基于CWT 和改进YOLOv5s 的港口机械轴承故障诊断策略分析

李铁

（上海振华重工(集团)股份有限公司，上海 200125）

随着工业技术的不断发展，智能诊断技术在机械设备的故障诊断中起着决定性的作用。起重机是工业平台和港口上用于垂直提升或水平移动重型货物的最重要的机械设备。CWT 的功能是使用一维信号作为输入信号，时频分析的结果本质上反映了信号在不同时间和频率下的二维能量强度谱。输出以时间频率图的形式显示。目前，微波连续变换被广泛应用于机械故障诊断与检测、气象和医学等领域。本文对YOLOv5S 进行了改进和优化，提出了一种基于连续微波转换和GAN 改进的电机轴承故障诊断方法。该方法使用一维振动信号作为原始信息，处理和生成时频图，并将其作为轴承故障检测和诊断的网络入口。

1 港口机械轴承故障

机械缺陷具有以下特征：（1）潜伏性。由于港口机械设备在运行过程中可能发生的各种损坏，这些损坏可能会导致某些部件的参数结构发生变化。如果这些变化超过了部件结构的允许值，机器可能会发生故障。因此，工人在日常工作中必须不断维护和清洁这些小部件，以消除这种潜在的危险。通过控制可能出现的故障，延长了机器的使用寿命。（2）港口的机械设备故障正在逐渐发生。由于设备磨损与老化和时间之间的密切关系，机械故障也与时间密切相关。机械损伤是逐渐发生的，构件的结构参数变化也很慢。机器使用的时间越长，港口机械和设备老化和故障的可能性就越大。因此，有必要注意并防止错误的逐渐发生。（3）耗材。机械老化和疲劳随着能量和质量的变化而不断变化。随着使用寿命的延长，虽然消除局部故障可以恢复港口机械设备的运行，但港口机械设备使用频率增加。（4）多样性。由于老化、磨损、腐蚀和其他因素对港口机械和设施运行的影响，同时部件故障可能有多种原因和模式，如轴承弯曲和疲劳断裂等。这些错误不仅在机制和表现上表现出显著差异，而且影响也不同，表现出多样性。（5）不确定性。港口机械设备在使用过程中，由于环境等条件的影响，其损坏程度和参数变化具有一定的偶然性。此外，由于设备制造材料的影响，同一港口机器和设备在不同条件下使用时，可能会有不同的参数和误差标准，这可能导致设备误差具有一定的不确定性。

2 CWT 与改进YOLOv5s

2.1 YOLOv5s 模型

近年来，最先进的对象识别算法，如Faster、R-CWT、R-FCN、SSD 和YOLO，在使用卷积神经网络的对象识别问题上取得了丰硕的成果。然而，将这些技术简单地应用于路标识别并不会产生令人满意的结果。汽车领域移动设备的目标识别需要高精度、快速的不同尺寸的目标识别，这意味着它们必须满足准确性和实时性的要求。然而，智能和自动驾驶汽车等内存和计算资源有限的移动设备无法用于在更大的网络中进行部署和论证。作为一种单级检测器，YOLOv5 具有计算复杂度低、检测速度快的优点。本文提出了一种改进的YOLOv5s 网络，它不仅确保了模型尺寸满足车辆横向部署的要求，而且扩展了多尺度目标满足实时要求的能力。本文的主要贡献是提出了一种新的特征金字塔网络。自适应融合和接收场混合特征在特征传输过程中存储了大量的信道信息。对每个特征图上的不同接收场进行自适应训练，以改善特征金字塔的外观，有效提高多维目标识别的准确性。

2.2 CWT

连续小波变换（CWT）最初表明它是一种不包括离散小波变换或缩放函数的连续小波变换。微波转换是一个线性过程，它将信号分解成不同大小的分量。这种转换是基于信号折叠和增益滤波器。地球物理数字信号分析和处理，包括一些将数字信息简化为小波或小波的功能和地球物理方法。它由一个函数ψ（t）组成。该函数是通过不同的时间尺度和时间偏移获得的。因此，ψ（T）它是小波的原型，称为母波或基波。

