基于卷積神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷

王麗華， 謝陽陽， 周子賢， 張永宏， 趙曉平

(1.南京信息工程大學(xué)信息與控制學(xué)院 南京，210044) (2.南京信息工程大學(xué)計算機與軟件學(xué)院 南京，210044)

基于卷積神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷

王麗華1， 謝陽陽1， 周子賢2， 張永宏1， 趙曉平2

(1.南京信息工程大學(xué)信息與控制學(xué)院 南京，210044) (2.南京信息工程大學(xué)計算機與軟件學(xué)院 南京，210044)

由于電機內(nèi)部結(jié)構(gòu)的復(fù)雜性，使得其故障特征與故障類型之間存在較強的非線性關(guān)系；目前用于異步電機故障診斷的方法都是人工手動提取特征，這需要大量的先驗知識、豐富的信號處理理論和實際經(jīng)驗作為支撐，診斷效率不高；同時用于模式識別時的樣本量過少，會導(dǎo)致網(wǎng)絡(luò)過擬合等問題。針對以上問題，提出了基于短時傅里葉變換(short-time fourier transform，簡稱STFT)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, 簡稱CNN)的電機故障診斷方法。該方法以單一振動信號為監(jiān)測信號，使用STFT將故障信號轉(zhuǎn)換成時頻譜圖，構(gòu)建大量不同故障樣本，以確保樣本多樣性，提高網(wǎng)絡(luò)魯棒性。將預(yù)處理后的樣本作為CNN的輸入，有監(jiān)督地調(diào)整網(wǎng)絡(luò)參數(shù)，以實現(xiàn)準(zhǔn)確的電機故障診斷。將所提出的STFT+CNN算法分別與傳統(tǒng)的電機故障診斷方法及堆疊降噪自編碼進行比較分析。試驗結(jié)果表明，該方法能夠更有效地進行電機故障診斷。

電機；振動信號；短時傅里葉變換；卷積神經(jīng)網(wǎng)絡(luò)

引 言

異步電機在當(dāng)代社會生產(chǎn)系統(tǒng)中的應(yīng)用越來越廣泛，是工業(yè)生產(chǎn)活動的主要驅(qū)動設(shè)備，一旦發(fā)生故障，將帶來巨大的經(jīng)濟損失。因此，針對異步電機故障診斷技術(shù)的研究，具有重要的理論研究價值和實際意義[1]。異步電機是由定子、轉(zhuǎn)子、軸承、機座和風(fēng)扇等組成的綜合電氣設(shè)備，其內(nèi)部包含多個復(fù)雜的子系統(tǒng)，使電機故障呈現(xiàn)出多樣性，其表現(xiàn)出的特征也千差萬別，并且同一癥狀有可能是不同的原因造成的，同一種故障表現(xiàn)出的特征也不盡相同[2]。因此，異步電機的故障特征與故障類型之間并非一一對應(yīng)的，其間存在較強的非線性關(guān)系[3]。

實際生產(chǎn)中經(jīng)常產(chǎn)生故障的部位有轉(zhuǎn)子和軸承等。轉(zhuǎn)子故障診斷常用方法是電流分析法。定子電流頻譜分析[4](motor current signature analysis, 簡稱MCSA)是電流分析法中典型的方法，該方法通過分析定子電流頻譜判斷轉(zhuǎn)子斷條故障，但是異步電機正常工作時轉(zhuǎn)差率小，從而使得故障分量和基頻分量十分接近，且故障分量幅值很小，易被基頻泄露及環(huán)境噪聲淹沒，難以分析判斷。Cruz等[5-7]先后提出了Park′s和擴展Park′s矢量方法，兩者都是通過分析定子電流頻譜進行故障判斷。Park′s矢量法將對頻譜的分析轉(zhuǎn)化成圖形問題，方便了故障識別，但是這種方法卻不適用于故障早期；擴展Park′s矢量方法在原有基礎(chǔ)上引入了平方項，產(chǎn)生了許多交叉項，使得頻譜復(fù)雜化。劉振興等[8]將Hilbert模量定義為原始信號與其共軛信號的平方和，通過Hilbert變換將定子電流信號的基波信號轉(zhuǎn)換成直流分量，從而提取出故障特征分量，但是該方法只采樣了單相電流信號，只能完成偏心、斷條故障分量提取，而且同樣存在交叉項多的問題。方瑞明等[9]將模式識別算法用于解決電機轉(zhuǎn)子故障診斷問題，根據(jù)MCSA分析法，分別提取電流基波和諧波信號特征用于支持向量機(support vector machine, 簡稱SVM)的訓(xùn)練，該方法只完成了電機內(nèi)部單一轉(zhuǎn)子故障分類，且用于SVM分類器訓(xùn)練的樣本量過少。

