【基于卷积神经网络的设备故障诊断方法研究6300字（论文）】

基于卷积神经网络的设备故障诊断方法研究目录TOC\o"1-3"\h\u18089基于卷积神经网络的设备故障诊断方法研究 1163741.1概述 146261.2卷积神经网络原理与结构 243271.2.1卷积层（Convolutionallayer） 2264581.2.2池化层（Poolinglayer） 450841.2.3全连接层（Fully-connectedlayer） 4175961.2.4分类器（Classifier） 5320261.3基于一维卷积神经网络仿真研究 7267391.3.1一维卷积神经网络结构 7186191.3.2一维卷积神经网络设计 8250491.3.3网络模型训练 9178721.4基于二维卷积神经网络仿真研究 10134211.1.1二维卷积神经网络结构 10245121.1.2二维卷积神经网络设计 11256551.1.3仿真结果分析 13163021.5设备故障分类对比分析 13159081.5.1三种时频信号卷积对比分析 13281281.5.2传统机器学习方法 1410941.5.3比较分析 191.1概述卷积神经网络是近年发展起来的一种高效分类识别方法，比人类还擅长对乱序图像进行分类。卷积神经网络在隐含层中加入卷积层与池化层。卷积层为特征提取层，具有独特的参数共享机制，通过局部权值共享来提取相应的特征值，降低网络复杂度；池化层再次提取前一层输入的特征参数，减少过拟合；全连接层位于网络的末端，可以整合卷积层或者采样层中具有类别差异性的局部信息[63]。卷积神经网络结构如图1.1.1所示。图1.1.1卷积神经网络结构图图1.1.1中卷积神经网络由输入层、卷积层、池化层（也称采样层）、全连接层和输出层，CNN特有三层级主要作用见表1.1.1。在很多更加先进的算法中可能还有GoogleNet的Inception模块、残差块（residualblock）等复杂构件。表1.1.1卷积神经网络CNN各层主要作用缩写层级主要作用C卷积（1）局部特征提取。（2）训练中进行参数学习。（3）每个卷积核提取特定模式的特征。S池化（1）降低数据维度，避免过拟合。（2）增强局部感受野。（3）提高平移不变性。F全连接（1）特征提取到分类的桥梁。1.2卷积神经网络原理与结构1.2.1卷积层（Convolutionallayer）卷积层的作用是通过学习提取输入数据的特征，卷积降低了很难学习的深层结构网络模型的复杂性，减少了权值的数量。卷积核是卷积层中的关键，代表的是特征，越小的卷积核代表越细微的特征，复杂的高级特征都是由最基础的特征组合而得[66]。主要作用是提取输入数据的特征矩阵，称为特征图（FeatureMap），卷积核大小必须大于1才有提升感受野的作用，其大小通常根据经验设置成奇数，例如、、等，卷积核的数量表示提取特征的数量。卷积核前向传播过程包括输入层到卷积层、隐藏层到卷积层、隐藏层到池化层和隐藏层到全连接层4类前向传播[64]。对数据进行卷积运算如式（1.2.1）所示：(1.2.1)上式中为输入图像，为卷积核，为输出的特征，特征图大小计算如公式1.2.2：(1.2.2)式中，为原图像的宽度；为卷积后特征图的宽度；为卷积核的宽度；为补零数量；为步长；是原图像的宽度；是卷积后特征图的高度[57]。式（1.2.2）两个公式实质上是一样的。如果输入样本为，卷积核为，步长为，不需填充，根据公式（1.2.2），计算结果是，即输出的特征图大小是，卷积过程如图1.2.1所示。图1.2.1卷积过程在输入图像矩阵边缘使用零值填充，可以对输入图像矩阵边缘进行滤波，以控制特征图大小[67]。补零填充的方式包括SAME和VALID两种填充方法。如果时，输出矩阵的长和宽为：(1.2.3)如果时，输出矩阵的长和宽为：(1.2.4)1.2.2池化层（Poolinglayer）池化层位于卷积层的后面进一步提取数据特征，通过删除特征图中不重要的样本以降低卷积特征图的维数，进一步减少了参数数量，即降低了网络神经元的数量，达到快速运行的目的。池化层的函数为统计函数，池化模型表达形式为：（1.2.5）式中步长、是预指定参数。当时取极大值，称为最大值池化；当时取均值，称为均值池化。池化保留图像背景和纹理信息。本文使用的是最大池化的策略，实际上就是在的样本中取最大值，作为采样后的样本值。其实现过程如图1.2.2所示。图1.2.2最大池化1.2.3全连接层（Fully-connectedlayer）全连接层把最后池化层提取的特征综合起来全连接到分类器中，该层的所有神经元都与其上一层的所有神经元相互连接，将上一层的输出矩阵全部降维至长度为的一维矩阵，对提取的特征进行分类，对原始图像进行高级抽象。计算过程如式（1.2.6）所示：(1.2.6)将前一层输出的特征矩阵拉平，将所有的神经元与全连接层的神经元全部相连接，如图1.2.3。图1.2.3CNN全连接层1.2.4分类器（Classifier）机器学习中的常用分类器主要有Softmax分类器、支持向量机（SupportVectorMachine，SVM）分类器。Softmax使用的是交叉熵损失（corss-entropyloss），SVM使用的是折叶损失（hingeloss），二者的损失函数不同。在logistic回归中，训练集由个已标记的样本构成：，logistic回归是针对二分类问题，标记为

