《Machines》:Condition Monitoring Model Development for Belt Systems Using Hybrid CNN–BiLSTM Deep-Learning Techniques
Mortda Mohammed Sahib,
Philipp Pl?nitz,
Matthias Hackert-Osch?tzchen and
Christoph Lerez
编辑推荐:
预测性维护旨在通过数据驱动分析监测设备状态并提前预估故障,从而使维护工作能够在设备损坏前得到安排。在本研究中,研究人员利用深度神经网络预测带传动系统的状态。该研究采用卷积神经网络与双向长短期记忆网络(CNN-BiLSTM)相结合的模型,处理运行参数及振动信号,
预测性维护旨在通过数据驱动分析监测设备状态并提前预估故障,从而使维护工作能够在设备损坏前得到安排。在本研究中,研究人员利用深度神经网络预测带传动系统的状态。该研究采用卷积神经网络与双向长短期记忆网络(CNN-BiLSTM)相结合的模型,处理运行参数及振动信号,以预测带传动系统在两种独立二分类任务中的状态:故障或健康、不平衡或平衡。CNN-BiLSTM模型中的数据流首先由CNN从振动信号中提取特征并进行必要的模式检测;随后BiLSTM的作用是捕获CNN alone无法捕捉的长期时序关系。为预测目标状态,研究人员在BiLSTM输出端构建了包含分类器的全连接层。为实现高效模型训练,数据经过降噪、增强和归一化预处理。此外,通过超参数调优探索不同的模型配置并依据相关性能选择最优配置。消融研究表明单独使用CNN和BiLSTM模型均有不足,确认将两者结合对于准确分类至关重要。同时,采用交叉验证技术通过组织不同转速下的未见过数据来评估所提出模型的泛化能力,这也表明模型在不同运行条件下具有稳健性能。本研究的关键附加价值在于整合深度学习技术,利用原始振动信号建立智能监测系统以填补知识空白,这代表了带传动系统预测性维护领域的一项新的科学贡献。
## 一、研究背景与意义
带传动系统作为工业传动领域的核心部件,其运行状态的实时监测与故障预警对于保障生产连续性、降低维护成本具有重要价值。传统的机器监测策略已从单纯的故障诊断向预测性维护(Predictive Maintenance)演进。当前机器监测系统主要分为两类:基于物理模型的系统和数据驱动的系统。基于物理模型的系统需要结合物理知识、控制定律与测量数据,而数据驱动的系统则依赖历史数据训练,利用机器传感器在线数据进行预测性维护决策。近年来,振动数据分析作为机器故障检测与预防的有效手段受到广泛关注,通过分析运行机器的振动模式,可在故障发生前检测到不平衡、潜在磨损或损伤等异常。
在带传动系统监测领域,振动特征可揭示包括皮带缺陷、张力不均、不对中、轴承故障和机械退化等多种状态。尽管已有研究涉及维护决策模型、电机电流特征分析、数字孪生框架及机器学习方法,但仍存在明显局限:传统方法依赖多种传感器数据输入,需进行特征选择与提取(如方差、偏度、峰度等),耗费大量人力且需要高质量专家知识;在复杂噪声工况下,高质量领域知识往往难以获取,制约了模型的鲁穆性;多数传统模型无法利用现场测量数据更新,导致实际应用中灵活性与有效性不足;此外,先前研究忽视传感器信号的序列特性,丢失关键时序信息;电机电流特征分析等方法虽精度尚可,但面临负载、运行工况或电机特性变化时泛化能力不足的问题;现有方法多聚焦单任务分类,未能联合考虑皮带张力、转子不平衡、转速变化及带体缺陷等关键因素,缺乏统一的监测框架。
在此背景下,Sahib等研究人员开展了基于混合CNN-BiLSTM深度学习技术的带传动系统状态监测模型研究,相关成果发表于《Machines》。该研究旨在建立智能化监测框架,利用原始振动信号端到端地识别带体缺陷和不平衡两种工况,为预测性维护提供新的技术手段。
