LSTM融合多尺度卷积的轴承亚健康识别算法探讨

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:38889 论文编号:sb2021111011532539527 日期:2021-11-20 来源:硕博论文网
本文是一篇计算机论文,本文的主要工作如下: (1)首先,通过翻阅一系列信号处理方面的文献,决定了原始信号处理方式。然后,鉴于轴承“亚健康”识别的发展趋势,并通过阅读大量国内外专家的研究成果,决定采用深度学习方法进行本文课题的研究,即改进 LSTM 融合多尺度卷积的亚健康识别算法研究。

第1章 绪论

1.1 研究背景及意义
随着科学技术的不断进步,高质量、低成本和高度定制化产品的需求也在不断增长,进而对机械生产系统可靠性和智能性的要求在不断提高。机械设备的状态监视和故障检测机制有望在每时每刻提供有关机器实际工作状态的信息,设备长时间运作的压力和设备老化磨损所带来的相关问题,不是由生产线的优秀与否和设备的先进与否所决定的,尤其是在长时间的工作中,设备中任何零部件出现运行问题或损坏都会造成严重的后果,轻则会对经济效益进行冲击和影响,重则还会对威胁到操作人员的生命安全,特别是在一些重工业领域。关于机械设备故障可能性的大量研究表明,滚动轴承故障是最常见的故障类别,占所有机械设备故障总数的三分之一,由于滚动轴承工作条件较为恶劣,每一时刻轴承状态都可能千变万化,所以对滚动轴承的监测和诊断在实际应用中极具价值[1]。
机械设备处于故障状态在大多情况不是一个瞬间的过程,也就是说有些机械设备并不会马上呈现出故障状态,而是表现在一种健康和故障之间,故而把这种状态称之为“亚健康”状态。“亚健康”一词最初来源于医学界,它描述了一种病态,顾名思义,处于此种病态的事物并不是完全没办法工作。出于医学界这一名词的启发,考虑到机械设备在工作中很可能在某些时刻处于这种中间状态,即并未完全丧失工作能力[4]。处于此状态下的机械设备不会立即停止工作,然而若不马上更换损坏零件而继续使设备处于运行状态可能会让这种“病态”愈发严重,久而久之,这种“病态”将慢慢演变为损坏的状态,导致设备无法继续工作,因此对监控机械设备是否处于“亚健康”状态极具意义。
滚动轴承的亚健康状态识别技术,可以分为基于模型的方法和基于数据驱动的方法,或者细分为基于物理模型、基于统计模型、基于人工智能和混合技术的方法。基于模型的轴承亚健康识别方法是使用物理原理建立数学模型,然后通过数学模型诊断轴承的亚健康状态,但是,基于模型的方法需要具备广泛且深厚的相关领域的知识,并且对于复杂系统的开发成本过高。相对于基于模型的方法,基于数据驱动的方法依赖于通过加速度计和传感器从轴承获得历史测量数据,通过分析历史数据推断出轴承的健康状况,可用于诊断复杂和难以建模的系统的状态[5]。之前国内外研究学者们最常用的方法就是采用加速度计对轴承的振动信号进行采集并分析,然后通过人工手段进行特征提取,最后选用机器学习算法进行特征选择和分类,然而这类传统的亚健康识别方法普遍依赖实验人员的经验和数学知识的积累,这样方能提取更有用的故障特征,若是经验和相关知识不足可能会提取不当的特征信息,造成亚健康识别结果有偏差。
..................................

1.2 亚健康识别研究现状
在早期的轴承故障诊断领域,由于还未出现“亚健康识别”这一概念,所以检测手段通常是在轴承故障之后进行诊断,由相关技术人员进行拆卸、调修、安装、调试[12]。但是随着科学技术的不断发展,轴承故障诊断领域的研究方向正和计算机技术不断融合,并取得了前所未有的突破,关于此方面的研究也是比比皆是。
在上一节中我们已经介绍了传统亚健康识别方法与深度学习亚健康识别方法对比,另外经参考查阅大量国内外滚动轴承故障诊断的文献后可知,传统的轴承亚健康识别方法主要分为振动信号获取、故障特征提取、故障特征选择和故障特征辨别四个阶段。其中振动信号获取主要是通过在机械设备上使用加速度计进行获取;故障特征提取主要是将原始振动信号映射到统计参数上,由此获得轴承的状态信息;故障特征选择主要是从提取的故障特征中重新建立维数低的新特征;故障特征辨别主要是选择原始分类器或者是优化后的分类算法对故障特征进行识别分类[11]。
虽然传统的亚健康识别方法已经取得了较好的成效,但在真正的实施环节,大多数情况需要依赖相关专业知识和经验,比如需要研究人员熟知不同工况的亚健康识别系统,以及对振动信号的频带分布和各个部件的亚健康频段具有透彻的了解,鉴于实际工况和条件的复杂性,对专业人员的经验储备要求更高。因此,建立人工智能的亚健康识别方法更符合当今的发展趋势,随着人工智能领域的更新发展,研究人员开始使用深度学习方法构建智能化的亚健康识别方法,并大量涌入了很多优异的识别方法,此类识别方法普遍不需要进行相关的信号分析处理,只需要对有标签的故障特征进行学习,完成亚健康识别分类,取替了传统方法繁琐的识别过程,大大提高识别效率,吸引国内外专家的广泛关注[12]。近年来,深度学习因其高效的特征提取方式和模式识别网络结构而逐渐成为热门,克服了传统机器学习算法的缺点,使建立更深层的亚健康识别模型成为可能,因此深度学习模型正在逐渐迈进轴承亚健康识别领域的大门[13]。
................................