。假设函数如下：(1.2.7)训练模型参数，使其能够最小化代价函数：(1.2.8)对于给定的输入，通过假设函数为每个类别估计概率值，即估计的每种分类出现的概率。假设函数要输出一个维的向量来表示这个估计的概率值。假设函数形式如下：(1.2.9)其中是模型参数。对概率分布进行归一化，使所有概率之和为1。(1.2.10)公式1.2.10是logistic回归代价函数的推广，可以改为：

(1.2.11)如图1.2.4，神经网络中包含了输入层，两个特征层处理，最后用Softmax分析器得到类别概率，图示分为三个类别，得到、、的概率值，即通过Softmax后得到一个数组，判断输入数据属于概率为0.89所对应的类别。图1.2.4Softmax分类过程1.3基于一维卷积神经网络仿真研究1.3.1一维卷积神经网络结构音频数据集、时间序列数据集、信号处理数据集和文本嵌入数据集都可以用一维数组来表示的一维信号，试验采集的轴承振动信号类似声音信号，是在采样时间内先后从传感器上采集到的数据，以时间顺序排列的一维数组，即振动原始信号为一维信号。将原始振动信号预处理成一维数组作为输入层，卷积层接收来自输入层的振动数据，利用卷积核实现对原始信号进行特征提取；池化层实现对特征矢量维数继续简化，同时提高非线性特征的鲁棒性；全连接层将最后一层池化层的所有特征矢量拉平操作，首尾连接组成一维特征向量，然后将特征向量通过全连接到分类层；分类层的神经元个数与分类类别数量一致，本文试验数据的故障类别为10，利用Softmax分类器实现对输入数据进行分类，输出信号属于每一类的概率。一维卷积神经网络原理如图1.3.1所示。图1.3.1一维卷积神经网络结构1.3.2一维卷积神经网络设计一维卷积神经网络特别适合一维时序数据输入，在振动模态分析与参数辨识领域将展现出广阔的应用前景[68]。将从试验台上采集到的原始数据，作为一维卷积神经网络的输入，卷积核使用一维结构，卷积层和池化层的输出也将是一维特征矢量。选用CNN网络模型，采用TensorFlow和Keras搭建，搭建的网络模型如表1.3.1所示。在此输入数据为原始波形（original），采用一维卷积神经网络CNN，故记为ORI-1DCNN。表1.3.1采用TensorFlow和Keras搭建CNN网络模型Layer(type)OutputShapeParam#reshape(Reshape)(None,6000,1)0conv1d(Conv1D)(None,2997,16)144conv1d_1(Conv1D)(None,1499,16)2064max_pooling1d(MaxPooling1D)(None,749,16)0conv1d_2(Conv1D)(None,375,64)4160conv1d_3(Conv1D)(None,188,64)16448max_pooling1d_1(MaxPooling1(None,94,64)0conv1d_4(Conv1D)(None,47,256)65792conv1d_5(Conv1D)(None,24,256)262400max_pooling1d_2(MaxPooling1(None,12,256)0conv1d_6(Conv1D)(None,12,512)262656conv1d_7(Conv1D)(None,12,512)524800max_pooling1d_3(MaxPooling1(None,6,512)0global_average_pooling1d(Gl(None,512)0dropout(Dropout)(None,512)0dense(Dense)(None,10)5130Totalparams:1,143,594Trainableparams:1,143,594Non-trainableparams:01.3.3网络模型训练将1320个样本分成训练样本和验证样本各1056和274个，每个样本6000个点作为神经元（输入6000个神经元）输入，经过上面的卷积神经网络训练，最后输出长度为10的数组，表征不同的故障类型。训练过程输出：32/32[==============================]-2s65ms/step-loss:0.1810-accuracy:0.9453-val_loss:0.1034-val_accuracy:0.9857Epoch10/1532/32[==============================]-2s70ms/step-loss:0.1352-accuracy:0.9563-val_loss:0.1045-val_accuracy:0.9786Epoch11/1532/32[==============================]-2s69ms/step-loss:0.1660-accuracy:0.9453-val_loss:0.6860-val