基于全卷积神经网络的滚动轴承状态识别方法研究文献综述

 2023-08-03 03:08
  1. 文献综述（或调研报告）

旋转机械在现如今的工业生产中扮演着非常重要的角色，被应用于非常广泛的领域，轴承作为旋转机械中的关键零部件，它的运行状态影响着整个机械设备的性能，根据相关数据统计，30%的旋转机械故障来源于轴承的损伤或者局部缺陷，因此轴承运行状态的优劣关乎整个机械系统的可靠性和安全性[1,2]。随着当今工业技术的急速发展，轴承状态的识别也作为一门综合性技术得到了充分的研究和应用。由于轴承的工作时间较长，工作过程中易受润滑、腐蚀、过载和异物入侵等因素的影响，导致其会出现不同形式的损伤，包括疲劳剥落（点蚀）、磨损与擦伤、锈蚀和点蚀、断裂等[3]。轴承发生损伤时，其振动特性会发生改变，声信号作为振动信号的延伸也会随之改变，通过采集不同故障下的轴承振动信号与声信号，用时域和时频分析的诊断方法对故障进行准确定位，能够判断出轴承表面有无损伤故障[4]。因此，声信号可以作为轴承状态识别的依据并且相较传统诊断方法具有更加高效且灵活的特性。声信号采集的过程中容易受到噪声的干扰，所带有的噪声若不进行预处理将会对后期的特征提取和分类决策起到消极影响[5]。对于信号降噪的处理方法多种多样，传统的小波变换和包络谱分析在如今也得到了不同程度的改进，包括增强的包络谱分析以及奇异值分解等方法，这些信号预处理方法往往都配合特征选择和提取的要求进行，最终提高后者的精度进而完成精确诊断，但是特征提取的过程中往往会将一些有用的信息过滤掉。深度学习经过近10年的发展，已经在系统诊断管理得到广泛的应用，以往学者就将卷积神经网络应用在往复式压缩机的故障诊断工作中，直接利用信号作为网络的输入，极大程度保证了信号的完整性[6]。本课题采用声信号作为轴承状态识别的依据，构建卷积神经网络模型对轴承状态进行分类，信号处理采用韦尔奇功率谱变换完成降噪和数据转换工作，保证分类过程的准确性。

1.故障诊断方法

针对轴承的故障诊断方法多种，传统的油液检测技术通过检测润滑剂或工作介质的性能变化和所携带磨损微粒的情况，获得机器的润滑和磨损状态的信息，评价机器的工况和预测故障，确定故障原因[7]。普遍运用的基于振动的检测，通过对振动信号进行有效地处理，完成对轴承故障特征频率的获取，进而判断轴承故障的类型，推理产生故障的原因[8,9]。近些年来，声发射技术在诊断低速旋转机械中也发挥了重要作用，利用声发射传感器采集机械晶格结构发出的应力波，能够对微弱故障信号实现精确的诊断，实现轴承早期故障和表面细微损伤的诊断[10]。上述方法能够提供高质量的信息，但往往对传感器和设备具有较高的安装要求，无法实现灵活运用于多个对象的实际需求。声信号作为振动信号的延伸，也包含着轴承故障的所有特征，基于声信号的声纹识别的概念就在轴承故障诊断中被提出，即通过声音特征构建特征向量库，进而比较特征向量相似度来判断轴承的状态[11]。因此，利用声信号识别轴承工作状态的方法具有可行性和优越性。

2.信号降噪处理

振动信号作为外部采集信号，所采集到的信号本身既包含了轴承故障源信息，也包含大量干扰无关信号，且很容易受到工作环境中无关因素的影响，后续信号处理中去噪、增强声信号稳定性也是方法研究的重点所在[12]。以往针对信号预处理方法的探究中，在包络分析的基础上做出了改进，提出了增强的包络分析IEA对声发射信号进行处理，实验表明对后期的检测系统西能产生了更为积极的影响[13]。IEA为后期特征提取和特征选择服务，其中也夹杂着对于小波降噪知识的利用。有学者提出了有效采集声信号中故障特征的方法，称之为ISVD-RSSD，其中ISVD部分就起到了降噪的作用，希尔伯特包络应用在对ISVD部分的S-G滤波器参数优化方面[14]。这种降噪方法可应用于强噪声环境下对声信号进行处理并检测故障信息。除此之外，为了获取噪声的特性，有研究首先对变压器噪声信号进行分帧和加窗处理，然后综合运用加权处理法和主成分分析法对现有的 MFCC 特征向量提取算法进行改进，进而基于 VQ 算法对变压器噪声信号进行识别[15]。比较与以往直接过滤噪声信号达到降噪目的的方法相比，对噪声进行识别进而有效防止噪声干扰也为信号降噪处理提供了新的思路。上述降噪处理方法被应用在逻辑分类、感知机、支持向量机等诸多诊断管理模式中，但应用于深度学习中的研究较少，深度学习具有强大的特征学习能力，满足故障诊断的自适应特征提取要求，现有的卷积神经网络结合声谱成像和传递学习的研究就对轴承故障进行的有效地诊断[16]。基于韦尔奇功率谱变化的降噪方法成功运用在轴承智能故障诊断系统中，能够为神经网络模型提供更加稳定的采样信号，因此，本课题初步确定采用该方法对采集到的声信号进行降噪处理并为后期分类工作做基础保障。

