基于CWT和改进YOLOv5s的港口机械轴承故障诊断方法

何金宝 江西省港口集团有限公司

付志超 江西省路港检测中心有限公司

黄团冲 九江港口项目建设指挥部

刘知远 江西省港口集团有限公司

港口机械作为关键装卸设备，在各种复杂工况条件下，容易出现轴承滚动体变形、磨损和腐蚀等故障，导致港口机械整体性能下降[1]。因此，亟需开展轴承故障诊断的相关研究，充分保障港口机械的可靠运行。

传统的轴承故障诊断方法[2]是通过从振动信号中提取有效特征并输入分类器进行模式识别，利用多维度互近似熵方法提取特征，输入到支持向量机中进行轴承故障诊断[3]。通过变分模态分解和奇异值分解方法来提取故障信号特征，并使用小波核极限学习机进行故障分类[4]。然而传统模型在特征选择上很大程度依赖先验知识，提取的特征代表性不足，降低了模型的识别精度[5]。近年来，深度学习因其能够自动提取有效特征，已经在目标检测与模式识别等问题上取得广泛的运用[6]。文献[7]提出了基于迁移学习与自适应加权算法的轴承故障诊断方法，通过轴承故障诊断实例验证了方法的有效性。文献[8]提出了一种基于迁移学习和深度残差网络的快速诊断算法，可用于实际工业中的轴承故障快速诊断。

相较于一维信号，通过连续小波变换得到的时频图像能够同时展现了故障信号的幅值特性和频率成分[9]，并且在主流的目标检测算法中，YOLO网络在不同对象的检测任务中均表现出色[10]。因此，本文提出了一种基于CWT和改进YOLOv5s的港口机械轴承故障诊断模型：利用CWT具有精确重构和非冗余分解的特点，充分显示轴承故障信号的时频特性，生成时频图像数据集；再以YOLOv5s为基础网络框架，集成CBAM注意力机制模块，增强重要特征的表征能力，从而进一步提升模型检测的准确率。实验表明，在对不同类型的港口机械轴承故障诊断任务中，本文所提出的方法能有效识别并达到很好的效果。

1.连续小波变换原理及其特点

对一维信号进行连续小波变换（CWT）处理，投影到二维的时间—尺度平面，将港口机械轴承故障的信号识别转化为成时频图像识别。CWT的原理[11]如下：

通过对小波母函数ψ(t) 进行平移和拉伸，将信号分解为不同的频率分量，可得到小波基函数ψτ,a(t)

式中，τ为平移因子，a为尺度因子。其中，小波母函数ψ(t) 需满足式（2）-（4）所描述的零均值、有限能量与容许条件

式中，是ψ(t)的傅立叶变换。

对于任意平方可积函数x(t) ∈L2(R)，L2(R)表示能量有限空间，其连续小波变换定义为：

由于小波变换是将时域信号变换为尺度域，为了得到时频图，还需要通过式（6）获得信号尺度对应的频率分布。

本文的实验对象为轴承信号，轴承故障的冲击特征与Morlet小波波形相似[12]，因此，选择Morlet小波的复数形式作为连续小波变换的小波基函数，cmor小波的表达式如式（7）：

式中，Fb是带宽因子，Fc是中心频率因子。

2.YOLOv5s网络模型改进

2.1 YOLOv5s模型

YOLOv5s 的结构[13]主要由Input、Backbone、Neck和Output四个部分组成：Input输入端实现Mosaic数据增强、自适应图像缩放和自适应锚框计算的功能。Backbone主干网络包括Focus、CSP、CBL和SPP结构：Focus结构进行切片操作；CBL基础模块用于特征提取；CSP基础模块在特征提取过程中优化网络中的梯度信息；SPP空间金字塔模块拓展了特征图的感受野。Neck颈部网络是FPN+PAN结构的多尺度特征融合网络，FPN层自上向下对图像进行上采样，PAN层自下向上对图像进行下采样，将提取到的定位特征和FPN层提取到的特征进行融合。Output输出端通过CONV卷积模块输出三种不同的检测尺度。

2.2 YOLOv5s网络模型改进

为了在通道和空间维度上突出关键特征并抑制无用特征，Sanghyun等人[14]集成通道注意力模块(CAM)和空间注意力模块(SAM)，于2018年首次提出了卷积注意力机制（Convolutional Block Attention Module，CMBA），CBAM注意力机制的处理过程如下所示：

