摘要
针对传统滚动轴承故障诊断方法训练时间长和效率低的问题,提出一种基于卷积神经网络(convolutional neural networks,简称CNN)和宽度学习系统(broad learning system,简称BLS)的故障诊断方法,实现了端到端的快速准确模式识别。首先,建立CNN与BLS结合的宽度卷积学习系统(broad convolutional learning system,简称BCLS),利用CNN提取信号特征和BLS进行分类,获得系统输出;其次,通过残差学习增加BLS层数,形成堆叠宽度卷积学习系统(stacked broad convolutional learning system,简称SBCLS),优化预测输出与真实标签的误差,对轴承故障模式进行识别;最后,通过试验将所提方法与3种BLS方法的预测结果进行了比较验证。结果表明,与几种常见故障诊断方法相比,所提方法诊断效果更佳,具有更高的准确率和训练效率,在边缘端的智能故障诊断中具有较好的应用前景。
关键词
旋转机械是工业发展的重要装备,在制造、冶金和化工等领域应用广
传统机器学习方法已广泛应用于机械故障诊断领域。解晓婷
近年来,深度学习因其模型性能好和适应性强等优点被广泛应用于复杂故障诊断
BL
针对上述问题,笔者提出一种基于CNN与BLS的滚动轴承故障诊断方法,即SBCLS方法。首先,利用CNN提取信号特征,采用BLS进行分类处理,通过残差学习提升BLS层故障诊断准确率;其次,分析系统模型参数对故障诊断准确率的影响,确定最优参数;最后,设置对照试验,探究在3种负载滚动轴承数据集下不同宽度学习方法的诊断性能,并与已有智能方法进行对比,验证了其训练速度与准确率的优越性。
为进一步提高故障诊断的训练速度与准确率,提出一种SBCLS方法。堆叠宽度卷积学习系统结构示意图如

图2 堆叠宽度卷积学习系统结构示意图
Fig.2 The structure of stacked broad convolutional learning system
1) 构建BCLS模块提取特征。
BCLS模块由卷积层、池化层和BLS层组成。
卷积层:根据
(6) |
其中:;,表示卷积权值矩阵正交化处理,可使提取特征更加完备;为输出特征图尺寸。
池化层:采用平方‑开方池化结
(7) |
其中:为第个池化层第个元素;为池化层尺寸。
将展平合并得到对应CNN特征。
BLS层:为进一步引入非线性,将CNN特征作为特征节点,由
(8) |
2) 堆叠BLS模块输出预测结果。
为提升网络学习效率,引入堆叠宽度学习系统中的残差学习方
(9) |
根据上述过程依次类推,以作为第层BLS模块的输入,拟合残差,则,权重,输出。最后,汇总SBCLS所有层的输出,获得模型预测输出为。
实验数据来自凯斯西储大学的滚动轴承数据集,采样频率为12 kHz,选取驱动端0 ,735 ,1 470 和2 205 W等4种负载数据,包含10种轴承状态。实验样本参数如
轴承状态 | 故障直径/mm | 标签 |
---|---|---|
滚子故障 | 0.18 | 1 |
滚子故障 | 0.36 | 2 |
滚子故障 | 0.54 | 3 |
内圈故障 | 0.18 | 4 |
内圈故障 | 0.36 | 5 |
内圈故障 | 0.54 | 6 |
外圈故障 | 0.18 | 7 |
外圈故障 | 0.36 | 8 |
外圈故障 | 0.54 | 9 |
正常 | — | 10 |
滚动轴承故障诊断流程如

图3 滚动轴承故障诊断流程图
Fig.3 The flowchart of rolling bearing fault diagnosis
SBCLS模型参数主要包括CNN参数(卷积核大小和卷积核数量)、层数与BLS参数(特征窗口隐藏节点数量、特征窗口数量和增强节点数量)。具体参数设置如下。
1) CNN参数。
卷积核大小和数量对模型训练具有重要影

