SSA优化融合CNN的电机轴承故障诊断方法研究

2021-09-14姜宇宏

沈阳理工大学学报 2021年3期

孙波，姜宇宏，杨青

(沈阳理工大学自动化与电气工程学院，沈阳 110159)

电机轴承作为工业生产中的关键部件，被广泛应用于风力涡轮机、高速列车、飞机发动机等大型复杂设备中。由于恶劣的工作环境和高强度的运行模式，电机轴承很有可能发生意外故障，导致增加停机时间和经济损失[1]。因此，对电机轴承进行故障诊断，从而降低其发生故障的风险概率，提高其安全性[2]。

深度学习是一种自动特征学习方法，由于其深层架构，使得绝大部分领域中都有其应用，如即时视觉翻译、自动驾驶汽车、语音识别等[3-5]。近五年来，深度学习方法在电机轴承故障诊断方面也取得了诸多研究成果[6-7]。在研究中，卷积神经网络(Convolutional Neural Network，CNN)[8]、深度自动编码器(Deep Auto-encoder，DAE)[9]和深度信念网络(Deep Belief Network，DBN)[10]这三种模型被广泛应用。

文献[11]利用PSO+CNN的故障诊断方法，实现了轴承故障诊断较高的准确率和稳定性。文献[12]利用改进ReLU+残差神经元的RLCNN网络模型，实现了对轴承的故障诊断，并达到了较高的故障诊断准确率。文献[13]利用一维多尺度卷积神经网络故障诊断模型，解决了轴承故障特征的自动提取问题，从而判断出故障发生位置和其损失的严重性。文献[14]提出了一种基于一维时间序列编码到二维图像的CNN框架，有效地进行了轴承故障特征的采集与识别，并达到了较高的故障诊断准确率。文献[15]分析了在工程领域内具有应用前景的、包含麻雀搜索算法(Sparrow Search Algorithm，SSA)等多种群智能优化算法的优缺点，得出SSA在收敛性、寻优能力和稳定性等方面具有很大优势。

利用CNN进行特征提取时，突出之处在于其能够自主地提取复杂的非线性关系，因此，CNN在视频分析、环境感知等方面取得了良好的效果。但CNN在进行分类时，网络结构与层数的选择、内部各参数的设置等因素都会对最终的结果造成很大影响，所以利用SSA算法的性能特点[16]对CNN的网络模型进行优化具有一定的可行性。

综上，本文以电机轴承的振动信号作为分析对象，利用一维卷积和二维卷积对数据进行预处理操作，同时训练融合的CNN模型；利用SSA对各网络权重及参数进行优化处理，包括初始学习率、迭代次数、batch_size等主要参数，从而进一步提高融合CNN的故障分类精度。

1 卷积神经网络的基本原理

1.1 一维卷积神经网络

一维卷积神经网络经常被用在时间序列模型中，如图1所示。

图1 经典一维卷积神经网络工作原理图

经典一维卷积工作原理是从输入特征中提取相对应的时间序列片段，再进行点积运算，最后输出特征。因此，使用不同大小的卷积核进行操作，即可对不同维度上的特征信息进行融合，从而达到对数据升维和降维的需求[17]。所以，在进行轴承数据处理时，一维卷积神经网络可以提取时序特征，这也正是浅层机器学习模型所不具备的优势。

1.2 二维卷积神经网络

经典的二维卷积结构至少包含一层卷积层，并由多个卷积核对图像进行局部处理，从而完成特征提取，再进行最后的合成处理。卷积、池化和全连接层是CNN的主要模块，如图2所示。

图2 经典二维卷积结构图

经典二维卷积神经网络的工作原理如下。

首先，由多个神经元组成的首层卷积层执行运算，同时运用反向传播算法获取卷积核参数；其次，第一层池化层执行池化运算，将卷积后得到的特征图谱进行池化操作，缩小其尺寸；然后，进行第二层的卷积池化层运算，以便取得更明显的参数特征，同时也可获得更高级别的抽象特征；最后，全连接层执行运算操作，得到模型训练的最后结果。即卷积层执行特征提取，池化层执行特征降维，从而防止过拟合。

