B細(xì)胞免疫的卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)故障診斷

劉向宇 田玉玲

關(guān)鍵詞： B細(xì)胞免疫; 卷積神經(jīng)網(wǎng)絡(luò); 特征提取; 故障診斷; 可靠性評(píng)估; 時(shí)頻圖

中圖分類號(hào)： TN711?34; TP206 ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）05?0083?04

Cascade fault diagnosis based on B?cell immunity algorithm

and convolution neural network

LIU Xiangyu， TIAN Yuling

（College of Computer Science & Technology， Taiyuan University of Technology， Taiyuan 030600， China）

Abstract： The current fault diagnosis model has the problems of insufficient and complex feature extraction， and poor self?adaptive ability， and is unable to learn the unknow faults. Therefore， a cascade fault diagnosis model based on B?cell immunity algorithm and convolution neural network is proposed. The parallel convolution neural network is used in the detection stage to perform the feature extraction for time?domain waveform and frequency?domain waveform of vibration signal in time window respectively. The fault is identified by classifier， and the reliability of the diagnostic result is evaluated. After that， the subsequent immune process is determined on the basis of evaluation result. If an unknow fault type is encountered， the feature extracted by convolution neural network is mapped as an antigen， the B?cell algorithm is used to learn the antigen， and the new generated detector is put into the unknow fault knowledge base to complete the learning and recognition of unknow fault. The bearing data set issued by Case Western Reserve University is adapted for experiment. The experimental results show that the proposed fault diagnosis model based on B?cell immune algorithm and convolution neural network has higher recognition accuracy for known faults than the related techniques based on feature extraction， and can learn and identify the unknow fault effectively， adapt to dynamic environment changes， and its detection accuracy is increased by about 4.86%.

Keywords： B?cell immunity; convolution neural network; feature extraction; fault diagnosis; reliability assessment; time?frequency diagram

0 ?引 ?言

隨著機(jī)械設(shè)備日益復(fù)雜化、一體化，人工維護(hù)機(jī)械設(shè)備變得更加困難、成本更高。采用智能故障檢測(cè)技術(shù)對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，能夠及時(shí)發(fā)現(xiàn)故障，提前在一定程度上預(yù)知故障，在發(fā)生故障時(shí)能夠?qū)收线M(jìn)行定位，對(duì)設(shè)備持續(xù)穩(wěn)定運(yùn)行起到巨大作用。目前在軸承故障診斷領(lǐng)域中主要采用基于特征提取的相關(guān)技術(shù)，通過(guò)傳感器采集機(jī)械設(shè)備關(guān)鍵部件的相關(guān)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行特征提取，然后通過(guò)分類器確定故障類型。在時(shí)域信號(hào)特征提取中較早的技術(shù)有基于峰值、脈沖、裕度、峭度的特征提取[1]，其主要是時(shí)域波形的關(guān)鍵特征。小波分析特征提取技術(shù)是對(duì)信號(hào)進(jìn)行多尺度細(xì)化分析，提取信號(hào)的局部特征[2]。小波包分析是小波分析的延伸，克服了小波分析的缺點(diǎn)，對(duì)信號(hào)進(jìn)行更精細(xì)分析，把每個(gè)頻率段的能量作為軸承故障信號(hào)的特征向量[3]。經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）通過(guò)分解得到多個(gè)本征模函數(shù)（IMF），計(jì)算本征模函數(shù)的能量作為軸承故障診斷的特征。集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）通過(guò)引入正態(tài)分布白噪聲解決了EMD技術(shù)中模態(tài)混疊的問(wèn)題，提取的仍然是IMF能量特征[4]。這些技術(shù)主要是基于對(duì)信號(hào)進(jìn)行特征提取，把提取到的特征輸入神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等分類器進(jìn)行故障識(shí)別[5?6]。目前卷積神經(jīng)網(wǎng)絡(luò)在軸承故障診斷中的應(yīng)用主要是利用其自適應(yīng)特征提取的優(yōu)勢(shì)，而且由于模型固化只能識(shí)別已知故障，無(wú)法對(duì)未知故障進(jìn)行學(xué)習(xí)和診斷，導(dǎo)致整個(gè)故障診斷模型無(wú)法自適應(yīng)調(diào)整[7?8]。

