并行卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷方法

收稿日期：2022-01-13

基金項(xiàng)目：山東省自然科學(xué)基金（ZR2021ME221）

通信作者：許同樂（1965—），男，博士、教授、博士生導(dǎo)師，主要從事旋轉(zhuǎn)機(jī)械故障診斷方面的研究。xutongle@163.com

DOI：10.19912/j.0254-0096.tynxb.2022-0052 文章編號(hào)：0254-0096（2023）05-0449-08

摘 要：針對(duì)風(fēng)電機(jī)組軸承微弱故障信號(hào)的特征提取困難和故障診斷模型性能差等問題，提出一種并行卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先，利用連續(xù)小波變換將一維信號(hào)轉(zhuǎn)換成二維時(shí)頻特性圖；其次，構(gòu)造一種并行卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)由大卷積層和并行卷積層組成，大卷積層快速提取輸入層所有特征，并行卷積層識(shí)別特征中的有效故障信息，且并行卷積層為雙層小卷積并行結(jié)構(gòu)；然后，采用特征融合層，融合并行卷積層2次特征提取后的故障特征，實(shí)現(xiàn)診斷模型內(nèi)部的特征增強(qiáng)，降低模型復(fù)雜度；最后，經(jīng)實(shí)驗(yàn)驗(yàn)證，該模型診斷軸承故障的準(zhǔn)確率為98.25%。

關(guān)鍵詞：風(fēng)電機(jī)組；軸承；故障診斷；卷積神經(jīng)網(wǎng)絡(luò)；特征增強(qiáng)；特征可視化

中圖分類號(hào)：TH17 文獻(xiàn)標(biāo)志碼：A

0 引 言

風(fēng)電是未來新能源產(chǎn)業(yè)的重要組成部分，風(fēng)電機(jī)組中的軸承對(duì)其傳遞效率和運(yùn)行可靠性有較大影響［1-2］?；谡駝?dòng)信號(hào)的各種智能故障診斷方法已被開發(fā)并應(yīng)用于識(shí)別故障類型［3-4］。

基于風(fēng)電機(jī)組軸承的故障診斷方法可歸納為三大策略：基于物理模型、基于信號(hào)特征和基于數(shù)據(jù)驅(qū)動(dòng)。隨著機(jī)器學(xué)習(xí)的快速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法得到廣泛的應(yīng)用，該診斷方法可分為淺層學(xué)習(xí)和深度學(xué)習(xí)，淺層學(xué)習(xí)如BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（support vector machines， SVM）。李濟(jì)民等［5］采用一種基于反向傳播的局部特征學(xué)習(xí)方法，用于滾動(dòng)軸承的故障診斷；許同樂等［6］針對(duì)風(fēng)電齒輪箱早期故障采用一種改進(jìn)的混沌粒子群優(yōu)化支持矢量機(jī)，以進(jìn)行故障分類診斷。淺層學(xué)習(xí)機(jī)在訓(xùn)練過程中易出現(xiàn)過擬合現(xiàn)象，且訓(xùn)練速度慢、診斷效果差。

深度學(xué)習(xí)為解決上述問題提供了一個(gè)解決方案，在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）可快速準(zhǔn)確挖掘隱藏在原始信號(hào)中的特征，得到診斷結(jié)果。賀晨等［7］采用一種NSGAⅡ-CNN模型，可在網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)決策空間中自適應(yīng)地搜索最優(yōu)結(jié)構(gòu)參數(shù)，解決CNN模型設(shè)計(jì)依賴于專業(yè)手工設(shè)計(jì)的問題，但該網(wǎng)絡(luò)在訓(xùn)練過程中，CNN模型內(nèi)部出現(xiàn)大量波動(dòng)，網(wǎng)絡(luò)擬合效果不好；高大偉等［8］針對(duì)弱故障特征難以提取的問題，采用一種基于卷積特征的遞歸神經(jīng)網(wǎng)絡(luò)，由幾個(gè)遞歸單元組成的遞歸神經(jīng)網(wǎng)絡(luò)，同時(shí)挖掘時(shí)間特征和局部振動(dòng)特征，但由于該網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，最終診斷的準(zhǔn)確率較低；葉壯等［9］注意到卷積核對(duì)卷積神經(jīng)網(wǎng)絡(luò)的特性學(xué)習(xí)產(chǎn)生影響，采用一種自適應(yīng)核稀疏網(wǎng)絡(luò)，但該網(wǎng)絡(luò)是從1-D信號(hào)中識(shí)別特征，不能充分利用卷積核提取特征的能力。因此，為解決傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜造成的診斷效率和診斷準(zhǔn)確率低的問題，采用一種并行卷積神經(jīng)網(wǎng)絡(luò)（parallel convolutional neural network， PCNN）結(jié)構(gòu)，通過大卷積層快速識(shí)別輸入的特征，在并行卷積層中進(jìn)行2次故障特征提取，最終在特征融合層實(shí)現(xiàn)特征增強(qiáng)。

