采用多尺度自適應(yīng)選擇卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究

張璽君,尚繼洋

(蘭州理工大學(xué)計(jì)算機(jī)與通信學(xué)院,730050,蘭州)

旋轉(zhuǎn)機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷對(duì)現(xiàn)代工業(yè)系統(tǒng)可靠性和安全性具有重要意義[1]。滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中廣泛應(yīng)用的精密機(jī)械元件,其健康狀態(tài)影響著旋轉(zhuǎn)機(jī)械設(shè)備的安全。據(jù)統(tǒng)計(jì)約45%～55%的旋轉(zhuǎn)機(jī)械設(shè)備故障是由滾動(dòng)軸承故障引起的[2]。對(duì)滾動(dòng)軸承及時(shí)進(jìn)行故障診斷,能減少旋轉(zhuǎn)機(jī)械設(shè)備運(yùn)行中故障的發(fā)生,保障旋轉(zhuǎn)機(jī)械設(shè)備安全運(yùn)行。

軸承故障診斷方法主要包括基于物理模型的方法、基于信號(hào)處理的方法、基于機(jī)器學(xué)習(xí)的方法和混合方法。基于物理模型的方法需要對(duì)機(jī)械機(jī)理有透徹了解且物理模型不夠靈活,基于信號(hào)處理的方法在特征分析和診斷過(guò)程中嚴(yán)重依賴專家經(jīng)驗(yàn),傳統(tǒng)的機(jī)器學(xué)習(xí)方法因需要人工提取和選擇特征,已經(jīng)不能滿足當(dāng)前診斷需求[3-4]。在智能制造快速發(fā)展的大背景下,深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支掀起了智能故障診斷的浪潮,深度學(xué)習(xí)模型可以自動(dòng)提取機(jī)器數(shù)據(jù)中的故障特征,建立機(jī)器數(shù)據(jù)和相應(yīng)機(jī)器的健康狀態(tài)的復(fù)雜映射關(guān)系,實(shí)現(xiàn)端對(duì)端的智能故障診斷[4]。其中,卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為領(lǐng)先的架構(gòu),并在多個(gè)基準(zhǔn)實(shí)驗(yàn)中有著出色的性能[5]。Zhang等[6]提出第一層為寬卷積的卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)抑制軸承振動(dòng)信號(hào)中噪聲的干擾,并加入自適應(yīng)批歸一化的方法來(lái)提高模型泛化能力。Li等[7]提出加入注意力機(jī)制的多層深度融合網(wǎng)絡(luò),可以自動(dòng)提取多個(gè)傳感器數(shù)據(jù)并將其自適應(yīng)融合完成軸承故障診斷。Zhang等[8]提出一種基于通道空間注意機(jī)制和特征融合的選擇性核卷積深度殘差網(wǎng)絡(luò),并將用于機(jī)械故障診斷,將特征增強(qiáng)模塊嵌入到選擇性核卷積和深度殘差網(wǎng)絡(luò)的模型中,提高了故障識(shí)別效率。Ruan等[9]從軸承故障周期的角度來(lái)確定卷積核大小,采用指數(shù)函數(shù)擬合不同故障信號(hào)的加速度包絡(luò)線,利用不同衰減比下的信號(hào)長(zhǎng)度決定卷積核寬度,具有明確的物理意義。Liang等[10]提出了一種基于小波變換和改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法,用奇異值分解池化層替代傳統(tǒng)池化層,并用全局奇異值分解自適應(yīng)策略替代全連接層,提高模型的抗噪能力。

