基于改进OTSU-CNN的轴承智能故障诊断_张伟.pdf

基金项目：中石油科技中青年创新基金项目（编号：05E7040）收稿日期：20221122基于改进OTSU-CNN的轴承智能故障诊断*张伟，鲍泽富，李寿香，徐浩，张迪（西安石油大学 机械工程学院，西安710065）摘要：针对传统故障诊断方法在小样本数据集下诊断准确率低且故障特征提取难的问题，提出了一种改进大津阈值分割算法（OTSU）和卷积神经网络（CNN）相结合的智能故障诊断方法。首先，对采集到的振动信号进行希尔伯特变换（Hillbert）得到信号的包络谱，同时使用小波变换对包络谱信号处理，获取二维特征时频图；其次，建立最大类间方差目标函数模型，通过算术优化算法（AOA）得到时频图的最佳分割阈值，再将变换后的阈值分割图像作为CNN的输入得到最优训练模型，最后得到分类结果。试验结果表明：所提方法相比于传统OTSU方法，所提取的故障特征更为突出，为模型提供了优秀的训练样本；在较小数据样本条件下，所提方法的准确率达99.01%，远高于传统故障诊断方法，且模型有着良好的泛化能力。关键词：OTSU；故障特征提取；卷积神经网络；时频图中图分类号：TH133.33文献标志码：A文章编号：10099492（2023）03022206Intelligent Fault Diagnosis of Bearing Based on Improved OTSU-CNNZhang Wei，Bao Zefu，Li Shouxiang，Xu Hao，Zhang Di（School of Mechanical Engineering,Xian Shiyou University,Xian 710065,China）Abstract:Aiming at the problem that the traditional fault diagnosis method has low diagnosis accuracy and difficult fault feature extractionunder small sample datasets,an intelligent fault diagnosis method combining the Otsu threshold segmentation algorithm(OTSU)and theConvolutional Neural Network(CNN)was proposed.Firstly,the Hillbert transform was performed on the collected vibration signal to obtain theenvelope spectrum of the signal,and the wavelet transform was used to process the envelope spectrum signal to obtain a two-dimensionalfeature time-frequency map.Secondly,the maximum between-class variance objective function model was established,the optimalsegmentation threshold of the time-frequency graph was obtained by the arithmetic optimization algorithm(AOA),and then the transformedthreshold segmentation image was used as the input of CNN to obtain the optimal training model,and finally the classification result wasobtained.The experimental results show that compared with the traditional OTSU method,the extracted fault features of the proposed methodare more prominent,which provides excellent training samples for the model.Under the condition of small data sample,the accuracy of theproposed method is 99.01%,which is much higher than that of traditional fault diagnosis methods,and the model has good generalizationability.Key words:OTSU;fault feature extraction;convolutional neural network;time frequency diagram2023年03月第52卷第03期Mar.2023Vol.52No.03机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.03.046张伟，鲍泽富，李寿香，等.基于改进OTSU-CNN的轴承智能故障诊断 J.机电工程技术，2023，52（03）：222-227.0引言旋转机械运行的工况复杂、所处工作环境较为恶劣，而滚动轴承是旋转机械中的关键部件，具有传递扭矩，减少摩擦的作用，其健康状态直接影响旋转机械的性能。有超过30%的旋转机械发生故障是因为滚动轴承在长时间高负荷运行状态下发生故障引起的，继而产生一系列安全隐患。因此，研究一种准确可靠的轴承故障诊断方法具有重要的现实意义。