基于深度迁移学习的齿轮故障诊断方法_刘世豪.pdf
《基于深度迁移学习的齿轮故障诊断方法_刘世豪.pdf》由会员分享,可在线阅读,更多相关《基于深度迁移学习的齿轮故障诊断方法_刘世豪.pdf(9页珍藏版)》请在咨信网上搜索。
1、2023年 第47卷 第5期Journal of Mechanical Transmission基于深度迁移学习的齿轮故障诊断方法刘世豪1 王细洋2 龚廷恺2(1 南昌航空大学 飞行器工程学院,江西 南昌 330063)(2 南昌航空大学 通航学院,江西 南昌 330063)摘要 针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)得到本征模态函数(Intrinsic Mode Function,IMF),同时取相关系数最大的IMF做Hilb
2、ert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。关键词 迁移学习 VGG16模型 Hilbert-Huang谱 齿轮故障诊断 全局均值池化Gear Fault Diagnosis Method Based on Deep Transfer LearningLiu Shihao1 Wang X
3、iyang2 Gong Tingkai2(1 School of Aircraft Engineering,Nanchang Hangkong University,Nanchang 330063,China)(2 School of Navigation,Nanchang Hangkong University,Nanchang 330063,China)Abstract Aiming at the problem of insufficient gear fault samples,a fault diagnosis method of transfer learning based on
4、 Hilbert-Huang spectrum and pre-trained VGG16 model is proposed.Firstly,the intrinsic mode function(IMF)is obtained by Empirical Mode Decomposition(EMD)of vibration signals,and the time spectrum is obtained by Hilbert transform of IMF with the largest correlation coefficient.Secondly,pre-trained VGG
5、16 is used to extract Hilbert-Huang spectrum image features of gears under varying loads and under various health conditions.Finally,the global average pooling layer is used to replace partial full connection layer of VGG16 model for classification output.Experimental results show that with a small
6、amount of sample data,the accuracy of gear fault diagnosis reaches 98.86%,which is better than the transfer learning methods such as TLCNN and Tran VGG-19.It is proved that the method presented in this paper has some research value in gear fault diagnosis.Key words Transfer learning VGG16 Hilbert-Hu
7、ang spectrum Gear fault diagnosis Global average pooling0 引言在工业4.0背景下,工厂设备呈现复杂化、智能化。齿轮箱作为机械设备必不可缺的部件,决定着设备的运行状态,而在齿轮箱失效形式中,齿轮故障占60%1。因此,齿轮故障诊断对于提高工业设备可靠性和降低生产成本具有重要意义。近年来,人工智能技术得到了快速发展,深度学习等智能计算方法在机械故障诊断中的应用也越来越受到重视2。An等3针对时变工况下采集的样本特征模糊、难以进行故障诊断等问题,提出了基于长短期记忆网络的诊断方法。Shen等4针对传统故障诊断方法依赖专业经验提取故障特征问题,引
