一种基于集成深度自编码的滚动轴承智能故障诊断新方法外文翻译资料

 2021-12-11 20:57:22

一种基于集成深度自编码的滚动轴承智能故障诊断新方法

摘要

滚动轴承故障类别的自动准确识别,尤其对于故障程度和故障方向的识别,在旋转机构故障诊断找那个仍然是一个主要的挑战。在本文中,提出一种称为集成深度自动(EDAEs)的新方法用于滚动轴承的智能故障诊断。首先,不同的激活函数根据不同的特点用作设计一系列自动编码器(AE)的隐层函数。其次,EDAEs由各种自动编码器构成从测量的振动信号中学习无监督特征。最后,集成策略旨在确保准确和稳定的诊断结果。提出的方法用于分析实验轴承振动信号。结果证实了这一点所提出的方法可以摆脱对手动特征提取依赖并克服单个深度学习模型的局限性,比现有的智能诊断方法更有效。

1 简介

旋转机械设备在现代工业中发挥着不可替代的作用。滚动轴承是旋转机械中最重要的部件,直接影响其性能和操作。因此,自动、准确而稳健地识别滚动轴承的运行状态已变得越来越重要。

不同于传统的基于各种信号处理技术的诊断方法,智能诊断旨在有效地分析大量收集的数据并自动提供诊断结果,这已成为装备状态监测领域的一种新趋势。人工神经网络(ANN)和支持向量机(SVM),两种典型的智能方法,在过去几十年中已成为机械故障诊断中最受欢迎的方法。据Refs说,几乎所有传统智能诊断方法都必须用到以下三个必要方法:特征提取,特征选择和模式识别,这将导致两个固有的缺点:(1)从轴承收集的振动信号总是非常复杂和非静态的夹杂着严重的背景噪声。更糟糕的是,不同的故障类型,故障严重程度和故障方向进一步增加了诊断的挑战性。因此,必须很好地掌握各种各样先进的信号处理技术以进行故障特征提取。(2)为了充分描述在复杂条件下轴承的特性,在时域,频域和时频上有很多特点必须提取以设计高维特征向量。在大多数情况下,存在一些与诊断目标无关的特征或与其他高度相关。因此,必须进行特征选择以确保满意的结果。然而,在没有足够先验知识条件下,在不同诊断问题中挑选最敏感特征是盲目的、主观的和耗时的任务。实际上,特征选择通常严重依赖工程经验。上面提到的固有缺点来自应用于传统的智能诊断方法的浅层架构。因此,开发用于无监督特征学习和滚动轴承的智能故障诊断深层结构的深度结构迫在眉睫。

深度学习是人工智能(AI)领域的一次重大突破,具有克服传统智能诊断方法的固有缺点的潜力 。深度学习方法的最大成功在于它们可以自动从原始数据中学习代表性特征。换句话说,深度学习方法可以大大摆脱对信号处理技术和手工加工特征的依赖。由于强大特征学习能力,深度学习吸引了越来越多的关注,并在近三年中逐渐应用于机械故障诊断 中。然而,目前的深度学习模型主要集中在个别模型的性能研究上。由于收集的振动信号的复杂性和正常样本和故障样本之间的不平衡,使用个别深度学习模型进行轴承智能故障诊断时仍存在一些问题,如单网络结构和低泛化能力。集成学习是一种新技术,它使用多个学习器模型和某种组合策略来获得比单个学习器更好的结果。最近,许多集成学习方法已应用于机械故障诊断,如随机森林(RF),Boosting和整体SVM。但是,它们的性能仍然严重依赖于信号处理技术和手动特征提取。考虑到结合集成学习的深度学习研究仍处于研究阶段,因此,开发能够充分利用深度学习和集成学习的集成深度学习模型是有意义。

本文提出了一种新的方法 - 集合深度自动编码器(EDAEs),用于轴承智能故障诊断。该方法可分为三个主要步骤:首先,采用不同的激活函数作为隐层函数,设计一系列具有不同特性的自动编码器(AEs)。其次,用各种自动编码器构建EDAE,用于从测量的振动信号中进行无监督特征学习。最后,设计一种集成策略来确保准确和稳定的诊断结果。该方法用于分析实验轴承振动信号。结果证实,该方法可以摆脱对手动特征提取的依赖和克服单个深度学习模型的局限性,这比现有的更有效智能方法。

本文的其余部分安排如下。第2节简要介绍了标准深度自动编码器的原理。在第3节中,详细描述了所提出的方法。在第4节中,分析和讨论了实验结果。最后,在第5节中给出结论。

2 标准深度自动编码器

深度自动编码器(DAE),深度置信网络(DBN)和卷积神经网络(CNN)三个深受欢迎学习模型[22]。 与DBN和CNN不同,DAE是一种纯无监督的特征学习模型,它可以更有效,更轻松地训练。DAE由几个自动编码器(AE)构成,每个AE是一个三层神经网络。 AE旨在最小化输入数据和输出数据之间的重建误差。 标准AE和DAE的结构。对于未标记和m维的训练样本,AE训练的第一步是通过激活函数将输入数据x形成隐藏表示(也称为隐藏特征向量)

