基于元学习的变工况轴承故障诊断研究.pdf

第卷 第期 年 月沈 阳 理 工 大 学 学 报 收稿日期:基金项目:辽宁省教育厅高等学校基本科研项目()作者简介:吴东升()男教授博士研究方向为复杂系统的故障诊断和预测文章编号:()基于元学习的变工况轴承故障诊断研究吴东升贾德桥董岩松(沈阳理工大学 自动化与电气工程学院沈阳)摘 要:针对实际工况下电机轴承振动信号包含强噪声以及故障样本少导致其故障诊断精度低的问题提出一种由数据重构()与判别空间优化()相结合的集合型轴承故障诊断方法()该方法包含数据重构和元学习两个阶段 首先将不同负载下的原始一维数据进行重构减少噪声提取隐藏在原始数据中的有用信息然后构造特征提取器和判别空间优化器对特征判别空间进行优化提高其容错能力以利于元学习 实验结果表明本文提出的 方法有效提高了模型在有限训练样本下的学习能力增强了不同工况下轴承故障诊断的适应性提升了故障诊断精度具有较好的泛化能力关 键 词:电机轴承故障诊断数据重构元学习中图分类号:.文献标志码:./.():()().:.:轴承在旋转机械中起着重要作用由于工作条件恶劣轴承很容易发生故障或损坏影响机械设备的正常运行造成巨大的经济损失甚至人员伤亡 因此轴承故障诊断一直是研究的热点问题 其中智能故障诊断方法尤其受到关注传统的智能故障诊断方法包括卷积神经网络()、支持向量机()等 等提出了一种多尺度级联中点残差卷积神经网络首先引入一种新的多尺度级联结构提取原始数据中包含的多分辨率特征然后在其每个分支中采用改进的中点残差块解决深度网络性能下降问题增强了模型的抗噪声鲁棒性 徐先峰等利用堆栈稀疏自编码的频域深层特征学习能力对轴承故障特征进行处理并使用泛化能力强、分类速度快的 作为分类器在轴承故障诊断中取得较好的效果 通常在识别故障类型之前需要利用信号处理技术从原始振动信号中提取有效特征但由于实际工况下运行环境复杂振动信号不平稳、包含强噪声提取器获取的特征可用性较差严重影响了传统智能方法的故障诊断结果设计一种实用的信号处理方法以有效地提取故障特征成为传统智能方法面临的挑战与传统智能故障诊断方法相比深度学习方法能够自动学习有价值的特征及进行特征提取可避免应用各种信号处理技术实现端到端学习 目前深度学习网络已被用于轴承故障诊断如深度自编码器、深度卷积神经网络()等 等为实现智能轴承故障诊断提出预完全连接的在 前增加一个连接层降低了信号的复杂性 等采用基于堆叠降噪自编码器的分层结构识别旋转机械部件的健康状态获得了良好的效果 等提出了一种使用标准稀疏自编码器的连接模型该模型在智能轴承故障诊断中得到了有效验证以上深度学习方法均假设可以获取丰富的轴承故障数据用于检测但实际生产中轴承出现故障后需要立即更换难以收集大量的故障样本由于轴承故障样本较少深度学习模型可能会出现过拟合现象导致其性能降低通常可采用数据增强、删除和正则化等技术解决该问题 近年来研究者开始利用小样本深度学习进行轴承故障诊断 等开发了一个小样本加权 集成模型该模型表现出比普通 更好的性能 等采用自适应超环检测器算法通过小样本训练实现在线故障诊断 等提出了对抗性去噪 用于有限样本的旋转机械故障检测利用对抗机制提高了抗噪声能力扩展了训练样本上述深度学习方法均未考虑小样本学习范式而元学习()方法能够进行小样本的分类、回归及强化学习可解决实际样本不足的问题 因此本文提出一种基于元学习的轴承故障诊断方法用于变工况下轴承故障诊断 首先对获取到的原始数据进行数据重构()然后进行判别空间优化()构造判别边界损失和判别聚类损失实现相似故障特征的聚合和不同故障类别的分离准确提取广义特征以增强不同类别特征的可辨性和同类别特征的识别能力更利于元学习从而对噪声污染严重的有限样本实现准确分类 本文提出的故障诊断方法简称为 方法 数据重构随着深度学习的发展包括但不限于自动编码器()的各种数据驱动方法被用于数据重构 作为一种无监督学习模型能够通过最小化重构误差保证网络的输出接近输入其目标即是找到一个能在输出和输入之间建立映射关系的恒等函数 基本自动编码器 是一个三层神经网络其中中间层用于捕获隐藏在原始数据中的有用特征 自 产生以来人们在不同的约束条件下开发了一些 的变体主要变体是稀疏自编码器()和去噪自编码器()通过正则性设计约束每层节点的输出为 实现数据的稀疏性表达对于分类任务更加有效 使用服从特定分布的噪声信号混入原始数据中生成新的输入数据目标是重构结果尽可能与原始数据相似使模型对噪声环境具有鲁棒性本文综合 和 的优势提出改进稀沈 阳 理 工 