基于CNN-BiLSTM的轴承故障诊断程序设计

)式中：为前向LSTM层的输出，为后向LSTM层的输出，BiLSTM的输出状态会根据和进行矩阵拼接并输出；为BiLSTM叠加后的隐藏层的输出。2.6本章小结本章阐述了滚动轴承的构造以及失效形式和阐明了卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM）的工作原理、运行过程及其在轴承诊断中的应用。

3基于CNN-BiLSTM的轴承故障诊断3.1本文算法步骤本研究将具有长短期记忆的双向卷积神经网络模型（CNN-BiLSTM）和变模分解（VMD）算法结合用于轴承故障诊断。本文确定变模分解（VMD）的最佳分解层数和惩罚系数具体实施的路径通过两种方式进行的，第一种是信号预处理的方式，在完成VMD参数优化后立即采用优化后的VMD对原始振动信号实施分解来确保时频特征的精准剥离，第二种是模型构建的方式，独立同步开展CNN-BiLSTM模型的训练集分类训练与测试集准确性验证形成预处理结果与模型能力能够互相验证的模型。本文提出的故障诊断模型如REF_Ref25489\h图10所示。图SEQ图\*ARABIC10VMD-CNN-BiLSTM故障诊断模型3.2实验验证3.2.1数据集介绍本研究采用了CWRU滚动轴承振动数据集，数据是通过故障测试平台收集的；该数据集作为核心数据用来验证轴承故障诊断和预测技术，其中包含正常轴承以及存在各种故障的轴承在各种运行条件下的振动信号。测试装置包括一个2马力电机、一个扭矩传感器和一个负载电机。该数据集的系统性设计与测试装置的精准配置是作为实验数据的核心来源的非常重要的原因，以上这些装着共同为后续的故障特征分析和模型性能评估奠定了坚实的实证基础，让与这个数据有关的研究结论更加具有工程应用价值和普遍适用的性质。如REF_Ref25577\h图11所示。图SEQ图\*ARABIC11滚动轴承试验台测试设备的采样频率为12kHz，负载大小为2HP，使用SKF6205轴承。引入了0.007、0.014和0.021英寸三种误差直径。转速保持在1750r/min。内圈故障(IRF)、外圈故障(ORF)、滚珠故障(BF)和正常状态信号的采样和故障定位都在驱动侧。数据集包含原始时间序列数据，适合直接进行时域分析，也可转换为频域进行进一步分析。根据轴承的尺寸参数，得出了误差的特征频率，如REF_Ref21411\h表3-1所示：表3-SEQ表3-\*ARABIC1SKF6205轴承故障特征频率故障类型特征频率fi内圈故障161.73外圈故障107.82滚动体故障61.993.2.2数据处理本研究使用的驱动侧数据来自西储大学轴承数据集，并以MATLAB格式呈现。具体来说，该数据集包含一个97.mat文件，这个文件中包含正常工作条件下的数据，以及107.mat、120.mat和132.mat文件，这三个文件分别对应三种不同类型的轴承缺陷。这些缺陷包括滚动体点蚀、内圈点蚀和外圈点蚀，在本实验中将滑动窗口w的大小设为1000，样本误差点m设为2048。收集到的数据集用于特征提取。3.2.3故障特征的提取本研究共分析了10种不同的断层类型。每种故障类型都收集了120个样本集，每个样本集由2048个数据点组成。除正常信号外，每种故障类型的120个样本集几乎涵盖了所有数据点。每个类别随机选择90个样本集作为训练数据集，其余30个样本集作为测试数据集。设置优化变量数目为2,惩罚参数α的上下限为[100，2500],分量的数量上下限为[3，10]。最大迭代次数设为60次，群体规模设为10个。如REF_Ref25695\h图12所示，在实际测试过程中，对三种故障状态和正常状态的原始振动信号进行变模分解（VMD）后，在时域上得到了变量比较的振荡图。图SEQ图\*ARABIC123种故障状态及正常状态VMD分解对比图在本研究中最小包络熵被用作优化分解过程的拟合函数。实验共1200组样本，每组包含2048个数据点。结果如REF_Ref25780\h图13所示,轴承振动信号被分解为5个瞬时模态函数(IMF),各IMF中心频率分别约为300Hz、1200Hz、2200Hz、700Hz、4800Hz，其频谱独立，避免模态混叠问题，可重构原始信号频谱，结果如REF_Ref25884\h图14所示。图SEQ图\*ARABIC13各IMF分量的中心频率图SEQ图\*ARABIC143种VMD重构信号结果在本研究中提取轴承是使用变模分解（VMD）算法来完成，并将这一过程中获得的数据依次纳入用于故障诊断的CNN-BiLSTM卷积神经网络模型架构。