串行集成CNN模型的两种机械故障诊断算法_周静.pdf

第2卷 第2期V o l.2 N o.2 2 0 2 3年4月 J o u r n a l o f A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A A p r.2 0 2 3串行集成C N N模型的两种机械故障诊断算法周 静1,孙 强1,黄 蔚1,张 庆2,石昌友1(1.陆军工程大学 通信士官学校,重庆 4 0 0 0 3 5;2.9 6 7 2 1部队,四川 宜宾 6 4 4 0 0 0)摘要:表征机械故障的数据种类和数量多样,数据质量参差不齐,故障信息的价值密度也较低,对机械故障诊断提出了挑战。由于浅层神经网络模型自学能力较弱,无法达到精确诊断故障的要求,因此对故障特征提取和故障诊断模型进行了深入研究。利用时间序列排序转换和连续小波变换,分别构建了基于时间序列图像和时频图的两种2 D-C NN故障特征数据集,结合卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)和梯度提升决策树(g r a d i e n t b o o s t i n g d e c i s i o n t r e e,G B D T)算法的优点,提出了基于G B D T的C NN-Z和C NN-F两种故障诊断算法。通过实验,两种算法的故障诊断精度分别为9 4.3 3%和9 8.6 2%。与传统C N N算法相比较,实验结果展示了所提的两种故障诊断算法的精度更高,另外基于G B D T的C N N-F故障诊断算法的误差收敛时间为前者的三分之一,验证了所提算法的有效性和精确性。关键词:机械故障;卷积神经网络;基分类器;集成学习 中图分类号:T P 2 7 7D O I:1 0.1 2 0 1 8/j.i s s n.2 0 9 7-0 7 3 0.2 0 2 2 0 3 1 0 0 0 1T w o M e c h a n i c a l F a u l t D i a g n o s i s A l g o r i t h m s B a s e do n S e r i a l I n t e g r a t e d C o n v o l u t i o n a l N e u r a l N e t w o r k M o d e l Z HOU J i n g1,S UN Q i a n g1,HUANG W e i1,Z HANG Q i n g2,S H I C h a n g y o u1(1.C o mm u n i c a t i o n s N C O A c a d e m y,A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A,C h o n g q i n g 4 0 0 0 3 5,C h i n a;2.U n i t 9 6 7 2 1 o f P L A,Y i b i n g 6 4 4 0 0 0,C h i n a)A b s t r a c t:T h e v a r i o u s t y p e s a n d h u g e a m o u n t o f d a t a t h a t c h a r a c t e r i z e m e c h a n i c a l f a i l u r e s,a s w e l l a s t h e u n e v e n q u a l i t y o f t h e d a t a a n d t h e l o w v a l u e d e n s i t y o f f a i l u r e i n f o r m a t i o n,p o s e a b i g c h a l l e n g e t o m e-c h a n i c a l f a i l u r e d i a g n o s i s.H o w e v e r,t h e s h a l l o w n e u r a l n e t w o r k m o d e l c a n n o t m e e t t h e r e q u i r e m e n t s o f a c c u r a t e f a u l t d i a g n o s i s d u e t o i t s w e e k s e l f-l e a r n i n g a b i l i t y.T h e r e f o r e,t h e r e s e a r c h g r o u p c o n d u c t e d i n-d e p t h r e s e a r c h o n f a u l t f e a t u r e e x t r a c t i o n a n d f a u l t d i a g n o s i s m o d e l s.W i t h t i m e s e r i e s p e r m u t a t i o n t r a n s-f o r m a n d c o n t i n u o u s w a v e l e t t r a n s f o r m,t w o 2 D-C NN f a u l t f e a t u r e d a d a s e t s w e r e c o n s t r u c t e d b a s e d o n i m a g e s o f t i m e s e r i e s p e r m u t a t i o n a n d t i m e-f r e q u e n c y i m a g e s r e s p e c t i v e l y.C o m b i n e d w i t h t h e a