王麗華， 謝陽陽， 周子賢， 張永宏， 趙曉平

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

基于卷積神經(jīng)網(wǎng)絡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.南京信息工程大學信息與控制學院 南京，210044) (2.南京信息工程大學計算機與軟件學院 南京，210044)

由于電機內(nèi)部結構的復雜性，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，會導致網(wǎng)絡過擬合等問題。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(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，構建大量不同故障樣本，以確保樣本多樣性，提高網(wǎng)絡魯棒性。將預處理后的樣本作為CNN的輸入，有監(jiān)督地調(diào)整網(wǎng)絡參數(shù)，以實現(xiàn)準確的電機故障診斷。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

引 言

異步電機在當代社會生產(chǎn)系統(tǒng)中的應用越來越廣泛，是工業(yè)生產(chǎn)活動的主要驅(qū)動設備，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、機座和風扇等組成的綜合電氣設備，其內(nèi)部包含多個復雜的子系統(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的，其間存在較強的非線性關系[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上引入了平方項，產(chǎn)生了許多交叉項，使得頻譜復雜化。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)部結構復雜，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)驗模態(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)絡中訓練，構建診斷網(wǎng)絡完成電機故障診斷。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)部某一結構的故障診斷，而異步電機內(nèi)部結構復雜多樣，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，李學軍等[12]提出將電流信號和振動信號相結合，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)絡訓練的樣本量太少，這會使得樣本的多樣性無法得到保證，從而降低網(wǎng)絡的魯棒性。在模型很復雜的情況下，樣本過少會使得網(wǎng)絡專注解釋訓練數(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，構建大量表示不同故障的帶標簽樣本數(shù)據(jù)，以確保樣本的多樣性，提高網(wǎng)絡的魯棒性。預處理后輸入卷積神經(jīng)網(wǎng)絡，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，實現(xiàn)電機故障的精確診斷。

1 卷積神經(jīng)網(wǎng)絡

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雜預處理。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用。

CNN將多個單層卷積神經(jīng)網(wǎng)絡堆疊，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

每個單層卷積神經(jīng)網(wǎng)絡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：從圖像某一子塊學習得到一些特征后，將這些特征作為探測器，應用到所有子塊中去，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。假設訓練數(shù)據(jù)中輸入樣本為x，對應的標簽為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)絡訓練。其代價函數(shù)J(θ)為

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

在訓練卷積神經(jīng)網(wǎng)絡時，最常用的方法是采用反向傳播法則以及有監(jiān)督的訓練方式，根據(jù)給定的標簽與網(wǎng)絡輸出的結果進行比較，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，并更新權值(具體的權值更新公式見文獻[16])。通過多次迭代使得誤差項越來越小，權值也越來越穩(wěn)定，從而完成網(wǎng)絡的訓練。

2 卷積神經(jīng)網(wǎng)絡模型及訓練步驟

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)絡相結合。卷積神經(jīng)網(wǎng)絡模型如圖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)絡參數(shù)如表1所示。

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

網(wǎng)絡層類型具體參數(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(即空白處和坐標等)刪除，再將圖片壓縮成合適大小的正方形；

4) 建立網(wǎng)絡并初始化網(wǎng)絡參數(shù)，根據(jù)樣本和要求，構建合適深度的網(wǎng)絡模型，確定網(wǎng)絡參數(shù)(如學習率、迭代次數(shù)、步長等)；

5) 網(wǎng)絡訓練和前向傳播，將樣本輸入到網(wǎng)絡中，通過前向傳播求得網(wǎng)絡輸出與預期目標的誤差；

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

7) 反向傳播和權值修改，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，并更新權值，重復執(zhí)行步驟5～步驟7，直至網(wǎng)絡收斂；

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

9) 輸出網(wǎng)絡用于電機故障診斷。

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)絡相結合，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相位來實現(xiàn)單相，并用控制箱引入電阻，相位損耗開關將電路切換到第1階段，電壓控制開關向第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 信號時頻圖的預處理

使用STFT求得各個故障信號的時頻圖，并將其簡單預處理來提高整個識別系統(tǒng)的實時性和準確性。時頻圖預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以及空白部分，為了降低計算量和方便CNN的訓練，將圖片壓縮成100×100的正方形。

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

3.3 試驗結果分析

將預處理后的時頻譜圖輸入卷積神經(jīng)網(wǎng)絡，多次迭代后其診斷精確度最高為100%(見表3)，充分說明STFT結合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 多次試驗結果

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

圖6 CNN網(wǎng)絡層特征可視化圖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，能夠自適應地學習出不同的紋理特征，對于部分沒有學習到特征的卷積核，可以考慮對網(wǎng)絡結構進行裁剪，去除未學習到特征的卷積核。

為了定量顯示CNN網(wǎng)絡提取特征的能力，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FC2層的特征，計算兩兩之間的相關性，其結果如圖7所示。

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

圖7顯示了FC2層特征相關性，若兩者之間相關性最高，則該點的數(shù)值最大，顯示為藍色；反之，若兩者之間的相關性最弱，則該點是數(shù)值最小，顯示為白色。相關系數(shù)反映的為不同故障提取出的特征之間的差異，相關系數(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)絡訓練情況對比

3.4.1 學習率對卷積神經(jīng)網(wǎng)絡訓練的影響

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

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

圖8 不同學習率對CNN訓練的影響Fig.8 Effect of different learning rate on CNN training

3.4.2 Batchsize對卷積神經(jīng)網(wǎng)絡訓練的影響

在訓練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)絡的訓練，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進行訓練(其他參數(shù)相同)，其結果如圖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Batchsize很小時，網(wǎng)絡訓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Batchsize越來越大，其訓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，保證準確度的同時，降低了訓練所需要的時間。

訓練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)，找到對應樣本集合適的參數(shù)，是CNN訓練過程中的重要的環(huán)節(jié)。

3.5 與其他方法對比分析結果

為了說明卷積神經(jīng)網(wǎng)絡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域的實際應用意義來看，這些方法都以時域信號為基礎來提取特征。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)絡訓練。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)絡的映射和有監(jiān)督的參數(shù)調(diào)整，能夠準確實現(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 與其他深度學習模型(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，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 不同深度學習方法的診斷結果

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練SDAE時，其診斷精確度為97.57%；以頻域信號為樣本訓練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，在實際應用中，樣本過小可能導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)小波變換結合卷積神經(jīng)網(wǎng)絡的方法的比較

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，其余作為訓練集，然后將得到的時頻圖以筆者提出的CNN網(wǎng)絡結構和超參數(shù)進行訓練。

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)絡識別的方法是有效的。

4 結 論

1) 以振動信號為基礎，提出了基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡相結合的診斷方法，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)的基礎上。樣本量大使得樣本的多樣性得到保證，從而提高網(wǎng)絡魯棒性，也會防止網(wǎng)絡過擬合。

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)，依然存在未學習到特征的卷積核。因此，提高卷積核學習能力，或者是裁剪冗余的卷積核，從而提高網(wǎng)絡性能，降低網(wǎng)絡復雜度，是一個值得關注的問題。

[1] 沈標正. 電機故障診斷技術[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)絡的異步電機故障診斷方法的研究[D]. 錦州：渤海大學, 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研究[D]. 湘潭：湖南科技大學, 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)驗模態(tài)分解在牽引電機軸承故障診斷中的應用[J].中國電機工程學報, 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)絡及其在電機故障診斷中的應用[J].電子測量與儀器學報, 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)大學學報, 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)驗模態(tài)分解和廣義維數(shù)的機械故障診斷[J]. 吉林大學學報:工學版, 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