基于卷积双向长短期记忆网络的轴承故障尺寸估计_刘西洋.pdf
《基于卷积双向长短期记忆网络的轴承故障尺寸估计_刘西洋.pdf》由会员分享,可在线阅读,更多相关《基于卷积双向长短期记忆网络的轴承故障尺寸估计_刘西洋.pdf(12页珍藏版)》请在咨信网上搜索。
1、文章编号:1000-8055(2023)04-1005-12doi:10.13224/ki.jasp.20210292基于卷积双向长短期记忆网络的轴承故障尺寸估计刘西洋1,陈果2,郝腾飞3,潘文平1(1.南京航空航天大学民航学院,南京211106;2.南京航空航天大学通用航空与飞行学院,江苏溧阳213300;3.南京工程学院汽车与轨道交通学院,南京211167)摘要:基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方
2、法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到 99.94%和 98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。关键词:滚动轴承;故障诊断;损伤尺寸;深度卷积网络;长短期记忆网络中图分类号:V263.6文献标志码
3、:ABearingfaultsizeestimationbasedonconvolutionalbidirectionallongandshorttermmemorynetworksLIUXiyang1,CHENGuo2,HAOTengfei3,PANWenping1(1.CollegeofCivilAviation,NanjingUniversityofAeronauticsandAstronautics,Nanjing211106,China;2.CollegeofGeneralAviationandFlight,NanjingUniversityofAeronauticsandAstro
4、nautics,LiyangJiangsu213300,China;3.SchoolofAutomotiveandRailTransit,NanjingInstituteofTechnology,Nanjing211167,China)Abstract:The damage size identification of aero-engine rolling bearing based on vibrationmonitoringdataisofgreatsignificancetothestudyofrollingbearingfaultevolution,predictionanddiag
5、nosis.Inviewofinherentrestrictionsintraditionalidentificationmodelssuchashighdependenceonpriorknowledge,insufficientfeatureextractionandlimitedcategoryoftrainingfaultsizes,apredictionmethodofrollingbearingdamagesizebasedondeeplearningwasproposed,whichcanaccuratelyidentifythemiddlesizesthatdidnotappe
6、arinthetrainingprocess.Acombinedmodelofdeepconvolutionallong-short-termmemorynetworkwasdeveloped,whichcansufficientlyextractthemulti-dimensionalandtime-收稿日期:2021-06-09基金项目:国家科技重大专项(J2019-004-0071)作者简介:刘西洋(1994),女,博士生,主要从事航空发动机状态监测与故障诊断技术研究。E-mail:通信作者:陈果(1972),男,教授、博士生导师,博士,主要从事航空发动机整机振动、状态监测与故障诊断研究
7、。E-mail:引用格式:刘西洋,陈果,郝腾飞,等.基于卷积双向长短期记忆网络的轴承故障尺寸估计J.航空动力学报,2023,38(4):1005-1016.LIUXiy-ang,CHENGuo,HAOTengfei,etal.Bearingfaultsizeestimationbasedonconvolutionalbidirectionallongandshorttermmemorynet-worksJ.JournalofAerospacePower,2023,38(4):1005-1016.第38卷第4期航空动力学报Vol.38No.42023年4月JournalofAerospacePo
