文摘
最近,研究数据驱动的故障识别已经得到越来越多的关注,由于现代条件监控技术的快速发展和大规模存储历史数据的可用性。然而,大多数工业设备是在变量工业操作条件下工作,可以成为一个伟大的挑战正常数据驱动模型的泛化能力训练的历史存储操作数据的分布可能不同于当前操作的数据集。此外,传统的数据驱动的故障预测模型训练的大量历史数据很难满足实时要求的实用行业。自从层次特征提取可以提高模型的泛化能力和注意力学习机制可以提高预测效率,本文提出了一种新型轴承故障预测方法结合U-net-based多尺度特征提取网络和CBAM -(基于卷积块关注模块)注意学习网络。首先,时间域条件监测信号转换成二维灰度图像,可以适用于输入的CNN。第二,CNN模型基于U-net结构采用分层次的特征提取器提取多层次功能可以非常敏感的错误信息包含在转换后的图像。最后,包含不同表示形式的多层次特征提取原始信号发送到设计CBAM-based注意学习效率高网络故障分类以其独特的强调歧视的特点。验证了该方法的有效性通过两个案例研究提供的CWRU(凯斯西保留大学)和帕德伯恩大学。实验结果表明,该故障预测方法优于其他比较模型的泛化能力和加速性能。
1。介绍
随着现代工业的大规模生产,预测和健康管理(榜单)的生产设备已经变得越来越重要。轴承,视为工业机器的关键组件,扮演了一个重要的角色在整个设备的健康状况的失败可能会直接导致全面崩溃。因此,轴承故障的准确和有效的预测不仅可以保存定期维护成本也提高整个设备的可靠性。传统的故障预测方法主要可以分为三个方案:ieee方法,物理analyzing-based方法和模式实现的方法。ieee的方法,尤其是振动ieee的方法,最常用的一个工业机械部件的故障预测。通过使用时域、频域和时频分析,vibration-based错误的预测方法可以对机器故障非常敏感症状。洪教授和Dhupia [1)提出了一个vibration-based错误的预后模型通过分析强烈影响圆的峰度的振动光谱。Borghesani et al。2)建立了一个vibration-based错误的预后模型通过分析峰态之间的关系,平方包络谱和倒频谱prewhitening。小说带解调方法提出了滚动轴承的故障预测。除了vibration-based方法,temperature-based方法和石油分析错误的预测方法也可以非常有效(3- - - - - -5]。ieee错误的预测方法是完全基于目标的理解监控信号的预测精度可以局限于先天的专业领域知识。此外,手动不同的目标信号的特征提取和报警阈值设置可以劳动力成本6]。
除了ieee方法,物理analyzing-based最近文献方法也被研究过。物理分析方法旨在建立基于材料特性的物理方程。徐et al。7]分析了钢铝联合分析的退化情况的形象影响水下搅拌摩擦焊接工具销铝钢接头的性能。徐et al。8)建立了一个复合材料疲劳分析评价的基础上,分析叠层复合nanoplate的色散波的特征。
克服上述问题存在的信号,和物理analyzing-based方法,该模式实现的方法,通常实现深度学习模型,提出了故障预测的任务。深度学习模型可以取代人工特征提取与它的力量自动学习能力代表特性和非线性复杂系统的输入输出映射关系深度非线性网络结构(9- - - - - -11]。作为最有效的深度学习模型之一,卷积神经网络模型已经显示出其承诺能力层次特征学习和智能故障预后[12- - - - - -18]。CNN-based故障预测方法比ieee方法取得了相对较高的精度;然而,仍然存在一些问题需要考虑。(1)假设训练数据集和测试数据集收集下相同的操作情况;然而,在实际工业环境中,操作条件如轴承转速和负载的设备可以在不同的时间变量段。传统CNN-based故障预测方法的性能可以脆弱,当负载情况有所不同。如何提高模型的泛化能力仍然是一个挑战吗(2)在传统CNN-based故障预测方法,只有最后一个功能层,这是高度相关的特定任务或数据集,用于故障预测的任务。然而,一些低级的隐藏层中包含广义特征不保存完好的高级特性。如何联合使用这些多层次特性仍然是一个问题吗