針對(duì)傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、計(jì)算性能差、輸入CNN網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)信號(hào)特征不明顯等問題，采用一種PCNN故障診斷方法。

1）對(duì)信號(hào)進(jìn)行連續(xù)小波變換，獲得時(shí)頻特性圖，采用一種并行卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)分為大卷積層和并行卷積層；

2）提出特征融合層，融合并行卷積層的特征信息，使微弱故障特征信息在網(wǎng)絡(luò)內(nèi)部增強(qiáng)，在輸出特征不變的同時(shí)，降低計(jì)算復(fù)雜度，提高診斷效率和準(zhǔn)確率；

3）將PCNN網(wǎng)絡(luò)結(jié)構(gòu)的性能與傳統(tǒng)CNN的性能進(jìn)行比較，證明該方法具有較高的精度和效率。

1 連續(xù)小波變換

傳統(tǒng)一維分析僅依靠時(shí)域或頻域提供的信息很難實(shí)現(xiàn)風(fēng)電機(jī)組軸承的故障診斷。時(shí)頻成像可同時(shí)表達(dá)原始信號(hào)的時(shí)域和頻域的信息。短時(shí)傅里葉變換、S變換和連續(xù)小波變換（continuous wavelet transform，CWT）等幾種方法可用于實(shí)現(xiàn)時(shí)頻成像。然而，短時(shí)傅里葉變換的固定頻率分辨率和S變換高頻段的頻率模糊，采用CWT將一維振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像。

對(duì)于一維振動(dòng)信號(hào)序列[s1，n（t）]，其連續(xù)小波變換可表示為：

[（α，τ）=1α-∞∞s1，n（t）?t-ταdt=s，?α，τ] （1）

式中：[α]——[?（t）]到[?tα]的比例系數(shù)，[α≠0]；[τ]——確定[s（t）]分析時(shí)間的時(shí)移系數(shù)； [?（t）]——小波生成函數(shù)。

小波基函數(shù)為：

[?α，τ（t）=1α?t-τα] （2）

連續(xù)小波變換可看成振動(dòng)信號(hào)與小波基函數(shù)的內(nèi)積。文中選用復(fù)Morlet小波。

2 并行卷積神經(jīng)網(wǎng)絡(luò)

在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，采用一種并行卷積網(wǎng)絡(luò)結(jié)構(gòu)和特征融合層，并行網(wǎng)絡(luò)結(jié)構(gòu)可實(shí)現(xiàn)對(duì)微弱故障特征精細(xì)化識(shí)別，特征融合層對(duì)微弱故障特征進(jìn)行增強(qiáng)。

2.1 并行卷積結(jié)構(gòu)

并行卷積結(jié)構(gòu)由大卷積層和并行卷積層組成，并行卷積層對(duì)大卷積層提取的特征進(jìn)一步識(shí)別，以實(shí)現(xiàn)對(duì)微弱故障特征和噪聲信息的分類，在降低模型復(fù)雜度的同時(shí)，實(shí)現(xiàn)微弱故障特征的提取，可由式（3）表示：

[Sl+1=m3mf（m=1MWml?Sml+Bl）-mm=1MSmlm=1MmSml-m=1MSml22+ε] （3）

式中：[Sl+1]——第[l+1]層輸入的特征矩陣，是第[l]層的輸出；[Wml]——第l層的第[m]個(gè)卷積核的權(quán)重矩陣，[m∈（1，2，…，M）]；[Sml]——第l層的第[m]個(gè)輸入特征矩陣；[Bl]——第l層的偏置矩陣；[f（·）]——激活函數(shù)，選用ReLU；[?]——卷積操作；[ε]——極小的數(shù)。

