【《改进的循环神经网络故障诊断应用分析案例》3900字】

II改进的循环神经网络故障诊断应用分析案例目录TOC\o"1-3"\h\u28300改进的循环神经网络故障诊断应用分析案例 184621.1故障诊断流程 1130591.2数据来源 2301781.3数据的选取与处理 490861.4改进循环神经网络轴承故障诊断应用研究 5221931.1.1已有循环神经网络进行训练和测试 5278881.1.2改进LSTM循环神经网络训练和测试 9119961.5不同循环神经网络故障诊断效果对比分析 101.1故障诊断流程基于循环神经网络的故障诊断框架主要分为五个阶段：定义状态阶段，对故障状态进行定义。数据预处理阶段，将数据进行清理、分割、重构、归一化、去噪等处理，并将数据集分为训练集和测试集。训练阶段，构建整体网络模型，训练分类模型，最后进行微调。测试阶段，利用测试集测试训练好的模型。诊断结果评估阶段，确定故障类型，并对诊断结果进行评估。图1.1故障诊断基本框架1.2数据来源通过查阅故障数据相关文献，最终选择了美国凯斯西储大学(CaseWesternReserveUniversity，CWRU)开源提供的轴承故障数据集。本文中所用的部分数据集文件如图1.2所示。因为该数据文件中包含了处于当前状态下轴承相应振动信号的时序数据，因此有利于循环神经网络的故障诊断研究展开。图1.2部分数据集图该数据集中一共采集了轴承主要发生的三类故障，包括内圈（InnerRace）、外圈（OuterRace）以及滚动体（Ball）。图1.2中文件采用了英文的头文字进行简写，同时007、014以及021代表不同的故障轻重程度，也就是故障直径为7密耳、14密耳和21密耳。由于轴承一些故障的产生可能需要许多年时间的累积，因此该数据集采集时采用了人工注入故障的方法——利用电火花技术，将单点故障引入到轴承的适当位置上。如图1.3所示，模拟实验台由四部分组成，除去图中所示仪器，还包括一个电子控制器对图中器件进行操作控制。实验中，加速度传感器通过磁性底座安装在电机壳体的驱动端和风扇端12点钟位置的机壳上，并将其利用来采集振动信号。由于外圈故障相对来说比较固定，其损伤点一般就是它的载荷位置，因此实验时正在外圈3点钟、6点钟以及12点钟位置设置损伤点，数据集文件中的OuterRace12就是12点钟方向的故障。图1.3滚动轴承故障模拟实验台实物图图1.4深沟球轴承图其中振动信号的获取，是利用DAT记录仪保存的，该仪器为16通道。数字信号的采样频率包括12khz和48khz，而驱动端轴承故障数据则以48khz的速率进行采集，并在采集完成后通过MATLAB进行处理。因此，数据集的文件格式最终为mat。数据集文件中所含英文变量，含义如下表1.1数据集文件变量含义注释表DE-driveendaccelerometerdata驱动端的加速度数据FE-fanendaccelerometerdata风扇端的加速度数据BA-baseaccelerometerdata基础的加速度数据time-timeseriesdata时间序列数据RPM-rpmduringtesting测试时转速1.3数据的选取与处理确定实验使用的数据集为CWRU轴承数据集后，需要对数据文件中的参数进行详细分析，进而才可以理解每种数据实际所代表的含义以及获取诊断所需数据，才可以选择合适的能进行故障诊断分类的数据。以本次选用的数据文件IR021_0为例说明文件参数含义，IR代表故障发生在驱动端内圈故障，12KDE和48KDE代表采集这个数据时所用的采集频率，021代表该故障轴承的直径为21,0则代表实验时电机转速为1797RPM。循环神经网络训练所需要的数据从不同轴承数据集中选取，一共选用了10中状态数据，包括一种正常状态下的数据，和三种直径不同且在三个不同的位置发生，3*3排列组合成9种故障状态的数据。所采用的数据都是从驱动端DE进行采集。要进行分类的轴承故障数据包含的十种状态如表1.2所示。各个状态数据采用的都是振动信号，且各状态数据为时间序列数据，在实验过程中按时间顺序在各种时间点进行采集，可以反映出采样点的振动信号随着时间的推移而逐步变化，当采样点的故障状态和频率不同时，其相应的振动信号数据也会随之变化，数据之间的差异反映了这一点。因为该数据集的时间序列性，充分满足了循环神经网络模型的训练学习，所以选用该数据集进行训练验证测试。表1.2轴承数据种类示意图分类识别选择的十种轴承状态轴承正常轴承外圈+故障直径0.007英寸轴承外圈+故障直径0.014英寸轴承外圈+故障直径0.021英寸轴承滚动体+故障直径0.007英寸轴承滚动体+故障直径0.014英寸轴承滚动体+故障直径0.021英寸轴承滚动体+故障直径0.007英寸轴承滚动体+故障直径0.014英寸轴承滚动体+故障直径0.021英寸利用MATLAB访问文件内容可以发现，该数据集的时间故障序列数据中每个都有122571个故障数据，而为了方便模型的训练学习要将数据处理为向量矩阵，因此从每个数据集中选用120000个相同时间点所采集的数据，并对其进行归一化处理。首先将每种故障类型的120000个数据分为300个样本，并将每个样本中的400个数据排列由最初的[400,1]处理成[20,20]的矩阵形式，并将样本集和矩阵内部数据进行打乱重新排列，最后按9:1将子图片集分为270个训练集和30个测试集在数据代码调用过程中，本文利用scipy函数库来对mat格式的数据文件进行读取，B是指驱动端滚动体故障，IR是指驱动端内圈故障，021是指轴承直径为21。