滚动轴承故障的智能诊断方法研究
• 26
•
针对滚动轴承故障声发射信号的智能识别与诊断问题，提出了一种基于卷积神经网络（Convolutional Neural Networ ks ，CNN ）智能化故障诊断方法。该方法充分利
用声发射信号参数中包含的时域和频域特征信息，构建CNN 模型充分挖掘出滚动轴承处于不同运行状态下的声发射信号特征，并给出故障诊断结果。实验结果表明，CNN 模型方法对滚动轴承正常、外圈及内圈故障识别准确率可达97.2%以上，证明了该方法的准确性和实际工程价值。
1.引言
旋转机械被广泛的应用在生产制造中，滚动轴承是旋转机械的重要组成部件，同时也是最容易损坏与失效
的机械零件之一（喻洋洋，周凤星，严保康，基于LabVIEW 的滚动轴承故障诊断系统：仪表技术与传感器，2016）。声发射检测技术是一种动态无损检测方
能诊断学与工程学法，可实现缺陷萌生及扩展过程的在线检测。将声发射检测技术应用于滚动轴承故障的诊断任务中，不仅可以检测出早期微弱故障及故障类型（郝如江，卢文秀，褚福嘉，等.声发射检测技术用于滚动轴承故障诊断的研究综述：振动与冲击，2008），还可以判断出
故障损伤程度。
目前基于声发射检测技术的旋转机械设备故障诊断分析技术，如参数分析、波形分析等方法已经无法满足当前旋转机械连续生产工作中的故障监测任务（沈功田，耿荣生，刘时风，声发射信号的参数分析方法：无损检测，2002）。赵元喜等人（赵元喜，胥永刚，高立新，等.基于谐波小波包和BP 神经网络的滚动轴承声发射故障模式识别技术：振动与冲击，2010）采用谐波小波包将故障滚动轴承的声发射信号分解到多个频率段并求取各频段的能量，作为特征向量输入BP 神经网络，通过BP 网络模型判别滚动轴承的故障类型。杨杰等（杨杰，张鹏林，刘志涛，等.基于CEEMD 能量熵与
滚动轴承的特点
SVM 的低速轴承故障声发射诊断：无损检测，2017）提出了一种采
用CEEMD 能量熵提取特征后再利用支持向量机神经网络进行诊断的方法。这些研究方法仍需要依赖复杂的信号处理技术进行人工提取故障声发射信号的特征，需要大量的专家经验与时间，无法应用于实际的故障诊断问题。
针对上述不足之处，提取出了一种基于原始声发射信号与CNN 的滚动轴承故障智能诊断方法。以声发射信号的多组参数作为每个样本的特征向量，并且充分利用CNN 的强大自适应特征提取能力挖掘出原始声发射信号参数中的深层次特征表示，端对端的完成故障特征的自适应提取与诊断。
2.卷积神经网络基本原理
CNN 是一种通过卷积运算代替一般矩阵乘法运算的神经网络（Alexander Prosvirin,JaeYoung Kim,Jong-Myon Kim.Bearing Fault Diagnosis Based on Convolutional Neural Networks with Kurtogram Representation of Acoustic Emission Signals:Advances in Computer Science and Ubiquitous Computing,2018），普通情况下的CNN 主要由卷积层、池化层、全连接层和输出层组成。其中卷积层作用是按数据区域的提取出现相应的特征。池化层一般用来对原始特征进行抽象，从而大幅减少训练参数，另外还可以用来减轻过拟合现象。
全连接层主要作用是将卷积层和池化层提取的深层次特征进行整合与进一步细化分析，以供Softmax 函数输出分类结果，全连接层的输入需将卷积提取的特征展开成一维特征向量作为输入。CNN 网络的学习和训练流程，如图1所示。
图1 CNN网络的学习和训练流程图
3.实验验证
3.1  实验条件与数据设置
采用QPZZ-Ⅱ型旋转机械实验平台模拟滚动轴承的外圈、内圈故障，QPZZ-Ⅱ型实验平台如图2所示，实验条件设置为：采样频率为3MHz ，转速为900rpm ，无加载。采用NU205EM 型号滚动轴承，内径为25mm 、外径为52mm 、节径39mm 、滚动体数量13个。其中模拟的外圈与内圈故障均为0.1mm 宽的凹槽，正常、外圈及内圈故障的滚动轴承如图3所示。
• 27
•
图2 QPZZ-Ⅱ型实验平台实物图
图3 滚动轴承故障模拟情况
图4 滚动轴承故障声发射信号波形实验中采用声发射信号的上升时间、计数、能量、持续时间、幅值、平均频率、RMS 及信号强度参数，滚动轴承处于正常、外圈故障及内圈故障时的声发射信号波形情况如图4所示。从图中可以发现一定的时间内正常状态时声发射信号较少，而当外圈与内圈出现故障时，时域波形相比于正常状态时电压值高很多，并且波形的尖峰也越来越密集。
每种故障的样本数量设置情况如表1所示。
表1 网络模型样本具体设置情况
实验工况故障类型样本训练集数量
