一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法

1.本发明涉及深度学习技术领域，特别是涉及一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法。


背景技术：

2.近年来，随着国家产业升级、节能减排，要对航空发电机、轨道交通设备、农业设备等 大型机械系统实现实时故障诊断，开发具有健康监控、故障诊断检测与诊断、剩余寿命预测 等管理功能的先进健康监控系统。滚动轴承是旋转机械中的重要零件。在旋转机械的故障中， 由轴承损坏引起的故障约占30％。因此，滚动轴承的故障诊断对于旋转机械设备的状态监测 与维护有着重要意义。
3.在实际的工业环境中，尽管故障的类型相同，但在不同的工作条件下，它们的信号可能显示出很大的差异。许多滚动轴承故障诊断研究都集中在同种工况下模型的高精度上，忽略了不同操作条件对数据内部表示的重要影响，对数据特征的处理和选择也比较单一，缺乏全面性。
4.另一方面，虽然可以通过深度神经网络来训练非常强大的特征提取能力，但是却比较难以学习到数据内部通用的知识，导致最后训练出的模型只适合处理类似于训练样本分布的数据，在训练样本分布以外的测试数据上表现不佳。因此，在实际应用场景中，就会出现“模型退化”现象：某个阶段训练的模型在另一阶段获取的数据上测试性能下降。
5.深度学习滚动轴承故障诊断方法存在以下几个方面的问题。
6.其一，域适应问题。深度神经网络虽然可以训练非常强大的特征提取能力，但是却比较难以学习到数据内部通用的知识，导致最后训练出的模型只适合处理类似于训练样本分布的数据，在训练样本分布以外的测试数据上表现不佳。因此，在实际应用场景中，就会出现“模型退化”现象：某个阶段训练的模型在另一阶段获取的数据上测试性能下降。这就是深度学习的域适应问题。
7.其二，特征选择问题。在实际的工业环境中，尽管故障的类型相同，但在不同的工作条件下，它们的信号可能显示出很大的差异。关于故障诊断的许多研究都集中在同种工况下模型的高精度上，忽略了不同操作条件对数据内部表示的重要影响，对数据特征的处理和选择也比较单一，缺乏全面性。
8.其三，数据增强问题。在计算机视觉领域，传统的数据增强方式通过对图像进行裁剪、旋转、缩放等几何变换生成新的训练样本，图像标签保持不变。但是这种数据增强方式存在以下局限性：
9.1、生成的新样本属于同一类别；
10.2、不同类别不同样本之间的关系没有被建模；
11.3、出现过拟合现象。因此需要设计新的数据增强方式。


