变负载工况下滚动轴承故障分类识别方法研究.pdf
《变负载工况下滚动轴承故障分类识别方法研究.pdf》由会员分享,可在线阅读,更多相关《变负载工况下滚动轴承故障分类识别方法研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第期石家庄铁道大学学报(自然科学版)V o l N o 年月J o u r n a lo fS h i j i a z h u a n gT i e d a oU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n)S e p 变负载工况下滚动轴承故障分类识别方法研究尹博文,任彬,郝如江,张建超(石家庄铁道大学 机械工程学院,河北 石家庄 )摘要:针对变负载工况下单尺度C NN提取滚动轴承健康状态特征不充分的问题,提出了一种D S C NN B i L S TM诊断模型.该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷
2、积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断.通过设置种不同变负载工况实验,采用D S C NN B i L S TM模型进行滚动轴承故障特征提取,平均准确率分别达到了 和 ,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术.关键词:双尺度卷积神经网络;双向长短时记忆网络;变负载工况;滚动轴承故障诊断中图分类号:TH 文献标志码:A文章编号:()收稿日期:责任编辑:车轩玉D O I:/j c n k i s j z t d d x x b z r b 基金项目:国家自然科学基金重点项
3、目();国家自然基金面上项目()作者简介:尹博文(),男,硕士研究生,研究方向为机械装备状态监测.E m a i l:q q c o m尹博文,任彬,郝如江,等变负载工况下滚动轴承故障分类识别方法研究J石家庄铁道大学学报(自然科学版),():引言机械故障诊断已进入“大数据”时代.深度学习模型强大的特征提取能力以及对大批量数据的处理能力,使得基于深度学习的轴承故障诊断在近年来得到了广泛应用,并取得了很好的效果.YOUe t a l提出了一种基于C NN和双向长短时记忆网络的(B i L S TM)的轴承故障诊断方法,获取滚动轴承故障特征的同时又防止了深度学习模型的过拟合;Q I AOe ta l
4、提出一种基于卷积神经网络(C NN)和长短时记忆(L S TM)神经网络的双输入模型,利用原始振动信号和时频图对模型进行训练从而使用时域和频域特征来实现对滚动轴承的端对端故障诊断;徐先峰等提出了一种基于C NN L S TM的轴承故障诊断模型,实现了端对端的轴承健康状态分类.这些方法都利用了卷积神经网络强大的空间提取能力和长短时记忆网络处理序列信息的能力,具有很好的泛化性和鲁棒性,但单尺度的C NN往往对轴承故障特征提取不充分,并且在变负载的情况下滚动轴承的振动信号具有非线性特征,很难区分相同的故障类型,从而导致深度学习模型故障诊断的准确率降低.为了充分提取变负载工况下滚动轴承振动信号的空间特
5、征和时序特征,以适应现实工业生产中机械设备复杂多变工况,提出了一种双尺度卷积神经网络 长短时记忆网络(D u a l S c a l eC o n v o l u t i o n a lN e u r a lN e t w o r kB i d i r e c t i o n a lL o n gS h o r t T e r m M e m o r y,D S C NN B i L S TM)模型,通过设置种不同变负载情况对该模型进行了变负载实验,验证了D S C NN B i L S TM模型的可行性和泛化性.D S C N N B i L S TM模型理论 基础理论 粗粒度化给定原始输入
6、振动信号,粗粒度化的运算过程为y(s)jj si(j)s Xi/sjNs()石家庄铁道大学学报(自然科学版)第 卷x1x2x3x4x5x6xixi+1x1x2x3x4x5x6xixi+1xi+2y2,1y2,2y2,3y3,2y3,1y2,j=(xi+xi+1)/2y3,j=(xi+xi+1+xi+2)/3s=2s=3图粗粒度化过程式中,y(s)j为粗粒度化后的振动信号;N为原始输入振动信号长度;Xi为原始振动信号第i个值;s为粗粒度化尺度.由式()可知,当s时,振动信号为其本身,以s和s为例,其运算过程如图所示.双向长短时记忆网络双向长短时记忆网络(B i L S TM)由正向L S TM和
