基于GADF 和CWT 并行输入模型的滚动轴承智能诊断研究.docxVIP

基于GADF和CWT并行输入模型的滚动轴承智能诊断研究

摘要：滚动轴承运行工况的变化与噪声干扰等随机不确定性因素会导致网络特征提取不完整，从而无法捕捉故障突变等局部奇异信息.针对上述问题，提出一种并行二维深度可分离残差神经网络（paralleltwo-dimensionaldepthwiseseparableresidualneuralnetwork，P2DDSResNet）模型，通过格拉姆角分场（Gramianangulardifferencefield，GADF）和连续小波变换（continuouswavelettransform，CWT）将振动信号转变为二维时频图像，保留了完整的时频域信息.采用深度可分离卷积替代残差模块中的普通卷积，增强特征学习能力，从而使模型具有更强的特征提取能力，以解决在高噪声和变工况环境中故障诊断效果不佳的问题.采用滚动轴承故障模拟试验台获取的数据对其进行试验分析并与其他卷积神经网络方法对比，结果表明，优化后的算法模型具有良好的泛化性和准确率.

关键词：故障诊断；深度可分离卷积；滚动轴承；残差神经网络；特征提取

中图分类号：TP277文献标志码：A

滚动轴承作为工业生产中使用最广泛的机械零件之一，常用于机械制造装备、能源化工和交通运输装备等各个领域［1］，复杂工况下的滚动轴承故障诊断方法得到了广泛研究.Wang等［2］结合局部均值分解和快速峰值的优点处理故障特征实现旋转机械故障诊断.李宏坤等［3］提出了一种粒子滤波方法，解决了谱峭度指标在噪声干扰下效果较差的问题.深度学习因其强大的特征提取能力被广泛应用于故障诊断领域［4］.Zhang等［5］将域自适应算法运用到卷积神经网络，提出一种宽卷积核网络模型，在原始信号基础上获得了较高分类精度.Jia等［6］通过CNN的多个非线性网络层的学习能够直接从原始振动信号中学习高维特征，对比验证了CNN相比浅层学习模型具有更好的特征提取能力.李益兵等［7］提出了一种利用粒子群优化改进的深度置信网络的轴承故障诊断模型，从原始振动信号中提取低维故障特征，并将其输入Softmax分类器中，以实现对轴承故障模型的识别.但是直接将原始信号输入模型中，噪声与工况变化带来的随机不确定性因素较多，使得网络特征提取不充分，无法捕捉故障突变等局部奇异信息.学者们将信号处理方法与卷积神经网络（convolutionalneuralnetwork，CNN）进行结合，运用预处理手段从时域、频域、时频域中提取特征信息，将获取的特征输入网络模型实现故障诊断.Wang等［8］将短时傅里叶变换和卷积神经网络相结合，不仅保证了样本的多样性，还提高了网络的鲁棒性.梁睿君等［9］运用连续小波变换构造振动信号的时频图，以此作为CNN的输入，提高了故障诊断精度.

然而，在实际工业生产中故障大多伴随着变工况、强噪声等复杂条件，上述方法的故障诊断准确率会明显降低.因此，Jiang等［10］提出了一种将变模态分解、递归图变换和通道分裂残差网络结合的智能轴承故障诊断方法，最大限度地保留了原始信号的故障特征，并在变速轴承数据和高噪声轴承数据的诊断试验中展现了更好的抗噪性.赵小强等［11］提出了一种改进卷积Lenet-5神经网络模型算法，采用二维灰度图便于卷积操作，以提取更准确的故障特征，在变工况和高噪声的试验中具有很好的抗干扰和泛化性能.然而直接将一维振动信号转换为二维灰度图像作为深度网络的输入数据时，会导致时间序列数据之间相关信息丢失以及时频域特征提取不完整，准确提取信号特征的难度更大.

格拉姆角场是一种将时序信号转换为二维图像的编码方式，它的实现原理是将一维时间序列的1个点对应的时间、幅值转换到极坐标下的半径、角度，这样一维数据便可以转换成二维图像，保留了其对时间的依赖性.短时傅里叶变换虽然也能将一维时序信息转换为二维时频图，然而利用短时傅里叶变换提取时频特征时，存在时频分辨率不均匀、对高频分量较为敏感等问题.而连续小波变换具有良好的尺度和时频局部化性质，对振动信号中的高频分量的分析更加均匀.因此本文选取格拉姆角场和连续小波变换来共同提取时频特征.

综上，本文提出一种并行二维深度可分离残差神经网络（paralleltwo-dimensionaldepthwisesepa?rableresidualneuralnetwork，P2D-DSResNet）模型，通过格拉姆角分场和连续小波变换将一维振动信号转变为二维时频图像，保留了完整的时频域信息，采用深度可分离卷积替代残差模块中的普通卷积，从而使模型具有更强的特征提取能力，以解决在高噪声和变工况环境中故障诊断效果不佳的问题.

1并行二维深度可分离残差神经网络模型

1.1基于格拉姆