技术实现要素：

12.有鉴于此，本发明的目的在于提供一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，用以解决背景技术中提交的技术问题。该方法综合考虑原始振动信号的时域特征、频域特征、工况特征和时间差分特征，并将这些特征与原始信号融合在一起形成新的带有更全面信息的特征向量，通过混类增强策略对其分布进行扰动，抑制模型的过拟合，最终提高滚动轴承故障诊断模型的域适应性和泛化能力。
13.为了实现上述目的，本发明采用如下技术方案：
14.一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，该方法包括以下步骤：
15.步骤s1、提取原始一维振动信号中的时域特征、频域特征、工况特征和时间差分特征，并与所述原始一维振动信号组合形成新的一维信号样本；
16.步骤s2、将步骤s1中得到的新的一维信号样本转换为二维图像格式；
17.步骤s3、对步骤s2中经转换后的一维信号样本做混类增强处理，构造出虚拟样本和虚拟标签；
18.步骤s4、将步骤s3中得到的虚拟样本和虚拟标签作为训练集，输入至入resnet18网络中进行训练，得到故障诊断模型；
19.步骤s5、用未被训练过并且未做过混类增强的样本和标签作为测试集，在步骤s4中得到的故障诊断模型上进行测试，获得滚动轴承故障诊断分类结果。
20.进一步的，在所述步骤s1中，所述原始一维振动信号包括美国凯斯西储大学实验室的轴承实验数据，该实验数据采用12k采样频率下的驱动端轴承数据，由加速度计获得。
21.进一步的，在所述步骤s1中，通过对所述原始一维振动信号进行预处理来提取得到时域特征、频域特征、工况特征和时间差分特征，并且将提取到这四种特征与所述原始一维振动信号进行组合处理，组合形式为顺序拼接；所述时域特征包括：某一段信号上的最大值、均值、方差、均方根值、偏度、峰度；所述频域特征包括：小波系数、谱峭度、谱偏度；
22.所述工况特征包括：工作条件的one
‑
hot编码；所述时间差分特征：每个时间窗内的变化幅度特征。
23.进一步的，在所述步骤s2中，对所述新的一维信号样本的转换采用顺序拆分。
24.进一步的，在所述步骤s3中，所述混类增强处理包括线性插值，通过对经转换后的一维信号样本进行线性插值，用以构造出新的数据样本和对应one
‑
hot标签。
25.进一步的，所述故障诊断模型具有已经训练好的模型权重文件。
26.本发明的有益效果是：
27.本发明的一方面在于综合考虑了故障检测的不同工况条件，并将其与时域特征、原始信号融合，全面提取了与故障有关的性能指标，另一方面通过新的数据增强方法提高了故障诊断模型的域适应性，增强了模型的泛化能力，适合不同工况条件下的滚动轴承故障诊断，因为本发明提供的诊断方法，不仅提高了滚动轴承故障诊断的精度，还具有良好的域适应性，适合多种工况下的故障诊断。
附图说明
28.图1为实施例1中提供的一种基于特征融合和混类增强进行深度学习滚动轴承故
障诊断方法的流程示意图。
29.图2为实施例1中新的特征向量构建的示意图。
30.图3为实施例1中残差网络块结构示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.实施例1
33.参见图1
‑
图3，本实施例1提供一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，该方法包括以下步骤：
34.步骤s1、提取原始一维振动信号中的时域特征、频域特征、工况特征和时间差分特征，并与所述原始一维振动信号组合形成新的一维信号样本；
35.具体的说，在本实施例中，该原始一维振动信号使用美国凯斯西储大学实验室的轴承实验数据，并且该实验数据采用12k采样频率下的驱动端轴承数据，由加速度计获得。在该实验数据中，滚动轴承有四种故障类型：内圈故障、滚动体故障、外圈故障、正常。每种故障类型的故障直径分别为0.007英寸，0.014英寸和0.021英寸，因此，共有十种故障标签。
36.更具体的说，在本实施例中，除了提取原始特征之外，还提取括时域特征、频域特征、工况特征和时间差分特征，目的是在于增加特征的多样性。
37.上述特征具体包括：
38.时域特征：一段信号上的最大值、均值、方差、均方根值、偏度、峰度等。
39.频域特征：小波系数、谱峭度、谱偏度等。
40.工况特征：工作条件的one
‑
hot编码，以4种工况为例，one
‑
hot编码对应的特征向量分别为[1,0,0,0]，[0,1,0,0]，[0,0,1,0]，[0,0,0,1]。
[0041]
时间差分特征：每个时间窗内的变化幅度特征，具体地，定义一个时间窗内的时间序列为x＝(x1,x2,
…
,x
m
)，从该时间窗内的第二个时间点开始，分别求其相对于前一时间点的变化幅度，即ax
i
＝(x
i+1
‑
x
i
