一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法

摘要

本发明一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，属于基于快速多尺度卷积神经网络的滚动轴承故障诊断方法技术领域；所要解决的技术问题为：提供一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：采集滚动轴承驱动端的一维振动信号；将步骤一中采集到的每一个监测振动信号进行标准化处理；搭建快速多尺度卷积神经网络模型；对快速多尺度卷积神经网络模型进行训练；采集当前滚动轴承的加速度振动信号并处理得到样本的测试集；将步骤五中的样本测试集输入至步骤四中训练好的快速多尺度卷积神经网络模型，从而输出滚动轴承的故障诊断结果；本发明应用于轴承故障诊断。

说明书

技术领域

本发明一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，属于基于快速多尺度卷积神经网络的滚动轴承故障诊断方法技术领域。

背景技术

滚动轴承是一种精密的机械元件，被誉为现代工业的润滑剂。它的工作状态直接关系到整个工业生产过程的效率和稳定。所以为了维持设备的安全运行，对滚动轴承的健康状况必须进行实时监控。

目前大多数的故障诊断方法一般采用短时傅里叶变换、小波变换和经验模态分解等信号处理方法提取轴承振动信号的故障特征，然后通过支持向量机、k-邻近算法和人工神经网络等主流机器学习方法，自动分类特征，降低依赖专家经验出错的概率。但是准确率仍取决于人工提取的特征能否准确表达故障信息，局限性较大。

相比于机器学习模型浅层的网络结构，深度学习模型网络层更深，功能更丰富，拥有较强的自适应学习特征的能力，能够将特征抽取与特征分类融为一体，实现由数据到诊断结果的端到端过程。但是目前应用于轴承故障诊断的一维卷积神经网络和二维卷积神经网络方法，还存在一下缺陷：(1)大多只是考虑了振动信号单一时间尺度上的故障信息，即每次只能提取一个由单个卷积核尺寸确定的时间尺度的故障特征；(2)卷积神经网络如何学习到故障的明显的特征，仍然像一个“黑盒”，一定程度上阻碍了深度学习模型在故障诊断领域的研究继续深入。

因此，需要提供一种能够针对轴承振动信号的时域多尺度特性的基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，对轴承振动信号的时域多尺度特性作出多尺度卷积模块提取多尺度时间信息，使用卷积-池化交替模块自适应克服时间依赖特性，并结合softmax分类层构建特征提取-特征分类二位一体的智能滚动轴承故障诊断方法。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法，包括如下步骤：

步骤一：数据采集：采集滚动轴承驱动端的一维振动信号，以fs采样频率采集滚动轴承在不同运行状态下有故障和无故障的监测振动信号X[n]，并根据采集到的监测振动信号X[n]将其对应的不同故障状况设置对应的故障标签；

