基于1D-LeNet-5模型的滚动轴承故障诊断方法.pdf
《基于1D-LeNet-5模型的滚动轴承故障诊断方法.pdf》由会员分享,可在线阅读,更多相关《基于1D-LeNet-5模型的滚动轴承故障诊断方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第49 卷第5期2023年10 月文章编号:16 7 3-519 6(2 0 2 3)0 5-0 0 34-0 8兰州理工大学学报Journal of Lanzhou University of TechnologyVol.49No.5Oct.2023基于 1D-LeNet-5 模型的滚动轴承故障诊断方法郭俊锋*,孙、磊,王淼生,续德锋(兰州理工大学机电工程学院,甘肃兰州7 30 0 50)摘要:风力发电过程中,轴承能否正常运行关系到风电机组能否正常工作.针对现有基于深度学习的轴承故障诊断模型结构复杂、参数众多和训练困难的问题,提出了基于LeNet-5模型改进的一维卷积神经网络滚动轴承故障诊断
2、方法首先,为了更大程度提取故障信息,引入短时傅里叶变换对原始振动信号进行预处理.其次,设计一维网络模型,其感受野更大,计算速度更快;同时,引入Leaky-ReLU激活函数,其对输入信号的细节处理能力更强;并且增加批归一化层和Dropout层,提高模型泛化能力.最后,利用训练后的模型进行故障诊断实验.结果表明,该方法在10 类轴承故障分类中诊断准确率能够达到9 9.9 8%,针对风电机组轴承故障诊断具有较好的工程应用前景。关键词:风电机组;滚动轴承;故障诊断;卷积神经网络;短时傅里叶变换;LeNet-5中图分类号:TH17Fault diagnosis method of rolling bea
3、ring based on 1D-LeNet-5 modelGUO Jun-feng,SUN Lei,WANG Miao-sheng,XU De-feng(School of Mechanical and Electrical Engineering,Lanzhou Univ.of Tech.,Lanzhou 730050,China)Abstract:In the process of wind power generation,the normal operation of the bearing is related to thenormal operation of the wind
4、turbine.Aiming at the problem that the existing deep learning-based bearingfault diagnosis model has a complex structure and many parameters,which makes it difficult to train themodel,an improved one-dimensional convolutional neural network rolling bearing fault diagnosis methodbased on the LeNet-5
5、model is proposed.First,in order to extract fault information to a greater extent,ashort-time Fourier transform is introduced to preprocess the original vibration signal.Secondly,a one-di-mensional network model is designed,which has a larger receptive field and faster calculation speed.Atthe same t
6、ime,the Leaky-ReLU activation function is introduced to make the ability to process the detailsof the input signal stronger.The batch normalization layer and Dropout layer are added to improve themodel generalization ability.Finally,the trained model is used to perform fault diagnosis experiments.Th
7、e experimental results show that the diagnostic accuracy of this method can reach 99.98%in the classi-fication of ten types of bearing faults,which has a good engineering application prospect for the fault diag-nosis of wind turbine bearings.Key words:wind turbine;rolling bearing;fault diagnosis;con
8、volutional neural networks;short-timefourier transform;LeNet-5在风电机组中,滚动轴承作为支撑回转零件发挥着重要作用.风电机组的滚动轴承经常在高负载、恶劣环境和无休状态下工作,从而需要高效的现场维护.由于技术水平和风场条件等因素制约,所以多采用定时检修的方法进行运维.然而,即使投人大量收稿日期:2 0 2 2-0 4-0 6基金项目:国家自然科学基金(5146 50 34)通讯作者:郭俊锋(19 7 8-),山西临汾人,博士,教授.Email:junf_文献标志码:A人力也无法精确定位故障.因此,通过状态检测对发生故障征兆或已发生故障