自从低级特征保留隐藏层是普遍的和类似的不同但相关的分布式数据集或任务,研究了多尺度分层特性学习最近文献[19- - - - - -23]。丁和他(20.)结合第二马克斯池层最后卷积层作为主轴轴承故障诊断的分类特征图像。太阳et al。21卷积)连接第三和第四层到最后CNN网络的隐层,这样可以提高模型的泛化能力。李和不结盟运动(22)包含了一些低级功能与提取的高级特性。连接后的特征向量输入支持向量机预测的探测器。为了充分利用学习的层次特性CNN模型,徐et al。23)提取的特征形象两个池层和一个完全连接层从CNN模型。这些特性是美联储三个随机森林的整体学习模型的最终预测。
因为这些文学作品直接从传统中提取多个功能层CNN和送到错误的预后的分类器,值得怀疑的是,传统的CNN网络学习能力以及是否有足够的层次特性是适合直接使用多层次特性在实际故障分类问题。以下两点需要进一步考虑。(1)在当前文学的多层次、多尺度特征提取等传统CNN网络最常用的LeNet-5,但网络本身分层特性的学习能力有限,阻碍了模型泛化能力(2)在当前文学、多层次特征提取图像直接用于故障分类任务。然而,存在一些丰富的功能包含在这些特征提取的图像更少,任务与预后的关系。这些丰富的功能大大增加计算成本和高度相关功能可能被他们隐蔽,减少造成的预测效率和预测精度
处理上述两个问题,本文充分利用强大的分层特性的学习能力U-net CNN和区别的特征选择的关注学习网络的能力。本研究的主要贡献如下:考虑上述第一个问题,设计一种改进的基于U-net CNN结构层次特征提取器网络已被证明对其强大的分层特性的学习能力在医学图像区域;考虑上述第二个问题,基于几个CBAM——设计注意学习网络(基于卷积块注意力模型——)注意学习模块用于故障分类以其独特的区别的特征选择机制来消除冗余功能;本文其余部分的结构组织如下:部分2简要回顾了相关理论和本文所使用的方法;部分3介绍了总体流程图和提出的故障预测方法的技术细节;部分4介绍实验结果包括烧蚀研究和比较实验与其他传统的预测方法;最后,提出了本文的结论和未来的工作5。
2。相关理论和方法
2.1。多尺度特征提取和U-Net
深度学习模式的典型代表,卷积神经网络可以自动学习结构化和代表特性从原始数据集通过层传播方案。自卷积神经网络可以学习原始数据的多尺度分层特性,研究充分利用CNN多层膜的特性取得了相当大的注意力已被证明有更好的泛化能力21]。有一些著名的CNN模型如LeNet-5 [24],Alex-Net [25],VGG-Net [26],Google-Net [27]和U-Net [28),其中基于U-Net CNN模型结构已经显示出其巨大的优势在分层特性的学习。
U-Net, CNN的新结构,已被频繁应用于图像分类的任务,分割,检测和跟踪医学影像和生化领域由于其强大的分层特性的学习能力(29日]。高et al。30.)提出了一种改进的U-net-based血管分割的图像分割方法。为了结合互补的磁共振图像协议来重建高质量的图像,Lei et al。31日)提出了一个Dense-UNet重建t2加权图像(T2WI)使用t1加权图像(T1WI)和undersampled T2WI。Nazem et al。32)提出了一种改进的3 d版本的基于骰子损失函数U-net模型准确地预测新蛋白的结合位点。多根等。33)提出了一个两阶段混合方法结合面具R-CNN和高精度3 d U-net胰腺CT成像的自动分割。崔et al。34)提出了残余U-Net结合图像分割的注意力学习模块的压力溃疡(PU)地区。
我们所知,这是第一次,“U-net”作为特征提取器的设备故障预测。通常,U-net-based CNN网络包括两个部分,左边upconvolution max-pooling时期时期的共同构建“U”结构如图1。它通常包括四种操作,也就是说,卷积,max-pooling, transpose-convolution,跳过连接。
2.1.1。卷积操作
卷积层由一系列特征图是通过卷积运算和卷积内核之间的输入所示
表示输出特性的地图层;表示输入特征的地图层;表示卷积核特征之间的映射和特征映射 。的表示激活函数。为了增加CNN的非线性,采用整流线性单元(Relu)在本文中,由于其出色的性能。所示的ReLu函数可以表示为
2.1.2。Max-Pooling操作
