基于BP神经网络的多尺度局部特征学习用于滚动轴承智能故障诊断外文翻译资料

 2022-08-09 14:56:43

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于BP神经网络的多尺度局部特征学习用于滚动轴承智能故障诊断

Jimeng Li, Xifeng Yao, Xiangdong Wang, Qingwen Yu, Yungang Zhang

摘要：传统的基于人工选择特征的智能故障诊断技术不能充分利用原始数据信息，缺乏特征自学习能力。而且，不同故障信号中信息最丰富、特征最明显的部分在时域和频域信号中只占很小的一部分。因此，为了自适应地学习原始数据的判别特征，提出了一种基于反向传播神经网络的滚动轴承故障诊断多尺度局部特征学习方法。基于故障特征在时域和频域的局部特征，利用BP神经网络从不同尺度的信号中局部学习有意义的、不同的特征，提高了故障诊断的准确性。通过两组滚动轴承数据集的对比，验证了该方法的有效性和优越性。

关键词：滚动轴承故障诊断、多尺度、局部特征学习、BP神经网络、支持向量机

1.引言

旋转机械在现代工业中起着越来越重要的作用。滚动轴承作为重要的支撑部件，广泛应用于各种旋转机械中，其健康状况与机械设备的安全稳定运行密切相关[1-3]。因此，研究有效的状态监测和故障诊断技术，对快速准确地评价滚动轴承的健康状况具有重要意义。

如何从复杂的振动信号中提取有价值的特征信息来评价设备的健康状况一直是研究的重点。智能诊断技术可以利用有效的特征信息对振动数据进行有效的分析和处理，获得准确的诊断结果，为复杂数据分析和模式识别提供了有力的工具。传统的智能故障诊断技术,如神经网络,支持向量机(SVM)等等,几乎都是需要通过各种信号处理方法提取原始数据的特征, 然后使用人为选定的特征向量作为智能分类器的输入实现多故障识别和分类。例如，Yan等人提出了一种基于改进的多尺度分散熵、最大相关度和最小冗余度的故障诊断方法，并使用极限学习机作为分类器实现了滚动轴承和齿轮箱不同故障的分类[4]。Dou等人利用故障轴承数据的频域特征和时域无量纲特征作为分类器的输入，讨论了K近邻算法、概率神经网络和粒子群优化SVM在故障诊断中的性能[5]。Glowacz等应用FFT、频率幅值选取法(MSAF -12)和矢量和的均值，得到振动信号的特征向量，然后将其输入到三个分类器中，实现感应电机的故障诊断[6]。Yuan等采用BPNN作为分类器，利用改进的原始信号的多元多尺度样本熵作为BPNN的输入，实现滚动轴承的故障诊断[7]。LU等人提出了一种改进的敏感特征选择算法自适应地从由时域和频域特征构造的多维特征向量中选择参数，然后使用RLS-BP神经网络通过对正常信号和故障信号的特征向量分类进行故障诊断[8]。虽然这些研究取得了良好的结果,仍有一些缺点在这些结合特征提取算法和分类模型的方法中:(1)选择有效的特征取决于人类经验和缺乏适应性,这难以满足在工程实践中分析各种故障数据的需求;(2)特征提取算法需要人工设计，这很难充分利用原始数据本身。深度学习作为机器学习的一个新的研究热点，具有强大的特征提取和建模表示能力，在许多领域引起了广泛的关注和研究[9-11]。目前，各种深度学习算法如convolutional neural network (CNN)， deep belief network (DBN)， stack auto encoder (SAE)等已经成功的应用于故障诊断领域[12-14]。如Sun等将“dropout”技术引入稀疏自编码器，实现异步电机的故障识别[15];Shao等人提出了一种基于深度小波自动编码网络和极值学习机(ELM)的滚动轴承故障诊断方法，能够有效地诊断滚动轴承的故障位置和严重程度[16]; Wen等人提出了一种数据驱动的CNN故障诊断方法。该方法首先将时域信号转换成二维图像，然后将其作为CNN的输入，提取有效的特征，从而实现故障分类。针对变量工作条件和嘈杂的环境对智能诊断算法的性能的影响[17]，Zhang等人提出了一种新的具有训练干扰的CNN方法，可通过直接使用原始振动信号实现噪声环境和不同的工作负载下滚动轴承的故障诊断[18]。该方法通过重用相邻样本间的数据点，优化模型参数，提高了模型的鲁棒性和分类性能。此外，Qi等人在SAE的基础上，采用EEMD和AR模型对原始振动信号进行预处理，得到AR参数，然后将其作为SAE的输入，实现滚动轴承和齿轮箱的故障诊断[19]。Mao等人受自编码器特征提取能力和ELM训练速度快的启发，提出了一种基于自编码器ELM的故障诊断方法[20]。该方法可以自动从信号谱中提取有效特征，获得较好的分类性能。针对自编码器去噪存在的一些不足，孟等人提出了一种增强去噪自编码器方法，用于滚动轴承故障诊断[21]。这些方法利用时域或频域信号作为深度学习模型的输入进行特征学习和故障分类，取得了较好的研究成果。但是，这些方法需要大量的样本数据进行参数学习，没有考虑信号中有效的局部特征信息对参数学习的影响。因此，根据故障信号的非线性和暂态特征的周期性，一些研究者从多尺度或局部特征学习的角度开展了一些研究工作。考虑到振动信号固有的多尺度特征，Jiang等人研究了一种多尺度CNN结构进行多尺度特征提取，从而识别出了风力机齿轮箱故障[22]。Gan等人将小波包多尺度变换与DBN相结合，提出了一种分级故障诊断网络，利用小波包能量作为DBN的输入，有效地识别轴承故障位置和严重程度[23]。Yan等人提出了一种基于多级小波包和CNNs的智能故障诊断方法。利用小波包变换构造多级小波系数矩阵来表示非平稳振动信号，然后利用神经网络自动学习多级故障特征，实现齿轮箱的故障分类[24]。LI等人利用VMD将振动信号分解为窄带分量，每个分量的功率谱熵作为由自编码和BPNN构造的DNN的输入来实现原始特征的减少和行星齿轮箱的故障分类[25]。Sun等人提出了卷积判别特征学习方法[26]。该方法首先利用BPNN从原始数据中学习局部特征，然后通过构造的前向卷积池结构获得最终特征。最后，利用SVM作为分类器实现感应电机的故障诊断。针对传统自编码器的不足，Jia等人提出了一种由规范化SAE构造的局部连接网络，用于智能故障诊断[27]。它可以从原始振动信号中局部学习各种有意义的特征来识别机械健康状况。Lin等人研究了一个集成的基于自编码器和ELM的分级学习框架，用于特征学习和PHM建模[28]。该方法考虑到数据信息的冗余性，将长数据样本分成多个段，然后输入基于自编码器的ELM进行局部特征学习。Lei等将长数据样本分成多个段，利用稀疏滤波进行无监督特征学习，并结合Softmax分类器实现滚动轴承的故障诊断[29]。以上分析表明，时域振动数据不仅含有大量的冗余信息和噪声干扰，而且高分辨部分只占信号的一小部分。如果用于特征学习的数据样本长度较长，则会降低有效特征的提取精度。同样，从频域的角度来看，不同的机械故障引起的振动响应频率也不同。如果将整个频段的振动数据局部学习各种有效特征，其他频段的噪声和干扰仍会影响敏感频段有用信息特征的提取，从而降低特征提取的精度。因此，不同的机械故障引起的振动响应特征不仅在时域具有局部特征，而且在频域也具有局部特征。上述智能诊断方法是从时域或频域对振动数据进行局部特征学习，未能同时考虑故障特征在时域和频域的局部特征。

