｒｏｕｇｈｔｈｅｇｒａｍａｎｇｌｅ
ｄｉｆｆｅｒｅｎｃｅｆｉｅｌｄꎬａｎｄｔｈｅｔａｒｇｅｔｉｍａｇｅｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅｄａｎｄｉｎｐｕｔｉｎｔｏｔｈｅｉｍｐｒｏｖｅｄＣＮＮｍｏｄｅｌ.Ｓｅｃｏｎｄｌｙꎬｔｈｅｇｌｏｂａｌｐｏｏｌｉｎｇｌａｙｅｒｉｎ￣ｓｔｅａｄｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｆｕｌｌｃｏｎｎｅｃｔｉｏｎｌａｙｅｒｗａｓｕｓｅｄｂｙｔｈｅｉｍｐｒｏｖｅｄＣＮ
Ｎｍｏｄｅｌꎬｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｓｏｌｖｅｄｔｈｅｐｒｏｂｌｅｍｏｆｐａｒａｍｅｔｅｒｅｘｐｌｏ￣ｓｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＣＮＮｍｏｄｅｌ.ＦｉｎａｌｌｙｔｈｅｉｄｅａｌｄｅｔｅｃｔｉｏｎｔｈｒｏｕｇｈｉｔｅｒａｔｉｖｅｔｒａｉｎｉｎｇｗｉｔｈＡｄａｍｓｍａｌｌｂａｔｃｈｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄａｃｃｕｒａｃｙ
ｗａｓａｃｈｉｅｖｅｄ.Ｔｈｅｔｅｓｔａｎｄｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｉｓｍｏｒｅｒａｐｉｄａｎｄａｃｃｕｒａｔｅｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎬｆｕｌｌｙｄｅｍｏｎ￣ｓｔｒａｔｅｓｔｈｅｎｏｎｌｉｎｅａｒｅｘｐｒｅｓｓｉｏｎａｂｉｌｉｔｙｏｆＣＮＮｍｏｄｅｌꎬａｎｄｔｈｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｉｓｂｅｔｔｅｒｔｈａｎｔｈｅｏｔｈｅｒｉｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓａｌｇｏｒｉｔｈｍｓ.Ｋｅｙｗｏｒｄｓ:Ｇｒａｍａｎｇｌｅｄｉｆｆｅｒｅｎｃｅꎻｆｉｅｌｄｆａｕｌｔｄｉａｇｎｏｓｉｓꎻｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋꎻｄｅｅｐｌｅａｒｎｉｎｇ
０㊀引㊀言
在现今机械设备中ꎬ旋转机械是机械设备中最常见和最重要的组成部件之一ꎮ滚动轴承作为旋转设备最基本的结构之一ꎬ对机械设备的寿命与稳定性有着决定性的影响ꎮ
因此ꎬ国内外许多学者对滚动轴承的故障检测进
行了深入的研究[１]ꎬ并提出了许多有价值的方法ꎮ大部分检测方法多采用对滚动轴承的故障信号进行分析ꎬ提取有效特征作为输入ꎬ导入各种分类器中进行识别ꎮ如杨宇等[２]通过ＥＭＤ和神经网络结合的故障诊断方法ꎻ刘韬等[３]通过ＫＰＣＡ和耦合隐马尔科夫模型
