文摘

轴承是旋转电机的最重要的一个部分。轴承故障会导致机械故障,经济损失,甚至人身伤害。近年来,各种深度学习技术已经被用于诊断轴承故障的旋转机器。然而,深度学习技术数据不平衡问题,因为它需要大量的数据。为了解决这个问题,我们使用数据增强技术。此外,卷积神经网络,深度学习的模型,是一个方法能够执行特性没有先验知识学习。然而,由于传统的故障诊断基于CNN只能提取single-scale特性,不仅可能会丢失有用的信息,而且领域可能发生转变的问题。在本文中,我们提出了一种多尺度卷积神经网络(MSCNN)从原始信号中提取更强大和分化特性。比传统CNN MSCNN能学到更多强大的功能表达通过多尺度卷积操作和减少参数的数量和培训时间。该模型被证明是更好的结果和验证模型的有效性与2 d-cnn和1 d-cnn相比。

1。介绍

物联网的发展和工业应用正在迅速改善现代工业设备的情报。因此,机械设备越来越复杂的和复杂的。机械故障可能会导致重大的经济损失和人员伤亡。旋转电机是使用最广泛的机械行业中(1]。滚动轴承是旋转机械中非常必要的组件(2,3]。因此,轴承故障诊断是非常重要的。

最近,基于数据的故障诊断(4- - - - - -6)吸引了很多研究人员的关注,由于电脑和gpu的发展。传统的基于模型的诊断方法(7- - - - - -11没有有效的学习非线性数据。此外,在特征提取步骤(12- - - - - -15),存在着巨大的差异结果值取决于专家的技能。机器学习方法,如支持向量机(SVM) [16,17),主成分分析(PCA) (18,19)和人工神经网络(ANN) [20.)经常被使用。然而,传统的机器学习(21- - - - - -23处理复杂的数据)也困难。另一方面,数据驱动的诊断可以有效地、准确地表达大数据的特点和复杂的输入数据。随着深度学习,可以通过很深的连续层来训练神经网络。深度学习(24,25)被广泛应用在各个领域,如图像处理和图像生成。款(深层神经网络)26,27)是一种结构由许多层,可以自动提取深度特性。贾et al。28)进行滚动轴承故障诊断通过款,表示特征可以收集到的原始信号。徐et al。29日)使用PCA减少大小的这些特性。Eren et al。30.)建立了一个使用1 d-cnn错误检测系统(一维卷积神经网络)。邓et al。31日)提出了基于利用MSIQDE算法的优点Mexh小波函数。邵et al。32)提出了卷积深刻的信仰网络(CDBN)滚动轴承。因此,深度学习技术可以克服传统的机器学习方法固有的缺点。

深度学习模型中,cnn是一个伟大的方式来执行功能没有先验知识学习。cnn适合功能定期学习,因为他们可以通过信号。然而,美国有线电视新闻网有一些缺点。与支持向量机和PCA方法不同,它需要大量的训练样本。此外,每个卷积层的过滤器的大小是固定的,所以你不能获得各种信息。此外,由于CNN与总体结构只能提取单一尺度特性,有用的信息可能会丢失和域转移可能发生的问题。因此,我们提出了一种改进的CNN称MSCNN在每个卷积与不同大小的过滤器。这使我们能够提取有用信息的频率域具有不同的分辨率。此外,强大的特性表达式可以学到比传统的cnn,和参数的数量,可以减少培训时间33,34]。同时,深度学习需要大量的训练数据。如果没有足够的训练数据,很难期待好的结果。数据滚动轴承在实际条件下并不总是足够的。在本文中,我们增加了通过应用排列的数据量和时间扭曲技术。

本文配置如下:神经网络和提出的背景模型中描述的部分2。提供了部分实验结果3。最后,部分4提出了一种结论。

2。背景

2.1。人工神经网络(ANN)

人工神经网络中使用的结构(35今天是1958年提出的弗兰克Rosenblatt。Rosenblatt提出一个线性分类器被称为感知器,这是一个线性分类器结构,输出1如果该值大于0和1,如果小于0通过添加输入和权重的乘积和应用激活函数。神经元有多个输入和一个输出。当每个输入乘以重量,重量乘以第二输入,和重量越大,传达更多的信息。偏见是添加到输入值和重量的总和,这偏见代表神经元的敏感性。图1感知器的体系结构描述:

在哪里代表了重量,代表神经元的输入,代表了偏见。

预计,人工智能感知器可以创建像一个真正的人类,但在1969年,明斯基,Papert36]证明了数学感知器的限制,减少人们的期望。根据他们的说法,感知器只是一个简单的线性分类器,不能执行XOR分类。换句话说,可以解决简单的问题,但不能解决复杂的问题。图2描述的问题,或者,XOR。

1986年,Rumelhart et al。37)提出了一种多层感知器,克服了线性分类器通过添加一个隐藏层的限制。这证明了XOR问题可以解决通过使用多层感知器的概念。

