VMD-GST和注意力CNN相结合的滚动轴承故障诊断 廖晨.pdf

该【VMD-GST和注意力CNN相结合的滚动轴承故障诊断 廖晨 】是由【宝钗文档】上传分享，文档一共【8】页，该文档可以免费在线阅读，需要了解更多关于【VMD-GST和注意力CNN相结合的滚动轴承故障诊断 廖晨 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。轴承
Bearing
ISSN1000-3762,CN41-1148/TH
《轴承》网络首发论文
题目:VMD-GST和注意力CNN相结合的滚动轴承故障诊断
作者:廖晨,王艳丰,李舜酩,张名武
网络首发日期:2022-06-22
引用格式:廖晨,王艳丰,李舜酩,-GST和注意力CNN相结合的滚动轴
承故障诊断[J/OL].轴承.
.
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN2096-4188,CN11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间:2022-06-2208:44:11
网络首发地址:.
VMD-GST和注意力CNN相结合的滚动轴承故障诊断
廖晨1,王艳丰2,李舜酩1,3,张名武1
(,江苏南京,210016;,四川绵阳,621010
,江苏南通226002)
摘要:针对传统故障诊断方法故障特征提取困难、诊断准确率低等问题,提出了一种变分模态分解(VMD)、广
义S变换(GST)和基于注意力机制的卷积神经网络(AMCNN)相结合的智能诊断方法。首先,利用VMD算法对
振动信号进行分解,以互信息指标筛选真实分量并进行重构,将重构信号进行GST转化为时频图;然后,以得到的
二维特征图像为输入,通过AMCNN自适应学习其时频特征;最后通过分类器输出对滚动轴承的故障诊断结果。实
验结果表明:该方法对不同故障类型的滚动轴承进行识别,%,与其他诊断方法相比能更有效
地对滚动轴承不同故障模式进行分类识别。
关键词:滚动轴承故障诊断;变分模态分解;广义S变换;卷积神经网络;注意力机制
中图分类号:;:A
RollingBearingFaultDiagnosisBasedonVMD-GSTandAttentionCNN
LiaoChen1,WangYan-feng2,LiShun-ming1,3,ZhangMing-wu1
(&PowerEngineeringofNanjing,NanjingUniversityofAeronauticsandAstronautics,
NanjingJiangsu,210016,China;
,MianyangSichuan,621010,China;
,NantongInstituteofTechnology,Nantong,226002,China)
Abstract:Aimingattheproblemthatbearingsignalsareheavilyinterferedbynoiseandhaveweakfaultcharacteristics,
leadingtolowaccuracyoffaultdiagnosisandrecognition,aintelligentdiagnosismethodofVariationalModeDecomposition
(VMD),GeneralizedS-transform(GST)andattentionmechanismconvolutionalneuralnetwork(CNN),
VMDalgorithmwasusedtodecomposevibrationsignals,andtherealcomponentswerescreenedbymutualinformation
-frequencygraphsbyGST.
Then,thetime-frequencycharacteristicsarelearnedadaptivelybyattentionalCNNusingthetwo-dimensionalfeatureimagesas
,
%
methods,theproposedmethodcanclassifyandrecognizedifferentfaultmodesofrollingbearingsmoreeffectively.
Keywords:rollingbearingfaultdiagnosis;variationalmodaldecomposition;generalizedStransform;convolutionalneural
network;attentionalmechanism
滚动轴承作为旋转机械设备的关键部件,在行处理,导致CNN无法充分利用图像中的故障
机械传动过程中具有承载重量和减少摩擦的作信息;(2)目前大多数CNN存在提取特征时注
用,很容易产生故障,从而对机械设备的安全运意力分散、特征提取不合理的问题[6]。
行造成影响。因此,研究准确有效的故障诊断方变分模态分解(VariationalMode
法,对于减少事故发生具有重要意义[1]。Decomposition,VMD)是一种自适应信号处理方
近年来,卷积神经网络(Convolutional法,通过非递归、变分模态分解模式对信号进行
NeuralNetwork,CNN)因可以自动从样本中提取分解,克服了模态混叠和端点效应,已在故障特
和整合特征,避免了复杂的特征提取与选择的过征提取领域成功应用[7]。Chen等人[8]使用VMD
程而被应用于故障诊断领域[2]。Khodja等人[3]提算法分解轴承振动信号,并将每个模态的能量熵
出了一种基于振动频谱成像(VibrationSpectrum作为特征值输入支持向量机以解决故障分类问
Imaging,VSI)和CNN的智能诊断方法,成功对题。Yang等人[9]将VMD算法和广义Warblet变
轴承故障进行分类;Long等人[4]将滚动轴承振动换相结合,通过对VMD分解得到的模态进行广
信号转换为灰度图,结合CNN进行端到端的故义Warblet变换时频分析以确定齿轮故障类型。
障识别;袁建虎等[5]将连续小波变换(Continuous基于上述情况,本文提出一种VMD-GST和
WaveletTransform,CWT)作为时频图生成方注意力CNN相结合的智能诊断方法,用于滚动
法,利用CNN模型进行自动诊断。轴承的故障诊断。为使CNN充分提取图像中的
上述基于CNN的方法借助CNN对图像的强故障信息,结合VMD方法和广义S变换
大分类能力在滚动轴承故障诊断中取得了一定成(GeneralizedS-transform,GST)生成特征图像。
效,但仍存在一些不足:(1)将振动信号转化为针对CNN不能自主选择重要通道的问题,引入
图像时,没有对信号中夹杂的非敏感故障信息进卷积注意力机制模块(ConvolutionalBlock
AttentionModule,CBAM),构建AMCNN模型
作者简介:廖晨(1999-),男,硕士研究生,研究方向为轴承故障高效提取时频图的特征,实现智能故障诊断。通
诊断,E-mail:******@。过对滚动轴承故障试验台采集的数据进行实验分
通信作者:李舜酩(1962-),男,教授,博士生导师,研究方向为析,验证了模型的有效性。
信号处理、故障诊断等,E-mail:******@。
1VMD-GST特征图像生成方法互信息(mutualinformation)可表示两随机变
量间的相关程度,相对于相关系数能更好地辨别
,其定义如下[12]:
VMD算法是一种自适应的信号分解方法,I(X,Y)H(X)H(X∣Y)(6)
能使一个复杂信号分解为K个有限带宽的本征模
式中HX()为X的信息熵;HX()Y∣为Y对应
态分量(IntrinsicModalFunction,IMF),可以被
表示为以下变分模型[10-11]:X的条件信息熵。

