故障诊断学习｜论文学习 第1篇 上
- 第1篇 上 -
这期将开始论文学习分享专栏，第一篇论文会完整翻译成中文，剖析论文各段框架及写作套路，帮助科研新手更快入门文献阅读，同时也为写论文打基础。
后期论文将会精简抽取论文主要部分进行展示，方便快速阅读论文。
论文信息
论文题目：A Deep Learning Method for Bearing Fault Diagnosis Based on Time-frequency Image
期刊、年份：IEEE Access (SCI 2区，简称Q2)，2017
作者：Jianyu Wang, Zhenling Mo, Heng Zhang, Qiang Miao*
机构：四川大学航空航天学院航空航天信息处理与应用中心，成都
内容概括：用8种时频图片分别作为CNN模型的输入，用5%-90%不同比例的训练集数据分别进行训练得到的结果进行展示比较。在CWRU等两个数据集进行了实验。
摘要
滚动轴承是旋转机械中减少运动副间摩擦的关键部件。轴承故障诊断一直是预测和健康管理领域的研究热点，特别是深度学习的应用。深度学习，如卷积神经网络(CNN)，与传统方法相比，可以自动提取特征。但是CNN模型的构建和训练过程仍然需要大量的先验知识，为了达到较高的分类精度，需要花费大量的时间来构建最优模型。此外，当考虑不同的输入形式(如不同的采样长度或信号形式)时，普遍适用性也存在很大的挑战。本文提出了一种通用的轴承故障诊断模型，该模型采用了著名的Alexnet模型，只需要替换最后一个全连接层，可以减少先验知识和建立新模型的额外时间。因此，有必要将原始加速度信号转换为均匀大小的时频图像，即使这些数据的大小不同。此外，通过8种时频分析方法生成的标准化图像，在两个案例研究中验证了所提方法的有效性。结果表明，该方法可用于轴承故障诊断。
关键字：轴承故障诊断、CNN、时频分析、可视化技术
I、引言
（第一段背景介绍：轴承很重要，发生故障会造成经济损失，因此进行故障诊断很必要）
轴承作为旋转机械设备的核心部件之一，其作用是支撑转轴，其可靠性关系到企业的经济效益甚至人员的安全。故障诊断是设备寿命预测和健康管理(PHM)[1]的一个分支，它包括故障检测、分离和识别，可以在发生故障时发出警告并避免灾难性事故。总的来说，主要通过三个步骤来实现:数据采集(即数据采集和存储)、数据预处理(即特征提取或信号分析)和故障识别(即故障定位和程度)[2][3]。因此，应在机械设备中探索有效的故障诊断方法，避免过高的维修费用和事故发生[4]。
（第二段列举故障诊断信号处理方法有哪些：时域，频域，时频域）
在信号处理步骤中应用了许多传统的方法，如快速傅里叶变换(FFT)、经验模态分解(EMD)[5]、小波变换(WT)[6][7]等。这些方法的共同目标是找出旋转轴承的故障特征频率。此外，常用时频分析方法在时域和频域上显示故障位置，如短时傅里叶变换(STFT)、Winger-Ville分布(WVD)[8]、Hilbert-Huang变换(HHT)[5]。
（第三段列举一些传统机器与信号处理方法相结合进行故障诊断的文献，并说明存在哪些不足，为下面用深度学习方法做铺垫）
统计学习分类器不关注单一故障，而是关注旋转机械中更多的故障类型，如支持向量机(SVM)[9]、k-最近邻(KNN)[10]、贝叶斯分类器(Bayesian clssifier)([11]、随机森林(RF)[12]等。然而，这些方法需要大量的专业知识和经验，无论是在数据预处理和特征提取。此外，很难从动态环境中挖掘最优特征。例如，当故障信号很弱时，所提取的特征不能准确地反映故障。特别是在各种工况下，最终很难实现故障诊断任务。
（第四段通过列举文献说明深度学习应用很广，现在研究很火，并具有自动提取特征的特点，很适合做故障诊断）
