基于卷积神经网络的地铁牵引电动机轴承的剩余寿命预测

抽象的

为了解决单一类型的传感器不能完全反映在地铁牵引电动机的轴承寿命预测过程中的轴承寿命预测中，提出了一种基于多信息融合和卷积神经网络的轴承残余寿命预测方法。首先，振动传感器和声发射传感器用于收集轴承疲劳寿命测试台上的轴承寿命信号。其次，小波分组分解用于去代取收集的轴承寿命信号并提取多个特征值。在此基础上，分析了多个特征值，分析了轴承降解趋势。最后，收集的轴承寿命分为五个阶段，并且处理过的多个特征值被融合并输入卷积神经网络以进行培训和识别。结果表明，基于多个特征值和卷积神经网络预测轴承寿命阶段的可能性大于98％。

1.介绍

滚动轴承是旋转机械中支撑转轴的最关键部件之一。任何意外的轴承故障都可能导致一些负面影响，如停机时间的增加，生产率的降低，甚至安全风险的提高[1-5.］．

近年来，各个领域的算法研究都取得了很大的成就。例如，Deng等人[6.]提出了一种基于混合多策略的改进MSIQDE算法，以解决量子差分进化(QDE)容易导致早熟收敛、搜索能力低、陷入局部最优的问题。针对量子启发式进化算法(QEA)收敛速度慢、全局搜索能力差、旋转角度设计困难等问题，Cai等[7.基于共同区分策略提出了一种改进的量子协作共同算法，具有更快的收敛速度和较高的收敛精度。邓等。[8.]其他人提出了一种改进的差分演进算法（HMCFQDE），以克服差分演进算法的缺点，例如低效率，不足的搜索分集，慢收敛速度，以及搜索停滞的高可能性，结合量子计算特性量子进化算法（QEA）与合作共同算法分裂与规则（CCEA）。基于非线性维纳流程模型，Wen等人。[9.等人提出了一种改进的方法来预测轴承的剩余使用寿命。陈(10.[其他提出了一种基于相关特征和多变量支持向量机的预测模型，以解决使用小型样品来预测由于缺乏足够的条件监测数据而预测滚动轴承的剩余寿命。赵等人。[11.]提出凯尔姆经常(最大的功率谱密度拟合曲线微分)和重量适用于时间失败(飘)解决的问题不同个体滚动轴承的方法和不同的性能退化曲线差异造成的内核极端的学习质量和工作条件,建立了一个新的RUL prediction model of rolling bearings. Yang and Court [12.通过使用四维的现实监测标准，对具有不同类型和故障严重性的测试轴承的实际健康状况研究。这些研究在轴承寿命预测方向上取得了良好的结果，但它们全部将单个特征值输入到模型中进行训练，提取的轴承寿命信息有限，并且不考虑多引程信息融合技术。多引脚信息融合技术可以提高预测精度。随着信息融合技术的发展，越来越多的学者加入研究。吴和张[13.]提出了一种新的级联融合卷积的长和短期记忆网络，用于定向规则预测，因为当前深度学习方法的结构有限，由于使用单个感官数据，预测结果的稳定性差。Wang等人。[14.]采用KPCA方法对提取的特征进行降维，利用核主成分估计WPHM模型参数，提出了一种基于Pchip-EEMD-GM的滚动轴承剩余寿命趋势预测方法(1，1)这些将信息融合技术应用于轴承剩余寿命预测方向的研究取得了良好的成果，为信息融合技术提供了有益的参考，但由于传感器类型单一，所收集的信息不能充分反映轴承寿命信息。这将影响轴承寿命的预测。

为了解决单个传感器不能完全反映轴承生命信息的问题，本文使用小波包分解[15.对采集到的原始信号去噪并提取多个特征值，研究基于信息融合和卷积神经网络的地铁牵引电机轴承剩余寿命预测。

2.信号预处理和降级指数选择

2.1。信号采集和预处理

本文研究的轴承模型是Nu 216.作为地铁牵引电机的轴承，它在地铁的安全操作中起着重要作用，因此预测轴承的剩余使用寿命尤为重要。为了减少测试循环并模拟轴承的实际操作中的早期缺陷，使用DA ZU YLP-MDF-152三维激光仪器预制滚动元件上的缺陷。在缺陷预制过程中，使用了30％的激光能量。凹坑直径为20 μM，裂缝宽度为15μm.在此基础上，探索剩余寿命，进行剩余寿命试验。所选用的试验台为T40-120，位于河南省智能数控设备工程实验室。试验台由液压系统(提供加载、冷却、润滑)、温度测量系统、压力测量系统和数据采集系统组成。数据采集系统包括声发射传感器(型号:R50S-TC，测量范围:50 kHz - 700 kHz，最大采样频率:10 m/sS)和振动传感器(型号:LC0151T，量程:33 g，灵敏度:150 mv/g)。测试台如图所示1。