2.3 架构

作为当前YOLO 系列的最新版本，YOLOv5 由于其出色的灵活性，可以在汽车硬件上快速轻松地使用。Yolov5 由Yolov5S、Yolov5M、Yolov5L 和Yolov5X 组成。Yolov5s 是Yolo 系列的最小版本。由于其14.10 米的存储空间，它更适合在车辆的移动硬件平台上使用。然而，它的检测精度不能满足准确有效检测的要求，尤其是对于较小的目标。YOLOv5 的基本框架可以分为四个部分：输入、主干、颈部和预测。输入组件通过连接和改进低硬件要求和低计算成本的数据来丰富数据集。然而，这可能会导致原始小数据集中的目标更小，从而降低模型的整体性能。核心组件主要由使用CSPParknet53 进行特征提取的CSP 模块组成。使用Neck 中的FPN 和路径聚合网络（PANET）合并图像函数。此外，从原始网络中删除了Mosaic 改进，并基于数据改进策略引入了更好的数据改进方法，以丰富数据集并提高学习效率。

2.4 结构改进

输入图像通过多次折叠{C1、C2、C3、C4、C5}来创建特征图。C5 通过AAM 生成M6 图纸。将M6 和M5 合并，并通过自上而下的传播将它们与其他较低级别的函数集成，然后在每次合并后通过扩展传感器场来进行有限元分析。面板缩短了底部和顶部之间的信息路径。×1-滚动层、RELU 活动层、3×3-滚动层和S 形活动层为每个特征生成相应的空间权重。使用Hadamard 乘法运算，将生成的权重卡从合并的信道特征卡中分离出来，并将M5 标识卡添加到输入中，从而将上下文特征集成到M6中。最终的特征图包含广泛的、多尺度的上下文信息，这些信息在一定程度上减少了由于通道减少而造成的信息损失。

3 基于CWT 和改进YOLOv5s 的港口机械轴承故障诊断策略

3.1 分图操作

本文中要检查的导板尺寸为12 ～17 英寸。对导板误差的检测要求相对较高，并且导板的尺寸过大。因此，本文使用16kW 光栅相机来获得高质量的图像。为了适应不同的孔径尺寸，在孔径上捕获的图像分辨率统一为25000×163.84 或4.1 亿像素，而小缺陷仅为约7 像素。误差大小和图像背景之间的差异很大，无法直接识别。因此，考虑到算法的可行性，有必要使用分步扫描的方法进行检测。本文首先将面板上的整个图像分解为图像，并将其剪切为640×640，然后使用滑动窗口算法检测小图像，简单地切割光缆的真实区域，18064×13548 个感兴趣的区域像素。值得注意的是，由于LED 的稳定供应，不需要复杂的操作来提取感兴趣的区域。根据相应的尺寸来表示表面坐标就足够了。为了避免边界缺陷，将10像素的重叠区域设置为重叠区域，创建630 个步骤。从左上角开始，裁剪后的图像在左上角标记为X，Y。很容易想象Y 的顺序是06301260，但下一步不是17640，因为17640+640>18064。因此，有必要在最后阶段调整Y＝18064-640 的裁剪图像的重叠。在此基础上，可以将所有感兴趣的区域剪切成小图像，用马赛克数据对剪切的小图像进行改进，并将其输入主特征检索网络。