的轴承故障诊断ꎮ
但此类方法存在过程复杂㊁缺少灵活性㊁对专家的经验与知识具有依赖性ꎬ以及分类器缺少非线性拟合能力等问题ꎮ
近些年来ꎬ深度学习的非线性拟合能力在轴承故障检测方面得到了充分的展示ꎬ并获得了理论上的高精度诊断水平ꎮ其中ꎬ卷积神经网络(ＣＮＮ)因其自身具有共享权值与偏重㊁局部感受野和子采样测量等特点ꎬ与深度信念网络(ＤＢＮ)[４]和限制玻尔兹曼机(ＲＢＭ)[５]等其他深度学习方法相比ꎬ在语音以及图像分类任务方面具有较大的优势ꎮ同时ꎬ其在故障诊断领域的应用也日益增多ꎮ
ＣＮＮ在执行数据分类任务时ꎬ作为输入的数据集
可分为一维数据和二维数据两类ꎮ如孙曙光等[６]提出的一维ＣＮＮ的低压万能式断路器附件故障诊断ꎻ肖雄等[７]的一种二维ＣＮＮ优化轴承故障诊断方法ꎮＷＵＹ等[８]对两种类型数据进行了比较ꎬ认为在
已有的大多数ＣＮＮ模型中ꎬ二维图像数据更适用于神经网络的模型的训练ꎮ而如何将一维振动信号清晰地转化为二维图像数据ꎬ成为智能故障检测的重要难点ꎮ
基于以上分析ꎬ笔者提出一种新的故障诊断方式ꎬ由格拉姆角差场(ＧＡＤＦ)时间序列编码方式[９]
将一维
时序数据转换为二维图像数据ꎬ并结合改进的ＣＮＮ模
型进行预测ꎬ以达到高精度诊断的效果ꎮ
１㊀格拉姆角差场图像编码转换
ＧＡＤＦ图像编码的本质是通过格拉姆角场
(ＧＡＦ)ꎬ将获取到的一维时序数据转化为二维图像数据的方法ꎻ将时间序列Ｘ缩放入区间[－１ꎬ１]ꎬ再将其极坐标化得到ｘꎮ
其过程如下:
ｘｉ－１＝
ｘｉ－ｍａｘＸ()()＋ｘｉ－ｍｉｎＸ()()
ｍａｘＸ()－ｍｉｎＸ()
(１)θ＝ａｒｃｃｏｓｘｉ()ꎬ－１ɤｘｉɤ１ꎬｘｉɪＸｒ＝ｔｉ/ＮꎬｔｉɪＮ
(２)
经过上述变换过程ꎬ即可将一维时间序列数据转换为对称的带有颜㊁点㊁线的对称特征图像ꎮ当ＧＡＦ基于正弦函数时生成格拉姆角差场(ＧＡＤＦ)ꎬ如下式所示:
ＧＡＤＦ＝ｓｉｎ(θ１＋θ１) ｓｉｎ(θ１＋θｎ)⋮
⋱
⋮ｓｉｎ(θｎ＋θ１)
ｓｉｎ(θｎ＋θｎ)éëê
êê
ù
û
ú
úú(３)通过编码转化为二维图像ꎬＧＡＤＦ编码的示意图
如图１所示
ꎮ
图１㊀ＧＡＤＦ编码示意图
在图１中ꎬ当第一个波峰出现时ꎬ在两种特征图中出现颜较浅的对称交叉线ꎻ而当峰值波动较大时ꎬ特征图中与其对应的对应交叉线其颜更为明显ꎻ
与此同时ꎬ其余较小的震动在ＧＡＤＦ特征图中也完整地表现出来ꎮ
由此可见ꎬＧＡＤＦ可以将滚动轴承的震动信号完整地映射为二维特征图像ꎬ并作为ＣＮＮ模型的输出ꎮ
２㊀卷积神经网络