j
min()*()etutjwkt(1)为了充分满足AMCNN模型的训练要求,
uwkk,tk
kt
2需要生成特征明显的图像作为训练数据。为将一
维重构信号转换为二维特征图像,利用广义S变
uf(2)
k换对重构信号进行时频分析。
k
广义S变换是一种适合于对非平稳信号处理
式中:uk={u1,u2,...,uk}为各模态函数;的时频分析方法,通过给定调节参数,能控制高
wk={w1,w2,...,wk}为各中心频率;f为原始信号。斯窗窗口函数的宽度,相较于S变换具有更优的
通过引入二次惩罚因子α和拉格朗日乘子λ(t),时频能量聚焦性[13]。一个时间序列x(t)的广义S
构造增广拉格朗日函数求得上述变分模型的最优变换可描述为:
解,其表达式为:
GSTtfxxwtif(,)()()()exp(2)dm(7)
2f
j
jwkt
Luwtutekktk,,:()*()
t
k2式中,f表示频率;τ表示高斯窗在时间段内所在
2位置的平移因子。
ftuttftut()()(),()()(3)m是自适应高斯窗函数,表示为:
kkwtf()
kk2
m
mmf22(8)
采用交替方向乘子法反复迭代求取上述增广wttff()exp/2
2
拉格朗日函数的鞍点,得到模态分量uk、及中心
频率wk表达式分别为:式中,调节参数m(0,1],m=1时即为标准S
变换[14]。
ˆ()
fuˆ()ˆn1()为了在保征图像中有用信息不被淹没,同时
i2
ˆn1ik(4)
uk()2提高后续网络的训练速度,还需将时频分析后得
12k
到的图像以灰度图形式显示,整个VMD-GST二