8、入深文章编号:1004-2539(2023)05-0134-09DOI:10.16578/j.issn.1004.2539.2023.05.021134第5期刘世豪,等:基于深度迁移学习的齿轮故障诊断方法度置信网络,实现了故障分层诊断。作为在深度学习中较有效的方法之一,卷积神经网络(Convolutional Neural Network,CNN)在故障诊断领域得到了广泛研究。胡茑庆等5针对故障振动信号非线性和非平稳特性问题,提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)与CNN的故障诊断方法。Liu等6针对行星齿轮微弱故障特征信息较难提取问题,提
9、出了变分模态分解结合CNN的方法,完成了对微弱故障的提取与识别。但基于CNN的故障诊断方法会受到样本数量限制,没有足够的样本训练CNN,会导致模型过拟合。然而,缺乏故障样本在机械故障诊断研究领域是一个普遍的问题7。迁移学习致力于将在源域获得的知识迁移到目标域中,以实现模型在目标域中的高效训练。由于模型在源域中得到了充分的训练,因此,在目标域中利用少量样本就可得到理想的训练结果,解决了深度学习依赖大数据的问题。近年来,迁移学习在多个领域得到了广泛运用8-11,并在故障诊断领域取得了一定的研究成果。Yang等12提出一种基于特征迁移的故障诊断模型,通过实验数据学习故障特征,识别机车的健康状态。Ha
10、n等13为了解决数据稀疏问题,提出了一种同时进行监督分类和多个对抗域自适应的模型。Zhao等14针对数据不平衡问题,提出了一种归一化卷积神经网络,成功识别了不同位置和损伤程度的故障。然而,现有对迁移学习在故障诊断领域中的研究存在两个问题:其一,用于迁移的模型大都从零开始训练,而随着网络模型加深,其所需标注数据和训练设备资源也愈加庞大,模型训练难度增加。因此,现有故障诊断模型隐藏层大多小于 5 层15,这限制了模型对数据深层次特征的提取。而利用预训练模型的迁移学习,由于模型的复杂度较高,运用在小样本数据集中易导致过拟合。其二,目前的研究多以一维信号为主,然而一维信号受到样本长度的局限,输入样本特
11、征存在单一性问题,导致模型无法提取足够多的特征用于故障识别。针对以上问题,本文提出了基于Hilbert-Huang变换(Hilbert-Huang Transform,HHT)与深度迁移学习的齿轮故障诊断方法。首先,将采集的振动信号通过HHT转化为Hilbert-Huang谱作为模型输入。然后,构建以VGG16网络为预训练模型的迁移策略进行故障诊断;其中,VGG16网络是在大型视觉识别挑战赛中利用1 000个类别的100多万张图片进行训练,迭代超过37万次,校准了1.38亿个权重参数的深层次模型。为降低模型复杂度,提高其迁移学习的效率,通过t-SNE算法可视化特征提取过程以确定模型适合迁移的层
12、,并考虑到全连接层难以训练,引入全局均值池化层优化模型。最后,使用建立的迁移模型识别了变负载工况下齿轮的健康状态。1 Hilbert-Huang变换HHT由EMD和Hilbert变换两部分构成,不同于小波变换和短时傅里叶变换需预设基函数,该方法是一种自适应信号处理方法,在故障诊断领域广泛应用。HHT可将信号转化为表征时间、频率和幅值关系的Hilbert-Huang谱。1.1EMD与IMF分量选择EMD是一种依据信号自身时间尺度从大到小逐步分解出不同频率的本征模态函数(Intrinsic Mode Function,IMF)的方法。分解后的 IMF 存在 3 种分量,即信息主导分量、噪声主导分量
13、和纯噪声分量。选择合适的IMF分量能保障生成的Hilbert-Huang谱图包含故障信息,同时剔除干扰成分,突显信号局部特征。本文采用相关系数作为特征值筛选 IMF,选取与原始信号相关系数值最大的IMF分量制作Hilbert-Huang谱图。相关系数计算公式为i=j=1L(xj-x)(Ri,j-Ri)j=1L(xj-x)2j=1L(Ri,j-Ri)2(1)式中,i为第i个 IMF 与原始信号x(t)的相关系数;Ri为第i个IMF;L为信号长度。1.2Hilbert-Huang谱分析对于筛选出的IMF以I(t)表示,则Hilbert变换求其复共轭函数y(t)的公式为y(t)=1P-+I(t)t-