卷积神经网络(ＣＮＮ)是一种前馈式神经网络ꎬ其卷积层与池化层具有强大的数据特征提取能力ꎬ适用于处理图像与声音等网状结构数据ꎬ神经网络模型中滤波器通过对输入数据的迭代和分析来获得更多的有效特征和隐藏信息ꎻ同时结合稀疏式全连接和权重偏置的共享机制ꎬ在时间与空间上进行采样ꎬ降低了数据的复杂程度ꎬ相比其他神经网络结构类型减少了训练量ꎬ有效避免了算法过拟合ꎮ
ＣＮＮ模型结构简图如图２所示ꎮ
图２㊀ＣＮＮ模型结构简图
２.１㊀卷积层
卷积层是整个神经网络模型的核心所在ꎬ它通过对输入图像数据的卷积运算提取图像中的特征信息ꎮ
卷积层的具体运算如下:
ｘｌｊ＝ｆ(ðｉɪＭＪ
Ｘｌ－１Ｉ∗ｋｌｉｊ＋ｂｌｊ)
(４)
式中:ｆ 激活函数ꎻｌ 网络模型中的第ｌ层ꎻｘｌｊ 第ｌ层中的第ｊ个特征图像ꎻｋｌｉｊ 卷积核的权值ꎻｂｌｊ 运算所需的偏置ꎻＭＪ 输入模型的二维图像数据集ꎮ
２.２㊀池化层
池化层的主要目的是降低卷积层处理后的数据维度ꎮ因为卷积后的数据虽然具有了之前数据的特征信
８８５ 机㊀㊀电㊀㊀工㊀㊀程第３８卷
息ꎬ但是其特征维度也急剧增长ꎮ为了汇总特征平面的输出ꎬ通常采用两种池化方式ꎬ即平均池化与最大池化方式ꎮ
其中ꎬ池化层的具体运算如下:ｘｌｊ＝ｆ(βｌｊｄｏｗｎ(ｘｌ－１ｊ＋ｂｌｊ))
(５)
２.３㊀全局池化层
正则化可以产生稀疏权值
与传统的全连接层相比ꎬ全局池化层降低了运算的参数量ꎬ提高了模型的泛化能力ꎬ减少了过拟合情况的发生ꎮ与Ｄｒｏｐｏｕｔ[１０]相比ꎬ全局池化层提高了正则化效果ꎮ在现代卷积架构中ꎬ全局池化已经逐渐取代了
Ｄｒｏｐｏｕｔ的位置ꎮ全局池化[１１]的核心思想是ꎬ将每张图片的所有特征值融合为一个特征值ꎬ实现张量的降维转换ꎬ使特征值的维数等于最后一层卷积层的数目ꎮ
设最后层卷积层特征图大小为ｍｎꎬ其中第ｎ张特征图的值用ｘ
ｌ()ｉｊ
表示ꎬ则经过不同类型的全局池化操
作后ꎬ该特征值ｙ
ｌ()
可以表示为:
ｙ
ｌ()
＝ｍａｘ[ｘ
ｌ()ｉｊ
](６)ｙ
ｌ()
＝
１
ｍ∗ｎðｍ
ｉ＝０ðｎ
ｊ＝０
ｘｌ()ｉｊ[](７)
其中ꎬ式(６)代表的是最大全局池化ꎬ式(７)为全局平均池化ꎮ
３㊀试验研究
３.１㊀数据采集及编码
为评估ＧＡＤＦ￣ＣＮＮ算法对滚动轴承故障智能诊断的有效性和准确性ꎬ此次采用的试验数据集为美国凯西储大学(ｃａｓｅｗｅｓｔｅｒｎｒｅｓｅｒｖｅｕｎｉｖｅｒｓｉｔｙꎬＣＷＲＵ)公开的深沟球轴承故障数据集ꎮ
电机负载状态为１７９７ｒ/ｍｉｎ㊁１７７２ｒ/ｍｉｎ㊁１７５０ｒ/ｍｉｎ㊁１７９７ｒ/ｍｉｎ４种ꎬ故障分为外圈㊁内圈与流动体ꎻ采集频率为１２ｋＨｚꎬ采用传感器置于电机的驱动
端的１２个位置进行采集ꎬ采集时长为１０ｓꎻ
因传感器采集信号时ꎬ转轴每圈所采集到的采样点约为４００个ꎻ
为确保数据集的稳定性ꎬ每种故障分类样本长度设置为５００个采样点ꎬ各２００个样本ꎮ
本文选取１７９７ｒ/ｍｉｎ负载下ꎬ包括正常状态与１１种故障状态的共１２种情况作为数据集ꎬ分别由０~１１数字表示ꎬ取前８０％为训练集ꎬ输入已建立好的ＣＮＮ模型ꎻ其余为测试集对训练好的神经网络模型进行检验ꎮ