深度学习作为Hinton[14][15]自2006年提出的一种相对较新的、发展较快的方法，在各个领域都受到了极大的关注。与SVM、KNN、RF等传统机器学习方法相比，深度学习的优点之一是可以自适应提取特征，而不是手工提取。此外，深度学习具有较高的泛化能力和模型拟合能力，特别是在面对非线性问题和各种环境时。随着大数据时代的快速发展，深度学习在图像识别[16]、目标检测[17]、语义分割[18]、语音识别[19]、自然处理[20]等多个领域得到了应用。目前，深度学习模型包括深度信念网络(DBN)[14]、深度堆叠自编码器(SAE)[21]、卷积神经网络(CNN)[16]、循环神经网络(RNN)[22]、长短时记忆神经网络(LSTM)。
（第五段此段要大量列举文献来说明前人用了哪些深度学习方法来进行故障诊断）
由于深度学习技术的发展，基于深度学习的机械故障诊断方法得到了广泛的应用。卷积神经网络(CNN)作为一种流行的模型，依赖于其独特的结构，包括局部接受域、共享权滤波器和混合子采样。近年来，越来越多的基于CNN的方法在机械故障诊断中显示出其有效性。Guo等人[24]提出了一种层次自适应卷积网络，该网络既能很好地识别轴承故障模式，又能很好地识别故障大小。Chen等人[25]从时域和频域提取每个齿轮故障样本共256个统计特征，然后将其重塑为矩阵(16*16)作为卷积层的输入，与SVM相比，该方法具有更好的分类性能。Jing等人[26]使用三种形式的数据作为CNN的输入，分别是原始数据、频谱数据和经过小波变换的时频数据。Lu等人[27]将时间序列重塑为一个矩阵(20*20)作为层次CNN的输入，并分析了CNN各参数的影响。Zhang等人[28]提出了一种端到端CNN结构用于轴承故障诊断，无需任何预处理。他们的模型在变环境和噪声环境下表现良好。此外，他们可视化了模型背后的学习特性。由于关注不同润滑退化程度和转子不平衡程度诊断的人较少，Janssens等人[29]证明CNN可以成功应用于上述情况。Zhang等人[30]探索了一种迁移学习方法A2CNN，该方法在可变工作条件下具有很强的故障识别能力。在[31]中还研究了旋转机械的热图像。Verstraete等人[32]使用三种类型的时频图像进行CNN轴承诊断，证明了图像的质量对分类精度起着重要的作用。在深度学习中可以发现更多的时频分析[33][34][35]。
（第六段就要引出自己的方法，说自己提出方法的背景或者立场是什么，存在什么问题，要解决什么问题，然后你的方法是什么，有什么价值，概括说一下）
我们知道，准确的分类性能不仅取决于训练数据的质量，还取决于CNN模型的合适结构和训练参数。到目前为止，轴承故障诊断深度学习中的数据驱动方法主要包括时域信号、频域信号和时频图像三种数据形式。但是，由于输入数据的大小不同，CNN的层数和训练参数也不同，没有一种适用于不同轴承的通用方法。换句话说，不同的轴承需要建立不同的CNN模型。因此，由于CNN的框架和训练参数的选择并不容易，主要依靠人类的先验知识，因此构建最优模型需要花费大量的时间。幸运的是，迁移学习可以利用已构建的结构或记忆参数，继承其他预训练的CNN模型的优点，避免了之前知识的不足，节省了大量构建新模型的时间。迁移学习的调整主要取决于两个因素，即数据集的大小和数据相似度，如图 1所示。Alexnet作为一种优秀的模型，其输入尺寸为2维图像(224×224×3)[16]，具有良好的分类性能和网络结构。振动信号的时频分析图像易于满足Alexnet的要求。最重要的是，不需要担心数据长度的多样性，任何时域轴承振动信号都可以方便地转换成时频图像。
图 1 CNN模型训练策略
该方法的流程图如图 2所示。本文总结了该方法的贡献如下：
a)本文简要介绍了8种时频分析方法，因为我们主要关注的是它们的应用，而不是它们的理论和参数选择。旨在为时频分析方法和深度学习方法的集成学习提供更多的思路。
b)我们的研究将监测轴承的故障状态分为4种类型。因此，只有对Alexnet模型中最后一层神经元的数量进行微调，才能满足故障诊断的需求。由于轴承数据很大，新的迁移学习模型需要从头开始训练是非常大的。因此，基于Alexnet进行微调更节省时间，也不需要太多的专家知识。