## 二、关键技术方法
研究所用数据来源于G.U.N.T.机械诊断实验平台(PT 500.14)的公开数据集,涵盖多种运行条件下的带传动系统振动信号。数据采集使用两个压电加速度计(IMI 603C01),分别安装于驱动轴和从动轴的轴承座上,经放大器和USB数据采集卡转换后由LabVIEW软件处理。实验参数包括:转速(N)400–2000 RPM(17个等级)、皮带预张力(70 N、110 N、150 N)、健康/故障带体状态、平衡/不平衡配置,共459次运行记录。
核心技术方法包括:(1)Savitzky–Golay滤波器信号降噪处理;(2)高斯噪声注入与幅值缩放的数据增强策略;(3)Z-score标准化;(4)四堆叠CNN模块(一维卷积层、批归一化、ReLU激活、最大池化)进行局部特征提取;(5)双层BiLSTM捕获双向时序依赖,结合注意力机制生成上下文向量;(6)双头分类架构分别执行故障检测与不平衡识别;(7)焦点损失函数(Focal Loss)处理类别不平衡;(8)Adam/AdamW/RMSprop优化器超参数调优;(9)留二转速出交叉验证(leave-2-RPM-out cross-validation)评估泛化性能。
## 三、研究结果
### 3.1 模型超参数分析
研究人员构建了48种超参数配置进行搜索,重点调节BiLSTM组件的批量大小、优化器、学习率、隐藏单元数和层数。结果显示所有模型均表现良好,测试集准确率范围0.88–1.0,精确率0.85–1.0,召回率0.97–1,F1分数0.9–1.0,AUC(曲线下面积)0.99–1。其中Model-1(Adam优化器)在所有评估指标上均获最优。敏感性分析表明,精细调参对于实现最优准确率与精确率至关重要。
### 3.2 部署模型性能
基于最优配置,研究人员对比三种优化器模型的FAR(虚警率)和FNR(漏检率)。Model-1的FAR与FNR均为零,完美区分健康与故障类别;Model-2(AdamW)和Model-3(RMSprop)的FAR分别为0.083和0.055,FNR为0,即存在误将健康判为故障的情况但无漏检。对于平衡/不平衡分类,Model-1同样实现零FAR和零FNR,Model-2和Model-3存在少量不平衡样本误分类。训练过程中,Model-1、Model-2、Model-3分别在第113、149、60个epoch达到最优,最佳验证准确率分别为99.8%、99.7%和99.5%,并采用早停机制防止过拟合。
混淆矩阵显示:Model-1训练集306真阳性(TP)、612真阴性(TN)、0假阳性(FP)、0假阴性(FN);验证集33 TP、65 TN、0 FP、1 FN;测试集17 TP、36 TN、0 FP、0 FN(故障检测)。不平衡检测任务中,Model-1训练集306 TP、612 TN、0 FP、0 FN;验证集32 TP、68 TN、0 FP、0 FN;测试集19 TP、34 TN、0 FP、0 FN。
ROC曲线分析表明,所有模型呈现近完美的类别区分能力。Adam优化器在故障检测中AUC达1.000(训练集和测试集)、0.999(验证集);AdamW为0.998–1.000;RMSprop为0.995–1.000。不平衡检测中Adam测试集AUC为1.000,RMSprop为0.995。曲线特征为快速上升至左上角,反映极高灵敏度与特异度。
### 3.3 损失函数性能比较
对比二元交叉熵(BCE)与焦点损失(Focal Loss)发现,两者平衡准确率相近,但BCE的FNR为0.1176,而焦点损失降至零。两种损失在不平衡状态FNR均为零。鉴于FNR反映未被检出的故障可能导致系统停机,最小化该指标至关重要,故采用焦点损失作为优选损失函数。
### 3.4 消融研究
单独CNN模型准确率0.915、AUC 0.996,但精确率(0.869)、召回率(0.921)和F1分数(0.882)表明存在漏检;单独BiLSTM模型表现极差,准确率仅0.66,精确率、召回率、F1分数均为零,AUC 0.706,严重偏向多数类。混合CNN-BiLSTM模型在所有指标上均达完美分数(准确率、精确率、召回率、F1分数、AUC均为1),证实CNN特征提取与BiLSTM时序建模的协同必要性。