9、的轴承进行维护和故障诊断被愈发重视.滚动轴承故障诊断方法可分为基于分析模型的方法、基于知识推理的方法和基于数据驱动的方法.早期故障诊断大多采用动力学建模,针对特定工况该方法具有十分不错的效果.Kogan等2 基于赫兹弹性接触理论,分析了滚动轴承动力学特性,建立了三维球轴承动力学模型,并在外圈轴向变形的角接第5期触球轴承上验证了模型的可靠性.王凯等3 针对复合故障激励的滚动轴承,提出了四自由度复合故障深沟球轴承的动力学模型,分析了3种工况下滚动轴承复合故障对系统动力学振动响应的影响.然而,基于模型的故障诊断方法只适用于特定工况,工况变化后要重新建立复杂的动力学模型.随着计算机技术的发展,各种频谱
10、分析从理论变为现实,更多的现代信号分析与处理技术在故障诊断中得以应用.An等4提出了基于变分模态分解(VMD)和奇异值分解(SVD)的故障诊断方法,将得到的奇异值作为故障特征向量,能有效识别风电机组滚动轴承的故障.郑近德等5 提出了自适应经验傅里叶分解(AEFD),能够有效地识别故障,而且识别效果优于经验模态分解(EMD),但其中边界集的设置有待进一步研究.在实际应用中,基于信号处理的方法大多需要人工选取特征,过程比较繁琐.随着人工智能的发展,基于大数据驱动的机器学习方法被广泛应用于滚动轴承状态监测和故障诊断.支持向量机(sup-port vector machine,SVM)0、BP 神经网
11、络(backpropagation neural network,BPNN)7 和 K 近邻法(K-nearest neighbor,KNN)8等已被广泛应用于故障诊断,并取得了较好的效果.传统的机器学习方法因网络结构较浅而导致特征提取能力不足,需要通过人工选择特征,并且难以自适应挖掘和提取隐藏于故障数据中更深层次的特征.深度学习方法的提出给故障诊断研究带来了新思路,卷积神经网络(convolutional neural etwork,CNN)是其中很有效的深度学习方法.Kumar等9 提出了稀疏深度学习方法,在CNN模型中引人稀疏正则化,能够识别不同转速条件下的轴承和转子故障.Shen等10
12、 1提出了将阈值模型与CNN结合并基于物理信息的故障诊断方法,提高了滚动轴承故障诊断准确率.但是,这些CNN模型网络层次较深,需要逐层改动参数,容易造成过拟合,影响模型性能,并且对计算机的计算能力要求较高.Lecun 等11 在19 9 8 年提出了 LeNet-5 模型,该郭俊锋等:改进LeNet-5模型的滚动轴承故障诊断方法35模型对于识别手写体的分类具有很大优势,也成功应用于汽车雷达检测12 、交通标志识别13 等领域。然而,基于 LeNet-5 模型的轴承故障诊断方法存在识别精度低、收敛速度慢、泛化能力弱等问题.相比LeNet-5模型,1D-LeNet-5模型的卷积窗口更大,计算代价更
13、小,速度更快14.Wan等15 提出了深度LeNet-5模型,网络层数较深,并且引人人工蜂群算法(artificial bee colony algorithm,A BC 算法)改进模型参数;但该方法训练参数多,模型复杂,且准确率较低。本文对LeNet-5模型进行优化改进,提出改进的一维卷积神经网络轴承故障诊断方法,训练时间较短,且呈现出更稳定、更准确的分类效果.首先,对轴承的原始振动信号进行预处理,利用短时傅里叶变换转化为灰度图像,即包含丰富时频信息的时频图,从而生成相应的数据集;然后,将数据集作为1D-LeNet-5模型的输人对其进行训练;最后,利用训练后的模型进行故障诊断.1基本理论1.
14、1LeNet-5 模型LeNet-5模型结构由输人层、2 个二维卷积层(分别称之为卷积层1、卷积层2)、2 个二维池化层(分别称之为池化层1、池化层2)、2 个全连接层(分别称之为全连接层1、全连接层2)和输出层组成,如图1所示,它是其他深度学习模型的基础.至今,LeNet-5模型及其改进模型,仍然在人工智能领域被广泛应用.图1中:输人为32 X32的灰度图;卷积层1使用6 个大小为55的卷积核,输出6 个大小为2 8 2 8 的特征图;池化层1对卷积层1的输出进行2 2 最大池化操作,输出6 个大小为1414的特征图;卷积层2 使用16 个大小为55的卷积核,输出16 个大小为10 10 的
15、特征图;池化层2 对卷积层2 的输出进行2 2 最大池化操作,输出16 个大小为5X5的特征图;全连接层1有12 0 个神经元,与池化层2 全连接,并生成12 0 个11的特征输入层卷积层1池化层1图1LeNet-5模型结构Fig.1 LeNet-5 model structure卷积层2池化层2全连接层1全连接层2输出层36图;全连接层2 有8 4个神经元,生成8 4个11的特征图.由于LeNet-5模型最早被应用于手写数字识别任务,所以输出层有10 个神经元,可以划分10个不同的类别.LeNet-5模型卷积层的卷积核为二维卷积形式,即f(a,y)*g(a,y)=g(-t1,y-t2)dti
16、dt2式中:、y 为2 个不同维度(方向)的变量;f(,y)和g(,)为2 个表征函数;t1为2 个不同维度上遍历的量。在图像处理中,实际意义是将卷积核翻转,之后在被卷积对象上沿2 个方向平移,生成的结果由卷积核在各个位置的计算结果组成。二维卷积的离散形式为Fa,y*g,y=Z f(n1n2).n1=-00n2=-00g(-ni,yn2)式中:ni、n 2 为2 个不同维度的离散点.卷积核的每个元素与被卷积对象对应位置相乘求和,得到卷积结果.1.2 1D-LeNet-5 模型LeNet-5模型虽然在图像处理中具有良好的效果,但是多层二维卷积和池化操作导致训练时间长,收敛速度慢,并且复杂的计算过