由于受到載荷變化、噪聲干擾等影響,軸承振動(dòng)信號(hào)在多個(gè)時(shí)間尺度上具有復(fù)雜的特征[11-12]。為了提取不同時(shí)間尺度的特征,近年來(lái)應(yīng)用多尺度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行軸承故障診斷得到了廣泛研究,多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional network,MSCNN)利用不同大小的卷積提取軸承振動(dòng)信號(hào)中的不同尺度的特征,特征提取能力相比單一尺度卷積提取特征更具魯棒性。Huang等[13]提出了采用3個(gè)大卷積核并行提取軸承故障特征,之后利用多層卷積提取合并后的特征,最后利用全連接層進(jìn)行分類完成軸承故障診斷。Qiao等[14]引入自適應(yīng)權(quán)重來(lái)調(diào)整多尺度卷積神經(jīng)網(wǎng)絡(luò)突出故障敏感特征。Chen等[15]利用多尺度卷積神經(jīng)網(wǎng)絡(luò)提取不同頻率特征,之后輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)識(shí)別故障類型。Jia等[16]提出了一種多尺度殘差注意力網(wǎng)絡(luò),利用多尺度卷積模塊提取特征,再利用殘差注意力模塊對(duì)多尺度特征的通道進(jìn)行加權(quán)去噪,能在振動(dòng)信號(hào)中提取更多有效的特征。Huang等[17]提出了一種加入通道注意力的多尺度卷積神經(jīng)網(wǎng)絡(luò),利用多尺度卷積獲得多個(gè)時(shí)間尺度特征來(lái)提高模型的抗噪能力。

雖然上述大多數(shù)研究都采用多尺度卷積來(lái)提取不同尺度的特征,但不同尺度之間存在特征差異,如果不能調(diào)整其特征權(quán)重,容易受到冗余信息的干擾[18]。其次,大多數(shù)研究提出的神經(jīng)網(wǎng)絡(luò)第一層為一個(gè)寬卷積層,之后的多尺度卷積層只能從單個(gè)輸入提取特征,初始特征信息不夠豐富。

基于以上問(wèn)題,本文提出了一種多尺度自適應(yīng)選擇卷積神經(jīng)網(wǎng)絡(luò)(multi-scale adaptive selective convolutional neural networks,MSASCNN)。本文的主要貢獻(xiàn)如下:

(1)利用不同大小的寬卷積提取信號(hào)特征,合并其輸出特征來(lái)豐富初始特征信息;

(2)利用殘差連接構(gòu)造了多尺度自適應(yīng)選擇卷積塊(MSASCblock),模塊利用不同大小的卷積提取不同尺度的特征,再通過(guò)注意力機(jī)制自適應(yīng)調(diào)整不同尺度的特征權(quán)重,增強(qiáng)關(guān)鍵特征響應(yīng),并引入自適應(yīng)大小的一維卷積來(lái)替換注意力權(quán)重層的兩個(gè)全連接層,避免了參數(shù)降維對(duì)模型的性能影響和超參數(shù)的調(diào)整。

1 多尺度卷積神經(jīng)網(wǎng)絡(luò)

如GoogleNet[19]、 Inception-v4[20]等的MSCNN在圖像處理、目標(biāo)識(shí)別等領(lǐng)域快速發(fā)展。MSCNN的目的是通過(guò)不同大小的卷積核同時(shí)提取輸入信號(hào)的長(zhǎng)期特征和短期特征[21],不同卷積的感受野大小不同,得到特征的尺度也就不同。相比單一卷積提取特征,多尺度卷積獲取的特征信息更為豐富。

MSCNN主要由卷積層、池化層、激活函數(shù)、批歸一化等組成,其中卷積層是提取數(shù)據(jù)特征的第一步,利用濾波器與局部區(qū)域數(shù)據(jù)進(jìn)行卷積,獲得多組特征映射。卷積層的計(jì)算式為

(1)

池化層對(duì)輸入特征進(jìn)行特征選擇和信息過(guò)濾,降低特征參數(shù),有效控制過(guò)擬合,常用的池化有最大池化和平均池化[5]。最大池化層的計(jì)算式為

(2)

一般利用非線性激活函數(shù)對(duì)卷積后的特征映射進(jìn)行處理,增強(qiáng)網(wǎng)絡(luò)的特征表示[11]。ReLU函數(shù)具有單側(cè)抑制、增強(qiáng)稀疏性等[17-22]優(yōu)點(diǎn)被廣泛應(yīng)用,計(jì)算式為