3.2 检测模型

YOLOv5 检测模型是YOLO 目标识别系列中最准确、最可靠的目标识别算法，可为不同类型的目标提供良好的结果。根据网络的深度和宽度，Yolov5 对象识别模型可以进一步分为四个版本：Yolov5S、Yolov5M、Yolov5L 和Yolov5X。由于这种研究方法主要用于工业生产和制造中的轴承端面缺陷检测，因此，有必要同时考虑精度和计算速度。BN 是包的正则化，Add 是加性特征的融合，Concat 是图像特征的顺序融合，Hard Swish和Leaky Relu 是激活函数。将改进后的图像输入到聚焦模块中，并将输入图像切割为n×n 网格和32 折叠核心以提取特征。特征图用于检测小误差、中误差和大误差。对于每个图像部分分别预测三个预测场。每个预测字段由左上角和右下角的坐标以及包含缺陷的信任级别组成。信任包括将目标整合到预测场中的概率和在预测场中定位的准确性。如果预测框架是背景（即不包含目标），则将其记录如下：

如果预测字段包含目标，则按如下方式进行记录：

该方法可用于确定当前图像裁剪中是否存在错误。预测框架的准确性由预测框架和实际框架之间的IOU（集合交互）来定义。IOU 越多，预测框架与实际框架之间的重叠程度就越高，表明预测框架更准确。为了消除重复和无效的预测框架，本研究不使用最大抑制技术来消除冗余的预测框架并以最大的可靠性将信息存储在预测框架内，以完成错误检测过程。

3.3 主干特征提取

YOLOv5 的主要组件使用焦点采样、改进的CSP 结构和SPPF 的金字塔结构来从图像中提取性能信息。Yolov5 中使用的基本特征提取网络是由折叠残基组成的CSPMarket。残差网络可以通过增加深度来提高精度。残差块使用跳跃连接，通过增加深度神经网络中的深度来缓解梯度的消失。YOLOv5s 中使用的模块化C3 结构是两个分支的原始残余桩的碎片。一个分支使用多个堆栈瓶颈和标准折叠层，而另一个分支仅通过基本折叠模块。最后，两根树枝倒下了。在TPH YOLOv5 中，一些YOLOv5 折叠块和CSP 基本块被转换器编码块所取代。变压器的主要部件，包括多层自检（MSA）、多层传感器（MLP）和层归一化（LN），与CSPMarket53 中的Bottom Leneck Block 进行了比较。由于这种集成结构，Transformer TPH-YOLOv5 为小物体检测任务提供了更好的性能，但这不可避免地增加了图像输出时间并提高了模型精度。

3.4 故障诊断改进

随着隐藏层和神经元数量的增加，CWT 模型在学习过程中趋于适应。为了解决这个问题，本文对传统的CWT 模型进行了改进，在其隐藏层添加了大量的归一化，形成了一个局部特征学习模块。与传统的CWT 相比，改进后的模型可以使用巨大的归一化层来对从辊层提取的特征进行归一化，从而提高了模型的稳定性。SKF6205 ※滚珠轴承的表面已被直径为0.178mm 的电火花处理损坏。转轴由电机控制，轴承座上安装压电加速度传感器，使电机以35Hz 的速度旋转。本实验模拟了滚动轴承的四种健康状况，即轴承滚子缺陷、轴承外圈缺陷、轴承内圈缺陷和正常工作条件下的健康状况。提取CWT 模型的最后一个完全连接层，并以较小的尺寸对其进行可视化，以获得分类方差。原始的CWT 模型正确地对所有外环错误进行了分类，而其他三种类型的错误都被不同程度地误诊，导致故障诊断结果不令人满意；在改进的CWT 模型中，只有少数内环误差得到了正常评估，而其余样本得到了正确诊断。

4 结语

总而言之，该方法利用CWT 改进的半监督学习能力，在实验中选择批量=100，标记系数=0.1，批量=50，标记率=0.5，准确率可达96.5%，合理有效地提高了GAN在故障诊断中的应用。样本和学习参数的选择表明，该模型具有良好的稳定性和泛化能力。样本包含不同的损伤直径和载荷，即使使用不同的参数，该模型仍然可以得到良好的诊断。此外，与其他方法相比，批量处理能力可以容忍更大的内容范围，在尺寸=50 时，准确率高达98%。随着批量处理量的增加，精度下降，但仍能达到96.55%以上。