軸承故障診斷常用方法是振動分析法。由于異步電機內(nèi)部結(jié)構(gòu)復(fù)雜，采集得到的振動信號往往是多個分量的混合，且振動信號具有非平穩(wěn)、非線性等特點，這使得特征提取變得困難。楊江天等[10]利用經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，簡稱EMD)將電機軸承振動信號分解濾波后進行改進雙譜變化，提取故障特征頻率。錢華明等[11]利用小波包進行振動信號分解，將各頻帶能量與總能量的比作為特征送入到改進的遺傳小波神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，構(gòu)建診斷網(wǎng)絡(luò)完成電機故障診斷。上述方法存在兩個方面不足：a.以單一的診斷信號完成了異步電機內(nèi)部某一結(jié)構(gòu)的故障診斷，而異步電機內(nèi)部結(jié)構(gòu)復(fù)雜多樣，單一對象的故障診斷無法滿足實際需求；b.均采用手動提取特征的方式，需要豐富的先驗知識、信號處理理論和實際經(jīng)驗作為支撐，還需要大量人工處理數(shù)據(jù)的時間。針對前一點不足，李學(xué)軍等[12]提出將電流信號和振動信號相結(jié)合，先用小波包分別提取兩類信號的熵特征后，采用具有較強非線性處理能力的核主成分分析(kernel principal component analysis, 簡稱KPCA)進行特征融合后利用SVM完成轉(zhuǎn)子和軸承的故障診斷，通過500組數(shù)據(jù)驗證得出，信號融合后的效果明顯比單一信號好。同樣，上述方法中用于故障識別網(wǎng)絡(luò)訓(xùn)練的樣本量太少，這會使得樣本的多樣性無法得到保證，從而降低網(wǎng)絡(luò)的魯棒性。在模型很復(fù)雜的情況下，樣本過少會使得網(wǎng)絡(luò)專注解釋訓(xùn)練數(shù)據(jù)，從而降低對未知數(shù)據(jù)的解釋能力，形成過擬合。

針對上述樣本量小和手工提取特征的問題，筆者以單一的振動信號為監(jiān)測信號，將CNN引入到電機故障診斷中，通過STFT求電機振動信號的時頻譜圖，構(gòu)建大量表示不同故障的帶標(biāo)簽樣本數(shù)據(jù)，以確保樣本的多樣性，提高網(wǎng)絡(luò)的魯棒性。預(yù)處理后輸入卷積神經(jīng)網(wǎng)絡(luò)，利用誤差反向傳播算法經(jīng)過多次迭代，從而建立信號和電機故障之間相互聯(lián)系的網(wǎng)絡(luò)，實現(xiàn)電機故障的精確診斷。

1 卷積神經(jīng)網(wǎng)絡(luò)

CNN是近年發(fā)展起來并引起廣泛重視的一種高效識別方法[13]。CNN可以將原始圖像直接輸入，避免了前期對圖像的復(fù)雜預(yù)處理。同時，CNN對平移、比例縮放、傾斜或其他變形形式的圖像信息具有高度不變性，因而得到更為廣泛的應(yīng)用。

CNN將多個單層卷積神經(jīng)網(wǎng)絡(luò)堆疊，前一層的輸出作為后一層的輸入，并在最后一層的輸出特征圖后接上全連接層和分類器，從而用于圖像、語音等的識別。

1.1 單層卷積神經(jīng)網(wǎng)絡(luò)

每個單層卷積神經(jīng)網(wǎng)絡(luò)包括卷積和下采樣兩個階段，如圖1所示，其中下采樣階段不是每層都必須有的。

圖1 單層卷積神經(jīng)網(wǎng)絡(luò)Fig.1 Single Convolutional Neural Network

1.1.1 卷積層

自然圖像有其固有特性：從圖像某一子塊學(xué)習(xí)得到一些特征后，將這些特征作為探測器，應(yīng)用到所有子塊中去，獲取不同子塊的激活值。CNN中的卷積就利用了圖像的這種固有特性，每個卷積核檢測輸入特征圖所有位置上的特定特征，實現(xiàn)了同一輸入特征圖上的權(quán)值共享。為了提取輸入特征圖不同的特征，則使用不同的卷積核進行卷積操作。圖1中使用8個3×3大小卷積核對一張10×10大小的輸入特征圖卷積，得到8張8×8的特征圖。卷積操作的一般形式為

x=f(∑x*wij+b)

(1)