样本测试集数量
NU205EM型号轴承
900rpm 无加载
正常80002000外圈故障80002000内圈故障
8000
2000
3.2  CNN模型构建
因为本文分类任务的输入样本的类别与维度较少，因此CNN 模型采用单层的卷积层和池化层结构，并使用两层的全连接层与Softmax 函数组成分类层。CNN 模型的参数分别设置为：迭代次数为50次，全连接层节点数分别设置为（50，20），卷积核大小5×3，池化区域2×2，卷积核数目为15、学习率为0.01及每组样本的长度为50。
通过以上CNN 模型结构和参数训练并保存模型，然后对测试集
样本进行模型效果的测试，图5分别给出了CNN 模型在训练集和测试集样本上的识别准确率和损失函数随迭代进行的变化情况。从图中可以看出对训练集数据识别准确率可达到100%，对测试集也可达到97.2%，验证了该模型方法对不同运行状态下的滚动轴承故障
诊断的优异性和有效性。
图5 CNN模型训练和测试情况
• 28
•
文本分类查准率的对比效果数据如表3所示。文本分类查全率的对比效果数据如表4所示。文本分类F1
测量值的对比效果数据如表5所示。
表3 文本分类查准率的对比效果数据
方法褒义文本中性文本贬义文本改进前TF-IDF 72.3%77.5%78.7%改进后TF-IDF
87.6%
92.8%
86.5%
表4 文本分类查全率的对比效果数据
方法褒义文本中性文本贬义文本改进前TF-IDF 78.3%75.4%73.2%改进后TF-IDF
89.8%
88.3%
87.8%
表5 文本分类F1测量值的对比效果数据
方法褒义文本贬义文本改进前TF-IDF 78.9%75.7%改进后TF-IDF
88.6%
86.9%
从表中数据可知，经过改进TF-IDF 算法较传统TF-IDF 算法在文本分类查准率，查全率，以及F1测量值方面均有明显改善。具体的体现为：文本改进后的算法在褒义、中
性、贬义效果提升查准率方面至少提高8%，在查全率方面至少提高11%，在F1度量值方面至少提高10%。
文本褒义，中性，贬义分类ROC_AUC 曲线分别如图1，图2，图3所示：
由图可知，改进后的AUC 面积总是大于改进前的AUC 面积，由此可见改进后的TF-IDF 特征提取算法能更好地区分正负样本，提高分类模型的准确性。
5.结语
本文在传统的TF-IDF 算法的基础之上提出一种新的卡方统计的特征词提取算法，从查准率、查全率、F1测量值和ROC_AUC 四个方面进行了评估。新算法弥补了未考虑特征词汇在类间分布的缺陷，可以将在类间分布均匀但并不具备类别区分能力的词赋予较低的权重，有效地提高了权重计算的准确性和文本分类的正确性。
（上接第25页）
图6 小波变换提取特征向量的训练和识别情况
3.3  对比实验分析
同时为验证该方法采用声发射信号参数作为神经网络模型输入样本特征向量的可靠性，对比分析了采用小波变换方法（李学军，廖传军，褚福磊，适于声发射信号故障特征提取的小波函数：机械工程学
报，2008；王楠，基于应力波与小波分析的低速滚动轴承故障诊断研究：振动工程学报，2007）提取声发射信号的特征，作为CNN 模型输入样本特征向量的方法。小波变换方法提取声发射信号特征时，采用db10小波基函数，将信号分解到8个频段上，计算出各个频段上的能量值，并将8个频段上的能量作为输入样本的特征向量。如图5所示，为采用小波变换方法提取特征向量作为输入样本的训练和识别情况。
从图6中可以观察到经过小波变化提取特征向量后作为输入样本后滚动轴承的三种运行状态测试集的识别准确率仅为95.0%，并且从图6（b ）中可以发现测试集的损失值随着迭代的进行一直没有下降，反而逐渐上升，向过拟合的趋势发展。说明在提取特定的频域特征向量的同时会丢掉一定量的声发射信号特征，致使采用强大的CNN 网络模型时也没法学习到全面且表征性强的故障声发射信号特征，并且因为需要利用小波变换提取特征，花费的时间也比较多。因此也验证了在本文学习分类任务中所提出方法相比提取特征向量作为CNN 网络模型输入样本时的性能优势。
4.总结
本文提出了一种利用原始声发射信号与卷积神经网络相结合的滚动轴承内圈与外圈故障的智能化诊断方法。在故障诊断过程中避免了需要人工使用复杂信号处理技术进行特征提取或形式变换的步
骤，使解决实际工程问题更加便捷。同时真正的利用了CNN 强大的自适应特征提炼与浓缩表达，在对滚动轴承的不同故障声发射信号的自适应识别与诊断中，准确率达到97.2%，使该方法具有较高的准确性和有效性。对基于声发射检测技术的旋转机械设备健康状态在线监测与故障诊断研究具有较大的指导意义和实用价值。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。