开源论文推荐 | 一种基于多传感器数据和周期采样的滚动轴承故障诊断方法

关键词: 故障诊断，卷积神经网络，数据融合，周期采样

图1 MDPS框架示意图。它由多传感器数据融合、融合数据的周期性采样和多通道卷积神经网络组成。

首先，从环境中获得不同位置传感器的振动数据。为了充分利用隐藏的异常特征，根据通道融合方案对多传感器数据进行融合，得到融合后的数据                            。然后，根据采样长度和步幅对融合数据                            进行周期性采样，得到包括特征                            和标签                            在内的样本集 合。最后，将样本                            的特征输入到CNN模型中，并使用样本的标签                            来监督CNN模型的学习过程或测试训练后的CNN的性能。

2.2 多传感器数据的通道融合

受到在图像分类任务中使用RGB三色通道来全面描述图像特征的思想的启发，我们直观地认为，轴承的故障特征也可以用                            个位置通道来表示。因此，将不同位置                            (大小                            )的监测数据建模为                            个单通道数据(大小                            )，然后将                            个单通道数据合并为通道维，得到多通道融合数据(大小                            )。最终，通过与                            通道的一维卷积，提取了多通道振动数据的融合特征。通道尺寸上的多传感器数据融合原理图如图2所示。

图2 多传感器数据的通道融合

2.3 多通道融合数据的周期采样

轴承的每分钟转数(                            )是可变的。根据                            ，我们可以用公式(1)计算出轴承的旋转周期(每秒转数，                            )。然后，根据采样频率                            和旋转周期                            ，我们可以用公式(2)计算出一个旋转周期内的采样点数。由于轴承的振动信号是通过旋转产生的，所以当轴承异常时，通过旋转产生的振动信号会出现异常波动。因此，我们合理地假设轴承的异常信号也具有周期特征，且周期与马达的旋转周期                            一致。基于上述假设，将每个样本的长度设置为轴承在一个或多个旋转周期中采集的采样点，用公式(3)定义每个样本的长度                            。

                             (1)

                            (2)

                            (3)

考虑到数据集中采样点总数小且固定，在故障诊断中，需要使用数据增强技术来缓解训练样本不足的问题，滑动窗口是最常用的方法。因此，从原始振动数据中，根据样本长度                            和滑动步幅                            对样本进行采样，最后，样本集的形式定义如下。

                             (4)

                             (5)

                             (6)

其中                            初始化为0,                             可根据实际需要进行调整。抽样过程如图3所示。

图3 多通道融合数据的采样过程

3.2.1 周期采样的步幅设置

根据2.3部分的周期采样方法，在0、1、2、3载荷作用下，轴承旋转一个周期的采样点数分别为                            和                             。为了使采样点数                            大于所有载荷条件下轴承旋转一周采集到的采样点数，本文设置                            。在一定的范围内，每个样本的采样长度                            越长(                            值越大)，故障诊断性能越好。但考虑到本文数据集中采样点的总数有限，为了获得更多的训练样本，我们将旋转循环次数                            设为1次，每个样本的长度为                            。

由于我们的采样方法是滑动窗口采样，另一个影响采样步幅                            的因素是采样步幅                            。在Load= 1、epoch= 80的条件下，研究了不同步幅                            对模型性能的影响。为了减少随机干扰，本文所有实验均进行了5次实验，最终得到模型在不同采样步幅                            下的平均准确率如表2所示。从表2可以看出，步幅                            对诊断模型的诊断精度具有显著影响。                            时，平均准确率为99.7%,                            时，平均准确率为84.4%。为了获得更多的样本，本文设置                            。

表2 Load=1时不同步幅下的平均准确率

3.2.2 网络参数设置

在这一部分中，CNN中需要预定义的超参数详细介绍如表3所示，我们使用的深度学习框架是Tensorflow2.6.0。

表3. 超参数

3.3 结果分析

由于现有方法的采样策略不同，采样长度差异较大，而且现有的大部分工作都不是开源的，所以采用了精度类似于12层网络WDCNN的经典6层CNN架构作为基线网络架构。为了证明我们的方法的先进性和有效性，我们设置了以下六种方法。

M0: 支持向量机+单位置数据(DE端) +周期采样(                            ,                              )

M1: CNN +单位置数据+随机抽样(                            )。
M2: CNN +单位置数据+周期采样。
M3: CNN +两位置融合数据(DE端和FE端) +周期采样。

M4:我们的网络(调整后的CNN) +单位置数据+周期采样。

M5:我们的网络+两位置融合数据+周期采样(MDPS)

经过五次实验，六种方法在四种载荷下的平均准确率如表4所示。

表4 4种负载下的5种方法 正确率平均值

通过分析表4的结果，可以得出以下结论:

(1) 单位置和两位置的对比实验结果表明了多传感器数据融合方案的有效性: 在M2的基础上，M3采用了两位置的振动数据，在所有载荷下的性能都优于M2。M3的平均准确率为99.3%，M2的平均准确率为98.8%。结果表明，不同位置的振动数据隐藏了不同的异常特征，多传感器振动数据的融合可以有效提高模型的诊断性能。

(2) CNN和我们的网络结构的对比实验结果表明了我们的网络结构的有效性: 在使用单位置数据的实验中，M4优于M2，在使用两位置数据的实验中，M5优于M3。这是因为当卷积步幅为1，池化步幅为2时，卷积网络可以更全面地提取周期性采样构建的数据中的异常特征。

(3) 随机抽样与周期抽样的对比实验结果表明了周期抽样方案的合理性:M1采用随机抽样，                            ，平均准确率为99.7%。M2~M5采用周期采样，                            , M5的平均精度为99.9%。另外，特别值得注意的是，随机抽样的高不确定性导致M1的性能不稳定(Load= 3时，最高精度为100%，5次实验中最低为98.3%)，因此周期抽样比随机抽样更合理。

(4) 所有的对比实验都证明了我们的MDPS方法的有效性:在所有的对比实验中，M5的诊断性能最好，这表明周期性采样(更精简的数据)、多传感器数据融合(更全面的异常特征)、调整CNN的网络结构(更详细的特征挖掘)可以协同帮助模型学习更全面的异常特征。M5的平均精度为99.9%，表明周期采样得到的样本几乎包含所有异常特征，证实了轴承异常特征具有与其旋转相同的周期性特征的假设。