其中：*為二維離散卷積運算符；b為偏置；wij為卷積核；x為輸入特征圖；f(·)為激活函數(shù)。

1.1.2 下采樣

通過卷積層，特征圖片的個數(shù)增加，使得特征維數(shù)變得很大，容易造成維數(shù)災(zāi)難。為了解決這一問題，對卷積得到的特征圖進行聚合統(tǒng)計，從而更加方便描述高維圖像，這種聚合操作就是下采樣。下采樣操作在降低了輸出特征圖分辨率的同時，仍較好地保持著高分辨率特征圖描述的特征。下采樣的一般形式為

x=f(βdown(x)+b)

(2)

其中：β為乘性偏置；down()為下采樣函數(shù)；b為加性偏置；f(·)為激活函數(shù)。

如圖1所示，由輸入特征圖卷積得到8張8×8的特征圖，經(jīng)過下采樣操作后變成8張4×4的特征圖，從而降低了特征圖的維數(shù)。

1.2 全連接層

全連接(層)的所有神經(jīng)元節(jié)點，都與上一層輸出的特征圖中所有的神經(jīng)元節(jié)點互相連接。其輸出為

h(x)=f(wx+b)

(3)

其中：x為全連接層的輸入；h(x)為全連接層的輸出；w為權(quán)值；b為加性偏置；f(·)為激活函數(shù)。

為了防止分類時出現(xiàn)過擬合的情況，通常在全連接層引入“Dropout”[14]的方法，即在訓(xùn)練時，以一定的概率P，讓隱藏層的某個神經(jīng)元停止工作，從而提高網(wǎng)絡(luò)的泛化能力，防止過擬合。

1.3 分類器

Softmax[15]是Logistic分類器的一種推廣，主要解決多分類問題。假設(shè)訓(xùn)練數(shù)據(jù)中輸入樣本為x，對應(yīng)的標(biāo)簽為y，則將樣本判定為某個類別j的概率為p(y=j|x)。所以，對于一個K類分類器，輸出的將是一個K維的向量(向量的元素和為1)，如式(4)所示

(4)

在訓(xùn)練中，利用梯度下降法，通過多次迭代使得Softmax的代價函數(shù)J(θ)達到最小，從而完成網(wǎng)絡(luò)訓(xùn)練。其代價函數(shù)J(θ)為

其中：1{·}為一個指示性函數(shù)，即當(dāng)大括號內(nèi)的值為真時，該函數(shù)結(jié)果就為1；否則結(jié)果就為0。

在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時，最常用的方法是采用反向傳播法則以及有監(jiān)督的訓(xùn)練方式，根據(jù)給定的標(biāo)簽與網(wǎng)絡(luò)輸出的結(jié)果進行比較，生成誤差項。根據(jù)反向傳播的思想，將誤差逐層傳遞到每個節(jié)點，并更新權(quán)值(具體的權(quán)值更新公式見文獻[16])。通過多次迭代使得誤差項越來越小，權(quán)值也越來越穩(wěn)定，從而完成網(wǎng)絡(luò)的訓(xùn)練。

2 卷積神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練步驟

為了有效地實現(xiàn)電機故障診斷，筆者將短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合。卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示，其中：C1，C2，C4，C5為卷積層；S3，S6為下采樣層；FC1，F(xiàn)C2為全連接層；Softmax為分類層。具體網(wǎng)絡(luò)參數(shù)如表1所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)Fig.2 Convolutional neural network

網(wǎng)絡(luò)層類型具體參數(shù)輸出特征大小輸入層輸入RGB圖像3×100×100C116個3×3卷積核、步長116×98×98C216個3×3卷積核、步長116×96×96S3MaxPooling2×2的核，步長216×48×48C432個3×3的卷積核，步長132×46×46C532個3×3的卷積核，步長132×44×44S6MaxPooling2×2的核，步長232×22×22FC164個節(jié)點1×64FC2128個節(jié)點1×128

電機故障診斷過程分為以下9個步驟：

1) 電機振動信號采集；

2) 將振動信號通過短時傅里葉變換轉(zhuǎn)化為時頻圖；

3) 對時頻圖進行處理，先將時頻圖的非特征部分(即空白處和坐標(biāo)等)刪除，再將圖片壓縮成合適大小的正方形；

4) 建立網(wǎng)絡(luò)并初始化網(wǎng)絡(luò)參數(shù)，根據(jù)樣本和要求，構(gòu)建合適深度的網(wǎng)絡(luò)模型，確定網(wǎng)絡(luò)參數(shù)(如學(xué)習(xí)率、迭代次數(shù)、步長等)；