中长期规划的结构类似于一个感知器,但通过输入/输出中间层和每个单元的非线性特点,它克服了单一的缺点感知器通过提高网络能力。在中长期规划,随着层数的增加,决定区域由感知器的特点变得更加先进。在图3,我们可视化中长期规划的体系结构。

2.2。卷积神经网络(CNN)

CNN勒存是由和Bengio [38]在1990年代是一个神经网络结构,将手写的数字和备受关注。这是一个最受欢迎的深度学习算法。CNN是一个模型,减少了参数的数量使用卷积使用空间关系。从数据中提取隐藏的特性的目标是学习几个特性之间的输入数据,然后执行操作过滤器过滤器和输入数据的特性。由于振动信号是一个时间序列的振动信号,1 d-cnn [39使用了)。CNN主要由输入、卷积层、汇聚层,完全连接层,和输出。1 d-cnn表示在图的基本结构4。

卷积层是一层学习的特征值输入数据,由多个特征图。神经元在每个特性映射连接到本地以前的功能性映射通过一组权重。这组权重称为卷积核。结果执行卷积后地图上输入特性和卷积内核传递给激活函数形式下一个特性映射层。功能性映射是通过重量计算共享,降低模型复杂度,简化网络训练。卷积的向前传播层如下: 在哪里输出层的吗 , 是选择的功能映射,输出层的吗 , 层的重量吗 ,和层的偏见吗 。

池层通常是连续卷积层之间。它是关于减少维数的卷积提取层。池层使用特征向量中的值为二次抽样特征图,所以最常用的池方法maxpooling和平均池。在本文中,我们使用一个maxpooling执行更好的一维时间系列的操作方法。最大池的结构层如图5,如下: 在哪里的输出是什么th神经元的功能层的地图 , , 是集中区域的宽度,中相应的集中值神经元层 。

2.3。多尺度卷积神经网络(MSCNN)

自CNN输入值通常是一个原始信号,可怜的结果可以得到不管hyperparameter变化如果没有足够有用的信息。卷积是最重要的方法来分析信号,和1 d-cnn卷积过滤器的大小对性能有很大的影响。在1 d-cnn hyperparameter卷积过滤器的大小。由于卷积层使用固定大小的卷积滤波,布局卷积过滤器的大小是一个非常困难的问题。

同时,也有一些问题分类。首先,大尺寸的卷积滤波器具有良好的分辨率,因为它集中在低频区域,但往往忽略高频信息。相反,一个小尺寸的卷积过滤器侧重于频带,但分辨率较低。第二,如果一个卷积过滤器使用相同的大小,其他歧视性的特性无法正确提取。

为了解决这个问题,研究人员提出了一种多尺度卷积神经网络。多尺度卷积从振动信号中提取特征使用几个不同尺度的卷积过滤器。我们的框架提出了模型的描述在图6。

我们使用三个卷积过滤器具有不同宽度的卷积层从原始数据中提取特征,通过两个卷积层和一层maxpooling并获得三种不同的特征图谱,然后连接它们。的 卷积减少了网络的深度和宽度不增加计算资源。这种结构能从原始信号中提取其他独特的特性。连接后,分类部分由两个完全连接层和一个softmax层。将softmax函数设计为标签的数量在两个不同的数据集。

提出的多尺度特征提取利用卷积层中的三个卷积过滤器与不同的宽度从原始数据中提取特征,通过两个卷积层和一层最大池并获得三种不同的特征图,然后将它们连接。这个结构允许低收入和高频信息从原始信号中获得。卷积层MSCNN如下(40]: 在哪里代表输出特性的地图卷积的MSCNN层深度 和 代表特征图后犹如MSCNN和可以被视为

三次卷积过滤器卷积是一个特征映射。是偏见添加到功能的地图吗卷积层。每个卷积层组合成一个连接层后卷积操作。

2.4。数据增加

深度学习增加了模型的表达能力,增加堆积大量的隐藏层的参数。大量的训练数据正确的火车很多参数是必要的。然而,它是不容易提取大量的数据在实际工作条件下。此外,数据应该保持高质量和变化足以反映现实。如果没有足够的深度学习模型训练数据训练参数执行,通常发生的过度拟合问题。因此,通过增加绝对即使在小数据集的数据量通过数据增强技术(41,42),我们获得的新数据通过应用人工更改数据。数据增加可以处理未知输入和提高模型深度学习的泛化效果。重要的数据增加到满足你的领域知识来保持你现有的标签在生成新的数据。它也不会改变与小标签的数据变化。数据通常用于图像增强技术,但数据增强技术应用于时间序列数据。

在本文中,我们使用两个数据增强技术。这两种技术都是由一个细微的变化在行动点可以让标签。首先,时间扭曲的技术变化的位置时间样品顺利扭曲样本之间的时间间隔。在数据7和8,我们可视化生成原始信号和信号的时间扭曲使用次要情节和散点图。

第二,置换技术,随机变化事件的位置。混淆的位置输入数据,它是一种技术来创建一个新窗口的数据分割到段相同的长度,然后随机变化下一段。数据9和10是图可视化生成的原始数据和数据排列技术。这两种方法都有轻微的变化数据,但无显著改变标签。

