基于深度置信网络的轴承故障识别分析与研究.pdf
《基于深度置信网络的轴承故障识别分析与研究.pdf》由会员分享,可在线阅读,更多相关《基于深度置信网络的轴承故障识别分析与研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-06-11基金项目:国家自然科学基金(62001312,62101355);辽宁省教育厅科学研究项目(JL-1909);辽宁省科学技术计划项目(2021-MS-269)作者简介:刘雨轩(1996-),男,安徽合肥人,硕士研究生。通讯作者:王琳(1980-),女,辽宁沈阳人,副教授,博士,主要从事信号处理与生物工程等方向的研究。基于深度置信网络的轴承故障识别分析与研究刘雨轩1a,王琳1b,张鹏镇1a,徐鑫1b,尹晓伟1b,陈骥驰2(1.沈阳工程学院 a.能源与动力学院;b.机械学院,辽宁 沈阳 110136;2.沈阳工业大学 机械工程学院,辽宁 沈阳 110870)摘要:轴承
2、为诸多机械设备的重要零部件,对其故障状态的识别对于设备的稳定运行具有重要的意义。本文首先利用改进的自适应噪声完全集合经验模态分解(ICEEMDAN)与小波阈值相结合的方法去除轴承振动信号中的伪迹,然后分别提取信号的标准差、峭度、样本熵等线性和非线性特征,最后将多域特征作为输入项,利用深度置信网络(DBN)进行训练识别,建立了能够有效识别轴承故障类型的网络模型。试验结果表明:该模型对轴承故障类型识别的正确率可达97.8%。关键词:轴承振动信号;ICEEMDAN;小波阈值;深度置信网络中图分类号:TP751.1文献标识码:A文章编号:1673-1603(2023)04-0084-06轴承是旋转机械
3、的重要零部件,是最易受损的零部件之一,在目前的生产作业中大多靠人工经验对其故障进行检测分析,该方法主观性强、准确性低且实时性差,很难及时发现一些潜在故障。因此,国内外专家利用机器学习算法1-6对轴承振动信号进行分析,以提高故障诊断的准确性和及时性。轴承往往在含有大量复杂噪声的环境下工作,会影响识别其故障的准确性。因此,对其振动信号进行去噪处理十分关键。石明江等7提出了一种基于小波包分解去噪方法,利用小波包分解特性将信号分解为多个不同尺度的小波子带,对每个小波子带进行阈值处理。包广清等8先用经验模态分解(EMD)对振动信号进行分析,再采用自适应阈值进行信号重构。裴峻峰等9利用集合经验模态分解(E
4、EMD)对信号进行分析,采用距离因子和相关系数相结合的方法筛选并重构IMF分量,去除了噪声分量,但难以解决伪模态问题。文献 10 在2014年提出改进自适应噪声完全集合经验模态分解(ICEEMDAN)方法,在一定程度上解决了采用EMD处理信号后残留噪声和伪模态的问题。传统的机器学习算法广泛应用在故障识别问题中,若机械设备的故障类型相似度高,仅靠手动特征提取再输入网络后可能会导致识别的准确性低,而深度神经网络可以提取信号中的高维度特征,很好地弥补传统机器学习算法在这方面的不足。文献 11-13 验证了深度置信网络(DBN)在数据特征提取及识别上的优越性,表明DBN可以DOI:10.13888/k
5、i.jsie(ns).2023.04.016第 19 卷第 4 期2 0 2 3 年 10 月Vol.19 No.4Oct.2023沈阳工程学院学报(自然科学版)Journal of Shenyang Institute of Engineering(Natural Science)提取数据中的高维度特征,能够提高识别故障的准确性。因此,本文以滚动轴承的振动信号为研究对象,利用改进自适应噪声完全集合经验模态分解算法与小波阈值相结合的方法对原始振动信号去噪,提取振动信号的多种特征,建立数据集并输入到网络中,建立基于深度置信网络的轴承故障诊断模型。1信号去噪1.1ICEEMDAN算法原理相较于EM
6、D算法,ICEEMDAN方法的抗噪声能力更强,鲁棒性更好,可扩展性更佳。在对噪声的鲁棒性和可扩展性要求比较高的应用场景可以发挥更大的作用。算法步骤如下:1)定义算子Ej()为求1个信号EMD分解的第j个IMF分量。2)定义算子Mj()为求信号的局部均值。3)设原始信号为x n,应用EMD对原始序列信号x n 迭代分解I次。先计算一阶残差r1和第一阶本征模态函数fIMF1,再依次计算k阶残差rk和第k阶本征模态函数fIMFk:r1=1Ii=1IM(x+0(i)n)(1)fIMF1=x-r1(2)rk=1 Ii=1IM rk-1+k-1Ek(i)(3)fIMFk=rk-1-rk(4)式中,(i)为