8、werApr.2023series characteristics of bearing vibration signal,and realize the intelligent and efficient diagnosis ofbearingfault.Onthebasisoftheoreticalanalysis,therollingbearingfaulttestsundervariousdamagesizesand rotational velocities were carried out by using the accelerated fatigue testing machi
9、ne for rollingbearings,andthetraditionalandnovelmethodswerecomparedbasedonthetestdata.Theresultsshowedthatthepredictionaccuracyofthecombinednetworkcanreach99.94%and98.67%,respectively,undernormalandnoisyconditions,higherthanthesingledeepconvolutionnetwork,long-short-termmemorynetworkandothermodels.T
10、hecomparisonresultsamplydemonstratethesuperiorityoftheproposedmethod.Keywords:rollingbearing;faultdiagnosis;damagesize;deepconvolutionnetwork;longandshorttermmemorynetworks滚动轴承是航空发动机的重要支承部件,对航空发动机的使用安全、寿命和可靠性具有重大影响。滚动轴承疲劳剥落是一种主要的失效形式,其剥落面积的大小直接反应滚动轴承的状态。试验规程规定,在滚道或滚动体上出现面积为0.5mm2的疲劳剥落坑就认为轴承寿命终结。然而,在
11、实际运行过程中无法直接测量出滚动轴承的损伤尺寸大小,且剥落故障具有一定时期的演化过程,通常轴承的损伤大小超过两个滚动体间距时,才定义为轴承失效。因此,基于振动监测数据,在剥落故障演化过程中,损伤大小低于滚动体间距的情况下识别出损伤大小,对于提前诊断轴承故障和预测轴承剩余寿命具有重要意义。国内外学者对此进行了较为广泛的研究,主要研究工作体现在两方面:直接基于振动信号的时域波形特征进行损伤大小识别;基于振动监测数据机器学习的状态评估方法。在基于振动信号时域波形的损伤大小识别方面,Luo 等人1基于滚珠经过表面损伤区的运动学机理以及Hertzian 接触理论,建立了以双脉冲时间间隔(du-alimp
12、ulsetimeseparation,DTS)和滚动体相互作用关系为函数的损伤尺寸估算模型;Kogan 等人2提出一种滚动体与损伤外圈相互作用的多体非线性动力学模型,在考虑径向载荷、转速与重力的条件下建立了损伤尺寸随冲击时间变化的函数表达式,并研究了表达式对几何参数的敏感性;XU等人3将奇异值分解与复合平方包络谱结合,实现了微弱故障信号提取与故障识别;Niehaus 等人4提出一种新颖信息准则(NIC)法对信息频段进行自动选择,该方法可以在高波动及低信噪比的情况下实现轴承损伤识别。基于机器学习方法的轴承损伤特定尺寸识别相关研究相对较少。在机器学习状态评估方法方面,Wang 等人5提出一种残差和
13、长短期记忆网络的组合网络,将方位特征信息加载到一个长时记忆单元中,并引入遗忘机制来提取时间序列数据的全局特征;Dovedi 等人6将轴承振动信号进行经验模态及可调 Q 因子小波时频二次分解,并提取基于分形维数的特征作为时频子带复杂度量,结合支持向量机对其诊断效果进行了评估;Toma等人7将离散小波变换与机器学习算法进行集成,从小波分解后的系数中提取特征并通过随机森林和极值梯度 boost 进行训练,结果表明该方法较其他模型具有更高的精确度。然而,直接基于振动信号的时域波形特征分析需要建立在非常明显的冲击响应特征基础上,受实际噪声干扰严重,分析方法的可靠性和稳健性很低,难于实际应用;基于振动信号
