面向数字孪生系统的轴承故障智能诊断方法

1.本发明涉及轴承故障不平衡检测技术领域，尤其是涉及一种面向数字孪生系统的轴承故障智能诊断方法。


背景技术：

2.对设备进行预防性维护可以有效的延长设备的使用寿命，提高设备的使用效率，对于设备进行预防性维护显得十分重要。随着大数据技术与智能制造的发展，运用现代信息技术手段对设备进行科学化、信息化管理显得尤为重要。数字孪生系统能很好建立虚拟仿真与物理实体的联系。数字孪生(digital twin)是指利用物理实体、传感器、运行历史等数据，结合多物理量、多学科、多尺度、多概率的对物理实体对象的特征、行为、形成过程和性能等进行描述和建模，使其反映对应物理实体的全生命周期。随着多领域建模、新型信息技术的发展，数字孪生成为复杂装备系统运行维护领域的重要技术。对于复杂装备，通过模型驱动和数据驱动相融合的方法，构建设备数字孪生体，可实现对设备的实时监测、故障诊断和优化，为数字孪生技术在设备全生命周期的应用提供实施方法。
3.轴承是一种精密的机械元件，是几乎所有机械设备的关键部分。不幸的是，由于长期运行在重负载、高转速的环境下，轴承成为了旋转机械设备中最易发生故障的零件之一。因此，轴承故障诊断的研究对于保证设备的安全性和可靠性具有重要意义。如在生产车间中，轴承是众多车间设备的基础配件。在构建数字孪生系统时，需要对这种关键部件进行实时的监测。振动信号被广泛用于监测轴承的健康状况，数字孪生系统中会实时监测轴承部件的振动信号，振动范围等数字特征，利用轴承的数据特征，进行数字孪生系统的建立与故障智能诊断的结合，识别设备的故障状态。
4.许多时间/频率传统的信号处理方法，例如稀疏正则化技术，经验模式分解和小波包分析都可用于轴承故障诊断。近年来，深度学习方法被引入到智能故障诊断中。智能故障诊断与深度学习技术相结合，引起了学术界和工业界的广泛关注，并在轴承故障诊断中取得了优异的成绩。利用以往数据训练深度网络模型，嵌入到数字孪生系统中，用深度网络实时监测数字孪生系统的轴承部件状况。而深度神经网络的训练通常需要足够且平衡的数据。但是，在大多数实际情况下，由于设备的正常运行，收集的故障数据相对较少，会导致数据不平衡。数据不平衡将迫使分类器偏向多数类别，并导致故障类别的分类错误。
5.通常，解决数字孪生系统中轴承类不平衡的分类问题可以用两种方法：数据级方法和算法级方法。
6.数据级方法主要基于重采样。一些众所周知的重采样方法包括合成少数采样技术(smote)，自适应合成采样方法(adasyn)等。在数字孪生系统中，smote及其变种方法试图通过合成少数故障类的振动信号样本来重新平衡数据集。adasyn根据他们的学习难度将权重分配给不同的少数故障类别。最近，有许多关于使用生成对抗网络(gan)进行数据集扩展的研究，他们取得了不错的结果。同时欠采样数字孪生系统中正常轴承的振动信号方法也被用于重新平衡数据集。但是，由于不平衡率很高，通过生成少数故障类样本来平衡数据集在
计算上会非常昂贵。并且在带有噪声的不平衡数据中，过采样可能会导致识别精度降低。另一方面，欠采样方法会减少训练样本，这可能会导致有效特征的丢失，而且重采样方法不是端到端的解决方案。在实际的数字孪生建模过程中，这通常不是一个好的解决方案。
7.在数字孪生系统中，算法级的方法通过增大少数故障类的误分类成本，让网络更关注故障类。其中加权softmax损失函数用来解决故障诊断领域中的不平衡问题，该损失函数将根据不平衡率重新衡量少数群体的成本，一些类似的方案被用来解决不平衡问题。直观上，这些方法的关键问题是如何合适地确定不同故障样本误分类的成本。但是，在实际情况中，确定不同类别的误分类成本非常困难。基于样本的不平衡比直接确定故障样本的误分类成本是不够的。在数字孪生系统的故障智能诊断方面，对卷积神经网络(cnn)高度不平衡分类的研究仍然相对较少。
