劉向宇 田玉玲

關(guān)鍵詞： B細胞免疫; 卷積神經(jīng)網(wǎng)絡(luò); 特征提取; 故障診斷; 可靠性評估; 時頻圖

中圖分類號： TN711?34; TP206 ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 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

隨著機械設(shè)備日益復(fù)雜化、一體化，人工維護機械設(shè)備變得更加困難、成本更高。采用智能故障檢測技術(shù)對設(shè)備運行狀態(tài)進行實時監(jiān)測，能夠及時發(fā)現(xiàn)故障，提前在一定程度上預(yù)知故障，在發(fā)生故障時能夠?qū)收线M行定位，對設(shè)備持續(xù)穩(wěn)定運行起到巨大作用。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)，通過傳感器采集機械設(shè)備關(guān)鍵部件的相關(guān)數(shù)據(jù)，對數(shù)據(jù)進行特征提取，然后通過分類器確定故障類型。在時域信號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]，其主要是時域波形的關(guān)鍵特征。小波分析特征提取技術(shù)是對信號進行多尺度細化分析，提取信號的局部特征[2]。小波包分析是小波分析的延伸，克服了小波分析的缺點，對信號進行更精細分析，把每個頻率段的能量作為軸承故障信號的特征向量[3]。經(jīng)驗?zāi)B(tài)分解（EMD）通過分解得到多個本征模函數(shù)（IMF），計算本征模函數(shù)的能量作為軸承故障診斷的特征。集合經(jīng)驗?zāi)B(tài)分解（EEMD）通過引入正態(tài)分布白噪聲解決了EMD技術(shù)中模態(tài)混疊的問題，提取的仍然是IMF能量特征[4]。這些技術(shù)主要是基于對信號進行特征提取，把提取到的特征輸入神經(jīng)網(wǎng)絡(luò)、支持向量機（SVM）等分類器進行故障識別[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，而且由于模型固化只能識別已知故障，無法對未知故障進行學(xué)習(xí)和診斷，導(dǎo)致整個故障診斷模型無法自適應(yīng)調(diào)整[7?8]。

上述文獻中軸承故障診斷技術(shù)雖然在檢測準確率上有很大提高，但普遍存在的問題是在故障特征提取時，提取特征依賴人為經(jīng)驗選擇，提取的特征不夠充分，只能對已知故障進行識別，無法對未知故障進行在線學(xué)習(xí)，檢測系統(tǒng)自適應(yīng)能力差。針對上述問題，本文提出B細胞免疫的卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型，利用卷積神經(jīng)網(wǎng)絡(luò)對檢測對象進行自動特征提取，無需人為經(jīng)驗特征選擇，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，可以對未知故障進行學(xué)習(xí)和檢測，增強了檢測系統(tǒng)的自適應(yīng)能力[10]。本文通過卷積神經(jīng)網(wǎng)絡(luò)與B細胞算法相結(jié)合，形成了優(yōu)勢互補，不僅在檢測準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)動態(tài)變化的機械設(shè)備環(huán)境，具有很好的自適應(yīng)能力，使整個故障診斷系統(tǒng)更加智能化。

1 ?B細胞免疫卷積神經(jīng)網(wǎng)絡(luò)

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

B細胞卷積神經(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)練過程，訓(xùn)練過程包括卷積神經(jīng)網(wǎng)絡(luò)時域診斷模型訓(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器，將經(jīng)過訓(xùn)練的成熟檢測器放入記憶故障細胞庫中，用來完成已知故障的確定性檢測。

3） 在完成模型訓(xùn)練過程后，用模型進行實時的在線檢測過程，先用并行的卷積神經(jīng)網(wǎng)絡(luò)對故障波形進行初步診斷，對診斷結(jié)果進行可靠性評估。

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

5） 用記憶故障知識庫進行識別，如果能夠識別，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)用未知故障知識庫中檢測器進行匹配檢測，如果能夠識別該故障類型，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)相同的診斷錯誤并對卷積神經(jīng)網(wǎng)絡(luò)提取的數(shù)據(jù)特征進行記錄，統(tǒng)計數(shù)據(jù)記錄個數(shù)。當數(shù)據(jù)記錄數(shù)累積到閾值[T]時，則判定新抗原出現(xiàn)，執(zhí)行步驟8）;如果沒有達到閾值[T]，則對記錄進行刪除操作，執(zhí)行下一次檢測。

8） 把卷積神經(jīng)網(wǎng)絡(luò)提取的特征記錄映射為抗原，進行B細胞學(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庫中，并標記故障類型。

9） 在線檢測模型重復(fù)執(zhí)行步驟3）～步驟8），完成整個故障檢測模型的實時診斷。

1.2 ?結(jié)果可靠性評估

本文對卷積神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行評估時，提出結(jié)果可靠性評估的概念，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。評估結(jié)果用[P]表示，[P=P1（TDC1）+P2（FDC1）]，其中[P1（TDC1）]是當前時域波形判別為故障[C1]的概率，[P2（FDC1）]是當前頻域波形判別為故障[C1]的概率。當并行的卷積神經(jīng)網(wǎng)絡(luò)對時域和頻域波形兩者診斷結(jié)果一致時，不進行評估，可以很確定地判斷故障類型;當兩者診斷結(jié)果不一樣，并且[1≤P<1+Pmean]時，需要調(diào)用記憶故障知識庫進行檢測。當兩者診斷結(jié)果不一致，并且[P<1]時，需要用未知故障知識庫進行故障識別，如果無法識別，則進行B細胞學(xué)習(xí)，生成未知故障檢測器，并命名故障類型。