在此基础上，提出了一种基于多尺度局部特征学习的滚动轴承智能故障诊断方法。首先利用小波多尺度变换将原始振动信号分解成不同尺度的子信号，防止其他频段的频率分量影响敏感频段的有效特征学习;其次，利用BPNN对不同尺度的子信号进行局部特征学习，获得有区别的局部特征;最后，将在不同尺度下得到的特征作为分类器的输入，实现故障的分类和诊断。本文的主要贡献总结如下:

（1）提出了多尺度局部特征学习策略，实现了振动原始数据在不同尺度下的局部特征学习，提高了各种有意义特征的提取精度。同时，基于良好的状态识别能力和简单的网络结构[30]，本文选择BPNN作为局部特征学习模型。此外BP神经网络可以有效地学习鲁棒特征，提高故障诊断性能[26].

（2）通过两组滚动轴承故障诊断实例，验证了该方法的有效性。以滚动轴承试验台诊断为例，详细分析了该方法中两个重要参数对分类性能的影响。通过与其他相关方法的比较，验证了该方法的有效性和优越性。

论文的其余部分组织如下。第2节简要介绍了BPNN的理论背景。第3节详细介绍了所提出的方法。在第4节中，通过两套滚动轴承数据集验证了该方法的可靠性和优越性。最后，第五部分得出了一些结论。

2.BP神经网络的理论基础

BPNN是一种常用的监督机器学习算法，它利用BP算法和带标记的训练样本对随机初始化的网络权值进行优化，实现预测或分类。图1为三层BPNN，包括输入层、隐含层和输出层。

在BPNN中，n维向量代表网络的输入,d维向量表示隐含层的特征表示，通过非线性变换建立输入层与隐含层之间的仿射映射，其表达式为

(1)

其中W和b分别表示网络的权矩阵和偏差向量。f(∙)是sigmoid激活函数.