7、反向L S TM组成,其计算过程为htf(wxtwht)()htf(wxtwht)()Stg(whtwht)()式中,ht、ht分别为正向L S TM和反向L S TM的输出;wx为对应的权重;St为B i L S TM在t时刻的输出.D S C N N B i L S TM模型D S C NN B i L S TM模型只需输入原始振动数据,就可实现对滚动轴承的运行情况进行在线监测.其具体结构如图所示,主要由双通道的卷积神经网络、B i L S TM层和全连接层组成.原始信号一维卷积层最大池化层最大池化层最大池化层最大池化层一维卷积层一维卷积层一维卷积层平均池化层s=1s=2BN层BN层BN层
8、BN层ReLuReLuReLuReLu641161641161振动信号特征融合输出正向LSTM正向LSTM反向LSTM反向LSTM反向LSTMdropoutSoftmax正向LSTM图D S C N N B i L S TM模型结构在模型的第通道,受粗粒度化原理启发,采用平均池化层来替换双尺度粗粒度层,在s时,通道输入为原始振动信号本身.s时,采用池化尺寸为、步长为的一维平均池化层,即当sn时,用池化尺度为n、步长为n的一维池化层来代替双尺度粗粒度层.采取此种方式建立双通道输入对滚动轴承振动数据进行粗粒度化处理,充分提取其空间特征.其中平均池化层的计算过程为pl(m,n)a v ga v g(
9、j)tj wxl(m,n)()D S C NN B i L S TM模型采用一维卷积层、B N层和最大池化层来构建卷积神经网络模块,对滚动轴承振动信号进行空间特征提取.在卷积神经网络模块中,设置个一维卷积层(C o n v D),每个一维卷积层后添加批量归一化层(B N层)并使用R e L u激活函数,在保证模型训练过程稳定的同时,也可以加快模型训练和准确率收敛的速度,防止梯度爆炸和梯度消失.卷积层和最大池化层的运算过程为ymn(i)f(mnxm(i)bmn)()pl(m,n)m a xm a x(j)tj wxl(m,n)()第期尹博文等:变负载工况下滚动轴承故障分类识别方法研究 式中,ym
10、n(i)为第m个卷积层提取的特征;f为激活函数;mn为第m层中第n个卷积核的权重;为卷积运算;xm(i)为输入的特征向量;bmn为偏置;xl(m,n)为第l层中第m个特征区域的第n个神经元;j为第j个卷积核且为不小于的整数;为卷积核大小.在卷积神经网络模块中,根据人工经验设置各个层的参数,如表所示.表卷积神经网络模块参数设置层名称卷积核/池化尺寸个数步长卷积层 卷积层 最大池化层经过双通道的卷积神经网络对滚动轴承数据进行空间特征提取后,使用c o n c e n t r a t e层对两通道的数据进行特征融合,其运算过程为xl(m,n)cxl(m,n)sxl(m,n)s()式中,xl(m,n)
11、sn为第n个通道对滚动轴承提取后的特征.将融合后的特征输入到B i L S TM层中来提取滚动轴承数据的时序特征,并且在B i L S TM层后加入d r o p o u t层,来防止深度学习模型参数量过大导致的过拟合.其中B i L S TM层隐藏层单元数为 ,设定d r o p o u t值为.模型的最后为个全连接层,第个全连接层神经元个数为 ,第个全连接层神经元个数为训练数据的种类数,激活函数为S o f t m a x.在模型编译中,采用A d a d e l t a优化器,初始学习率为默认值,衰减因子d e c a y值为 ,批大小为,迭代次数为.图CWR U试验平台 实验验证为了验
12、证D S C NN B i L S TM模型在变负载工况下的滚动轴承故障诊断的准确性和泛化性,采用美国凯斯西储大学(C a s eW e s t e r nR e s e r v eU n i v e r s i t y,CWRU)和德国帕德博恩大学(P a d e r b o r nU n i v e r s i t y)轴承数据集来设置种不同的变负载情况作为D S C NN B i L S TM模型的实验验证.实验验证CWR U数据集试验平台如图所示,通过电机在不同负载工况下采集滚动轴承的振动数据.实验采用采样频率为 k H z的驱动端加速度数据,轴承损伤采用电火花加工的单点损伤,分别在电
13、机、W种负载工况下,对滚动轴承的正常状态、内圈故障、外圈故障和滚动体故障数据进行分析.因本数据集故障数据较少,且深度学习训练样本数较少时,训练模型识别性能将下降,故采用重叠采样方式,参考文献 样本处理方式,获取轴承在种负载条件下的 种轴承健康状况数据,每种健康状况为 个样本,每个样本为 个数据点,得到每种负载情况下 个样本,共计 个样本.其中每种健康状况的轴承在不同负载条件下的标签为同一类别,如表所示.表CWR U数据集变负载工况样本设置损伤位置损伤尺寸/mm标签正常 外圈 内圈 滚动体 石家庄铁道大学学报(自然科学版)第 卷为了验证D S C NN B i L S TM模型在变负载情况下的故
