基于小波改进的MobileNet网络的轴承故障边缘诊断方法及系统

基于小波改进的mobilenet网络的轴承故障边缘诊断方法及系统
技术领域
1.本发明涉及一种基于小波改进的mobilenet网络的轴承故障边缘诊断方法及系统，属于机械设备的故障诊断领域。


背景技术：

2.在机械设备的故障诊断领域，卷积神经网络(cvolutional neural network，cnn)在设备的故障诊断和状态监测方面取得了广泛的应用，诊断的精度也越来越高，在轴承的故障领域也取得了质的飞跃。然而，为了过分追求诊断的准确率，卷积神经网络的深度越来越深，其模型也越来越复杂，如残差网络(resnet)其层数已经多达152层，参数量要以亿为单位进行计算，如果对它存储则需要五百多兆的磁盘空间，更不必说运算量已经到了三百多亿。如此大型的诊断模型一般都是部署到高性能、算力充足的cpu/gpu上进行运行，但也需要耗费一定的时间。移动设备、嵌入式系统由于硬件资源和算力的限制，很难直接部署复杂的cnn模型。另外，目前对设备状态实时评估的低延迟、快速响应的要求，使得大型模型的诊断与训练时间很难满足实时性要求；因此如何在保证模型准确率的同时，减少模型体积，提高模型运行速度，并能够在嵌入式平台上进行部署，已经成为了神经网络在工程中应用推广的必然要求。


技术实现要素：

3.本发明提供了一种基于小波改进的mobilenet网络的轴承故障边缘诊断方法及系统，以用于根据采集的轴承振动实时波形数据训练基于小波改进的mobilenet网络并进一步实现边缘故障诊断。
4.本发明的技术方案是：一种基于小波改进的mobilenet网络的轴承故障边缘诊断方法，包括：
5.对采集的轴承振动数据进行发布；
6.将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型；
7.将实时采集的振动数据输入诊断模型进行故障诊断。
8.所述对采集轴承的振动数据进行发布具体为：通过上位机设置数据采集的通道配置和采样配置参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；对采集到的振动数据提取信号的趋势指标，并将趋势指标同振动数据的实时波形数据一起打包，将打包好的数据通过共享变量以网络发布的形式传输至上位机，通过上位机进行实时显示；同时采用udp通信协议将打包好的数据上传到数据库进行存储；同时采用tcp通信协议将打包好的数据上传到树莓派嵌入式诊断系统。
9.所述实时控制器采用compactrio嵌入式平台，传感器采用iepe加速度传感器；iepe加速度传感器和采集卡通过传感器连接线连接，将iepe加速度传感器安装在所测轴承
的上方，采集卡一侧插入到compactrio嵌入式平台插槽中；将上位机和compactrio嵌入式平台通过网线相连接。
10.所述将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型具体为：通过上位机下载数据库存储的历史波形数据，对历史波形数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入改进mobilenetv3
‑
small网络进行训练得到诊断模型。
11.所述预处理操作具体为：归一化、打标签。
12.所述归一化为离差标准化；所述打标签具体为：采用唯一标识代表不同的轴承状态。
13.训练中，输入数据长度为2048，通过反向传播和adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98；训练过程采用mini
‑
batch学习，大小设置为32。
14.所述改进mobilenetv3
‑
small网络共有一个小波卷积层、5个bottleneck层、两个全连接层；使用daubechies小波函数结构构造第一层卷积层中的卷积核。
15.所述改进mobilenetv3
‑
small网络，具体参数如下：
16.第一层：小波卷积层：filter＝27，kernel_size＝55，strides＝1，padding＝"same"，activation＝h
‑
swish，input_shape＝2048
×
1，output_shape＝2048
×
27；
17.第二层：bottleneck层：filter＝16，kernel_size＝3，strides＝16，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝2048
×
27，output_shape＝64
×
16；
18.第三层：bottleneck层：filter＝32，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝64