5) 網(wǎng)絡(luò)訓(xùn)練和前向傳播，將樣本輸入到網(wǎng)絡(luò)中，通過前向傳播求得網(wǎng)絡(luò)輸出與預(yù)期目標(biāo)的誤差；

6) 判斷網(wǎng)絡(luò)是否收斂，若網(wǎng)絡(luò)收斂，則執(zhí)行步驟8，否則執(zhí)行步驟7；

7) 反向傳播和權(quán)值修改，利用BP反向傳播算法，將步驟5求得的誤差反向逐層傳播到每個節(jié)點，并更新權(quán)值，重復(fù)執(zhí)行步驟5～步驟7，直至網(wǎng)絡(luò)收斂；

8) 根據(jù)測試樣本的精確度判斷網(wǎng)絡(luò)是否滿足實際要求，如滿足執(zhí)行步驟9，否則跳轉(zhuǎn)到步驟4，修改網(wǎng)絡(luò)參數(shù)；

9) 輸出網(wǎng)絡(luò)用于電機故障診斷。

圖3為其流程圖。

圖3 電機故障診斷流程圖Fig.3 Flow chart of motor fault diagnosis

3 試驗驗證

3.1 試驗數(shù)據(jù)

筆者以動力傳動故障診斷綜合試驗臺的異步電機為研究對象，將短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，從而完成電機故障的診斷和其狀態(tài)的監(jiān)測。該系統(tǒng)由電機、兩級行星齒輪箱、定軸齒輪箱和磁粉制動器等組成。本實驗將加速度傳感器安裝在異步電機上，如圖4所示。通過更換電機，同時調(diào)節(jié)不同轉(zhuǎn)速(3 600和3 000r/min),模擬了7種不同的電機健康狀態(tài)：

1) 無故障；

2) 轉(zhuǎn)子不平衡故障通過在轉(zhuǎn)子兩端突出的小鋁銷上安裝配重來實現(xiàn)；

3) 轉(zhuǎn)子彎曲故障的電機包含一個彎曲程度為0.005″～0.01″的故障轉(zhuǎn)子；

4) 軸承故障電機內(nèi)置一個內(nèi)圈故障的軸承；

5) 轉(zhuǎn)子斷條故障電機同樣含有一個故意損壞的轉(zhuǎn)子條；

6) 定子繞組故障的電機在采集數(shù)據(jù)時，可通過外部控制盒向繞組添加額外的負(fù)載，控制箱可變電阻范圍為0～4Ω；

7) 電壓不平衡單相位故障通過開關(guān)相位來實現(xiàn)單相，并用控制箱引入電阻，相位損耗開關(guān)將電路切換到第1階段，電壓控制開關(guān)向第2相引入0～25Ω的可變電阻，第3相保持不變。

由于試驗臺模擬故障種類的限制，本研究僅包含了7種故障，但為了增加采樣時故障樣本的復(fù)雜性，采集定子繞組、電壓不平衡和單相位故障的數(shù)據(jù)時，除了改變轉(zhuǎn)速，還對控制箱可變電阻隨機調(diào)節(jié)。

如表2所示，每種故障在相同的工作情況下采集了1 300個時域信號，采樣頻率為5 120Hz，每個信號時長5s，通過STFT轉(zhuǎn)換成9 100個樣本，隨機選取不同健康狀態(tài)的20%樣本作為測試樣本，其余作為訓(xùn)練樣本。

圖4 動力傳動故障診斷綜合試驗臺Fig.4 Drivetrain dynamics simulator

健康狀態(tài)樣本數(shù)標(biāo)簽無故障13001轉(zhuǎn)子不平衡13002轉(zhuǎn)子繞組13003軸承故障13004轉(zhuǎn)子彎曲13005轉(zhuǎn)子斷條13006電壓不平衡和單相位13007

3.2 信號時頻圖的預(yù)處理

使用STFT求得各個故障信號的時頻圖，并將其簡單預(yù)處理來提高整個識別系統(tǒng)的實時性和準(zhǔn)確性。時頻圖預(yù)處理包括圖片的切割和壓縮，如圖5所示。利用STFT將信號轉(zhuǎn)換成時頻譜圖，剪切掉時頻譜圖周邊的坐標(biāo)以及空白部分，為了降低計算量和方便CNN的訓(xùn)練，將圖片壓縮成100×100的正方形。

圖5 時頻圖的預(yù)處理Fig.5 Pre-processing for time frequency diagram

3.3 試驗結(jié)果分析

將預(yù)處理后的時頻譜圖輸入卷積神經(jīng)網(wǎng)絡(luò)，多次迭代后其診斷精確度最高為100%(見表3)，充分說明STFT結(jié)合CNN的方法能夠有效地識別電機故障，完成電機故障的智能診斷。

