崔桂艷,鐘倩文,鄭樹彬,彭樂樂,文 靜,丁亞琦

(1.上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院,上海 201600;2.上海地鐵維護(hù)保障有限公司車輛分公司,上海 200031)

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備中的主要組件,其是否失效直接影響機(jī)械設(shè)備運(yùn)行狀態(tài)和健康狀況。滾動(dòng)軸承故障診斷常采用振動(dòng)分析法,而采集到的振動(dòng)信號(hào)包含背景噪聲,且振動(dòng)信號(hào)具有非平穩(wěn)、非線性特征,如何從振動(dòng)信號(hào)中提取有效特征是進(jìn)行故障診斷的關(guān)鍵[1-2]。隨著故障診斷理論研究的深入,學(xué)者們提出了各種軸承故障診斷方法,例如：經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)[3]、BP(back propagation)神經(jīng)網(wǎng)絡(luò)[4]、PNN(probabilistic neural network)[5]、小波分析[6-7]和奇異值分解[8]等。隨著人工智能技術(shù)的不斷發(fā)展,支持向量機(jī)SVM[9],卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[10]的使用實(shí)現(xiàn)了軸承故障的自動(dòng)識(shí)別。

利用EMD[11]處理軸承振動(dòng)信號(hào)可以降低噪聲和提取故障特征,但其存在端點(diǎn)效應(yīng)及模態(tài)混疊等問(wèn)題。針對(duì)該問(wèn)題,Dragomiretskiy等[12]提出了一種非平穩(wěn)信號(hào)處理方法：變分模態(tài)分解(variational mode decomposition,VMD),克服了EMD方法存在的端點(diǎn)效應(yīng)和模態(tài)分量混疊的問(wèn)題,對(duì)采樣和噪聲具有較好的魯棒性,可以降低復(fù)雜度高和非線性強(qiáng)的時(shí)間序列非平穩(wěn)性,分解獲得包含多個(gè)不同頻率尺度且相對(duì)平穩(wěn)的子序列,廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷和識(shí)別。文獻(xiàn)[13-14]提出優(yōu)化的VMD方法,分別利用遺傳算法和包絡(luò)峰度的最大值確定VMD的模態(tài)分量個(gè)數(shù);文獻(xiàn)[15]提出一種基于變分模態(tài)分解與支持向量機(jī)相結(jié)合的滾動(dòng)軸承故障診斷方法,在少量樣本情況下能有效地對(duì)軸承的工作狀態(tài)和故障類型進(jìn)行分類。

近年來(lái),深度學(xué)習(xí)在故障診斷領(lǐng)域得到了一定的應(yīng)用[16],CNN[17-18]作為其中的主要方法之一,廣泛應(yīng)用于圖像識(shí)別領(lǐng)域,并取得了優(yōu)異效果。它利用卷積層、池化層、激活函數(shù)等基本模塊就可以實(shí)現(xiàn)對(duì)圖像端到端的學(xué)習(xí),避免了傳統(tǒng)方法的手工提取特征。文獻(xiàn)[19]提出多尺度卷積神經(jīng)網(wǎng)絡(luò),開發(fā)一種“端到端”的故障診斷系統(tǒng),該模型在復(fù)雜環(huán)境下性能更佳。

近20年來(lái),多源信息融合故障診斷作為一種智能、高效的故障診斷方法,在故障診斷領(lǐng)域的應(yīng)用越來(lái)越廣泛[20]。針對(duì)單傳感器反映的信息不全面問(wèn)題,利用多傳感器信息融合為故障診斷提供更多的信息。文獻(xiàn)[21]提出基于深度置信網(wǎng)絡(luò)與信息融合的齒輪故障診斷方法,與單傳感器故障診斷相比具有更高的故障識(shí)別精度。文獻(xiàn)[22]提出基于信息融合的機(jī)器人薄壁軸承故障智能診斷方法,比單傳感器診斷準(zhǔn)確率高。

針對(duì)上述方法,本文提出一種基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法,解決變工況下滾動(dòng)軸承故障診斷過(guò)程中泛化能力受限及單一傳感器反映信息不全面的問(wèn)題,實(shí)現(xiàn)變工況下滾動(dòng)軸承故障類別和損傷程度的精確診斷。

1 變分模態(tài)分解與卷積神經(jīng)網(wǎng)絡(luò)