上述文獻(xiàn)中軸承故障診斷技術(shù)雖然在檢測(cè)準(zhǔn)確率上有很大提高，但普遍存在的問(wèn)題是在故障特征提取時(shí)，提取特征依賴人為經(jīng)驗(yàn)選擇，提取的特征不夠充分，只能對(duì)已知故障進(jìn)行識(shí)別，無(wú)法對(duì)未知故障進(jìn)行在線學(xué)習(xí)，檢測(cè)系統(tǒng)自適應(yīng)能力差。針對(duì)上述問(wèn)題，本文提出B細(xì)胞免疫的卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)檢測(cè)對(duì)象進(jìn)行自動(dòng)特征提取，無(wú)需人為經(jīng)驗(yàn)特征選擇，并且抽取的特征更加全面[9]。人工免疫系統(tǒng)具有天然、自適應(yīng)性的免疫特性，可以對(duì)未知故障進(jìn)行學(xué)習(xí)和檢測(cè)，增強(qiáng)了檢測(cè)系統(tǒng)的自適應(yīng)能力[10]。本文通過(guò)卷積神經(jīng)網(wǎng)絡(luò)與B細(xì)胞算法相結(jié)合，形成了優(yōu)勢(shì)互補(bǔ)，不僅在檢測(cè)準(zhǔn)確率上取得了很好的效果，而且能夠?qū)ξ粗收显诰€學(xué)習(xí)，適應(yīng)動(dòng)態(tài)變化的機(jī)械設(shè)備環(huán)境，具有很好的自適應(yīng)能力，使整個(gè)故障診斷系統(tǒng)更加智能化。

1 ?B細(xì)胞免疫卷積神經(jīng)網(wǎng)絡(luò)

1.1 ?B細(xì)胞免疫卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

B細(xì)胞卷積神經(jīng)網(wǎng)絡(luò)模型如圖1所示。具體構(gòu)建步驟如下：

1） 首先是模型的訓(xùn)練過(guò)程，訓(xùn)練過(guò)程包括卷積神經(jīng)網(wǎng)絡(luò)時(shí)域診斷模型訓(xùn)練和頻域診斷模型訓(xùn)練。

2） 將卷積神經(jīng)網(wǎng)絡(luò)提取到的特征生成檢測(cè)器，將經(jīng)過(guò)訓(xùn)練的成熟檢測(cè)器放入記憶故障細(xì)胞庫(kù)中，用來(lái)完成已知故障的確定性檢測(cè)。

3） 在完成模型訓(xùn)練過(guò)程后，用模型進(jìn)行實(shí)時(shí)的在線檢測(cè)過(guò)程，先用并行的卷積神經(jīng)網(wǎng)絡(luò)對(duì)故障波形進(jìn)行初步診斷，對(duì)診斷結(jié)果進(jìn)行可靠性評(píng)估。

4） 當(dāng)卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)域和頻域診斷結(jié)果一致時(shí)，當(dāng)次診斷結(jié)束;當(dāng)診斷結(jié)果不一致時(shí)，根據(jù)可靠性評(píng)估結(jié)果進(jìn)行判斷，有較大置信度時(shí)屬于已知故障，執(zhí)行步驟5）;否則執(zhí)行步驟6）。

5） 用記憶故障知識(shí)庫(kù)進(jìn)行識(shí)別，如果能夠識(shí)別，與卷積神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果之一相同，則診斷結(jié)果為該故障類型;如果三者診斷結(jié)果不一致，則以最大概率判斷故障類型。

6） 調(diào)用未知故障知識(shí)庫(kù)中檢測(cè)器進(jìn)行匹配檢測(cè)，如果能夠識(shí)別該故障類型，則診斷結(jié)束;否則執(zhí)行下面的步驟。