大 学 学 报 第 卷疏降噪自编码器()采用均方误差和稀疏惩罚项作为数据重构的优化目标两个样本之间概率分布的差异采用统计意义上的最大平均差异()来评价以提高数据重构能力 数据重构的优化目标()表达式为()()()()()式中:()表示输入()表示输出 为样本总数 为给定样本数 为权重 为偏置()为重构后样本的预测输出()为均方误差项()为惩罚项其中 为惩罚系数为隐层神经元的第 个激活值为隐层神经元的总数 为稀疏性参数()表示相对熵用于衡量和 之间的距离()表示两个样本集、的最大平均差异()计算式为()()()()计算式为()()()()式中:为源域样本数 为目标域样本数 、服从正态分布()为原始特征空间到再生希伯尔特空间的非线性映射 由于空间维数极高无法直接得到()故引入具有对称正定性质的特征核来求解 的经验估计公式为()()()()()式中 表示高斯核函数 的输出不仅保留了重要的特征而且减少了隐藏在输入中的冗余信息 数据重构示意图如图 所示图 数据重构示意图.元学习元学习通过训练学习元知识当面对新任务时只需要少量的样本就可以进行准确分类 元学习可以分为三类:基于度量的元学习方法该方法侧重于嵌入空间中特征的准确分类如原型网络基于模型的元学习方法该方法通过设计模型的内部结构或使用另一个模型生成快速学习模型的参数来实现快速学习的目标如记忆增强神经网络基于优化的元学习方法该方法使模型通过现有的优化算法在有限样本条件下能够快速收敛以获得良好的预测结果如模型不可知元学习 本文采用基于度量的元学习方法学会学习是元学习的目标元学习方法只需要少量的样本就可以学会处理新的任务 元学习训练过程通常使用 将数据集划分为几个任务其中每个任务有 类样本有 个标记样本称为支持集一个未标记样本称为查询集 利用学习到的元知识模型可以在少量样本的帮助下学习对新任务进行分类 判别空间优化在故障样本非常有限和背景噪声很大的情况下传统的小样本学习方法表现出的性能不佳这是因为通用模型只能提取非广义特征无法学习有效的元知识 因此本文提出判别空间优化策略以进一步区分不同类型的故障特征为小样本轴承故障诊断获取更广义的特征 判别空间优化过程如图 所示 判别空间优化由判别边界损第 期 吴东升等:基于元学习的变工况轴承故障诊断研究失和判别聚类损失组成:采用判别边界损失放大类间距离实现不同类型故障特征之间的分离形成良好的判别边界采用判别聚类损失压缩距离实现同类型故障特征之间的聚类促进故障特征的聚合效果 由此在度量空间中对网络提取的故障特征进行优化判别以利于元学习图 判别空间优化.判别边界损失本文在三元损失的基础上提出判别边界损失 从训练集中随机选择一个样本作为锚点随机选择与锚点相同类别的样本并将其设置为正样本其他不同类别的样本则被标记为负样本三元损失主要作用是压紧锚点与正样本之间的距离并将锚点与负样本之间的距离扩大到理想距离三元损失 计算式为()()()()()式中:为基数()为特征提取器的映射函数为锚点的第 个样本为正点的第 个样本为负点的第 个样本 是正负样本之间的强制差值为避免不同类别的故障特征在度量空间中重叠判别边界损失选取训练集的所有数据作为优化对象即三元损失中的锚点选择类的中心点作为优化目标将其视为三元损失中的正数确定离该类最近的另一类的中心点作为排除目标将其作为三元损失中的负数 选择损失为正数的样本确保其边界明确优化三元组选择条件 本文提出的判别边界损失 计算式为 ()()()式中:()为特征提取器的映射函数为类的总数为每个类的样本数量为 类的第 个样本点为 类的中心点表示与 类最近的类的中心点 为 与 之间的强制余量.判别聚类损失上述判别边界损失既能疏离类间距离、解决边界重叠问题又能优化类内距离但其不能减少绝对类内距离 因此本文提出一种减少绝对类内距离的聚类损失方法以更好地提取相似样本中具有共性的广义特征通过减少类内方差达到聚合效果 中心损失一般应用于样本数量足够的条件下在样本有限的情况下采用中心损失无法取得良好的性能在传统应用中只使用小批次数据计算聚类中心在故障诊断的元学习中表现不佳 为提高有限样本的类内聚类效果采用支持集的中心点作为样本中心点避免通过中心损失选取的中心点与支持集的中心点相差而产生负聚集效应为匹配本文方法的训练过程在每个任务中重新计算每个类的中心点 判别聚类损失表示每个样本点到该类对应中心点的平均距离其计算式为 ()().