14、d(2)式中,P为柯西原理值。此时可求其构造函数z(t),即z(t)=I(t)+jy(t)=a(t)e j(t)(3)式中,a(t)为瞬时振幅;(t)为瞬时相位。有a(t)=I2(t)+y2(t)(4)(t)=arctany(t)I(t)(5)HHT中定义的瞬时频率为瞬时相位的微分,即135第47卷(t)=d(t)dt(6)瞬时频率(t)和时间t为自变量,瞬时幅值a(t)为因变量的函数H(,t)分布即为 Hilbert-Huang谱,即H(,t)=Rea(t)ej(t)dt(7)式中,Re代表取实部。HHT的优势在于摆脱了傅里叶分析中信号由正弦和余弦函数定义的束缚,赋予了瞬时频率物理意义,且能
15、同时表征结构振动过程中时域及频域响应。因此,HHT能较为准确地反映设备的运转变化状况。2 卷积神经网络、迁移学习2.1卷积神经网络CNN 一般由卷积层、池化层和全连接层构成。连续的卷积层和池化层构成一个卷积块用于数据的特征提取,低层的交替网络提取浅层特征,高层的交替网络提取更深层特征,而后全连接神经网络将提取的特征进行分类,数据通过这样逐层处理的过程称为正向传播运算。计算正向传播中的损失函数,配合优化算法更新网络参数以最小化损失函数称为反向传播。重复的正向传播与反向传播直至模型收敛构成监督学习的模型训练过程。2.1.1卷积层卷积层是CNN的核心,主要由若干个卷积核组成,卷积核以一定的步长遍历数
16、据的过程,即为特征提取的过程。卷积层具有稀疏链接和权值共享特点。稀疏链接是指当前层与上一层的节点只存在部分链接,权值共享是指当卷积核遍历数据时卷积核的权值与偏置项不变。这些特点降低了模型的参数冗余,可帮助模型获得更快的学习速率,并且能降低模型的过拟合风险。卷积层输出运算公式为Xi=f(Xi-1Wi+bi)(8)式中,Xi为第i层的特征矩阵;f为激活函数;Xi-1为第i层的输入矩阵;Wi为权重矩阵;bi为偏置矩阵。2.1.2池化层池化层又称下采样层,通常在卷积层之后,在模型中起数据降维、减少计算量的作用,且能够增强特征矩阵的不变性,使之在偏移、旋转等方面具有更好的鲁棒性。最大池化是应用最广的池化
17、方法,计算公式为Pki(j)=max(j-1)S+1 t jSqki(t)j=1,2,n(9)式中,Pki(j)为第i层第k个特征矩阵的第j个池化结果;qki(t)为第i层第k个特征矩阵第j次池化池化核所处理的区域;S为池化核的宽度。2.1.3损失函数损失函数的作用是将预测值与真实值之间的差异映射为非负实数,用以评估模型鲁棒性,通常用L(Y,f(x)表示。损失函数种类繁多,针对不同任务选取合适的损失函数能加快训练速度,避免陷入局部最优解。在分类任务中,交叉熵损失函数较为常用,计算公式为L(y,y?)=1NiNc=1Myicln(pic)(10)式中,N为样本数;M为标签数量;yic为符号函数,
18、若i的标签等于c,取 1,否则取 0;pic为预测概率分布。在模型训练过程中,达到模型全局最优解的实质是通过不断调节权重W和偏置项b使得损失函数达到最小值;而在小数据集条件下,模型易产生过拟合,即模型参数过多,导致其注意力偏离任务特征参数。为防止过拟合,在损失函数后添加L2范数。优化后的损失函数为L(y,y?)new=-L(y,y?)+2WTW(11)式中,为超参数;W为权重矩阵。2.1.4全连接层经过卷积层和池化层处理,数据被映射到特征空间,然后展平为一维向量,输入到全连接层进行特征分类,最后采用 Softmax 函数获取最后的分类结果。2.2迁移学习迁移学习是机器学习方法的一种,是将在一个
19、领域中学习到的知识或模型运用在不同但相关的领域上。迁移学习中,域和任务是其基础理论,域D包含特征空间X和边缘概率分布P(X);任务T包含标签空间Y和映射函数f(),其中,映射函数可以理解为在X条件下Y发生的概率P(Y|X)。当给定源域Ds和源域任务Ts、目标域Dt和目标任务Tt,迁移学习可将源域所学到的知识用于优化目标域映射函数f(),其中,Ds Dt或Ts Tt,有效降低了目标域中模型训练难度。根据迁移方式的不同,有4种迁移学习方法:1)基于样本的迁移:通过源域和目标域样本的136第5期刘世豪,等:基于深度迁移学习的齿轮故障诊断方法权重进行迁移。2)基于特征的迁移:将迁移的知识应用于源域和目