1.1 變分模態(tài)分解

1.1.1 VMD理論

VMD基于維納濾波理論,Dragomiretskiy等在2014年引入VMD進(jìn)行自適應(yīng)信號(hào)處理。VMD是一個(gè)完全非遞歸的變分模態(tài)分解模型,在該算法中,本征模態(tài)函數(shù)(intrinsic mode function,IMF)被定義為一個(gè)有帶寬限制的調(diào)幅-調(diào)頻函數(shù),VMD算法是通過(guò)構(gòu)造并求解約束變分問(wèn)題,將原始信號(hào)分解為指定個(gè)數(shù)的IMF分量。在對(duì)信號(hào)進(jìn)行VMD分解之前,需要確定VMD的參數(shù),即需要預(yù)先確定模數(shù)和懲罰因子。確定影響參數(shù)后,對(duì)信號(hào)進(jìn)行VMD分解,得到一系列本征模函數(shù)。

1.1.2 VMD模數(shù)確定

采用一種由希爾伯特變換計(jì)算峰度值的方法,從而有效地優(yōu)化VMD模數(shù),本文采用懲罰因子和帶寬的默認(rèn)值α=2 000,s=0,初始模數(shù)設(shè)為K=2,為了確定模數(shù)K的搜索范圍和步長(zhǎng),借鑒了唐貴基等[23]對(duì)模數(shù)K的討論范圍。如果模數(shù)K過(guò)大,效率低,計(jì)算負(fù)荷重;如果模數(shù)K過(guò)小,容易引入噪聲。所以選擇K∈[2,15]作為模數(shù)的搜索域,步長(zhǎng)設(shè)置為1。

對(duì)采集到的振動(dòng)信號(hào)進(jìn)行VMD分解,計(jì)算設(shè)定模數(shù)K下各模態(tài)信號(hào)的包絡(luò)峰度值,通過(guò)比較得到該模數(shù)下包絡(luò)峰度的最大值,然后K=K+1繼續(xù)進(jìn)行上述分析,直到取K=15,得到各模數(shù)下包絡(luò)峰度的最大值。

假設(shè)VMD的模數(shù)為K,K∈[2,15],可以計(jì)算出每個(gè)模的包絡(luò),即

(1)

此外,K的第i個(gè)模式的包絡(luò)峰度計(jì)算如下

(2)

可以獲得局部最大ekK,max

ekK,max=max(ek1,ek2,ek3,…,ekK)

(3)

因?yàn)镵的搜索范圍為[2,15],搜索步長(zhǎng)設(shè)置為1,所以在整個(gè)搜索范圍內(nèi)可以獲得14個(gè)局部最大值。因此,可以得到全局最大值

ekg,max=max(ek2,max,ek3,max,ek4,max,…,ek15,max)

(4)

根據(jù)式(4)可以得到取ekg,max時(shí),對(duì)應(yīng)的K值,用K′表示,其中K′可以從式(5)得到

K′=arg max(ekg,max)

(5)

1.1.3 IMF分量選擇

VMD方法獲得的各IMF分量包括了原始信號(hào)不同時(shí)間尺度的局部特征,前幾個(gè)IMF分量體現(xiàn)了原始信號(hào)的主要特征。為保證構(gòu)造的灰度圖像能夠有效保留原始信號(hào)的故障特征,同時(shí)避免噪聲等成分的干擾,采用相關(guān)系數(shù)法篩選分解后的各個(gè)IMF分量,使用相關(guān)系數(shù)最大的IMF分量作為生成灰度圖像的數(shù)據(jù)。相關(guān)系數(shù)的計(jì)算公式[24]如下

(6)

式中：L為信號(hào)長(zhǎng)度;ρ(i)為第i個(gè)IMF分量與原始信號(hào)x(t)之間的相關(guān)系數(shù)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

1.2.1 輸入層

輸入層是整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的第1層,是卷積神經(jīng)網(wǎng)絡(luò)獲取灰度圖像的途徑,表示輸入一張灰度圖片的像素矩陣。

1.2.2 卷積層

卷積層的主要作用是對(duì)灰度圖像進(jìn)行特征提取,從而獲得比原始圖像抽象程度更高的特征。卷積層特征的計(jì)算公式如下

(7)

1.2.3 池化層

(8)