uˆ()2d维特征图像生成流程如图1所示。
n10k(5)
k
uˆ()2d2基于注意力机制的CNN模型
0k


CNN是一种主要应用在图像识别中的深度
理论上,经过VMD分解得到的每个IMF都
前馈网络。的基本结构主要包括输入层、
代表着原信号中的一个特征成分,但由于信号成CNN
卷积层、池化层和全连接层。
分复杂、参数选取等因素,在分解结果中存在虚
的卷积层中,输入的特征图通过一系
假分量。为了保证生成的图像能有效保留振动信CNN
列学习后的核函数进行卷积,再加入偏置项与激
号的故障特征,同时减少非敏感故障信息的干
活函数将特征图卷积后的结果生成特征映射。卷
扰,本文使用互信息准则筛选分解后的各个IMF
积运算的描述如下:
分量,选择前K-1个互信息值较大的真实分量重
构得到富含故障信息的一维信号。CiCi1Wibi(9)
图1VMD-GST特征图像生成流程
-GSTfeatureimagegenerationprocess
式中Ci表示卷积神经网络的第i层特征图,表bi表示第i层的偏置向量,表示激活函数。
示卷积运算,Wi表示第i层卷积核的权重矩阵,在一个卷积层之后,总会添加一个池化层。
这一层的作用是对特征图进行降维,减少模型参将注意力权重与输入的特征映射相乘,自适应学
数数量和避免过拟合。平均池化和最大池化是常习特征,过程可以被描述为:
用的两种池化层方法。
FMFFc()(10)
全连接层将多个卷积层和多个池化层提取的
特征映射扩展成一维向量,并输出分类结果。FMFFs(11)

卷积神经网络中的卷积层默认给特征图每个式中,CHB是每个通道的维度,
CHBC11
通道分配相同的权重,但此方式没有考虑到不同FR是输入特征映射,MRc是通
通道中的信息对故障诊断结果贡献大小不同。注道维度中的注意力权重,MR1HB是空间维
意力机制是模仿人脑注意力而产生的一种优化策S
度中的注意力权重,符号表示元素乘法。
略,通过对不同特征区域分配不同的权重系数来
突出关键信息,从而提高网络的分类准确率。卷3VMD-GST和AMCNN相结合的滚
积注意力模块CBAM分别在通道和空间维度上动轴承智能诊断方法
使用注意力机制,对“空间”和“通道”中的重
要特征进行关注,抑制不必要的特征。CBAMVMD-GST和AMCNN相结合的滚动轴承智
模块包含空间注意力模块和通道注意力模块两个能诊断方法流程如图3所示,包含信号预处理,
相互独立的子模块,通道注意力模块将输入特征模型构建,智能诊断3个模块。滚动轴承振动信
中的每一个通道作为特征检测器,以此关注输入号数据处理步骤如下:
特征中需要注意的内容,空间注意力模块是通道(1)通过VMD算法将实验采集的振动信号样
注意模块的补充,以查找注意信息的位置,其结本进行处理,一维时域信号被分解为多个IMF;
构如图2所示。(2)计算每个IMF与原始信号的互信息值,
将互信息值最小的模态判定为虚假分量,借此选
出能有效反映滚动轴承故障状态的真实分量,并
进行重构;
(3)对重构信号进行GST时频分析,生成时
频图像,再将进行时频图灰度化处理并压缩为
28×28的大小,构造VMD-GST二维特征图像
图2CBAM模块结构据集,然后划分为训练样本集、测试样本集和验
;
对于卷积得到特征CBAM分别在通道和空(4)将注意力机制引入模型中,构建
间两个维度上计算特征映射的注意力权重,然后
图3方法流程图

AMCNN的基本结构,并对模型进行初始化;训练过程中调整网络模型以到达最优;
(5)通过训练集数据训练网络模型,同时在(6)对AMCNN模型进行训练后,将测试集
数据送入模型中,从而获得各故障类型的分类精中心频率来判断K值大小,若两个模态中心频率
度,完成滚动轴承的智能诊断。过于接近,则说明K值过大,信号被过度分解。
限于篇幅限制,
4滚动轴承故障诊断及分析轴承内圈故障的振动信号为例,将信号进行
,得到的各个IMF中心频率如表2所
本次实验,采用来源于本课题组数据集进行示。由表可知,K=6时存在两个模态的中心频
验证。本课题组轴承故障测试试验台如图4所率为3747Hz和3851Hz,两者十分接近,因此将
示,试验台设备主要包括柴油发动机、制动盘、K=5作为VMD分解时的预设数。
轴承及轴承座和转轴等,各组成部件如图所示。表2不同K值时模态分量的中心频率