17、程对计算机硬件要求高.相比二维卷积神经网络,一维卷积神经网络的卷积核维度低,可以使用更大的卷积窗口,计算速度更快,代价更低。一维卷积的形式为f()*g()=/f(t)g(-t)dt式中:t为一维方向上遍历的量.一维卷积的卷积核f(t)以t为中心,在g()上沿1个方向进行滑动窗口移动,卷积核的每个元素与被卷积对象对应位置相乘求和.本文所提1D-LeNet-5模型设计了2 个卷积层、2 个池化层和2 个全连接层,如图2 所示.同时,展平层被用于池化层与全连接层的过渡,加人泄露修正线性单元(leakyrectified line unit,Leaky-ReLU)激活函数,Dropout层、批归一化(
18、batch normalization,BN)层以提高模型的鲁棒性。模型参数和输出尺寸如表1所列.模型输人为3232大小的图像,本文针对10 类轴承进行分类,输出大小为10 1.每个卷积层采用不同数量和大兰州理工大学学报6个111LeakyReLU+批归一化4x1池化层816个7 1f(t1,t2):Jt1=-00J t2=-00(1)(2)(3)第49 卷输入卷积层卷积层LeakyReLU+批归一化41池化层Dropout展平层全连接层0.25LeakyRyLU+Dropout批归一化全连接层LeakyReLU+批归一化分类层输出图2 1D-LeNet-5模型结构Fig.2SStructur
19、e of the 1D-LeNet-5 model proposed表11D-LeNet-5模型的参数Tab.1Parameters of the 1D-LeNet-5 model网络层网络层信息输入C1P1C2P2FFC1FC2输出小的卷积核,根据经验,Convl层采用6 个大小为111的卷积核,Conv2层采用16 个大小为7 1的卷积核,取步长为1进行一维卷积运算,采用不同大小的池化核建立模型,分别进行7次训练,对训练时长的影响如图3所示.可以看出:采用4X1的池化核时,平均耗时为33.7 1s;采用2 X1的池化核时,平均耗时为36.0 1 s,可能是由于池化核越小计算量越大;采用6
20、1大小的池化核时,平均耗时为36.2 5s,可能是由于池化核过大特征提取不明显,从而不能及时完成训练.因此,Pooll层和Pool2层执行4X1的最大池化操作,步长为4.设模型训练迭代次数为2 0,选取常用激活函数进行训练,对测试集准确率的影响如图4所示.可以看出:当使用sigmoid激活函数时,测试集准确率较ConvlPool 1Conv2Pool 2FC1FC2FC3参数输出尺寸1024X1卷积层1卷积核尺寸:11X1池化层1最大池化尺寸:4X1卷积层2卷积核尺寸:7 1池化层2最大池化尺寸:41展平层全连接层1全连接层21014X6253X6247X1661X16976X1120X184
21、X1Softmax10X1第5期S/261图3不同池化核大小对训练时长的影响Fig.3Effect of different pooling kernel sizes on trainingduration10080%/率业联6040200图4不同激活函数对测试集准确率的影响Fig.4 Effect of different activation functions on the accu-racy of the test set低,训练2 0 次后准确率为38%左右;ReLU函数的表现虽然较好,但是经过2 0 次训练后不够稳定;选用常数为0.2 的LeakyReLU激活函数进行训练最终可以达
22、到准确率9 9%,在第10 次训练之后,LeakyReLU激活函数明显更加稳定.因此,在模型相应位置加入LeakyReLU激活函数,依据经验取系数alpha 为0.2,增加对特征细节的处理。图5为不同丢失率的训练结果.可以看出,加人Dropout操作后,随着训练迭代,模型在验证集的训10080%/率业联6040200图5不同丢失率对测试集准确率的影响Fig.5Effect of different missing rates on the accuracy of thetest set郭俊锋等:改进LeNet-5模型的滚动轴承故障诊断方法-21-41+6123训练次数SigmoidReLULe
23、aky-RuLU510送代次数0.250.50?0.75510选代次数37.练不仅收敛速度变快,而且稳定性更强,同时也防止了过拟合现象.不同的丢失率只对最开始的若干次训练有影响,经过2 0 次训练后都能使模型测试集准确率达到9 9%左右.为充分获取样本集特征,设Dropout 率为 0.2 5.图6 为加人BN层对测试集准确率的影响.可以看出:不加入BN层训练2 0 次后,测试集分类准451515620207确率为8 0%左右,在第18 次迭代结束时,达到最高值9 1%左右,模型准确率低且不稳定;加人BN层,在第11次迭代后,测试集分类准确率保持在 9 5%以上,相比之下准确率更高,收敛速度更
24、快,模型更稳定.因此,在全连接层后引人BN层,依据经验设参数 momentum 为 0.8.10080%/率聊联6040200图6 BN层对测试集准确率的影响Fig.6 Effect of BN layer on the accuracy of the test set2基于 1D-LeNet-5 模型的轴承故障诊断方法为了实现对轴承故障信号的特征提取和故障分类,本文对原始振动信号进行短时傅里叶变换,生成灰度图像,即时频图,包含丰富的时频信息,能更大程度地获得故障信息.短时傅里叶变换为S.(u,w)=z(u)r(ut)Je-jzodu(4)式中:u为时间;为角频率;(u)为时域信号;r(u一t
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LeNet 模型 滚动轴承 故障诊断 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。