本文采用最大池化,池化層的作用是對(duì)圖像進(jìn)行降維處理、縮減圖像的像素,從圖像中提取更多的特征。

1.2.4 損失函數(shù)

損失函數(shù)代表預(yù)測(cè)值和真實(shí)值的相似程度,是一個(gè)非負(fù)實(shí)值函數(shù),損失函數(shù)值越小,說(shuō)明模型的魯棒性越好。本文采用交叉熵函數(shù)作為損失函數(shù),公式如下

(9)

式中：m為標(biāo)簽數(shù)量;p(xij)為數(shù)據(jù)的標(biāo)簽;f(xij)為分類器函數(shù)。

1.2.5 輸出層

通過(guò)卷積、池化和隨機(jī)失活處理后,圖像特征更加抽象。利用NIN(network in network)層代替全連接層,其中NIN層是指在卷積后面再跟一個(gè)1×1的卷積核和全局平均池化的組合,不僅省去了將特征圖展開的過(guò)程,還可以大幅減少輸入softmax層的參數(shù)。最后采用softmax函數(shù)將輸入的神經(jīng)元轉(zhuǎn)化為和為1的概率分布,實(shí)現(xiàn)最終的分類,輸出得到輸入圖像屬于不同類別預(yù)測(cè)的概率值。

2 基于VMD-CNN的多傳感融合軸承故障診斷方法

2.1 基于VMD灰度圖像編碼

滾動(dòng)軸承在實(shí)際工作中含有較強(qiáng)的背景噪聲,導(dǎo)致分析單一傳感器測(cè)得的信號(hào)難以得到全面的故障特征,影響故障識(shí)別的準(zhǔn)確率,而較優(yōu)傳感器位置的選取依靠試驗(yàn)人員的實(shí)踐測(cè)試經(jīng)驗(yàn)。所以,本文在特征層面將篩選出的IMF分量進(jìn)行依次排列并轉(zhuǎn)換成灰度圖像。

基于VMD灰度圖像編碼的主要步驟如下：

步驟1分別對(duì)驅(qū)動(dòng)端和風(fēng)扇端傳感器測(cè)得的原始振動(dòng)信號(hào)x1和x2進(jìn)行距離為n的等距分段。

步驟2將分段信號(hào)進(jìn)行VMD。

步驟3篩選相關(guān)系數(shù)最大的IMF分量。

步驟4設(shè)所需構(gòu)造的灰度圖像大小為n×n(一般取32×32,64×64,96×96等),可將寬度n分為2等分,構(gòu)造出n×n/2的2個(gè)區(qū)域,按照區(qū)域的大小對(duì)各傳感器信號(hào)篩選的IMF分量依次排列填充。

為了更好的進(jìn)行灰度圖像的對(duì)比,對(duì)篩選出的IMF分量進(jìn)行歸一化處理,歸一化處理的公式如下

(10)

式中：x,y分別為歸一化前、歸一化后的數(shù)值;Vmax,Vmin分別為原始灰度圖像的最大值和最小值。

2.2 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

為了能夠有效識(shí)別各種軸承狀態(tài)灰度圖像,需要設(shè)計(jì)合理的CNN。通過(guò)控制變量的方法對(duì)CNN進(jìn)行試驗(yàn),確定最終網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),試驗(yàn)分組情況如表1所示。

表1 試驗(yàn)分組情況

通過(guò)數(shù)據(jù)集對(duì)表1中設(shè)計(jì)的各組網(wǎng)絡(luò)進(jìn)行逐一訓(xùn)練、測(cè)試對(duì)比,最終確定了網(wǎng)絡(luò)結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)總共15層,包含5個(gè)卷積層,4個(gè)池化層,4個(gè)隨機(jī)失活層,1個(gè)全局平均池化層,1個(gè)用于分類的softmax層即輸出層,使用3×3的卷積核,最后一層卷積層采用1×1的卷積核,采用ReLU作為激活函數(shù),將全局平均池化層之后的分類輸出結(jié)果調(diào)整為10類?；赩MD-CNN的多傳感融合軸承故障診斷方法結(jié)構(gòu)圖如圖1所示,卷積神經(jīng)網(wǎng)絡(luò)各層參數(shù)如表2所示。

圖1 基于VMD-CNN的多傳感融合軸承故障診斷方法結(jié)構(gòu)圖

表2 CNN網(wǎng)絡(luò)參數(shù)