表3 多次試驗結(jié)果

試驗中，為了更好地了解CNN網(wǎng)絡(luò)工作的特點，從7種故障中各隨機選取一個樣本作為輸入，對網(wǎng)絡(luò)C1，C5進行特征可視化，其結(jié)果如圖6所示。

圖6 CNN網(wǎng)絡(luò)層特征可視化圖Fig.6 Feature visualization of CNN network

比較不同故障的特征圖能夠發(fā)現(xiàn)，同一個卷積核對不同故障所提取的特征差異很明顯。例如圖6(b)中各圖的右下角方格，代表C1層最后一個卷積核對不同故障樣本提取的特征圖，可以發(fā)現(xiàn)各圖紋理差異很大，這表明卷積核所學(xué)到的參數(shù)，在特征提取上是有效的。此外，從圖6(b)中1可以看出，不同卷積核對同一個故障樣本提取特征時，能夠自適應(yīng)地學(xué)習(xí)出不同的紋理特征，對于部分沒有學(xué)習(xí)到特征的卷積核，可以考慮對網(wǎng)絡(luò)結(jié)構(gòu)進行裁剪，去除未學(xué)習(xí)到特征的卷積核。

為了定量顯示CNN網(wǎng)絡(luò)提取特征的能力，筆者選取7種故障各自的樣本作為輸入，分別提取CNN網(wǎng)絡(luò)FC2層的特征，計算兩兩之間的相關(guān)性，其結(jié)果如圖7所示。

圖7 FC2層特征之間的相關(guān)性圖Fig.7 Correlation diagram between FC2 layer features

圖7顯示了FC2層特征相關(guān)性，若兩者之間相關(guān)性最高，則該點的數(shù)值最大，顯示為藍色；反之，若兩者之間的相關(guān)性最弱，則該點是數(shù)值最小，顯示為白色。相關(guān)系數(shù)反映的為不同故障提取出的特征之間的差異，相關(guān)系數(shù)越小，表明不同故障提取出的特征差異性越大。從圖7中看出，不同故障樣本之間的相關(guān)系數(shù)都小于0.5，即不同故障樣本經(jīng)CNN提取出的FC2層特征具有較強的識別度，說明CNN具有很好的特征提取能力。

3.4 不同參數(shù)下卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練情況對比

3.4.1 學(xué)習(xí)率對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的影響

在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時，運用了梯度下降法進行優(yōu)化，其中學(xué)習(xí)率是影響權(quán)值調(diào)整、誤差收斂的一個重要參數(shù)。為了提高網(wǎng)絡(luò)訓(xùn)練的效率，選擇一個合適的學(xué)習(xí)率十分重要。在本試驗中，采用不同學(xué)習(xí)率訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，如圖8所示(其余參數(shù)相同)。

由圖8可以看出，學(xué)習(xí)率太大或者太小，CNN的訓(xùn)練正確率和測試正確率都會降低，同時損失值都會變大。選擇合適的學(xué)習(xí)率，能夠加快CNN網(wǎng)絡(luò)收斂的速度，提高網(wǎng)絡(luò)的精度。本試驗選擇的學(xué)習(xí)率為0.005。

圖8 不同學(xué)習(xí)率對CNN訓(xùn)練的影響Fig.8 Effect of different learning rate on CNN training

3.4.2 Batchsize對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的影響

在訓(xùn)練CNN時，由于樣本數(shù)據(jù)量大、電腦配置有限等條件的限制，無法一次將所有樣本全部用于網(wǎng)絡(luò)的訓(xùn)練，因此，通常會選擇將樣本平均分成大小適中的塊，這個塊的大小就是Batchsize。本試驗使用不同Batchsize，對CNN進行訓(xùn)練(其他參數(shù)相同)，其結(jié)果如圖9所示。圖10為不同Batchsize條件下，CNN迭代一次需要的時間。

圖9 不同Batchsize對CNN訓(xùn)練的影響Fig.9 Effect of different batchsize on CNN training

圖10 CNN在不同Batchsize下迭代一次所花時間Fig.10 Time of one iterative with different batchsize

從圖9、圖10可以看出，當(dāng)Batchsize很小時，網(wǎng)絡(luò)訓(xùn)練和測試的精確度都很高，但是迭代一次所需要的時間卻很長。當(dāng)Batchsize越來越大，其訓(xùn)練和測試的精確度越來越低，但迭代一次所需要的時間卻變少。本試驗采用的Batchsize為20，保證準(zhǔn)確度的同時，降低了訓(xùn)練所需要的時間。