14、机器学习的方法往往只能对滚动轴承的状态做出定性的判断,很少直接应用于获取轴承表面的损伤尺寸预计,且传统的机器学习方法往往受学习样本和特征提取方法的优劣影响非常大。深度学习方法在特征自适应提取方面有着巨大的优势,因而被广泛关注与讨论,成为近年来研究的热点方向8。近年来,随着深度学习的火热而兴起的卷积神经网络(convolutionalneuralnetwork,CNN)方法,以其在大规模数据特征提取方面的独特优势而受到广泛关注。CNN 的核心内容是通过卷积与池化运算,使网络能够学到模式的空间层次结构且具有平移不变性9。在 CNN基础上发展而来的深度 CNN,相比浅层网络具有更强大的学习能力,因而
15、广泛应用于模式识别、故障诊断等领域。长短期记忆(longandshorttermmemory,LSTM)网络是在循环神经网络的基础上发展而来的,其独有的“门结构”在一定程度上解决了梯度爆炸或消失问题,能保留长期有效信息,对于时序数据处理具有独特的优势10。1006航空动力学报第38卷考虑到所使用的模型中,利用 CNN 对原始时序数据进行自适应特征提取只考虑了数据在多维度上的特性,未考虑数据的时间序列特性,因此会造成原始数据序列特征信息的丢失;采用 LSTM神经网络虽然可以对原始序列数据建模并进行序列特征提取,但忽略了时序数据在多维度上的特征。因此本文将 CNN 与 LSTM 网络进行组合,首先
16、通过 CNN 自适应地从原始信号中提取故障特征,再由 LSTM 网络对特征进行学习以建立时序回归模型,实现滚动轴承故障特征的自动提取与损伤大小估计。最后通过实际试验数据进行方法验证。1滚动轴承损伤大小识别的基本思想滚动轴承损伤大小识别的本质是基于数据的回归分析,是一个从多维实数空间到一维实数空间的映射。多维实数向量代表滚动轴承监测振动信号的时间序列数据,一维实数及代表输出的损伤大小。因此,滚动轴承损伤大小识别的关键在于两方面,即:如何从振动监测信号中提取出最优质的特征;如何构建更好的回归预测模型用以对损伤大小的识别和预计。研究流程如图 1所示。原始滚动轴承振动监测数据时间序列特征提取回归模型滚
17、动轴承损伤大小图1滚动轴承损伤大小识别流程Fig.1Flowchartofidentificationofrollingbearingfaultsize2基于卷积长短期记忆网络的轴承损伤估计方法为同时考虑到轴承故障信号的多维度特性与时序特性,本文提出了一种基于长短期记忆卷积神经网络的滚动轴承损伤尺寸预测模型。该模型由深度卷积神经网络与双向长短期记忆(bidirec-tionallongandshorttermmemory,BiLSTM)网络组成,能够对输入的原始振动信号进行深层特征和时间动态信息进行学习。深度卷积网络能够自适应地从原始信号中捕获轴承故障的空间特征并减少冗余数据,BiLSTM 网
18、络则负责提取数据的顺序时间特征,将 CNN 提取的空间状态进行连接,并实现滚动轴承损伤尺寸的预测。2.1特征提取卷积神经网络是一种多层感知器神经网络,其采用权值共享的卷积,通过增加网络深度,可以挖掘更丰富的数据信息11。作为深度学习中最常用的方法之一,与传统神经网络相比,深度卷积神经网络最大的优势在于其可以自动从数据中学习到更为抽象的特征,并对特征进行计算以用于分类或回归问题。2.1.1激活函数xiib在 CNN 传播的过程中需要更新的参数包括输入值、权重值、偏置,以及卷积核等。激活函数包括 ReLU、sigmoid、tanh 等,用来为神经网络引入非线性。卷积运算过程如式(1)所示:yj=f
19、|ni=1ijxi+bj|(1)xiyjijjxibjf()其中 表示输入信号,表示输出信号,表示神经元 与输入信号 所连接的权值,表示偏置。为激活函数,本文所用激活函数为 ReLU,其公式为f(yj)=max(0,yj)(2)神经网络单元内部传递结构如图 2 所示。输入神经元输出神经元激活函数h(z)=max(0,z)f权重x111x12x2z=fiixi+b()iixi+bixi图2神经网络单元结构Fig.2Unitstructureofneuralnetwork2.1.2网络结构本文搭建深度卷积网络模型由输入层、卷积层(C1C3)与池化层(P1P3)、dropout 层、BN(batch