其中:F是输入特征图，MC是通道维度上的注意力映射计算。MS是空间维度上的注意力映射计算。

CAM机制通过最大池化和平均池化并行操作，得到两种池化在每个通道的空间信息的两个特征表示和，再使用多层感知器（MLP）进行卷积处理，最后通过Sigmoid激活函数得到一维通道注意力MC。计算过程如下:

式中:σ表示Sigmoid激活函数;MLP表示多层感知机模型W0∈RC/r×C；W1∈RC/r×C为MLP两个隐藏层的参数。

SAM机制对通道注意力模块的输出特征F'进行空间最大池化和均值池化，将两个空间通道描述符和拼接后得到通道为2的空间特征图，通过一个7×7的卷积层可以得到二维空间注意力MS。计算过程如下。

式中:σ为Sigmoid函数；f7×7表示卷积核为7×7卷积运算。

本文将CBAM模块集成在Backbone网络之后，Neck网络进行特征融合之前，主要是因为YOLOv5s模型是在Backbone网络中完成的特征提取，因此CBAM模块在此处进行注意力重构,可以强调重要特征和抑制无效特征来提高识别准确性。

3.轴承实验结果与分析

3.1 实验数据

实验使用的港口机械轴承状态监测数据来自帕德博恩大学实验室，通过64KHz的采样率获得振动信号，采集的数据样本分为三类：正常轴承、人为损坏轴承和实际损伤轴承。数据集具体内容和设置如表1所示。

表1 滚动轴承数据集描述

表1中，T1、T2、T3和T4是数据集按照负载转矩、径向力和转速分为的四种工况，具体见表2。

表2 数据集的工况划分

本文首先对原始信号进行数据截断处理，将一维原始信号依次裁剪为每个样本2048个点的规则构造数据样本集。图1显示了每个类别被裁剪后的信号图。由图可以看出，仅从波形图很难判断轴承故障的类别，需要对故障信号进行进一步的时频分析。

图1 滚动轴承截断信号图

图2是不同故障类型的连续小波变换的时频图。可以看出，不同轴承故障类型的时频分布是不同的：人为损坏轴承信号分布在低频段，而其他类型的故障主要分布在中频段，且在各频段范围内，每个频段的能量分布特性差异很大。不同故障信号的连续小波变换时频图充分代表了振动信号中包含的特征信息，可以很好地区分不同的轴承状态，从而能够通过改进YOLOv5s模型进行特征提取和分类。

图2 连续小波变换时频图

3.2 实验结果及分析

本文实验过程中，优化器为SGD，初始学习率为0.01，Batch为128，动量参数为0.9，衰减系数为0.0005，最大迭代次数为300次。图3显示了本文提出的模型在每次迭代时的训练精度和损失值。可以看出，随着迭代次数的增加，模型的诊断准确率不断提高，误差不断减小并趋近于0。

图3 迭代训练精确率和损失值

将采集的轴承数据集输入到本文模型中，输出的混淆矩阵结果如图4所示。从图中可以看出，本文提出的方法在轴承缺陷的分类识别中具有良好的分类效果，准确率达到100。

图4 模型混淆矩阵

3.3 模型对比分析

为了进一步验证本文提出的港口机械轴承故障诊断方法要优于现有的主流算法，使用相同数据集对文献[15]中提出的DWT-CNN网络和文献[16]中提出的WPD-CNN网络进行比较。每种方法进行了10次随机试验，结果如表3所示。

表3 不同模型平均准确率

图5显示了三个模型迭代的平均精度的比较结果。

图5 模型准确率对比

可以看出，本文方法的平均准确率达到99.75%，高于其他两种网络，同时其中本文方法在迭代次数为140次之后趋于稳定，余下两种方法分别在迭代次数为225次和270次之后才趋于稳定，结合平均准确率对比，这说明本文提出的方法可以有效地作为港口机械轴承故障诊断模型。

4.结论

本文提出了一种基于CWT和改进YOLOv5s模型的港口机械轴承故障诊断方法，将一维信号通过CWT转化为二维时频图像，输入改进YOLOv5s模型进行分类。结果表明，相较于其他方法，本文方法具有良好的诊断准确率、收敛性、泛化性和鲁棒性。今后的工作重点是不断优化模型参数，收集更多的轴承数据对本文模型进行验证。