二维故障图分类图如图３所示ꎮ３.２㊀卷积神经网络模型超参数优选
超参数的选择决定了整个卷积神经网络模型在故图３㊀二维故障图分类图
障诊断的精准度ꎬ通常ＣＮＮ中主要的超参数有卷积核㊁池化核㊁优化器㊁激活函数㊁学习率等ꎮ
本次实验为了掌握不同超参数对ＣＮＮ模型图像处理性能的不同影响经过多次调参ꎬ确立了一种由３卷积层与双池化层穿插连接ꎬ采用全局池化层替代传统卷积层的神经网络模型ꎮ该模型搭建平台为ｔｅｎｓｏｒ￣ｆｌｏｗ２.０.０ＧＰＵ版ꎬ编译语言为Ｐｙｔｈｏｎ３.７.３ꎬ计算机
ＣＰＵ为ｉ７㊁Ｗｉｎｄｏｗｓ１０ꎮ
改进ＣＮＮ模型结构表如表１所示ꎮ
表１㊀改进ＣＮＮ模型结构表
模型参数卷积层Ｃ１池化层Ｓ２卷积层Ｃ３池化层Ｓ４全局池化层输出层数目６４６４６４６４６４１大小
３∗３
２∗２
３∗３
２∗２
１
１２
３.２.１㊀激活函数的选择
激活函数决定了ＣＮＮ模型非线性表达能力ꎬ而该
激活函数通常根据经验来设置ꎮ但是这种方式随机性较大[１２]ꎮ为此本文选择了常用的３种常用的激活函数进行对比试验ꎮ
３种常用的激活函数对比如表２所示ꎮ
表２㊀激活函数对比表实验
激活函数准确率训练时长１Ｒｅｌｕ
０.９６３
０.３５５２Ｓｉｇｍｏｉｄ０.５６３０.２６１３
Ｔａｎｈ
０.９４５０.３２
㊀㊀由表２可以看出:
实验１准确率最高ꎬ虽然在训练用时方面用时最
长ꎬ但为保证模型的准确度ꎬ在改进神经网络模型中ꎬ本文选用Ｒｅｌｕ激活函数ꎮ
３.２.２㊀优化器的选择在优化器选择实验中继续采用表１中的基准模型
参数设置ꎬ该实验的卷积层采用Ｒｅｌｕ激活函数ꎮ该实
９８５ 第５期刘红军ꎬ等：基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究
验对目前最常用的ＳＧＤꎬＲＭＳＰｒｏｐ和Ａｄａｍ共３种优化器进行测试ꎮ
当学习速率为０.０００１和０.００１时ꎬＡｄａｍ与ＲＭ￣
ＳＰｒｏｐ的准确率远高于ＳＧＤꎻ而当学习速率升高时ꎬＲＭＳＰｒｏｐ准确率急剧下降ꎬＡｄａｍ优化器准确率依然稳
定在９７％左右ꎮ
为此ꎬ本文选用Ａｄａｍ小批量迭代优化器ꎮ优化器准确率对比图如图４所示
ꎮ
图４㊀优化器准确率对比图
４㊀结果分析
４.１㊀改进的ＣＮＮ模型评估
为对ＧＡＤＦ图像编码下改进的ＣＮＮ算法的准确性进行有效的评估ꎬ本文引用精确率与召回率作为评测指标ꎮ其中ꎬ精确率是指预测结果中符合该类故障的样本占结果总体的占有率ꎻ召唤率是指该类型故障真实样本中被成功预测的样本占类型总体的占有率ꎮ
其具体数学表达式如下:
Ｐ＝ＴＰ/(ＴＰ＋ＦＰ)Ｒ＝ＴＰ/(ＴＰ＋ＦＮ)Ｆ１＝２ＴＰ/(２ＴＰ＋ＦＰ＋ＦＮ)
ìîíïï
ï
(８)
式中:Ｐ 精确率ꎻＲ 召回率ꎻＴＰ 预测类型与其真实类型相符ꎻＦＰ 预测类型为真ꎬ但实际类型为假ꎻＦＮ 实际类型为真ꎬ但预测结果为假ꎻＦ１ 精确率与召回率的调和均值ꎮ