3.深度学习的应用

Hinton[17]等人提出了深度学习的理念，开启了深度学习在学术界和工业界的浪潮。目前利用深度学习进行轴承故障诊断工作可大致分为两个思路：（1）对信号仍旧进行相应的预处理和特征提取的工作，然后以提取的特征作为输入，进行故障的识别和分类。（2）对采集到的原始信号进行预处理后直接输入到神经网络模型中，完成状态识别的作用。前者利用网络突出的非线性映射能力，但特征提取的精度将会对分类的准确度产生巨大影响。后者则保证了原始信号的完整性，能够充分利用神经网络在自学习方面的优势。

其中，卷积神经网络，关于BP神经网络和SVM机器学习的研究也的到了一定的应用并取得了不错的成效。Bolin Jian[18]等人就运用了优化参数的BP神经网络对比SVM说明其在轴承诊断中更为有效的作用，但是在输入到BP神经网络和SVM之前，运用了IIR和AnEn进行特征提取。Youfu Tang[19]等人则计算了Lempel-Ziv复杂度指标，并用BP神经网络对往复式压缩机气阀进行了故障识别。Zhihao Jin[20]等人就采用了神经网络作为轴承故障的分类器，直接把时域信号，即原始采样信号作为输入，对比其他故障诊断方法突出了利用神经网络的优异性能。文章中也强调了特征提取需要去除无用的信息，在这个过程中很容易丢失部分可以利用的声信号信息，而且通过所提取的特征进行分类也会产生较多问题，比如当这些特征使用在其他部分时就会产生分类结果的不稳定。Hongbai Yang[6]等人对振动信号进行采集，然后通过卷积神经网络完成了特征提取和分类的工作。Wendong Zhang[21]等人在卷积神经网络上进行了一定的改进，采用了DFCNN全卷积网络，直接关心采集到的时域声信号，通过功率谱的转换直接输入到网络当中，没有强调特征提取的过程。Zhuyun Chen[22]和Cao Ning[23]等人考虑到了神经网络训练样本少的问题，首先构建了一个简单的一维CNN网络，通过转移学习的方法，来帮助训练更高层次的神经网络模型并对降噪声处理对网络分类精度的重要性做出论述。

综上所述，声信号采集对比其他信号源采集工作更为便捷灵活，真对声信号的处理完成轴承故障诊断具有现实意义且可行。由于采集到的信号中包含很多与轴承自身特征频率无关的噪声，需要采取有效地信号降噪处理方法。同时，考虑采用卷积神经网络作为轴承状态识别最终的分类器，通过将轴承声信号直接输入到神经网络模型中完成最终的状态识别工作，这也要求降噪处理的方法能够保证神经网络对输入数据的要求，初步确定韦尔奇功率谱变换作为首选的降噪和数据转换的方法。。