为了释放模型参数的大小以及过度拟合问题,池操作执行以及卷积操作。自卷积内核的功能映射共享相同的重量和偏见,卷积max-pooling层添加到每个层,产生低分辨率特征图谱通过二次抽样的操作。max-pooling函数可以定义为所示 在哪里和表示 像素的特征映射前后max-pooling操作。的参数表示的步幅大小池窗口的值应大于1。max-pooling操作减少特征图的大小和次级样本输入特征图像的分辨率最高比例大大减少CNN模型的参数数量。
2.1.3。转置卷积
为了获得特性的图像大小相同的输入图像,转置应用随着max-pooling卷积操作过程。转置卷积过程中,域插值所示是最常用的技术 在哪里表示 像素值特征映射前转置和卷积操作表示 像素值特征图像卷积后的转置操作;的参数表示的一步一步的转置卷积和参数表示零填充。转置的内核大小卷积核 。
2.1.4。跳过连接
U-net是典型的encoding-decoding结构。编码过程是通过max-pooling操作而实现解码过程实现了转置卷积操作。为了补偿max-pooling过程中信息丢失,U-net利用连接层实现特征融合的两个对称的特征图像位于max-pooling和转置过程,分别叫做跳过连接。“跳过连接”提高了分层特性的学习能力U-net决议没有损失。
2.2。注意学习和CBAM
注意学习是首先受到认知神经科学。当处理一个特定的任务时,人们会更加关注的重要问题,而较少关注那些无关紧要的。基于这个概念,注重机制是第一个-特雷斯曼和Gelade在1980年代提出的35]。注意机制旨在分配不同的权重不同比例的输入基于比例不同的输入到输出的贡献。它已经成功应用于自然语言处理领域,机器翻译,模式识别和大型设备维修由于其强大的提取能力区别的特征(36]。
陈等人。37]提出一种引起深度学习机器的框架原则预测。在他的论文中,该方法首先利用LSTM网络学习代表从原始感知数据序列的特性,然后注意力学习网络是用来学习的重要性顺序特性和较大的权重分配给更重要的。陈等人。38]应用时空卷积神经网络与卷积块关注微表情识别模块。第一个图像序列输入一个中型卷积神经网络(CNN)提取视觉特征。后来,它学会了分配功能权重以自适应的方式的帮助下一个卷积块关注模块。从微表情只发生在部分人类的脸,注意机制有助于专注于特定的面部区域,学习和获取的重要特性。熊等。39)提出了一个注意扩充多尺度网络(AAMN)幅图片超限分辨(SISR),雇佣一个关注驱动策略指导特征选择和聚合在多个分支。愣et al。40)提出了一个上下文感知的关注网络结合上下文学习模块和注意转移模块。首先利用语境学习模块捕获全局上下文。然后,注意力转移模块提出了生成注意包含不同的关注区域的地图,提取区别的特性中受益。
目前,有两种最常用的注意力学习机制,即SENET(顺序和激发网络)和CBAM(卷积块注意力模型)(37]。SENET关注模块适用于渠道维度而CBAM关注模块不仅适用于渠道维度也是图像的空间维度。
CBAM注意力机制的概念被首次提出吸引et al。36]。CBAM由频道关注过程和空间关注过程如图2。CBAM的概述channel-spatial过程的说明 在哪里代表CBAM模块的输入图像的通道数量 ,的高度 ,和的宽度 。马克代表了element-wise乘法,代表特征图像乘以通道注意力地图,和代表空间注意力地图相乘的结果这被认为是CBAM模块的输出。
2.2.1。频道关注过程
通常,输入图像可以被转移到一个特性矩阵通过卷积的层。获得的特征矩阵的通道号是一样的内核数量的卷积层256或512的共同价值。因为一些信息传递渠道不是很有用,有必要应用频道关注这些通道。关注权重过程中说明了 在哪里和表示平均池操作和最大池操作应用于信道特征矩阵的维度。 表示激活操作共享的多层感知器激活函数的修正线性单元(Relu)的大小 ,在哪里表示的压缩率。的参数表示乙状结肠激活。
2.2.2。空间关注过程
频道关注过程类似,空间关注旨在应用重要性加权空间维度的特性矩阵所示 池平均和最大池也申请评估的信息。的参数表示的卷积与内核层大小和空间关注权重终于乙状结肠规范化的激活。
2.3。提出了基于U-Net组合模型和CBAM机制