14、障诊断精度,设定种类型的负载任务进行实验,将种不同负载情况下的数据进行划分,训练集和测试集比例为,如表所示.表CWR U数据集变负载实验设置W负载实验负载任务A负载任务B负载任务C负载任务D训练集、测试集 D S C NN B i L S TM模型采 用 双 尺 度 通 道 对 滚 动 轴 承 振 动 信 号 进 行 双 尺 度 特 征 提 取,为 验 证D S C NN B i L S TM模型中添加双尺度 通 道 的 可 行 性,调 整 和 拆 解 模 型 结 构 进 行 对 比 实 验 分 析:C NNB i L S TM,将D S C NN B i L S TM模型第尺度 层通道去除,
15、只 保 留s通 道 与B i L S TM衔接;三尺度C NNB i L S TM,在D S C NN B i L S TM模型的基础上添加s尺度通道;双尺度C NN,将D S C NN B i L S TM模型中的B i L S TM层和d r o p o u t去除,在二尺度的卷积神经网络模块后添加F l a t t e n层;B i L S TM,将D S C NN B i L S TM模 型 中 的 卷 积 神 经 网 络 模 块 去 除,保 留B i L S TM层.在实验过程中,各个模型的超参数设置与D S C NN B i L S TM相同,d r o p o u t率为,批次大
16、小为,优化器为A d a d e l t a,迭代次数为 次.采用K e r a s库和T e n s o r F l o w框架,计算机配置为I n t e l(R)C o r e(TM)i HQC P U H z,NV I D I AG e F o r c eG T X T i显卡,G B运行内存.实验对比结果如表所示.表CWR U数据集变负载实验模型对比模型负载任务A负载任务B负载任务C负载任务D平均准确率/C NNB i L S TM 三尺度C NNB i L S TM 双尺度C NN B i L S TM 本文模型 由表可知,D S C NN B i L S TM模型的平均准确率分别
17、比C NNB i L S TM、三尺度C NNB i L S TM、双尺度C NN和B i L S TM模型提高了、和 .采用混淆矩阵方法进行故障状态识别,从而获取模型诊断的样本数据,为D S C NN B i L S TM模型故障诊断结果提供可靠数据来源.如图所示,横坐标轴为模型预测的滚动轴承健康状态标签,纵坐标轴为实际的滚动轴承健康状态标签.由图(a)可知,负载任务A中,模型将 个标签为的外圈 mm故障样 本 识 别 为 了 标 签 为的 滚 动 体 mm故 障,个 标 签 为的 内 圈 mm故障样本识别为了标签为的外圈 mm故障.在负载任务B中,由图(b)所示,模型预测标签与实际标签基本
18、一致.在负载任务C中,如图(c)所示,模型将 个标签为的滚动体 mm故障样本识别为标签为的外圈 mm故障.在负载任务D中,如图(d)所示,标签为的内 圈 mm故障 样本中有 个样本被模 型识别为标 签为的 滚 动 体 mm故障,个样本识别为标签为的内圈 mm故障,个样本识别为标签为的内圈 mm故障.另外模型将 个标签为的内圈 mm故障识别为标签为的内圈 mm故障,个标签为的滚动体 mm故障样本识别为标签为的外圈 mm故障.第期尹博文等:变负载工况下滚动轴承故障分类识别方法研究 012 3456 78960050040030020010000123456789Predict labelTrue
19、label(a)负载任务A012 3456 78960050040030020010000123456789Predict labelTrue label(b)负载任务B012 3456 78960050040030020010000123456789Predict labelTrue label(c)负载任务C012 3456 78960050040030020010000123456789Predict labelTrue label(d)负载任务D图CWR U数据集变负载实验混淆矩阵图德国帕德博恩大学试验台 实验验证选取德国帕德博恩大学数据集 进行变负载实验,其试验台如图所示.选取不同的
- 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:
- 负载 工况 滚动轴承 故障 分类 识别 方法 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。