1DAMCNN方法在滚动轴承故障诊断中的应用.docx

? ? 1DAMCNN方法在滚动轴承故障诊断中的应用 ? ? 段浩明，王娆芬 （上海工程技术大学 电子电气工程学院，上海 201620） 在各类旋转机械中，轴承占有极大比重，轴承是旋转机械中最关键的零件之一，在旋转机械发生故障时，轴承故障较为常见。一旦发生故障，轻则造成经济损失，重则造成人员伤亡。为了避免上述情况的产生，轴承的状态监测以及故障诊断显得尤为重要。 传统的智能诊断方法一般都需要先借助于信号处理技术对采集到的信号进行预处理[1]，之后人为提取故障特征并通过分类器进行诊断，比如通过支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation Neural Network，BPNN)和随机森林(Random Forest，RF)等来实现轴承故障类型识别。谢志谦等[2]提出一种基于自适应噪声的完备经验模态分解与本征模态函数(Intrinsic Mode Function，IMF)样本熵结合的滚动轴承故障特征提取方法。王建国等[3]针对传统解调分析难以提取轴承故障信息的这一弱点，提出了一种将变分模态分解与最大相关峭度解卷积相结合的滚动轴承故障诊断方法。而上述这些浅层机器学习的故障诊断方法，人工特征提取步骤繁琐，且对方法参数要求较高。其特征选择过程十分依赖于专家经验，无法针对不同任务和数据自动进行特征选择，并未能实现端到端的故障诊断。为了弥补上述缺点，越来越多的学者研究如何将深度学习理论[4]应用在工业领域中。 卷积神经网络(Convolutional Neural Networks,CNN)依靠本身具有自适应提取数据特征的能力，近年来在各个方面得到了广泛的应用。宫文峰等[5]提出了一种基于改进的卷积神经网络滚动轴承故障快速智能诊断方法，使用全局均值池化技术代替传统卷积神经网络的全连接部分；Zhao 等[6]提出了一种卷积双向长短期记忆网络，解决了不同工况条件下轴承的故障诊断；Zhang等[7]提出图像与卷积神经网络相结合的轴承故障诊断方法，将一维振动信号通过傅里叶变换转化为二维图像作为卷积神经网络的输入；曲建岭等[8]设计了基于一维卷积神经网络的轴承故障诊断算法，实现了“端到端”的故障诊断模式；张伟[9]提出了一种基于直接对时域振动信号进行处理的卷积神经网络故障诊断方法；吴春志等[10]使用一维卷积网络进行齿轮箱的故障诊断，实现对故障特征自动提取和分类。 轴承故障产生的情况较为复杂，有时会涉及多种工况。而传统的卷积神经网络诊断模型在复杂工况环境下，由于网络感受野范围有限，难以提取更多的故障特征信息，无法做出准确的诊断与分类。同时，想要充分利用卷积神经网络来有效地提取各种复杂的隐藏特征，往往需要提供大量的数据样本对模型进行训练。但旋转机械发生故障时的样本数据与正常状态下数据相比较少，使得训练样本比例变小时，卷积神经网络的特征提取和诊断效果变差。 综合上述分析，在提取故障特征时，往往是需要的上下文信息越多，需要的卷积核感受野越大。为了改进普通卷积的感受野范围有限的不足，特此将空洞卷积[11]引入到故障诊断中，利用空洞卷积在不增加额外计算量的同时还能扩大感受野范围的特性，实现对故障特征的提取。并将普通卷积与空洞卷积进行融合，捕获更加全面的特征信息，通过普通卷积补全空洞卷积留下的盲点。为了充分利用提取到的特征信息，通过加入通道注意力增强故障特征信息的表达能力。在此基础上，建立了应用于滚动轴承故障诊断领域的端到端深度神经网络模型。 1 基本理论 1.1 空洞卷积 空洞卷积与普通卷积相比，仅在后者的基础上增加零填充，并通过设置不同大小的扩张率(Dilation Rate)，在不增加额外计算量的同时扩大卷积核感受野。感受野的计算如式(1)所示。 式中：lk为当前层网络感受野大小，lk-1为前一层网络感受野大小，fk代表该层卷积核尺寸，Si代表i层步长。卷积核大小为3、步长为1的一维空洞卷积如图1所示，两端为填充部分。 图1 空洞卷积 图1(a)表示扩张率为1时的空洞卷积，此时空洞卷积也就是普通的一维卷积，卷积的感受野大小为3。图1(b)表示扩张率为2 的空洞卷积，此时卷积的感受野大小为5。通过调整不同大小的扩张率，就可以获得不同尺寸的感受野，进而可以获取多尺度上下文信息。与一维空洞卷积等效的普通卷积核大小的计算公式如式(2)所示。 式中：Fk代表与空洞卷积等效的卷积核大小，fk为真实卷积核大小，d为扩张率。 1.2 注意力机制 在计算机视觉领域的深度学习网络中引入注意力机制，可以提高模型的特征提取能力，从而达到提高图像分类或目标检测等任务准确性的效果。针对故障诊断问题故障类别多且变化不显著的特点，本文将Wang等[12]提出的通道注意力(Efficient Channel