虽然层次特征提取输入图像的网络可以提供多层次的特点,将输入图像很大程度上在某种程度上扩大。因此,有必要使用注意学习网络捕捉到这些输入的敏感的比例特征图像和消除丰富的比例。本文提出一种混合模型基于U-net和CBAM-based关注学习模块,妥协的层次特征提取U-net,注意学习CBAM块,组合的有效性。总体框架见图3。
首先,一维时间序列信号被转换成二维灰度图像,然后由U-net分解成几个多层次特征图像分层次,代表输入信号的层次特征。
其次,多个CBAM注意学习模块被用来优化分解特性,选择错误的敏感特征冗余的。图像分层特性的复杂性大大降低,从而促进预测效率。
最后,CBAM关注学习的输出块聚合,和第二个CBAM块是应用于分类特性的形象。CBAM关注学习的分类功能优化为最终将Softmax层发送错误的预后所示 在哪里表示优化分类特征图像用于故障预测; 表示数量的训练数据; 表示输出层的维数等于故障类型数量。表示将Softmax层的参数。
3所示。提出了故障预测过程
3.1。数据预处理
一般来说,从前端工业设备状态监测数据收集包括一维时间序列数据和二维图像数据。二维图像数据可以直接使用错误的预测任务通过使用模式识别技术。在本文中,我们使用“ “信号图像转换技术提出了文献[41)一维时间系列振动信号数据转换成二维图像数据;转换后的图像作为U-net卷积神经网络的输入。具体的原理图 “图像信号转换过程如图4。
首先,我们随机选择从原始信号包含信号段采样点在每一段同样。自从最大值的像素灰度图像的长度小于255,选中的采样点是归一化的值从0 ~ 255利用方程(9)和 信号矩阵构造。最后,规范化的像素值的信号矩阵满足施工的灰度图像。
在方程(9),圆函数变换采样信号值灰度像素值通过函数””。的 表示相应的信号转换后的像素值 最小值(值)表示采样数据点的最小值中选择采样数据点而马克斯(值)表示的最大值数据点。上面的“信号图像”转换这篇论文使用的方法很简单,它已经被证明是有效的在文献[41)由于其低要求的专业领域和信号处理知识。转换后的灰度图像的二维表示原始信号可以有效地保留原始信号的细节和特点。
3.2。提出网络特征提取和关注学习
3.2.1之上。提出U-net-Based特征提取网络
摘要U-net-based卷积神经网络设计的层次特征提取网络。的整体特征提取网络由10层,即X1 ~ X10,其中X1 ~ X4的特征图像表示的max-pooling过程U-net虽然X5 ~ X10的特征图像表示的upconvolution过程U-net如图5。
自功能层的转置过程U-net可以更好地代表输入数据的分层特征包含外界噪声少,功能层的X6,出数,和X10低,中间,和高水平,分别用作提取的分层特性,代表着全球和具体特征不同的健康状况,从而造成不同的知识特征提取的任务。
3.2.2。提出ResNet-CBAM关注学习
本文设计CBAM注意学习网络编译与三层ResNet CNN如图6。首先,ResNet-based CNN是用来提取输入特征图像的空间和通道特性。然后,CBAM注意学习块用于注意通道尺寸和空间维度的权重以自适应的方式输入图像。的优势提出ResNet-CBAM注意学习块不会有功能丧失和梯度消失之前输入的图像是由CBAM处理模块。
3.2.3。提出了预测过程
拟议的预后过程如图7。首先,一维时间序列数据转化为二维灰度图像通过使用“ “图像转换的方法。第二,U-net-based层次特征提取网络应用和X6的多层次特征图像,的混合体,X10提取的多输入学习网络的关注。第三,这三个设计ResNet-CBAM-based注意学习模块应用于多级提取的三个特征图像,然后通过塑造融合成相同的尺寸和通道连接。最后,连接分类特征图像优化第二ResNet-CBAM关注学习,最后错误的预后结果可以通过Softmax预测计算。小说的帕累托最优策略基于空间博弈理论提出的黄(42- - - - - -43)是利用参数优化策略的提出混合故障预测模型。说明了该方法的一般程序算法1。
|
||||||||||||||||||||||||||||||||||||||||||
3.3。性能指标
为了评估预测精度以及该方法的预测效率,“准确性”指标,“精度增益”指标,“平均精度增益”的功能使用。
方程(10)表示“准确性”功能的定义,已广泛应用于分类问题的准确性评价包括本文中提到的错误分类的任务。 在哪里表示每个时代的训练和测试样本数量;表示预后价值获得的模型表示真正的标签。