该试验根据GB / T24607-2009国家测试标准进行。在40kn的径向等效动态负荷的工作条件下进行120小时疲劳寿命测试，旋转速度为2400 r / min。每10分钟收集轴承状态数据。测试完成后，收集了总共720组轴承性能降级测试数据。收集的原始信号中有很多噪音。为了过滤和欺骗原始信号，它们由小波包分解。小波分组分解是一种更详细的时频分析方法。它同时分解原始信号的高频和低频，确保信号在不同频带中具有高分辨率，并且大大提高了信号分析能力[16.］．

小波分组分解用于分解信号n次，并且每个分解将分解从先前分解的高频和低频信号。分解信号保持轴承寿命信息而不会失真。假设从单个传感器中提取的特征向量是Z._一世（一世= 1,2,…,K.），因此通过多传感器合成获得的特征向量是W.×Z._一世。扩张Z._一世如下公式所示： 在哪里W.是传感器的数量，K.是提取的特征值的数量，以及m是样品数量。在本文中，选择了DB4小波基功能，并且原始信号由八次小波分组分解，并提取每个频带的多个特征值。

２.２.轴承剩余寿命退化指标的选择

在原始信号上执行小波分组分解之后，必须提取所获得的高频信号的特征值和低频信号。在本文中，傅里叶变换用于分析频域中的原始信号，并且使用小波分组分解来处理原始信号，以便提取时域信号的特征值。时域特征分为尺寸和无量纲。其中，尺寸时域特征包括标准偏差（SD）和均方根（RMS），并且无量纲时域特征包括Kurtosis（KR）和边缘（C）。它们的公式如下：

标准差、均方根值、峰度、裕度按上述公式计算。部分计算结果见表1和2。

从表1和2，我们可以看到相同的传感器不能直接融合，因为不同特征值之间的值的数量不同。同时，不同特征值的数值单位在不同的传感器之间是不同的，并且不能直接融合。因此，我们需要将它们标准化以将它们映射到相同的间隔并在同一间隔内执行融合。

3.信息融合与模型建筑

3.1。特征值的融合

在工程实践中，滚动轴承的寿命下降过程通常被振动信号反射，从而实现寿命识别和寿命评估[17.］．但为了解决传感器类型单一的缺点，本试验采用振动和声发射传感器采集轴承寿命信息。经过预处理的信号和特征值提取后，由于不同传感器采集到的数据物理意义不同，需要归一化，不能直接集成同声传译。

归一化是指从一个间隔映射到另一个间隔。假设提取的原始特征值间隔是（X₁那X₂），归一化间隔是（y₁那y₂）.如果归一化前的数据为G并且标准化数据是H，然后映射关系G和H如下:

映射关系是线性的：

信息融合技术基于归一化，具有多传感器的互补测量结果的特点。信息融合可以评估并决定其参数的重要性[18.］．根据融合方式的不同，信息融合可分为数据层融合、特征层融合和决策层融合。数据层融合属于最原始的融合[19.，信息损失最少。但由于声发射传感器与振动传感器的检测技术不同，未采用数据层融合;特征级融合属于提取特征值的融合。虽然会丢失一些信息，但是通过归一化处理可以消除传感器之间的差异，在决策级融合中会丢失很多信息，所以本实验采用特征级融合。

从表中可以看出2提取的特征值不能直接融合，并且需要归一化然后融合。720组数据融合后，选择120个组作为测试组，剩余的600组被视为培训组。测试组和培训组分为五个阶段。分割的测试组和培训组标记并输入神经网络进行培训。

３．２．基于多信息融合和CNN的轴承剩余寿命预测模型

卷积神经网络是由多层网络组成的前馈神经网络。鉴于Lenet-5结构，卷积神经网络得到改善。最初确定卷积核的大小为3×3;卷积神经网络的激活功能包括Sigmoid，TanH和ReLU，以及初始选择激活函数ReLU。卷积层提取特征信息并传输到池化层后，池化层进行特征选择和信息过滤，初步确定池化矩阵为2 × 2。全连接层需要对提取的特征进行非线性组合得到输出，输出层选择softmax分类函数进行分类。卷积神经网络的结构如图所示2。

归一化后，需要对卷积神经网络进行训练，将归一化后的数据输入到神经网络中，调整卷积神经网络模型中的卷积层数和池化层数。最后,它的大小确定卷积核卷积神经网络的第一层3×3,输出尺寸是46×46,滑步是1,池矩阵的第一层是2×2,和移动步是2。第二层的卷积核的大小是3×3,输出维度是21×21日滑动步骤是1,第二层的池矩阵2×2,移动步骤2,第一层是完全连接设置为100,第二层的完全连接层设置为64,和输出层设置为5。第一层的激活函数为ReLU，第二层的激活函数为tanH。该模型的最佳训练时间（时代）是100。

