基于改进一维卷积神经网络的滚动轴承故障诊断分析

程 亮, 董子健, 王树民, 张金营, 陈建奇

(1.邯郸学院 机电学院,河北 邯郸 056005,E-mail:chengliang6779@163.com; 2.华北电力大学控制与计算机工程学院,河北 保定 071003; 3.国家能源投资集团有限责任公司,北京 100011)

滚动轴承作为智能设备、高端制造装备、先进轨道交通、船舶装备等领域的基础和关键部件,其工作状态直接影响到整个旋转机械设备的工作状态[1]。滚动轴承一旦发生故障,轻者造成整个机械设备停摆,重者造成重大经济损失[2],因此对滚动轴承故障诊断方法研究十分必要。近年来,随着机器学习理论不断推进,智能故障诊断已成为滚动轴承故障诊断研究的重要环节。Chen等[3]从原始时域振动信号中提取4个频域特征和12个时域特征输入堆叠稀疏自动编码器(SSAE)实现特征融合,用深度置信网络(DBN) 实现轴承故障诊断;Liu等[4]使用长短期记忆神经网络(LSTM)对原始时域振动信号进行特征提取,用于滚动轴承故障诊断;Chen等[5]将离散小波变换与卷积神经网络用于行星齿轮箱故障诊断;金棋等[6]将多个堆栈降噪自编码器提取齿轮箱振动故障特征来实现齿轮箱故障诊断;Xia等[7]将浅层学习机与深度神经网络结合的方法构建滚动轴承故障智能诊断模型。张西宁等[8]提出了一种基于深度卷积自编码网络的滚动轴承故障诊断模型;Zhao 等[9]将度卷积神经网络和同步压缩变换相结合,可以有效地避免滚动轴承故障的漏诊和误诊;卞景艺等[10]在一维深度卷积神经网络基础上构建多尺度一维深度卷积神经网络进行滚动轴承故障诊断;仝钰等[11]利用格拉姆角差域对采集到的滚动轴承振动信号进行编码,然后进行滚动轴承故障特征的提取与分类。以上方法由于维度变换损失了部分时序信息没有发挥卷积神经网络强大的滚动轴承故障特征提取能力。

因此本文提出基于改进樽海鞘群算法优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型。将一维卷积神经网络与自注意力机制相结合,利用注意力机制合理分配通道,有效提取重要滚动轴承故障特征;在1DCNN中添加BN层,提高网络学习速率和滚动轴承故障诊断效率。为避免人工选择CBAM-1DCNN结构参数导致滚动轴承故障诊断模型识别准确率下降的问题,利用改进樽海鞘群算法对CBAM-1DCNN结构参数进行优化。

1 基本原理

1.1 一维卷积神经网络

卷积神经网络通常包括卷积层、池化层和全连接层,网络结构如图1所示。

▲图1 卷积神经网络结构图

本文所采用的一维卷积神经网络(1DCNN)在对一维时序序列采用一维卷积进行特征提取[12],一维卷积为:

(1)

最大池化为[13]:

(2)

1.2 批量归一化层

为提高滚动轴承故障诊断模型训练速度降低过拟合风险,在一维卷积神经网络卷积层后添加批量归一化层(BN)。批量归一化步骤如下所示:

(1) 计算每个维度均值

(3)

式中:μβ为维度均值。

(2) 计算每个维度方差

(4)

(3) 对每一维数据进行归一化

(5)

(4) 进行平移和放缩处理

在BN层中引入γ和β两个学习参数

(6)

1.3 注意力机制模块

一维卷积神经网络在卷积池化过程中认为每个滚动轴承故障特征通道同等重要,但实际中每个滚动轴承故障特征所承载的信息重要性不同,简单认为每个故障特征通道相同缺乏合理性。因此在BN层后加入注意力机制模块(CBAM),将注意力放在重要区域而忽略不重要信息,以提高故障诊断准确率[14]。CBAM给每个滚动轴承故障特征信息分配不同权重,权重越小则故障特征信息重要性越低。CBAM包含两个独立子模块:通道注意力模块和空间注意力模块,CBAM通道注意力模块结构如图2所示。

