文摘

数据增加已成为一个热点话题在机械领域的智能故障诊断。它可以扩展有限的训练数据集通过生成模拟样本,但是仍然没有有效的方法增加低分辨率的分辨率样本。在本文中,一个简单的算法,即有效的亚像素卷积神经网络(ESPCN),提出了解决这一缺陷。ESPCN模型对原始低分辨率数据执行安排操作通过亚像素层和输出的结果四通道multifeature地图。示例决议是增加到四倍比原始低分辨率样本。最后,生成高分辨率数据集被用来训练堆叠autoencoders (SAE)故障分类,和原始高分辨率数据集是用于测试。两例故障诊断与不同的样品尺寸和旋转速度设置模拟低分辨率情况下,和实验结果验证了该算法的可行性。

1。介绍

机械故障诊断已进入人工智能的时代随着科技迅速增加(1,2]。与此同时,智能故障诊断的发展离不开足够的测量振动信号的支持。当一个旋转机器的一部分当地的缺陷,将生成一个脉冲时间短,和振动信号将显示的故障特征振幅调制(3,4]。机械表面的振动信号测量包括许多振动的部件,如轴承的旋转和齿轮的啮合5]。因此,振动信号分析是机械故障诊断的一种有用的技术。

然而,样本不足的现象经常发生在实际应用场景。因此,许多研究人员专注于使用深度学习算法如生成对抗网络(GAN) [6)增加原始样本的数量。周et al。7)建议使用方案的全局优化提高原始GAN产生更多的歧视故障样本。邵et al。8)输入故障时域数据与不同的标签类型氮化镓生成一维模拟信号样本,然后输入与原始信号卷积神经网络(CNN)实现数据增大和故障分类。王等人。9甘)使用条件(CGAN)来模拟有效的故障特性自动从故障信号,实现数据扩充和选择堆叠autoencoders (SAE) [10为准确的故障分类。

此外,数据的质量也特别重要。样本分辨率越高,越容易检测的最小变化的测量对象11]。它也要求建立数字双胞胎。单位时间内收集到更多的数据点便于分析的内部特征测量对象的准确诊断,实现机械(12- - - - - -14]。因此,高分辨率样本通常用于故障诊断的研究15,16]。然而,上述方法只会增加数据集但不能增加样品的体积分辨率。

为一套机械设备在高速旋转,很难收集到足够的通过一个信号特征信息收集器与较低的采样频率。样品的高分辨率,更方便找到设备的故障,但不能获得高分辨率的样品由于信号采集设备的限制。此外,分辨率增强故障诊断领域的研究是少之又少。相比之下,分辨率增强技术是一种常见的工具来重建高分辨率图像在图像处理领域(17]。因此,它值得考虑采用分辨率增强技术对旋转机械的低分辨率的信号。超限分辨卷积神经网络(SRCNN) [18网络(SRGAN)[],超限分辨生成对抗19),深度重建分类网络(DRCN) (20.),和高效的亚像素卷积神经网络(ESPCN) [21)是常见的分辨率增强算法。例如,低分辨率的图像可以放大目标的形状根据bi-3 SRCNN的插值和CNN模型用于实现非线性映射。接下来,低分辨率图像可以扩展和重构的上采样插值。本文提出了ESPCN增强信号的分辨率单样本。此外,故障分类的准确性测试通过SAE网络评估数据的性能增强。本研究的贡献可以概括如下:(1)提出ESPCN模型可以从低分辨率样本学习特性,提高原始信号的样本相比解决了四次(2)生成的高分辨率数据集被用来训练的SAE模型故障分类和原始高分辨率数据集用于测试(3)两个实验例(不同的样品尺寸和旋转速度)将模拟低分辨率情况并验证了提出方法的有效性

本文的其余部分的结构如下:部分2细节ESPCN的理论背景和SAE。节3,应该基于ESPCN诊断框架。两个齿轮和轴承的诊断病例数据集设置部分4。部分5给出了结论。

2。理论背景

2.1。ESPCN

图1表明,一层亚像素卷积和几个卷积层构成了ESPCN网络。原始图像作为网络的输入,和低分辨率图像大小相同的输出通过 - - - - - -通道卷积神经网络。然后,采用亚像素卷积层顺序安排低分辨率隐藏层特征顺序为一组高分辨率的图像。第一个 - - - - - -1频道卷积神经网络如下: 在哪里 , ,和 可学的重量和补偿,是一个二维卷积和的形状张量吗 ,在哪里是功能数字层 , 在层是回旋的内核数量吗 ,和偏移量向量的长度吗 。卷积网络层后,功能的地图渠道获得,然后发送到亚像素卷积层抽样。 PS是周期性移动运营商将元素的形状吗 塑造 ,和和的高度和宽度是真正价值张量,分别。和自己的颜色通道。和表示输出像素坐标的高分辨率空间。PS可以按顺序安排低分辨率特性为一组高分辨率图像,可以定义如下: 在哪里和在高分辨率输出像素坐标空间。