2.3 滾動(dòng)軸承故障識(shí)別算法

本文基于2.1節(jié)VMD灰度圖像編碼和2.2節(jié)卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建,提出了基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法,整體算法流程圖,如圖2所示,具體數(shù)據(jù)處理步驟如下

圖2 整體算法流程圖

步驟1將驅(qū)動(dòng)端和風(fēng)扇端傳感器采集到的原始振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行等間隔劃分,制作樣本數(shù)據(jù)集。

步驟2選擇K∈[2,15]作為VMD模數(shù)的搜索域,對(duì)每一個(gè)樣本計(jì)算各模數(shù)下包絡(luò)峰度的最大值,從而確定該軸承狀態(tài)下VMD的最優(yōu)模數(shù)。

步驟3對(duì)劃分好的各段數(shù)據(jù)進(jìn)行VMD分解,利用相關(guān)系數(shù)對(duì)分解后的IMF分量進(jìn)行篩選。

步驟4分別提取各階本征模態(tài)分量與原始信號(hào)相關(guān)系數(shù)最大的分量并進(jìn)行歸一化處理,依次排列多傳感器篩選出的IMF分量累計(jì)構(gòu)造數(shù)值矩陣。

步驟5將步驟4的數(shù)值矩陣轉(zhuǎn)換成灰度圖像,按照上述步驟將各軸承狀態(tài)的時(shí)間序列數(shù)據(jù)生成若干幅灰度圖像,作為CNN訓(xùn)練和測(cè)試的數(shù)據(jù)集。

步驟6隨機(jī)劃分訓(xùn)練集和測(cè)試集,利用訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),同時(shí)在訓(xùn)練過(guò)程中根據(jù)訓(xùn)練結(jié)果優(yōu)化、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)。

步驟7利用測(cè)試集驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)的有效性,并預(yù)測(cè)圖片分類結(jié)果,從而得到軸承振動(dòng)信號(hào)故障分類,輸出診斷結(jié)果并分析結(jié)論。

3 驗(yàn)證及結(jié)果分析

3.1 CWRU數(shù)據(jù)集結(jié)果分析

3.1.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)數(shù)據(jù)來(lái)源于美國(guó)凱斯西儲(chǔ)大學(xué)(Case Western Reserve University,CWRU)軸承數(shù)據(jù)中心的軸承數(shù)據(jù)集[25]。軸承型號(hào)為6205-2RS JEM SKF深溝球軸承,采用電火花加工技術(shù)在軸承上布置損傷,軸承損傷直徑有0.177 8 mm,0.355 6 mm和0.533 4 mm 3種。為了驗(yàn)證所提出的方法可用于變工況下的故障診斷,在一定程度上可以克服轉(zhuǎn)速差異的影響,選取了4種轉(zhuǎn)速、正常狀態(tài)和3種故障類型、3種故障直徑下的數(shù)據(jù),共40種工況的數(shù)據(jù)混合生成10種類別的灰度圖像,即正常狀態(tài)、內(nèi)圈損傷0.177 8 mm、內(nèi)圈損傷0.355 6 mm、內(nèi)圈損傷0.533 4 mm、外圈損傷0.177 8 mm、外圈損傷0.355 6 mm、外圈損傷0.533 4 mm、滾動(dòng)體損傷0.177 8 mm、滾動(dòng)體損傷0.355 6 mm、滾動(dòng)體損傷0.533 4 mm,美國(guó)凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承振動(dòng)數(shù)據(jù)如表3所示。

表3 CWRU滾動(dòng)軸承振動(dòng)數(shù)據(jù)

3.1.2 VMD模數(shù)分析

在搜索域中,DE端和FE端模式數(shù)K和包絡(luò)峰度最大值之間的關(guān)系,如圖3所示。針對(duì)軸承10種狀態(tài)樣本,可以得到DE端和FE端每個(gè)樣本取最佳模態(tài)數(shù)K′時(shí)包絡(luò)峰度的最大值。其關(guān)系如表4和表5所示。

(a)

表4 DE端K′與全局最大包絡(luò)峰度的關(guān)系

表5 FE端K′與全局最大包絡(luò)峰度的關(guān)系

由表4和表5可知,具體樣本與最佳模態(tài)數(shù)一一對(duì)應(yīng),給出某個(gè)具體樣本的VMD分解示例。例如DE端樣本8,當(dāng)K′=8時(shí)包絡(luò)峰度最大,根據(jù)樣本8使用具有8種模式的VMD分析原始信號(hào),即在VMD分解之后,產(chǎn)生8個(gè)本征模函數(shù),每個(gè)IMF分量的時(shí)域表示如圖4所示。