诊断结果如REF_Ref25992\h图15所示。图SEQ图\*ARABIC15测试识别结果将CNN集成到LSTM和BiLSTM模型中可显著提高测试集的准确性。准确率的提高是由于CNN能够从输入数据中有效提取关键特征，这反过来又提高了模型理解数据的能力，从而提高了准确率。结果如REF_Ref22201\h图17所示。图SEQ图\*ARABIC16模型训练准确率图SEQ图\*ARABIC17模型训练损失函数图在评估分类模型性能的众多手段中，混淆矩阵凭借其独特优势占据着重要地位。作为测试数据集最终测试成果更加清晰的呈现方式，混淆矩阵不仅能够以直观的方式将模型预测标签与实际标签间存在的一致性及差异清晰展现，还能有效反映出模型预测相较于实际标签的精准程度。这种更加清晰地呈现工具为全面衡量模型性能构筑起稳固的基石为研究提供更加详细信息，所以让研究人员得以深入剖析模型在分类任务中的表现并对模型进行优化与改进。在轴承故障诊断研究中，混淆矩阵作为核心评估工具，它的价值体现在通过可视化呈现各类型故障的识别准确率来直观量化模型对多故障类别的诊断能力。该模型在准确识别大多数轴承故障类别方面表现出色，某些类别的准确率高达99%，通过矩阵来验证所提出的方法和为轴承故障诊断提供了新的思路和方法。在混淆矩阵中与最小包络熵相对应的内部振动函数（IMF）分量用于提取几个关键特征，其中主要是由平均值、方差、峰值、幅值等七维统计特征构成，通过这些特征进一步构建包含时域与幅域信息的特征向量。这种多维度特征组合策略为后续模型训练提供了结构化输入基础。模型训练体系采用分层验证机制：将每种故障类型的120个特征向量样本按3:1比例划分为训练子集与验证子集，这些子集中前90个样本承担CNN-LiLSTM模型的参数优化任务后30个样本则用于CNN-BiLSTM模型的预测性能校验。结果如REF_Ref7722\h图18中的混淆矩阵所示：图SEQ图\*ARABIC18VMD-CNN-BiLSTM诊断结果就准确率而言，VMD-CNN-BiLSTM算法在测试集上的识别率高达98.2%，并比其他算法高出14.46%。在保证高准确率的同时，该方法的优化时间也比其他算法更短。3.2.4与其他算法对比（1）与同类算法相比本章最后以VMD-CNN-BiLSTM与CNN-BiLSTM故障诊断方法的比较，评估了所提出的VMD-CNN-BiLSTM故障诊断方法的准确性和效率。用来比较的CNN-BiLSTM网络结构结果如REF_Ref22589\h图19所示，此模型采用10次随机初始化进行训练，以进一步评估每个模型的通用性和稳健性。REF_Ref8421\h表3-2总结了各模型训练后的性能对比。图SEQ图\*ARABIC19未经VMD处理的结果图表3-SEQ表3-\*ARABIC2故障诊断结果对比对比模型平均准确率/%平均运行时间/sCNN⁃BiLSTM83.284VMD⁃CNN⁃BiLSTM本章小结本文提出一种基于VMD-CNN-BiLSTM轴承诊断程序设计。本章首先以VMD提取CWRU数据集里的轴承故障数据，对轴承故障数据进行分解，然后传入到CNN-BiLSTM模型中，通过此模型对轴承故障数据进行识别，以达到准确快速诊断的目的。在本章中通过数据的验证以及与同类方法对比，证明了此方法的优越性。

4总结及展望4.1总结为了实现轴承早期故障预警、健康状态评估以及优化维护策略，本文提出了一种用VMD对轴承的特征信号进行分解和CNN-BiLSTM对轴承的特征信号进行提取相结合的VMD-CNN-BiLSTN诊断模型。本文的结论总结及研究工作如下：（1）本研究使用的数据来自凯斯西储大学（CWRU）通过诊断测试设备获得的滚动轴承振动数据集。本文第一步是对对原始信号进行变异模式分解（VMD）以此得到一系列本征模式函数（IMF）。这些IMF使用包络熵的最小值作为拟合标准，以确定包络熵的最小分量，并从所选分量中提取时间级指数来构建特征向量，这样就能高效地获取断层扫描数据，并有助于准确提取特征。（2）本研究介绍了一个将卷积神经网络（CNN）、变分模式分解（VMD）以及双向长短期记忆网络（BiLSTM）结合在一起的模型，并通过VMD对振动信号进行自适应分解，解决了传统信号处理方法（如EMD、EEMD）中模态混叠和端点效应的问题。