方程(11)表示精度的定义增益(AG)和平均精度增益(亚美大陆煤层气有限公司)已经常用来评估的加速性能预测模型(44]。 在哪里和表示实现模型1和模型2的准确性,分别后时代;表示的准确性得到模型1 / 2后时代;表示的平均精度增益模型1 /模型2的时代范围内 ;的指标评估模型从microperspective而加速属性指标评估模型从macroperspective加速属性。
所示的损失函数被定义为方程(12),表示功能和指标N表示训练样本的数量。
4所示。方法评价
为了评估该方法的有效性,采用两个案例研究有两个轴承数据集的依赖电动马达和机电传动系统,分别。本文的实验环境是英特尔至强5238(电子邮件保护)赫兹x 2 1 T SSD 4 xtesla T4 GPU, 256 G内存运行。
4.1。案例研究1:依赖电机轴承故障预测
以下4.4.1。数据描述和试验装置
该方法性能的评价提供的轴承故障数据集上CWRU轴承(凯斯西保留大学)数据中心(45]。从驱动端振动信号数据采集的2点电机如图的依赖8。
油门传感器安装在内部比赛,球,分别和外环。在这个案例研究中,只有从内在比赛中收集的数据收集和分析。振动数据采样频率的12千赫不同转速下的1730 rpm, 1750 rpm, 1772 rpm, 1797 rpm。完全有五种族内部的状态包括正常状态和四种不同故障严重程度的状态直径0.007,0.014,0.021,和0.028,分别。因此,五个操作状态中包含的数据集。
在这个实验中,两个数据集包括训练数据集和测试数据集在每个生成,分别。在数据集 ,对于每一个健康状况,与4096年100个样本数据点在每个样本中随机选择在每个负载条件下的训练数据集。也就是说,有400个样本的一个健康状况与加载条件(0,1,2,3。因此,完全有2000的5个样品完全健康状况。与此同时,2000个样本随机选择以同样的方式对测试数据集。在第二集,训练和测试样本选择在不同的负载下,1500个样本与五个操作状态是随机选择的负载条件下的0,1和2作为训练数据集,而500个样本的测试数据集包含五个操作状态下的负载条件3。这两个数据集的更多细节,即我和第二数据集,数据集是列在表中1。
4.1.2。结果与讨论
原始振动信号转换为 灰度图像通过使用 转换的方法。因为每个示例包含4096信号点,规模大小的灰度图像的大小 。转换后的灰度图像的五个操作状态下加载0如图9。它可以发现有肉眼区分这些差异转换后的灰度图像,这是适用于U-net的输入。
转换( )灰度图像作为输入U-net-based层次特征提取网络的特定的配置如表所示2X6,功能层( ),×8 ( ),和X10 ( )分别提取。
为了演示的泛化能力和错误的敏感性提出U-net层次特征提取器, - - - - - -分布式随机邻居嵌入( - - - - - -SNE)技术,作为一种新颖的技术,可视化高维数据通过给每一个数据点的位置在一个两到三维地图(46),这里使用的可视化评价U-net层次特征提取器。如数据所示10 ()- - - - - -10 (f)特征图像的二维可视化X6,出数,和X10数据集的测试集下我(加载0 ~ 3),测试的数据集二集(负载3),不同的颜色代表不同的健康状况。
(一)
(b)
(c)
(d)
(e)
(f)
首先,它可以发现,绝大多数的样品属于相同条件聚集而分离为不同的健康状况。因此可以得出结论,U-net特点的多层次特征提取器可以非常敏感的灰度图像中包含错误的信息。通过数据的对比分析10 ()- - - - - -10 (f),值得一提的是,大部分样本属于相同的健康状况可以聚集在两个数据集的测试集,并且没有明显差异的分类结果。由于操作条件的训练数据集和测试数据集是相同的我虽然不同数据集二,它可以进一步证明了U-net-based CNN有强大的广义特征提取能力,可以少受负载条件变化的影响。
此外,多层次特征提取的二维可视化视图的X6,出数,和X10不同,显示不同的功能可以贡献不同知识水平的错误预测的任务。因此,可以得出结论:U-net-based CNN强大的分层特性的学习能力,代表了从多个方面的不同健康状况的信息。
