基于小波变换和CNN的船用机械故障诊断.pdf
《基于小波变换和CNN的船用机械故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于小波变换和CNN的船用机械故障诊断.pdf(10页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:李从跃,胡以怀,沈威,等.基于小波变换和 CNN 的船用机械故障诊断J.中国测试,2024,50(3):183-192.LICongyue,HU Yihuai,SHEN Wei,et al.Fault diagnosis of marine machinery based on wavelet transform and CNNJ.ChinaMeasurement&Test,2024,50(3):183-192.DOI:10.11857/j.issn.1674-5124.2022040193基于小波变换和 CNN 的船用机械故障诊断李从跃1,胡以怀1,沈威1,崔德馨1,张成
2、2,芮晓松2(1.上海海事大学商船学院,上海201306;2.招商局鼎衡造船有限公司,江苏扬州225217)摘要:针对船用机械故障特征自适应提取与智能化诊断问题,采用连续小波变换与卷积神经网络的船舶机械故障诊断方法。以船用风机为例,首先模拟船用机械不同故障并采集振动信号,通过连续小波变换将一维振动信号转化为特征图谱,其包含大量的时频信息。然后通过多次训练后,确定网络结构参数,建立卷积神经网络结构,将时频图作为卷积神经网络输入,挖掘更深层次的高度抽象的故障特征信息。最后在卷积神经网络的输出层接入 softmax 分类器,实现船用机械的故障诊断。实验结果表明:所提方法能准确识别故障类型,且具有较强
3、的鲁棒性和泛化能力,诊断准确率可达 99.3%。与集成经验模态分解、极限学习机故障诊断方法相比,该方法有更高的诊断精度。关键词:连续小波变换;卷积神经网络;小波时频图;船用机械;故障诊断中图分类号:U664.5;TB9文献标志码:A文章编号:16745124(2024)03018310Fault diagnosis of marine machinery based on wavelet transform and CNNLICongyue1,HUYihuai1,SHENWei1,CUIDexin1,ZHANGCheng2,RUIXiaosong2(1.MerchantMarineColleg
4、e,ShanghaiMaritimeUniversity,Shanghai201306,China;2.ChinaMerchantsDinghengShipbuildingCo.,Ltd.,Yangzhou225217,China)Abstract:Aimingattheproblemofself-adaptiveextractionandintelligentdiagnosisofmarinemachineryfault features,a marine machinery fault diagnosis method using continuous wavelet transform
5、andconvolutionalneuralnetworkisproposed.Takingmarinewindturbinesasanexample,firstly,differentfaultsof marine machinery are simulated and vibration signals are collected,and the one-dimensional vibrationsignalsareconvertedintofeaturemapsbycontinuouswavelettransform,whichcontainalargeamountoftime-freq
6、uency information.Then after several trainings,the network structure parameters are determined,theconvolutionalneuralnetworkstructureisestablished,andthetime-frequencygraphisusedastheinputoftheconvolutionalneuralnetworktominedeeperandhighlyabstractfaultfeatureinformation.Finally,thesoftmaxclassifier