(a) IMF8

3.1.3 圖像轉(zhuǎn)換結(jié)果

對(duì)原始振動(dòng)數(shù)據(jù)等距分段時(shí),采用了長(zhǎng)度為32,64和96 3種情況,根據(jù)灰度圖構(gòu)造方法,長(zhǎng)度為32,64和96的信號(hào)分別可以構(gòu)造出像素為32×32,64×64和96×96的灰度圖像,使用CWRU軸承數(shù)據(jù)進(jìn)行試驗(yàn)。分別將3種長(zhǎng)度下的振動(dòng)信號(hào)生成灰度圖像輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練,不同像素大小的測(cè)試集精度曲線,如圖5所示。其中,32×32的灰度圖像由于像素點(diǎn)太少,圖像特征不明顯,無(wú)法區(qū)分10類軸承狀態(tài)。像素為96×96的灰度圖像測(cè)試準(zhǔn)確率略高于像素為64×64的測(cè)試準(zhǔn)確率,且測(cè)試精度曲線收斂速度以及穩(wěn)定性均優(yōu)于像素為64×64的灰度圖像測(cè)試精度曲線,能夠較好地區(qū)分10類狀態(tài)。綜合考慮最終采用像素為96×96的灰度圖像作為CNN訓(xùn)練和測(cè)試的灰度圖像像素。

由圖5可知,像素為96×96的灰度圖像測(cè)試精度曲線較像素為32×32和像素為64×64的測(cè)試精度曲線收斂速度快、平穩(wěn)性好以及測(cè)試準(zhǔn)確率高。像素為96×96的灰度圖像,如圖6所示。由圖6可知,經(jīng)上述方法構(gòu)造的10種不同狀態(tài)的軸承灰度圖像具有明顯不同的特征。

(a)

3.1.4 試驗(yàn)結(jié)果及對(duì)比分析

根據(jù)表3所示的數(shù)據(jù),一共生成4 000張灰度圖像。將圖像進(jìn)行隨機(jī)分配,每種狀態(tài)訓(xùn)練集和測(cè)試集的分配數(shù)量分別為320和80。

將網(wǎng)絡(luò)運(yùn)行5次,每次測(cè)試得到的測(cè)試集識(shí)別準(zhǔn)確率如表6所示。其中,第5次測(cè)試的訓(xùn)練集和測(cè)試集精度變化曲線如圖7所示,第5次測(cè)試的訓(xùn)練集和測(cè)試集損失變化曲線如圖8所示。在訓(xùn)練中一次迭代指所有數(shù)據(jù)在網(wǎng)絡(luò)中完成一次前向計(jì)算及反向傳播的過(guò)程。準(zhǔn)確率反映了模型正確識(shí)別的圖像比例,損失率用來(lái)評(píng)估模型的預(yù)測(cè)值與真實(shí)值的不一致程度。準(zhǔn)確率越大、損失率越小,說(shuō)明模型的識(shí)別能力和魯棒性越好。由圖7和圖8可知,無(wú)論訓(xùn)練還是測(cè)試,精度曲線迅速上升并趨于穩(wěn)定,損失曲線迅速下降并趨于穩(wěn)定,經(jīng)過(guò)100次迭代后,最終的測(cè)試精度和損失的值分別為100%和0.25%。

圖7 訓(xùn)練集和測(cè)試集精度變化

圖8 訓(xùn)練集和測(cè)試集損失變化

表6 多次測(cè)試的測(cè)試集結(jié)果

分析表6中的數(shù)據(jù),本文提出的方法獲得了較好的結(jié)果,5次測(cè)試的測(cè)試集平均識(shí)別準(zhǔn)確率為99.90%。由此可見,利用基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法分析軸承振動(dòng)信號(hào)能夠有效實(shí)現(xiàn)滾動(dòng)軸承故障診斷且穩(wěn)定性較高。

