基于改进CNN的轴承声学故障诊断_黄雅静.pdf

2023 年第 36 卷第 1 期Electronic Sci.Tech./Jan.15，2023https:/journa-收稿日期:2022-07-07基金项目:国家自然科学基金(51605274);上海市地方院校能力建设项目(20030501000)National Natural Science Foundation of China(51605274);Shang-hai Local College Capacity Building Project(20030501000)作者简介:黄雅静(1997 )，女，硕士研究生。研究方向:旋转信号处理、智能故障诊断。廖爱华(1978 )，女，博士，副教授。研究方向:车辆动力学、车辆故障诊断等。基于改进 CNN 的轴承声学故障诊断黄雅静1，廖爱华1，于淼2，李晓龙2，胡定玉1，3(1 上海工程技术大学 城市轨道交通学院，上海 201620;2 中国铁路哈尔滨局集团有限公司 哈尔滨动车段，黑龙江 哈尔滨 150000;3 上海市轨道交通振动与噪声控制技术工程研究中心，上海 201620)摘要针对轴承振动信号在复杂机械中难采集和跨转速域工况下传统故障诊断方法精度低的问题，文中提出了一种基于 Teager 能量算子和卷积神经网络的滚动轴承声学故障诊断方法，即 TEO CNN。将轴承声学信号的 Teager 能量算子作为模型的输入，使用卷积神经网络学习输入的抽象特征，并结合全局平均池化层和全连接层实现轴承健康状态识别。模型验证基于轴承声学实验数据，并通过构建不同的轴承声学数据集模拟跨转速域工况。试验结果表明，与传统卷积神经网络和机器学习模型相比，TEO CNN 表现出明显的优势，并且在跨转速域工况下的预测精度始终高于 95%。关键词卷积神经网络;Teager 能量算子;声学故障诊断;滚动轴承;跨转速域工况;全局平均池化中图分类号TP391 5文献标识码A文章编号1007 7820(2023)01 075 07doi:10.16180/ki.issn1007 7820.2023.01.011An Improved CNN Method for Bearing Acoustic Fault DiagnosisHUANG Yajing1，LIAO Aihua1，YU Miao2，LI Xiaolong2，HU Dingyu1，3(1 School of Urban ailway Transportation，Shanghai University of Engineering Science，Shanghai 201620，China;2 Harbin EMU，China ailway Harbin Bureau Group Co，Ltd，Harbin 150000，China;3 Shanghai Engineering esearch Center of ailway Noise and Vibration Control，Shanghai 201620，China)AbstractIn view of the difficulty to collect bearing vibration signals in complex machinery and the poor accu-racy of traditional fault diagnosis methods under cross working speed conditions，a rolling bearing acoustic fault diag-nosis method is proposed based on TEO CNN Teager energy operator of raw acoustic signals is taken as the input ofTEO CNN model，the CNN is employed to extract the abstract features from inputs，and the global average poolinglayer and the fully connected layer are combined to recognize the bearing health status TEO CNN is verified onbearing acoustic experimental data sets，and cross working speed conditions are simulated by constructing differentbearing acoustic data sets Experimental results show that compared with traditional convolutional neural networks andmachine learning models，the proposed TEO CNN shows obvious superiority，and the prediction accuracy is alwayshigher than 95%under cross working speed conditionsKeywordsconvolutional neural network;Teager energy operator;acoustic based fault diagnosis;rolling bear-ing;cross working speed conditions;global average pooling目前，我国轨道交通行业处于迅猛发展阶段，在便利出行、促进经济发展的同时，保证车辆行车安全成为社会高度关注的话题。滚动轴承作为轨道车辆的关键部件之一，承担着传动和承载的多种功能，其健康状态直接影响轨道车辆的安全运行。