根据改进的ＣＮＮ的实验结果ꎬ并按公式计算得到的精确率和召回率ꎬ如表３所示ꎮ
表３㊀改进ＣＮＮ模型诊断结果表
故障序号
精准率召回率Ｆ１调和均值
样本０１.００００１.００００１.００００４０１０.９７５００.９７５００.９７５０４０２１.００００１.００００１.００００４０３
０.９７４４
０.９５００
０.９６２０
４０
(续表)故障序号
精准率召回率Ｆ１调和均值
样本４１.００００１.００００１.００００４０５０.９７５６１.０００００.９８７７４０６１.０００００.９７５００.９８７３４０７１.０００００.９７５６０.９８７７４０８０.９７５０１.０００００.９８７３４０９
０.９５１２０.９７５００.９６３０４０１００.９７５００.９７５００.９７５０４０１１１.００００
１.００００１.００００４０
平均值/总数０.９８５５
０.９８５４
０.９６６７
４８０㊀㊀为了更深一层地了解改进ＣＮＮ模型的故障判别情况ꎬ笔者引入了多分类混淆矩阵对故障结果进行全面分析ꎻ其根据故障的不同等级ꎬ样本的真实值与预测值ꎮ
故障被误判为何种类型故障等信息如图５所示
ꎮ
图５㊀混淆矩阵量化图
由图５可知：在４８０份测试集样本中ꎬ含有７个误
测样本ꎬ分别为:
将标号１类微小故障判断为标号９类轻型故障ꎻ将标号３类轻微故障判断为标号９类轻型故障和７类显著故障ꎻ将标号６类轻型故障判断为标号１０类轻型故障ꎻ将标号８类中度故障判断为标号５类显著故障ꎻ将标号９类轻型故障判定为标号３类轻微故障ꎻ将标号１０类轻型故障判定为标号１类微小故障ꎮ
通过分析以上故障类型可以发现ꎬ故障误诊类型多为轻型故障ꎬ误诊为中大型故障或同级故障类别发生错判ꎬ具有一定的预警作用ꎬ改进后的ＣＮＮ模型在正常０㊁故障２㊁４和１１的情况下诊断准确率为１００％ꎬ说明这类故障特征较为明显ꎬ对旋转设备的危害最大ꎮ
经过试验验证可知ꎬ该算法综合故障识别率达
９８.５５％ꎬ对滚动轴承中的ＧＡＤＦ编码图像具有精准的识别能力和优越的诊断能力ꎮ４.２㊀对比分析
为验证笔者提出的诊断方法的先进性与优越性ꎬ
０９５ 机㊀㊀电㊀㊀工㊀㊀程
第３８卷
本文引用格式:
刘红军ꎬ魏旭阳.基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究[Ｊ].机电工程ꎬ２０２１ꎬ３８(５):５８７￣５９１ꎬ６２２.
ＬＩＵＨｏｎｇ￣ｊｕｎꎬＷＥＩＸｕ￣ｙａｎｇ.ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＧＡＤＦａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒ￣ｉｎｇꎬ２０２１ꎬ３８(５):５８７￣５９１ꎬ６２２.