為了表示不同工況下每類故障的具體診斷情況,給出分類結(jié)果混淆矩陣,第5次測(cè)試結(jié)果的混淆矩陣,如圖9所示。其中橫軸表示預(yù)測(cè)類別,縱軸表示實(shí)際類別,對(duì)角線數(shù)值表示每一類別測(cè)試樣本的分類準(zhǔn)確率,非對(duì)角線位置的數(shù)值表示某一故障狀態(tài)分類的錯(cuò)誤率。從混淆矩陣結(jié)果圖可以看出,10種故障類別的分類正確率均達(dá)到100%。

為了驗(yàn)證本文所提出的方法,即基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法能有效識(shí)別軸承的故障類別,主要利用以下幾種方法進(jìn)行對(duì)比分析：①分別利用單一傳感器測(cè)得的信號(hào)(驅(qū)動(dòng)端和風(fēng)扇端)進(jìn)行VMD生成灰度圖像作為CNN的輸入(CNN模型與本文構(gòu)造的一致,僅改變輸入),得到2組對(duì)比結(jié)果(結(jié)果取5次測(cè)試的測(cè)試集平均識(shí)別準(zhǔn)確率);②基于EMD二值化圖像和CNN的滾動(dòng)軸承故障診斷方法;③基于變分模態(tài)分解和排列熵的滾動(dòng)軸承故障診斷方法。本文提出的滾動(dòng)軸承故障診斷方法與4種對(duì)比方法的比較結(jié)果,如表7所示。

由表7可知,本文提出的方法具有很高的故障識(shí)別準(zhǔn)確率,識(shí)別效果優(yōu)于其他4種方法,具有很好的泛化能力。

3.2 XJTU-SY數(shù)據(jù)集結(jié)果分析

3.2.1 試驗(yàn)數(shù)據(jù)

為了進(jìn)一步驗(yàn)證本文提出方法的有效性,采用XJTU-SY滾動(dòng)軸承加速壽命試驗(yàn)數(shù)據(jù)集進(jìn)行驗(yàn)證[27]。XJTU-SY數(shù)據(jù)集采集了軸承從正常到故障狀態(tài)的振動(dòng)信號(hào),包括單一故障和復(fù)合故障,覆蓋了不同的故障位置。為了驗(yàn)證所提出方法的軸承故障診斷效果,選取了垂向和水平兩個(gè)方向的振動(dòng)信號(hào),具體為3種工況、3種單一故障、2種復(fù)合故障類型下的數(shù)據(jù),共9種工況的數(shù)據(jù)混合生成5種類別的灰度圖像,如表8所示。

表8 XJTU-SY滾動(dòng)軸承加速壽命試驗(yàn)數(shù)據(jù)集

3.2.2 試驗(yàn)結(jié)果及分析

根據(jù)本文提出的方法對(duì)XJTU-SY數(shù)據(jù)集進(jìn)行試驗(yàn),像素為96×96的灰度圖像,如圖10所示。將網(wǎng)絡(luò)運(yùn)行5次,每次測(cè)試得到的測(cè)試集識(shí)別準(zhǔn)確率如表9所示。其中,第4次測(cè)試的訓(xùn)練集和測(cè)試集精度變化曲線如圖11所示,第4次測(cè)試的訓(xùn)練集和測(cè)試集損失變化曲線如圖12所示。

(a)

圖11 訓(xùn)練集和測(cè)試集精度變化

圖12 訓(xùn)練集和測(cè)試集損失變化

表9 多次測(cè)試的測(cè)試集結(jié)果

分析表9中的數(shù)據(jù),5次測(cè)試的測(cè)試集平均識(shí)別準(zhǔn)確率為100%。由此可見,利用基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法能夠有效實(shí)現(xiàn)滾動(dòng)軸承故障診斷。

對(duì)比圖7和圖11可以看出,所提出的基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法在CWRU數(shù)據(jù)集和XJTU-SY數(shù)據(jù)集上都能夠快速收斂并趨于穩(wěn)定,準(zhǔn)確率較高。說(shuō)明該方法具有一定的魯棒性和通用性。