近几年来，随着深度学习的兴起，为故障诊断领域提供了新思路。学者们提出了将卷积神经网络（Convolutional Neural Network，CNN）运用到故障诊断中，CNN具有可以自动提取整合特征后通过分类器输出分类结果的特点，从而实现了轴承的智能故障诊断。曲健岭等1提出了一种基于一维神经网络的滚动轴承自适应故障诊断算法，其先对采集到的振动信号做重叠分段预处理，然后以时间序输入到一维卷积神经网络中提取特征，进而实现故障诊断；张立智等2利用卷积降噪自编码器对振动信号进行降噪、降维处理，然后将提取到的特征输入到CNN实现故障分类；吴东升等3先使用变分模态分解（VMD）对数据降噪处理，然后经过局部均值分解（LMD）得到PF分量，将经选择后的PF分量输入CNN中实现特征提取与分类；宫文峰等4提出一种基于改进卷积神经网络的滚动轴承故障诊断方法，该方法引入全局均值池化替代传统卷积神经网络的全连接层部分，从而实现了故障分类；刘颖等5提出一种先将振动信号进行小波包分解，再将分解求得的特征向量作为卷积神经网222络的输入，实现了故障识别分类。以上方法在轴承的故障诊断应用中可行，但由于受环境因素和载荷变化影响，采集到的振动信号在多级时间段特征频率异常，变化明显，受噪声干扰，信号具有高度复杂性、不确定性，多种信号高度耦合致使故障诊断精度低。采用一维信号输入CNN，在提取故障特征时由于噪声信号干扰会发生故障特征丢失的现象，而且网络计算易陷入局部最优，不利于快速且有效地得出最优训练模型。因此，本文提出了一种基于改进OTSU方法的二维卷积神经网络（OTSU-CNN）的滚动轴承故障诊断方法。首先将采集到的振动信号做希尔伯特变换，然后将变换后的信号做Morlet小波变换得到时频图，通过算术优化算法（AOA）对OTSU阈值进行寻优得出最佳阈值，进而得到更好的故障特征提取效果图，将其传入CNN对模型进行训练，完成故障的分类，最后对故障诊断准确率进行测试。1理论背景1.1小波变换小波变换（Wavelet Transform，WT）是提取时域、频域信息的重要方法之一6-7，其特点在于其可以对非平稳信号做时频分析。WT克服了短时傅里叶变换（Short-time Fourier Transform，STFT）窗口固定的缺点，为信号分析提供了随频率变化的时频窗。WT能够自适应时频信号分析需求，做到信号多尺度细化，即使高频处时间细分，低频处频率细分。WT变换公式如下：WT()a,=1a-+f()t()t-adt（1）式中：a为尺度因子；为平移因子；为小波基函数。小波基的选择在轴承故障诊断中至关重要，本文选择Morlet小波8，该方法由法国科学家Morlet在研究地震波时提出的，Morlet复小波定义式(t)如下：()t=e-2t2+j2f0t（2）式中：j为复数单位；为形状因子；t为采样时间；f0为中心频率。Morlet小波的傅里叶变换频域形式如下：()f=exp()-22()f-f02（3）式中：()f为实函数。1.2改进OTSU阈值分割算法传统OTSU算法由学者Otus提出，是一种对图像进行二值化的自适应阈值确定算法9，因其以类间方差最大化为准则，故也被称为最大类间方差算法。假设有灰度值为0,L-1，分辨率为N M的图像T，将图像的灰度直方图归一化，得到像素概率pi为：pi=niN Mi=0,L-1（4）式中：ni为灰度级为i的像素个数。假设任选分割阈值为，将图像的像素分为C0与C1，C0的灰度级区间为0,1,，C1的灰度级区间为 +1,L-1，二者概率计算如下：0=pe()C0=i=0pi（5）1=1-0=i=+1L-1pi（6）C0的平均值为：0=i=0ipi0（7）C1的平均值为：1=i=+1L-1ipi1（8）图像T的平均灰度为：=i=0L-1pi（9）两类的类间方差定义为：2v=0(0-)2+1(1-)2（10）通过AOA对阈值进行寻优，找到最佳阈值。AOA是一种全局寻优的优化算法10，其先从随机生成的种群作为候选解X开始，通过不断迭代进行寻优。寻优过程为通过数学优化器加速函数（Math Optimizer Accelerated，MOA）选择优化策略、乘法与除法策略全局搜索、加法与减法策略收敛解从而找出全局最优解。为得到最大类间方差来求得最佳阈值，将类间方差设置为目标函数。AOA通过MOA选择搜索阶段，当r1MOA时执行全局搜索，r1MOA时执行局部开发阶段。MOA()t=RMin+t RMax-RMinT（11）式中：t为当前迭代；T为最大迭代次数；RMin与RMax为优化器的最小值与最大值，取 0.2与 1.0；r1为 01间随机数。AOA执行全局搜索，位置不断更新，当r2 0.5时，执行乘法策略，位置更新公式如下：X(t+1)=|Xb()t()MOP+()()UB-LB +LBr2 0.5（12）张伟，鲍泽富，李寿香，等：基于改进OTSU-CNN的轴承智能故障诊断223式中：r20,1；Xb()t为当前迭代下的最优解；为控制参数，取值为 0.499，用于调整搜索过程；UB、LB为上、下界；为极小值。其中，数学优化器概率（Math Optimizer Probability，MOP）计算公式如下：MOP()t+1=1-t1T1（13）式中：为敏感参数，取值为5，其作用是定义迭代过程中的局部开发精度。AOA执行局部开发收敛解的位置更新公式如下：X(t+1)=|Xb()t-MOP()()UB-LB +LBr3 0.5（14）式中：r3为01间随机数。1.3卷积神经网络卷 积 神 经 网 络（Convolutional Neural Networks，CNN）于20世纪60年代受生物科学启发提出来的一种前馈神经网络11，本质为多层感知机，其结构主要包括输入层、卷积层、池化层、全连接层。其中，卷积层是神经网络的核心部件，通过卷积层来提取输入时频图的特征信息。卷积运算公式如下：xi=kri*xi-1+bri（15）式中：kri为第i层第r个卷积核；bri为对应的