基于深度迁移学习的齿轮故障诊断方法_刘世豪.pdf

2023年 第47卷 第5期Journal of Mechanical Transmission基于深度迁移学习的齿轮故障诊断方法刘世豪1 王细洋2 龚廷恺2（1 南昌航空大学 飞行器工程学院，江西 南昌 330063）（2 南昌航空大学 通航学院，江西 南昌 330063）摘要 针对齿轮故障样本欠缺问题，提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition，EMD）得到本征模态函数（Intrinsic Mode Function，IMF），同时取相关系数最大的IMF做Hilbert变换，获取时频谱；利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征；采用全局均值池化层取代VGG16模型部分全连接层，进行分类输出。实验结果表明，在少量的样本数据下，该方法的齿轮故障诊断准确率达到98.86%，优于TLCNN和Tran VGG-19等迁移学习方法，证明了该方法在齿轮故障诊断中具有一定研究价值。关键词 迁移学习 VGG16模型 Hilbert-Huang谱 齿轮故障诊断 全局均值池化Gear Fault Diagnosis Method Based on Deep Transfer LearningLiu Shihao1 Wang Xiyang2 Gong Tingkai2(1 School of Aircraft Engineering,Nanchang Hangkong University,Nanchang 330063,China)(2 School of Navigation,Nanchang Hangkong University,Nanchang 330063,China)Abstract Aiming at the problem of insufficient gear fault samples,a fault diagnosis method of transfer learning based on Hilbert-Huang spectrum and pre-trained VGG16 model is proposed.Firstly,the intrinsic mode function(IMF)is obtained by Empirical Mode Decomposition(EMD)of vibration signals,and the time spectrum is obtained by Hilbert transform of IMF with the largest correlation coefficient.Secondly,pre-trained VGG16 is used to extract Hilbert-Huang spectrum image features of gears under varying loads and under various health conditions.Finally,the global average pooling layer is used to replace partial full connection layer of VGG16 model for classification output.Experimental results show that with a small amount of sample data,the accuracy of gear fault diagnosis reaches 98.86%,which is better than the transfer learning methods such as TLCNN and Tran VGG-19.It is proved that the method presented in this paper has some research value in gear fault diagnosis.Key words Transfer learning VGG16 Hilbert-Huang spectrum Gear fault diagnosis Global average pooling0 引言在工业4.0背景下，工厂设备呈现复杂化、智能化。齿轮箱作为机械设备必不可缺的部件，决定着设备的运行状态，而在齿轮箱失效形式中，齿轮故障占60%1。因此，齿轮故障诊断对于提高工业设备可靠性和降低生产成本具有重要意义。近年来，人工智能技术得到了快速发展，深度学习等智能计算方法在机械故障诊断中的应用也越来越受到重视2。An等3针对时变工况下采集的样本特征模糊、难以进行故障诊断等问题，提出了基于长短期记忆网络的诊断方法。Shen等4针对传统故障诊断方法依赖专业经验提取故障特征问题，引入深文章编号：1004-2539（2023）05-0134-09DOI：10.16578/j.issn.1004.2539.2023.05.021134第5期刘世豪，等：基于深度迁移学习的齿轮故障诊断方法度置信网络，实现了故障分层诊断。作为在深度学习中较有效的方法之一，卷积神经网络（Convolutional Neural Network，CNN）在故障诊断领域得到了广泛研究。胡茑庆等5针对故障振动信号非线性和非平稳特性问题，提出一种基于经验模态分解（Empirical Mode Decomposition，EMD）与CNN的故障诊断方法。Liu等6针对行星齿轮微弱故障特征信息较难提取问题，提出了变分模态分解结合CNN的方法，完成了对微弱故障的提取与识别。但基于CNN的故障诊断方法会受到样本数量限制，没有足够的样本训练CNN，会导致模型过拟合。然而，缺乏故障样本在机械故障诊断研究领域是一个普遍的问题7。