×
16output_shape＝32
×
32；
19.第四层：bottleneck层：filter＝64，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝32
×
32，output_shape＝16
×
64；
20.第五层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝maxpooling，pool_size＝2，input_shape＝16
×
64，output_shape＝8
×
64；
21.第六层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝maxpooling，pool_size＝2，input_shape＝8
×
64，output_shape＝4
×
64；
22.第七层：全连接层：units＝100；activation＝'relu'；
23.第八层：全连接层：units＝4，activation＝'softmax'。
24.一种基于小波改进的mobilenet网络的轴承故障边缘诊断系统，包括：
25.采集发布模块，用于对采集轴承的振动数据进行发布；
26.模型训练模块，用于将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型；
27.故障诊断模块，用于将实时采集的振动数据输入诊断模型进行故障诊断。
28.本发明的有益效果是：
29.本发明的目的在于针对目前神经网络因为实时性较差难以在工程实际中应用的瓶颈问题，利用基于小波改进moblienetv3
‑
small网络对在tensorflow环境下训练好的大型卷积模型进行简化，然后将简化后的深度学习模型放到算力较差，价格相对于计算机便宜几十倍的树莓派中进行实时诊断，与现有技术相比，这种方法在保证诊断准确率的前提下，使模型的体积和运算量大大减少，大幅度的提升模型的运行速度，满足了实时响应的要求，有效地控制了运行成本。为后续的轻量级嵌入式系统的边缘故障诊断提供了一种新的思路。
附图说明
30.图1为本发明的流程示意图；
31.图2为传统mobilenetv3
‑
small模型与的基于小波改进的mobilenetv3
‑
small模型结构对比图；
32.图3为基于小波改进的mobilenetv3
‑
small模型训练过程示意图。
具体实施方式
33.下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
34.实施例1：如图1
‑
3所示，一种基于小波改进的mobilenet网络的轴承故障边缘诊断方法，包括：
35.对采集的轴承振动数据进行发布；
36.将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型；
37.将实时采集的振动数据输入诊断模型进行故障诊断。
38.可选地，还包括：在训练好模型后，为了保证模型的准确性，需要定期的利用近期采集到的数据对模型进行更新，以保证诊断的准确性。
39.可选地，所述对采集轴承的振动数据进行发布具体为：通过上位机设置数据采集的通道配置(信号类型、采样频率、采样点数)和采样配置(连续采样或间隔采样)参数，在实时控制器上使用采集卡采集传感器获得的轴承的振动数据；对采集到的振动数据先降噪滤波处理，提取信号的趋势指标(可以为有效值、峭度、频谱、包络谱)，并将趋势指标同振动数据的实时波形数据一起打包，将打包好的数据通过共享变量以网络发布的形式传输至上位机，通过上位机进行实时显示(通过实时显示的趋势图得出的信息可以验证从模型诊断出来的结果时候正确，可以一定程度的防止诊断误判)；同时采用udp通信协议将打包好的数据上传到mysql数据库进行存储，并用于通过上位机下载mysql数据库存储的数据；同时采用tcp通信协议将打包好的数据上传到树莓派嵌入式诊断系统。
40.可选地，所述实时控制器采用compactrio嵌入式平台，传感器采用iepe加速度传感器；iepe加速度传感器和采集卡通过传感器连接线连接，将iepe加速度传感器安装在所测轴承的上方，采集卡一侧插入到compactrio嵌入式平台插槽中；将上位机和compactrio嵌入式平台通过网线相连接。通过采用特定型号的嵌入式平台可以更
41.可选地，所述将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型具体为：通过上位机下载mysql数据库存储的历史波形数据，对历史波形数据进行预处理后划分训练集和验证集，将经过预处理后的训练集和测试集导入改进mobilenetv3
‑
small网络进行训练得到诊断模型。
42.可选地，所述预处理操作具体为：归一化、打标签。