8.对于以上挑战，我们面向数字孪生系统提出了特征提取能力更强的网络，以及新的加权损失函数焦点交叉熵(fce)损失函数。可以在不平衡训练数据下更好地监督网络训练，根据数字孪生系统中监测的振动信息，对轴承部件进行更精准的智能监测。


技术实现要素：

9.本发明提供了一种面向数字孪生系统的轴承故障智能诊断方法，可用于提高类别不平衡下的轴承故障检测的准确性。
10.本发明提供了一种面向数字孪生系统的轴承故障智能诊断方法，所述方法包括：
11.步骤1：数字孪生系统实时监测目标轴承的轴承振动信号；
12.步骤2：将目标轴承当前的轴承振动信号输入轴承故障诊断网络，基于轴承故障诊断网络的输出获取目标轴承的当前故障检测结果；
13.其中，所述轴承故障诊断网络包括特征提取网络和故障检测网络，所述特征提取网络为至少两个带通道注意力机制的inception
‑
resent单元的堆叠结构，用于提取输入信号的特征信息并输入后端的故障检测网络，所述故障检测网络包括顺次连接的全局池化层和至少一层全连接层，其中最后一层全连接层用于输出轴承故障类别的预测概率。
14.进一步的，所述轴承故障诊断网络在训练时采用的损失函数为焦点交叉熵损失函数：
15.fl(p
t
)＝
‑
α(1
‑
p
t
)
γ
log(p
t
)；
[0016][0017]
其中，p
t
表示类别的预测概率，α表示每个样本的类别权重，γ表示预置的系数，取值范围为(0,1)，n
batch
表示每个训练批次的样本总数，n
classes
表示类别总数，n
i
表示每个批次的类别数。
[0018]
本发明提供的技术方案至少带来如下有益效果：本发明用于轴承诊断实际场景中出现的数据不平衡现象，可以在正常和故障数据不平衡的实际场景中提升对于故障数据的诊断效果。同时，本发明基于所设置的焦点交叉熵损失函数训练所构建的轴承故障诊断网络，可以自适应地对难以分类且样本数少的故障类别分配误分类权重，在数字孪生系统中利用本发明所设置的轴承故障诊断网络可以实时监控轴承设备的健康状况。
附图说明
[0019]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0020]
图1是本发明实施例中，所采用的轴承故障诊断网络的结构示意图；
[0021]
图2是本发明实施例中，所采用的通道注意力原理图。
[0022]
图3是本发明实施例提供的轴承智能诊断方法的隐层的t
‑
sne(t
‑
distributed stochastic neighbor embedding(t
‑
sne))图；
[0023]
图4是现有的imp
‑
gan方法隐层的t
‑
sne图。
具体实施方式
[0024]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0025]
针对在实际情况下数字孪生系统中正常数据和异常数据不平衡的情况，本发明实施例提供的一种面向数字孪生系统的轴承故障智能诊断方法，在不对原始数据进行扩充的情况下，提高轴承故障的诊断效果。本发明实施例中，通过在数字孪生系统中搭建轴承故障诊断网络，该轴承故障诊断网络为多尺度一维卷积神经网络(1
‑
d cnn)的网络结构，其结合了1
‑
d cnn的残差结构，注意力机制和多尺度inception模块。本发明实施例通过所构建的适合一维振动信号的轴承故障诊断网络，提高了模型诊断能力。同时，针对该轴承故障诊断网络的的训练，本发明实施例还设置一种新的损失函数，称为焦点交叉熵(fce)损失函数，fce损失函数可以在网络的训练过程中根据样本比例和分类的难度自动确定误分类的成本，在不平衡训练集情况下，提升轴承故障诊断网络对轴承故障的诊断精度，即提升轴承故障诊断网络的预测精度。
[0026]
作为一种可能的实现方式，本发明实施例提供的面向数字孪生系统的轴承故障智能诊断方法，包括以下步骤：
[0027]
步骤1：数字孪生系统实时监测目标轴承的轴承振动信号；；
[0028]
步骤2：将目标轴承当前的轴承振动信号输入轴承故障诊断网络，基于轴承故障诊断网络的输出获取目标轴承的当前故障检测结果；