池化操作將特征映射到非重疊矩形區(qū)域，能降低特征面的分辨率，減少數(shù)據(jù)冗余。為突出數(shù)據(jù)特點(diǎn)，選用最大值池化函數(shù)。

2.2 特征融合層

大卷積層輸出的故障特征在并行卷積層經(jīng)過卷積、池化等操作后，可有效提高故障特征的語(yǔ)義信息。同一種類型的故障特征在進(jìn)行2次特征識(shí)別后產(chǎn)生2種語(yǔ)義信息，包括故障特征和存在的噪聲特征等，2種語(yǔ)義信息在特征融合層，按照一定權(quán)重進(jìn)行疊加，如式（4）所示。

[S=l=1m（OlSl+Ol+1Sl+1）] （4）

式中：[S]——特征融合層的輸出；[O]——疊加系數(shù)；[Sl]和[Sl+1]——第[l]層和第[l+1]層的輸入。

語(yǔ)義信息中相同的故障特征部分會(huì)產(chǎn)生重疊，進(jìn)而實(shí)現(xiàn)特征融合和特征增強(qiáng)；而噪聲特征由于是無規(guī)律分布，不相同的噪聲特征重疊后不會(huì)產(chǎn)生增強(qiáng)的效果，因此，特征融合層可實(shí)現(xiàn)故障特征的內(nèi)部增強(qiáng)。特征融合層的具體疊加步驟如下：

1）故障特征在并行卷積層分別進(jìn)行特征提取和池化操作，得到2種含有相同故障特征的語(yǔ)義信息；

2）特征融合層通過式（4）將2種語(yǔ)義信息按照權(quán)重進(jìn)行疊加，其中相同的故障特征疊加后，特征會(huì)發(fā)生重疊，實(shí)現(xiàn)特征增強(qiáng)。

2.3 全連接層

所有神經(jīng)元與全連接層進(jìn)行連接，整合特征融合層中的特征信息，以非線性地?cái)M合數(shù)據(jù)，如式（5）所示。

[Sfc=fωfcl=1m（OlSl+Ol+1Sl+1）+ bfc] （5）

式中：[Sfc]——全連接層的輸出；[ωfc]——全連接層的權(quán)重；[bfc]——全連接層的偏置。

2.4 Softmax層

Softmax層的主要作用是對(duì)標(biāo)簽進(jìn)行回歸分類。給定有r個(gè)樣本、[k]個(gè)種類的訓(xùn)練數(shù)據(jù)集，[Siαi=1]包含[k]個(gè)種類，[Siαi=1]的對(duì)應(yīng)標(biāo)簽為[ciαi=1，] [ci∈1，2，…，k]。

在Softmax層，樣本[r]屬于種類k的概率為：

[P（ci=j|Si;θ）=eθTjSij=1keθTlSi，" j∈1，2，…，k] （6）

式中：[ci]——[Si]對(duì)應(yīng)標(biāo)簽；[Si]——全連接層輸入的特征矩陣；[θ=θ1，θ2，...，θk]——回歸模型的參數(shù)；[θTjSi]——第[j]個(gè)種類的輸出；[j=1kθTjSi]——[k]個(gè)種類的輸出。

該模型的損失函數(shù)為：

[L（θ）=-1ri=1rj=1kIci=j·lg（P（ci=j|Si;θ））] （7）

式中：[L（θ）]——誤差值；[I·]——指示函數(shù)，當(dāng)條件為真時(shí)，輸出1，否則輸出0；[P]——樣本屬于種類k的概率。

2.5 PCNN結(jié)構(gòu)分析

為提高傳統(tǒng)CNN網(wǎng)絡(luò)內(nèi)部特征信息的分辨率和診斷性能，并行卷積結(jié)構(gòu)如圖1所示。大卷積層采用大卷積核，可快速進(jìn)行特征提取并獲得足夠多的特征信息。但是，所識(shí)別的有效特征信息分辨率較低，另外大卷積核會(huì)導(dǎo)致模型復(fù)雜度增加，計(jì)算性能降低，因此，采用雙層并行結(jié)構(gòu)的并行卷積層，圖中卷積層2和卷積層3，并行卷積層的卷積核較小，對(duì)大卷積層識(shí)別的特征進(jìn)行2次細(xì)化的特征提取。

