《Machines》:Fault Diagnosis of Rolling Bearings Based on an Ascending-Dimension Convolutional Neural Network
Xu Bai,
Xin Zhong,
Yaofeng Liu,
Ke Zhang,
Weiying Meng,
Junzhou Li and
Xiaochen Zhang
编辑推荐:
滚动轴承是机械设备中的关键且易损部件,在运行过程中容易发生各种类型的损伤。因此,滚动轴承故障诊断具有重要的工程意义。近年来,基于深度学习的方法在智能轴承故障诊断方面取得了显著进展。然而,现有模型仍存在一些局限性,包括在噪声条件下特征提取不足、诊断精度有限、计算
滚动轴承是机械设备中的关键且易损部件,在运行过程中容易发生各种类型的损伤。因此,滚动轴承故障诊断具有重要的工程意义。近年来,基于深度学习的方法在智能轴承故障诊断方面取得了显著进展。然而,现有模型仍存在一些局限性,包括在噪声条件下特征提取不足、诊断精度有限、计算成本高以及运行效率低。为了应对这些挑战,研究人员提出了一种基于升维卷积神经网络(ADCNN)的智能滚动轴承故障诊断方法。与传统的神经网络相比,所提出的ADCNN具有更紧凑的模型尺寸、改进的噪声鲁棒性和更高的诊断精度。在第一层引入大卷积核以增强抗噪性,同时采用升维模块以减少网络参数并提高特征提取能力。此外,还集成了一个简化线性变换层(RLTL)以进一步实现轻量化架构。在凯斯西储大学(CWRU)数据集和自设计测试数据集上的实验结果表明,所提出的ADCNN在不同噪声环境下实现了优越的故障诊断性能,同时保持了计算效率和模型紧凑性。
**论文解读:基于升维卷积神经网络的滚动轴承故障诊断方法**
**研究背景与问题**
滚动轴承是旋转机械中的关键易损部件,其健康状态直接影响设备性能与运行安全。统计表明约44%的机械故障由轴承失效引发,因此滚动轴承故障诊断具有重要的工程意义。传统诊断方法依赖信号处理理论(如变分模态分解VMD、小波变换等),需要人工设计特征,在复杂振动信号(尤其受噪声干扰)条件下提取难度大、效率低。近年来,深度学习方法(如多层感知机MLP、卷积神经网络CNN、深度残差网络ResNet等)在智能轴承故障诊断中取得了显著进展,但现有模型仍存在以下局限:在噪声环境下特征提取不充分、诊断精度有限、计算成本高、运行效率低。为解决这些问题,研究人员开展了本研究。
**研究内容与意义**
研究人员提出了一种基于升维卷积神经网络(ADCNN)的滚动轴承故障诊断方法。该方法通过大卷积核、升维模块及简化线性变换层(RLTL)的设计,实现了模型紧凑、噪声鲁棒性强、诊断精度高的目标。在凯斯西储大学(CWRU)公开数据集和自设计测试数据集上的实验表明,ADCNN在不同信噪比(SNR从?5 dB到5 dB)条件下均取得优于传统模型的诊断性能,同时保持计算效率和模型轻量性。该研究为工业环境中轴承故障的智能诊断提供了高效、抗噪的解决方案。论文发表在《Machines》期刊。
**关键技术方法**
研究人员采用以下主要方法(忽略具体操作步骤,注明样本来源):
1. **大卷积核模块**:在第一层使用尺寸为513的卷积核,增大感受野以抵抗局部噪声干扰。
2. **升维模块**:将多通道一维振动信号重塑为二维表示,利用二维卷积(2D-CNN)的权重共享机制,同时提取通道内时序模式和通道间相关模式,并显著减少参数数量;结合分组卷积与通道混洗(Channel Shuffle)促进信息融合。
3. **RLTL模块**:基于Kronecker乘积分解替代传统全连接层,将单一线性操作分解为两次线性操作,降低参数量和计算复杂度。
