标签：Bearing Multi Rotational 输出 卷积 模型 分类器 故障 轴承
摘要：
在机械工业中，轴承能预防旋转部件产生的摩擦力造成的损伤并保持旋转轴处于一个正确的位置。但是在一个持续长期工作的状态中，轴承也容易受损，因此就需要轴承诊断。FD对故障的轴承进行分类或者严重程度的判断都对现在的工厂越来越重要。由于神经网络的出现，特别是卷积神经网络，基于深度学习智能轴承诊断表现突出。除了准确性，效率问题在复杂的实际环境中也至关重要。因此本文提出了一种基于多分类的输出方法，该方法利用提取的相关特征进行轴承复合故障分类和裂纹尺寸分类。此外一种时域信号处理方法和所提出的二维卷积神经网络协同工作可以使得模型在不同转速的环境中表现更好。声发射信号对早期FD也有优势。实验结果表明了相对于传统CNN多分类器，本文所提出的利用相关特征多输出分类器在效率和精确度上都有所提升。
背景/问题：
电机在工业应用中得到了广泛的应用，并在机械的使用寿命中发挥了不可否认的作用。在各种条件(温度变化、过载、高湿度等)下连续运行，不可避免地会造成机器故障，对工厂的安全标准、生产质量、成本和停机产生不利影响。根据IEEE工业应用协会和其他相关组织的一些调查，轴承约占机器故障原因的40%。这引起了警报，并提高了开发轴承故障诊断(FD)方法的必要性，该方法将防止不必要的事故，并确保复杂系统的可靠性和安全性。
近年来深度学习的广泛应用。
由于监测信号的非平稳特性，单域(时域或频域)不能充分表征故障特征。而时频则利用两个域的协同作用来分析瞬态信号的信号频谱。
解决办法（创新点）：
本文提出了一种基于CNN多输出分类的方法来解决复杂场景下的诊断问题。由于监测信号的非平稳性，该方法首先利用声发射信号的时频分析来表征转速变化条件下的故障特征。
如果通过初步异常检测模型(ADM)检测到存在故障，则采用本文提出的CNN多输出模型，利用相关特征的协同解决故障类型诊断和裂纹大小(退化程度)诊断两个任务。
实现细节：
总体模型：
如图a上半部所示，2D卷积层的核大小为3 × 3，输出通道为32。最大池化层的核大小为 2 × 2，这个模型用作异常检测(AMD)。
如图a下半部所示，由7个卷积层和4个最大池化层组成，卷积核大小都是3 ×3，输出通道依次为64,128,128,256,256,256,256。池化层的核大小都为2 × 2。这个模型作为多输出诊断模型。
信号处理方面，本研究使用WPT的变体Constant-Q Transform (CQT)，从采集的监测信号中生成谱图图像。CQT具有在低频率下表示信号的优点，并解决了在对数尺度上映射频率的问题。由于高频噪声的存在，采集到的声发射信号的低频分量比高频分量包含更多有意义的轴承信息。
ADM
ADM使用三层构造。首先，卷积层对输入图像大小进行卷积，提取高抽象的特征图。其次，采用最大池化层对特征图进行降采样。。前两层(特征提取器)提取的特征具有较高的抽象层次;因此，它们可以用于进一步的诊断。并且在训练过程后冻结了ADM权重（这段文章表述不是很懂，连续2句话用因此，给我整懵了）。然后该层的输出作为下一个模型，也就是多输出分类器的输入。
多输出分类器
1.特征提取
特征体提取主要是通过若干卷积层和最大池化层来实现的。（池化层可以通过减少输出高宽，降低计算量提高效率，同时可以防止过拟合）
对于输入的图片数据Am-1,输入通道为km，输出通道为om经过卷积之后得到的结果为Am，其公式如下
2.多输出分类器
多输出分类器的意思就是将一个输入赋予多个目标，也就是说一个轴承的频谱图输入后，不仅可以输出故障类别，还可以输出轴承退化程度，考虑的更充分了。
损失函数定义如下：
实际上就是一个多分类问题的交叉熵。利用知乎上cory的解释为：
采用自动随机直线搜索(SGD)优化器，梯度下降遵循 Armijo line规则。
。
实验结果
数据来自实验台（好像不是公共数据集）。利用金刚石切割形成7种类型的断层(单断层和复合断层)，每种断层有3种不同的裂缝大小。因此，共有21例故障如图所示 
在训练过程中，对每个故障案例使用80个样本(每个故障案例60个样本用于训练，每个故障案例20个样本用于验证)。训练完成后，使用每个故障案例的400个样本对训练模型进行测试。因此，训练子集、验证子集和测试子集分别包含1760、440和8800个样本
实验评价指标
敏感性是诊断最重要的指标之一;因此，它被用来评价和比较诊断性能，其定义如下：
(True Positive （真正, TP）被模型预测为正的正样本；
True Negative（真负 , TN）被模型预测为负的负样本 ；
False Positive （假正, FP）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；)
平均分类精度( average classification accuracy)其定义如下：
对于多输出模型，定义一个正确的预测，即故障类型和裂缝大小的标签同时与它们对应的地面真实值相同来评价所提出的模型的整体性能：
实验结果：
故障类型诊断任务在所有类型的单故障和复合故障中都达到了100%。退化诊断的任务在早期阶段(小裂纹大小)对某些故障类型的检测有较大的困难。尽管如此，对于3 mm的裂纹尺寸，该方法的精度仍然达到了97.62%，整体精度达到了99.21%
通过与其他模型的比较也体现的所提出模型的优越性。
从下图中还可以看出所提出的方法在计算效率上的提高
讨论与思考：
1.由于不是公共的数据集，数据来自实验台，训练样本不够多，这样可能会造成模型的泛化性、鲁棒性不够？
2.实验结果还表明当外圈故障或所有类型故障出现时，模型有一些预测缺失。
3.本文章结构不仅从准确率来和以前的模型进行对比，还通过减少的MAC（乘法）数量来体现效率、增加高斯白噪声来体现稳定性。以后的工作也可以参考这类提升方法
生词：
synergy协同；acoustic声学的，听觉的；keep track of 跟踪；latency潜伏，潜在因素；anomaly异常；compatible兼容的；stochastic随机的，猜测的；outperform胜过；inspect检查，调查；
标签：Bearing,Multi,Rotational,输出,卷积,模型,分类器,故障,轴承 来源： https://www.cnblogs.com/wgh041/p/15424249.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。