d v a n t a g e s o f c o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)a n d g r a d i e n t b o o s t i n g d e c i s i o n t r e e(G B D T)a l g o r i t h m,t w o f a u l t d i a g n o s i s a l g o r i t h m s o f C NN-Z a n d C NN-F b a s e d o n G B D T w e r e p r o p o s e d.T h r o u g h e x p e r i m e n t s,t h e t w o a l g o r i t h m s h a v e a c h i e v e d h i g h e r f a u l t d i a g n o s i s a c c u r a c y,a s h i g h a s 9 4.3 3%a n d 9 8.6 2%r e s p e c t i v e-l y.C o m p a r e d w i t h t h e t r a d i t i o n a l C NN a l g o r i t h m,t h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e t w o f a u l t d i a g-n o s i s a l g o r i t h m s p r o p o s e d i n t h e p a p e r h a v e h i g h e r a c c u r a c y.I n a d d i t i o n,t h e e r r o r c o n v e r g e n c e t i m e o f t h e f a u l t d i a g n o s i s a l g o r i t h m s o f C NN-F b a s e d o n G B D T i s o n l y o n e t h i r d o f t h e f o r m e r,w h i c h v e r i f i e s t h e e f-f e c t i v e n e s s a n d a c c u r a c y o f t h e a l g o r i t h m p r o p o s e d i n t h i s p a p e r.K e y w o r d s:m e c h a n i c a l f a i l u r e s;c o n v o l u t i o n a l n e u r a l n e t w o r k(C N N);b a s e c l a s s i f i e r;e n s e m b l e l e a r n i n g 收稿日期:2 0 2 2-0 3-1 0第一作者(通信作者):周 静,讲师,主要研究人工智能、控制科学与工程,j i n g z h o u 2 0 1 6 0 2 2 01 6 3.c o m。当今是一个机械化、信息化的高科技时代,自动化机械设备广泛应用于国民和国防建设中。随着机械设备的智能化程度越来越高,作业环境也越来越恶劣,常常在高温、高压或敌方破坏等恶劣环境下作业,在这样的环境下机械设备随时随处都可能发生故障,对其质量和性能提出了更高的要求。机械故障一直存在于机械设备安全服役整个过程,可以说是机械设备安全服役的“潜在杀手”,一旦发生,将直接或间接影响机械设备的功能,严重的可能导致安全事故1。因此,有必要对机械故障进行故障监测与诊断研究,挖掘隐藏的故障状态信息,及时定位故障位置和确认故障程度,为故障预测和机械设备维护提供准确信息,适时做出有效的维修预判决策,这不仅可以保证设备正常工作性能,延长工作年限,而且可以减少在人力和物力方面的经济损失。根据机械设备的工作周期,可以总结出两个特点,一是通常机械设备服役时间较长,工作状态数据存储较多;二是通常表征其故障的状态数据不止一种,即故障状态数据采集点位多。综合以上两个特点,可以获得大量的机械故障数据,而针对海量的数据,适合采用机器学习、深度学习、集成学习等人工智能学习方法进行检测和诊断2。因此,大量专家做了相关研究,如:S I等3提出了基于概率神经网络(p r o b a b i l i s t i c n e u r a l n e t w o r k,P NN)的故障诊断方法,该方法在故障诊断精度上得到了一定程度的提高;Y u a n等4采用启发式B P神经网络进行轴承故障分类,仿真实验结果表示该方法获得较低的故障诊断误差;文献5 采用奇异值分解(s i n g u l a r v a l-u e d e c o m p o s i t i o n,S V D)轴承信号,通过对信号进行分解后再融合,获得更明显的故障特征信息,提高了故障诊断精确度。然而,传统的机器学习算法如支持向量机5-6、启发式B P神经网络7 等的学习能力有限,只适合用来处理小规模的数据样本。另外传统神经网络方法对样本敏感,这容易导致过拟合。可见传统神经网络分类方法在故障诊断精度方面仍然有提升空间。机械设备的监测数据通常是大规模的且种类繁多复杂,而无监督的学习方法或者浅层的神经网络分类方法在学习能力方面欠佳,在故障诊断精度方面仍然有提升空间,研究者们逐步引入比较复杂的深层神经网络,如文献4,81 2 介绍了基于受限玻尔兹曼机(r e s t r i c t e d B o l t z m a n n m a c h i n e,R BM)、卷积神经网络(C NN)算法、循环卷积网络(R NN)算法等故障诊断算法。然而R BM算法不适用于监督学习且不具有尺度不变性,不适用于