  1. 郭莹莹, 张春良, 岳夏等. 声信号形态分量分析在轴承故障诊断中的应用[J].机电工程技术, 2016, 45 (14): 55-61
  2. Sun, H.; He, Z.; Zi, Y.; Yuan, J.; Wang, X.; Chen, J.; He, S. Multiwavelet transform and its applications in mechanical fault diagnosis—A review. Mech. Syst. Signal Process. 2014, 43, 1–24.
  3. 李建. 融合视听的复杂机电系统故障演化机理的研究[D]. 河北工业大学,2013
  4. 刘晓初, 何铨鹏, 姬武勋等. 新型 PCB 自动钻靶装置最优扫描区间研究[J].组合机床与自动加工技术,2015 ,(7): 80-82
  5. R. Fuentes, R.S. Dwyer-Joyce, M.B. Marshall, J. Wheals, E.J. Cro. Detection of sub-surface damage in wind turbine bearings using acoustic emissions and probabilistic modelling. Renewable Energy. 147(2020)776-797.
  6. Hong-bai Yang, Jiang-an Zhang, Lei-lei Chen, Hong-li Zhang, and Shu-lin Liu. fault Diagnosis of Reciprocating Compressor Based on Convolutional Neural Networks with Multisource Raw Vibration Signals. Mathematical Problems in Engineering. 2019.
  7. X. Yan, C. Zhao, Z. Lu, X. Zhou, H. Xiao, A study of information technology used in oil monitoring, Tribol. Int. 38 (2005) 879-886.
  8. H. Cao, F. Fan, K. Zhou, Z. He, Wheel-bearing fault diagnosis of trains using empirical wavelet transform, Measurement 82 (2016) 439-449.
  9. Z. Zhang, M. Entezami, E. Stewart, C. Roberts, Enhanced fault diagnosis of roller bearing elements using a combination of empirical mode decomposition and minimum entropy deconvolution, Proc. Inst. Mech. Eng. Part C-J. Eng. Mech. Eng. Sci. 231 (2017) 655-671.
  10. 余永增.滚动轴承声信号特征提取和诊断试验研究[J].应用声学,2018,37(06):889-894.
  11. 陆汝华. 基于HMM的轴承故障音频诊断方法研究[D].中南大学,2007.
  12. 于华森,黄民.滚动轴承声信号故障诊断[J].北京信息科技大学学报(自然科学版), 2018, 33(06):72-76
  13. Byunghyun Ahn, Jeongmin Kim, Byeongkeun Choi. Artificial intelligence-based machine learning considering flow and temperature of the pipeline for leak early detection using acoustic emission Engineering Fracture Mechanics. 210(2019) 381-392.
  14. Dingcheng Zhang, Mani Entezami, Edward Stewart, Clive Roberts, Dejie Yu. Adaptive fault feature extraction from wayside acoustic signals from train bearings. Journal of Sound and Vibration. 425(2018) 221-238.
  15. 王丰华,王邵菁,陈颂,袁国刚,张君.基于改进MFCC和VQ的变压器声纹识别模型[J].中国电机工程学报,2017,37(05):1535-1543.
  16. Md Junayed Hasan, M.M. Manjurul Islam, Jong-Myon Kim. Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions. Measurement. 138(2019) 620-631.
  17. Hinton.G.E. A practical guide to training restricted Boltzmann machines [M] Lecture Notes in Computer Science. 7700(2012) 599-619.
  18. Bo-Lin Jian, Cai-Wan Chang-Jian, Yu-Syong Guo, Kuan-Ting Yu, and Her-Terng Yau. Optimizing Back Propagation Neural Network Parameters to Judge Fault Types of Ball Bearings. Sensor and Materials, 32(2020) 417-430.
  19. Y. F. Tang, S. L. Liu, Y. H. Liu et al., “Fault diagnosis based on nonlinear complexity measure for reciprocating compressor, Journal of Mechanical Engineering, vol. 48, no. 03, pp. 102-107, 2012.
  20. Zhihao Jin, Qicheng Han, Kai Zhang and Yimin Zhang. An intelligent fault diagnosis method of rolling bearings based on Welch power spectrum transformation with radial basis function neural network. Journal of Vibration and Control, 2020 1-14.
  21. Wendong Zhang, Youquan Jiang, Fan Zhang, Dongli Song, Wei Chen. Fault State Recognition of Rolling Bearing Based Fully Convolutional Network, IEEE Computer Society. 2018 1521-9615.
  22. Zhuyun Chen, Konstantinos Gryllias, Member, IEEE, and Weihua Li, Senior Member, IEEE. Intelligent Fault Diagnosis for Rotary Machinery Using Transferable Convolutional Neural Network. IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, 16(2020).
  23. Ning Cao, Zhinong Jiang, Jinji Gao, and Bo Cui. Bearing State Recognition Method Based on Transfer Learning Under Different Working Conditions. Sensor, 234(2020) 20-1.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

发小红书推广免费获取该资料资格。点击链接进入获取推广文案即可： Ai一键组稿 | 降AI率 | 降重复率 | 论文一键排版

您可能感兴趣的文章