步骤二：数据处理：包括将步骤一中采集到的每一个监测振动信号X[n]进行标准化处理，并将处理后的监测振动信号记为

步骤三：搭建快速多尺度卷积神经网络模型；

步骤四：将步骤二中处理后的监测振动信号

步骤五：通过相同的采样频率fs采集当前滚动轴承的加速度振动信号x

步骤六：将步骤五中的样本测试集

所述步骤二中数据处理的步骤还包括：通过数据增强方法将步骤一采集的数据量进行扩大，具体步骤为：

设一段故障信号的总长度为L，选定的采样窗尺寸为M，滑动步长为S，在原始输入信号上选取X个样本，当L≥M×X－S×(X-1)时，同时获得了X容量的数据集。

所述步骤三中的快速多尺度卷积神经网络模型包括大尺度卷积模块、多尺度卷积模块、常规卷积单元和分类模块。

所述步骤二和步骤五中标准化处理的计算公式为：

上式中：μ为X[n]、x

所述大尺度卷积模块包括第1层、第2层、第3层：

所述第1层为大尺度卷积层，用于直接对输入的原始的监测振动信号提取特征；

所述第2层为激活层，用于获得输入信号的非线性表达，将学习到的特征进行进一步区分，激活函数具体采用非限制性单元(Relu)；

所述第3层为最大池化层，用于对第2层输出的非线性表达压缩网络参数，进行全局最大池化。

所述多尺度卷积模块包括第4层、第5层两层多尺度卷积层和第6层：

所述第4层为卷积层包括三个小尺寸卷积核，所述小尺寸卷积核的尺寸为3×1，所述小尺寸卷积核能够有效地控制网络模型的参数；

所述第5层为卷积层包括三个卷积核，所述卷积核的尺寸分别为3×1、5×1和7×1，所述卷积核用于提取小范围的精确故障信息，分别得到Y

所述第6层为级联层，用于将第4层和第5层的多尺度卷积层提取的输出特征Y

上式中：Y

所述常规卷积单元包括底7层、第8层、第9层：

所述第7层为卷积层，用于对第6层输入到第7层的特征进行自适应提取；

所述第8层为激活层，用于获得第7层输出的非线性表达，激活函数具体为非限制性单元(Relu)；

所述第9层为全局最大池化层，用于对第八层输出的特征进一步压缩网络参数，进行最大池化。

所述分类模块包括第10层、第12层两个不同神经元个数的全连接层和第11层、第12层：

所述第10层为全连接层，将第10层的所有神经元与第9层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

所述第11层为dropout层，用于随机丢弃部分神经元进行网络训练，能够提升模型的准确率；

所述第12层为全连接层，第12层的神经元的个数与所需要分类故障的类型数一一对应设置，将第12层的所有神经元与第10层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

所述第13层为softmax层，用于在更高的维度上转换第12层神经元的对数以符合不同种类轴承健康状况的概率分布形式，选取最大概率的对应的故障状态作为故障诊断结果。

所述第13层用到的回归函数的计算公式为：

上式中：Z

本发明相对于现有技术具备的有益效果为：1)本发明在模型的第一层就使用64×1尺寸的大卷积核，增大感受野，学习时间信号的泛化特征，加速模型运算，抑制高频扰动；

2)本发明在大尺寸卷积模块之后，引入两层多尺度卷积层，第一层尺寸全部为3×1，第二层尺寸分别为3×1、5×1和7×1；第一层的小尺寸有效地控制网络模型的参数，第二层不同尺寸的小卷积核提取小范围的精确的故障信息；然后利用级联层将提取到的多时间尺度信息在一维空间上进行融合，实现了真正意义上的多尺度卷积；

3)本发明能很好地针对轴承振动信号非线性和非连续性的特点，既保证了原始振动信号的完整性，又能有效提取振动信号时间序列的多尺度故障特征；

4)本发明用大尺寸卷积核减少网络参数，加速了模型的训练，并结合多尺度卷积模块，提取一维振动信号不同尺度间的故障信息并进行融合，极大地提高了滚动轴承故障诊断的准确率和效率。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明的方法流程图；

图2为本发明的优选实施例所构建的基于快速多尺度一维卷积神经网络的滚动轴承故障诊断算法流程图；

图3为本发明优选实施例所构建的快速多尺度一维卷积神经网络的结构图；

图4为本发明的试验台结构示意图；

图5为本发明的快速多尺度一维卷积神经网络模型的训练过程示意图；

图6为本发明的快速多尺度一维卷积神经网络模型的混淆矩阵示意图；

图7为本发明的快速多尺度一维卷积神经网络模型第1层采取不同的卷积核尺寸对实验测试集和平均耗时的对比图；

图8为本发明与其他卷积神经网络模型训练10次时的每一次对1000个测试样本平均识别率的折线图；

图9至图12为本发明不同数据样本的t-SNE降维可视化图。

图中：1为电机、2为编码器、3为测力计、4为控制中心。

具体实施方式

如图1至图12所示，本发明基于快速多尺度一维卷积神经网络的滚动轴承故障诊断方法，首先采集无故障和不同故障的滚动轴承在不同运行状态下的监测振动信号，并根据各个监测振动信号所对应的故障状态设置故障状态标签，对每个监测振动信号进行标准化处理，作为训练样本对快速多尺度一维卷积神经网络模型进行训练，快速多尺度一维卷积神经网络模型包括大尺度卷积模块、多尺度卷积模块和分类模块，然后采集滚动轴承当前的监测振动信号组成测试集，送入快速多尺度一维卷积神经网络模型进行故障诊断。

本发明提供了一种快速多尺度卷积神经网络(LMCNN)，针对轴承振动信号的时域多尺度特性提出了多尺度卷积模块提取多尺度时间信息，使用卷积-池化交替模块自适应克服时间依赖特性，然后结合softmax分类层构建特征提取-特征分类二位一体的智能故障诊断方法。

本发明基于快速多尺度卷积神经网络的滚动轴承故障诊断方法包含以下步骤：

S1：数据采集，在滚动轴承驱动端使用采样频率fs采集正常生产过程中正常工况和不同故障工况的样本x[n]，并打上对应的故障标签，滚动轴承的健康状况分为正常、滚球损伤、内圈损伤和外圈损伤四大类。