(3)

式中:x是激活前的輸入;fx是激活后的輸出。

批歸一化 (BN)用于規(guī)范數(shù)據(jù)輸入和穩(wěn)定數(shù)據(jù)分布,進(jìn)而緩解網(wǎng)絡(luò)內(nèi)部協(xié)方差偏移或消失,加快模型訓(xùn)練速度[11]。批歸一化計(jì)算式為

(4)

(5)

(6)

yp=αxp+β

(7)

式中:Nb是小批量數(shù)據(jù)的數(shù)量;xk是第k個(gè)輸入;μ和σ2是xk的均值和方差;ε是常數(shù);xp是歸一化的數(shù)據(jù);α和β是用于縮放分布的可學(xué)習(xí)參數(shù);yp是最后的輸出。

2 多尺度自適應(yīng)選擇卷積神經(jīng)網(wǎng)絡(luò)

2.1 模型結(jié)構(gòu)

多尺度自適應(yīng)選擇卷積神經(jīng)網(wǎng)絡(luò)由特征篩選層、特征提取層、特征分類層構(gòu)成,模型總體結(jié)構(gòu)如圖1所示。

圖1 MSASCNN模型結(jié)構(gòu)Fig.1 The model structure of MSASNN

大多數(shù)多尺度卷積只能從單一的寬卷積中提取特征,特征提取能力有限,考慮到不同大小的卷積具有不同的頻率分辨率[13],為豐富提取的初始特征信息,特征篩選層采用不同大小的寬卷積來(lái)提取特征,之后合并為初始特征。寬卷積層比小卷積層有更大的感受野,可以捕獲低頻率特征,作為低通濾波器可以更好地抑制高頻噪聲[6-14]。寬卷積大小為常用的128、64。設(shè)模型輸入為X,特征篩選層輸出為Y2,二者可表示為

Y1=[K1(X),K2(X)]

(8)

Y2=Pm(Act(δ(Y1)))

(9)

式中:K1和K2是不同大小的寬卷積;[,]為合并操作;Act為激活函數(shù);δ為BN操作;Pm為最大池化。

滾動(dòng)軸承的局部故障在軸承部件反復(fù)撞擊故障時(shí),會(huì)在加速度信號(hào)中產(chǎn)生一系列寬帶脈沖響應(yīng)[23],在時(shí)域上的響應(yīng)是在不同的時(shí)間尺度上出現(xiàn)不同的故障敏感特征。為了全面提取故障敏感特征[14],可以利用多尺度卷積來(lái)提取不同時(shí)間尺度的特征,進(jìn)而解決在單一時(shí)間尺度上提取特征的局限性。

受SKNet[24]啟發(fā),Liang等[11]提出一種多尺度動(dòng)態(tài)自適應(yīng)卷積進(jìn)行軸承故障診斷,該卷積利用不同大小卷積提取不同尺度的特征,并自適應(yīng)調(diào)整不同尺度的特征權(quán)重。本模型在特征提取層引入多尺度自適應(yīng)卷積(不引入動(dòng)態(tài)縮放率),并改進(jìn)為多尺度自適應(yīng)選擇卷積,在注意力權(quán)重層中將兩個(gè)全連接層改為ECANet[25]中的自適應(yīng)大小卷積,避免了參數(shù)降維對(duì)模型的性能影響和超參數(shù)的調(diào)整。多尺度自適應(yīng)選擇卷積具體分為3個(gè)操作:劃分、融合和選擇。

(1)劃分。對(duì)于任何給定的特征圖,先通過(guò)不同卷積核大小的卷積獲得不同的特征圖U1、U2和U3,然后將不同特征圖融合為一個(gè)多尺度特征圖

U=U1+U2+U3

(10)

