基于SW-DBA-DCNN的滚动轴承故障诊断方法.pdf
《基于SW-DBA-DCNN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SW-DBA-DCNN的滚动轴承故障诊断方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、总第347期1引言长期以来,轴承等工业领域核心机械部件普遍经受着载荷冲击复杂、强烈、高转速工况持续时间长、强噪声干扰等问题的考验1,一旦其不堪重负,这些隐患将严重影响到人员和装备的安全。目前基于数据驱动14的故障诊断是装备健康管理领域的研究重点,由于深度学习具有深层结构和较强的非线性特征提取能力56,面对复杂工况7条件下的故障诊断研究需求也更为贴合,目前的深度学习网络模型有卷积神经网络、深度置信网络、循环神经网络、堆叠自动编码器等。这些方法目前已经在故障诊断领域得到广泛的应用89,但存在的问题之一是在故障诊断的实际应用中数据样本量差异较大,给正确进行故障诊断带来了困难。Li10等提出了7种数据
2、扩增的方法,有效验证了时间序列扩增的可行性。Kun11等在提出5种数据扩增方法的基础上分析出基于时间序列的信号转换和时间拉伸技术能够取得较好的扩增效果。收稿日期:2022年11月17日,修回日期:2022年12月20日作者简介:张恒,男,研究方向:机械设备故障诊断。佘博,男,博士,讲师,研究方向:机械设备故障诊断。王俊,男,研究方向:机械设备故障诊断。王旋,男,博士研究生,研究方向:机械设备故障诊断。舰 船 电 子 工 程Ship Electronic Engineering总第 347 期2023 年第 5 期Vol.43 No.5基于 SW-DBA-DCNN 的滚动轴承故障诊断方法张恒佘博
3、王俊王旋(海军工程大学兵器工程学院武汉430033)摘要针对滚动轴承故障诊断过程中出现的数据样本量不平衡问题,论文提出一种基于Sliding Window-DynamicTime Warping Barycentric Averaging(SWDBA)的数据扩增方法,并构建深度卷积神经网络模型用于故障诊断。首先,通过分析传统数据扩增方法,提出基于SW-DBA的数据扩增模型。其次,通过搭建深度卷积神经网络建立故障诊断模型,并将利用扩增的新数据序列作为非平衡样本的补充,实现非平衡样本下的故障诊断。最后,通过人为设置两组不平衡样本下数据扩增前后的对比实验,分析故障诊断准确率分别由90.32%和80.
4、57%提升至93.33%和93.04%,验证论文提出方法能有效改善数据不平衡问题。关键词故障诊断;数据扩增;DBA;DCNN中图分类号TH17DOI:10.3969/j.issn.1672-9730.2023.05.030Rolling Bearing Fault Diagnosis Method Based on SW-DBA-DCNNZHANG HengSHE BoWANG JunWANG Xuan(College of Weaponry Engineering,Naval University of Engineering,Wuhan430033)AbstractAiming at th
5、e unbalanced data sample size problem in the process of rolling bearing fault diagnosis,this paper proposes a data amplification method based on SW-DBA,and constructs a deep convolutional neural network model for fault diagnosis.Firstly,by analyzing the traditional data amplification method,a data a
6、mplification model based on SW-DBA is proposed.Secondly,the fault diagnosis model is established by building a deep convolutional neural network,and the amplified new data series isused as a supplement to the unbalanced sample to achieve fault diagnosis under the unbalanced sample.Finally,by artific
7、ially setting up the comparative test before and after data amplification under the two sets of unbalanced samples,the accuracy of analysisfault diagnosis is increased from 90.32%and 80.57%to 93.33%and 93.04%,respectively,which verifies that the proposed methodcan effectively improve the data imbala
8、nce problem.Key Wordsfault diagnosis,data argument,DBA,DCNNClass NumberTH17146舰 船 电 子 工 程2023 年第 5 期为应对上述数据样本量不平衡的问题,通过引入滑动窗口(Sliding Window,SW)、动态时间规整(Dynamic Time Warping,DTW)12思想,结合深度神经网络,本文提出一种基于 SW-DBA-DCNN的滚动轴承故障诊断方法。首先,提出一种基于SW-DBA的数据扩增方法,实现非平衡样本的数据扩增13。其次,构建一个以深度卷积神经网络(Dynamic Convolution Ne
