一种基于NMF数据增强和CNN的滚动轴承故障诊断方法

一种基于nmf数据增强和cnn的滚动轴承故障诊断方法
技术领域
1.本发明属于机器工程领域，具体涉及一种基于nmf数据增强和cnn的滚动轴承故障诊断方法。


背景技术：

2.滚动轴承作为机器工程中的精密元件，在使用过程中可能因为过负载、过热等原因导致使用寿命缩短。因此，监测滚动轴承的状态，尽早发现轴承故障，有利于预防工业事故，节约生产成本。对滚动轴承故障诊断的已有研究中，传统的方法通过分析振动信号的时间、频率和时频域特征，用于确定轴承的状况，但这需要大量的故障检测和信号处理的先验信息，而实际中滚动轴承工作状态复杂多变，不易从振动信号中提取特征。基于机器学习的卷积神经网络对图像的空间特征提取能力强，可将一维振动信号转换为二维图像，提取其中空间特征，用于轴承故障诊断。滚动轴承通常处于稳定条件下运行，很少发生故障，检测其工作状态时，正常工作状态下产生的数据通常远多于故障状态下的数据，数据的分布并不平衡。机器学习模型需要足够的操作数据进行训练，收集的故障状态数据少，缺乏足够的训练样本，模型就容易出现过拟合的情况，导致模型准确度降低，诊断性能下降。因此，获取足够的数据，提高训练数据的质量和数量，有利于提高深度学习模型在实际应用中的分类准确性和可推广性，保障故障诊断的准确性。