(2)融合。將包含多尺度信息的特征圖U輸入到全局平均池化(GAP)來(lái)獲得全局信息,SKNet和多尺度動(dòng)態(tài)自適應(yīng)卷積利用兩個(gè)全連接層來(lái)捕獲非線性跨通道交互,其中SKNet引入固定縮放率來(lái)降低模塊參數(shù),多尺度動(dòng)態(tài)自適應(yīng)卷積引入非線性函數(shù)來(lái)確定縮放率。與兩者不同的是,本模型采用自適應(yīng)大小的一維卷積來(lái)生成注意力權(quán)重Z

(11)

Z=Act(δ(Ca(Ugap)))

(12)

式中:Ca為自適應(yīng)大小卷積;b和γ為常數(shù),本文取b=1,γ=2;c為輸入特征的通道數(shù);Ugap是全局信息。

(3)選擇。注意力權(quán)重經(jīng)Softmax函數(shù)得到其分支權(quán)重,最后生成權(quán)重系數(shù)

(13)

(14)

(15)

式中:ac、bc、cc分別是a、b、c的第c個(gè)元素,a、b、c分別是U1、U2、U3的軟注意力向量;Ac、Bc、Cc分別是A、B、C的第c行,A,B,C∈Rd×d。

權(quán)重系數(shù)ac、bc、cc和特征圖U1、U2、U3分別相乘后相加,得到校準(zhǔn)后的新特征圖V

V=acU1+bcU2+ccU3

(16)

ac+bc+cc=1

(17)

多尺度自適應(yīng)選擇卷積流程如圖2所示。

圖2 多尺度自適應(yīng)選擇卷積流程Fig.2 The flow chart of multi-scale adaptive selective convolution

加入殘差連接構(gòu)建多尺度自適應(yīng)選擇卷積塊(MSASCblock),殘差連接可以幫助傳遞梯度信息,能夠有效解決網(wǎng)絡(luò)退化問(wèn)題[26-27]。當(dāng)殘差映射與恒等映射通道數(shù)不同時(shí),利用1×1卷積和BN進(jìn)行下采樣操作來(lái)調(diào)整通道數(shù)。

在特征分類層,首先利用全局平均池化對(duì)特征進(jìn)行降維,可以一定程度防止網(wǎng)絡(luò)過(guò)擬合,之后利用全連接層和Softmax對(duì)降維后的特征進(jìn)行分類,模型結(jié)構(gòu)參數(shù)如表1所示。

表1 MSASCNN模型結(jié)構(gòu)

2.2 診斷流程

圖3給出了MSASCNN的軸承故障診斷流程。將振動(dòng)加速度傳感器采集到軸承振動(dòng)信號(hào)利用滑動(dòng)窗口進(jìn)行不重疊采樣,每個(gè)樣本的長(zhǎng)度為1 024,對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

將樣本數(shù)據(jù)劃分為3個(gè)子集:訓(xùn)練集、驗(yàn)證集和測(cè)試集,劃分?jǐn)?shù)據(jù)量比例為8∶1∶1。利用訓(xùn)練集和驗(yàn)證集完成診斷模型的訓(xùn)練過(guò)程,訓(xùn)練采用交叉熵?fù)p失函數(shù)來(lái)衡量模型預(yù)測(cè)值和真實(shí)值的差距,使用Adam算法更新模型梯度,訓(xùn)練輪數(shù)為150,批量大小為16,學(xué)習(xí)率為0.001。在獲得最優(yōu)參數(shù)后,使用測(cè)試集對(duì)模型的軸承故障診斷性能進(jìn)行評(píng)估。

圖3 MSASCNN模型診斷流程Fig.3 The flow chart of MSASNN for fault diagnosis

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 參數(shù)設(shè)置

為驗(yàn)證提出模型的軸承故障診斷能力,在兩個(gè)軸承數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估。使用Pytorch深度學(xué)習(xí)框架,計(jì)算機(jī)配置如下:Inter Core i5-8300H處理器,NVIDIA GeForce 1050Ti圖像處理器,16 GB內(nèi)存。