9、ural Network,DCNN)为基础的网络模型并确定其模块组成、输入输出和数据结构。最后,通过设置数据扩增前后对比实验,验证所提方法的有效性。2传统数据扩增方法2.1基于SW的数据扩增方法Sliding Window(SW)方法是一种在给定窗口大小的数组或字符串上提取子元素问题的方法,可以将提取子元素时的嵌套循环转换为一个循环,大大降低算法的时间复杂度。该方法的工作理念在深度学习的应用中极为广泛,特别是卷积核在卷积层、池化层中的滑动,能够让卷积核遍历所有数据,实现数据量的成倍增加。类似地,在时间序列信号中定义一个固定步长和长度的窗口,该窗口的长度和步长的乘积远大于原始数据量,也可以达到扩
10、增数据量的目的。如图 1,图中设置了一个滑动步长s为 80,窗口大小l为200的滑动窗口,这个窗口可以将一段信号长度L为1200的数据划分为x段长度为l的数据。x=L-ls+10501001502002500.50-0.50.40.20-0.2-0.40.40.20-0.2-0.4020406080100120140160180200020040060080010001200X 80Y-0.03444X 200Y-0.01218X 280Y-0.02388X 80Y-0.03444X 1Y-0.03444X 200Y-0.01218X 201Y-0.02388图1滑动窗口(SW)原理示意2.2
11、传统DTW的数据扩增方法Dynamic Time Warping(DWT)所处理的对象的是时间序列数据,其基本原理就是度量两个时间序列XiYj(其中ij)的相似性,通过把时间序列信号局部拉伸或者压缩,使其相似点能够尽可能地对齐。序列之间的相似性是由相似点间的距离来衡量的,而DWT所使用的方法就是将这些所有相似点 xi yi之间的距离加和得到总距离(Warp PathDistance),距离越小则相似度越高,以此来衡量两个序列之间的相似性。具体过程如下:1)定 义 两 个 序 列A和B,一 个 距 离 矩 阵Cm*n,矩阵里的元素(i,j)表示Ai和Bj两个相似点间的距离D(AiBj),lk=(
12、ij)k表示路径L的第k个元素。L=l1l2l3.lk-1lk(max(mn)km+n-1)2)为了保证这条路径不是随意选择的,每一个路径节点的确定还需要满足单调性和连续性的条件,因此,该路径的当前点是l(ij)时,那么下一个路 径 节 点 就 只 能 是l()ij+1,l(i+1j),l(i+1j+1)中的一种。3)这样看来,符合上述条件的路径可能有很多个,而 现 实 需 要 的 是 变 换 代 价 最 小 的 路 径DTW(AB),即:DTW(AB)=mink=1KlkK每次计算的距离都是前面距离的累加,累计距离表示为(ij)=d()qicj+min(i-1j-1)(i-1j)(ij-1)
13、4)常规方法在找到最优路径后,对该路径进行线性拟合,在线性拟合时需要设置每个路径节点的置信因子,得到不同置信水平下的多条路径,进而可以获得更多的新增数据。2.3基于动态时间规整(DTW)的全局平均 Dynamic Time Warping Barycentric Averaging(DBA)方法理念首先,与DTW不同的是DBA的数据扩增方法是一种基于DTW动态时间规整的全局平均方法,它会初始化定义一个平均序列,通过迭代计算不同时间序列对于平均序列的DTW全局平均值,反复完善最初的平均序列,以最小化其与平均序列的平方距离(DTW)之和。实际上平方总和的最小化问题就是平均序列的每个坐标的部分和的最
14、小化问题。由于一个序列集至少含有两个序列,平方总和是一个多序列平147总第347期方 和 的 总 和,通 常 被 称 为 组 内 平 方 和(WithinGroup Sum of Squares)。这里需要注意的是,平均序列的共同坐标的形成都是由每一个其他序列的一个或者多个相似点的贡献的,那么取这组相似点坐标的重心(Barycenter)就能实现对该平均序列坐标贡献的量化。具体实践上,DBA的计算分两个步骤:1)在创建的序列集中,每个属于这个序列集的单独序列都要和正在完善的临时平均序列计算DTW,找到平均序列的坐标和序列集的坐标之间的联系。2)对平均序列的每个坐标进行迭代更新,每一次迭代更新的
15、值即为第一步中与之相关的其他单独序列坐标的barycenter,直到迭代收敛。(1)定义S=S1S2.SN为待平均化处理的序列的集合;T=为迭代第i次的平均序列;T=为第i+1次迭代的平均序列,即对第i次迭代后平均序列的更新。这些序列的坐标都被定义在一个任意的欧式矢量空间E中。k1KTkE(2)运用函数assoc将平均序列的每个坐标与S中的一个或者多个序列的坐标联系起来。这个函数是在计算T和S的每个序列的DTW期间计算的。然后,平均序列T中的每一个坐标kth就可以被定义为T=barycenter(assoc(Tk)其中:barycenterX1X2.X=X1+X2+.+X(3)另外,平均序列T
16、(K)还必须满足以下条件:XEKn=1NDTW2()T(K)Snn=1NDTW2()XSnk1+XEkn=1NDTW2()TSnn=1NDTW2()XSn(4)再次计算平均序列和的所有序列之间的DTW,进行迭代,直至其收敛。3基于 SW-DBA-DCNN 的滚动轴承故障诊断模型本文在SW、DTW两种传统数据扩增方法基础上,将两种方法相融合,并引入DBA的计算理念,扩增出新的数据用于深度卷积神经网络的训练,以此来解决输入数据量少、样本不平衡的问题。3.1基于SW-DBA的改进数据扩增方法基于SW-DBA的扩增方法,具体流程如图3。1)假设某工况下轴承损伤实验原始数据样本量较少,需要进行数据扩增,
- 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 SW DBA DCNN 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。