S2：数据处理，运用数据增强方法扩大数据量，设一段故障信号的总长度L，选定的采样窗尺寸为M，滑动步长为S，在原始输入信号上选取X个样本，当满足关系式：L≥M×X-S×(X-1)时，同时获得了X容量的数据集。同时将采集到的每一个监测振动信号x[n]进行标准化处理，记为

S3：搭建快速多尺度卷积神经网络模型，快速多尺度卷积神经网络模型包括大尺度卷积模块、多尺度卷积模块、常规卷积单元和分类模块。

大尺度卷积模块包括：

第1层为大尺度卷积层，用于直接对输入的原始振动信号提取特征，提高模型运算速度，抑制高频扰动；

第2层为激活层，用于获得输入信号的非线性表达，使学习到的特征更容易区分，用到的激活函数为非限制性单元(Relu)，激活函数的计算公式为：

上式中：

第3层为最大池化层，用于对第2层输出的非线性表达压缩网络参数，进行全局最大池化。

多尺度卷积模块包括两层多尺度卷积层：

第4层卷积层由三个尺寸全部为3×1的小卷积核组成，小尺寸卷积核有效地控制网络模型的参数；卷积核的参数为一个3×1的向量，其中的三个参数也就是网络层需要不断更新的权重参数；

第5层卷积层由尺寸分别为3×1、5×1和7×1的卷积核组成，提取小范围的精确故障信息，分别得到Y

第6层为级联层，用于将第4层和第5层的多尺度卷积层提取的输出特征Y

第7层为卷积层，用于对第6层输入到第7层的特征进行自适应提取；

第8层为激活层，用于获得第7层输出的非线性表达，激活函数为非限制性单元(Relu)；

第9层为全局最大池化层，用于对第八层输出的特征进一步压缩网络参数，进行最大池化。

分类模块包括两个不同神经元个数的全连接层和一个softmax分类层：

第10层为全连接层，它的所有神经元将与第9层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

第11层为dropout层，随机丢弃部分神经元进行网络训练，能够提升模型的准确率；

第12层为全连接层，它的神经元的个数对应着所需要分类故障的类型数，它的所有神经元将与第10层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

第13层为softmax层，用来在更高的维度上转换第12层神经元的对数以符合不同种类轴承健康状况的概率分布形式，选取最大概率的对应的故障状态作为故障诊断结果。

S4：将步骤S2处理得到的各个信号

S5：以相同采样频率fs采集当前滚动轴承的加速度振动信号x

S6：将信号

下面根据图2、图3所示的本发明的一种优选的实施例对本发明的滚动轴承故障诊断方法做详细的描述。

图2是基于快速多尺度一维卷积神经网络的滚动轴承故障诊断算法流程图，图3为快速多尺度一维卷积神经网络的结构示意图，根据图2、图3所示的算法流程图及神经网络模型结构示意图，本发明的滚动轴承故障诊断方法的具体步骤包括：

步骤1：以采样频率fs采集无故障和不同故障的滚动轴承在不同运行状态下的监测振动信号Xm[n]，根据采集到的监测振动信号Xm[n]多对应的不同故障状况打上对应的故障标签。

步骤2：在实际应用中，为了避免数据集过小、需要训练的网络参数过多而导致网络模型过拟合的问题，本文发明使用图3中的数据集增强方法对数据集的样本量进行扩充，本实施例中的数据集增强方法的原理为对一段有十几万个振动点的振动信号，以固定长度的滑动窗形式进行截取取样，样本的长度即为滑动窗的长度，也就是2048个。即是使用一个尺寸为M的采样窗以L个单位长度的步幅对一段长度为S个点的监测振动信号进行滑动取样，可以得到N个等长的子信号，N＝S-M+L，大大增加了数据集的容量。

步骤3：数据样本的标准化：

对采集到的每一个监测振动信号x[n]进行标准化处理，得到信号

本实施例中使用z-score标准化方法对每一个加速度振动信号Xm[n]进行标准化，标准化的计算公式为：

其中，μ是x[n]中所有采样点数据的平均值，σ是x[n]中所有采样点数据的标准差。

步骤4：划分数据集：

构建实验数据集，具体步骤参考步骤2中的数据集增强方法，然后划分测试集、验证集和测试集，各占7000、2000和1000个样本，每个样本长度为2048，其中在采集和扩张测试集时，同样使用步骤1的采集方法和步骤2的数据集增强方法，在输入到本发明的快速多尺度一维卷积神经网络时，使用的是没有标签的测试集信号。