7、isconnectedtotheoutputlayeroftheconvolutionalneuralnetworktorealizethefaultdiagnosisofmarinemachinery.Theexperimentalresultsshowthattheproposedmethodcanaccuratelyidentifyfaulttypesandhasstrongrobustnessandgeneralizationability,andthediagnosticaccuracycanreach99.3%.Comparedwithintegratedempiricalmode
8、decompositionandextremelearningmachinefaultdiagnosismethods,this收稿日期:2022-04-28;收到修改稿日期:2022-06-29基金项目:上海市科技计划(20DZ2252300)作者简介:李从跃(1998-),男,山东德州市人,硕士研究生,专业方向为船舶动力装置智能故障诊断。通信作者:胡以怀(1964-),男,江苏高邮市人,教授,博士,研究方向为船舶动力装置振动分析、故障诊断、系统仿真及船舶新能源利用。第50卷第3期中国测试Vol.50No.32024年3月CHINAMEASUREMENT&TESTMarch,2024meth
9、odhashigherdiagnosticaccuracy.Keywords:continuouswavelettransform;convolutionalneuralnetwork;wavelettime-frequencymap;marinemachinery;faultdiagnosis0 引言船用旋转机械工作环境复杂,故障发生率高,轻则产生异常声响、振动加大、零件损坏,重则影响船舶航运安全。目前,船舶机械故障诊断的方法主要利用 EEMD、VMD 等对信号进行故障特征提取。如:但长林等1提出了 ICEEMDAN 样本熵与 SVM相结合的方法,实现了滚动轴承的故障诊断。蒋佳炜等2提出了小
10、波包能量谱和模糊熵特征选择的方法,实现了船舶柴油机的故障诊断。蔡波等3提出 MEEMD 多特征融合与 LS-SVM 相结合的方法,实现了行星齿轮箱的故障诊断。以上方法效果较好,但只能提取一些浅层的特征信息,且船舶机械经常在变工况的条件下运转,信号往往呈非稳性、非线性特点,难以全面刻画特征信息。以深度学习理论为代表的 CNN 在机械故障诊断领域的研究和应用越来越受重视4。Hinton 等5首次提出了深度学习的概念,使深度学习成为了研究的主流。作为机器学习的分支,深度学习能够实现特征自适应提取,克服传统机器学习人为因素的不确定性,提高了故障诊断的准确性。近年来,深度学习在故障诊断领域应用较多,其中
11、卷积神经网络是深度学习的代表。杨劼立等6通过最小熵解卷积与卷积神经网络相结合的方法,实现了滚动轴承的故障诊断。赵小强等7将采集到的样本点进行分段截取,构建为二维矩阵,然后输入到卷积神经网络进行特征提取与故障诊断。李俊等8将采集的信号进行分段得到了峭度指标,然后将其转化为灰度图,输入到卷积神经网络提取特征信息并进行故障诊断。Chen 等9将信号的均值、峭度等特征输入到卷积神经网络中来诊断齿轮箱故障。1D-CNN 与 2D-CNN 训练参数相比,1D-CNN的参数多且模型泛化能力差,导致训练速度和训练精度差。文献 10 通过实验验证了 1D-CNN 处理时频信号效果不如 2D-CNN 效果,且 1
12、D-CNN 的感受野差,网络深度不足,在训练过程中存在过拟合,导致诊断精度降低。欲充分发挥二维卷积神经网络强大的图像处理能力,则需要将一维信号转化为二维时频图。目前,常用的时频分析方法主要有短时傅里叶变换、Wigner-Ville 分布及小波变换等。由于短时傅里叶变换使用固定短时窗函数,本质上为单一分辨率信号分析方法,难以兼顾非平稳信号时域和频域的良好分辨率。Wigner-Ville 分布虽分辨率较高,但各频率分量之间存在交叉项。小波变换为信号分析提供了新思路,在处理船舶机械非线性、非平稳性信号时,可对信号局部特征进行放大。此外,小波变换具有无冗余分解和准确重构的特点,能将故障信号的频带严格区