7） 判斷是否連續(xù)出現(xiàn)相同的診斷錯(cuò)誤并對(duì)卷積神經(jīng)網(wǎng)絡(luò)提取的數(shù)據(jù)特征進(jìn)行記錄，統(tǒng)計(jì)數(shù)據(jù)記錄個(gè)數(shù)。當(dāng)數(shù)據(jù)記錄數(shù)累積到閾值[T]時(shí)，則判定新抗原出現(xiàn)，執(zhí)行步驟8）;如果沒(méi)有達(dá)到閾值[T]，則對(duì)記錄進(jìn)行刪除操作，執(zhí)行下一次檢測(cè)。

8） 把卷積神經(jīng)網(wǎng)絡(luò)提取的特征記錄映射為抗原，進(jìn)行B細(xì)胞學(xué)習(xí)，生成抗體池，并把訓(xùn)練得到的成熟抗體放入未知故障知識(shí)庫(kù)中，并標(biāo)記故障類型。

9） 在線檢測(cè)模型重復(fù)執(zhí)行步驟3）～步驟8），完成整個(gè)故障檢測(cè)模型的實(shí)時(shí)診斷。

1.2 ?結(jié)果可靠性評(píng)估

本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行評(píng)估時(shí)，提出結(jié)果可靠性評(píng)估的概念，主要作用是分析卷積神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果，然后根據(jù)分析結(jié)果確定執(zhí)行的后續(xù)免疫操作步驟。評(píng)估結(jié)果用[P]表示，[P=P1（TDC1）+P2（FDC1）]，其中[P1（TDC1）]是當(dāng)前時(shí)域波形判別為故障[C1]的概率，[P2（FDC1）]是當(dāng)前頻域波形判別為故障[C1]的概率。當(dāng)并行的卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)域和頻域波形兩者診斷結(jié)果一致時(shí)，不進(jìn)行評(píng)估，可以很確定地判斷故障類型;當(dāng)兩者診斷結(jié)果不一樣，并且[1≤P<1+Pmean]時(shí)，需要調(diào)用記憶故障知識(shí)庫(kù)進(jìn)行檢測(cè)。當(dāng)兩者診斷結(jié)果不一致，并且[P<1]時(shí)，需要用未知故障知識(shí)庫(kù)進(jìn)行故障識(shí)別，如果無(wú)法識(shí)別，則進(jìn)行B細(xì)胞學(xué)習(xí)，生成未知故障檢測(cè)器，并命名故障類型。

1.3 ?B細(xì)胞在線學(xué)習(xí)

在出現(xiàn)未知故障類型時(shí)，首先進(jìn)行未知故障知識(shí)庫(kù)的識(shí)別，如果不能識(shí)別，則進(jìn)行B細(xì)胞算法在線學(xué)習(xí)，其中抗體、抗原、親和力是B細(xì)胞算法的免疫組件[11]。把卷積神經(jīng)網(wǎng)絡(luò)提取到的特征向量定義為抗原，該特征向量由時(shí)域和頻域波形提取的特征映射形成，直接把抗原樣本映射成抗體群，對(duì)每個(gè)抗體進(jìn)行平均親和力評(píng)價(jià)與克隆擴(kuò)增，抗體克隆數(shù)量與抗體到抗體群的中心距離成反比，然后進(jìn)行變異操作使種群多樣化，對(duì)克隆的抗體進(jìn)行平均親和力評(píng)價(jià)，如果親和力高于父代，則進(jìn)行替代。達(dá)到終止條件時(shí)，把生成的抗體群存入未知故障知識(shí)庫(kù)中。

2 ?實(shí)驗(yàn)仿真設(shè)計(jì)