（3）本研究使用CNN提取空间信号特征，并结合BiLSTM考虑时间相关性，从而克服了单一网络结合空间和时间特征的局限性，实现了故障特征的多尺度联合学习。实验结果表明，本文研究的模型在CWRU数据集上的准确率高达98.2%，比未经过VMD处理的CNN-LSTM模型高出了14.46%。4.2展望本文研究取得了一些成果，主要集中在利用一维卷积神经网络研究不同工况下的轴承故障诊断问题，本研究受一些条件限制难免存在一些不足之处，所以有些问题需要进一步进行研究：本文章中使用的VMD参数优化基于现有的智能算法，可实现局部优化，后续的研究可以采用元学习或强化学习框架来有效地对超参数进行自适应调整（2）本文的研究主要在算法模型层面进行，没有考虑振动信号固有的故障特性以及不同运行条件对这些信号的具体影响，建议今后的研究应考虑先进的专业知识，重点研究振动信号的产生机理和为振动信号开发合适的网络架构。参考文献HuangNE,ShenZ,LongSR,etal.TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[J].ProceedingsoftheRoyalSocietyofLondon.SeriesA:Mathematical,PhysicalandEngineeringSciences,1998,454(1971):903-995.王耀赢,刘德平,郑鹏.基于EMD和改进Teager能量算子的轴承故障诊断[J].组合机床与自动化加工技术,2018(06):81-83+88.WuZ,HuangNE.ENSEMBLEEMPIRICALMODEDECOMPOSITION:ANOISE-ASSISTEDDATAANALYSISMETHOD[J].AdvancesinAdaptiveDataAnalysiS,2009,1(1):1-41.陆丹,肖志怀,刘东,等.基于EEMD-GA-BP的水电机组状态趋势预测[J].中国农村水利水电,2021,(08):186-194.王玉静,那晓栋,康守强,等.基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J].中国电机工程学报,2017,37(23):6943-6950+7085.王玉静,那晓栋,康守强,等.基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J].中国电机工程学报,2017,37(23):6943-6950+7085TorresME,ColominasMA,SchlotthauerG,etal.Acompleteensembleempiricalmodedecompositionwithadaptivenoise[C]//2011IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP).IEEE,2011:4144-4147.尚海昆,许俊彦,李宇才等.CEEMDAN在变压器振动信号提取中的应用[J].控制理论与应用,2022,39(03):459-468.SmithJS.ThelocalmeandecompositionanditsapplicationtoEEGperceptiondata[J].JournaloftheRoyalSocietyInterface,2005,2(5):443-454.张瑞成,白晓泽,董砚,等.基于LMD能量熵和定位分析的风电变流器开路故障诊断[J].太阳能学报,2023,44(06):484-494.GillesJ.Empiricalwavelettransform[J].IEEEtransactionsonsignalprocessing,,2013,61(16):戴含芳.元素分析方法及在旋转机械故障诊断中的应用研究[D].北京建筑大学,2023.Dragomiretskiy,Konstantin,andDominiqueZosso.“Variationalmodedecomposition.”IEEEtransactionsonsignalprocessing62.3(2013):531-544.DingJ,XiaoD,LiX.GearfaultdiagnosisbasedongeneticmutationparticleswarmoptimizationVMDandprobabilisticneuralnetworkalgorithm[J].IeeeAccess,2020,8:18456-18474.