20、normalization)层、全连接层(F1)与回归层组成。网络各层具体介绍如下。1)卷积层与池化层。卷积层用于对输入图像进行特征提取,卷积核数量分别为 16、32、32。池化层共有 3 层,池化方式采用平均池化,负责对第4期刘西洋等:基于卷积双向长短期记忆网络的轴承故障尺寸估计1007输入图像特征进行压缩与降维。两者交错堆叠,以完成数据降维与特征提取。本文在输入层后连接一层 22 的平均池化层,在减少计算量的同时尽可能保留更多的图像信息。模型的激活函数采用 ReLU,相对于其他激活函数,ReLU 具有稀疏特性且梯度稳定,在进行梯度下降和误差反向传播时有着更高的效率。2)Dropout 层。
21、在全连接层前添加 dropout 层,以 0.2 的概率随机置零神经元,以期望提高模型的泛化能力。Dropout 为 Srivastava 等人提出的一种正则化方法,其主要思想为增加对特征的随机选择,减少模型的过拟合12。相比其他正则化方法,dropout 方法具有计算方便、不依赖修改代价函数、对模型适应力强等特点,能够显著提升过拟合问题突出的深度网络的性能。3)BN层。在输入层后和 dropout 层前各添加一层 BN 层,目的在于进一步加快网络训练速度,防止梯度爆炸或消失以及减小过拟合。4)全连接层(fullyconnectedlayer,FClayer)。全连接层位于网络的核心特征提取架
22、构层与回归层之间,将最后一层输出的局部特征信息进行综合并输入至回归输出层,其大小设置为 1。5)回归层。与常用的分类网络不同的是,本文所采用的回归网络在全连接层后不设置激活函数,直接将尺寸判断结果以回归函数输出,最大程度保留特征提取结果。损失函数为均方误差(mean-squareerror,MSE)。AiAi所搭建网络结构如图 3 所示。其中 xi和 hi分别表示 LSTM 的输入与输出,和分别表示LSTM 正向与反向计算的隐藏层节点。x1x2xihih2h1FCMSEA1A1A2AiAiInputP1C1P2C2P3C3BiLSTMDropoutOutputF1双向LSTM层回归层全连接层B
23、N输入层池化层池化层卷积层(ReLU)2222池化层223316卷积层(ReLU)3332卷积层(ReLU)3332图3DCNN+BiLSTM 网络结构示意图Fig.3StructuraldiagramofDCNN+BiLSTMnetwork2.1.3损失函数与优化器神经网络的训练需要选择适合的损失函数与优化器,通过迭代更新寻找最优参数。由于本文使用回归网络,网络输出为具体的尺寸数值,因此采用方均根误差(rootmeansquareerror,RMSE)作为网络的损失函数,以直观描述预测值与真实值的差距。优化器则用以对损失函数进行优化,常用的优化方法有梯度下降法(stochasticgradi
24、-entdescentwithmomentum,SGDM)、自适应矩估计法(adaptivemomentdstimation,ADAM)、均方根传播法(rootmeansquarepropagation,RMSProp)等。本文比较了在学习率为 0.001,迭代轮次为 30的情况下不同优化器的表现,如表 1 所示。表1不同优化器的训练时长与损失对比Table1Trainingdurationandverificationlossofdifferentoptimizers优化器批量大小最终验证损失训练耗时/sSGDM320.0094426640.00222751280.0061192ADAM32
25、0.0261583640.01934041280.02702391008航空动力学报第38卷通过对比可以发现,SGDM 优化器在滚动轴承故障验证集上的表现最好,最终验证损失最低。因此本文选用 SGDM 优化器,批量的大小设置为 64。2.1.4CNN 特征提取流程将不同损伤尺寸的振动数据,转换成矩阵图的形式,输入 2518 的神经元中,这些神经元负责对矩阵图的像素亮度进行编码;卷积层使用 33的局部感受野对图像进行原始特征捕捉,池化层负责特征的降维和进一步提取,形成一系列凝缩的特征映射。随着卷积层和池化层的交叠使用,能够组合形成更为抽象的特征,最终形成对不同图像的特征描述。另外,卷积与池化的局
- 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 卷积 双向 长短 记忆 网络 轴承 故障 尺寸 估计 西洋
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。