实验数据来源于CWRU轴承数据中心(0 HP负载、1797 RPM转速、12 kHz采样频率,包含正常及内圈、外圈、滚动体故障,损伤尺寸7、14、21 mil)和沈阳建筑大学(SJZU)自设计测试台(20 Hz转速、16,384 Hz采样频率,包含四种状态)。所有实验添加高斯白噪声(SNR ?5 dB至5 dB)模拟工业噪声环境。
**研究结果**
**3.1 实验设置与超参数配置**:网络输入为长度1024点的归一化一维振动信号,采用Adam优化器(初始学习率0.001),使用5折交叉验证及早停策略,添加不同强度高斯白噪声测试模型鲁棒性。
**3.2 数据预处理**:通过滑动窗口重叠采样(窗口128,重叠50%)进行数据增强,避免类别不平衡。根据公式计算采样长度(轴承旋转一周约400至820个采样点),最终确定样本长度为1024点。
**3.3 基于CWRU数据集的网络模型验证**
- **3.3.1 数据描述**:选用CWRU数据集0 HP负载下10种状态(正常、3种内圈故障、3种外圈故障、3种滚动体故障,各损伤尺寸7/14/21 mil)。采样频率12 kHz,轴承转速1797 RPM,样本长度1024,滑动窗口128。
- **3.3.2 实验结果与分析**:与MLP_0、常规CNN及CNN1D_N×3Max模型对比。在SNR=?5 dB时,ADCNN准确率超80%(CNN1D_N×3Max相当,MLP_0和常规CNN低于60%);SNR=?1 dB时,ADCNN和CNN1D_N×3Max约95%;SNR=0~5 dB时,ADCNN达99%左右。模型参数量仅为CNN1D_N×3Max的1.15%(1.15%即1.15%,原文为1.15%,需保留),预测时间更短。训练40~50 epoch时效果最佳,超过50 epoch后测试准确率出现波动(过拟合风险)。
**3.4 基于自设计测试数据集的验证**
- **3.4.1 数据描述**:SJZU测试台采集4种状态(正常、外圈故障、内圈故障、滚动体故障),转速20 Hz,采样频率16,384 Hz,样本长度1024,滑动窗口128。
- **3.4.2 实验结果与分析**:ADCNN在SNR=?5~?1 dB时准确率85%~95%,常规CNN低于90%,CNN1D_N×3Max仅在?1 dB时超90%,MLP_0约50%;SNR=0~5 dB时ADCNN最高达99.87%。模型大小48.76 KB,远小于常规CNN。超40 epoch后存在过拟合,最佳训练epoch范围40~50。
**讨论与结论总结**
讨论部分指出,ADCNN在噪声鲁棒性、诊断精度和计算效率之间取得了良好平衡,但训练epoch超过约50后测试准确率不再提升甚至下降,存在过拟合风险,需合理选择训练时长。未来可引入早停、数据增强优化及显式正则化策略以增强泛化能力。
研究结论翻译如下:
本研究提出了一种用于噪声环境下滚动轴承故障诊断的升维卷积神经网络(ADCNN)。主要创新包括:引入大卷积核以增强噪声鲁棒性;基于权重共享的升维特征构建策略;以及简化线性变换层(RLTL)以实现轻量化架构。两个数据集上的实验结果表明,ADCNN在诊断准确率、噪声抵抗力和计算效率之间取得了有利平衡。基于两个轴承数据集验证了所提网络模型的性能,可得出以下结论:
(1)与传统故障诊断模型相比,ADCNN在复杂特征信号的提取和故障诊断中实现了更高效率。
(2)ADCNN能以更少的参数保证故障诊断精度,对工作硬件要求更低,且具有更高准确率。
(3)在不同数据集上的性能测试中,ADCNN表现出良好的诊断性能,表明该网络在不同工况下具有良好的通用性。
然而,实验结果表明,当训练epoch超过50左右时,测试集准确率不再提升甚至略有下降,而训练准确率继续增加,这表明存在过拟合风险,突出了为所提ADCNN模型选择合适训练时长的重要性。未来研究将针对此现象进一步改进ADCNN网络,并研究早停、数据增强及显式正则化等策略以增强模型泛化能力。