▲图2 CBAM结构图

通道注意力模块将输入的滚动轴承故障特征通过平均池化和最大池化得到相应的滚动轴承故障特征;相应的轴承故障特征通过多层感知层得到两个滚动轴承故障特征向量;两个滚动轴承故障特征向量元素逐个相加通过激活操作得到相应的滚动轴承故障通道注意力特征。通道注意力模块工作原理如图3所示。

▲图3 通道注意力模块

空间注意力模块将上述的滚动轴承故障通道注意力特征进行平均池化和最大池化操作得到两个滚动轴承故障特征;将上述两个滚动轴承故障特征通道拼接后,经过卷积操作和激活操作与输入的滚动轴承故障特征相乘,得到所需的特征。空间注意力模块工作原理如图4所示。

▲图4 空间注意力模块

1.4 基于CBAM-1DCNN的滚动轴承故障诊断模型

本文构建基于改进樽海鞘群算法优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型,模型结构如图5所示,模型主要由输入层、卷积层、BN层、CBAM、池化层和全连接层构成。卷积层提取输入层的不同滚动轴承故障特征后,通过修正线性单元增加网络稀疏性避免出现过拟合现象;BN层可有效提高滚动轴承故障诊断模型训练速度降低过拟合风险;CBAM合理分配通道,有效选择提取重要滚动轴承故障特征;池化层优化工作量,降低滚动轴承故障诊断模型参数量;全连接层连接所有滚动轴承故障特征,将诊断结果送入分类器进行分类。

▲图5 CBAM-1DCNN模型结构图

2 基于ISSA优化CBAM-1DCNN结构参数设计

2.1 樽海鞘群算法

樽海鞘群算法 (SSA)根据海洋生物樽海鞘群的链式觅食行为提出的算法。相对其他群体智能算法,樽海鞘群算法具有设置参数少的优点[15]。

设定m维位置矩阵D,樽海鞘群个体分布在位置矩阵D中,表示如下:

(7)

则第一个樽海鞘个体位置更新为:

(8)

式中:ubj和ubj分别为j维搜索空间上限和下限;c2和c3为[0,1]之间随机因子,其中c2决定第一个樽海鞘个体位置更新步长,c3决定第一个樽海鞘个体位置更新方向。

参数c1用来平衡算法局部搜索与全局开发能力,参数c1为:

(9)

追随者位置更新由前一个樽海鞘位置和自身位置决定,更新后位置为:

(10)

2.2 改进的樽海鞘群算法

由公式(10)可知当追随者位置更新完全取决于前一个樽海鞘位置,如果前一个樽海鞘陷入局部最优,就会导致整个樽海鞘群体陷入局部最优。因此,为提高樽海鞘群算法的泛化能力和适用性,本文从加入突变和加入信赖机制两个方面进行优化,提出改进的樽海鞘群算法 (ISSA)[16]。

(1) 加入突变

为防止整个樽海鞘群体陷入局部最优,在每一次位置迭代过程中个体位置更新都可能发生突变,从突变发生概率和突变程度两个层面进行描述。

① 位置突变概率符合卡方分布概率密度函数,表示为:

(11)

式中:L′为当前迭代次数;n为自由度。

② 位置突变程度取决于迭代次数和自身位置,表示为:

(12)

(2) 加入信赖机制

在个体位置更新前期,追随者对前个体位置不够信赖,自己也会去探索食物位置。因此在式(10)中加入能力限制算子ν和食物位置Fj,其权重会随着迭代次数增加而减小,即樽海鞘群体随着时间增加越来越信赖对方,这样可以有效防止樽海鞘群算法陷入局部寻优,具体修改如下[17]:

(13)

式中:p和q为[0,1]之间随机因子;ω为变化速度;ν为能力限制算子;Fj为食物位置。

引入(1-p)和(1-q)可以有效防止随机因子过大或过小导致樽海鞘群算法偏离全局最优。

2.3 基于ISSA优化CBAM-1DCNN故障诊断模型

CBAM-1DCNN故障诊断模型结构复杂,仅依靠随机设定CBAM-1DCNN网络结构参数的方式极易陷入局部最优。因此采用基于改进樽海鞘群算法优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型,即训练批量大小Batch和学习率η∈[0,1),卷积层卷积核个数f1、f2和大小k1、k2。ISSA优化CBAM-1DCNN故障诊断流程如图6所示。