43.可选地，所述归一化为离差标准化；所述打标签具体为：采用唯一标识代表不同的轴承状态；唯一标识能选用数字编号、字母编号。按0.7:0.3的比例划分训练集和验证集。
44.可选地，模型训练中，输入数据长度为2048，通过反向传播和adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98；训练过程采用mini
‑
batch学习，大小设置为32。
45.可选地，所述改进mobilenetv3
‑
small网络共有一个小波卷积层、5个bottleneck层、两个全连接层；使用daubechies小波函数结构构造第一层卷积层中的卷积核。
46.可选地，所述改进mobilenetv3
‑
small网络，具体参数如下：
47.第一层：小波卷积层：filter＝27，kernel_size＝55，strides＝1，padding＝"same"，activation＝h
‑
swish，input_shape＝2048
×
1，output_shape＝2048
×
27；
48.第二层：bottleneck层：filter＝16，kernel_size＝3，strides＝16，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝2048
×
27，output_shape＝64
×
16；
49.第三层：bottleneck层：filter＝32，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝64
×
16output_shape＝32
×
32；
50.第四层：bottleneck层：filter＝64，kernel_size＝3，strides＝1，padding＝"same"，activation＝relu，pool＝maxpooling，pool_size＝2，input_shape＝32
×
32，output_shape＝16
×
64；
51.第五层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝maxpooling，pool_size＝2，input_shape＝16
×
64，output_shape＝8
×
64；
52.第六层：bottleneck层：filter＝64，kernel_size＝5，strides＝1，padding＝"same"，activation＝h
‑
swish，pool＝maxpooling，pool_size＝2，input_shape＝8
×
64，output_shape＝4
×
64；
53.第七层：全连接层：units＝100；activation＝'relu'；
54.第八层：全连接层：units＝4，activation＝'softmax'。
55.上述模型可以在pycharm下的tensorflow环境进行训练。由于旋转机械振动信号，有时域振动噪声干扰严重，频域信息非常丰富的特点，且人们更关心的是振动信号在频域的频率成分而非时域的表现，而本发明采用小波卷积层代替标准卷积层，使得网络模型能更加适应旋转机械振动信号的处理，进一步地，通过对小波卷积层、bottleneck层参数进行特定设置，使得本发明可以避免将一维信号转成二维信号送到用于图像处理的mobilenetv3
‑
small网络进行诊断而造成模型的泛化能力弱、过分依赖转换结果好坏的不利条件；再进一步地，通过对bottleneck层进行删减，在保证训练精度的基础上，大大降低
了模型的参数量、提高了诊断效率、避免了过拟合现象的发生。
56.可选地，所述将实时采集的振动数据输入诊断模型进行故障诊断具体为：树莓派嵌入式诊断系统对数据包进行解析，加载模型，将解析出来的实时波形数据加载到诊断模型中进行诊断，得到模型输出的标签诊断结果，将解析出来的时间、通道信息同诊断结果一起打包发送到上位机进行结果显示，当识别标签结果为故障时，触发故障报警。
57.一种基于小波改进的mobilenet网络的轴承故障边缘诊断系统，其特征在于：包括：
58.采集发布模块，用于对采集轴承的振动数据进行发布；
59.模型训练模块，用于将采集的历史振动数据输入到改进mobilenetv3
‑
small网络进行训练得到诊断模型；
60.故障诊断模块，用于将实时采集的振动数据输入诊断模型进行故障诊断。
61.本发明针对基于深度学习方法训练的大型模型无法部署到算力较差的嵌入式系统，以及诊断实时响应差等问题，本发明以滚动轴承为研究对象，labview作为上位机系统和硬件采集系统的开发软件、python作为诊断算法的开发语言，mysql作为数据管理平台，提出了一种基于小波改进的mobilenet网络的滚动轴承故障边缘诊断方法及系统。其核心在于引入了针对振动信号提取原始数据故障特征更加有效的小波卷积代替传统moblienetv3