13、分开,以对故障时频特征充分展现11。基于以上分析,将小波变换和二维卷积神经网络的方法引入船用机械故障识别中。通过连续小波变换,将原始信号转换为相应的时频图,利用卷积神经网络充分提取特征信息,进行船用机械故障诊断。1 基本理论1.1 卷积神经网络Lecun 等12首 次 提 出 卷 积 神 经 网 络(convolutionneuralnetwork,CNN)的概念,是应用广泛的深度学习技术。CNN 主要由卷积层、池化层(下采样)和 softmax 或 SVM 等分类器的全连接层构成13,CNN 结构如图 1 所示。CNN 多层特征检测层通过对原始二维信号逐层学习,不断将底层特征进行变换抽取以提
14、取各层次不同的信号特征,最终形成高度抽象的分布式特征,以揭示隐藏在原始信号中的本质特点11。1.1.1卷积层卷积层由若干个卷积核累积而成,卷积核别称滤波器,为二维矩阵。卷积神经网络通常采用多卷积层结构,第一层卷积层只能提取一些低级的特征,经过多层卷积层处理,就能提取出更加复杂的特征14。卷积运算如下式所示:y=mk=1ni=1x(k,i)w(k,i)+b(1)ikik其中 和 分别表示第 个卷积层,第 个特征图,x代表输入数据,y代表卷积的输出,w和 b 代表卷积184中国测试2024年3月核的权值和偏置。图 2 为特征图 77,卷积核 33,步幅为 2 的二维卷积运算过程。234027952
15、1315316741459151282026813475120711310251*213110312=49 39 4551 53 2930 33 22图 2 二维卷积计算过程1.1.2池化层池化层一般位于两层卷积层之间,其能够逐渐减小表达空间的尺寸,降低网络参数以及计算量,也能起到控制过拟合的作用15。池化层的计算主要包括在一定区域内求平均值或求最大值。图 3 为二维池化的计算过程。最大池化可以迅速手动计算数据特征,而平均池化则相对较慢。因此最大池化被普遍采用,其最大池化为:p(i,k)=max(j1)S+1 012,=00,0(5)a(,)式中:常数;和 控制小波时域和频域衰减的参数17。当
16、 和 等于 2 时,morse 小波信号波形如图 4所示。3020100102030时间/s0.200.20.4模实部虚部01 0002 0003 0004 000频率/Hz00.51.01.52.0(b)频域图(a)信号波形图幅值/(ms2)幅值/(ms2)图 4 morse 小波图2 实例分析2.1 实验流程具体实验流程如图 5 所示。原始时域信号连续小波变换获取时频图网格化压缩处理训练集建立 CNN 初始化参数训练 CNN 模型特征提取与故障分类迭代周期+1否是达到精度要求?完成训练并保存CNN 架构验证集训练好的 CNN 架构特征提取与故障分类分析诊断结果图 5 实验流程图详细步骤如下
17、:1)采集不同工况下的机械振动信号,建立初始化 CNN 参数。2)通过小波变换将采集的振动信号转化为时频图,并进行压缩处理。3)将训练集输入卷积神经网络中,对不同 CNN架构及超参数进行分析,确定理想的 CNN 结构。4)将测试集输入到已构建好的 CNN 模型中,进行特征提取与故障分类。2.2 采集数据以船用风机为例进行故障诊断实验,其由三相异步电动机驱动。船用风机参数如表 1 所示。表 1 船用风机参数工作参数数值额定电压380V额定电流4.6A额定转速1400r/min额定功率1100W额定频率50Hz分别模拟正常、风机叶片严重不平衡、风机底座螺栓松动、电机底座螺栓松动、风机堵转、叶片严重
18、不平衡与电机底座螺栓松动结合故障、风机叶片轻微不平衡 7 种工况,对应编号为 0#6#。振动传感器型号为 CA5005,灵敏度为 10.20mV/g,测点布置如图 6 所示。采样频率为 1652Hz,采样时间为2s。采集各工况振动信号,每个工况采集 20 组数据,对各工况多次重复实验,共采集 2460 组数据。各工况时域波形图如图 7 所示。振动传感器图 6 传感器布置图观察图 7 可知,仅依据振动信号时域波形图很难判断风机处于哪种工况。将每组样本分割,以 1652 个采样点为一组样本,包含风机转动大约 70 圈的数据,所有工况共186中国测试2024年3月4920 组样本。A、B、C、D 表