3.2 凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集

凱斯西儲(chǔ)大學(xué)(CWRU)數(shù)據(jù)集由凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心[28]提供,作為測(cè)試軸承診斷方法的標(biāo)準(zhǔn)參考被廣泛應(yīng)用。本次實(shí)驗(yàn)選擇采樣頻率為12 kHz的驅(qū)動(dòng)端軸承數(shù)據(jù),軸承型號(hào)為SKF6205深溝球軸承,其中包括不同故障直徑大小下的外圈故障、內(nèi)圈故障和滾動(dòng)體故障,實(shí)驗(yàn)選擇負(fù)載為0下的數(shù)據(jù)集,具體數(shù)據(jù)集信息如表2所示。

表2 CWRU軸承數(shù)據(jù)集

在實(shí)際應(yīng)用中,滾動(dòng)軸承會(huì)受到大量環(huán)境噪聲干擾,環(huán)境噪聲會(huì)直接影響故障診斷的準(zhǔn)確率。為驗(yàn)證模型的抗干擾能力,向原始振動(dòng)信號(hào)中加入不同信噪比的高斯白噪聲來(lái)構(gòu)建噪聲環(huán)境。圖4為原始振動(dòng)信號(hào)和加入信噪比為-7 dB的高斯白噪聲的噪聲振動(dòng)信號(hào)。可以看出,原始振動(dòng)信號(hào)被嚴(yán)重干擾。

(a)原始信號(hào)

(b)噪聲信號(hào)

為驗(yàn)證多尺度自適應(yīng)選擇卷積塊中,不同卷積數(shù)以及殘差連接對(duì)模型診斷性能的影響,在信噪比為-7 dB的噪聲環(huán)境下進(jìn)行對(duì)比。大小為5×1、7×1、9×1的3個(gè)卷積組成多尺度自適應(yīng)選擇卷積塊C3,大小為5×1、7×1的兩個(gè)卷積組成的多尺度自適應(yīng)選擇卷積塊C2。只有一個(gè)5×1卷積層但保留殘差連接的卷積塊C1。還有不包括殘差連接的5×1卷積塊C0。其余模型結(jié)構(gòu)和參數(shù)不變。為消除偶然誤差,測(cè)試5次,并取平均值作為最終結(jié)果。實(shí)驗(yàn)結(jié)果如下:C0卷積相比于C1卷積,在沒(méi)有殘差連接的情況下,準(zhǔn)確率為65.8%,在噪聲干擾的數(shù)據(jù)集下模型容易出現(xiàn)過(guò)擬合情況,而C1卷積在加入殘差連接后準(zhǔn)確率到達(dá)85.49%,殘差連接可以學(xué)習(xí)到原來(lái)的初始特征,有利于梯度的反向傳播,能夠有效避免模型訓(xùn)練中存在的退化現(xiàn)象。同時(shí),C2卷積塊準(zhǔn)確率達(dá)到了89.31%。C3卷積塊的準(zhǔn)確率到達(dá)93.58%,高于其他卷積塊。不同卷積的數(shù)量越多,提取到的不同時(shí)間尺度特征就越多,得到的多尺度融合特征就越豐富,這可以彌補(bǔ)單一尺度卷積提取特征能力有限的缺點(diǎn),有助于模型識(shí)別故障特征。

同時(shí),在信噪比為-7 dB的噪聲環(huán)境下,將多尺度自適應(yīng)選擇卷積塊中注意力權(quán)重層不同的融合操作以及不同方式的寬卷積輸入的影響進(jìn)行了對(duì)比。原始融合操作是利用兩個(gè)全連接層提取注意力權(quán)重,兩個(gè)全連接層的結(jié)構(gòu)和固定縮放率都為SKNet中的默認(rèn)結(jié)構(gòu)和超參數(shù)。改進(jìn)的融合操作是采用自適應(yīng)大小的1D卷積提取注意力權(quán)重。不同大小的寬卷積合并輸入,其大小分別為128×1和64×1,單個(gè)大小為128×1的寬卷積和單個(gè)大小為64×1的寬卷積,其余參數(shù)一致。模型改進(jìn)影響的實(shí)驗(yàn)結(jié)果如表3所示。

