亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進(jìn)注意力機(jī)制的滾動(dòng)軸承故障診斷方法研究

        2023-12-01 03:07:42李開宇范佳能仲志強(qiáng)賈銀亮
        計(jì)算機(jī)測(cè)量與控制 2023年11期
        關(guān)鍵詞:故障診斷特征故障

        肖 安,李開宇,范佳能,仲志強(qiáng),賈銀亮

        (1.南京航空航天大學(xué) 自動(dòng)化學(xué)院,南京 211100;2.南瑞集團(tuán)有限公司,南京 211106)

        0 引言

        目前在旋轉(zhuǎn)機(jī)械設(shè)備中,滾動(dòng)軸承是易損部件之一,對(duì)軸承的診斷是目前研究的熱點(diǎn)[1]。在傳統(tǒng)的軸承故障診斷中,對(duì)采集到的振動(dòng)信號(hào)使用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等信號(hào)處理技術(shù),獲取故障信號(hào)特征[2],但這些方法只是對(duì)信號(hào)進(jìn)行了處理,并未得到確切的故障診斷結(jié)果。

        近年來,在智能故障診斷領(lǐng)域,基于數(shù)據(jù)驅(qū)動(dòng)的方法逐漸成為主流[3],H.S. Kumar等[4]采用KNN分類器和經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行了故障診斷研究。Song等[5]使用經(jīng)驗(yàn)?zāi)B(tài)和小波變換相結(jié)合的方式,將振動(dòng)信號(hào)進(jìn)行分解,從而實(shí)現(xiàn)對(duì)滾子軸承的故障診斷?;跀?shù)據(jù)驅(qū)動(dòng)的方法雖然具有較好的診斷性能[6],但依賴于先驗(yàn)知識(shí)和經(jīng)驗(yàn),對(duì)于不同的故障類型所使用的的方法也不一致。

        基于深度學(xué)習(xí)的方法在軸承故障診斷中的快速發(fā)展[7],解決了傳統(tǒng)方法的不足。Wang等[8]將軸承的一維振動(dòng)信號(hào)轉(zhuǎn)換為二維灰度圖像,作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)的輸入,在不同工況下的軸承故障診斷下取得了較好的效果。Gao等[9]提出一種新的弱故障特征提取與診斷方法,該方法由LSTM和多通道連續(xù)小波變換(MCCWT)構(gòu)成,在軸承弱故障特征的情況下進(jìn)行診斷。Chen等[10]提出一種基于自編碼器的徑向神經(jīng)網(wǎng)絡(luò)軸承故障診斷方法,提高了在噪聲中進(jìn)行診斷的準(zhǔn)確率。Liang等[11]使用殘差網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)層的融合。雖然深度學(xué)習(xí)在故障診斷領(lǐng)域取得了較大的成功,但對(duì)于軸承診斷方面仍存在一些不足[12-13],對(duì)于深度學(xué)習(xí)來說,網(wǎng)絡(luò)結(jié)構(gòu)越深,意味著能夠提取到的特征就越多,但同時(shí)帶來的訓(xùn)練參數(shù)也越多,訓(xùn)練時(shí)梯度爆炸和消失的問題,同時(shí)無法對(duì)存在噪聲的信號(hào)進(jìn)行精確診斷[14]。

        針對(duì)以上問題,Sanghyun Woo等[15]人提出了卷積注意力機(jī)制模塊(CBAM,convolutional block attention module),該模塊沿著兩個(gè)單獨(dú)的維度(通道和空間)依次推斷注意力圖,然后將注意力圖乘以輸入特征圖,以進(jìn)行自適應(yīng)特征細(xì)化,并且CBAM模塊是一個(gè)輕量級(jí)通用模塊,可無縫集成到任何網(wǎng)絡(luò)架構(gòu)中。這能夠提取在復(fù)雜環(huán)境中收集到的軸承故障信號(hào)的深層特征,提高診斷的準(zhǔn)確率。李俊等[16]針對(duì)不平衡數(shù)據(jù)集進(jìn)行故障診斷的研究存在局限性,提出了一種將基于雙階段注意的遞歸神經(jīng)網(wǎng)絡(luò)(DA-RNN)和卷積塊注意模塊(CBAM)相結(jié)合的滾動(dòng)軸承故障診斷模型。該方法相比較于其他智能診斷方法,具有較高的性能,表明該方法在不平衡數(shù)據(jù)條件下的滾動(dòng)軸承故障診斷中具有廣闊的應(yīng)用前景。田科位等人[17]將殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)并融合注意力機(jī)制,對(duì)變負(fù)載下的軸承進(jìn)行識(shí)別。胡向東[18]等人將擠壓注意力機(jī)制與ResNeXt結(jié)合,對(duì)存在噪聲的軸承信號(hào)進(jìn)行診斷,能夠更好的集中軸承的故障特征。