圖13為第4次測(cè)試結(jié)果的混淆矩陣。從混淆矩陣結(jié)果圖可以看出,5種故障類別的分類正確率均達(dá)到100%。

圖13 故障分類混淆矩陣

3.3 抗噪性能測(cè)試

3.3.1 CWRU數(shù)據(jù)集抗噪性能測(cè)試結(jié)果

為了測(cè)試本文所提出方法的抗噪性能,分別在10種軸承類別下各加入40張?zhí)砑臃讲顬?.01高斯噪聲的加噪灰度圖像,加噪后10種軸承類別的灰度圖像,如圖14所示。將網(wǎng)絡(luò)運(yùn)行5次,加噪后每次測(cè)試得到的測(cè)試集識(shí)別準(zhǔn)確率如表10所示。其中,圖15為加噪前后第4次測(cè)試結(jié)果的測(cè)試集精度變化曲線對(duì)比。

(a)

圖15 加噪前后測(cè)試集精度變化曲線對(duì)比

表10 加噪后多次測(cè)試的測(cè)試集結(jié)果

由圖15可知,2種曲線的整體變化趨勢(shì)非常接近,加噪后最終識(shí)別的平均準(zhǔn)確率略有降低,平均測(cè)試準(zhǔn)確率為99.75%,略低于原始信號(hào)的平均測(cè)試準(zhǔn)確率99.90%,說(shuō)明加入噪聲圖像對(duì)網(wǎng)絡(luò)影響非常小,證明了本文所提出的CNN網(wǎng)絡(luò)模型具有很強(qiáng)的抗噪能力。

3.3.2 XJTU-SY數(shù)據(jù)集抗噪性能測(cè)試結(jié)果

在5種軸承類別下各加入40張?zhí)砑臃讲顬?.01高斯噪聲的加噪灰度圖像,加噪后5種軸承類別的灰度圖像,如圖16所示。將網(wǎng)絡(luò)運(yùn)行5次,加噪后每次測(cè)試得到的測(cè)試集識(shí)別準(zhǔn)確率如表11所示。加噪前后第5次測(cè)試結(jié)果的測(cè)試集精度變化曲線對(duì)比,如圖17所示。由圖17可知,2種曲線的整體變化趨勢(shì)非常接近,加噪后最終識(shí)別的平均準(zhǔn)確率略有降低,平均測(cè)試準(zhǔn)確率為99.90%,略低于原始信號(hào)的平均測(cè)試準(zhǔn)確率100%,說(shuō)明本文所提出方法具有優(yōu)異的抗噪性能。

(a)

圖17 加噪前后測(cè)試集精度變化曲線對(duì)比

表11 加噪后多次測(cè)試的測(cè)試集結(jié)果

4 結(jié) 論

針對(duì)滾動(dòng)軸承振動(dòng)信號(hào)非平穩(wěn)、非線性且易受噪聲干擾的特點(diǎn),以及單一振動(dòng)信號(hào)對(duì)某些軸承故障識(shí)別率偏低的問(wèn)題,提出一種基于VMD灰度圖像編碼和CNN的多傳感融合軸承故障診斷方法。將多傳感器振動(dòng)信號(hào)轉(zhuǎn)化為具有明顯特征的灰度圖像,實(shí)現(xiàn)了在變工況情況下滾動(dòng)軸承不同故障類型及損傷程度的診斷。主要結(jié)論如下：

(1) 采用VMD對(duì)驅(qū)動(dòng)端和風(fēng)扇端傳感器測(cè)得的原始振動(dòng)加速度數(shù)據(jù)分解,篩選各階本征模態(tài)分量與原始信號(hào)相關(guān)系數(shù)最大的分量并轉(zhuǎn)換成灰度圖像作為CNN的輸入,避免了最優(yōu)傳感器布置位置的選取,降低了對(duì)測(cè)試者實(shí)際測(cè)試經(jīng)驗(yàn)的需求。

(2) 所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)收斂速度快且具有較好的魯棒性,在CWRU數(shù)據(jù)集和XJTU-SY數(shù)據(jù)集上平均測(cè)試準(zhǔn)確度分別達(dá)到99.90%和100%,表現(xiàn)出良好的泛化能力;抗噪能力測(cè)試中,在CWRU數(shù)據(jù)集和XJTU-SY數(shù)據(jù)集上平均測(cè)試準(zhǔn)確度達(dá)到99.75%和99.90%,體現(xiàn)了本文所提方法優(yōu)異的抗噪能力。

(3) 相同條件下,多傳感器信息融合的正確率為99.90%,比單一傳感器的診斷正確率分別提高了0.70%和1.20%,采用信息融合方法比采用單一傳感器進(jìn)行故障診斷的準(zhǔn)確率高。