«机电工程»杂志:ｈｔｔｐ://ｗｗｗ.ｍｅｅｍ.ｃｏｍ.ｃｎ
此处将ＧＡＤＦ￣ＣＮＮ算法与其余３种主流的智能故障诊断算法进行比较ꎮ３种主流智能故障诊断算法分别为ＢＰＮＮ㊁ＳＡＥ和
ＳＶＭ
[１３￣１５]
智能算法ꎮ
笔者将二维图像数据测试集按０~１１故障诊断序号共１２种情况ꎬ输入进其余智能算法模型进行训练ꎮ
智能算法的对比图如图６所示
ꎮ
图６㊀智能算法对比图
由图６可以看出:
ＢＰ神经网络模型(ＢＰＮＮ)与支持向量机(ＳＶＭ)
的准确率一直维持在９０％以下ꎬ准确率较低ꎻ而堆栈自动编码器(ＳＡＥ)的准确率略低于ＧＡＤＦ￣ＣＮＮꎮ
由此可见ꎬ改进的ＣＮＮ模型更适用与对ＧＡＤＦ编码图像数据的处理ꎮ
详细的准确率如表４所示ꎮ
表４㊀详细的准确率
故障序号
ＢＰＮＮＳＶＭＳＡＥＧＡＤＦ￣ＣＮＮ０８７.５％９２.５％９５％
１００％
１８５％
８７.５％９２.５％９７.５５％２８２.５％９０％
９０％１００％３７８.５％８７.５％９５％９５％４８５％９２.５％９７.５％１００％５８７.５％９０％９５％１００％６８２.５％８５％９２.５％
９７.５％７８５％８７.５％９５％１００％８８２.５％８７.５％９５％９７.５％９
８５％８５％
８７.５％
９７.５％１０８０％８７.５％９５％９７.５％１１８２.５％
９０％９０％１００％平均值/总数８３.６３％
８８.５４％９３.３３％
９８.５５％５㊀结束语
为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ笔者提出了一种新的故障诊断方式ꎬ即格拉姆角差场(ＧＡＤＦ)结合改进卷积神经网络(ＣＮＮ)的智能故障诊断模型ꎬ并结合改进的ＣＮＮ模型对
滚动轴承故障进行了预测ꎬ达到了高精度诊断的效果ꎮ与其他智能诊断算法相比ꎬＧＡＤＦ￣ＣＮＮ具有以下优势:(１)在对诊断信号的特征提取方面ꎬ相比其他算
法的一维时序输入或模态分解等方法ꎬ采用领先的格拉姆角差场法将诊断信号转化为具有有效特征的二维图像ꎬ对诊断信号的特征提取更为全面ꎬ同样也更适合ＣＮＮ(卷积神经网络)的训练与测试ꎻ
(２)在卷积神经网络模型的搭建方面ꎬ与其他智能算法的诊断相比ꎬ由于输入数据转化为真正的二维图像ꎬ使得卷积神经网络强大的线性表达能力可以全
面地发挥出来ꎬ为此改进ＣＮＮ模型添加了全局池化层㊁Ａｄａｍ优化器㊁交叉熵损失函数等先进的超参数ꎬＧＡＤＦ￣ＣＮＮ算法鲁棒性和泛化能力ꎮ
本文的算法已经可以在不同电机负载状态下ꎬ对
来自于电机驱动端的振动信号做出有效诊断ꎮ但由于数据库的有限性ꎬ本文没有获取数据库以外的滚动轴承数据进行诊断ꎬ该算法仍然存在一定的局限性ꎮ
获取数据库以外的数据将成为笔者进行下一步实验研究的重点ꎮ
参考文献(Ｒｅｆｅｒｅｎｃｅｓ):
[１]㊀许㊀凯ꎬ许黎明ꎬ周大朝ꎬ等.基于Ｓｔｏｃｋｗｅｌｌ变换的滚动
轴承故障诊断方法[Ｊ].机械制造ꎬ２０１９ꎬ５７(４):９８￣１０２.[２]㊀杨㊀宇ꎬ于德介ꎬ程军圣.基于ＥＭＤ与神经网络的滚动轴承故障诊断方法[Ｊ].振动与冲击ꎬ２００５ꎬ２４(１):８５￣８８.[３]㊀刘㊀韬ꎬ陈㊀进ꎬ董广明.ＫＰＣＡ和耦合隐马尔科夫模型
在轴承故障诊断中的应用[Ｊ].振动与冲击ꎬ２０１４ꎬ３３(２１):８５￣８９.
[４]㊀张㊀鑫ꎬ郭顺生ꎬ李益兵ꎬ等.基于拉普拉斯特征映射和深
度置信网络的半监督故障识别[Ｊ].机械工程学报ꎬ２０２０ꎬ
５６(１):６９￣８１.
(下转第６２２页)
１９５ 第５期刘红军ꎬ等：基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。