3所示。实验和结果

3.1。实验配置

Keras图书馆使用Tensorflow后端。我们提出的模型2 CNN模型相比。实验的系统规格如表所示1。

3.2。模拟案例1:CWRU轴承数据集

评估的性能提出MSCNN,轴承数据集来自凯斯西储大学轴承数据中心使用,并给出故障试验台如图11。

CWRU轴承数据集提供了产生的振动信号模拟器在正常和失败条件。2 hp电动机、液力变矩器和测功器是主要的组件,从驱动端和振动信号采集,风扇端,加速度计安装在住房。我们使用电机驱动端轴承数据采样0 hp, 1 hp惠普2 hp, 3。每个缺陷类型分为0.007,0.014,和0.021英寸,有10个州的数据集,我们每个信号段的大小除以400。每个州都有1600个样本,共10个州,所以有16000个数据。我们分裂的数据作为训练数据总数的80%,剩余20%作为测试数据,和20%的训练数据,验证数据。数据表的详细描述2。

两种类型的CNN模型相比,证实了该模型的有效性。两种模型构建是常用的。表3显示了结果的准确性比较提出MSCNN d-cnn与1,2 d-cnn,该模型在不增加数据。

另外,图12是一个可视化的图每个模型的损失曲线和准确性曲线。在损失曲线,可以看出,该模型很好但更快解决。此外,精度曲线表明,该模型精度迅速增加。

结果显示,该模型显示一个更好的准确性与他人相比。该模型显示,高达1.4%的高精度和至少0.53%的测试。似乎有一个微小的区别,但这是很重要的,因为1%的差异不是一个小数目随着精度的增加。此外,在精度有显著差异即使不使用数据增强技术。这证明卷积核分裂成多个尺度的作品。此外,我们创建了一个混淆矩阵为每个模型的可靠性试验。

第二个指标,我们使用了混合矩阵。虽然精度是最直观的指标,性能可以倾斜在不平衡数据集。有四个概念混淆矩阵需要理解。混淆矩阵的公式用于如下。

首先,精确的比例是真实的模型分类是真实的。精确的表示为

回忆的真实比例预测模型是正确的。回忆是表示为

精度是最直观的指标,表示如下:

F1分数谐波的意思是,你可以准确地评估模型的性能,如果您的数据标签是不平衡的。F1的分数可以表示为

图13显示了每个模型的混淆矩阵的结果。作为一个实验的结果,精度分析,该模型显示,最佳性能,1 d-cnn和2 d-cnn紧随其后。由于时间序列数据的输入数据,性能的1 d-cnn似乎比2 d-cnn性能,1 d-cnn和2 d-cnn紧随其后。由于时间序列数据的输入数据,1的性能d-cnn d-cnn似乎比2。

3.3。模拟案例2:IMS轴承数据集

增加可靠性的评估模型,我们使用提供的轴承数据中心智能维护系统(IMS),并给出故障试验台如图14。

四个滚动轴承安装和操作转速为2000 rpm和6000磅的径向载荷。原始信号受到两个垂直和水平加速度计安排。因此,总共有4个类型,包括3个故障状态和正常状态。为了看到结果的差异,我们做了一个实验CWRU上面给出的数据集和样本的数量是一样的。数据表的详细描述4。

我们比较了两种类型的CNN模型和该模型与前面的实验。表5显示了比较的结果的准确性提出了使用IMS数据模型和典型的CNN模型。结果显示,该模型显示更好的准确性与其他模型相比。该模型显示最高1.37%,最低0.26%,测试精度高。

另外,图15是一个可视化的图每个模型的损失曲线和准确性曲线。从损失曲线,结果表明,该模型很好,类似于CWRU实验结果,但更快地解决。此外,精度曲线表明,该模型精度迅速增加。每个模型的混淆矩阵的结果如图所示16。

4所示。结论

轴承故障的诊断是非常重要的。提前了解轴承故障可以减少停机时间,防止经济损失,提前预防失败。收集原始振动信号从CWRU轴承和IMS数据集。然而,在现实世界中,并不总是有足够的数据,没有足够的数据,深度学习模型执行非常差。因此,在本文中,使用数据生成数据增强技术很好的应用两种时间序列数据。实验表明,数据增强技术显著提高准确性。此外,为了克服CNN的缺点,我们提出了一个模型,最大限度地减少信息损失通过配置不同卷积滤波器卷积在多尺度层,减少了参数和训练时间。该模型不仅从频域提取有用的信息更好的与不同的分辨率比传统的有线电视新闻网也使学习更强大的功能表达。该模型显示出更好的性能比现有的1 d-cnn和2 d-cnn。未来的研究将不仅适用于轴承数据也从其他领域广泛应用。 In addition, we plan to improve the structure of the model more efficient.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者要求((电子邮件保护))。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了“科技部,ICT (MSIT),韩国,在期(信息技术研究中心)支持程序(IITP - 2020 - 2018 - 0 - 01417)监督的IITP(信息与通信技术研究所规划和评估)和智能工厂技术研发项目S2727115由中小企业和创业公司(海量存储系统(MSS)中,韩国)。