2.1 ?實(shí)驗(yàn)?zāi)Ｐ蜋z測(cè)結(jié)果與自適應(yīng)結(jié)果

表1是軸承故障模型識(shí)別準(zhǔn)確率，CNN?BM是本文提出的B細(xì)胞免疫卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)模型，CNN?TD是單獨(dú)進(jìn)行時(shí)域波形檢測(cè)模型，CNN?FD是只進(jìn)行頻域波形檢測(cè)模型，DBN是基于深度信念網(wǎng)絡(luò)的網(wǎng)絡(luò)診斷模型。從表中數(shù)據(jù)可以看出，本文提出的B細(xì)胞免疫卷積神經(jīng)網(wǎng)絡(luò)模型分類識(shí)別的準(zhǔn)確率高于單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率，其對(duì)已知故障的識(shí)別準(zhǔn)確率達(dá)到了99.89%，原因是在后續(xù)免疫中進(jìn)行了可靠性評(píng)估，并且對(duì)置信度較低的樣本進(jìn)行了免疫的確定性檢測(cè);提出的算法模型對(duì)未知故障的識(shí)別也有著較高的識(shí)別準(zhǔn)確率，達(dá)到了96.53%，很好地適應(yīng)了故障檢測(cè)中動(dòng)態(tài)變化的環(huán)境，克服了卷積神經(jīng)網(wǎng)絡(luò)固化，不能自適應(yīng)調(diào)整的缺點(diǎn)，滿足了故障診斷的需求，表明提出的模型自適應(yīng)能力的有效性。在誤報(bào)率與漏報(bào)率方面也低于單獨(dú)使用卷積神經(jīng)的診斷模型。

2.2 ?卷積神經(jīng)網(wǎng)絡(luò)提取故障特征的有效性驗(yàn)證

實(shí)驗(yàn)還設(shè)計(jì)了卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)軸承故障診斷技術(shù)進(jìn)行對(duì)比的實(shí)驗(yàn)，實(shí)現(xiàn)檢測(cè)準(zhǔn)確率結(jié)果如圖2所示。FA是指基于比較早的波形的無(wú)量綱數(shù)據(jù)特征提取，然后輸入分類器識(shí)別的結(jié)果;EMD和EEMD將振動(dòng)信號(hào)分解成若干本征模態(tài)函數(shù)（IMF）和殘余分量，每個(gè)IMF分量表示不同的頻率成分，對(duì)得到的IMF函數(shù)進(jìn)行能量計(jì)算，把得到的能量進(jìn)行歸一化處理之后作為故障的特征向量，然后輸入BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)分類器進(jìn)行分類識(shí)別;DBN是深度學(xué)習(xí)中的深度信念網(wǎng)絡(luò)，輸入層的樣本數(shù)據(jù)是最原始的振動(dòng)加速度信號(hào)的數(shù)據(jù)點(diǎn)，基于提取的特征通過(guò)分類器進(jìn)行分類;CNNTD和CNNFD分別是卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)域和頻域信號(hào)進(jìn)行特征提取，每個(gè)樣本分別截取的是時(shí)域和頻域圖像，然后通過(guò)分類器識(shí)別的結(jié)果。由于算法模型初始參數(shù)設(shè)置的隨機(jī)性，各種檢測(cè)準(zhǔn)確率取的是運(yùn)行10次的平均值。

從實(shí)驗(yàn)結(jié)果識(shí)別準(zhǔn)確率對(duì)比可以看出，基于深度學(xué)習(xí)的軸承故障特征識(shí)別率明顯高于早期基于特征提取的FA技術(shù)和基于EMD，EEMD的BP神經(jīng)網(wǎng)絡(luò)診斷模型，要好于基于支持向量機(jī)的EMD，EEMD故障診斷方法;在基于特征提取FA，EMD，EEMD軸承的技術(shù)中，分類器對(duì)提取的特征有一定的敏感性，進(jìn)而影響檢測(cè)結(jié)果;單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷的結(jié)果要好于傳統(tǒng)的特征提取技術(shù)，表明卷積神經(jīng)網(wǎng)絡(luò)在軸承故障特征提取方面的有效性、全面性和充分性，并且提取的特征能夠很好地用于分類。

2.3 ?模型檢測(cè)實(shí)時(shí)性效果

在故障檢測(cè)系統(tǒng)中，故障檢測(cè)的實(shí)時(shí)性是故障檢測(cè)的重要指標(biāo)之一。故障檢測(cè)的實(shí)時(shí)性是指故障發(fā)生后，故障診斷系統(tǒng)是否能夠及時(shí)識(shí)別故障類型，并進(jìn)行報(bào)警，避免更大故障發(fā)生。本文在檢測(cè)過(guò)程中對(duì)一次新故障與已知故障的平均耗時(shí)進(jìn)行計(jì)算，表2是故障檢測(cè)系統(tǒng)進(jìn)行200次檢測(cè)平均耗時(shí)對(duì)比表，每次檢測(cè)耗時(shí)幾乎不到1 s，可以滿足故障檢測(cè)實(shí)時(shí)性的要求。在新故障檢測(cè)時(shí)，除了在卷積神經(jīng)網(wǎng)絡(luò)提取特征耗時(shí)外，還有在進(jìn)行免疫識(shí)別匹配方面的耗時(shí)，故新故障檢測(cè)耗時(shí)長(zhǎng)于已知故障的診斷識(shí)別。