7、加入的第i组高斯白噪声,在求IMF的过程中,所加入的噪声信号都是原始噪声信号的IMF分量;j为加入噪声的信噪比与该噪声分量标准差之比;添加的白噪声组数和j都是 ICEEMDAN算法的入口参数。4)最终残差R和原始序列信号x分别为R=x-k=1kfIMFk(5)x=R+k=1kfIMFk(6)不同的IMF分量所包含的信息不同。为删去无用分量,保留有用分量,本文利用斯皮尔曼相关系数法界定分界点,将与原始信号相关系数小于0.3 的主要由噪声产生的分量去除,保留其余的IMF分量并进行重构。斯皮尔曼相关函数表达式如下:R=i=1n()xi-x()yi-y i=1n()xi-x 2i=1n()yi-y 2
8、(7)1.2小波阈值去噪小波阈值去噪是一种建立在小波变换多分辨率分析基础上的算法。由于噪声信号与有用信号在不同频带上的小波分解系数具有不同强度分布,所以可在重构时降低对应噪声的小波系数权重,提高原始信号的小波分解系数权重,即可获得噪声相对少的信号。小波阈值去噪的步骤如下:1)选用合适的小波函数,要求其对非平稳信号的适应性、信息压缩性及对原始信息的保留性好。2)按照不同的尺度将小波系数进行分组,得到分解后的小波系数。3)对噪声系数配以少量权重进行重构,对信号去噪。本文利用ICEEMDAN将轴承的原始振动信号分解成若干份,设置ICEEMDAN噪声与信息的标准差之比为0.16,平均次数为50,最大迭
9、代次数为200,根据斯皮尔曼自相关系数法保留部分IMF分量。选择Symlet小波作为小波函数,对保留的IMF分量进行三层小波分解去噪。最后,对其重构,可得到最终的去噪信号。ICEEMDAN-WT的去噪流程如图1所示。1.3去噪结果以凯斯西储大学轴承振动信号的数据集为例。该数据集含有4种故障振动信号,每种信号取120 000个采样点,采样频率为200 Hz。0.8 s的原第 4 期刘雨轩,等:基于深度置信网络的轴承故障识别分析与研究85第 19 卷沈阳工程学院学报(自然科学版)始振动信号如图2所示,经过ICEEMDAN分解的振动信号IMF分量如图3所示。图1ICEEMDAN-WT去噪流程图20.
10、8 s的原始振动信号图3经ICEEMDAN分解的振动信号IMF分量对分量进行快速傅里叶变换,可得到各个分量在频域上的分布,如图4所示。图4IMF的频域分布利用式(7)计算各分量与原始信号的相关系数,对相关系数大于0.3的分量进行小波阈值去噪,再重构,得到去噪后的振动信号,如图5所示。图5ICEEMDAN-WT去噪效果由图5可知:去噪后的振动信号更加平缓,这是因为ICEEMDAN分解再重构后,将一些有规律的噪声分量去除了,小波阈值去噪消除了一些尖锐的无规律噪声。由此可见,ICEEMDAN-WT具有良好的去噪效果。2基于DBN的轴承故障识别模型2.1数据集建立实验采集的传感器信号往往存在高维度、信
11、息冗余等问题,直接输入到神经网络可能会导致训练86困难或结果不稳定。因此,先手动提取特征,将原始信号转换为更容易被模型学习的特征,再将提取后的特征输入到DBN进行深层次提取。这样不仅使模型识别的准确率更高、训练时间更短,也能减少输入数据的维度,提高模型训练的稳定性。计算信号有平均值、方差、峭度、标准差、能量熵、信息熵、多尺度熵等22个特征向量。2.2DBNDBN 通常由若干个受限玻尔兹曼机(RBM)构成,每个RBM包含1个显层和1个隐层,如图6所示。图6受限玻耳兹曼机显层接收输入数据并生成对应的隐层特征,每个RBM的隐层都作为下一个RBM的输入进行训练,直到所有RBM训练完成后,形成1个初始化
12、的多层神经网络。经过反向传播后对神经网络参数权重进行微调,得到最终的DBN模型。设v=()v1,v2,vn为显层神经元当前所处状态的向量,h=()h1,h2,hn为隐藏层神经元当前所处状态的向量,则RBM的能量函数为E()v,h;=-i=1naivi-j=1mbihi-i=1nj=1mijvihj(8)式中,a、b分别表示 RBM 中可视单元、隐藏单元的偏置;ij为连接2个节点间的权重值;=w,a,b为参数。此时,该模型2个层的节点联合概率为P()v,h;=1 Z()exp-E(v,h|)(9)式中,Z为配分函数,表示神经元能够取到的总和。Z()=v,hexp-E(v,h|)(10)可视层条件
- 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 深度 置信 网络 轴承 故障 识别 分析 研究
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。