其中W是权重矩阵,b是偏置向量,并且是输入层和隐藏层之间的参数集。是Sigmoid函数,通常用作标准AE的激活函数。

然后,隐藏的矢量h被映射回重建矢量,如下

其中是隐藏层和输出层之间的参数集。

AE训练旨在优化参数集最小化重建错误。根据数据,已经开发了两种损失函数来衡量自动编码器输入向量和重构向量之间的重建误差,是传统的均方误差损失函数和新构建的交叉熵损失函数。与均方误差损失函数相比,交叉熵损失函数表现出更快的收敛速度和更强的全局优化能力。对于一个未标记和m维训练样本,交叉熵损失函数定义为

是测量输入矢量和重建矢量之间的差异的损失函数。是未标记训练样本的第i维输入,是第i维重建输出。

3 提出的方法

本文中,我们提出了一种新的方法,称为集成深度自动编码器(EDAEs),用于轴承的智能故障诊断。该方法包括三个部分:集成深度自动编码器结构,集成策略设计和该方法的一般程序。

3.1 集成深度自动编码器结构

由于单个网络结构的简单性和参数选择的困难,单个深度自动编码器在处理从滚动轴承收集的各种大规模复杂振动数据时可能会表现出较低的泛化能力。为了克服单个深度自动编码器的局限和提升泛化性能,多个深度自动编码器的集成是一个不错的选择。激活函数用于提供非线性建模能力,这对神经网络的性能有重要影响。另外,神经网络不同的激活函数通常表现出不同的特征和互补的学习行为。本文采用一系列使用不同激活函数的深度自动编码器进行构造EDAEs。对于一个未标记的训练样本 ,输入数据x通过不同的激活函数转化为,

其中表示隐藏层的激活函数。

在本文中,15种不同的激活函数被用作隐藏函数来设计它们相应的具有不同的特点的自动编码器。表1列出了15种激活函数的方程式和衍生物,波形如图2所示。总的来说,15个激活函数可以分为两类:指数操作和非指数操作。基于指数运算的函数,如Sigmoid和Tanh在过去的几十年中,它们都有被广泛应用于不同类型的神经网络中,但它们的主要缺点是高计算成本和梯度消失问题。非指数函数,如整流线性单元(ReLU),参数整流线性单元(PReLU)和指数线性单元(ELU)近来当作深度学习领域的激活函数,它们计算速度快,避免了梯度消失的问题。但是,这些新函数的输出不是以零为中心的,有时它们可​​能不稳定。

考虑到稀疏输入在学习有用特征方面的优势,本文中,用于一个未标记的m维训练样本的不同种类的自动编码器的损失函数正则化交叉熵可以被重写为

其中是稀疏性惩罚因子,是隐藏单位j的平均激活值,是稀疏性参数。 和分别是输入向量和隐藏向量的维度。

为了学习输入数据的深层特征,每个DAE应该由几个经过训练的自动编码器构成。另外,为了进一步提高诊断结果和泛化能力,EDAE由各种类型DAE构成。每个DAE的构建步骤是相同的​​,这是通过每个自动编码器的连续训练来实现的(从最低到最高)。图3显示了单个DAE由三个自动编码器逐层构建的过程。首先,收集的振动数据(输入数据)用于训练第一自动编码器(自动编码器1)和特征I(低级隐藏特征)可以被学习。然后,将特征I用作第二个自动编码器(自动编码器2)的输入来获取特征II(更高级别的隐藏特征)。训练过程继续进行第三个自动编码器(自动编码器3)和特征III(最高级隐藏特征)。最后,学到的最高层次将特征输入Softmax分类器以进行故障类型识别。

3.2 集成策略设计

构建了DAEs,下一步是设计一个用于报告最终诊断的集成策略。在不同的集成策略中,多数表决是方便和易于理解的,已经广泛应用于不同的集成学习方法。但是,多数投票策略的主要缺点是所有的单个模型具有相同的权重,并被平等对待。

在本文中,基于多数表决、选择性集成和权重分配,设计了一种新的简单集成策略。这种新的集成策略主要包含四个要点:(1)以可接受诊断精度确定一个阈值,只考虑具有超过阈值精度的单个DAE,而其他被剔除。(2)根据相应的精度,为满足要求的DAE分配不同的权重值。(3)根据权重评分报告每个样本的集成诊断结果。(4)为了保持集成诊断结果的稳定,进行了重复试验。设计的集成策略的流程图是如图4所示,。