3 ?結(jié) ?語(yǔ)

本文利用B細(xì)胞免疫卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)軸承故障進(jìn)行分類識(shí)別，從仿真實(shí)驗(yàn)的結(jié)果可以看出，基于B細(xì)胞免疫的卷積神經(jīng)網(wǎng)絡(luò)診斷模型很好地識(shí)別了故障類型，其分類準(zhǔn)確率達(dá)到了99.89%以上，其性能優(yōu)于現(xiàn)有基于特征提取的故障診斷模型和單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)的診斷模型，并且能夠?qū)崟r(shí)在線診斷故障，解決了人工免疫中對(duì)故障診斷特征提取不充分的問(wèn)題，克服了卷積神經(jīng)網(wǎng)絡(luò)對(duì)新故障無(wú)法識(shí)別和自適應(yīng)能力差的問(wèn)題，兩者相互結(jié)合，優(yōu)勢(shì)互補(bǔ)。

注：本文通訊作者為田玉玲。

參考文獻(xiàn)

[1] 葉硼林.綜合傳動(dòng)倒檔齒輪異響檢測(cè)技術(shù)研究[D].北京：北京理工大學(xué)， 2015.

YE Penglin. Study on detection technology for PSST abnormal vibration noise occured in reverse conditions [D]. Beijing： Beijing Institute of Technology， 2015.

[2] 胡耀斌，謝靜，胡良斌.基于神經(jīng)網(wǎng)絡(luò)與小波變換的滾動(dòng)軸承故障診斷[J].機(jī)械設(shè)計(jì)與研究，2013（6）：33?35.

HU Yaobin， XIE Jing， HU Liangbin. Fault diagnosis of rolling bearing based on neural network and wavelet transform [J]. Machine design and research， 2013（6）： 33?35.

[3] YANG W， YU Y Y， LUO D. Rolling bearing fault diagnosis using wavelet packet analysis and PSO?Elman neural network [J]. Machinery & electronics， 2016， 34（5）： 13?17.

[4] WANG C S， SHA C Y， SU M， et al. An algorithm to remove noise from locomotive bearing vibration signal based on self?adaptive EEMD filter [J]. Journal of Central South University， 2017， 24（2）： 478?488.

[5] ZHANG Qiang， HU Nan， LI Hongfeng. Fault diagnosis of the mine hoist brake based on GA?BP neural network [J]. Journal of Liaoning Technical University， 2016， 32（5）： 155?159.

[6] LIU X， BO L， LUO H. Bearing faults diagnostics based on hybrid LS?SVM and EMD method [J]. Measurement， 2015， 59： 145?166.

[7] INCE T， KIRANYAZ S， EREN L， et al. Real?time motor fault detection by 1?D convolutional neural networks [J]. IEEE tran?sactions on industrial electronics， 2016， 63（11）：7067?7075.

[8] WANG J， ZHUANG J， DUAN L， et al. A multi?scale convolution neural network for featureless fault diagnosis [C]// 2016 IEEE International Symposium on Flexible Automation. Cleveland： IEEE， 2016： 65?70.

[9] LIU Hongmei， LI Lianfeng. Rolling bearing fault diagnosis based on STFT?deep learning and sound signals [J]. Shock and vibration， 2016（6）： 1?12.

[10] LIANG D， HUANG S， LI Y. An intrusion detection algorithm based on evolutionary game and artificial immunity [J]. Journal of computational and theoretical nanoscience， 2016， 13（4）： 2569?2573.

[11] TIAN Yuling， ZHANG Hongxian. Research on B cell algorithm for learning to rank method based on parallel strategy [J]. Plos ONE， 2016， 11（8）： 1?20.