[0029]
其中，所述轴承故障诊断网络包括特征提取网络和故障检测网络，所述特征提取网络为至少两个(优选值为4)带通道注意力机制的inception
‑
resent单元的堆叠结构，用于提取输入信号的特征信息并输入后端的故障检测网络，所述故障检测网络包括顺次连接的全局池化层和至少一层全连接层，其中最后一层全连接层用于输出轴承故障类别的预测概率，如图1所示。
[0030]
在一种可能的实现方式中，所述轴承卷积神经网络诊断网络在训练时采用的损失函数设置为焦点交叉熵(fce)损失函数，用来处理样本不均衡问题，以便于自动地根据样本分类难易程度来给其分配损失权重，其具体计算公式如下：
[0031]
fl(p
t
)＝
‑
α(1
‑
p
t
)
γ
log(p
t
)；
[0032][0033]
其中，p
t
表示类别的预测概率，与传统的多分类交叉熵损失不同，而是在其上面加上两个权重α和(1
‑
p
t
)。其中，α表示每个样本的类别权重，其与样本出现频率成反比，公式中n
batch
是每个训练批次的样本总数，n
classes
表示类别总数，n
i
表示每个批次训练的相应类别的个数，γ表示预置的系数，取值范围为(0,1)，经实验结果表明γ取1.5左右效果较好。这样会给不同的类别样本给予不同的误分类权重，可以使网络对少量数据更加敏感。(1
‑
p
t
)表示样本的分类概率越高，权重越低。它可以控制易于分类的样本和难以分类的样本的权重。由于正常样本更易于分类，因此可以进一步减少正常样本的权重，并增加故障样本的权重。即基于该焦点交叉熵损失函数训练所设置的轴承故障诊断网络，可以自适应地对难以分类且样本数少的故障类别分配误分类权重，使轴承故障诊断网络对其更加关注。再将轴承故障诊断网络嵌入到数字孪生系统中，进行数字孪生系统与智能诊断的结合，以大幅度提升了轴承故障诊断的效果，具有更好的可实用性。
[0034]
需要说明的是，对所述轴承故障诊断网络进行网络参数训练时，除了采用上述的fce损失函数的限制外，训练方式可采用惯用的任一方式均可，如，训练时采用adam优化器，基于所述焦点化交叉熵损失函数，当满足预设的训练结束条件时停止训练，保存当前训练好的轴承故障诊断网络以用于对实时输入的轴承振动信号进行智能的故障检测，获取目标轴承当前所处的状态，若是非正常状态，则会触发数字孪生系统发出预警。其中，训练结束的条件可以设置为：训练集和验证集损失函数值都较小且趋于稳定时停止迭代，即训练集和验证集的损失函数值均达到各自的期望阈值范围。
[0035]
在神经网络中，注意力机制是通过计算注意力的概率分布，对关键性输入分配更多的权重，从而起到对模型的优化作用。参见图2，本发明实施例中，是在每个inception
‑
resent单元末尾设置通道注意力机制，即对每个inception
‑
resent单元的输出特征图，进行全局平均池化，形成权重单元，再通过两次一维卷积降维和升维操作并通过sigmoid函数计算得出注意力的概率分布形成权重系数，与inception
‑
resent单元的输入特征图m进行相乘运算得到加权值，网络会通过损失函数对特征图进行权重的自动分配，对特征图的不同通道添加不同的权重系数。设f为m
×
n维特征矩阵，其中，m为空间维度，n为通道维度，空间池化注意力机制的数学模型可以表述为：
[0036]
avgp＝mlp(avgp(f))；
[0037]
m(f)＝σ(avgp)；
[0038]
式中，avgp()代表平均池化，mlp()表示多层感知机，σ()为sigmoid激活函数，m(f)是由特征矩阵f学习得到的空间池化注意力概率矩阵，其大小为n
×
1，学习得到的注意力概率矩阵与特征图m融合的计算公式为：其中，表示hadamard乘积。即特征图f
′
即为带通道注意力机制的inception
‑
resent单元的输出特征图，如图1中所示的输出特征图h
i