步骤5：构建快速多尺度卷积神经网络：

图3是本发明中快速多尺度一维卷积神经网络模型的示意图。如图3所示，本发明中所构建的快速多尺度一维卷积神经网络模型包含了故障诊断的特征提取、特征分类和故障确定三个步骤。其中在特征提取部分主要由大尺度卷积模块、多尺度卷积模块和常规卷积单元三个部分组成，下面对每个模块进行详细说明。

大尺度卷积模块：

使用较大尺寸的卷积核，增大感受野，学习时间信号的泛化特征，加速模型运算，抑制高频扰动。本实施例中大尺度卷积模块包括大尺寸卷积层、激活层和最大池化层。

第1层为大尺度卷积层，设置卷积核尺寸为64×1，步长为S＝16，设置卷积核正则化L2，系数为0.0001，使矩阵稀疏化。直接对输入的原始监测振动信号提取特征，提高模型运算速度，抑制高频扰动。大尺寸卷积层直接对输入的监测振动信号提取特征，当输入的信号为

上式中：k表示第l层卷积核的长度；

第2层为激活层，采用的激活函数为非限制性单元(Relu)。

第3层为最大池化层，用于对第2层输出的非线性表达压缩网络参数，进行全局最大池化。

多尺度卷积模块：

本发明在大尺寸卷积模块之后，引入两层多尺度卷积层，第一层尺寸全部为3×1，第二层尺寸分别为3×1、5×1和7×1，步长均为S＝1。第一层的小尺寸有效地控制网络模型的参数，第二层不同尺寸的小卷积核提取小范围的精确的故障信息。然后利用级联层将提取到的多时间尺度信息在一维空间上进行融合，实现了真正意义上的多尺度卷积。

第4层卷积层有三个尺寸全部为3×1的小卷积核组成，步长均为S＝1。小尺寸卷积核有效地控制网络模型的参数；

第5层卷积层由尺寸分别为3×1、5×1和7×1的卷积核组成，步长均为S＝1。提取小范围的精确故障信息，分别得到Y

第6层为级联层，用于将第4层和第5层的多尺度卷积层提取的输出特征Y

常规卷积单元：

常规卷积单元增加网络模型的深度，包括一个卷积层，一个激活层和一个池化层；

第7层为卷积层，卷积核尺寸为3×1，步长S＝2。用于对第6层输入到第7层的特征进行自适应提取；

第8层为激活层，用于获得第7层输出的非线性表达，激活函数为非限制性单元(Relu)；

第9层为全局最大池化层，用于对第八层输出的特征进一步压缩网络参数，进行最大池化。

分类模块：

第10层为全连接层，包含1024个神经元，它的所有神经元将与第九层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

第11层为dropout层，系数设置为0.8，随机丢弃部分神经元进行网络训练，能够提升模型的准确率；

第12层为全连接层，包含10个神经元，它的所有神经元将与第10层的输出特征图的每个节点相连接，并进行权重和偏置参数的自适应计算；

第13层为softmax层，用来在更高的维度上转换第12层神经元的对数以符合不同种类轴承健康状况的概率分布形式，选取最大概率的对应的故障状态作为故障诊断结果；

softmax层回归函数的计算公式为：

上式中：Z

步骤6：训练快速多尺度一维卷积神经网络：

将步骤4准备好的训练集输入到快速多尺度一维卷积神经网络，通过前向传播算法激活网络模型各层，再通过反向传播算法为了找寻最小loss损失的最优参数而更新权重参数，对网络模型进行训练。

步骤7：故障诊断：

将测试集样本数据输入到网络模型得到当前的滚动轴承故障诊断结果。

图4为本发明所依托的试验台结构示意图。测试台由电机1，编码器2，测力计3和控制中心4组成，其中电机1的转子与测力计3相连，编码器2设置在电机1的轴承驱动端，编码器2也可替换为扭矩传感器。为了更好地说明本发明的效果，采用一个具体实施例对本发明进行试验验证。本次实验验证中使用2马力的Reliance电动机进行了实验，并在靠近和远离电机1轴承的位置测量了加速度数据。使用放电加工(EDM)对电机轴承进行故障植入。产生不同位置不同磨损程度的故障。在电机的轴承驱动端使用12kHZ的采样频率进行样本采集，轴承健康状况分为正常、滚球损伤、内圈损伤和外圈损伤四大类，每种故障依据损伤程度又分为0.18mm，0.36mm和0.54mm三种故障尺寸，总计10种轴承故障状态。表1是本实施例中十种不同的轴承健康状态以及相应的训练集、验证集和测试集的样本容量。

