论文精选 | 基于卷积神经网络的旋转机械端到端故障诊断方法案例研究

Posted 2021-04-26 JIM期刊

文章发表在JIM期刊, Published: 16 October 2020, 

链接:https://doi.org/10.1007/s10845-020-01671-1

摘要

旋转机械零部件故障是机械系统故障的主要形式，其故障的诊断对于大多数机械系统来讲至关重要。在传统故障诊断方法中，通常从原始输入数据出发，基于信号处理技术进行特征的人工提取。然而传统方法存在一定缺陷，例如高度依赖领域专业知识、面向不同机械系统的高敏感性、较差的灵活性、泛化能力差以及挖掘新特征的局限性等。针对以上问题，本文提出了基于卷积神经网络的旋转机械端到端基于振动信号的故障诊断模型，直接从一维原始振动信号中学习特征，而无需进行特征的人工提取。为了充分验证模型有效性和鲁棒性，对该模型在四个数据集上进行了测试，包括两个公共数据集和两个自建数据集，数据集涵盖了滚珠丝杠，轴承和变速箱的应用数据；此外，本文还将基于人工与基于信号处理的特征提取方法分别结合分类器进行比较。结果表明，人工提取的特征对模型应用场景敏感，需要进行微调，而基于信号处理的诊断框架在旋转机械故障诊断中鲁棒性较强，具有较高的准确度，无需进行任何手动优化与调整。

文章导读

1.研究背景

故障智能诊断作为PHM的重要组成部分，在单个旋转组件的实时故障诊断中有广泛的应用。在旋转机械智能诊断中，振动信号因具有多种优势而被广泛用于部件的故障诊断，例如：不停机进行连续监控、易于使用、对故障的敏感性等。传统的智能故障诊断通常包含两个步骤，即从原始振动信号中手动提取特征，然后基于分类技术（例如支持向量机（SVM）或前馈神经网络（FNN））在提取的特征和相应状态之间建立映射，如图1所示。

图1 信号提取特征及相应状态

2.基于CNN的智能诊断模型架构

本文所提出的诊断框架示意图如图2所示。其中，滑动窗口用于分割每个健康状态的原始时间序列振动数据，然后在数据输入到神经网络之前更改为矩阵的形式。自我特征学习能力由隐藏层实现，隐藏层由交替的卷积层和池化层的堆栈组成；由于输入是一维时间序列信号，因此在网络中使用了一维卷积内核和池内核。

图2 CNN智能诊断模型框架

3.CNN模型结构

本文所提出CNN模型的结构如图3所示。其包括三层卷积层和一个完全连接层。在卷积层中，多个过滤器与原始输入数据卷积并生成平移不变特征；在随后的池化层中，通过遵循几个规则（例如，平均值，最大值等）滑动固定长度的窗口来压缩特征；在前两个堆栈中使用maxpooling层，而在最后一个堆栈中使用平均池化层；通过解释实体（用希腊字母表示）和操作（用箭头表示），详细说明了从网络输入到最终输出的数据流。

图3  智能诊断CNN网络结构

4.案例分析

本文设计了一个模拟滚珠丝杠不同润滑状态的实验。实验在测量滚珠丝杠摩擦扭矩的试验台上进行，分别通过使用油脂润滑滚珠丝杠、使用油润滑和去除原始润滑剂来模拟标记为“油脂”，“油”和“不存在”的三个状态，进而模拟滚珠丝杠在实际工作环境中可能遇到的典型润滑状态。如图4所示，利用数据获取系统Prosig P8020以5kHz的采样率获取与这三种状态相对应的振动信号。

图4 数据采集装置

图5中给出了三种润滑条件的前进运动的保留段。可以看出，三种状态之间的差异是相当小的，因此进一步变换使用FFT的信号变换到频域，可知这三种情况之间的差异并不明显，并且很难看到合适的模式，这使得正确地区分不同的润滑条件更具挑战性。

图5 三种润滑条件的向前运动的保留段

原始振动信号被分为多个部分，以形成网络的输入样本。对于每个状态，有128*5000=6400数据点，选择6400个样本作为一个片段，然后将其重新整形为（64，100）矩阵。本文将6400个数据点作为一个样本，保留80％的数据（80个样本）用于培训，其余20％（20个样本）用于测试。

5.结果与讨论

测试集的诊断准确性为100％，并且所有三种状态均已正确分类。在输入层中，三种状态的点完全混合，无法观察到任何模式来区分不同的故障模式，通过进行卷积和池化操作，混合点逐渐分离，并且在输出层中，属于同一状态的点被聚类，而属于不同状态的点被完全分离。

本文使用前馈反向传播（BP）网络和支持向量机（SVM）作为比较方法。样本长度与CNN模型使用的样本长度相同，因此，训练样本和测试样本的数量不变。由于这两种方法通常接受低维或中维数据作为输入，因此每个原始样本都通过小波包分解（WPD）进行预处理，以提取特征向量，作为BP神经网络和SVM的输入。与本文所提CNN模型相比，BP神经网络和SVM的诊断准确性分别为95％和90％，总体准确性较低，在“缺油”和“油”的润滑状态之间易出现混淆，CNN模型可以很好地对这两种状态进行分类。

原文信息

Abstract

The fault diagnostics of rotating components are crucial for most mechanical systems since the rotating components faults are the main form of failures of many mechanical systems. In traditional diagnostics approaches, extracting features from raw input is an important prerequisite and normally requires manual extraction based on signal processing techniques. This suffers of some drawbacks such as the strong dependence on domain expertise, the high sensitivity to different mechanical systems, the poor flexibility and generalization ability, and the limitations of mining new features, etc. In this paper, we proposed an end-to-end fault diagnostics model based on a convolutional neural network for rotating machinery using vibration signals. The model learns features directly from the one-dimensional raw vibration signals without any manual feature extraction. To fully validate its effectiveness and robustness, the proposed model is tested on four datasets, including two public ones and two datasets of our own, covering the applications of ball screw, bearing and gearbox. The method of manual, signal processing based feature extraction combined with a classifier is also explored for comparison. The results show that the manually extracted features are sensitive to the various applications, thus needing fine-tuning, while the proposed framework has a good robustness for rotating machinery fault diagnostics with high accuracies for all the four applications, without any application-specific manual fine-tuning.

Keywords

Fault diagnostics， Rotating machinery ，Vibration signals， Convolutional neural network

Cite this article as:

Wang Y, Zhou J, Zheng L, et al. An end-to-end fault diagnostics method based on convolutional neural network for rotating machinery with multiple case studies[J]. Journal of Intelligent Manufacturing, 2020: 1-22.

/本期编辑/

徐思迪

沈阳工业大学 硕士在读

研究方向：质量控制，智能控制

指导老师：姜兴宇教授

/本期审核/

许鸿伟

上海交通大学 博士在读

研究方向：工业大数据分析与机器智能，复杂系统建模、分析与优化

聚焦智能制造；传播学术观点；促进合作交流

左边点击“阅读原文”，跳转至原文链接

右边给我一朵小花花