訓(xùn)練CNN時選擇合適的參數(shù)很重要，不同樣本集的參數(shù)是不同的。調(diào)整參數(shù)，找到對應(yīng)樣本集合適的參數(shù)，是CNN訓(xùn)練過程中的重要的環(huán)節(jié)。

3.5 與其他方法對比分析結(jié)果

為了說明卷積神經(jīng)網(wǎng)絡(luò)在電機故障診斷中的優(yōu)勢，筆者對其進行比較分析，各方法均采用3.1節(jié)中采集的數(shù)據(jù)。

3.5.1 與傳統(tǒng)電機故障診斷方法比較分析

特征提取和模式識別是電機故障診斷的兩個主要過程[17]。目前特征提取的主要方法有EMD[18]和PCA[19]等，也可以通過分析電機信號的均值、方差、峭度、峰值和能量比等完成特征提取。常用于電機故障診斷的方法有BP神經(jīng)網(wǎng)絡(luò)和SVM[20]等。

本研究將CNN與PCA+SVM，EMD+SVM、診斷特征+SVM等方法進行比較，其結(jié)果如表4所示。試驗中，所使用的電機數(shù)據(jù)來自于采集得到的同一個電機故障信號數(shù)據(jù)集。從PCA，EMD及診斷特征等方法本身的特點和在信號處理領(lǐng)域的實際應(yīng)用意義來看，這些方法都以時域信號為基礎(chǔ)來提取特征。為了方便CNN的使用，利用STFT將時域信號轉(zhuǎn)化成時頻譜圖，用于網(wǎng)絡(luò)訓(xùn)練。雖然診斷方法的樣本不一樣，樣本數(shù)也不一樣，但是都取之同一個數(shù)據(jù)集，因此具有一定的對比意義。

表4 不同電機故障診斷方法的結(jié)果

PCA+SVM方法主要利用PCA來提取時域信號特征(特征數(shù)從2～100)，結(jié)合SVM完成電機故障診斷。但是PCA在本質(zhì)上是一種線性方法，處理非線性問題能力差，因此PCA+SVM方法效果差，其平均診斷精確度為30.52%。EMD能夠自適應(yīng)地實現(xiàn)信號分解，較小波分析方法有很大的優(yōu)勢，試驗以EMD分解出的IMF分量能量值作為特征，訓(xùn)練SVM分類器以完成故障診斷。試驗中從時域信號和頻域信號分別提取多個診斷特征，這些特征能夠很好地描述故障信號所包含的信息，因此EMD+SVM和診斷特征+SVM兩種方法能夠較好地實現(xiàn)電機故障診斷，其診斷精確度分別為93.67%和95.05%。CNN因多層網(wǎng)絡(luò)的映射和有監(jiān)督的參數(shù)調(diào)整，能夠準(zhǔn)確實現(xiàn)電機故障診斷，其診斷精確度為100%。本試驗所用方法基于KERAS框架實現(xiàn)，雖然在迭代50次的情況下所花訓(xùn)練時間為0.6h，但在用于測試100個樣本時所花時間僅為2s，具有極高的實時性。

3.5.2 與其他深度學(xué)習(xí)模型(堆疊降噪自編碼)的比較

堆疊降噪自編碼(stacked denoising auto-encoder,簡稱SDAE)是由自編碼堆疊而成的無監(jiān)督深層網(wǎng)絡(luò)，可以通過有監(jiān)督的全局微調(diào)實現(xiàn)故障診斷。本研究將CNN與SDAE在電機故障診斷方面進行比較，如表5所示。CNN網(wǎng)絡(luò)的樣本是時頻譜圖，時頻譜圖是由時域信號(在4.1節(jié)說明了時域信號長度為5s)轉(zhuǎn)換而來，而SDAE網(wǎng)絡(luò)的樣本為時域信號(時域信號長度為2 000個點，即為0.4s，由于電腦配置等條件限制，其樣本不宜過大)。

表5 不同深度學(xué)習(xí)方法的診斷結(jié)果

由表5可以看出，以時頻譜圖為樣本時，CNN能夠以100%的精確度實現(xiàn)電機故障診斷；以時域信號為樣本訓(xùn)練SDAE時，其診斷精確度為97.57%；以頻域信號為樣本訓(xùn)練SDAE時，其精確度同樣可以達到100%。使用SDAE同樣可以很好地實現(xiàn)電機故障診斷，但是其樣本太小，在實際應(yīng)用中，樣本過小可能導(dǎo)致樣本所包含的信息量太少，甚至造成錯誤樣本，從而影響診斷精度。

