CN108613802B - 一种基于深度混合网络结构的机械故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于深度混合网络结构的机械故障诊断方法，属于机械故障诊断领域。该方法包括以下步骤：1)原始振动信号获取；2)原始振动信号通过混合网络的第一部分散射网络，提取其频率域特征，抑制噪声干扰；3)散射网络输出的各个子带分别作为SDnet输入中相对应的通道；4)通过混合网络的第二部分SDnet，对特征更进一步提取和故障分类诊断。本发明所采用的方法与现有的技术相比，在网络结构上更为轻量化，同时具有更高的识别准确率，且具有较强的迁移学习能力和抗噪性能。

Description

一种基于深度混合网络结构的机械故障诊断方法

技术领域

本发明属于机械故障诊断领域，涉及一种基于深度混合网络结构的机械故障诊断方法。

背景技术

随着现代科学技术的快速发展，机械设备在现代化工业中有着广泛应用。但机械设备长期处于恶劣的工作环境下，不可避免地会产生各种故障。这些故障一旦发生就容易造成巨大的经济损失，甚至还会危及工人的生命安全，形成灾难性事故。因此，国内外一直在开展对机械故障诊断自动化、精确化、快速化的研究。

根据特征提取和故障诊断采用方法的不同，可以将机械设备故障诊断系统分为两大类，基于信号分析(Vibrationanalysis)和基于人工智能诊断(intelligentdiagnosis)。信号分析是对原始数据采用信号分解技术直接检测缺陷频率，例如小波变换和经验模态分解。但缺陷频率大多隐藏在低频确定性成分和高频噪声分量中，在频谱中很难观察到，实际效果较差。人工智能诊断是一种新型的研究方向，主要流行的方法是人工神经网络(ANN)和支持向量机(SVM)。通常来说，基于ANN和SVM的机械故障诊断步骤分为两步：先使用信号处理技术进行特征提取，再使用模式识别技术进行故障诊断。AlfonsoRojas等人通过傅里叶变换提取信号的32维特征，并调试了SVM进行分类。Lei等人提出了采用经验模态分解和小波包分解提取特征，将选取后的敏感特征输入ANN网络进行故障诊断。上述研究在特征提取部分大多采用频域分析的方法，这是由于采集的数据混有其他信号，在时域上做信号处理难以分离，导致提取的特征中仍含有大量噪声，从而影响分类结果。

尽管传统的人工智能诊断方法被广泛运用于机械信号故障诊断，但有以下缺陷：1、故障诊断准确性能依赖于特征提取质量。在工业环境中，采集到的振动信号总是复杂的、不稳定的、含有大量噪声的，特征提取质量依赖于先进的信号处理技术，且针对不同的故障需要选择合的特征，这将耗费大量资源。2、传统人工智能的诊断方法属于浅层学习模型，难以有效学习复杂的非线性关系。

为弥补上述缺陷，深度学习开始运用于机械信号故障诊断。在已有研究中，根据深度学习使用模型不同可分为三类：自编码器系列，卷积神经网络系列，循环神经网络系列。

自编码器系列方法主要有自编码器(autoencoder)，深度玻尔兹曼机(DBM)，深度置信网络(DBN)等。2016年Feng等人通过堆叠自编码器的方式预训练一个三层的深度神经网络(DNN)，然后通过微调该网络得到最终预测结果。这类方法实现起来相对比较容易，并且可以学习到丰富的特征表示，但是训练收敛较慢。

循环神经网络系列方法主要有循环神经网络(RNN),长短记忆神经网络(LSTM)。2017年ZhaoRui等人提出了一种基于长短记忆神经网络的故障诊断方法。这类方法对于时序数据检测效果良好，可以发现随时间变化所产生的问题，但是训练和实现难度比较大。

卷积神经网络系列是目前故障诊断研究的热点，采用的方法主要是卷积神经网络(CNN)各类变种。2016年TInce基于LeNet5构建了一个1D-LeNet5网络用于电机故障检测。这类方法对于多维数据表现良好，能够有效提取局部特征，但网络结构比较复杂，在训练和预测过程中需要大量时间和计算资源。

现有深度学习的方法效果良好，但仍存在许多问题。在实际工业运用中，采集到的原始数据受噪声干扰严重，且各类资源会受到限制，需要把许多计算放在终端执行。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度混合网络结构的机械故障诊断方法，通过混合网络中的散射网络部分来抑制噪声干扰和提取信号在频率域中的特征，再通过SDnet部分提取特征并分类，在加快计算速度的同时具有较高的鲁棒性。本发明所采用的方法与现有技术相比，能够在相同的空间、时间等条件花费下，能取得较高的识别准确率，优于现有技术。