表3 模型改進(jìn)的影響

從表3可以看出,相比于單一寬卷積提取特征,通過(guò)不同大小的寬卷積提取并合并的初始特征更為豐富,準(zhǔn)確率高于單個(gè)寬卷積128×1和單個(gè)寬卷積64×1時(shí)的。在不同大小的寬卷積同時(shí)提取特征的情況下,采用自適應(yīng)大小1D卷積獲取注意力權(quán)重的準(zhǔn)確率略高于SKNet中兩個(gè)全連接層獲取注意力權(quán)重的準(zhǔn)確率。兩個(gè)全連接層中需要引入固定縮放率以及其他超參數(shù),面臨不同任務(wù)時(shí),固定縮放率會(huì)影響模型性能,而自適應(yīng)大小卷積能避免超參數(shù)的調(diào)整。

在信噪比為-7、-3、1 dB的噪聲環(huán)境下,將MSASCNN與WDCNN[6]、MC-CNN[13]、ResNet[29]進(jìn)行實(shí)驗(yàn)對(duì)比。MC-CNN首先利用100×1、200×1和300×1的不同大小寬卷積并行提取不同尺度的信號(hào)特征,再連接3個(gè)卷積層提取深層特征;WDCNN采用64×1的寬卷積來(lái)抑制噪聲干擾;ResNet在圖像處理等多個(gè)領(lǐng)域具有良好的分類能力和魯棒性,利用殘差連接來(lái)學(xué)習(xí)更深層次的復(fù)雜特征,對(duì)比實(shí)驗(yàn)中選擇ResNet18。不同模型的診斷性能對(duì)比實(shí)驗(yàn)結(jié)果如表4所示。

表4 不同模型的診斷性能對(duì)比

從表4可以看出,不同模型的診斷能力會(huì)隨著信噪比的降低而逐漸下降,在信噪比為-7 dB的噪聲干擾下,其他方法的診斷能力都受到嚴(yán)重影響,而MSASCNN達(dá)到了最高的準(zhǔn)確率93.58%。ResNet18的準(zhǔn)確率低于MSASCNN,這是因?yàn)槠渚矸e大小要小于MSASCNN的卷積大小,卷積的感受野有限,不能捕獲足夠的時(shí)間尺度特征,一定程度上容易受到噪聲干擾。在對(duì)比實(shí)驗(yàn)中,MSASCNN準(zhǔn)確率遠(yuǎn)高于其他方法,在噪聲環(huán)境下診斷性能良好。

3.3 XJTU-SY軸承數(shù)據(jù)集

XJTU-SY軸承數(shù)據(jù)集由西安交通大學(xué)設(shè)計(jì)科學(xué)與基礎(chǔ)部件研究所和浙江長(zhǎng)興昇陽(yáng)科技有限公司提供[30]。測(cè)試軸承類型為L(zhǎng)DK UER204,采集頻率為25.6 kHz,數(shù)據(jù)集包含3種工況下15個(gè)滾動(dòng)軸承的全壽命周期振動(dòng)信號(hào),包含單一、復(fù)合故障等多種失效形式,具體數(shù)據(jù)集信息如表5所示。

表5 XJTU-SY軸承數(shù)據(jù)集

為驗(yàn)證本文提出的模型在XJTU-SY軸承數(shù)據(jù)集上的故障診斷能力,在添加信噪比為-3 dB的噪聲環(huán)境下,加入WDCNN、MC-CNN、ResNet這3種模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如下:WDCNN診斷準(zhǔn)確率最低,為46.66%。MC-CNN利用并行的3個(gè)不同大小的寬卷積層提取軸承故障特征,一定程度上能夠抵抗較低信噪比的噪聲干擾,診斷準(zhǔn)確率為77.91%。ResNet利用深層網(wǎng)絡(luò)和殘差連接獲得了較高的診斷結(jié)果,診斷準(zhǔn)確率為 87.18%。MSASCNN利用不同大小的寬卷積層抑制噪聲,再通過(guò)多尺度自適應(yīng)選擇卷積塊提取特征,診斷準(zhǔn)確率為95.93%,高于其他方法。實(shí)驗(yàn)結(jié)果表明,MSASCNN在面對(duì)多種失效形式的軸承故障時(shí),依舊能夠保持良好的診斷性能。在信噪比為1 dB和-2 dB的噪聲環(huán)境下,利用t-SNE[31]降維技術(shù)對(duì)MSASCNN分類過(guò)程進(jìn)行了可視化分析,結(jié)果如圖5所示。