总体判别空间损失基于上述判别边界损失和判别聚类损失得到判别空间优化损失 为 ()式中 为判别聚类损失的权重判别空间优化损失旨在通过优化不同类别特征的边界来分离不同类别的故障特征并通过优化度量空间内的聚类效果获得更广义的特征 因此通过优化判别空间损失可有效地提取广义特征更好地区分不同类别的特征获得更好的容错能力在小样本、大噪声和可变工况下均可获得良好的性能 故障诊断流程本文提出的基于小样本元学习的变工况滚动轴承故障诊断流程如图 所示图中 表示全连接 整个故障诊断过程可分为三部分:数据预处理、离线建模、在线诊断 具体诊断步骤如下沈 阳 理 工 大 学 学 报 第 卷)通过测量系统从实验装置中收集数据将振动数据导入 输出既保留了显著特征又减少了隐藏在输入中的冗余信息)在源域中训练特征提取器进行判别空间优化然后按照元学习范式构建训练和测试数据集)通过在目标域的新任务支持集中学习少量样本进一步优化判别空间然后将查询集输入训练良好的模型完成故障诊断图 变工况滚动轴承故障诊断流程图.实验验证为验证本文方法的有效性采用美国凯斯西储大学()的开放轴承数据库样本进行实验 实验中超参数 设置为.学习率固定为.所有的方法均选择优化器 为减少误差每个实验均进行 次重复测试去掉其中的最小值和最大值取剩余 个测试数据的平均值作为最终评价结果 本文实验所用的环境配置为:深度学习框架为.变工况轴承故障诊断实验测试轴承(型号为 )安装在电机的驱动端采用加速度传感器在不同负载和不同速度下采集样本数据采样频率设置为 每种工况包含正常、外衬圈故障、内衬圈故障、滚子故障共 种不同健康状态的轴承信号每种类型的故障包含 种不同程度的损伤损伤直径分别为.、.和.英寸故本文所使用的数据集包含了 种类型的轴承故障 分别以转速 、和 /采集数据对应的数据集分别命名为、和 数据集 本文将数据集随机划分为元训练数据集、元验证数据集和元测试数据集 每个子集随机抽取 个类别每个类别随机抽取 个样本进行 训练随机抽取一个样本进行 训练为验证模型在小样本条件下的有效性限制训练集中的样本数量 为验证本文提出 方法的优越性与其他小样本故障诊断方法进行对比包括深度适应网络()、领域适应网络()、元迁移学习()和不可知元学习()变工况诊断结果如表和表 所示为验证模型的抗噪声能力每类抽取 个样本进行特征提取和判别空间优化训练其余样本用于测试并在每个测试样本中添加了额外的高斯白噪声 实验中信噪比分别设置为、本文提出的方法与其他方法在不同信噪比下的诊断准确度对比如表 所示第 期 吴东升等:基于元学习的变工况轴承故障诊断研究表 变工况诊断结果()()任务诊断准确度/.平均.表 变工况诊断结果()()任务诊断准确度/.平均.表 不同信噪比下的诊断准确度对比 信噪比/诊断准确度/.沈 阳 理 工 大 学 学 报 第 卷.实验结果分析由表 和表 可知本文提出的 模型在 和 共 个工况下的诊断均获得了较高的准确度 下的平均准确度为.下的平均准确度为.均远高于其他四个模型且 的准确度高于 这是因为 包含的故障信息比 更为全面增强了模型的泛化能力 本文模型能够提取更多更好的特征用于诊断降低了过拟合的程度由表 可见在不同加噪条件下与其他四个模型相比本文提出的 模型诊断准确度均最高说明本文模型具有较好的抗噪性 这是由于其对判别空间进行了优化将相似的故障特征更紧密地聚集在一起并将不同类别的特征分开从而获得了高度容错的判别空间当故障特征被重噪声污染时不会导致错误分类图 为本文方法分别在数据集加噪和不加噪情况下的 可视化图 由图 可知本文方法聚类效果良好且在噪声下也能较好完成故障分类任务图 可视化图.结论提出了一种由数据重构和元学习判别空间优化相结合的滚动轴承故障诊断方法 并在 实验平台上对该方法的性能进行了评估得到结论如下)的数据重构降低了噪声的影响较好实现了故障分类)通过判别空间优化在训练过程中学习了更多有用的元知识在跨域故障诊断中也表现出了良好的性能)只需要少量样本就可以学习区分不同故障的特征在噪声环境下也有较好表现具有较好的鲁棒性参考文献():杨青张继云吴东升等.基于二维图像和自适配归一化 网络的滚动轴承故障诊断.轴承():.():.()魏永合宫俊宇.基于 的滚动轴承故障诊断.沈阳理工大学学报():.():.()杨青叶义霞吴东升等.基于 的变工况滚动轴承故障诊断.轴承():.():.()第 期 吴东升等:基于元学习的变工况轴承故障诊断研究 .:.徐先峰黄坤邹浩泉等.基于 的滚动轴承故障诊断方法研究.自动化仪表():.():.().:.:.:.:.:.:.:.:.():.:./.:./.:./.:.:/.:.(责任编辑:宋颖韬)沈 阳 理 工 大 学 学 报 第 卷