為實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)部的特征增強(qiáng)，提高微弱故障特征的識(shí)別準(zhǔn)確率，提出一種特征融合層，將提取的有效故障信息進(jìn)行融合增強(qiáng)，實(shí)現(xiàn)PCNN網(wǎng)絡(luò)內(nèi)部的特征增強(qiáng)，從而實(shí)現(xiàn)微弱故障特征的診斷率。大卷積層和并行卷積層共存降低了PCNN模型復(fù)雜度，特征融合層的采用，提高了診斷效率和診斷結(jié)果的準(zhǔn)確性。

3 PCNN方法

為解決軸承微弱故障特征提取困難與傳統(tǒng)CNN模型診斷性能不高的問題，采用一種PCNN模型，并在該網(wǎng)絡(luò)添加特征融合層，該網(wǎng)絡(luò)結(jié)構(gòu)分為大卷積層和并行卷積層，大卷積層實(shí)現(xiàn)對(duì)故障特征的快速提取，并行卷積層和特征融合層實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)部特征增強(qiáng)，降低模型復(fù)雜度，提高診斷性能。

所提模型直接基于原始振動(dòng)信號(hào)進(jìn)行端到端故障診斷，無需人工特征提取和人工選擇。圖2為PCNN模型的智能化故障診斷系統(tǒng)流程圖。

1）將原始振動(dòng)信號(hào)經(jīng)過連續(xù)小波變換轉(zhuǎn)換成二維時(shí)頻特征圖，組成數(shù)據(jù)集；

2）將數(shù)據(jù)集按照一定規(guī)則劃分為訓(xùn)練集和驗(yàn)證集；

3）訓(xùn)練集訓(xùn)練PCNN網(wǎng)絡(luò)參數(shù)，驗(yàn)證集驗(yàn)證網(wǎng)絡(luò)參數(shù)訓(xùn)練效果，并給出診斷結(jié)果。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)設(shè)置

為驗(yàn)證本文方法在故障診斷中的應(yīng)用，本實(shí)驗(yàn)采用西儲(chǔ)大學(xué)軸承實(shí)驗(yàn)平臺(tái)數(shù)據(jù)，該實(shí)驗(yàn)平臺(tái)針對(duì)軸承微弱故障進(jìn)行實(shí)驗(yàn)，采用驅(qū)動(dòng)端加速度數(shù)據(jù)，軸承型號(hào)為6205-2RS JEM SKF深溝球軸承，軸承損傷是用電火花加工的單點(diǎn)損傷，用來檢測(cè)的損傷直徑為0.1778和0.5334 mm，傳感器采樣頻率為48 kHz。選擇數(shù)據(jù)點(diǎn)數(shù)為120000個(gè)。

本研究使用10組數(shù)據(jù)共4種軸承狀態(tài)，包括正常狀態(tài)、內(nèi)圈故障、滾動(dòng)體故障和外圈故障。軸承負(fù)載為0和0.735 kW條件下運(yùn)行。將選擇的數(shù)據(jù)點(diǎn)劃分為500組數(shù)據(jù)樣本，每組數(shù)據(jù)樣本由240個(gè)故障數(shù)據(jù)點(diǎn)組成。數(shù)據(jù)集設(shè)置詳細(xì)信息見表1。不同條件下軸承的原始振動(dòng)信號(hào)如圖3所示。原始振動(dòng)信號(hào)的時(shí)頻特性圖，如圖4所示。

在PCNN模型的訓(xùn)練和驗(yàn)證過程中，采用留出法將數(shù)據(jù)樣本隨機(jī)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用來進(jìn)行模型訓(xùn)練、參數(shù)調(diào)整和優(yōu)化；測(cè)試集評(píng)估所構(gòu)建的PCNN模型的診斷性能。為減小實(shí)驗(yàn)結(jié)果的偶然性，所得結(jié)果為5次實(shí)驗(yàn)結(jié)果的平均值。

所提的PCNN模型主要由圖像輸入層、大卷積層、并行卷積層、批量歸一化層、池化層、特征融合層、全連接層和Softmax層組成，表2為各個(gè)層的超參數(shù)設(shè)置，卷積層2和卷積層3組成并行卷積層。另外，采用數(shù)據(jù)增強(qiáng)技術(shù)讓有限的數(shù)據(jù)產(chǎn)生更多的數(shù)據(jù)，增加訓(xùn)練樣本的數(shù)量以及多樣性，提升PCNN模型的魯棒性。常用數(shù)據(jù)增強(qiáng)的方法有：旋轉(zhuǎn)變換、翻轉(zhuǎn)變換、縮放變換、平移變換、尺度變換、對(duì)比度變換等。