3.5.3 與連續(xù)小波變換結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法的比較

短時傅里葉變換并不是唯一的時頻分析方法，為了進一步驗證將一維信號通過時頻分析轉(zhuǎn)換成圖片的方法的有效性，采用連續(xù)小波變換(帶寬參數(shù)和中心頻率均為4的復(fù)Morlet小波)將原始的振動信號轉(zhuǎn)變?yōu)闀r頻圖，如圖 11所示。同樣選取14 000個樣本，以20%作為測試集，其余作為訓(xùn)練集，然后將得到的時頻圖以筆者提出的CNN網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)進行訓(xùn)練。

圖11 連續(xù)小波變換下的各故障樣本時頻圖Fig.11 Time-frequency map by continuous wavelet transform with different fault samples

訓(xùn)練完成后將測試集數(shù)據(jù)輸入模型，同樣得到了100%的正確率。試驗表明，將一維信號以時頻分析方法轉(zhuǎn)換為時頻圖，再進行CNN網(wǎng)絡(luò)識別的方法是有效的。

4 結(jié) 論

1) 以振動信號為基礎(chǔ)，提出了基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法，完成了電機轉(zhuǎn)子、軸承等故障診斷。

2) 較傳統(tǒng)方法，本方法降低了對先驗知識、信號處理理論和實際經(jīng)驗的需求，同時降低了人工處理信號數(shù)據(jù)的時間，使得電機故障診斷與預(yù)測更加智能化和高效化。

3) 本方法建立在大量樣本數(shù)據(jù)的基礎(chǔ)上。樣本量大使得樣本的多樣性得到保證，從而提高網(wǎng)絡(luò)魯棒性，也會防止網(wǎng)絡(luò)過擬合。

4) 本研究的數(shù)據(jù)集是在特定的試驗環(huán)境下采集的，與正常工業(yè)生產(chǎn)依然存在很大的差異。試驗分析時發(fā)現(xiàn)，依然存在未學(xué)習(xí)到特征的卷積核。因此，提高卷積核學(xué)習(xí)能力，或者是裁剪冗余的卷積核，從而提高網(wǎng)絡(luò)性能，降低網(wǎng)絡(luò)復(fù)雜度，是一個值得關(guān)注的問題。

[1] 沈標(biāo)正. 電機故障診斷技術(shù)[M]. 北京: 機械工業(yè)出版社, 1996:88-93.

[2] 康云霞. 基于粗糙集與神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷方法的研究[D]. 錦州：渤海大學(xué), 2014.

[3] 李平. 基于多源異類信息融合的異步電機故障診斷技術(shù)研究[D]. 湘潭：湖南科技大學(xué), 2013.

[4] Mehrjou M R, Mariun N, Marhaban M H, et al. Rotor fault condition monitoring techniques for squirrel-cage induction machine-A review[J]. Mechanical Systems and Signal Processing, 2011, 25(8):2827-2848.

[5] Cruz Z M A, Cardoso A J M, Carvalho J F S, et al. Rotor cage fault diagnosis in three-phase induction motors by Park′s vector approach[C]∥Coference Record of The IEEE Industry Applications Society Annual Meeting. Orland Florida, USA:[s.n.], 1955:642-646.

[6] Cruz Z M A, Cardoso A J M. Rotor cage fault diagnosis in three-phase induction motors by extend Park′s vector approach[J]. Electric Machines and Power Systems, 2000 ,28(3):289-299.

[7] Cruz Z M A, Cardoso A J M. Stator winding fault diagnosis in three-phase synchronous and asynchronous motors by the extend Park′s vector approach[J]. IEEE Trans on Industry Applications, 2001, 37(5):1227-1233.

[8] 劉振興, 尹項根, 張哲. 基于Hilbert模量頻譜分析的異步電機轉(zhuǎn)子故障在線監(jiān)測與診斷[J]. 中國電機工程學(xué)報, 2003, 23(7):158-161.

Liu Zhenxing, Yin Xianggen, Zhang Zhe. Online monitoring and diagnosis way based on spectrum analysis of Hilbert modulus in induction motors[J]. Proceedings of the CSEE, 2003, 23(7):158-161.(in Chinese)

[9] 方瑞明, 鄭力新, 馬宏忠,等. 基于MCSA和SVM的異步電機轉(zhuǎn)子故障診斷[J]. 儀器儀表學(xué)報, 2007, 28(2):252-257.