为达到上述目的，本发明提供如下技术方案：

一种基于深度混合网络的机械故障诊断方法，包括以下步骤：

S1：在机械设备的各个位置安装传感器，采集不同故障情况下机械设备的振动信号；

S2：将原始振动信号数据分成训练集和测试集；

S3：将训练集输入混合网络中提取特征并训练；

S4：将测试集通过混合网络提取特征，并进行故障分类，得到诊断结果。

进一步，所述混合网络结构由两部分组成：散射网络和SDnet。

进一步，所述散射网络的结构为：

对于输入信号x(u)在一维散射网络中经过第一层后得第0阶系数S₀x：

S₀x＝A_Jx(u)＝x*φ_J(2^Ju) (1)

其中*为卷积操作，J为网络最大尺度，φ_J为一个窗口大小为2^J的低通滤波器，即局部取平均；A_J为平均滤波算子，代表信号经过低通滤波器局部取均值的计算过程，保证输出的结果在空间尺度2^J内具有平移不变性，但同时损失信号的高频特征；

为避免高频细节信息的丢失，采用小波变换恢复信号的高频信息；设网络第1阶尺度参数为j₁，即将母小波ψ在尺度上缩放得到小波簇然后将信号与小波簇中的小波分别卷积，得到散射网络第1阶的散射算子W₁x(j₁,u)：

将结果取模后通过低通滤波器局部取均值，得到散射网络的第1阶系数S₁x：

同理得当网络第2阶尺度参数为j₂时的散射算子W₂x(j₁,j₂,u)和散射系数S₂x为：

S₂x＝A_J|W₂||W₁|x (5)

最后通过网络得到的最终散射系数Sx＝{S₀x,S₁x,S₂x}。

进一步，所述散射网络输出的各个子带分别作为SDnet输入中相对应的通道。

进一步，所述SDnet的结构为：

SDnet是具有14层深度的一维卷积神经网络，为在加深网络的同时，减少网络的参数和训练量；该网络的构造细节情况如下：

①网络中conv_1到conv_5的卷积层采用relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失；pool_1到pool_4的池化层采用最大池化，使经过池化层的特征具有局部平移不变性，在减少特征维度的同时一定程度上去除部分噪声；

②在conv_3到conv_5卷积块中采用核值为3和1的卷积层交替级联，在加深网络深度的同时减少需要训练的参数量；

③在网络的后半部，采用conv_6和pool_5来替代常用的全连接层，在减少网络参数量的同时，还能减少由全连接层所带来的过拟合风险；其中conv_6的卷积层采用线性激活函数；Pool_5的池化层采用全局平均池化，将输入特征每个通道中的特征图对应到一个输出类特征，加强特征图与输出类别的一致性，并且通过对空间信息求和，增强池化过程的稳定性；

④SDnet采用交叉熵(Cross Entropy Loss)作为损失函数，其公式为：

其中p(x)为训练集的标签，q(x)为网络预测的标签值；在分类问题中，交叉熵函数常被用作损失函数；在模型的优化过程中，交叉熵损失的梯度只和正确分类的预测结果有关。

本发明的有益效果在于：本发明所采用的方法与现有技术相比，能够在相同的空间、时间等条件花费下，能取得较高的识别准确率，优于现有技术。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明流程图；

图2为散射网络结构图；

图3为系统方法框架图；

图4为SDnet网络结构图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明一种基于深度混合网络的机械故障诊断方法的流程图；参照图1，一种基于深度混合网络的机械故障诊断方法，包括以下步骤：

1)在机械设备的各个位置安装传感器，采集不同故障情况下机械设备的振动信号。

2)将原始振动信号数据分成训练集和测试集。

3)将训练集输入混合网络中提取特征并训练。

4)将测试集通过混合网络提取特征，并进行故障分类，得到诊断结果。

其中步骤3)和4)中的混合网络结构由两部分组成：散射网络和SDnet。

图2为本发明深度混合网络中的散射网络结构图，参照图2，散射网络的方法为：

对于输入信号x(u)在一维散射网络中经过第一层后可得第0阶系数S₀x：

S₀x＝A_Jx(u)＝x*φ_J(2^Ju) (1)

其中*为卷积操作，J为网络最大尺度，φ_J为一个窗口大小为2^J的低通滤波器，即局部取平均；A_J为平均滤波算子，代表信号经过低通滤波器局部取均值的计算过程，保证输出的结果在空间尺度2^J内具有平移不变性，但同时损失信号的高频特征；