所提PCNN模型對(duì)其他超參數(shù)的選擇，求解器選用Adam，學(xué)習(xí)率的初始值為0.001，降低學(xué)習(xí)率的因子為0.1，降低學(xué)習(xí)率的輪數(shù)為10，L2正則化因子為0.0001。

4.2 實(shí)驗(yàn)結(jié)果及對(duì)比分析

將時(shí)頻特性圖輸入PCNN模型中，得到訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率、損失的收斂圖，如圖5所示。如圖5a所示，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率曲線兩者擬合度良好，且收斂速度快。在訓(xùn)練開始時(shí)，驗(yàn)證集的準(zhǔn)確率曲線快速收斂，在迭代約250次后達(dá)到收斂狀態(tài)，其平均準(zhǔn)確率為98.25%。如圖5b所示，2條曲線擬合性良好，在迭代100次之前，曲線快速收斂。當(dāng)曲線迭代到約250次后曲線收斂，其收斂后的標(biāo)準(zhǔn)偏差為0.0065。

為驗(yàn)證所提模型準(zhǔn)確率的優(yōu)越性，將GoogLeNet［10］、ResNet-18［10］、WT-CNN［11］、VMD-CNN［12］、CWT-CNN［13］與PCNN模型進(jìn)行比較。圖6為不同對(duì)比方法驗(yàn)證集的準(zhǔn)確率收斂曲線。圖6中，GoogLeNet和CWT-CNN在收斂過程中存在大量波動(dòng)，網(wǎng)絡(luò)擬合性差，可能出現(xiàn)參數(shù)爆炸等現(xiàn)象；PCNN和VMD-CNN雖然兩者在收斂趨勢(shì)上相同，但VMD用于提取特征比PCNN內(nèi)部進(jìn)行特征提取的效果差，PCNN收斂后的準(zhǔn)確率較高，這是因?yàn)樗峤Y(jié)構(gòu)在網(wǎng)絡(luò)內(nèi)部實(shí)現(xiàn)故障特征增強(qiáng)。ResNet-18、WT-CNN、VMD-CNN和PCNN在迭代開始時(shí)，準(zhǔn)確率迅速增大，說明內(nèi)部網(wǎng)絡(luò)參數(shù)擬合性好。隨迭代的不斷進(jìn)行，PCNN模型的準(zhǔn)確率明顯高于其他幾種模型，且收斂曲線穩(wěn)定、波動(dòng)幅度不大。因此，所提PCNN模型具有較好的診斷準(zhǔn)確率。

進(jìn)一步研究上述幾種故障診斷方法的網(wǎng)絡(luò)訓(xùn)練效率。表3為不同故障診斷方法的最終準(zhǔn)確率和訓(xùn)練時(shí)間。如表3所示，PCNN的準(zhǔn)確率最高，可達(dá)98.25%，GoogLeNet最低，僅為95.11%。GoogLeNet和ResNet-18這2種模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜造成訓(xùn)練時(shí)間最長(zhǎng)；CWT-CNN模型的訓(xùn)練時(shí)間遠(yuǎn)長(zhǎng)于PCNN模型，這是因?yàn)樵摼W(wǎng)絡(luò)內(nèi)部對(duì)微弱故障特征識(shí)別性能差，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間較長(zhǎng)，收斂曲線波動(dòng)性較大；訓(xùn)練VMD-CNN所用時(shí)間僅次于PCNN，是由于輸入信號(hào)經(jīng)過VMD進(jìn)行特征提取，一定程度上縮短了CNN故障特征提取的時(shí)間，但是，2種方法結(jié)合使用增加了模型故障診斷的總體時(shí)間，并且傳統(tǒng)CNN擬合程度較差導(dǎo)致準(zhǔn)確率較低；而PCNN所需訓(xùn)練時(shí)間最短，僅為785 s，這是因?yàn)镻CNN中并行卷積結(jié)構(gòu)可加快微弱特征提取的速度，而且模型內(nèi)部特征融合層有效增強(qiáng)了數(shù)據(jù)特征，導(dǎo)致所提模型具有較高的準(zhǔn)確率和診斷效率。