Fang Ruiming, Zheng Lixin, Ma Hongzhong, et al. Fault diagnosis for rotor of induction machine based on MCSA and SVM[J]. Chinese Journal of Scientific Instrument, 2007, 28(2):252-257. (in Chinese)

[10] 楊江天, 趙明元. 改進雙譜和經(jīng)驗?zāi)B(tài)分解在牽引電機軸承故障診斷中的應(yīng)用[J].中國電機工程學(xué)報, 2012,32(18):176-122.

Yang Jiangtian, Zhao Mingyuan. Fault diagnosis of traction motor bearings using modified bispectrum and empirical mode decomposition[J]. Proceedings of the CSEE, 2012, 32(18):176-122. (in Chinese)

[11] 錢華明, 王雯升. 遺傳小波神經(jīng)網(wǎng)絡(luò)及其在電機故障診斷中的應(yīng)用[J].電子測量與儀器學(xué)報, 2009, 23(3):81-86.

Qian Huaming, Wang Wensheng. Improved wavelet neural network based on genetic algorithm and its application in fault diagnosis of motor[J]. Journal of Electronic Measurement and Instrument, 2009, 23(3):81-86. (in Chinese)

[12] 李學(xué)軍, 李平, 蔣玲莉, 等. 基于異類信息特征融合的異步電機故障診斷[J]. 儀器儀表學(xué)報, 2013, 34(1):227-233.

Li Xuejun, Li Ping, Jiang Lingli, et al. Fault diagnosis method of asynchronous motor based on heterogeneous information feature fusion[J]. Chinese Journal of Scientific Instrument, 2013, 34(1):227-233. (in Chinese)

[13] LeCun Y, Boser B, Denker J S, et al. Handwritten digit recognition with a back-propagation network[C]∥Advance in Neural Information Processing Systems. San Francisco, CA: Morgan Kaufmanu Publishers, 1990: 396-404.

[14] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural network[C]∥ Advances in Neural Information Processing System. Red Hook, NY: Curran Associates, 2012: 1097-1105.

[15] 汪海波, 陳雁翔, 李艷秋. 基于主成分分析和Softmax回歸模型的人臉識別方法[J]. 合肥工業(yè)大學(xué)學(xué)報, 2015, 38(6): 759-763.

Wang Haibo, Chen Yanxiang, Li Yanqiu. Face recognition method based on principal component analysis and Softmax regression model[J]. Journal of Hefei University of Technology, 2015, 38(6): 759-763. (in Chinese)

[16] Zeiler M D, Fergus R. Visualizing and understanding convolutional neural networks[C]∥Computer Vision-ECCV 2014.[S.L.]：Spring Internatinal Publishing, 2014:818-833．

[17] 王麗華，陶潤喆，張永宏. 基于CEEMD-WPT的滾動軸承特征提取算法[J]. 振動、測試與診斷, 2017,37(1):181-188.

Wang Lihua, Tao Runzhe, Zhang Yonghong. Feature extraction of rolling bearing based on CEEMD-WPT[J]. Journal of Vibration, Measurement & Diagnosis, 2017,37(1):181-188. (in Chinese)

[18] 郝研,王太勇,萬劍,等. 基于經(jīng)驗?zāi)B(tài)分解和廣義維數(shù)的機械故障診斷[J]. 吉林大學(xué)學(xué)報:工學(xué)版, 2012, 42(2): 392-396.

Hao Yan, Wang Taiyong, Wan Jian, et al. Mechanical fault diagnosis based on empirical mode decomposition and generalized dimension[J]. Journal of Jilin University :Engineering and Technology Edition, 2012, 42(2): 392-396. (in Chinese)

[19] 孫衛(wèi)祥,陳進,吳立偉,等.基于PCA與決策樹的轉(zhuǎn)子故障診斷[J].振動與沖擊, 2007, 26(3):72-74.

Sun Weixiang, Chen Jin, Wu Liwei, et al. Rotor fault diagnosis based on PCA and decision tree[J]. Journal of Vibration and Shock, 2007, 26(3):72-74. (in Chinese)

[20] Vapnik V N. The nature of statistical learning theory[M]. New York: Springer-Verlag, 1995：988-999．

10.16450/j.cnki.issn.1004-6801.2017.06.021

國家自然科學(xué)基金資助項目(51405241，51505234，51575283)

2017-01-06；

2017-06-27

TH17; TN911

王麗華，女，1974年9月生，碩士。主要研究方向為故障診斷、模式識別及信號處理。曾發(fā)表《基于CEEMD -WPT的滾動軸承特征提取算法》(《振動、測試與診斷》2017年第37卷第1期)等論文。

E-mail：wlh_nj@163.com