_accuracy:0.7643Epoch12/1532/32[==============================]-2s71ms/step-loss:0.4012-accuracy:0.8703-val_loss:0.1481-val_accuracy:0.9714Epoch13/1532/32[==============================]-2s69ms/step-loss:0.1058-accuracy:0.9544-val_loss:0.0674-val_accuracy:0.9857Epoch14/1532/32[==============================]-2s70ms/step-loss:0.0647-accuracy:0.9644-val_loss:0.0587-val_accuracy:0.9786Epoch15/1532/32[==============================]-2s69ms/step-loss:0.0563-accuracy:0.9659-val_loss:0.0253-val_accuracy:0.9929上述试验结果，是在时域信号上直接使用一维卷积神经网络，识别率准确度高达96.59%，故卷积神经网络在设备故障诊断方面是可行的。表明CNN很适合用于一维信号分类，模型训练结果如图1.3.2所示。图1.3.2模型训练结果由于不同数据样本的采样策略不同、采样时间点不同和采样工况不同，导致同一类型故障的不同样本时域特征可能不一样，而一维数组只能表达出时域特征，这就会造成分类错误。因此，下一节将提出一种使用时域与频域相结合的方法，对采集的样本数据采用时频变换的方法进行预处理，将样本原本不容易识别的时域特征变换为容易识别的频域特征，同时融入时域和频域特征，实现对轴承各种故障进行更加准确的分类。但是，由于不同数据样本的采样策略、采样时间点、采样条件不同，同一类型故障的不同样本也可能具有不同的时域特征，一维阵列只能表达时域特征，这将导致分类错误。因此，下一节将提出一种时域和频域相结合的方法。采用时频变换方法对采集到的样本数据进行预处理，将样本中不易识别的时域特征转化为易于识别的频域特征。特征，同时融合时域和频域特征，实现对各种轴承故障更准确的分类。1.4基于二维卷积神经网络仿真研究1.1.1二维卷积神经网络结构将采集到的数据采用时频变换对原始数据进行降噪处理，并将各个故障信号转换成时频谱图，频谱图为彩色图片适合选对图片进行准确分类的CNN。本节将第三章生成的时频图作为输入，通过卷积神经网络模型对降噪后的数据进行特征提取并表示不同故障的时频图进行分类，达到故障诊断的目的。图1.1.1二维卷积神经网络图1.1.1中卷积神经网络输入层为使用时频变换生成的时频图，随后紧跟2个卷积层2个池化层交替出现，最后连接1个全连接层和1个Softmax分类层，激活函数用Relu函数，在全连接层中使用dropout算法防止过度拟合。1.1.2二维卷积神经网络设计利用Python开发工具包，设计一个14层的二维CNN网络模型，将1056张时频图作为网络的训练样本进行训练，再利用训练好的模型对测试样本进行验证。采用TensorFlow和Keras搭建，CNN模型选用AlexNet，搭建的网络模型如表1.1.1。在此输入数据为时频图（JTFA），采用二维卷积神经网络CNN，故记为JTFA-2DCNN，设计的CNN网络结构图如图1.1.2所示。表1.1.1采用TensorFlow和Keras搭建CNN网络模型Layer(type)OutputShapeParam#conv2d(Conv2D)(None,55,55,96)7296max_pooling2d(MaxPooling2D)(None,27,27,96)0batch_normalization(BatchNo(None,27,27,96)384conv2d_1(Conv2D)(None,27,27,256)614656max_pooling2d_1(MaxPooling2(None,14,14,256)0batch_normalization_1(Batch(None,14,14,256)1024conv2d_2(Conv2D)(None,14,14,384)885120conv2d_3(Conv2D)(None,14,14,384)1327488conv2d_4(Conv2D)(None,14,14,256)884992max_pooling2d_2(MaxPooling2(None,7,7,256)0batch_normalization_2(Batch(None,7,7,256)1024flatten(Flatten)(None,12544)0dense(Dense)(None,4096)51384320dropout(Dropout)(None,4096)0dense_1(Dense)(None,4096)16781312dropout_1(Dropout)(None,4096)0dense_2(Dense)(None,10)40970Totalparams:71,928,586Trainableparams:71,927,370Non-trainableparams:1,216图1.1.2设计的CNN网络结构图图1.1.2为使用TensorFlow自带的可视化工具TensorBoard显示设计的二维卷积神经网络结构。