‑
small网络中的第一个标准卷积层，以使模型更加适合振动信号，提高诊断的精度。并针对一维振动信号对原始的二维mobilenetv3
‑
small进行降维，使其能直接处理一维数据，提高了模型的泛化能力。并将改进后的模型部署到树莓派嵌入式系统中，在边缘端实现滚动轴承的实时故障诊断。具体如附图1所示。
62.mobilenetv3
‑
small是一种面向树莓派等嵌入式平台的轻量级注意力模型，使用神经架构搜索(nas)技术(通过优化每个网络块来搜索全局网络结构)和与之互补的netadapt算法(搜索每个层的过滤器数量)生成的网络结构。通过二者的结合为树莓派平台找到优化模型。
63.传统的mobilenetv3
‑
small版本共有11个bottleneck层，一个标准卷积层，两个全连接层，引入了5
×
5大小的深度卷积代替部分3
×
3的深度卷积，同时引入squeeze
‑
and
‑
excitation(se)模块和h
‑
swish(hs)激活函数以提高模型精度。
64.se模块提出了一种能够让网络模型对特征进行校准的机制，使得有效的权重大，无效或效果小的权重小的效果；而swish激活函数能够有效提高网络的精度，但是swish的计算量太大了，并不适合轻量级神经网络。mobilenetv3找到了类似swish激活函数但是计算量却少很多的替代激活函数h
‑
swish(hard version of swish)，其表达式如下：
[0065][0066]
其中：relu6＝min(6，max(0，x))，其目的是为了抑制最大值，在移动端低精度的时候，也能有很好的数值分辨率，即当x>6时，其导数也为0。
[0067]
对于改进的mobilenetv3
‑
small网络模型训练中给出如下信息：
[0068]
1、所述归一化为离差标准化，对数据进行线性变换，使结果值映射到[0
‑
1]之间。转换函数如下：
[0069][0070]
其中x
i
为每一个样本数据，max{x
j
}为样本数据的最大值，min{x
j
}为样本数据的最小值。
[0071]
在完成归一化操作后将按0.7:0.3的比例将数据集采用抽样的方式划分为训练集和验证集，然后再完成打标签操作，在打标签中，标签0代表正常，1代表轴承内圈故障，2代表轴承滚动体故障，3代表轴承外圈故障。为提高断准确率，本发明输入数据长度为2048，通过反向传播和adam优化算法更新所有参数，损失函数的计算使用交叉熵损失函数，初始学习率被设定为0.001，衰减率为0.98。训练过程采用mini
‑
batch学习，大小设置为32。在训练的同时也对模型采用验证集来验证直到训练完成，保存训练好的模型。并将模型下发到由树莓派构成的边缘节点中。具体的模型训练过程如图3所示。
[0072]
2、小波卷积的本质就是小波变换，通过选择不同尺度的基函数ψ(f,t)在信号f(t)上做卷积，通过构造合适的基函数，便可得到较理想的时频分析结果。小波变换如下所示：
[0073]
s(a,τ)＝f(t)*ψf,t)＝∫f(t)ψτ
‑
t,a)dt
[0074]
而卷积层中的具体运算为输入与卷积核进行卷积操作，具体如下：
[0075][0076]
式中：i代表第k层第i个卷积核，z(i)代表第i个卷积核学习得到的特征图，表示输入信号，表示卷积核，代表卷积核的偏置。
[0077]
根据上述两式便可得到小波卷积的一般表达式：g(i)＝x
·
ψ(f,t)；本发明利用基于daubechies小波构造一种具有不同小波结构的卷积核。
[0078]
3、全连接层用softmax函数拟合，对输入数据进行概率分布预测，其中概率最大的标签所代表的状态就代表此时轴承的状态。softmax函数公式如下：
[0079][0080]
式中：假设输出层共有n个神经元，y
k
为第k个神经元的输出，a
k
为输入数据。
[0081]
选择美国凯斯西储大学公开的轴承振动信号数据对模型进行测试，本实验选用的轴承为skf轴承，电机转速约为1772r/min,负载为1hp工况下，采样频率为12khz，采集的驱动端(de端)振动数据。数据集包含正常轴承、内圈故障、滚动体故障以及外圈故障四种状态数据，故障直径为0.1778mm。按上述参数设置训练15次得到的结果如下表所示：
[0082][0083]
从表中可知，本发明改进的模型通过小波卷积替换及对bottleneck层进行删减共同配合不仅可以提升准确率，同时可以明显提升运行速度。因此将改进后的基于小波改进的mobilenet网络部署到树莓派嵌入式系统中，在边缘端实现滚动轴承的实时故障诊断，能有效发挥边缘诊断的优势。
[0084]
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。