Pixel-wise均方误差(MSE)重建的成本函数训练网络,其数学表达式可以写成: 在哪里( )表示高分辨率图像的例子( )表示生成的低分辨率图像的例子。

2.2。堆叠Autoencoders

Autoencoder (AE) [22采用特征提取和样本重建。SAE的构成,它具有前馈神经网络结构(23]。AE的基本架构包括一个编码器部分和一个译码器部分。编码器可以压缩输入数据到潜在的空间特性,而译码器可以输入从潜在的空间表示。

假设是一种无标号数据集在哪里 ,编码器的过程可以描述如下: 在哪里是隐藏的编码器向量映射的 , 表示激活函数,表示偏差向量,表示权重矩阵。

是解码函数映射从低维特征回高维特性。译码器的过程可以定义如下: 的激活函数是一样的 ,和和分别重量偏差向量和矩阵。

采用均方误差最小化重建错误: AEs的参数设置在哪里 和 。

图2描述,SAE堆栈autoencoder一层一层地建造的款的隐层的第一个AE作为输入第二个AE。前馈layer-wise学习是用于训练网络,采用softmax回归作为分类器,反向传播(BP)算法用于更新和重量参数微调。

3所示。提出了框架

图3显示的结构提出了信号分辨率增强ESPCN和SAE和故障分类。的过程中信号分辨率增强,隐藏层ESPCN表达如下: 第一个两层的64和32个频道,分别为(24]。扩展指数线性单元(SELU) (25是选为激活函数 ,使样本分布自动零均值和单位方差归一化,确保梯度不爆炸或消失在网络培训。低分辨率样品的特点是通过隐藏层,和亚像素层采用实现分辨率增强的操作,这是由一个完全连接层和周期性移动运营商。完全连接层输出( )信道特性映射具有相同尺寸的输入数据,然后生成的数据得到按照下列公式: 在哪里是一种高分辨率样本生成的网络,提出采用PS功能增强四倍的分辨率,并能够被定义为以下形式:

最终的损失函数我们使用MSE可以测量原始样本之间的差异和生成的低分辨率特性如下:

在故障分类的过程中,生成的高分辨率数据集输入直接SAE特征提取和故障分类,从而达到训练模型。然后,原始高分辨率数据集是用于测试。

4所示。实验结果和分析

4.1。案例1:故障诊断轴承在相同的采样频率

以下4.4.1。数据描述

图4表明,轴承故障试验台从山东科技大学(SDUST) [3)将探索ESPCN分辨率增强的性能。平台包含电机、负载盘、轴承,齿轮箱,粉末制动器。轴承类型N205EU圆柱滚子轴承。如图5三种故障类型,包括内套断层(如果),外环故障(的),和滚子轴承故障(RF)介绍了。800 ( )4健康状态的样本中提取所需的数据集。电机轴承振动信号从LMS收集的数据采集仪器,传感器的类型是振动加速度传感器作为显示在图425.6 kHz,采样频率。先生是安装在轴承表面的座位。同时,电动机转速3000 r / min。

在本节中,600是设置为低分辨率样本的维数,和300年傅里叶系数FFT后得到。然后,2400年将作为高分辨率样本的维数,和1200年傅里叶系数。ESPCN的参数设置如下:时代设置为40,50批量大小,学习速率设置为0.1,SELU是选为激活函数。此外,SAE是用来评估样本的性能ESPCN生成的网络中,每一层的网络参数在SAE (1200、600、200、100、4]。在输出层的输出大小等于故障类型的数量。Softmax回归(26采用分类器,和误差反向传播(27)是用于调整模型。批正常化(BN) [28)是应用在SAE的每个隐层。原始低分辨率数据集输入到ESPCN网络,和生成的高分辨率数据集作为训练集的SAE。最后,原始高分辨率数据集用于测试。

4.1.2。诊断结果

图6显示三个数据类型的光谱图(低分辨率光谱、生成高分辨率的光谱和原始高分辨率光谱)。区分不同的故障类型和th光谱图是困难的,必须使用基于SAE和分类网络来提取特征和区分故障类型。一方面,采样频率越高,SAE网络训练效果越好,由于低分辨率的示例包括一个圆信息包含更少的轴承信号的特性。另一方面,生成高分辨率的特性分布样本几乎是类似于原始高分辨率样本,拥有相同的特征维度和频域图。