第2章 相关理论分析

2.1 卷积神经网络
在 20 世纪八十年代,YannLeCun 提出了卷积神经网络(CNN)的概念,其早期主要被应用于识别手写的数字,后来随着 CNN 研究的不断深入,又被多数用于处理图像等。由于其不需要进行特征提取的预处理,输入原始的图像就可以直接输出结果,因而被广泛的使用,这种处理模式也被称作是一种“端到端”的处理模式[27-28]。有学者将其应用于模式识别中,而对轴承的亚健康状态监测本质也是一种模式识别,端到端的处理模式简化了人工手动提取特征的过程,输入原始振动信号就可以得到健康状态的监测结果。所以,卷积神经网络也逐渐被用于轴承的亚健康识别中。
卷积神经网络是由多个滤波阶段和分类阶段组成,滤波阶段的目的是从输入中提取特征,其中包含两种层,卷积层和池化层。分类阶段是由几个全连接层组成的多层感知器[29]。每一种类型层的功能将在本节进行描述。
2.1.1 卷积层原理分析
在卷积层主要通过卷积核(滤波器)对输入数据的部分固定区域进行卷积计算,每个卷积核都连接到特征表面上层的局部区域,并将卷积得到的结果输送给给非线性激活函数,以获得卷积层的每个单元,通过卷积计算的方式提取得到对应的特征[30]。
图  2-1  一维卷积操作示意图
图  2-1  一维卷积操作示意图
...............................

2.2 循环神经网络
循环神经网络(RNN)初期是 Schmidhuber 提出的,之后有许多研究人员对其进行改进。RNN 具有处理序列数据的能力,广泛被应用于自然语言处理领域。由于 RNN 具有序列记忆,因此,RNN 在信号处理、语音分类和视频字幕等一系列复杂的序列问题上表现出了最先进的性能[34]。
2.2.1 RNN 网络结构
RNN 在每个层级之间的神经元也采取连接的方式,RNN 的结构如图 2-4 所示:
图  2-4 RNN 结构示意图
图  2-4 RNN 结构示意图
..........................

第3章 多尺度 CNN 亚健康识别算法 ............................... 20
3.1  卷积神经网络模型分析 ....................................... 20
3.2  轴承数据处理方法 ........................................ 21
3.3  多尺度特征提取的 CNN 模块 .................................... 24
第4章 改进 LSTM 优化多尺度 CNN 的亚健康识别算法 ................ 31
4.1  多尺度 CNN 特征提取问题分析 ......................... 31
4.2  改进的 LSTM 网络 ......................................... 32
第5章 实验结果与分析 ............................ 40
5.1  实验数据 ............................................... 40
5.2  数据预处理 ................................................ 42

第5章 实验结果与分析

5.1 实验数据
为了验证本文所提模型的有效性,基于凯斯西储大学(CWRU)轴承数据中心的轴承数据集进行了实验[60],数据采集平台如图 5-1 所示:
图  5-1  数据采集平台
图  5-1  数据采集平台
............................

第6章 总结与展望

6.1 总结
针对传统的 CNN 每个卷积层只使用单一尺寸的卷积核,不能多尺度的提取轴承数据中隐藏的多尺度特征,本文先是提出一种多尺度 CNN 模型。另外,由于卷积神经网络仅仅考虑到空间的相关性,可以刻画局部空间特征,利用多尺度卷积的方式也可能只是单纯提取到空间特征,鉴于轴承故障诊断的实测振动信号是一维序列数据,所以要考虑数据间存在的时序信息对诊断精度的影响。由于LSTM 具有较好处理时间序列数据的能力,所以加入 LSTM 网络提取轴承数据的时序信息,提出改进 LSTM 融合多尺度卷积的亚健康识别算法,将时间特征和空间特征进行融合,有效的提高了诊断精度。
本文的主要工作如下:
(1)首先,通过翻阅一系列信号处理方面的文献,决定了原始信号处理方式。然后,鉴于轴承“亚健康”识别的发展趋势,并通过阅读大量国内外专家的研究成果,决定采用深度学习方法进行本文课题的研究,即改进 LSTM 融合多尺度卷积的亚健康识别算法研究。
(2)针对由于单一时域振动信号并不能提供丰富的进行“亚健康”诊断的信息,还需考虑频域的信息,另外滚动轴承局部“亚健康”引起的振动信号是非平稳的,小波包分解很适合处理非平稳信号,具有很高的时频分辨率,可提供更丰富的低频和高频信号分析,所以本文采用小波包分解进行信号处理。然后,针对传统 CNN 因卷积核尺寸选取不当可能导致卷积核不能完整覆盖一个完整振动信号周期或者无法精确定位时域信号中的冲击特征的位置问题,提出多尺度卷积,采取多个不同尺寸卷积核多角度的提取特征,最后输入到分类器中进行亚健康识别。
(3)由于 CNN 仅考虑到空间的相关性,只可以刻画局部空间特征,鉴于轴承故障诊断的实测振动信号是一维序列数据,不得不考虑数据间存在的时序信息对诊断精度的影响。而 LSTM 网络具备长期记忆的能力,能够对时序信息进行计算,挖掘其潜在的时序规律,故提出改进 LSTM 融合多尺度卷积的亚健康识别算法,并对 LSTM 网络单元结构进行改进,新的结构中只需要学习一个选择信息保留大小的“门”,优化网络结构,使模型能够更快速的进行亚健康识别。
(4)运用凯斯西储大学轴承数据集验证本文提出的改进 LSTM 融合多尺度卷积的亚健康识别算法,与原始的 CNN 模型和及其他研究人员提出的算法进行诊断精度、模型识别速度方面的对比实验,验证了本文所提出算法的有效性。
参考文献(略)