表1

为了说明本发明方案的实验性能，对故障诊断的准确率，损失函数和混淆矩阵进行了试验验证。

图5、图6是本发明提出的快速多尺度一维卷积神经网络某一次的训练过程图，经过20个epoch的训练之后，然后使用训练好的模型对随机划分的1000个测试集样本用进行故障分类，结果达到了99.8％的准确率率，损失函数仅为0.00065。

在模型的训练过程中，第一层卷积层的卷积核尺寸的选择对实验结果影响较大。表2显示不同的卷积核尺寸对应着不同的评价指标，64×1尺寸下的模型训练集识别率达到了0.998，测试集loss函数为0.00065。

表2

图7是本发明中在快速多尺度卷积神经网络模型第1层采取不同的卷积核尺寸对实验测试集和平均耗时的对比图。求取10次测试集准确率的平均值，并记录训练过程每个epoch的耗时，结果显示尺寸为64×1的卷积核具有最好的性能。

图8是本发明与其他3种模型训练10次每一次对1000个测试样本平均识别率的折线图。作为对比的深度学习模型：一维卷积神经网络(CNN-1d)和大尺度卷积神经网络(WDCNN-1d)和机器学习的经典模型SVM。根据图8得出，WDCNN-1d尽管拥有较快的模型训练速度，但是忽略了振动信号中丰富的多尺度故障信息，诊断准确率有所降低。另外，所有深度学习模型准确率普遍高于机器学习模型SVM，这说明深度学习深层次的网络结构特点，非常有利于对复杂的时间序列进行充分的特征提取，也更适应于大数据背景下的轴承故障诊断。

如下表3所示，4种方法的10次训练过程中在测试集上的平均准确率分别为：99.65％、97.90％、93.92％和66.82％，也基本符合折线图8中测试集准确率的变化趋势。

表3

图9至图12为不同数据样本的t-SNE降维可视化图。从输入故障样本到输出故障样本标签的预测概率，神经网络就像一个黑盒，往往无法直观地探知其内部提取特征的具体过程。t-SNE是一种用于降维可视化的机器学习工具，它能够将样本数据的高维特征映射到低维并保持特征相近，一般可以被用来研究网络模型对输入样本数据的特征学习能力。图10、图11、图12显示了具有很高可分度的样本散点图。而且在不同的测试样本容量下，展现了不同样本间聚合程度。

本实施例首先使用t-SNE对未输入到本发明(LMCNN-1d)的1000个样本进行降维可视化，可视化的结果如图9所示，十类故障样本混合在一起，可分度很差。然后将90个样本输入到本发明(LMCNN-1d)，对模型最后一层全连接层学习到的特征进行降维处理。如图10所示，经过模型特征学习之后，各状态下的故障样本开始具有明显的分离度，90个测试样本基本完全分开，只有少数样本混到其他类的故障样本中，甚至可以清楚地看到，有4个0.36mm的滚球故障样本混在了健康状态的故障样本中，有一个0.18mm的内圈故障样本混入了0.54mm的滚球故障样本中。图11所示，随着样本容量的增加，当样本容量变为1000个，样本的可分离度更高，并且样本间的间距增大，可分离性更强，softmax分类层能轻易的分辨出不同种类的故障样本。直到图12所示，样本容量增加到7000，间距进一步扩大，且十类故障样本完全各自聚成团。这反映出，随着样本容量的增加，模型的泛化能力增强，模型会更加精确和稳定，对故障的识别更加准确。同时说明了神经网络需要大容量的样本数据进行训练的观点。

本发明公开了一种基于快速多尺度卷积神经网络(LMCNN)的滚动轴承故障诊断方法，将深度学习领域成熟的知识理论体系与工业生产中的实际应用相结合。首先，采集健康和故障滚动轴承在实际工作中不同损伤状态下的振动信号，并且对采集到的故障振动信号设置相应的故障标签。对采集到的振动信号采取标准化处理，划分出训练集对本专利的快速多尺度卷积神经网络模型的性能进行参数拟合，快速多尺度卷积神经网络包括一个大尺度卷积模块，一个多尺度卷积模块和模式识别模块。然后将实时采集的加速度振动信号输入到快速多尺度卷积网络进行诊断。本发明用大尺寸卷积核减少网络参数，加速了模型的训练，并结合多尺度卷积模块，提取一维振动信号不同尺度间的故障信息并进行融合，极大地提高了故障诊断的准确率和效率。

关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。