19、示不同的数据集组合。A 共 4000 组样本,B 共 2300 组样本,C 共 3000 组样本,D 共 1600 组样本,数据集如表 2 所示。2.3 时频分析将数据集进行小波变换得到时频图。限于篇幅,只给出部分工况特征图谱,采样时间 2s,01s 时频图如图 8 所示。表 2 实验数据集数据集训练样本测试样本A30001000B1500800C20001000D100060000.20.40.60.81.0时间/s00.20.40.60.81.0时间/s21012加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)2
20、10123(a)0#工况00.20.40.60.81.0时间/s(c)2#工况00.20.40.60.81.0时间/s(e)4#工况00.20.40.60.81.0时间/s(g)6#工况00.20.40.60.81.0时间/s(f)5#工况00.20.40.60.81.0时间/s(d)3#工况(b)1#工况2101232101221012420241.00.500.51.0图 7 各工况下的时域波形图第50卷第3期李从跃,等:基于小波变换和 CNN 的船用机械故障诊断187时频图通过颜色的不同反映能量的大小,颜色越暖,则表明能量越大。时频图能够反映信号频率和时变特点,蕴含着丰富的时频细节信息。
21、由图可知,各频率带之间无交叉项的干扰,在低频段时,频率分辨率较高;高频段时,时间分辨率较高。在正常工况下,振动冲击性较小,整个过程能量小且平稳,信号的随机性大,当风机发生故障后,低频段变化较小,500700Hz 的频带能量增加且集中,整个过程呈现非平稳性变化。随着故障程度加深,信号能量逐渐增强且波动时间短。在图中不同工况的同一频率段在颜色和纹理特征上的差异明显,但仅凭肉眼是无法对故障进行识别的,引入深度学习的方法,将特征图谱作为 CNN 的输入,即故障识别问题转化为图像智能化分类问题。2.4 卷积神经网络结构与故障识别2.4.1CNN 架构网络层数对 CNN 的构建至关重要,若层数过少,则 C
22、NN 不能处理复杂问题;若层数过多,则易产生过拟合现象。参考前期研究学者研究较好的CNN 模型,选用以下 5 种方案,对训练样本进行训练,验证样本的诊断准确率如表 3 所示。考虑到网络的轻量化及诊断准确率,本文选用 2 层卷积和 2层池化架构。在卷积层后加入 BatchNormalization层增强 CNN 学习能力,有效防止过拟合。为避免梯度消失及加快网络收敛速度,在池化层和全连接层后加入 ReLu 激活函数层。表 3 不同网络结构对比编号方案准确率/%12卷积层+3池化层96.822卷积层+2池化层98.433卷积层+4池化层90.344卷积层+4池化层88.655卷积层+5池化层80.
23、1采用 10 折交叉验证对 CNN 超参数进行选择,主要包含卷积核大小、数量及步幅、池化层大小和步幅以及迭代轮次等。为简化选参流程,对超参数范围进行了设定,选择范围如表 4 所示。采用坐标下降法在每次迭代中针对某一个参数进行一维搜索18。限于篇幅,只列出部分超参数的识别结果,平均诊断准确率如表 5 所示,最终确定的最优超参数如表 6 所示。将小波时频图去除周围文字和能量条,压缩处理为 64643 像元格式,输入到 CNN 进行特征提取和故障分类。采用 Adam 优化器训练 CNN 网络,初始学习效率为 0.001,批量大小为 50,交叉熵作为损失函数,训练样本为 1500,验证样本 500,训
24、练过程如图 9 所示。由图可看出,随着迭代次数的增加,600400200频率/Hz能量能量能量能量00.20.40.60.8时间/s0.40.20600400200频率/Hz00.20.40.60.8时间/s2.52.01.51.00.5(a)0#工况(b)2#工况600400200频率/Hz00.20.40.60.8时间/s(c)4#工况2.01.51.00.500.20.40.60.8时间/s(d)5#工况600400200频率/Hz1.21.00.80.60.40.2图 8 01 s 小波变换时频图188中国测试2024年3月训练集和验证集准确率逐渐升高,损失函数值不断减小,训练集可达到
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 变换 CNN 机械 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。