图4 不同卷积核尺寸和数量的诊断结果
Fig.4 Diagnostic results under different convolution kernel sizes and numbers
2) 层数和BLS参数。
为了验证所提方法的有效性,选取BLS,BCLS,SBLS与SBCLS模型进行比较。每个模型的最优参数都通过网格搜索法获取,设定SBLS层数为3,SBCLS层数为2。其中:第1层和的取值范围设为{2,4,…,20},的取值范围设为{500,510,…,1 000};其余层和取值范围设为{1,2,…,10},的取值范围设为{100,110,…,500}。不同BLS模型的参数设置见
模型 | 层数 | 参数 | ||||
---|---|---|---|---|---|---|
BLS | 1 | 16 | 12 | 690 | — | — |
BCLS | 1 | — | — | 130 | 23 | 20 |
SBLS | 1 | 16 | 12 | 690 | — | — |
2 | 5 | 3 | 300 | — | — | |
3 | 2 | 4 | 100 | — | — | |
SBCLS | 1 | — | — | 130 | 23 | 20 |
2 | 5 | 3 | 300 | — | — |
为了验证上述4种模型的分类性能与结果的可靠性,选取735 ,1 470 和2 205 W这3种负载下的轴承数据进行实验,每类实验进行10次,以10次平均值作为最终实验结果。4种模型不同负载下的平均准确率如
模型 | 735 W | 1 470 W | 2 205 W | 平均值 |
---|---|---|---|---|
BLS | 81.19 | 84.42 | 88.95 | 84.85 |
BCLS | 99.00 | 99.44 | 99.71 | 99.38 |
SBLS | 83.47 | 86.85 | 93.47 | 87.93 |
SBCLS | 99.86 | 99.92 | 100.00 | 99.93 |
从
为了研究上述方法的训练和测试效率,分析4种模型的训练时间与测试时间,如

图5 4种模型的训练时间和测试时间
Fig.5 Training time and testing time of four models
为了进一步直观理解SBCLS的分类能力,通过t‑分布邻域嵌入(t‑distributed stochastic neighbor embedding,简称t‑SNE)可视化技术,将模型提取特征降到二维平面。特征可视化如

图6 特征可视化
Fig.6 Feature visualization
为了分析训练样本比例对SBCLS模型诊断性能的影响,设置不同比例的训练样本进行实验,不同训练样本比例下的诊断准确率如