由于行车环境复杂，在多种因素的共同作用下，轴承容易发生疲劳损坏等多种故障1。列车滚动轴承故障会降低乘客乘坐舒适性，甚至造成不可估量的事故。因此，对滚动轴承进行状态监测和早期故障诊断非常重要。随着工业智能化、轨道智慧化的发展，智能故障诊断技术被广泛应用于旋转机械故障诊断中 2。传统的智能故障诊断使用小波变换 3、经验模态分解 4 等信号处理方法提取信号特征，然后使用支持向量机(Support VectorMachine，SVM)5、多层感知机(Multilayer Perceptron，MLP)6 等机器学习模型判别健康状态。然而，这需要大量的前期研究和专业知识，且模型的学习能力相对较差。近年来，随着人工智能的不断发展，深度学习为机械故障诊断提供了全新的解决方法 7。卷积神经网络作为深度学习的模型之一，已经被成功运用于轴承智能故障诊断中。文献 8 提出了一种带训练干扰的卷积神经网络(Convolution Neural Networks with Training Interference，57Electronic Science and Technology黄雅静，等:基于改进 CNN 的轴承声学故障诊断https:/journa-TICNN)用于轴承故障诊断，通过改变轴承运行的噪声环境和工作负载证明模型的强鲁棒性。文献 9 提出了一种基于特征通道权重调整的卷积神经网络(Squeeze Ex-citation Convolutional Neural Network，SECNN)轴承故障诊断方法，将特征通道调整模块与卷积模块结合。该模型在多个变负载工况下依然保持强诊断性能。文献 10 将卷积神经网络和双向长短记忆神经网络结合构建WConv LSTM(Wide Convolution Bidirectional Long andShort Memory)模型，并证明 WConv LSTM 能够提高不同信噪比下轴承故障诊断精度。常见的轴承故障诊断方法均基于轴承振动信号，振动信号容易获取且包含丰富的设备状态信息。然而，振动加速的安装位置直接影响测得信号的质量。在复杂的机械设备中，振动加速传感器的安装受限，无法达到理想的测量效果11。声学信号采用非接触式测量方法进行测量，在更加方便快捷的同时也包含了机械丰富的运行信息。文献 12提出了一种基于声信号的行星齿轮箱故障诊断方法，将傅里叶分解方法和随机森林模型结合，在实验条件下取得了比振动信号更好的故障诊断效果。文献 13将图卷积神经网络用于轴承声学故障诊断，且实验结果表明模型的诊断性能优于传统的深度学习方法。在实际工业环境中，机械背景噪声大，轴承信号的故障信息容易被淹没。为增强轴承的冲击特性，提高模型的诊断性能，本文结合卷积神经网络和 Teager 能量算子，提出一种基于 Teager 能量算子和卷积神经网络的卷积故障诊断模型(Teager Energy Operator andConvolution Neural Network，TEO CNN)。Teager 能量算子能够快速准确地追踪信号的瞬时变化，适合于冲击信号特征的提取14。本文提出的方法首先通过Teager 能量算子对信号进行增强，然后使用基于卷积的模型学习信号深度特征和诊断轴承类型。1基本理论1.1Teager 能量算子Teager 能量算子是一种非线性差分算子，用于估计信号在时域中的瞬时能量。它对信号的瞬时变化有较好的分辨率，可以突出信号的冲击特性，被认为是一种高分辨率的能量估计器15 16。连续信号 x(t)的Teager 能量算子计算如下 xt()=?x2 xx(1)式中，?x和x 分别为信号x(t)的一阶、二阶导数。当信号为离散信号时，Teager 能量算子的计算过程如下 xn()=x2n()xn+1()xn 1()(2)根据式(2)，仅需要 3 个样本数据就能够计算某时刻的能量值，计算简单，对网络训练速度影响较小。1.2一维卷积神经网络卷 积 神 经 网 络(Convolutional Neural Network，CNN)是一种多层有监督前馈神经网络，旨在通过交替堆叠卷积核和池运算来学习输入的抽象特征。CNN具有权值共享和稀疏连接的特点，一般由卷积层、池化层、全连接层构成。本文重点讨论一维卷积神经网络，模型结构如图 1 所示。1 2 1卷积层卷积层利用不同大小的卷积核在输入上滑动提取特征，然后使用激活函数将提取的特征进行非线性转换。假设第 l 1 层的特征输出为 Xl1=xl11，xl12，xl1M，则第 l 层具体的卷积操作如下ylj=Mixl1i*wlij+blj(3)alj=fylj()(4)式中，*为卷积操作;wlij为第 l 1 层到第 l 层的第 j 个卷积核;blj为第 l 层的偏置;ylj为卷积的输出;f()为激活函数，常见的有eLU函数、Sigmoid函数等;alj为第l层卷积后的第 j 个特征。1 2 2池化层池化层是一种下采样方法，通过滑动窗口对卷积后的特征降维，减少网络参数。常见的池化操作包括最大池化、平均池化等，以最大池化为例，池化过程如下xlj=maxCalj(5)式中，C 为池化窗口的大小;xlj为池化后 l 层第 j 个特征。1 2 3全连接层在堆叠多个卷积、池化模块之后，通常使用全连接层来进一步处理特征。全连接层由多个神经元构成，数学计算与传统感知机相同。假设第l层全连接层输出特征为 fl=f1，f2，fn，第 l+1 层的计算过程为fl+1=wl+1fl+bl()(6)式中，wl+1和 bl分别为第 l+1 层的权重和偏置偏置;()为激活函数。2TEO-CNN 故障诊断方法2.1模型结构为了增强故障信息的冲击特性，提高模型的诊断性能，本文在传统的卷积神经网络中加入 Teager 能量算子层，构成一个新的故障诊断模型，简称为 TEO CNN。模型结构如图 1 所示，TEO CNN 共包含 3 个卷积模块和 1 个全连接层。首先，轴承声信号输入Teager 能量算子层计算