及故障信号,。atdifferentvaluesofK
轴承采用的型号是NJ208EM,通过线切割
模态数K中心频率/Hz
21052478----
3878452891---
48784524793746--
587844247229263747-
6868432473289137473851
惩罚因子α会对收敛速度和各模态分量的带
宽产生影响,α的取值越小,经过VMD分解得
图4试验台示意图
,反之模态分量的带宽越
小。模态分量的带宽大小会影响模态混叠情况,
技术在轴承零件表面加工不同宽度的裂纹,轴承
为了保证VMD分解的效果,惩罚因子α的取值
的各个健康状态如表1所示。共有7种轴承状
应大于采样频率值的一半[15],同时考虑到惩罚因
态,对于每个轴承状态,取1000个样本,取样
子α过大会降低收敛速度,因此本文α的取值为
长度为2048,并以3:1:1的比值划分训练集、验
8000。VMD其他参数设置为经验值,既
证集与测试集,得到4200个训练集样本、1400
init=0,tau=0,DC=0,tol=10-6。
个验证集样本,1400个测试集样本。

-GST二维特征图生成方法对滚动
编号故障位置故障直径转速轴承数据集中的信号进行处理,制作各个工况时
/mm/(r·min-1)频图数据集用于滚动轴承故障诊断。轴承各类健
0正常02200康状态的VMD-GST二维特征图的示例如图5,
,7种轴承不同状态振动信号的VMD-
,反映了信
。因此,VMD-GST


特征,能够对滚动轴承健康状态进行很好地分

辨。

此外,为了在后续的网络训练过程中减少计
,将灰度图压缩成28×28的图片,作为
的输入。
VMD算法中需要预先设置多个初始参数,AMCNN
模型结构与超参数设置
包括模态分量个数K、惩罚因子α、
本文使用的模型是一种基于
始化设置参数init、噪声容忍度参数tau、初始中AMCNN
结构的改进模型,通过引入注意
心频率更新参数DC和终止条件tol。其中K和ALexNetCNN
α是对分解效果影响较大的两个主要参数,下文力机制来选择重要通道,提高诊断模型的特征提
取能力。如表所示,在第一个和最后一个卷积
对两个参数进行确定。3
本文通过观察不同模态数K时IMF分量的
0123456
图5VMD-GST二维特征图
-GSTtwo-dimensionalfeaturema
池化单元之后添加了CBAM模块。该模型以二
维灰度图作为输入,在第一个卷积池化单元对源
数据进行初始特征提取后,通过第一个CBAM
模块和第二、第三个卷积池化单元对特征进行进
一步提取。输出的数据再经过第二个CBAM模
块和全连接层展开为一维向量,最后输入到
Softmax层进行故障分类。为加速训练速度、避
免网格结构在训练过程中出现过拟合现象,在卷
积层和池化层之间加入批归一层。
表3模型结构参数

图6网络的训练收敛曲线

卷积层C15×5×12
池化层S1最大值池化2×2;步长:2
Attention层/
卷积层C23×3×32
池化层S2最大值池化2×2;步长:2
卷积层C33×3×64
池化层S3最大值池化2×2;步长:2
Attention层/
全连接层48×1
softmax层7×1

验证本文方法的计算机配置:AMDRyzen7
5800H-处理器,RTX3060-显卡;深度学习框架图7混淆矩阵结果分析
为Pytorch。
训练,batchsize为35,训练的迭代过程总计