，其中i表示带通道注意力机制的inception
‑
resent单元编号。
[0039]
参见图1，在一种可能的实现方式中，本发明实施例中所采用的inception
‑
resent单元包括三个尺度的卷积运算，将三个尺度的卷积运算结果进行拼接后通过残差短路与输入特征图相加，得到inception
‑
resent单元的输出特征图。即本发明实施例中，所采用的inception
‑
resent单元网络结构为：三条卷积支路分别接入一层拼接层，该拼接层的输出
特征图经过一层卷积核为1的一维卷积层后通过残差短路(包括一层卷积核为1的一维卷积层)与inception
‑
resent单元的输入特征图相加，其中三条卷积支路分别为：卷积支路1包括一层卷积核为1的一维卷积层，卷积支路2包括依次连接的卷积核为1的一维卷积层和卷积核为3的一维卷积层；卷积支路3包括依次连接的积核为1的一维卷积层、卷积核为3的一维卷积层和卷积核为1的一维卷积层。
[0040]
实施例
[0041]
为了完成对本发明实施例所构建的轴承故障诊断网络训练，以便于更好的实现对目标轴承的检测，首先收集相关数据集，用于网络参数训练，以及性能测试。
[0042]
收集数字孪生系统中轴承在9种故障状态和1种正常状态下的振动信号，不同类型的轴承振动数据作为一个域赋予不同的标签，同时对其进行切割并且按照不平衡的比例形成样本并划分为训练集、验证集和测试集；具体地包括如下步骤：
[0043]
(1)收集轴承在滚动体故障b、外圈故障or和内圈故障ir状态下，故障直径尺寸分别为7，14和21密尔和正常状态下的振动信号，为了提高模型的泛化能力，加入高斯白噪声，信噪比snr＝2，不同类型的轴承振动数据作为一个域赋予不同的标签；
[0044]
(2)取连续2048个点为单个样本，用数据重叠分割方法进行数据增强，公式如下：
[0045][0046]
上式中，l为数据总长度，l1为单个样本数据长度，d为步长，则n表示获得的样本数。本实施例取d＝200，总共获得800个样本，然后按照不平衡比例划分为训练集和测试集，数据集汇总如表1，表2所示：
[0047]
表1轴承分类表
[0048][0049][0050]
表2轴承不平衡比例
[0051][0052]
(3)对收集的信号进行zscore标准化，即归一化处理，zscore的计算公式为：其中，为原始数据的均值，σ为原始数据的标准差，x
*
为zscore标准化后的数据。
[0053]
(4)对训练集进行划分，将正常数据和每类故障数据进行比例划分，划分的情况如表2所示，同时测试和验证集保持各类别样本数目一致；
[0054]
然后，基于所设置的测试数据进行测试，本实施例中进行了5次实验取平均值作为最终结果。用在轴承故障不平衡诊断领域应用较为广泛的机器学习方法进行对比实验，如smote、adasyn、gan，用这些方法来对数据集进行扩充，达到数据平衡的效果，同时搭配以传统卷积神经网络resnet，vggnet，lstm等，其中取最好的效果做对比。将上述方法在不同故障比例的数据集中进行测试得到结果，每个方法诊断的平均准确率的详细结果如表3所示。可以看出，本发明实施例提出的方法随着不平衡比例的上升准确率会出现少许波动且都达到了97％以上的准确率，而其他方法会出现较大的精度下降，超过传统的数据处理方法的准确率。每种故障类别的具体精度如表4所示。对本发明实施例提出的方法提取的隐层特征进行t
‑
sne可视化，结果如图3所示，对使用imp
‑
gan的方法进行隐层可视化如图4。显然，本实施例所获得的网络提取的特征更具区分性。
[0055]
表3轴承不平衡比例
[0056][0057]
表4对比实验的具体结果
[0058][0059]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
[0060]
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。