齐咏生,白宇,高胜利,等.基于VMD与熵价值的风电机组轴承故障诊断[J].控制工程,2020,27(12):2055-2062.NazariM,SakhaeiSM.Successivevariationalmodedecomposition[J].SignalProcessing,2020,174:107610.解春维,余美仪.基于SVMD和波形因子准则的电动机滚动轴承故障特征提取方法[J].机电工程技术,2024,53(01):238-242.吴晨芳,杨世锡,黄海舟等.一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究[J].振动与冲击,2021,40(12):55-61.董绍江,裴雪武,吴文亮等.基于多层降噪技术及改进卷积神经网络的滚动轴承故障诊断方法[J].机械工程学报,2021,57(01):148-156.曾梦洁,李舜酩,陆建涛等.基于深度神经网络的嵌入式轴承故障智能诊断系统[J].工业控制计算机,2021,34(10):41-43+47.赵志宏,赵敬娇,魏子洋.基于BiLSTM的滚动轴承故障诊断研究[J].振动与冲击,2021,40(01):95-101.杨如意.基于深度残差BiLSTM的轴承故障诊断研究[J].现代计算机,2021,27(24):42-46.陈保家,陈学力,沈保明等.CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用[J].西安交通大学学报,2021,55(06):28-36.Zou,Ping,etal."BearingFaultDiagnosisMethodBasedonEEMDandLSTM."Int.J.Comput.Commun.Control(2020).Chen,Xiaohan,Bei-keZhang,andDONGGAO."Bearingfaultdiagnosisbaseonmulti-scaleCNNandLSTMmodel."JournalofIntelligentManufacturing(2020).宫文峰,陈辉,张泽辉等.基于改进卷积神经网络的滚动轴承智能故障诊断研究[J].振动工程学报,2020,33(02):400-413.于洋,马军,王晓东等.基于GST与改进CNN的滚动轴承智能故障诊断[J].铁道科学与工程学报,2022,19(07):2050-2060.刘之航,钟玉华.基于CNN-BiLSTM的可解释性轴承故障诊断[J].组合机床与自动化加工技术,2022,583(09):59-63.曹正志,叶春明.改进CNN-LSTM模型在滚动轴承故障诊断中的应用[J].计算机系统应用,2021,30(03):126-133.董绍江,李洋,梁天等.基于CNN-BiLSTM的滚动轴承变工况故障诊断方法[J].振动.测试与诊断,2022,42(05):1009-1016+1040.宋霖,宿磊,李可等.基于SSD和1DCNN的滚动轴承故障诊断方法[J].华中科技大学学报(自然科学版),2020,48(12):38-43.刘红军,魏旭阳.基于GADF与卷积神经网络的滚动轴承故障诊断研究[J].机电工程,2021,38(05):587-591+622.Wang,Haibo,etal."ANewIntelligentBearingFaultDiagnosisMethodUsingSDPRepresentationandSE-CNN."IEEETransactionsonInstrumentationandMeasurement(2020).Zou,Fengqian,etal."Bearingfaultdiagnosisbasedoncombinedmulti-scaleweightedentropymorphologicalfilteringandbi-LSTM."AppliedIntelligence(2021).钟大伟.基于改进卷积神经网络的变工况滚动轴承智能诊断方法研究[D].电子科技大学,2021.DOI:10.27005/ki.gdzku.2021.003483.金国强.基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究[D].中国科学技术大学,2020.DOI:10.27517/ki.gzkju.2020.001723.