迁移学习致力于将在源域获得的知识迁移到目标域中，以实现模型在目标域中的高效训练。由于模型在源域中得到了充分的训练，因此，在目标域中利用少量样本就可得到理想的训练结果，解决了深度学习依赖大数据的问题。近年来，迁移学习在多个领域得到了广泛运用8-11，并在故障诊断领域取得了一定的研究成果。Yang等12提出一种基于特征迁移的故障诊断模型，通过实验数据学习故障特征，识别机车的健康状态。Han等13为了解决数据稀疏问题，提出了一种同时进行监督分类和多个对抗域自适应的模型。Zhao等14针对数据不平衡问题，提出了一种归一化卷积神经网络，成功识别了不同位置和损伤程度的故障。然而，现有对迁移学习在故障诊断领域中的研究存在两个问题：其一，用于迁移的模型大都从零开始训练，而随着网络模型加深，其所需标注数据和训练设备资源也愈加庞大，模型训练难度增加。因此，现有故障诊断模型隐藏层大多小于 5 层15，这限制了模型对数据深层次特征的提取。而利用预训练模型的迁移学习，由于模型的复杂度较高，运用在小样本数据集中易导致过拟合。其二，目前的研究多以一维信号为主，然而一维信号受到样本长度的局限，输入样本特征存在单一性问题，导致模型无法提取足够多的特征用于故障识别。针对以上问题，本文提出了基于Hilbert-Huang变换（Hilbert-Huang Transform，HHT）与深度迁移学习的齿轮故障诊断方法。首先，将采集的振动信号通过HHT转化为Hilbert-Huang谱作为模型输入。然后，构建以VGG16网络为预训练模型的迁移策略进行故障诊断；其中，VGG16网络是在大型视觉识别挑战赛中利用1 000个类别的100多万张图片进行训练，迭代超过37万次，校准了1.38亿个权重参数的深层次模型。为降低模型复杂度，提高其迁移学习的效率，通过t-SNE算法可视化特征提取过程以确定模型适合迁移的层，并考虑到全连接层难以训练，引入全局均值池化层优化模型。最后，使用建立的迁移模型识别了变负载工况下齿轮的健康状态。1 Hilbert-Huang变换HHT由EMD和Hilbert变换两部分构成，不同于小波变换和短时傅里叶变换需预设基函数，该方法是一种自适应信号处理方法，在故障诊断领域广泛应用。HHT可将信号转化为表征时间、频率和幅值关系的Hilbert-Huang谱。1.1EMD与IMF分量选择EMD是一种依据信号自身时间尺度从大到小逐步分解出不同频率的本征模态函数（Intrinsic Mode Function，IMF）的方法。分解后的 IMF 存在 3 种分量，即信息主导分量、噪声主导分量和纯噪声分量。选择合适的IMF分量能保障生成的Hilbert-Huang谱图包含故障信息，同时剔除干扰成分，突显信号局部特征。本文采用相关系数作为特征值筛选 IMF，选取与原始信号相关系数值最大的IMF分量制作Hilbert-Huang谱图。相关系数计算公式为i=j=1L(xj-x)(Ri，j-Ri)j=1L(xj-x)2j=1L(Ri，j-Ri)2（1）式中，i为第i个 IMF 与原始信号x(t)的相关系数；Ri为第i个IMF；L为信号长度。1.2Hilbert-Huang谱分析对于筛选出的IMF以I（t）表示，则Hilbert变换求其复共轭函数y（t）的公式为y(t)=1P-+I(t)t-d（2）式中，P为柯西原理值。此时可求其构造函数z(t)，即z(t)=I(t)+jy(t)=a(t)e j(t)（3）式中，a(t)为瞬时振幅；(t)为瞬时相位。有a(t)=I2(t)+y2(t)（4）(t)=arctany(t)I(t)（5）HHT中定义的瞬时频率为瞬时相位的微分，即135第47卷(t)=d(t)dt（6）瞬时频率(t)和时间t为自变量，瞬时幅值a(t)为因变量的函数H(，t)分布即为 Hilbert-Huang谱，即H(，t)=Rea(t)ej(t)dt（7）式中，Re代表取实部。HHT的优势在于摆脱了傅里叶分析中信号由正弦和余弦函数定义的束缚，赋予了瞬时频率物理意义，且能同时表征结构振动过程中时域及频域响应。因此，HHT能较为准确地反映设备的运转变化状况。2 卷积神经网络、迁移学习2.1卷积神经网络CNN 一般由卷积层、池化层和全连接层构成。连续的卷积层和池化层构成一个卷积块用于数据的特征提取，低层的交替网络提取浅层特征，高层的交替网络提取更深层特征，而后全连接神经网络将提取的特征进行分类，数据通过这样逐层处理的过程称为正向传播运算。计算正向传播中的损失函数，配合优化算法更新网络参数以最小化损失函数称为反向传播。重复的正向传播与反向传播直至模型收敛构成监督学习的模型训练过程。2.1.1卷积层卷积层是CNN的核心，主要由若干个卷积核组成，卷积核以一定的步长遍历数据的过程，即为特征提取的过程。卷积层具有稀疏链接和权值共享特点。稀疏链接是指当前层与上一层的节点只存在部分链接，权值共享是指当卷积核遍历数据时卷积核的权值与偏置项不变。这些特点降低了模型的参数冗余，可帮助模型获得更快的学习速率，并且能降低模型的过拟合风险。卷积层输出运算公式为Xi=f(Xi-1Wi+bi)（8）式中，Xi为第i层的特征矩阵；f为激活函数；Xi-1为第i层的输入矩阵；Wi为权重矩阵；bi为偏置矩阵。2.1.2池化层池化层又称下采样层，通常在卷积层之后，在模型中起数据降维、减少计算量的作用，且能够增强特征矩阵的不变性，使之在偏移、旋转等方面具有更好的鲁棒性。最大池化是应用最广的池化方法，计算公式为Pki(j)=max(j-1)S+1 t jSqki(t)j=1，2，n（9）式中，Pki(j)为第i层第k个特征矩阵的第j个池化结果；qki(t)为第i层第k个特征矩阵第j次池化池化核所处理的区域；S为池化核的宽度。2.1.3损失函数损失函数的作用是将预测值与真实值之间的差异映射为非负实数，用以评估模型鲁棒性，通常用L(Y，f(x)表示。损失函数种类繁多，针对不同任务选取合适的损