基于小波包与CNN的滚动轴承故障诊断

作者:许理;李戈;余亮;姚毅; 刊名:四川理工学院学报(自然科学版) 上传者:张杰

【摘要】滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。

全文阅读

引言滚动轴承故障诊断的常用方法是振动分析法,而采集的轴承振动信号具有非平稳性等特点,使得对其进行特征提取变得比较困难。小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率,可以克服小波变换高频低分辨率的缺陷[1]。小波包已经被广泛应用在机械设备故障诊断[2]、地震检测[3]、医学[4]等领域。文献[5]使用小波包对轴承振动信号进行频谱分析,有效提取了轴承的故障特征,且在复合故障中采用小波包分析效果明显优于小波分析。传统的智能识别方法如反向传播(Back Propa-gation,BP)神经网络等浅层网络隐含层数量少,特征学习的表达能力有限,训练易陷入局部极值[6]。卷积神经网络(Convolutional Neural Network,CNN)通过引入权值共享、局部感知以及池化层对传统的神经网络结构进行优化,具有深层次的体系结构和强大的特征学习能力[7-9]。CNN目前在医学、认知科学和人工智能等领域得到了广泛应用[10]。Zhang[11]等使用卷积神经网络实现了滚动轴承的故障诊断,表明当用足够的训练样本进行训练时,CNN的故障识别效果优于其他方法。张晴晴[12]等将CNN用于语音识别,相比于目前普遍使用的深层神经网络,CNN的识别性能更好,而且降低了模型的复杂度。Chen等[13]将变速箱振动信号的统计特征组成一特征图,作为CNN的输入,通过CNN实现了变速箱故障的诊断识别,并表现出优于其他方法的识别率和效率。鉴于小波包精细的时频分辨率和CNN强大的特征学习与识别能力,本文提出了一种基于小波包和CNN的滚动轴承故障诊断方法(WPD_CNN)。1基础理论1.1小波包分解小波变换对信号中的高频段不再进行分解,具有高频低分辨率的缺陷。而小波包对信号的低、高频部分同时进行分解,提高了总体时频分辨率,解决了小波分解存在的问题。小波包的具体算法如下[14]:对于给定的正交小波函数Φ(t)与正交尺度函数Φ(t),那么它们之间的二尺度方程为:Φ(t)=槡2∑khkΦ(2t-k)Φ(t)=槡2∑kgkΦ(2t-k{)其中,hk为φ(t)对应的低通滤波器,gk为φ(t)对应的高通滤波器。则小波包的分解算法为:d2nl=槡2∑k∈Zh*l-2kd2nld2n+1l槡=2∑k∈Zg*l-2kd2n{l小波包分解的实质就是将信号通过一组正交的低通与高通滤波器,分解得到低频部分与高频部分。然后对分解后得到的两组信号进行进一步的分解,实现信号的均匀分解。1.2 CNN模型训练深度学习网络一般都要求样本量在1万以上,如果样本量太少,那么训练出来的模型精度就会比较低,容易出现过拟合现象。Fine-tuning技术解决了少量样本训练分类模型的问题;Caffe Net模型结构如图1所示,它是caffe团队使用大量图片迭代30多万次训练产生的,实现了对1000类图片的识别分类,具有很好的图片分类效果。本文在caffe Net模型的基础上,采用fine-tuning技术训练自己的模型,在深度学习框架caffe的基础上实现CNN模型的训练。影响模型预测精度的因素有很多,主要有学习率、卷积核的个数与大小、一次用于测试的样本大小batch-size以及dropout层的dropoutratio参数。本文选取的卷积核的个数与大小与caffe Net模型保持一致,不作改变。而deploy.prototxt文件中的基础学习率base_lr要设置很小,本文base_lr设置为0.001。输出层fc8控制着样本的分类数,从图1可看出,caffe

参考文献

引证文献

问答

我要提问