数据处理代码见附录1。1.4改进循环神经网络轴承故障诊断应用研究1.1.1已有循环神经网络进行训练和测试使用循环神经网络网络对之前已经处理完毕的CWRU轴承故障数据集的驱动端采样数据进行故障诊断及分类，其中训练集和测试集按9：1分为108000个和12000个，而目前已有的涉及到门结构的循环神经网络模型有LSTM循环神经网络和GRU循环神经网络。考虑到实验电脑的性能以及训练时间长度，每次实验让构建好的循环神经网络模型利用轴承故障训练集进行3000次训练，每进行500次训练，利用测试集对训练完成的各种循环神经网络模型开展验证测试，输出相应的损失函数值和测试准确率。(1)LSTM循环神经网络首先利用LSTM循环神经网络对处理好的轴承故障数据集进行故障诊断，下表是每进行500次训练，利用测试集验证后输出的损失函数值及测试准确率。表1.3LSTM故障诊断分类结果表训练次数损失函数值测试准确率5001.43120.079910001.22110.400115001.18830.430020001.13090.479925001.20690.569930001.29270.6000图1.5LSTM损失函数值变化图图1.6LSTM测试准确率变化图分析上述图标可以得出，利用LSTM进行故障诊断分类的损失函数值约为1.2，测试准确率约为0.60。同时可以明显看出，在前1500步训练中，模型的训练效果不佳，致使测试效果并不理想，但随着训练的继续进行，测试准确率总体呈现随之上升的趋势，最后保持在0.6的准确率，而函数损失值一直维持在1.2左右水平。(2)GRU循环神经网络接着利用GRU循环神经网络对处理好的轴承故障数据集进行故障诊断，下表是每进行500次训练，利用测试集验证后输出的损失函数值及测试准确率。表1.4Tanh故障诊断分类结果表训练次数损失函数值测试准确率5001.70120.059910001.43330.270015001.42540.340020001.46140.379925001.49550.389930001.46990.4099图1.7GRU损失函数值变化图图1.8GRU测试准确率变化图从上图可以看出，虽然GRU的准确度总体随着神经网络训练的进行，在不断平稳上升，但最终只有仅仅0.4的测试准确率，同时函数损失值平均维持在1.5，也略微高于LSTM神经网络。因此可以得出，GRU对门结构的调整减少了信息处理，虽然加快了收敛学习速度，但不适合循环神经网络对轴承故障进行诊断分类。对比两种神经网络，可以明显看出LSTM循环神经网络对轴承故障诊断分类的训练效果更好，在3000步的时候网络测试准确度已经达到0.6且仍保持上升趋势，因此可以推断随着训练的继续进行，最终能达到0.7的测试准确度。同时可以发现，随着训练的进行，每种网络的故障诊断准确度都呈现上升趋势，而函数损失值则在一定范围内不断波动，可以看出训练过程中或多或少会产生一些不可避免的扰动。1.1.2改进LSTM循环神经网络训练和测试改进的LSTM循环神经网络模型是在LSTM的模型结构上进行调整，改进了LSTM前的额外门控循环，并将门控运算中的Sigmoid函数调整为tanh函数，使额外门控运算能更好的的处理轴承故障数据，减少梯度爆炸现象产生。下表是该模型测试的损失函数值和准确度。表1.6改进后LSTM故障诊断分类结果表训练次数损失函数值测试准确率5001.44480.469910001.18610.759915001.27960.759920001.45470.769925001.56960.769930001.48710.7699图1.9改进后LSTM损失函数值变化图图1.10改进后LSTM测试准确率变化图1.5不同循环神经网络故障诊断效果对比分析随着循环神经网络的发展，已经能较好地应用在轴承故障数据诊断分类领域中，循环神经网络中的隐藏层是互相有连接的，致使前后输出相关联，并且存在共享特性。同时，由于循环神经网络特殊的时间结构共享性，因此在对拥有长时间序列性的数据进行处理时，使得神经网络能更加自由且动态地获取输出信息，因此在对拥有时间序列的轴承故障数据进行诊断分类时，运用循环神经网络具有很大的优势。综合函数损失值和准确度，对上述不同循环神经网络模型的故障诊断分类效果进行考虑分析，如图1.11所示，LSTM、GRU和改进的LSTM三者的函数损失值，都相差无几。LSTM和GRU的函数损失值基本稳定在一定范围内上下波动，而改进后的LSTM由于添加了改进的额外门控运算后，致使输入经过一定的运算致使输入的信息有些许损失，最终造成函数损失的波动范围较大。图1.11不同循环神经网络函数损失值比较图图1.12不同循环神经网络测试准确率比较图对比LSTM和GRU的准确度可以看出，GRU将更新门和遗忘门结合在一起，减少了参数量，从而减少了过拟合的风险，从图中可以看出GRU的准确度增长较为稳定，程平滑的曲线缓慢上升，但也正是因为减少了参数，从而导致特征采集不充分致使GRU的故障诊断分类准确率较低。而相比之下，LSTM虽然曲线上身比较波动，但是却拥有较高的准确率，且提升训练收敛速率要远远快于GRU。从整个测试实验结果来看，在改进额外门控运算后LSTM对故障诊断分类的准确度相比于LSTM和GRU循环神经网络有了极大的提升。改进的额外门控运算的目的是为了显著地加强上下文的信息关联，这也是原始的LSTM循环神经网络模型所存在的问题，因为上下文信息的缺少，导致LSTM无法对有