为避免高频细节信息的丢失，采用小波变换恢复信号的高频信息；设网络第1阶尺度参数为j₁，即将母小波ψ在尺度上缩放得到小波簇然后将信号与小波簇中的小波分别卷积，得到散射网络第1阶的散射算子W₁x(j₁,u)：

将结果取模后通过低通滤波器局部取均值，得到散射网络的第1阶系数S₁x：

同理得当网络第2阶尺度参数为j₂时的散射算子W₂x(j₁,j₂,u)和散射系数S₂x为：

S₂x＝A_J|W₂||W₁|x (5)

最后通过网络得到的最终散射系数Sx＝{S₀x,S₁x,S₂x}。

图3为本发明深度混合网络中的框架图，参照图3，原始振动信号通过散射网络得到各阶系数，将其分别作为特征图的不同通道进行组合，所得散射系数特征通过SDnet进行故障诊断得到最终结果。

图4为本发明设计的深度混合网络-SDnet网络结构图，参照图4，SDnet的方法为：

SDnet是本发明所设计具有14层的一维卷积神经网络。其核心思想为在尽可能加深网络从而加强特征学习能力的同时，减少网络的参数和训练量，即“既想马儿跑的快,又想马儿不吃草”。该网络的一些构造细节情况如下：

①网络中conv_1到conv_5的卷积层采用relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失。pool_1到pool_4的池化层采用最大池化，使经过池化层的特征具有局部平移不变性，在减少特征维度的同时一定程度上去除了部分噪声。

②在conv_3到conv_5卷积块中采用核值为3和1的卷积层交替级联，在加深网络深度的同时减少需要训练的参数量。

③在网络的后半部，采用conv_6和pool_5来替代常用的全连接层，在减少网络参数量的同时，还能减少由全连接层所带来的过拟合风险。其中conv_6的卷积层采用线性激活函数，因为该层目的是将输入特征的通道数映射到与分类类别相同数值，需要一种线性映射关系。采用其他激活函数将无法实现该功能，甚至还会导致网络收敛缓慢。Pool_5的池化层采用全局平均池化，将输入特征每个通道中的特征图对应到一个输出类特征，加强了特征图与输出类别的一致性，并且通过对空间信息求和，增强池化过程的稳定性。

④SDnet采用交叉熵(Cross Entropy Loss)作为损失函数，其公式为：

其中p(x)为训练集的标签，q(x)为网络预测的标签值。在分类问题中，交叉熵函数常被用作损失函数，这是因为在模型的优化过程中，交叉熵损失的梯度只和正确分类的预测结果有关。例如对于一个2分类的问题来说，设q(x)的输出为(a,b),真实结果p(x)的值为(1,0),那么损失函数为：

Loss(p,q)＝-1*loga-0*logb＝-loga (7)

这样对网络进行参数更新时只会让正确的分类更大，而不影响其他分类情况。

实验比较：

1.数据说明：实验数据来源于西储大学(CaseWesternReserveUniversity,CWRU)轴承数据中心采集的12khz驱动端数据。在数据中一共有4种模式：正常，滚珠故障(ball),内环故障(inner_race)，外环故障(outer_race)。每类错误故障都有3种故障直径，分别为0.007，0.014和0.021英尺。故在该数据集中，共有10种分类情况。

根据检测时负载的数量将数据集分为数据集A,B,C,D,E，数据集A、B、C、D分别对应在负载为0、1、2、3情况下采集的数据，数据集E对应所有负载情况下采集的数据。A、B、C、D数据集每种类别包含800个训练样本和100个测试样本，总计训练样本8000，测试样本1000。E数据集每种类别包含3200个训练样本和400个测试样本，总计训练样本32000，测试样本4000。在处理样本数据的过程中，以一个周期1024个点对原始振动信号有重叠的切片来进行数据扩增，如表1所示。

表1轴承故障数据集分类

2.对比方法介绍

在实验中，将会选取SVM、DNN、LSTM、1D-LeNet5、SDnet、Wpt-SDnet与本发明所提出的Scat-SDnet进行各项性能上的比较，详情可见表2。

表2对比实验方法介绍

实验

1.网络准确性能比较

实验比较了多个方法在数据集A、B、C、D、E上的分类预测准确率：

表3不同方法在各个数据集上的预测准确性

由表3可知SVM方法平均准确率只有83.75％，而深度学习方法平均准确率都在92.44％以上，这说明深度学习的方法与传统的机器学习方法相比，有着明显的效果提升。基于SDnet的方法与LSTM、DNN、1D-LeNet5相比有至少2％的准确率提升，说明SDnet网络对于特征学习能力强。而采用SDnet的方法中，Scat-SDnet与Wpt-SDnet的准确率都比单纯的SDnet高1％左右，这证明了输入的振动信号经过频域分析处理后，能更有效地提取特征。而Scat-SDnet与Wpt-SDnet相比准确率高0.22％，主要的原因是散射网络与小波变换相比，有更好的特征表征能力。