在该神经网络中，输出层是一个Softmax分类器，隐含层的特征表示被映射到c维输出向量上。输出向量中的每个维表示当前输入特征属于某个类别的概率，最大概率值对应的类别表示当前特征表示所属的类别。隐藏层和标记输出层之间的映射关系如下所示

(2)

其中输出层分类器为Softmax函数，如等式（3）所示。

图1.BP神经网络的网络结构

在公式中，表示特征向量，是标记集，c表示类别的数目，为分类器参数。为了优化参数，采用均方误差作为代价函数对参数进行优化。此外，为了缓解网络过拟合问题，引入L2范数正则化，并将代价函数描述为

公式中表示第i个输出，是惩罚因子，该神经网络通过最小化代价函数得到最优参数。

3.提出的方法

本节详细介绍了所提出的滚动轴承故障智能诊断方法，算法流程如图2所示。该方法利用小波多尺度变换将原始数据分解成不同尺度的子信号，构造样本，用于不同尺度下的局部特征提取；通过训练BPNN模型，建立数据特征与标注数据之间的映射关系，得到隐藏层的判别特征表示。最后，结合不同尺度下得到的局部特征作为支持向量机的输入，实现滚动轴承的智能故障诊断。

图2. 滚动轴承故障诊断的流程图

3.1 基于小波多尺度变换的数据预处理

旋转机械的振动信号是复杂的、非平稳的。局部缺陷引起的有价值的特征信息与时域信号中的其他干扰分量叠加，考虑到故障特征在频域的局部特性，直接从原始数据中学习的特征可能不是最优的。小波变换作为一种有效的多分辨率分析信号处理方法，可以将原始信号分解成不同独立频段的子信号，不存在冗余和泄漏，便于不同尺度的特征分析和提取。因此，小波变换在机械故障诊断领域得到了广泛的研究和应用[31,32]。本文采用离散小波变换（DWT）作为原始数据多尺度分析的预处理方法，实现了不同尺度下的特征学习和提取。DWT的描述如下。

首先利用离散小波变换将原始振动信号x分解为J尺度。设，j尺度上的离散小波分解如下

(5)

其中和分别是尺度函数和小波函数；和分别表示近似系数和细节系数，如下所示

其中h(n)和g(n)分别为离散小波分解的低通滤波系数和高通滤波系数。通过以上分析，可以得到近似系数和不同尺度的细节系数{}。

其次，分别利用近似系数和细节系数进行单分量重建;即利用近似系数细节系数进行单分量重构时，其余系数均设置为零。DWT的重构公式如下

(7)

其中和分别是离散小波重建的低通滤波系数和高通滤波系数。通过上述重构过程可以得到，J 1不同尺度的重构分量{}。本文对采集到的振动信号x进行3级离散小波转换，得到4个重构分量{}，然后将每个分量分成M个长度为的非重叠段，构造样本进行参数学习和特征提取。换句话说,每个样本包括4部分,也就是说,，m=1,2,hellip;,M,为第四个分量。

3.2 BP神经网络的参数学习和多尺度局部特征提取

在旋转机械故障诊断中，采集到的振动信号受到强噪声的污染，不同故障信号中信息量最大、特征最明显的部分只占时域信号的一小部分。因此，本文首先将长序列样本分割成多个不重叠的片段，将其输入到BPNN中进行局部特征参数学习，从而获得能够表示样本局部特征的参数信息;其次，利用训练好的BPNN对样本中的4个分量进行局部特征提取，并进行池处理; 然后将各分量得到的局部特征进行组合，得到反映相应频带信息的整体特征;最后，结合样本中4个分量对应的整体特征，得到反映原始数据信息的多尺度特征。此外,由于样本包括4部分,每个部分的特征学习过程是相同的,部分被看作一个例子来详细描述BPNN的参数学习和局部特征提取算法，相应的算法流程如图3示。

第一步：BP神经网络的参数学习。右原始信号的3级DWT得到的分量被分成P个长度为 (远小于)的非重叠段，构成样本,p=1,2hellip;,P。构造的样本被用作BPNN的输入进行参数训练，得到输入数据的低维特征表示，以Softmax分类器作为输出层，建立特征表示与标注数据之间的映射关系以得到最优参数。

第二步：局部特征提取。在第m个样本中的分量以长度划分成个非重叠段，利用训练后的bp神经网络对段进行局部特征提取，得到各段的局部特征,i=1,2,hellip;。然后，以池参数对进行基于最大值的池处理和基于最小值的池处理来分别获得和。最后，将每个片段的集合局部特征组合起来，得到样本的分量的特征表示。

图3 BPNN参数学习和局部特征提取的算法流程（以样本中的举例）

第三步：多尺度局部特征组合。在样本中的其余三个分量和上执行上

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[239133]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章