▲图6 ISSA优化CBAM-1DCNN故障诊断流程图

3 实验研究

3.1 实验数据

本文选用美国凯斯西储大学轴承数据开展研究,被诊断轴承有三种缺陷:滚动体故障、内圈故障和外圈故障。本文数据集共4 000个,1种正常数据和3种上述类型故障数据,标签分别按照0～3顺序命名,具体设置如表1所示。

表1 滚动轴承故障类型

由于滚动轴承振动信号存在噪声、奇异样本情况,且幅值不确定在[0,1]之间,因此对数据采用离差归一化方法处理。

(14)

3.2 网络结构及参数设置

本文构建的CBAM-1DCNN网络结构如图5所示,基于ISSA优化CBAM-1DCNN结构参数如表2所示。

表2 CBAM-1DCNN结构参数

3.3 实验结果及分析

ISSA优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型训练过程中迭代次数为500,通过ISSA对CBAM-1DCNN结构参数寻优,图7为诊断模型在训练过程中准确率和损失值变化曲线。由图7可以看出,在训练次数达到300次左右,准确率达到99.12%、损失值降到0.08,利用ISSA优化CBAM-1DCNN滚动轴承故障诊断模型趋于稳定。

▲图7 诊断模型准确率和损失值变化曲线

▲图8 滚动轴承故障分类混淆矩阵

为进一步评估ISSA优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型泛化能力,将测试样本输入到训练好的CBAM-1DCNN滚动轴承故障诊断模型,并将结果以混淆矩阵表示。纵轴数据表示真实滚动轴承故障类型编号,横轴数据表示诊断滚动轴承故障类型编号,如图8所示。由图8可知,轴承正常识别率达到100%,滚动体损伤识别率较高为99%。四种滚动轴承故障平均准确率为98%,说明ISSA优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型具有良好的泛化能力。

为进一步验证CBAM-1DCNN模型对于滚动轴承故障诊断的效果,本文将其与学者赵敬姣等提出的基于残差连接的1DCNN(RC-1DCNN)滚动轴承故障诊断模型进行对比实验研究[18]。2种模型训练过程中的准确率和损失值对比曲线如图9、图10所示。由图9、图10可以看出CBAM-1DCNN模型比RC-1DCNN模型具有更高的准确率、更低的损失值。由于CBAM-1DCNN模型在BN层后加入CBAM模块,诊断模型因此将注意力放在重要区域而忽略不重要信息,有效提高故障滚动轴承故障诊断准确率。而RC-1DCNN模型在提取更多滚动轴承故障特征同时也提取更多干扰,因此RC-1DCNN模型在整个训练过程中准确率和损失函数存在较大的波动,而且庞大的计算量也增加了训练次数。表3为2种故障诊断模型在训练过程趋于稳定时,准确率最大值以及所需的训练次数和损失值。

表3 2种故障诊断模型对比

▲图9 训练正确率变化对比曲线

▲图10 训练损失值变化对比曲线

由表3可知,CBAM-1DCNN模型在训练过程中准确率和损失值均优于RC-1DCNN模型。

4 结论

(1) 针对滚动轴承故障诊断,本文提出基于注意力机制和一维卷积神经网络的故障诊断模型。为加速网络收敛在1DCNN网络中添加BN层,提高网络学习速率和滚动轴承故障诊断效率,有效避免出现过拟合现象的风险;1DCNN网络与自注意力机制相结合,利用自注意力机制合理分配通道,有效选择提取重要滚动轴承故障特征。

(2) 提出利用改进樽海鞘群算法优化CBAM-1DCNN结构参数的滚动轴承故障诊断模型,有效提高滚动轴承故障诊断准确率同时又减少诊断模型训练次数。

(3) 通过系列实验表明:CBAM-1DCNN网络具有更高的准确率、更低的损失值和更稳定的训练过程;经改进樽海鞘群算法优化的CBAM-1DCNN滚动轴承故障诊断模型,在较少的训练次数下达到更高的准确率。

本文选用美国凯斯西储大学轴承数据对滚动轴承故障诊断模型进行分析,论文下一步工作将利用自测数据开展工程实践研究,提高本文所提出的基于ISSA优化CBAM-1DCNN滚动轴承故障诊断模型的实际工程应用价值。