20、标域共同的特征子空间。3)基于模型的迁移:将源域模型中的一部分镶嵌到目标域模型中,训练参数不变。4)基于关系的迁移:根据不同领域的特定关系进行迁移学习。近年来,基于模型的迁移学习方法由于能与高性能的深度学习模型结合,因此,在故障诊断领域得到了广泛研究。现有研究中的迁移方式大都如图1所示。首先,利用源域数据训练一个新的故障诊断模型,而后将其中训练好的特征提取层迁移至目标域,在目标域中重新训练分类层。然而,训练一个深度学习网络是非常消耗资源的,并且网络层数越深,所需要的训练资源也就越庞大。基于实例模型的迁移方法可采用预训练模型解决这一问题。该迁移学习方法中,模型可由与目标域数据类型不同的源域训练获
21、得,而后利用带标签的目标域数据进行微调。图1基于模型的迁移学习Fig.1Model-based transfer learning基于实例模型的迁移学习方法有两种策略。第一种策略是利用预训练模型进行参数初始化,而后用较小的学习率优化预训练模型以最小化损失函数。通常是对预训练模型的输出层或部分隐藏层加输出层进行微调,即T,o=argminL(Tt,T,o)(12)T,hi,o=argminL(Tt,T,hi,T,o)(13)式中,T为更新后模型权重参数;T为预训练模型权重参数;L()为损失函数;o为输出层;hi为第i个隐藏层。第二种策略是利用预训练模型提取数据的特征,而后构建新的分类层将提取的特
22、征进行目标分类。其中,新的分类层不再依赖预训练模型进行初始化,而是通过目标域从零开始训练,即T,c=L(Tt)(14)式中,c为分类层。2.3改进的VGG16模型建立VGG16 模型由牛津大学 VGG(Visual Geometry Group)小组在 2014年 ImageNet大赛上提出16,其结构如图2所示,一共有16个参数训练层,分别为13个卷积层和3个全连接层。该模型与之前的网络如AlexNet相比,最大的区别在于使用连续的 2个和 3个 33卷积核(stride和 padding 都为 1)分别代替 55的卷积核和77的卷积核,这使得模型在感受野大小不变的条件下获得了更深的层次,且
23、减少了参数训练,有效提升了CNN效果。在每次卷积后执行1个修正线性单元(ReLU),并在连续卷积层后接1个核大小为 22、步长为 2、不添加填充的最大池化层,使得连续卷积之后的激活映射空间维度减半。连续的卷积层称为卷积块,数据经第5个卷积块中最大池化层处理后由展平层转化为一维数据,输入全连接层做分类处理。在VGG16网络中,全连接层可以针对不同的任务进行有效特征映射,完成分类任务,但仍然存在不足:其一,全连接层带来了庞大的训练参数,如表1所示,VGG16的第1和第2个全连接层占了整个模型训练参数的89%以上。其二,过深的全连接层会产生梯度消失问题,导致模型训练缓慢甚至停止更新参数。全局均值池化
24、通过取每个特征矩阵的均值作为输出,降低了数据维度的同时更好地保留了卷积结构,对输入空间转换具有更好的鲁棒性,且全局均值池化无须调参,能有效避免过拟合。本文通过采用全局均值池化层替换VGG16网络前两个全连接层,最终优化后的迁移模型如图3(a)所示。为体现模型优化后的优越性,在实验中与采用微调全连接层的VGG16模型进行对比,如图3(b)所示。图2VGG16模型Fig.2VGG16 model137第47卷2.4基于HHT与CNN的故障诊断框架提出的故障诊断技术路线流程如图4所示。具体步骤如下:1)利用加速度传感器从故障试验台采集不同工况下的齿轮故障振动信号,并进行等间隔分段处理。2)对划分好的
25、样本进行 EMD 预处理,选取相关系数最大的IMF进行HHT获取其Hilbert-Huang谱图,作为CNN训练和验证的数据集样本。3)利用在ImageNet得到充分训练的VGG16模型的训练参数初始化本文所提改进模型的5个卷积块。4)采用获取的Hilbert-Huang谱图像数据集对提出的模型进行训练,并在训练过程中根据训练结果对模型参数进行微调。5)将训练好的模型运用到测试集中,得到迁移学习的故障诊断分类结果。3 实验验证及分析3.1实验数据集描述实验所用数据采集于美国SQI公司的DPS故障诊断试验平台,如图5所示。其构件从左至右依次为驱动电动机、两级行星齿轮箱、平行齿轮箱、两级负载齿轮箱
- 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 深度 迁移 学习 齿轮 故障诊断 方法 刘世豪
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。