实验证明本发明所提出的方法与其他方法相比准确性能更优。

2.网络抗噪性能比较

将数据集A作为比较对象，在A中测试集样本添加10％,30％,50％,70％,90％,100％高斯白噪声信号，添加方式采用信噪比SNR，其定义如下：

其中P_signal和P_noise分别代表原始信号和噪声信号的强度。

表4不同方法添加不同比例的高斯白噪声的结果

噪声比例	10％	30％	50％	70％	90％	100％
							信噪比(db)	10	5.23	3.01	1.55	0.45	0
SDnet	96.2	90.25	81.45	74.35	70.45	68.5
							Scat-SDnet	99.7	97.65	93.85	87.95	81.45	78.2
Wpt-SDnet	99.3	96.6	92.7	87	80.8	77.7
							1D-LeNet5	96.4	86.45	70.3	54.7	42.9	37
SVM	85.7	82.9	76.35	64.65	52.35	46.2
							LSTM	93.1	89.2	88.3	86.2	81.2	78.1
DNN	89.7	77.2	70.1	63.7	52.6	42.2

表4是SVM、DNN、LSTM、1D-LeNet5、SDnet、Wpt-SDnet和Scat-SDnet在数据集A上添加10％,30％,50％,70％,90％,100％高斯白噪声后的识别准确率。从实验结果可以发现随着添加噪声比例的增加，所有方法的准确性能都在下降，这说明噪声对于故障诊断的干扰很大。

LSTM的抗噪性能最强，虽然其在噪声低的情况下表现一般，但随着噪声的增加，准确性能所下降的幅度最小。这是因LSTM本身构造比较适合处理时序信号，对于噪声不敏感。

其次是Scat-SDnet和Wpt-SDnet，两者相比前者的抗噪性能略强一些，这是由于散射变换过程中经过母小波卷积后取模做了低通滤波取均值的操作，能更好的抑制噪声的干扰。

然后是SDnet，与1D-LeNet5、DNN、SVM相比，抗噪性能更强，在添加噪声100％的情况下，都还有68.5％的准确率，而此时1D-LeNet5、DNN、SVM的准确率分别为37％、42.2％、46.2％。将Scat-SDnet和Wpt-SDnet与SDnet相比，发现混合网络的抗噪性能要更强，噪声从10％添加到100％的过程中，混合网络只下降了21.5％，而SDnet下降了27.7％。这是因为信号经过频域方法分析后，提取的特征可以较好的将故障信号与噪声进行区分，从而抑制噪声的干扰。

最后1D-LeNet5、DNN与SVM相比在添加噪声少的情况下准确性能要高一些，但是随着添加噪声比例的增大，1D-LeNet5和DNN的准确率快速下降，在50％噪声时，两者准确率就已经比SVM了。这说明简单的深度学习方法在抗噪性能上不一定比得过传统的机器学习方法，并且1D-LeNet5和DNN在训练过程中可能存在过拟合的情况。

实验证明本发明所提出的方法具有一定的抗噪性能。

3.网络迁移能力

实验比较比较不同方法在不同负载数据集下的适应能力。因为在实际工业生产环境中，机器运作时所负载的数量不同，根据负载的数量来分别训练对应的模型，那么会造成大量的资源占用。使用训练集A训练模型，测试集B、C、D进行测试，以此类推，具体信息见表5。

表5不同方法迁移学习能力比较

从表5中的实验结果中可知，DNN和SVM在迁移学习能力方面很差，平均的准确率不到50％；而LSTM和1D-LeNet5相对有所提升，可以到达60％～70％左右的平均准确率；SDnet系列方法最好，可以达到91％以上的平均准确率。迁移学习能力的变化体现了随着网络结构深度的增加，所具有的特征泛化能力更强，可更加充分地学习到特征。

此外，Scat-SDnet与Wpt-SDnet和SDnet相比虽然在一些情况下的准确率要低一点，但是总体来说平均准确率要高1～2％，说明在迁移学习能力方面，本发明提出的混合网络结构具有一定的优势。

4.网络参数性能分析

Scat-SDnet混合网络结构属于一种轻量化的网络结构，在计算量和参数量上比一些常用的网络结构有明显优势。网络结构中参与浮点数运算和有参数需训练的部分是卷积层和全连接层，其计算公式为：

Params_conv＝K_h*K_w*C_in*C_out (9)