c)使用两种类型的轴承试验来验证所提出的方法。即使每个原始数据的长度不同，也很容易将采样信号转换为相同大小的时频图像。得益于时频分析和迁移学习的CNN，很好地消除了数据长度多样性的障碍。最后，利用8种时频图像对所提方法的泛化能力进行评价。
图 2 所提方法流程图
（第七段概括说明该文每段的内容组织）
本文的其余部分组织如下。第2节介绍了八种时频分析方法的概念。第3节介绍了CNN的基本结构和随机梯度下降算法。在第4节中，首先介绍Alxenet模型，并进一步解释所提出的方法。在第5节中，使用两个方位数据集对所提方法进行验证，并使用可视化技术观察学习过程。最后对本文的结论和今后的工作进行了讨论。
Ⅱ、时频分析方法介绍
时域和频域信号通常用于监测旋转机械的状态。但两者都不能描述信号在时域和频域关系中的变化，而实际应用中的信号大多是非平稳[36]，如雷达信号、地震波、生物医学信号、振动信号等。因此，时频分析(TFA)理论满足了以图像形式分析信号的要求。此外，图像的质量直接影响深度学习中 特征提取的过程和分类的准确性。因此，探索深度学习在轴承故障诊断中的最优TFA方法具有重要意义。本文简要介绍了八种不同的TFA方法。
1、短时傅里叶变换(Short-time Fourier Transform, STFT)：典型的傅里叶变换(FT)仅仅描述了一个非平稳信号在频域的整体特征。相当于对时域信号的每一小段进行傅立叶变换。然而，一旦选择了窗函数，时域和频域的分辨率也是固定的。
2、Constant-Q Gabor Transform (CQGT):由于高斯函数的FT仍然是高斯函数，所以在Gabor变换中使用高斯函数作为滑动窗口。它被认为是实现了真正意义上的时频分析。然而，限制是固定的分辨率在时域和频域上都存在。与1/ (12n) th-oct滤波器组[37]相结合，CQGT可以提高高斯函数的性能。
3、瞬时频率(Instantaneous frequency，IF):大量时频方法不能清楚地描述频率的变化过程。因此，在[38]中进一步提出瞬时频率(IF)，它定义了信号谱峰随时间变化的位置。
4、快速谱峭度图(Fast kurtogram, FK): Antoni和Randall发展了FK理论[39]，以加快频谱峰度图的计算，用于轴承诊断[40]。它利用一组带通滤波器来估计谱峰度，而不是传统的STFT。合理选择中心频率和带宽，可以使非平稳信号的谱峰指数最大化。
5、 维格纳‑威尔分布(Winger-Ville distribution，WVD): WVD[8]比STFT提供更高分辨率的图像。但是，当信号中有多个分量时，就会出现交叉项。它需要在高质量的结果和计算复杂度之间建立协调的关系。
6、希尔伯特-黄变换(Hilbert-Huang，HHT):经验模型分解(EMD)的关键应用是它可以将复杂信号分解为有限个数的本征模态函数(IMF)，每个本征模态函数都包含原始信号的局部特征。希尔伯特谱分析方法可以分析原始信号的瞬时频率，并给出原始信号的时频分布。这两个过程的组合称为HHT[5]。
7、连续小波变换(Continuous wavelet transform, CWT): STFT虽然可以进行时频分析，但由于分辨率固定，不能自适应地分析信号。小波变换可以根据频率的变化自动调整窗口大小。它是一种用于多分辨率分析的自适应时频分析方法。
8、傅里叶同步压缩变换(Fourier synchrosqueezed transform，FST):与传统的STFT相比，通过对尺寸或频率系数的重新分配，避免了线性变换的不确定性关系。与STFT[42]相比，FST的应用在时频分析图像中产生更窄的脊线。
注明
1、由于本文翻译篇幅过大，后面将分节继续展开
参考文献
[1] Wang, Jianyu, et al. "A deep learning method for bearing fault diagnosis based on time-frequency image." IEEE Access 7 (2019): 42373-42383.