)/x
i
，最终可以形成新的时间序列
[0042]
更具体的说，在本实施例中，上述组合具体为：从多角度提取特征后，将提取的特征与原始一维信号进行顺序拼接，构建新的一维特征向量。
[0043]
步骤s2、将步骤s1中得到的新的一维信号样本转换为二维图像格式；
[0044]
具体的说，在本实施例中，该步骤对新的一维信号样本的转换采用顺序拆分，转换后的样本具有二维图像的表现格式，满足训练模型的输入格式。
[0045]
更具体的说，传统的一维分析通常会面临捕获机器故障状态的固有模式的困难。与一维信号相比，图像是二维数据矩阵，能够承载更强大的信息，表示更复杂的结构分布。为了捕获周期性信号的特征并利用二维卷积神经网络在图像分类上的强大特征提取能力，将特征融合后的一维信号转化为二维图像格式作为深度神经网络的输入。
[0046]
转换过程如下：
[0047]
首先将原始一维振动信号划分为n个相等的部分；
[0048]
然后每个部分按信号图像的行顺序排列：
[0049][0050]
公式中，i表示转换后的信号图像，x(t)是t时刻的振动信号，。转换后的图像格式为单通道，为了满足选用神经网络模型的输入格式，将单通道拓展为三通道，每个通道拥有相同的信息。
[0051]
步骤s3、对步骤s2中经转换后的一维信号样本做混类增强处理，构造出虚拟样本和虚拟标签；
[0052]
具体的说，在本实施例中，该步骤中的混类增强处理采用线性插值的方式，该方式可以构造出一批新的数据样本和对应one
‑
hot标签。
[0053]
更具体的说，混类增强是一种非常规的数据增强方式，该方法通过线性插值的方法得到新的拓展数据：虚拟的训练样本和标签。本质上，混类增强在训练样本及其标签的凸组合上训练神经网络，规范了模型的线性表达。此外，混类增强的实现简单而有效，符合奥卡姆剃刀原理。
[0054]
混类增强对样本的处理过程如下：
[0055][0056][0057]
公式中，(x
i
,y
i
)，(x
j
,y
j
)是从训练数据中随机抽取的两个样本，x
i
和x
j
代表原始输入样本向量，y
i
和y
j
代表one
‑
hot标签编码。λ～beta[α,α]，且λ∈[0,1]。α是一个超参数。
[0058]
步骤s4、将步骤s3中得到的虚拟样本和虚拟标签作为训练集，输入至入resnet18网络中进行训练，得到故障诊断模型；
[0059]
具体的说，在本实施例中，采用的resnet18网络为已有的经典网络模型，虚拟样本在匹配网络输入时会由单通道格式转换成三通道格式，每个通道拥有相同的信息。
[0060]
更具体的说，resnet网络是由残差模块构建的，图2展示了残差网络块的结构。
[0061]
resnet网络可以有效缓解深度神经网络模型增加层数后带来的退化问题。在残差块中，输入可通过跨层的数据线路更快地向前传播，不会给网络增加额外的参数和计算量。
[0062]
工业落地环境要求神经网络模型有速度快、体型小的特点，resnet18网络相较于其它 resnet50、resnet101等网络更为轻量，因此本实施例选用resnet18网络作为训练的模型，该网络有17个卷积层和1个全连接层。
[0063]
经过对样本一系列的预处理后，训练时resnet18残差网络的输入为预处理后的二维图像格式样本和对应的one
‑
hot标签，在训练过程中，通过迭代和adam优化算法对网络的权重不断进行更新。
[0064]
步骤s5、用未被训练过并且未做过混类增强的样本和标签作为测试集，在步骤s4中得到的故障诊断模型上进行测试，获得滚动轴承故障诊断分类结果。
[0065]
具体的说，在本实施例中，故障诊断模型在原始resnet18网络的基础上进行训练，具有已经训练好的模型权重文件，且测试集是未进行混类增强的二维图像格式样本及其对应 one
‑
hot标签。
[0066]
综上所述，本发明主要包括三个阶段，即特征融合、格式转换和混类增强。
[0067]
首先，提取滚动轴承振动信号的时域特征、频域特征、工况特征、时间差分特征，并将这些特征与原信号顺序拼接，形成新的特征向量，该特征向量带有更加丰富的特征信息。
[0068]
其次，将新的一维特征向量转化为二维图像格式。
[0069]
最后通过混类增强构造虚拟的样本和标签，将其输入resnet18网络中训练。训练好的模型可以在未经过混类增强的二维图像样本上进行测试。
[0070]
本发明具有以下优点：一方面，综合考虑了故障检测的不同工况条件，并将其与时域特征、原始信号融合，全面提取了与故障有关的性能指标，另一方面通过新的数据增强方法提高了故障诊断模型的域适应性，增强了模型的泛化能力，适合不同工况条件下的滚动轴承故障诊断。
[0071]
本发明未详述之处，均为本领域技术人员的公知技术。
[0072]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。