图7 不同训练样本比例下的诊断准确率
Fig.7 Diagnostic accuracy under different ratios of training samples
为进一步验证所提方法的优越性,将其与2组不同参数的经典CNN模型、ELM和AE等已有智能故障诊断方法进行对比实验。其中:ELM模型参数见文献[
模型 | 准确率/% | 训练时间/s |
---|---|---|
ELM | 82.11 | 5.06 |
CNN1 | 99.92 | 155.85 |
CNN2 | 99.60 | 325.63 |
AE | 97.53 | 173.86 |
所提方法 | 99.93 | 2.19 |
从
1) 提出了一种基于CNN和BLS的BCLS滚动轴承故障诊断方法,其兼具CNN的特征提取能力和BLS的训练速度,提高了BLS的诊断准确率。将残差学习方法融入到BCLS得到SBCLS方法,进一步提升了模型的预测性能。
2) 通过实验分析了不同BLS方法的轴承故障分类性能,结果表明,SBCLS方法能够获取极高的诊断准确性和鲁棒性。
3) 与几种已有故障诊断方法进行实验对比,本研究所提方法诊断效果更优,训练效率更高。
参 考 文 献
雷亚国, 杨彬, 杜兆钧, 等. 大数据下机械装备故障的深度迁移诊断方法[J]. 机械工程学报, 2019, 55(7): 1-8. [百度学术]
LEI Yaguo, YANG Bin, DU Zhaojun, et al. Deep transfer diagnosis method for machinery in big data era[J]. Journal of Mechanical Engineering, 2019, 55(7): 1-8.(in Chinese) [百度学术]
李可, 熊檬 ,宿磊, 等. 基于改进深层极限学习机的故障诊断方法[J]. 振动、测试与诊断, 2020, 40(6): 1120-1127. [百度学术]
LI Ke, XIONG Meng, SU Lei, et al. Research on mechanical fault diagnosis method based on improved deep extreme learning machine[J]. Journal of Vibration, Measurement & Diagnosis, 2020, 40(6): 1120-1127.(in Chinese) [百度学术]
ZHANG S, ZHANG S B, WANG B N, et al. Deep learning algorithms for bearing fault diagnostics-a comprehensive review[J]. IEEE Access, 2020, 8: 29857-29881. [百度学术]
解晓婷, 李少波, 杨观赐, 等. 基于FFT与CS-SVM的滚动轴承故障诊断[J]. 组合机床与自动化加工技术, 2019(4): 90-94. [百度学术]
XIE Xiaoting, LI Shaobo, YANG Guanci, et al. Fault diagnosis of rolling bearing based on FFT and CS-SVM[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2019(4): 90-94.(in Chinese) [百度学术]
MA J, WU J, WANG X. Fault diagnosis method based on wavelet packet-energy entropy and fuzzy kernel extreme learning machine[J]. Advances in Mechanical Engineering, 2018, 10(1): 1687814017751446. [百度学术]
HOANG D T, KANG H J. A survey on deep learning based bearing fault diagnosis[J]. Neurocomputing, 2018, 335: 327-335. [百度学术]
ZHANG W, PENG G L, LI C H, et al. A new deep learning model for fault diagnosis with good Anti-Noise and domain adaptation ability on raw vibration signals[J]. Sensors, 2017, 17(2): 425. [百度学术]
WU X Y, ZHANG Y, CHENG C M, et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery[J]. Mechanical Systems and Signal Processing, 2021, 149: 107327. [百度学术]
LUO J Q, ZHU L C, CHEN M, et al. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty[J]. Processes, 2021, 9(10): 1751. [百度学术]
GUO L, LEI Y G, XING S B, et al. Deep convolutional transfer learning network: a new method for intelligent fault diagnosis of machines with unlabeled data[J]. IEEE Transactions on Industrial Electronics, 2019, 66(9): 7316-7325. [百度学术]
CHEN C L P, LIU Z L. Broad learning system: an effective and efficient incremental learning system without the need for deep architecture[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(1): 10-24. [百度学术]
WANG Y, WANG C, KANG S, et al. Network-combined broad learning and transfer learning: a new intelligent fault diagnosis method for rolling bearings[J]. Measurement Science and Technology, 2020, 31(11): 115013. [百度学术]
YU W K, ZHAO C H. Broad convolutional neural network based industrial process fault diagnosis with incremental learning capability[J]. IEEE Transactions on Industrial Electronics, 2020, 67(6): 5081-5091. [百度学术]
ZHAO H M, ZHENG A A, DENG W, et al. Semi-supervised broad learning system based on manifold regularization and broad network[J]. IEEE Transactions on Circuits and Systems I-Regular Papers, 2020, 67(3): 983-994. [百度学术]
ZHAO H M, ZHENG A A, XU J J, et al. Fault diagnosis method based on principal component analysis and broad learning system[J]. IEEE Access, 2019, 7: 99263-99272. [百度学术]
SAXE A M, KOH P W, CHEN Z H, et al. On random weights and unsupervised feature learning[C]∥Proceedings of the 28th International Conference on International Conference on Machine Learning. Madison, WI, USA: Omnipress, 2011: 1089-1096. [百度学术]
LIU Z L, CHEN C L P, FENG S, et al. Stacked broad learning system: from incremental flatted structure to deep model[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(1): 209-222. [百度学术]
LUO W J, LI Y J, URTASUN R, et al. Understanding the effective receptive field in deep convolutional neural networks[C]∥Proceedings of the 30th International Conference on Neural Information Processing Systems. Red Hook, NY, USA: Curran Associates Inc., 2016: 4905-4913. [百度学术]
CHEN Z Y, GRYLLIAS K, LI W H. Mechanical fault diagnosis using Convolutional Neural Networks and Extreme Learning Machine[J]. Mechanical Systems and Signal Processing, 2019, 133: 106272. [百度学术]
曲建岭, 余路, 袁涛, 等. 基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 仪器仪表学报, 2018, 39(7): 134-143. [百度学术]
QU Jianling, YU Lu, YUAN Tao, et al. Adaptive fault diagnosis algorithm for rolling bearings based on one-dimensional convolutional neural network[J]. Chinese Journal of Scientific Instrument, 2018, 39(7): 134-143.(in Chinese) [百度学术]
SHAO H, JIANG H, ZHAO H, et al. A novel deep autoencoder feature learning method for rotating machinery fault diagnosis[J]. Mechanical Systems and Signal Processing, 2017, 95: 187-204. [百度学术]