比较分析,两个数据集(低/高分辨率数据集)是用于故障分类,分别。诊断结果如图7。15个试验重复每个实验减少随机性的影响。可以看出,低分辨率数据集的结果并不好,和测试精度是95.76%的标准偏差为0.25%。相比之下,获得的数据ESPCN可以达到更高的平均精度 。因为ESPCN可以提高分辨率低分辨率数据集的4倍,示例拥有更有效的特征,这有助于识别样本的分类网络不同的健康状况。此外,高分辨率数据达到的最高精度 ,由于高分辨率的原始和故障类型的丰富信息。

将SAE的学到的高维特征向量映射到一个二维特征向量, - - - - - -分布式随机邻居嵌入(t-SNE) (29日应用,可以显示三种数据集的诊断效果。在图8(一个),聚类结果的低分辨率数据是最糟糕的,有几个样品混合,以及各种级别的误分类之间观察到不同的故障类型。在图8 (b),分类结果ESPCN比这更好的低分辨率数据,和几乎所有的样本在不同健康状况是否很好地分开。此外,高分辨率数据集的聚类结果图8 (c)是最好的,同样的样本集显示更加紧凑聚合。此外,该功能ESPCN网络的学习过程是显示在图9。图9(一个)显示64个频道的学习特性的低分辨率的样本。不同的颜色在每个频道表示当前功能的力量。这些渠道的特点相结合,提取到一个特征值,然后功能映射图9 (b)是实现。差异化的渠道增加网络层增加,和学习特征越来越明显。最后,四通道低分辨率模拟样品得到如图9 (c)。

4.2。案例2:速度波动条件下轴承的故障诊断

图10显示了包含电机的齿轮箱故障试验台,耦合,齿轮箱、轴承席位。图11显示了10个不同的健康状况:正常状态(NC)、太阳轮裂纹(WC),太阳轮坑(WP),太阳轮磨损(WW),齿轮裂纹(PC),齿轮坑(PP),齿轮磨损(PW),和三个复合故障类型(WWPW、WPPC和WPPW)。采样频率是12.8 kHz,先生是安装在变速箱的表面。的转速由变频器控制,如图10,速度变化在700 r / min和随机1500 r / min。采样频率是固定的;所以样品决议将成为低随着速度的增加,因为样本分旋转和收集到的特征信息将大大降低,也会减少。

ESPCN的模型参数是一样的,在案例1。低分辨率和高分辨率数据集有200个样本,每个样本拥有600和2400个采样点,分别。三个齿轮样本是随机的结构中显示数据12(一)-12(c)。不同故障类别的收集信号在时域中表现出不同的速度波动。图12(d)显示了不规则的转速波动曲线的三个故障类别变化从700年到1500 r / min。图13显示了三种不同的光谱数据类型。发现低分辨率光谱也有最少的特征信息在图13(一)图13(b)演示了该方法所产生的光谱基于低分辨率数据,和图13(c)显示原始高分辨率光谱。很容易看到,还生成的高分辨率光谱显示原始高分辨率光谱特性的趋势一样,这更有利于精确的齿轮箱的故障诊断。

上述三种数据类型的诊断结果显示在图中14。毫无疑问,高分辨率数据集达到最高的精度 。相比之下,低分辨率数据集获得最低的准确性 。的诊断准确性ESPCN低于高分辨率数据集:平均精度 。此外, - - - - - -新力也采用降维的可视化结果显示。图(15日)表明样本降维的WC和WP相互混合,和所有类型的样品也不是集群。图15 (b)显示集群ESPCN更好的结果比低分辨率数据集。此外,高分辨率数据集还执行最好的,和所有的样品在不同健康状态是彼此分离的。

5。结论

在这篇文章中,一个可概括的深度学习框架提出了基于ESPCN改善轴承和齿轮箱信号的分辨率。首先,四通道特性从低分辨率样本被映射。然后,高分辨率样本亚像素的输出完全连接层。最后,四倍的采样分辨率增强利用ESPCN网络。案例研究,说明生成的样本的分类结果ESPCN模型有效性和可以获得较高的诊断精度。尽管该方法可以提高诊断的准确性低分辨率数据集,高分辨率特性的理论基础学习是不明确的。此外,它是利益生成高分辨率样本直接从原始时域信号。作者将在以后的研究中探讨这个话题。

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。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金(52005303,52005303)和山东省自然科学基金(ZR202020QE157)。