附录1CNN-BiLSTM程序代码 clcclearcloseall file_path='.\VMD重构样本集\';%文件夹路径list=dir(strcat(file_path,'*.mat'));%获取该文件夹中所有mat格式的文件num=length(list);%获取文件总数量numtrain=200;numtest=100;N1=1024;%numtrain表示训练集数量，numtest表示测试集数量，N表示每个样本的长度。forj=1:4name=list(j).name;%文件名all=load(strcat(file_path,name));all=cell2mat(struct2cell(all));trainall1=all(1:N1,1:numtrain)';%训练集取300个样本的前200个testall1=all(1:N1,numtrain+1:numtrain+numtest)';%测试集取300个样本的后100个trainall2((j-1)*numtrain+1:numtrain*j,2:N1+1)=trainall1;%留出标签位置testall2((j-1)*numtest+1:numtest*j,2:N1+1)=testall1;%留出标签位置fprintf(1,'%g\n',j);%显示正在处理的文件名end%%添加标签fori=1:4trainall2((i-1)*numtrain+1:numtrain*i,1)=i*ones(numtrain,1);%将标签加入留出的标签标签为1-8testall2((i-1)*numtest+1:numtest*i,1)=i*ones(numtest,1);%将标签加入留出的标签1-8end%%训练测试分割x_train=trainall2(1:4*numtrain,2:N1+1)';y_train=trainall2(1:4*numtrain,1);x_test=testall2(1:4*numtest,2:N1+1)';y_test=testall2(1:4*numtest,1);%%标签数据类型转换Ytrain=categorical(y_train);Ytest=categorical(y_test);%%结构转换x_train=reshape(x_train,[N1,1,1,4*numtrain]);x_test=reshape(x_test,[N1,1,1,4*numtest]);%%由于lstm网络训练对于输入结构要求为细胞数组的格式，所以要对数据结构进行性转换，具体看右侧工作区结构的变换fork=1:numtrain*4Xtrain{k}=x_train(1:N1,:,:,k);endXtrain=Xtrain';%此处得到训练集的细胞数组格式，需要转置一下forj=1:numtest*4Xtest{j}=x_test(1:N1,:,:,j);endXtest=Xtest';%此处得到测试集的细胞数组格式，需要转置一下%%网络模型搭建inputSize=[N111];filterSize1=[5,1];%卷积核1尺寸numFilters1=128;%卷积核1数量numHiddenUnits1=100;numClasses=4;%输出层神经元个数layers=[...sequenceInputLayer(inputSize,'Name','input')%sequenceInputLayerimageInputLayersequenceFoldingLayer('Name','fold')%序列折叠，具体原理百度吧convolution2dLayer(filterSize1,numFilters1,'stride',[1,1],'Name','conv_1')batchNormalizationLayer('Name','bn_1')reluLayer('Name','relu_1')maxPooling2dLayer([21],'stride',[1,1],'Name','pool1');sequenceUnfoldingLayer('Name','unfold')%序列展开flattenLayer('Name','flatten')%对数据进行平铺，为后续输入lstm做准备bilstmLayer(numHiddenUnits1,'OutputMode','last','Name','bilstm_1')fullyConnectedLayer(numClasses,'Name','fc')softmaxLayer('Name','softmax')classificationLayer('Name','classification')];lgraph=layerGraph(layers);lgraph=connectLayers(lgraph,'fold/miniBatchSize','unfold/miniBatchSize');%序列折叠部分需要进行额外的网络连接convoptions=trainingOptions('adam',...'InitialLearnRate',0.01,...%学习率'LearnRateSchedule','piecewise',...'LearnRateDropFactor',0.4,...%学习率按0.5倍递减'LearnRateDropPeriod',50,...'Plots','training-progress',...'MaxEpochs',10,...'Verbose',false,...'MiniBatchSize',128);%%网络训练[scatCONV1dnet,infoCONV]=trainNetwork(Xtrain,Ytrain,lgraph,convoptions);%%%损失函数h=figure();plot(infoCONV.TrainingLoss,'Color',[10.50]);ylabel('TrainingLoss')xlabel('TrainingStep');title(['损失函数']);saveas(h,'损失函数.jpg');%%训练正确率h=figure();plot(infoCONV.TrainingAccuracy);ylabel('TrainingAccuracy')xlabel('TrainingStep');title(['训练正确率']);saveas(h,'训练正确率.jpg');%%测试predict_label=classify(scatCONV1dnet,Xtest);precision=sum(predict_label==Ytest)/numel(predict_label);disp(['测试集分类准确率为',num2str(precision*100),'%'])%%测试集识别h=figure;plot(Ytest,'o');holdon;plot(predict_label,'r*');xlabel('测试集样本','FontSize',12);ylabel('类别标签','FontSize',12);legend('实际测试集分类','预测测试集分类');title('测试集识别结果','FontSiz