(a)信噪比為1 dB下的初始數(shù)據(jù)分布

(b)信噪比為1 dB下的模型分類后數(shù)據(jù)分布

(c)信噪比為-2 dB下的初始數(shù)據(jù)分布

(d)信噪比為-2 dB下的模型分類后數(shù)據(jù)分布

從圖5可以看出,在信噪比為1 dB和-2 dB的噪聲干擾下,初始時(shí)的振動(dòng)數(shù)據(jù)分布混亂,類與類之間出現(xiàn)嚴(yán)重混疊現(xiàn)象。通過(guò)MSASCNN分類之后,在信噪比為1 dB噪聲環(huán)境下,不同故障狀態(tài)的振動(dòng)數(shù)據(jù)分布清晰,類與類之間不存在混疊現(xiàn)象,類內(nèi)距離小。信噪比為-2 dB噪聲環(huán)境下,整體的分類結(jié)果良好,可以區(qū)分不同類的數(shù)據(jù),少部分?jǐn)?shù)據(jù)樣本受噪聲干擾,出現(xiàn)分類錯(cuò)誤情況,每個(gè)數(shù)據(jù)的類內(nèi)距離相比于在信噪比為1 dB噪聲環(huán)境下的類內(nèi)距離較大,類與類之間的距離較小,可以看出低信噪比的噪聲對(duì)模型分類有一定的干擾。可視化結(jié)果進(jìn)一步驗(yàn)證了MSASCNN的軸承故障診斷性能良好。

4 結(jié) 論

本文針對(duì)傳統(tǒng)多尺度卷積神經(jīng)網(wǎng)絡(luò)中不同尺度的特征融合方式單一的問(wèn)題,提出了一種多尺度自適應(yīng)選擇卷積神經(jīng)網(wǎng)絡(luò)的診斷模型,得到主要結(jié)論如下。

(1)MSASCNN利用多尺度自適應(yīng)選擇卷積塊提取不同尺度的特征,并通過(guò)注意力機(jī)制自適應(yīng)調(diào)整不同尺度的特征權(quán)重來(lái)選擇關(guān)鍵特征,再加入殘差連接來(lái)防止模型退化,提高了模型的自適應(yīng)能力和魯棒性。在CWRU軸承數(shù)據(jù)集和XJTU-SY軸承數(shù)據(jù)集上的噪聲實(shí)驗(yàn)表明,MSASCNN具有良好的抗噪能力,能夠有效診斷軸承故障。

(2)不同卷積數(shù)和加入殘差連接的對(duì)比實(shí)驗(yàn)結(jié)果表明,3個(gè)不同大小的多尺度自適應(yīng)選擇卷積塊能夠提取更豐富的多尺度特征,在噪聲環(huán)境下具有更好的特征學(xué)習(xí)能力和良好的故障診斷結(jié)果。

(3)模型改進(jìn)對(duì)比實(shí)驗(yàn)結(jié)果表明,特征篩選層利用不同寬卷積同時(shí)提取特征,并在注意力權(quán)重層加入自適應(yīng)大小的一維卷積,獲得了最高的診斷精度,驗(yàn)證了模型改進(jìn)的有效性。

(4)本文實(shí)驗(yàn)是在足夠標(biāo)記數(shù)據(jù)的軸承數(shù)據(jù)集下進(jìn)行的,但在工業(yè)生產(chǎn)中工況復(fù)雜,很難獲得足夠的故障數(shù)據(jù),因此未來(lái)將進(jìn)一步研究小樣本條件下的軸承故障診斷。