技术实现要素：

3.为了对滚动轴承进行故障诊断和健康管理，本发明提出了一种基于nmf数据增强和cnn的滚动轴承故障诊断方法，给出了时域信号预处理的过程，提出了一种用于故障分类的轻量级cnn模型。时域信号通过stft转换为二维时频图，经过数据增强后，形成新的数据集，作为cnn模型的输入数据。针对滚动轴承故障状态下样本不足的问题，给出基于nmf和时域信号处理的数据增强方法，丰富了训练样本，提高了训练模型的准确性。
4.本发明采用的技术方案是：
5.振动信号预处理。为了减少后续cnn模型训练消耗的资源，将原始振动信号划分成更小的等尺寸信号样本。
6.生成二维时频图。传统的卷积神经网络不易从一维时域信号中提取特征，同时滚动轴承的振动信号具有非平稳性，很难根据时域或频域描述其中的相关性。通过stft从一维信号生成结构更加复杂的二维图像，利用卷积神经网络对图像特征提取的优势，便于获取轴承运行状态的重要特征。
7.数据增强算法扩充训练样本。对时域信号样本，通过窗函数和重复的方法进行信号处理，得到新的时域信号后，提高时频谱的时域或频域分辨率，再进行stft变换，得到新的时频图样本；对原始信号样本生成的时频图，采用nmf分解其中的特征。这种方法保留了原始样本的信号特征，从当前样本中合成新的标记样本，规避标记训练数据的不可用性，提高训练模型的鲁棒性。
8.数据集合成，生成诊断模型的训练样本和测试样本。对不同数据增强方法产生的时频图采用不同的标记区分，为了体现数据增强方法之间的差异性，设计参考组和不同的组合形成多个数据集，作为诊断模型的输入数据，
9.训练cnn诊断模型。设计轻量级cnn模型，包括特征学习阶段和分类阶段，模型通过卷积层、批归一化层、激活层和池化层从训练样本提取抽象空间特征。分类阶段是一个由全连接层组成的多层感知器，全连接层由隐藏层组成。经过多次迭代后，完成模型训练。同其他方法比较，评估该模型的故障分类性能以及跨域诊断的效果。
10.具体步骤如下：
11.步骤1：信号预处理。根据轴承转速选择合适的采样率，把原始振动信号划分为等尺寸的样本信号。
12.步骤2：数据增强。对样本信号采用高斯、凯泽、矩形窗函数，以及不同比例的重叠进行信号处理，产生新的信号样本。选择固定长度的窗函数，通过stft得到每个信号样本对应的二维时频谱，便于提取特征。
13.步骤3：对原始信号样本生成的时频图，将其转换成矩阵数据，使用nmf提取其中的故障特征，计算迭代后的闭式解，生成具有其特征的时频图，实现数据扩充。
14.步骤4：构建一个用于故障诊断的轻量级cnn模型，通过设置合适的超参数，实现尽量少的层数下提高卷积速度。模型通过卷积、批归一化、池化操作提取扩充后训练样本中的特征，对故障类型进行分类。
15.步骤5：设置多个数据集和参考组，参考评估诊断模型的分类效果，从准确度、精确度、召回率和f1值比较各个负载下故障诊断性能，测试该模型的跨域诊断性能，比较本方法于同类方法的优劣。
16.本发明的有益效果：将振动信号变换成二维时频图处理，保留原始信号中的数据相关性和非平稳数据特征。通过窗函数等方法改变时频图的时域或频域分辨率，实现数据扩充。基于nmf对原始时频图进行分解，实现数据增强，提高训练模型的泛化能力。轻量级cnn模型减少了卷积过程，降低训练时间。
附图说明
17.图1为本发明的总体结构框图。
18.图2为采样的振动信号分割示意图。
19.图3为采用不同数据增强方法下产生的训练样本，(a)为原始数据，(b)为高斯窗函数，(c)为凯撒窗函数，(d)为矩形窗函数，(e)为25％重叠，(f)为75％重叠，(g)为nmf。
20.图4为搭建的轻量级cnn诊断模型结构框图。
21.图5为构建的数据集组合示意图。
22.图6为不同负载情况下数据集的准确度评估情况。
23.图7为数据集的训练时间和准确度比较结果。
24.图8为试验测试集损失值的箱线图。
具体实施方式
25.本发明的原理流程图如图1所示，将振动信号转换成具有空间特征的时频图，经过
多种数据增强的方法后，形成数据集，在cnn模型中完成训练过程，实现自动分类。下面通过具体实施例，结合附图对本发明的故障诊断方法作进一步介绍。
26.使用的振动信号数据来自凯斯西储大学(cwru)的滚动轴承数据集，试验轴承为skf 6205-2rs jem型深沟球轴承，以12khz的采样率收集数据。每种状态下有0hp、1hp、2hp、3hp共计4种负载，其中hp为英制马力，1hp＝0.75kw。根据负载的不同，轴承转速范围从1797rpm到1730rpm。数据集包括类型：正常状态(n)、内圈故障(of)、外圈故障(if)和滚动体故障(bf)。故障点蚀直径分别为0.18、0.36和0.54mm，每种负载下包括十种轴承健康状况。
27.进一步的，步骤1的详细过程为：
28.信号预处理，划分样本数据。从振动信号中获取多个相同点数的样本，需要对振动信号进行划分。正常状态下，0hp负载时的振动信号的长度为240000，其他3种负载下长度为480000。所有的故障状态下，振动信号的总长度为120000。采样频率fs为12khz，工作转速s为1797rpm，则每转的采样点数ns可估计为：
[0029][0030]
样本大小取为400点进行划分，样本划分示意图如图2。在所有故障状态下，每种情况有300个样本。正常状态下，0hp负载时为600个样品，其他负载时为1200个样品。表1为原始数据和生成数据的长度分布，l
0-3
分别对应了负载为0-3hp。原始数据中80％用作训练样本，20％平均分为验证集和测试集。
[0031]
表1不同负载下采样数据长度
[0032][0033]
进一步的，步骤2的详细过程为：
[0034]
步骤2.1生成二维时频图。采用短时傅里叶变换(stft)将每个样本转换成一个时频图，作为cnn模型的训练样本。
[0035]
短时傅里叶变换使用固定长度的滑动窗，对每个窗口内的时域信号做傅里叶变换，形成不同时间窗口的频域信号，将一维时域信号变换为二维时频图。时域信号的stft可以表示为：
