基于GAF-CapsNet的电机轴承故障诊断方法.pdfVIP

2023 年 5 月 电 工 技 术 学 报 Vol.38 No. 10 第 38 卷第 10 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY May 2023 DOI: 10.19595/ki.1000-6753.tces.220312 基于GAF-CapsNet 的电机轴承故障诊断方法 1,2 1 2 1 张 辉 戈宝军 韩 斌 赵丽娜 （1. 大型电机电气与传热技术国家地方联合研究中心（哈尔滨理工大学） 哈尔滨 150080 2. 齐齐哈尔大学计算机与控制工程学院 齐齐哈尔 161000 ） 摘要 针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题，提 出一种基于格拉姆角场（GAF ）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。利用 GAF 对采集到的振动信号进行编码，可以很容易地进行角度透视，从而识别出不同时间间隔内的时间 相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感，特征提取具有优势，同时 考虑到VGG 网络优秀的特征提取能力，在结合胶囊网络和VGG 网络的基础上，加入深度小尺寸 卷积层。将 GAF 编码的振动图像输入到改进的 CapsNet 网络进行训练，组成GAF-CapsNet 模型 对轴承故障进行诊断。该模型在凯斯西储大学轴承数据集上进行试验，结果表明，格拉姆角和场 （GADF ）编码方式相比格拉姆角差场（GASF ）编码效果差，效果较好的GADF-CapsNet 有99.27 % 准确率，较差的GASF-CapsNet 也有98.83 %准确率，相较其他编码方式和卷积神经网络，该模型 性能表现普遍比其他模型具有更高准确率。 关键词：轴承 故障诊断 格拉姆角场 胶囊网络 中图分类号：TM307 [6] [7] 诊断领域中的新秀 。V. N. Ghate 等 发现神经模 0 引言 糊和神经网络（Neural Network, NN ）的故障检测方 随着现代机械的高速发展，滚动轴承的应用场 法在大型机器上表现良好，针对中小型三相异步电 合也趋向更高工作强度和更恶劣的工作环境，在所 动机，开发了基于径向-基函数- 多层感知器级联的 有电机机械故障中，高达 30 % 的损坏是由轴承故障 故障检测方案；Chen Zhiqiang 等[8]采用了三种深度 造成[1] ，这使得轴承的故障诊断和维护更加重要。 神经网络模型深度波尔茨曼机（Deep Boltzmann 当前在“工业 4.0 ”的大环境下，机械设备也向着智 Machines, DBM ）、深度置信网络（Deep Belief [2] [3] Networks, DBN ）和堆栈自编码器（Stacked Auto 能化的方向发展 ，数据采集的速度大大加快 ， 数据驱动的背景下故障诊断可以利用大量的机械数 Encoders, SAE ）来识别滚动轴承的故障状况并进行 据，使轴承的故障诊断方法向智能化方向发展。 研究，发现深度波尔茨曼机、深度置信网络和堆栈 传统的智能故障诊断方法在处理大数据时，因 式自编码器取得了良好的效果；余啸等[9]采用经验 为其特征提取的泛化能力差，难以取得良好的效果。 模态分解（Empirical Mode Decomposition, EMD ） 通过支持向量机[4]