GoogLeNet、ResNet-18、WT-CNN、VMD-CNN、CWT-CNN與所提PCNN模型識(shí)別每個(gè)故障類型的準(zhǔn)確率對(duì)比結(jié)果如圖7所示，由圖7可看出，PCNN在對(duì)故障類型0～4和7的診斷準(zhǔn)確率均為100%，但對(duì)故障類型6（滾動(dòng)體故障）和8（外圈故障）的診斷準(zhǔn)確率較??；對(duì)比其他幾種故障診斷模型，僅有部分故障種類的診斷準(zhǔn)確率為100%。由此可得，PCNN相較于其他幾種模型具有更高的診斷性能。

將本文采用的PCNN方法與融合特征的VGG-16網(wǎng)絡(luò)、DCNN多通道特征融合方法［14］以及CNN-GRU［15］進(jìn)行對(duì)比，其中，每種方法的輸入為原始故障信號(hào)。表4為不同特征融合方法故障診斷準(zhǔn)確率。由表4可知，本文采用方法在進(jìn)行特征融合時(shí)更具有優(yōu)越性。

為直觀展示所采用PCNN模型的每層特征學(xué)習(xí)，本文采用T-SNE特征可視化技術(shù)［16］，將高維特征映射到二維空間，如圖8所示。在圖像輸入層中，同一類別的數(shù)據(jù)點(diǎn)相對(duì)雜亂、分散，很難對(duì)每種故障類型進(jìn)行分類。隨著特征提取的不斷深入，僅故障類型0在大卷積層中分離，同一類別的數(shù)據(jù)點(diǎn)開始聚集在一起。由圖8可知，卷積層2和卷積層3的數(shù)據(jù)點(diǎn)分布大致相同。在并行卷積結(jié)構(gòu)特征提取后，故障特征同時(shí)輸入到特征融合層進(jìn)行特征融合。特征信息在該層得到增強(qiáng)，且在全連接層中同類別數(shù)據(jù)點(diǎn)快速聚集。完成故障分類后，僅故障類型3、4、6、8有極少的數(shù)據(jù)點(diǎn)被識(shí)別錯(cuò)誤，相同標(biāo)簽之間的類內(nèi)間隔非常小，不同標(biāo)簽彼此遠(yuǎn)離。特征可視化結(jié)果表明，PCNN可以很好地區(qū)分10種類型的軸承健康狀況，能夠深度提取高維敏感故障特征，以達(dá)到較好的分類精度。

5 結(jié) 論

采用一種PCNN的智能化故障診斷模型，解決傳統(tǒng)CNNs模型診斷性能低的問題，本研究的貢獻(xiàn)總結(jié)如下：

1）利用一種并行卷積神經(jīng)網(wǎng)絡(luò)，大卷積層對(duì)輸入特征進(jìn)行快速識(shí)別提取，并行卷積層提取有用的特征信息。

2）在網(wǎng)絡(luò)內(nèi)部加入特征融合層，以實(shí)現(xiàn)網(wǎng)絡(luò)內(nèi)部特征增強(qiáng)，有效提高故障診斷性能。

3）在PCNN中可實(shí)現(xiàn)端到端的智能化診斷模式。在軸承故障實(shí)驗(yàn)中，可有效識(shí)別故障特征。對(duì)比其他傳統(tǒng)CNNs診斷模型，PCNN模型具有更高的診斷效率和準(zhǔn)確率。

［參考文獻(xiàn)］

［1］ LIU R N， YANG B Y， ZIO E， et al. Artificial intelligence for fault diagnosis of rotating machinery： a review［J］. Mechanical systems and signal processing， 2018， 108： 33-47.

［2］ 胡超， 沈?qū)殗?guó)， 謝中敏. 基于EMD-FastICA與DGA-ELM網(wǎng)絡(luò)的軸承故障診斷方法［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（10）： 208-219.

HU C， SHEN B G， XIE Z M. Fault diagnosis method of bearing based on EMD-FastICA and DGA-ELM network［J］. Acta energiae solaris sinica， 2021， 42（10）： 208-219.

［3］ HE Z Y， SHAO H D， WANG P， et al. Deep transfer multi-wavelet auto-encoder for intelligent fault diagnosis of gearbox with few target training samples［J］. Knowledge-based systems， 2020， 191： 105313.

［4］ MAO W T， DING L， TIAN S Y， et al. Online detection for bearing incipient fault based on deep transfer learning［J］. Measurement， 2020， 152： 107278.