特性的可视化视图代表图像的X6,×8 X10如图11。可以发现三个多层次特征提取图像可以区分从彼此的五个不同健康状态下测试的数据集,表明该U-net层次特征提取器中包含错误信息被敏感图像灰度特性。
层X6,提取的分层特性的混合体,和X10送到ResNet-CBAM注意学习块分别设计,以及设计ResNet-CBAM注意学习网络应用两次不仅多层次特征图像也( )连接分类特征图像。关注学习结果的可视化故障直径0.007的健康状况下加载0是如图所示12(一个)- - - - - -12 (d);应该注意,有明显区别的浓度在这些多层次特征提取的图像和图像连接分类功能,因此,将更大的权重分配给预后的重要功能和促进效率和预测精度。因此,可以得出结论,有必要应用CBAM不仅关注学习块X6的多层次特征提取,出数,X10还连接分类功能用于错误的预后。
(一)
(b)
(c)
(d)
优化的分类特征图像发送到最后错误的预后将Softmax层。最大时代数量设置为60岁,过去10时代的平均精度从50th到60th时代被定义为最终的收敛精度(FCA)摘要;优化器是亚当的学习速率为0.005。预测精度的两个数据集的训练和验证曲线见图13。可以清楚地看到,训练和测试精度可以达到60后近100%th时代在数据集在第二集,训练结果的最终收敛精度也能达到近100%,和测试精度可以达到近93%,可也相对较高。由于训练和测试数据集收集数据集在相同负载虽然不同数据集二,它可以证明,提出的故障预测方法可以达到完美的预测精度和泛化能力。
(一)
(b)
4.1.3。烧蚀实验
评估引入关注的加速特性升级机制,提出错误的预测框架,一个烧蚀实验的不同组合U-net和注意力学习机制是评估案例研究的两个数据集。具体来说,我们实现了提出的方法:U-net + Softmax(美国),U-net +分类关注+ Softmax (UCAS)和U-net +多尺度关注+ Softmax (uma)。“U-net + Softmax”,没有关注学习过程,作为基准模型,性能指标的精度增益和平均精度增益采用评价模型的加速属性提升注意力学习网络。如图14,该模型两次关注学习过程明显比美国模式尤其是在前30时代的测试精度获得的数据集,这是非常重要的实时要求实际行业在婴儿阶段。此外,UCAS的烧蚀模型和乌玛,它只有一个关注学习过程分类特征和多尺度特性,分别也有一定的准确性得到推广与美国模式相比,表明引入注意的有效性学习机制在促进预测效率。
(一)
(b)
烧蚀实验执行10倍,平均最终收敛精度的平均值(FCA)和平均精度增益(亚美大陆煤层气有限公司)见表3,该方法优于其他三种烧蚀模型在这两个指标。
4.1.4。比较实验
进一步评估的加速属性关注学习网络的泛化能力U-net CNN-based层次特征提取器,比较分析介绍了建议的方法;三个烧蚀模型以及一些混合预测模型基于层次特征提取器的古典LeNet-5 CNN,即LeNet-5 +随机森林(L-RF) LeNet-5 + SVM (L-SVM), LeNet-5 + Softmax (LS)进行比较。类似的烧蚀试验,模型U-net + Softmax设置为基准模型,和多个混合预测方法的精度增益曲线见图15,注意学习机制的方法优越的精度得到了美国模式而模式没有注意学习机制差精度获得了美国模式,表明预测效率促进学习的重视。
(一)
(b)
两个数据集上的对比实验进行了10次就一样的烧蚀实验。它可以清楚地看到从表4该方法达到最高最终收敛精度和最优平均精度获得的测试结果数据集。此外,需要注意的是,与U-net特征提取器网络模型明显优于其他传统LeNet-5 CNN-based模型尤其是最后收敛精度数据集二世相比,数据集上的性能Ι。因此,可以得出结论,与设计U-net-based层次特征提取网络模型具有更好的泛化能力与古典LeNet-5 CNN网络特征提取器。
4.2。案例研究2:轴承机电传动系统的故障预测
4.2.1。准备数据描述和试验装置
该方法性能的评价提供的轴承故障数据集上帕德伯恩大学(47]。测试装置如图16由一个电动马达(1),一个torque-measurement轴(2),(3)滚动轴承测试,飞轮(4),和一个负载电机(5)。实验采用电机电流信号的机电传动系统的轴承诊断四个操作条件下收集不同的操作参数设置如表所示5。有完全机电传动系统的四种不同的状态,也就是说,内圈损伤,外环损伤,伤害,和健康的状态。所有的样品与4096年的数据采样点是随机选择的条件监控数据。不同组件的故障强度分类案例研究,案例研究II的错误分类任务中涉及多个组件。的安排训练和测试数据集表中所示6。