3.3 该方法的一般程序

本文提出了一种称为集成DAE的新方法用于轴承的智能故障诊断。所提出的方法的框架如图5所示,一般程序总结如下。

步骤1:用采集装置收集滚动轴承的振动数据。

步骤2:在没有任何信号预处理或特征提取的情况下,原始振动数据分为训练和测试样本。

步骤3:根据不同的激活函数,设计一系列具有不同属性的自动编码器,然后各自自动编码器分别用于构造其对应的深度自动编码器。

步骤4:使用各种深度自动编码器构建集合DAEs,并设计集成策略。

步骤5:集成DAEs用于基于训练样本的特征学习和故障诊断。

步骤6:使用测试样本验证训练好的集成DAEs的性能。

基于集成深度学习的转子轴承系统故障诊断

摘要

对于旋转机械,早期准确诊断转子和轴承部件故障是很有意义的。经典的故障诊断模型包括两个关键模块,即特征提取和故障分类。为了提高实用性,深度学习模型实现了通过整合这两个模块端到端故障诊断,从而避免了由手动设计功能适应性不足引起的问题。但是,考虑到故障诊断技术的广泛应用场景,单个深度模型的应用范围可能有相应的局限性。因此,本文提出了一种基于多目标优化的集成深度学习诊断方法。在本方法中,多目标优化算法用作集成策略,对卷积残余网络(CRN),深度信念网络(DBN)和深度自动编码(DAE)进行加权和集成,以实现旋转机械中转子和轴承故障的有效诊断。实验结果表明,该方法具有较好的适应性方法与其他单一和集成深度模型相比。

简介

智能故障诊断方法的核心思想是数据分布式建模算法,可以归纳分为三大类:人工神经网络(ANN),支持向量机(SVM)和决策树(DT)。该术语“数据分布建模”是指建立真实的通过基本逻辑分析获得的样本背后的分布有限的数据集。

对于传统的故障诊断技术,特征提取扮演着重要的角色。基础统计学,小波变换和高阶谱,原始数据的冗余可以有效减少,同时他们可以突出特征特异性和提高故障诊断结果准确性。但是,故障提取算法的引入也可能带来一些问题,如能量分散和细节损失以其数学基础所体现的局限性。

深度神经网络可以有效地克服特征提取方法适应性不足的问题。深度学习模型由两个模块组成:特征提取和故障分类。这两个模块是由前向/反向传播算法集成,它可以实现深度神经网络端到端的学习:从原始的数据直接分类结果。

已经报道了许多基于深度学习的应用,其中,卷积神经网络和深度残余网络是最流行的算法。Olivier Janssens等提出了一种基于频谱的转子诊断系统,既可以推断出故障类型又可以推断出故障的严重性。OsamaAbdeljaber等展示了一种基于CNN成功检测结构损伤的应用。如他们的研究表明,可以实时给出可靠的定位结果。何等人提出了一种基于CNN的以小波包能量图像为输入的轴承故障诊断系统。赵等人提出了一种基于卷积残差网络和小波特征提取的行星式变速箱故障诊断方法。除了有效的特征提取方法,特征融合技术也与深度神经网络结合。陈等人成功实施了一个裂缝基于卷积神经网络和数据融合方法的检测方法。陈等人提出了一种基于多传感器融合和深度信念模型的故障诊断方法。此外,一些改进的深度模型也已有应用于故障诊断领域。邵等人提出了一个改进的深度自动编码器模型与小波激活功能并成功应用于轴承故障诊断。 马等人提出了一个蚁群优化的深层信念模型并将其应用于机械安全评估。韩等人基于卷积神经网络开发了一种混合深度学习方案用于复杂机械系统故障诊断 。潘等人受到第二代小波变换的启发提出了一种深度学习网络和它成功应用于轴承故障诊断。罗等人提出了一种基于深度学习的在时变条件下机械系统故障诊断方法。Oh等人也提出了另一个深度学习模型来执行转子轴承系统的故障诊断。

虽然有很多成功深度学习模型的故障诊断应用,但一些研究已经证明了这一点,认为始终贯穿各种应用方面单一模型很少能很好地发挥作用,这源自于单一深层模型对复杂实际问题的学习能力有限。集成学习方法可以有效克服这个缺点。集成学习可以利用每个成员模型的优点和提高模型集成的泛化能力。集成学习的关键问题是集成策略。一个合适的策略使集成与单一模型相比具有更高的预测精确度,同时保持集成内部的良好多样性。良好的多样性意味着保持成员之间的低错误相关性,以便集成模型的泛化能力得到保证。在本文中,我们提出了一种基于集成深度学习的转子轴承系统多故障诊断方法。提议方法由三个步骤组成,包括:深层模型学习,多目标优化和选择性集成学习。最重要的是,这项研究所展现的贡献如下:

1)一种基于卷积残余网络(CRN),深度信任网络(DBN)和深度自动编码器(DAE)的用于多转子和轴承故障诊断新的集成学习方法被提出,不再依赖于任何手动设计特征提取方法。该集成模型是一个开放系统,可以包含任何单一模型例如SVM,ANN或DT。为了提高整体模型的适应性,这项研究中三种典型的深度学习模型包括CRN,DBN和DAE被选为集成成员。

2)选择性地应用多目标优化算法合成单一的深度模型。与单一模型相比,集成模型具有更好的故障诊断精度而且保持良好的泛化能力。

3)几

资料编号:[5791]

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。