完成上述工作后，每个传感器的标准化特征值被输入到调整后的神经网络中，并且识别率在表中示出3.。

根据表格3.，不同特征值的识别率是不同的。均方根值的识别率最好，说明均方根可以提取最多的轴承寿命信息，标准差、峰度和裕度依次减小，说明它们提取的轴承寿命信息依次减小。从表中可以看出3.即，对于单个传感器，不同特征值的融合可以提高剩余寿命预测的准确性，这表明在提取轴承寿命信息中存在不同特征值之间存在相似性和差异。通过融合由不同传感器提取的特征值，可以看出，预测轴承剩余寿命的准确性也得到改善，并且示出了可以补充不同的传感器以提高轴承剩余寿命预测的精度。

4.数据分析

通过对归一化特征值的分析，轴承寿命趋势如图所示3.和4.。

从图中可以看出3.除了Kurtosis外，其他指标的趋势是向上的，这表明Kurtosis指数可以提取最少的轴承寿命信息，而根均线和标准偏差可以提取比边缘更多的轴承寿命信息。数字4.给出了声发射传感器采集到的轴承寿命趋势，从图中可以验证上述结论4.。

从图中可以看出3.和4.随着轴承运行时间的增加，轴承寿命指数越来越大。通过分析，可以得出无量纲峰度和裕度不如无量纲均方根和标准差。从两种传感器来看，振动传感器在均方根和标准差上优于声发射传感器，声发射传感器在裕度和峰度上优于振动传感器。

从图中可以看出3.和4.它们具有相同的轴承寿命指数，并且上部和下波动量不同。为了探讨上下波动动量对精度的影响，从两个传感器获得的根均线作为示例，从两个传感器获得的根均线（RMS）输入到卷积神经网络中以获得颜色比例图每个阶段的准确性，如图所示5.。

在上图中，一种那B.那C那D.,E.代表轴承寿命的五个阶段：一种代表第一阶段，B.代表第二阶段，C代表第三个阶段，D.代表第四阶段，和E.代表第五阶段。在发现轴承早期缺陷后进行该实验。第一阶段是轴承的早期缺陷，第五阶段是轴承寿命收集的最后阶段。收集了720组数据，并将收集的数据分为测试集和培训集，包括120组测试样本和600组培训样本。在训练过程中，神经网络将为每组测试样本输出这五个阶段的概率值。120组测试样品将输出120×5概率值。以新的概率值占据120个组的每个两组的平均值，新概率值将被制成图的颜色比例图5.。在这种灰度图像中，颜色更深，概率越高。

从图中5.,我们可以看到,振动传感器不如声发射传感器在第一阶段和第二阶段,但它比其他阶段的声发射传感器,这表明,融合两个传感器获得的信息有利于提高轴承剩余寿命预测的准确性。同时，在图中5.，我们可以看到两个相邻阶段的准确率低于阶段中间部分的准确率。

以速根均方值为例，可以从图中看到3.-5.第一阶段中声发射传感器收集的寿命曲线的波动小于振动传感器的寿命曲线。此时，我们可以看到第一阶段中声发射传感器的精度率高。与其他阶段相比，可以发现轴承寿命曲线的波动越小，轴承寿命阶段的准确性越高。总的来说，振动传感器收集的轴承寿命曲线的波动小于声发射传感器的轴承寿命曲线，因此振动传感器优于轴承寿命预测中的声发射传感器。

结论

针对单个传感器不能全面反映轴承寿命信息的问题，提出了一种基于多信息融合和卷积神经网络的轴承剩余寿命预测方法。（1）本文研究了具有深度学习和信息融合技术的地铁牵引电动机轴承剩余寿命的预测。首先，使用振动传感器和声发射传感器收集轴承疲劳试验台上的轴承寿命信号;其次，使用小波分组分解来表示收集的原始信号并提取多个特征值。在此基础上，提取多个特征值。特征值是归一化的，分析了轴承降解趋势。发现振动传感器在尺寸方面比声发射传感器更好，声发射传感器比无量纲方面中的振动传感器更好地执行。最后，处理的多个特征值被融合并输入到卷积神经网络中以进行训练以预测轴承的剩余使用寿命。（2）结果表明以下：①与声发射传感器相比，振动传感器对轴承寿命曲线的波动较小，并且同时使用两种传感器的识别率高于使用单一类型的传感器。②使用特征层融合来实现不同类型传感器的信息融合，并且卷积神经网络的组合可以有效地预测轴承的剩余寿命。