Params_fc＝I*O (10)

FLOPs_conv＝2HW(C_inK_h*K_w+1)C_out (11)

FLOPs_fc＝(2I-1)O (12)

其中Params_conv，FLOPs_conv代表卷积层中参数量和浮点数运算的值。Params_fc，FLOPs_fc代表全连接层中参数量和浮点数运算的值。H、W、C_in分别代表输入特征图的高度和宽度以及通道数，K_h、K_w代表卷积核的大小，C_out代表卷积核的个数，即输出特征的通道数，I代表输入的维度，O代表输出的维度。

表6网络参数及运算量比较

网络比较	参数量(Params)	浮点运算(flops)
			Scat-SDnet	429.15kb	4.5×106
Resnet-50	80849.75kb	2.04×109
			Resnet-18	14325.75kb	3.35×108
VGG-16	78544.75kb	9.24×108
			1D-LeNet5	1349kb	1.27×106
DNN	2950kb	1.51×106

从表6可以发现Scat-SDnet混合网络结构要比Resnet-18，Resnet-50，VGG-16在参数量和浮点运算量上少两个数量级，与1D-LeNet5和DNN相比，虽然浮点运算量上要多3～4倍，但在参数量上要少3～7倍。并且该混合网络有14层卷积层，在网络深度上远大于1D-LeNet5和DNN，对于特征的提取能力也更强。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (3)

1.一种基于深度混合网络结构的机械故障诊断方法，其特征在于：该方法包括以下步骤：

S1：在机械设备的各个位置安装传感器，采集不同故障情况下机械设备的振动信号；

S2：将原始振动信号数据分成训练集和测试集；

S3：将训练集输入混合网络中提取特征并训练；

S4：将测试集通过混合网络提取特征，并进行故障分类，得到诊断结果；

所述混合网络结构由两部分组成：散射网络和SDnet；

所述SDnet的结构为：

SDnet是具有14层深度的一维卷积神经网络，为在加深网络的同时，减少网络的参数和训练量；该网络的构造细节情况如下：

①网络中conv_1到conv_5的卷积层采用relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失；pool_1到pool_4的池化层采用最大池化，使经过池化层的特征具有局部平移不变性，在减少特征维度的同时一定程度上去除部分噪声；

②在conv_3到conv_5卷积块中采用核值为3和1的卷积层交替级联，在加深网络深度的同时减少需要训练的参数量；

③在网络的后半部，采用conv_6和pool_5来替代常用的全连接层，在减少网络参数量的同时，还能减少由全连接层所带来的过拟合风险；其中conv_6的卷积层采用线性激活函数；Pool_5的池化层采用全局平均池化，将输入特征每个通道中的特征图对应到一个输出类特征，加强特征图与输出类别的一致性，并且通过对空间信息求和，增强池化过程的稳定性；

④SDnet采用交叉熵(Cross Entropy Loss)作为损失函数，其公式为：

其中p(x)为训练集的标签，q(x)为网络预测的标签值；在分类问题中，交叉熵函数常被用作损失函数；在模型的优化过程中，交叉熵损失的梯度只和正确分类的预测结果有关。

2.根据权利要求1所述的一种基于深度混合网络结构的机械故障诊断方法，其特征在于：所述散射网络的结构为：

对于输入信号x(u)在一维散射网络中经过第一层后得第0阶系数S₀x：

S₀x＝A_Jx(u)＝x*φ_J(2^Ju) (1)

其中*为卷积操作，J为网络最大尺度，φ_J为一个窗口大小为2^J的低通滤波器，即局部取平均；A_J为平均滤波算子，代表信号经过低通滤波器局部取均值的计算过程，保证输出的结果在空间尺度2^J内具有平移不变性，但同时损失信号的高频特征；

为避免高频细节信息的丢失，采用小波变换恢复信号的高频信息；设网络第1阶尺度参数为j₁，即将母小波ψ在尺度上缩放得到小波簇然后将信号与小波簇中的小波分别卷积，得到散射网络第1阶的散射算子W₁x(j₁,u)：

将结果取模后通过低通滤波器局部取均值，得到散射网络的第1阶系数S₁x：

同理得当网络第2阶尺度参数为j₂时的散射算子W₂x(j₁,j₂,u)和散射系数S₂x为：

S₂x＝A_J|W₂||W₁|x (5)

最后通过网络得到的最终散射系数Sx＝{S₀x,S₁x,S₂x}。

3.根据权利要求2所述的一种基于深度混合网络结构的机械故障诊断方法，其特征在于：所述散射网络输出的各个子带分别作为SDnet输入中相对应的通道。