[0036][0037]
其中w(t-τ)为滑动窗。计算二维时频图的参数会显著影响分类器的性能，为取得不同故障类型的明显特征，选择stft参数为一个长度88点的汉明窗，重叠比例50％，dft点数为256。
[0038]
步骤2.2本发明采用了多种方法对原始数据样本进行数据增强，对样本信号采用的数据增强方法包括窗函数和重叠；对原始信号样本产生的时频图采用了nmf方法。窗函数包括矩形窗、高斯窗和凯泽窗函数，重叠选择25％和75％的重叠比例。
[0039]
进一步的，步骤3的详细过程为：
[0040]
对原始样本产生的时频图提出了一种基于非负矩阵分解(nmf)的数据增强。对于给定一个非负数据矩阵通过nmf将x近似为一个基矩阵和一个编码矩阵
[0041]
x≈wh
ꢀꢀꢀ
(3)
[0042]
其中矩阵w和h是两个低阶非负矩阵，因子分解参数r远小于n和m。对每个样本采用nmf获得矩阵w和h。然后将优化问题表示为：
[0043][0044]
对于上式中的优化问题，可以用乘法更新规则(mu)、交替最小二乘法(als)或其他梯度下降方法，在给定的迭代次数内获得闭式解，直至收敛。局部最小值在实践中也可能具有故障特征，因此，在迭代中并不是必须使用全局最小值。算法1说明该算法的代码实现过程。图3展示了这些数据增强方法生成的训练样本。其中原始数据为数据集a，经过25％重叠、75％重叠、高斯、凯泽、矩形窗函数和nmf生成的数据依次对应数据集b至g。
[0045][0046][0047]
进一步的，步骤4的详细过程为：
[0048]
步骤4.1构建cnn模型训练。本发明提出的cnn模型结构框架如图4，包括特征提取和分类阶段。特征提取阶段依次由卷积层、批归一化层和池化层构成，该模型经过卷积操作生成特征映射，池化层提取其中重要的局部特征。分类阶段则由全连接层实现对特征的分
类，输出诊断结果。
[0049]
步骤4.2数据输入。将二维时频图重塑为32x32的相同尺寸，分小批量送入模型的输入层。
[0050]
步骤4.3模型训练。对数据样本进行卷积操作。卷积层中卷积核大小为3
×
3，卷积步长为1，该层生成的特征映射经过修正线性单元(relu)后，进入批量归一化(bn)层，减少协方差偏移，改善模型整体性能。随后，池化层窗口大小为2x2，对特征映射进行子采样，经过最大池化产生最大值。重复上述结构，进一步提取数据特征。之后数据经过压平为一维后，进入全连接层。全连接层包括两个隐藏层，每个隐藏层64个单元。最后进入大小为10的输出层。
[0051]
该模型通过多次非线性变换，获取鉴别特征，提高整体性能。使用反向传播(bp)算法更新模型中的参数，并用adam优化器将样本数减少到32。试验在配备i7 cpu和8gb nvidia geforce rtx 2070 gpu的windows计算机上进行，使用keras和python完成。模型的学习率为0.001，通常在10个迭代周期后收敛。
[0052]
进一步的，步骤5的详细过程为：
[0053]
步骤5.1数据集组合。使用原始数据集和六个合成数据集，对应数据集a～g，形成新的数据集组合，评估本发明的诊断方法。产生数据集组合共22种，对应编号为数据集0～21，每个数据集的组合方式如图5所示，依次评估各个数据集在不同负载条件下的性能。
[0054]
步骤5.2诊断性能评估。使用准确度(accuracy)、精确度(precision)、召回率(recall)和f1值(f1-score)作为故障分类模型的性能评估指标，对测试样本进行多次测试，取平均值评估该模型的性能：
[0055][0056]
其中nc是组数，tp和fp分别是真假阳性的数量。tn和fn分别是真假阴性的数量。试验测试结果如表2所示，其中acc、pre、rec和f1分别为准确度、精确度、召回率和f1值的平均百分比值。
[0057]
表2各个数据集测试结果
[0058][0059][0060]
在不同负载下，该故障诊断模型在区分各种故障状态方面表现良好，准确性高。0-3hp负载情况下各个数据集的平均准确度如图6所示。经过数据增强后，计算时间随训练数据集大小成正比增加。各个数据集计算时间的平均值如图7所示，通过比较计算时间和准确度曲线，数据集6说明了使用nmf进行数据增强的优点，训练时间增加少，准确度高。通过比较不同负载条件下的测试集损失，所有经过数据增强的数据集，在测试集损失上都低于作为参考的数据集0，说明了该方法的有效性，如图8所示。
[0061]
步骤5.3测试该方法的在跨域问题上的性能。使用给定负载条件下的标记数据训练模型，然后使用其他负载上的数据进行测试。随着工作负载值远离其训练对应物，测试精度降低。用0hp训练模型并用1hp测试其平均精度为95.85％，在用2hp和3hp测试时分别降低了7.94％和15.17％。如表3所示，可以在所有列车和测试交叉域中观察到精度值的降低。
[0062]
表3本方法的跨域精确度对比
[0063]
[0064][0065]
步骤5.4与使用了相同数据集的其他故障诊断方法比较，可见本方法的有效性和优越性，如表4所示。其中方法1至方法5分别对应基于集成深度自动编码，基于频域特征的dcnn(deep convolutional neural networks，深度卷积神经网络)，基于频谱峰值的elm(extreme learning machine，极限学习机)，基于svm(support vector machines，支持向量机)算法的多尺度局部特征学习和基于dbn(deep belief networks，深信度网络)的分层诊断网络的滚动轴承故障诊断方法。
[0066]
应当理解本文所述的例子和实施方式仅为了说明，并不用于限制本发明，本领域技术人员可根据它做出各种修改或变化，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0067]
表4不同故障诊断方法的平均测试精确度对比
[0068]