200,图6为网络的训练收敛曲线。从图中可以
看出模型准确率的增加速率和损失值的减小速率为了验证本文VMD-GST特征图像生成方法
都非常迅速,经过50次迭代模型趋于稳定,达的优越性,现将滚动轴承振动信号通过CWT、
到完全收敛,%、损失值为GST和振动光谱成像(VSI)方法生成的特征图
。像作为AMCNN网络的输入,与本文特征图像
为排除对个别类型故障存在极端识别的情生成方法进行对比,不同方法的诊断结果如表4
况,用混淆矩阵对测试集结果进行分析,如图7所示。从表中可以看出,信号经过VMD-GST方
所示。可以看出:对于轴承故障试验台采集到的法进行处理转换为特征图像后输入本文所构建的
轴承故障数据,%,仅网络,训练准确率和测试准确率均高于其他特征
有2个编号为4的外圈故障被误诊为编号为3的图像生成方法,说明采用VMD-GST方法将振动
外圈故障和1个编号为1的内圈故障被误诊为编信号转化为二维图像时,降低了信号中非敏感故
号为6的滚动体故障,表明该方法能有效识别不障信息的比例,使故障特征在时频域里突出,为
同故障类型、不同故障程度的滚动轴承,具有高网络识别提供了优秀的样本。
精度性和稳定性。
表4不同特征图生成方法的诊断结果本的特征在空间上完全分离,且轴承的同种状态
。由此可知,AMCNN
generationmethods能对图像数据集有效提取特征,不同轴承状态样
特征图生成方法训练准确率/%测试准确率/%本的特征比SAE模型和CNN模型在t-SNE可视
化图上更容易区分,有利于进一步提高故障诊断
VMD-
率。



为了进一步验证本文提出模型的有效性,将
本文模型与支持向量机(Supportvector
machine,SVM)、堆叠自编码(Stacked
AutoEncoder,SAE)和CNN模型进行比较。试验
中CNN使用三个卷积池化单元、一个全连接
层、一个Softmax分类层,与AMCNN相比没有
加入注意力机制层,除此之外,参数设置与
AMCNN相同;SVM的核函数选用高斯核;(a)SAE的t-SNE可视化散点图
SAE设置有两个隐含层,神经元个数分别为168
和64个。使用由VMD-GST方法生成的图像数
据集进行对每个模型进行10次试验,4种模型
的诊断结果如表5所示。
表5不同模型的诊断结果

模型SVMSAECNNAMCNN
最小准确率/%
最大准确率/%
(b)CNN的t-SNE可视化散点图
平均准确率/%

从表中可以看出,在相同图像样本条件下,
深度学均识
别率均达到97%以上,而SVM算法的平均识别
率低于85%,显著小于深度学习算法,这表明了
深度学习方法拥有强大的特征提取和故障分类能
力。此外,AMCNN对不同滚动轴承故障模式的
%,%,
%,证明了AMCNN诊断模
型的优越性。同时通过对比诊断结果,可以发现(c)AMCNN的t-SNE可视化散点图
AMCNN的方差最小,说明AMCNN模型诊断效图8三种模型的t-SNE可视化散点图
果更加稳定。-SNEvisualscatterplotsofthreemodels
为了证明本文提出模型的特征提取能力,利
5结论
用t-SNE降维技术,将SAE、CNN和AMCNN
本文提出一种VMD-GST和注意力CNN相
的全连接层输出特征分别转化至二维平面进行可
结合的滚动轴承故障诊断方法,通过分析和研究,
视化,如图8所示。从图中可以看出,图(a)
得到如下结论:
和图(b)中6种故障类型的特征和正常样本特
(1)对原始振动信号采用VMD-GST方法生
征在空间上能被有效区分,但轴承同种状态样本
成二维图像能够有效对故障特征进行提取,并能
的聚集度并不是很好,编号为2、3的样本仍有
很好地区分出滚动轴承的不同状态,为下一步故
混叠。图(c)中6种故障类型的特征和正常样
障诊断提供了优秀的图像样本。
(2)在CNN网络中加入注意力机制,(编号:51975276)—
适应地增强有效信息,抑制干扰信息,从而更有—转子系统数据不均衡微弱故障的智能敏捷诊断与预
效地提取出滚动轴承振动信号时频图像中的关键测;

特征,进一步提高故障诊断准确率。
稳定支持项目(编号:GJLZ-2020-0051);
参考文献:
[1]HuQZ,ZhangSL,
FaultDiagnosisBasedonTime-DomainandArtificial
Intelligence[J].AppliedMechanicsandMaterials,2012,
203:329-333.
[2]WangF,DengG,MaL,
NetworkBasedonSpiralArrangementofFeaturesandIts
ApplicationinBearingFaultDiagnosis[J].IEEEAccess,
2019,7:64092-64100.
[3]KhodjaAY,NGuersi,SaadiMN,
elementbearingfaultdiagnosisforrotatingmachinery
usingvibrationsp