1.3 ?B細胞在線學(xué)習(xí)

在出現(xiàn)未知故障類型時，首先進行未知故障知識庫的識別，如果不能識別，則進行B細胞算法在線學(xué)習(xí)，其中抗體、抗原、親和力是B細胞算法的免疫組件[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，對每個抗體進行平均親和力評價與克隆擴增，抗體克隆數(shù)量與抗體到抗體群的中心距離成反比，然后進行變異操作使種群多樣化，對克隆的抗體進行平均親和力評價，如果親和力高于父代，則進行替代。達到終止條件時，把生成的抗體群存入未知故障知識庫中。

2 ?實驗仿真設(shè)計

2.1 ?實驗?zāi)Ｐ蜋z測結(jié)果與自適應(yīng)結(jié)果

表1是軸承故障模型識別準確率，CNN?BM是本文提出的B細胞免疫卷積神經(jīng)網(wǎng)絡(luò)級聯(lián)模型，CNN?TD是單獨進行時域波形檢測模型，CNN?FD是只進行頻域波形檢測模型，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細胞免疫卷積神經(jīng)網(wǎng)絡(luò)模型分類識別的準確率高于單獨使用卷積神經(jīng)網(wǎng)絡(luò)的準確率，其對已知故障的識別準確率達到了99.89%，原因是在后續(xù)免疫中進行了可靠性評估，并且對置信度較低的樣本進行了免疫的確定性檢測;提出的算法模型對未知故障的識別也有著較高的識別準確率，達到了96.53%，很好地適應(yīng)了故障檢測中動態(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，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。在誤報率與漏報率方面也低于單獨使用卷積神經(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證

實驗還設(shè)計了卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)軸承故障診斷技術(shù)進行對比的實驗，實現(xiàn)檢測準確率結(jié)果如圖2所示。FA是指基于比較早的波形的無量綱數(shù)據(jù)特征提取，然后輸入分類器識別的結(jié)果;EMD和EEMD將振動信號分解成若干本征模態(tài)函數(shù)（IMF）和殘余分量，每個IMF分量表示不同的頻率成分，對得到的IMF函數(shù)進行能量計算，把得到的能量進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支持向量機分類器進行分類識別;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)是最原始的振動加速度信號的數(shù)據(jù)點，基于提取的特征通過分類器進行分類;CNNTD和CNNFD分別是卷積神經(jīng)網(wǎng)絡(luò)對時域和頻域信號進行特征提取，每個樣本分別截取的是時域和頻域圖像，然后通過分類器識別的結(jié)果。由于算法模型初始參數(shù)設(shè)置的隨機性，各種檢測準確率取的是運行10次的平均值。

從實驗結(jié)果識別準確率對比可以看出，基于深度學(xué)習(xí)的軸承故障特征識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，分類器對提取的特征有一定的敏感性，進而影響檢測結(jié)果;單獨使用卷積神經(jīng)網(wǎng)絡(luò)進行診斷的結(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 ?模型檢測實時性效果

在故障檢測系統(tǒng)中，故障檢測的實時性是故障檢測的重要指標之一。故障檢測的實時性是指故障發(fā)生后，故障診斷系統(tǒng)是否能夠及時識別故障類型，并進行報警，避免更大故障發(fā)生。本文在檢測過程中對一次新故障與已知故障的平均耗時進行計算，表2是故障檢測系統(tǒng)進行200次檢測平均耗時對比表，每次檢測耗時幾乎不到1 s，可以滿足故障檢測實時性的要求。在新故障檢測時，除了在卷積神經(jīng)網(wǎng)絡(luò)提取特征耗時外，還有在進行免疫識別匹配方面的耗時，故新故障檢測耗時長于已知故障的診斷識別。

3 ?結(jié) ?語

本文利用B細胞免疫卷積神經(jīng)網(wǎng)絡(luò)模型對軸承故障進行分類識別，從仿真實驗的結(jié)果可以看出，基于B細胞免疫的卷積神經(jīng)網(wǎng)絡(luò)診斷模型很好地識別了故障類型，其分類準確率達到了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使用卷積神經(jīng)網(wǎng)絡(luò)的診斷模型，并且能夠?qū)崟r在線診斷故障，解決了人工免疫中對故障診斷特征提取不充分的問題，克服了卷積神經(jīng)網(wǎng)絡(luò)對新故障無法識別和自適應(yīng)能力差的問題，兩者相互結(jié)合，優(yōu)勢互補。

注：本文通訊作者為田玉玲。

參考文獻

[1] 葉硼林.綜合傳動倒檔齒輪異響檢測技術(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)與小波變換的滾動軸承故障診斷[J].機械設(shè)計與研究，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.