数据可用性

用于支持本研究结果的数据包括在文章中。

利益冲突

作者声明他们没有利益冲突。

参考

1. Y. Lei，J. Lin和M. J.Zuo，“行星齿轮箱的状态监测和故障诊断：审查”测量，卷。48，不。1，pp。292-305,2014。视图:出版商网站|谷歌学术
2. A. GHODS和H. H. LEE，“概率频域离散小波变换，以便更好地检测感应电动机的轴承故障”，“神经古脑， 2016年，第188卷，第206-216页。视图:出版商网站|谷歌学术
3. J. Liu, W. Wang, F. Golnaraghi，“一种用于轴承状态监测的增强诊断方案”，IEEE仪表和测量交易，卷。59，pp。309-321,2010。视图:出版商网站|谷歌学术
4. Y.王，G. Xu，Q. Zhang，D. Liu和K.江，“转动速度隔离及其在大型速度变化条件下滚动元件轴承故障诊断的应用”，作者：王莹，卷。348，pp。381-396,2015。视图:出版商网站|谷歌学术
5. 贾飞，雷勇，林军，周旭东，卢宁，“基于深度神经网络的旋转机械故障特征挖掘与智能诊断”，中国机械工程，2018,27(6):648 - 654。机械系统和信号处理， 2016, vol. 72, pp. 303-315。视图:出版商网站|谷歌学术
6. W. Deng，J.Xu，X.-z.高，H. Zhao，“一种增强的MSIQDE算法，具有新的全球优化问题的多种策略”，“Systems，Man和Cyber​​netics上的IEEE事务：系统，pp.1-10,2020。视图:出版商网站|谷歌学术
7. 蔡旭东，“一种改进的多策略量子协同进化算法及其应用，”具有应用的专家系统，卷。171，物品ID 114629,2021。视图:出版商网站|谷歌学术
8. W.DENG，S. SHANG，X.CAI等，“Quantum差分演进与合作协作框架和大规模优化的混合突变策略”基于知识的系统，卷。224，物品ID 107080,2021。视图:出版商网站|谷歌学术
9. J. Wen，H. Gao和J. Zhang，“轴承基于非线性维纳流程模型的剩余使用寿命预测”冲击和振动，卷。2018年，第4068431号，13页，2018年。视图:出版商网站|谷歌学术
10. 陈旭东，沈振东，何振东等，“基于相关特征和多变量支持向量机的滚动轴承剩余寿命预测”，机械工程学报机械工程师机构的诉讼程序 - C部分：机械工程科学杂志， vol. 227, pp. 2849-2860, 2013年1月。视图:出版商网站|谷歌学术
11. 赵辉，刘辉，邓伟，“基于数据驱动的滚动轴承剩余寿命预测的特征提取，”IEEE仪表和测量交易，卷。70，pp。1-10,2021。视图:出版商网站|谷歌学术
12. 杨和R法院，“对轴承维护的最佳时间的实验研究，”测量，卷。46，没有。8，pp。2781-2791,2013。视图:出版商网站|谷歌学术
13. 问：吴和C.张，“级联融合卷积的长短短时间内存网络，用于剩余的滚动轴承使用寿命预测”IEEE访问，卷。8，pp。32957-32965,2020。视图:出版商网站|谷歌学术
14. F. Wang，Zhu，C. Liu，H. Li和Q. HAN，剩余的基于PCHIP-EEMD-GM（1,1）模型的滚动轴承使用寿命预测方法，“冲击和振动，卷。2018年，第1013684号，10页，2018年。视图:出版商网站|谷歌学术
15. Y. CEKIC，“四频小波包分解的轴承故障检测”科技新闻焦点，卷。23，不。1，pp。91-98,2019。视图:出版商网站|谷歌学术
16. S. FEI，“基于小波包变换相空间重建 - 奇异值分解和SVM分类器的故障诊断”阿拉伯科学与工程杂志，卷。42，pp。1967-1975,2017。视图:出版商网站|谷歌学术
17. L.仁，Y. Sun，J. Cui和L.张“轴承剩余的使用寿命预测，基于深度自动化器和深神经网络，”制造系统学报， 2018年，第48卷，第71-77页。视图:出版商网站|谷歌学术
18. X. Pang，D. Wang，L. Chen和L. Ye，“滚动轴承多源残余压力的灰色关系评估和真理融合”工程数学问题，卷。2020，物品ID 3401385,15页，2020。视图:出版商网站|谷歌学术
19. 徐勇，蔡伟，谢涛，“基于信息融合的地铁牵引电机轴承故障诊断方法”，同济大学学报(自然科学版)，冲击和振动，第5522887号，12页，2021年。视图:出版商网站|谷歌学术

版权

版权所有©2021 Yanwei Xu et al。这是一篇发布在创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。