4.2.2。结果与讨论
在这个实验中,4096点转换为连续信号 灰度图像一样的案例研究。四个操作负载状态的转换结果如图017。它可以得出的结论是,这些图像对应于不同的健康状况也可以从彼此不同,它应该很容易进一步证明的有效性”进行分类 “信号图像转换方法。
一样的案例研究,转换后的灰度图像作为输入U-net特征提取器和多层特征提取U-net用作输入的注意学习网络故障分类的最大60时代范围之内。预测结果如图18。可以看出,60的培训和测试精度th时代可以达到近100%在两个数据集,可以相对高于案例研究。原因应该分类任务只有在同一组件的内套错误的案例研究一个包括案例研究两个不同的组件,它有更多的错误的症状。
(一)
(b)
4.2.3。烧蚀分析
AG)曲线见图19显示注意学习网络的有效性建议的方法,UCAS,准确性和乌玛明显优势U-net + Softmax在同一个时代范围在婴儿阶段,表明注意力学习机制的有效性在案例研究两个也有效。均值的平均精度增益和最终的收敛精度表中所示7,该方法优于其他三种烧蚀模型在案例研究两个方面的指标。
(一)
(b)
4.2.4。与其他方法相比
图20.和表8显示精度增益曲线;意味着最终的收敛精度和均值的平均精度获得建议的方法,三个烧蚀模型和传统的混合预测模型基于LeNet-5层次特征提取器网络,在U-net特征提取器的模型具有更好的泛化能力;和注意力学习机制的模型具有更好的加速属性尤其是在婴儿阶段,U-net显示了巨大的潜力,注重学习网络,提出了组合。
(一)
(b)
5。结论和未来的工作
5.1。该论文的主要贡献
在本文中,一种新型轴承故障预测方法基于U-net-based层次特征提取器网络和ResNet-CBAM-based关注学习网络。本文的主要贡献可以概括如下:(1)介绍了 “信号图像转换方法, 数据图像可以简单但有效的方法可以放松依赖于信号处理的专业领域知识(2)提议U-net CNN-based多层次特征提取器网络强大的广义和层次特征提取能力。提取的多层次特征可以区分不同的健康状况复杂的操作条件下,从多个方面,代表了不同的健康状况造成不同的知识来预测任务(3)应用设计ResNet-CBAM-based注意学习网络的特征选择提取的特征。不仅ResNet-CBAM块应用两次分类特征的多层次特征图像也形象。有明显区别的浓度对提取的特征,并提出的混合模型可以实现特定时代有限范围内预测精度,提高加速性能模型(4)提出的组合框架U-net ResNet-CBAM注意力学习网络。U-net作为特征提取器,注意学习网络用作功能选择器和故障分类器。泛化能力和加速性能的模型已得到改进
该方法在两个案例研究验证,即提供的CWRU(凯斯西保留大学)和帕德伯恩大学。两个案例研究证明的有效性U-net的泛化能力和加速注意力学习网络的属性。此外,该方法在烧蚀试验和验证介绍的比较实验,进一步证明了有效性的建议结合U-net和注意力学习网络。
5.2。未来工作的建议
尽管该方法已经取得了一些成就,仍有两个项目需要考虑。首先,U-net-based分层特性学习网络的复杂性以及关注学习网络应该被考虑。在未来,该方法的参数规模应该缩短,可以适用于模型的计算设备的部署。此外,提出了轴承故障分类方法应该将广泛应用于其他类似的错误分类预测场景如变速箱、铣设备、气体泵系统。
数据可用性
本文的数据集用于支持这些发现已经存入CWRU(凯斯西保留数据集)的链接”https://csegroups.case.edu/bearingdatacenter/pages/12k-drive-end-bearing-fault-data“和帕德伯恩大学的链接”http://groups.uni-paderborn.de/kat/BearingDataCenter/。”
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
这项研究被财务支持的“2030年科技创新的重大项目的新一代人工智能(2018 aaa0101801)”。