1.1.3仿真结果分析将预处理后的时频谱图输入到1.1.2的卷积神经网络中，设置学习率为0.001，对输入的样本进行训练，网络模型训练后的学习曲线和误差曲线用TensoBoard可以实时观察，如图1.1.3，分别反应了训练过程的准确率和损失率随样本训练次数变化情况。图1.1.3CNN训练学习曲线将验证用振动信号时频图像样本（剩余的274个样本数据）作为学习好的CNN网络模型的输入，经过多次迭代后其诊断精确度最高为98.78%（见表1.1.2），充分说明时频分析方法结合卷积神经网络的方法能够有效地进行图片分类，支持设备故障分类。表1.1.24种状态训练样本试验次数1234诊断精度98.7898.0397.3596.81.5设备故障分类对比分析1.5.1三种时频信号卷积对比分析上一节详细介绍了以彩色时频图为二维CNN的输入试验过程，考虑到目前滚动轴承故障诊断采用的振动信号处理方法很多，下面研究不同信号处理分析方法在采用相同的网络结构对故障诊断准确率的影响。分别将STFT、CWT、ST作为输入，采用相同的网络模型进行试验。本文试验共进行30次训练和测试，即对数据集为STFT时频图、CWT频谱图和ST时频图的模型各进行10次训练和测试，试验结果如图1.5.1所示。图1.5.1不同信号处理方法的故障诊断模型测试结果从图1.5.1可以看出，以时频图作为卷积神经网络的故障分类均取得较好的诊断效果，准确率平均值在97%以上，充分说明时频分析结合卷积神经网络的方法可以有效地对代表故障的图片进行分类，能够完成设备的故障诊断。1.5.2传统机器学习方法为了验证CNN在设备故障诊断中的优势，本文选择BP神经网络和SVM方法对其进行比较分析，各方法均采用以上采集的振动样本数据。1）训练样本特征参数选取采用BP网络或者SVM模型作为训练学习模型时，无法直接将振动信号时域波形或者时频图像直接作为网络输入，需要根据故障特征，构造振动信号特征参数作为输入对模型进行训练。通过对信号振动信号的分析，选取振动时域参数和频域参数作为模型输入，包括有效值、峭度、峰值因子、偏度指标以及5个故障特征频带能量比等特征。根据轴承分析理论，轴承振动信号具有时变性、强噪声、频率成分复杂的特点，频谱中既包含轴承部件（内圈、外圈、滚动体、保持架等）自身的特征频率，又包含电机设备和负载设备的振动耦合信息，轴承部件早期缺陷引起的周期性冲击脉冲信号往往被掩盖在背景噪声下，不容易被提取。包络谱解决的是滚动轴承类振动信号中低幅值、低能量的重复性冲击脉冲信号提取问题，这类小能量冲击信号常常被高幅值的低频信号（如转子的转动频率信号、不对中频率特征信号等）所掩盖，包络解调通过一个带通滤波器，提取这些低幅值的周期性冲击信号，将这些冲击信号移频至低频端，使用Hilbert变换或者复解调技术实现包络波形提取，再对包络解调信号进行快速傅里叶变换得到包络谱，再从包络谱中提取轴承内圈、外圈、滚动体故障特征频率成分能量占比，以此作为频域特征参数输入到诊断模型进行分析。图1.5.2至图1.5.5为故障轴承的加速度频谱和包络频谱图。图1.5.2外圈故障加速度频谱与包络频谱图1.5.3内圈故障加速度频谱与包络频谱图1.5.4滚动体故障加速度频谱与包络频谱图1.5.5正常轴承加速度频谱与包络频谱上述时域、频域特征参数具体定义如下。（1）有效值。也称均方根值（RMS），振动波形样本数据的均方根值。xrms=2（2）峭度（Kurtosis）。峭度是振动时域波形的归一化4阶中心距，通过对轴承信号做四次方处理，内圈、外圈故障等含冲击脉冲的信号，高的脉冲幅值被放大突出，低的幅值被抑制，因而可以反映早期轴承故障。xr=1N其中，x=1N（3）峰值因子。振动信号峰值除以有效值RMS。正常的轴承峰值因子范围通常不大于4~5，轴承如果有局部故障时峰值因子会很大。Cf=x（4）偏度指标（Skewness）。度量数据分布偏斜方向和程度，反映振动信号的非对称性。Cw=1（5）包络谱BPFI频带能量比。轴承包络频谱内圈故障特征频率前20阶频率幅值能量与整个包络频谱能量比值。ERbpfi=i=1其中X为轴承振动信号加速度频谱幅值序列，BPFIi（6）包络谱BPFO频带能量比。轴承包络频谱外圈故障特征频率前20阶频率幅值能量与整个包络频谱能量比值。ERbpfo=i=1其中X为轴承振动信号加速度频谱幅值序列，BPFOi（7）包络谱BSF频带能量比。轴承包络频谱滚珠故障特征频率前20阶频率幅值能量与整个包络频谱能量比值。ERbsf=i=1其中X为轴承振动信号加速度频谱幅值序列，BSFi（8）转频频带能量比。轴承加速度谱转动频率前20阶频率幅值能量与整个加速度频谱能量比值。试验选择的轴承参数及故障特征频率如图1.5.6所示。图1.5.66308轴承特征参数经过计算，分别生成792组训练样本矩阵（792*9个元素）和528组验证样本矩阵（528*9个元素），部