1.3 融合卷积神经网络

本文使用的方法是将一维卷积神经网络与二维神经网络进行融合，同时对电机轴承数据集进行训练，即分别执行多个卷积层、池化层运算；然后在汇聚层将两组神经网络池化层的输出连接成一个向量，输入到全连接层；最后由全连接层输出提取到轴承故障信号[18]。诊断流程如图3所示。

图3 融合CNN诊断流程图

2 SSA优化融合CNN故障诊断模型

2.1 SSA基本原理

麻雀群觅食过程中，根据适应度值的评估，找到食物较好的个体作为发现者，而剩余其他个体作为跟随者。发现者负责寻找食物的同时，也会向整个种群中其他个体提供食物的大概位置；同时，整个种群中会有一小部分个体执行监视操作，也有一小部分个体会与其他同伴抢夺资源，以达到提高自身捕食准确率的目的。种群中选取一定比例的个体进行侦查预警，如发现危险则放弃食物。即是一种发现者-跟随者模型，同时叠加了侦查预警机制[19]。

2.2 SSA优化融合CNN流程

SSA优化融合CNN流程步骤如下。

步骤一：初始化麻雀种群数，设置最大迭代次数、最大最小寻优边界范围等相关参数、初始化种群中发现者和跟随者的比列。

步骤二：计算适应度值，同时排序，找出当前最好和最差的个体。

步骤三：对发现者的位置XF，W利用公式(1)进行更新。如果预警值较小，说明没有捕食者出现，周围环境安全，发现者可以执行广泛的搜索；如果预警值较大，说明有捕食者出现威胁到了种群的安全，种群中的某些个体会发出警报，此时所有个体需要飞去其他安全的地方进行觅食。

(1)

式中：Xm，n表示种群中第m个个体的第n维位置；t为当前迭代数；n=1，2，3，…，d；α∈(0，1]为随机数；K为常数；Q为随机数且服从标准正态分布；L为1×d的矩阵；R2∈[0，1]为预警值；SK∈[0.5，1]为安全值。

步骤四：对跟随者的位置XGW利用式(2)进行更新。此时，一些能量值较低、适应度值较差的跟随者，有可能飞到其他地方进行觅食；还有一些会围绕在最优的发现者周围进行觅食，其间也有可能发生食物的争夺，使自己变成发现者。

(2)

式中：XW为当前麻雀种群中最差位置；XP为当前发现者中最佳位置；A为1×d的矩阵且满足A+=AT(AAT)-1；i为麻雀数量。

步骤五：选取麻雀种群中的某些个体作为警戒者，随机产生其位置，模拟危险并进行位置移动，利用式(3)进行警戒者位置XJW更新。

(3)

式中：Xb为当前麻雀种群中最佳位置；β为随机数且服从标准正态分布；ε是常数；fi为当前麻雀的适应度；fg为当前全局最优适应度；fw为当前全局最差适应度。

步骤六：如果搜索到最优解，则退出SSA算法，输出最终结果；反之，则循环运行二～五4个步骤，流程如图4所示。

图4 算法流程图

3 实验验证

为验证所提出的方法在电机轴承故障诊断时的可行性，本文采用西储大学的电机轴承数据集，通过Python软件对数据进行实验及测试。轴承故障数据描述及样本分布如表1所示。

表1 轴承样本分布

实验样本选用48kHz的轴承故障数据，分别选取7mil、14mil和21mil故障体量级别下，三种包含轴承内圈、外圈及滚动体的故障位置，外加一组正常数据共10组，按7∶2∶1的比例划分训练集、验证集及测试集(其中训练集和测试集无任何交集)。分别对训练集、验证集和测试集进行处理。SSA优化融合CNN的故障诊断结果如图5所示。