### 3.5 交叉验证泛化评估
采用8折交叉验证,每折保留2个转速数据作为测试集(其余用于训练验证)。故障检测任务准确率0.82–1.00,F1分数0.739–1.000,AUC 0.893–1.000;不平衡检测任务准确率0.81–1.00,F1分数0.758–1.000,AUC接近或达到1.000。较低转速下性能略降归因于振动幅值较低导致故障特征区分度下降。模型平均综合平衡准确率达93.14%,表明对未见转速数据具有稳健泛化能力。
## 四、讨论与结论
### 4.1 讨论
本研究建立了带传动系统状态监测的混合深度学习框架,其核心创新在于完全消除手动特征工程环节,模型直接从原始振动信号学习最优健康表征,突破了传统方法依赖人工设计特征、泛化性差的瓶颈。CNN-BiLSTM架构中,CNN负责提取振动信号的局部空间特征,BiLSTM通过前向(过去→未来)和后向(未来→过去)双向处理捕获长期时序依赖,注意力机制进一步聚焦于关键时间步信息。双头分类设计使单一模型同步完成两类状态识别,提升了监测效率。
焦点损失函数的引入有效应对了数据类别不平衡问题,通过降低易分类样本权重、聚焦难分类样本,显著降低漏检率。超参数调优未发现单一最优配置适用于所有优化器,Adam在收敛速度与稳定性方面表现最优,这可能与其自适应矩估计机制更适合处理该任务梯度特性有关。
消融研究具有重要启示:单独CNN虽能提取有效特征,但无法充分利用时序依赖关系;单独BiLSTM因缺乏有效特征预处理,难以在原始高维信号上直接建模。两者结合形成"特征提取-时序编码"的两阶段学习范式,是取得优异性能的关键。交叉验证策略刻意按转速划分,验证模型对未见过运行条件的适应能力,结果支持其在工业变转速场景中的应用潜力。
### 4.2 研究结论
研究人员成功开发了基于混合CNN-BiLSTM架构的带状态监测深度学习方法,该架构在该领域尚不多见。作为数据处理的第一步,CNN用于提取振动特征图,而BiLSTM被组织用于学习双向长期时序依赖。模型训练前进行了包括SG滤波器降噪、数据分割、数据增强和归一化在内的预处理,这对降低模型复杂度、促进学习至关重要。
该工作的关键创新在于完全消除手动特征工程流程。CNN-BiLSTM模型直接从原始振动信号学习最优健康表征,从而绕过了传统方法对昂贵人力和专家领域知识的需求,解决了传统监测问题中依赖手工特征、往往缺乏泛化性的局限。
将原始数据输入所提出模型可获得关键独立性,并对噪声工况提供鲁棒性,因其不依赖于可能对特定故障或运行条件非最优的预定义特征。在整体性能方面,所提出模型在振动信号的多任务二元分类中表现出检测带故障和识别不平衡状态的卓越性能。超参数调优过程中,研究人员评估了48种模型组合,涵盖三种优化器(Adam、AdamW、RMSprop)、批量大小、学习率和网络架构,产生了高精度的预测模型。最优配置在故障检测和不平衡分类中均实现了接近统一的准确率。值得注意的是,Adam优化器在准确率和收敛稳定性方面显著优于AdamW和RMSprop,这可从FAR和FNR的大幅降低中观察到。
消融研究在相同超参数设置下评估了独立CNN和BiLSTM模型,结果证实单独使用这些深度学习组件无法产生可比的性能以捕获所研究类别。因此,将CNN和BiLSTM分别用于卷积特征提取和时序建模的集成对于可靠故障检测至关重要。
此外,采用留二转速出交叉验证策略严格评估模型对未见转速的泛化能力,实现了93.14%的平均综合平衡准确率。可以得出结论,混合模型(CNN-BiLSTM)在模型开发和交叉验证阶段均获得稳健的分类性能。这种性能水平,特别是模型对未见过数据的泛化能力,为主动决策提供了必要信心,使维护行动能够在故障前精确安排,从而最小化停机时间并最大化运行效率。
尽管所提出混合模型在本研究中实现了带系统条件的完美分类,但所用数据提供特征较少,仅包含转速、张力力和振动。因此,未来工作将聚焦于包含更多特征的多样化数据集,如滑轮不对中、轴承缺陷和带磨损模式。
最后,混合CNN-BiLSTM架构作为推进工业环境中预测性维护策略的有力工具。