［5］ LI J M， YAO X F， WANG X D， et al. Multiscale local features learning based on BP neural network for rolling bearing" "intelligent" "fault" " diagnosis［J］." "Measurement， 2020， 153： 107419.

［6］ XU T L， JI J Q， KONG X J， et al. Bearing fault diagnosis in the mixed domain based on crossover-mutation chaotic particle" "swarm［J］." "Complexity，" "2021，" "2021（12）：6632187.

［7］ HE C， GE D C， YANG M H， et al. A data-driven adaptive fault diagnosis methodology for nuclear power systems based" "on" "NSGAII-CNN［J］.nbsp; Annals" of" nuclear" energy， 2021， 159： 108326.

［8］ GAO D W， ZHU Y S， REN Z J， et al. A novel weak fault diagnosis method for rolling bearings based on LSTM considering quasi-periodicity［J］. Knowledge-based systems， 2021， 231： 107413.

［9］ YE Z， YU J B. AKSNet： A novel convolutional neural network with adaptive kernel width and sparse regularization for machinery fault diagnosis［J］. Journal of manufacturing systems， 2021， 59： 467-480.

［10］ ZHU Y， LI G P， WANG R， et al. Intelligent fault diagnosis of hydraulic piston pump combining improved LeNet-5" " and" "PSO" "hyperparameter" " optimization［J］. Applied acoustics， 2021， 183： 108336.

［11］ LIANG P F， DENG C， WU J， et al. Compound fault diagnosis of gearboxes via multi-label convolutional neural network and wavelet transform［J］. Computers in industry， 2019， 113： 103132.

［12］ XU Z F， LI C， YANG Y. Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks［J］. Applied soft computing， 2020， 95： 106515.

［13］ CHENG Y Q， LIN M X， WU J， et al. Intelligent fault diagnosis of rotating machinery based on continuous wavelet transform-local binary convolutional neural network［J］. Knowledge-based systems， 2021， 216： 106796.

［14］ 吳耀春， 趙榮珍， 靳伍銀， 等. 利用DCNN融合多傳感器特征的故障診斷方法［J］. 振動(dòng)、測(cè)試與診斷， 2021， 41（2）： 362-369.

WU Y C， ZHAO R Z， JIN W Y， et al. Mechanical fault diagnosis" method" based" on" multi?sensor" signal" feature fusion using deep convolutional neural network［J］. Journal of vibration， measurement amp; diagnosis， 2021， 41（2）： 362-369.

［15］ 張龍， 甄燦壯， 易劍昱， 等. 雙通道特征融合CNN-GRU齒輪箱故障診斷［J］. 振動(dòng)與沖擊， 2021， 40（19）： 239-245， 294.

ZHANG L， ZHEN C Z， YI J Y， et al. Dual-channel feature" fusion" CNN-GRU" "gearbox" "fault" "diagnosis［J］. Journal of vibration and shock， 2021， 40（19）： 239-245， 294.

［16］ LAURENS V D M， HINTON G. Visualizing data using t-SNE［J］. Journal of machine learning research， 2008， 9： 2579-2605.

WIND TURBINE FAULT DIAGNOSIS METHOD BASED ON PARALLEL CONVOLUTIONAL NEURAL NETWORK

Meng Liang，Su Yuanhao，Xu Tongle，Kong Xiaojia， Lan Xiaosheng，Li Yunfeng

（Mechanical Engineering School， Shandong University of Technology， Zibo 255049， China）

Abstract：In view of the problems of difficulty in bearing weak fault signal feature extraction and poor performance of fault diagnosis model for wind turbine， a fault diagnosis method based on parallel convolutional neural network is proposed. Firstly， 1-Dimensional signals are converted into 2-dimensional time-frequency feature maps using continuous wavelet transform. Secondly， a parallel convolutional neural network structure is constructed， which consists of large convolutional layer and parallel convolutional layer. The large convolutional layer can quickly extract all the features of the input layer. The parallel convolutional layer is a two-layer small convolution parallel structure， which can effectively identify fault information. Then， the feature fusion layer is adopted to achieve feature enhancement inside the diagnosis model and reduce the complexity of the model， which combines the fault features extracted by two parallel convolutional layers. Finally， experimental verification showes that the fault diagnosis accuracy of the proposed model for bearing is 98.25%.

Keywords：wind turbines； bearing； fault diagnosis； convolutional neural network； feature enhancement； feature visualzation