        本文受卷積注意機(jī)制模塊的啟發(fā),將通道注意力與空間注意力和殘差網(wǎng)絡(luò)進(jìn)行融合,并對(duì)通道注意機(jī)制進(jìn)行改進(jìn),將傳統(tǒng)的通道注意機(jī)制模塊中的全連接層改為卷積層,通過卷積層的局部特征提取,獲取到更多的軸承故障特征,將輸入與輸出之間的關(guān)系進(jìn)行聯(lián)系,提出了一種新的診斷方法,主要內(nèi)容如下:

        1)使用STTF技術(shù)得到灰度圖像后采用偽彩色處理技術(shù)將單通道圖像數(shù)據(jù)轉(zhuǎn)換為三通道圖像;

        2)對(duì)DACM模塊的位置和數(shù)量進(jìn)行研究,構(gòu)建了基于DACM_ResNet的故障診斷模型;

        3)將提出的DACM_ResNet模型用于噪聲和變負(fù)載環(huán)境下診斷。

        1 理論基礎(chǔ)

        1.1 時(shí)頻圖像生成方法

        在一般的滾動(dòng)軸承故障診斷系統(tǒng)中[19],數(shù)據(jù)采集系統(tǒng)采集到的原始振動(dòng)信號(hào)都是一維時(shí)變非穩(wěn)態(tài)信號(hào),而對(duì)于深度神經(jīng)網(wǎng)絡(luò)來說,處理二維圖像來說更得心應(yīng)手[20]。本方法采用STFT來生成二維時(shí)頻圖像[2],這既能夠保持信息含量,又可以保證信號(hào)處理的快速。信號(hào)x(t)與w(t)乘積后再進(jìn)行傅里葉變換,STFT的定義如下:

        (1)

        式中,x(t)為連續(xù)信號(hào)信號(hào),ω(t)為時(shí)窗信號(hào)。

        實(shí)際使用STFT的離散形式來計(jì)算,如下所示:

        m=0,1,...,N-1

        (2)

        式中,時(shí)窗信號(hào)ω(t)的寬度為N;序列x[k]為連續(xù)信號(hào)x(t)的采樣信號(hào),采樣頻率滿足香農(nóng)采樣定律。

        1.2 殘差神經(jīng)網(wǎng)絡(luò)

        He等[21]提出了深度殘差網(wǎng)絡(luò)(ResNet)。其核心為在網(wǎng)絡(luò)層中構(gòu)建殘差塊,引入殘差元,殘差元的存在有效解決了由于網(wǎng)絡(luò)層數(shù)較深時(shí)出現(xiàn)的梯度爆炸和消失問題。

        結(jié)構(gòu)原理圖如圖1所示。殘差塊以x為輸入,H(x)為輸出,F(xiàn)(x)為殘差映射函數(shù)。He等[21]通過恒值傳遞的方式來搭建深層次網(wǎng)絡(luò),當(dāng)通過快捷連接時(shí),則輸出值為`輸入值x,最終輸出如式(3)所示;當(dāng)存在不同維度的輸入輸出層時(shí),快捷連接需要使用一個(gè)卷積核大小為1×1的卷積層來匹配輸出結(jié)果的維度,從而得到快捷連接的輸出H(x),最終輸出結(jié)果如式(4)所示:

        H(x)=F(x)+x

        (3)

        F(x)=H(x)-x

        (4)

        圖1 殘差塊結(jié)構(gòu)圖

        1.3 注意力機(jī)制

        滾動(dòng)軸承的不同故障模式,采集到的故障特征是不同的,對(duì)于一些幅值較高的一維振動(dòng)信號(hào)特征,在診斷時(shí)是比較準(zhǔn)確的,而對(duì)于與幅值類似的噪聲信號(hào),診斷會(huì)存在較大的干擾。而注意力機(jī)制的出現(xiàn),可使模型獲得更多的不同特征的權(quán)重系數(shù),能夠在一些程度上避免這種診斷干擾。因此本文受CBAM的啟發(fā),將通道注意力機(jī)制與空間注意力機(jī)制進(jìn)行結(jié)合,并對(duì)通道注意力機(jī)制進(jìn)行改進(jìn),將原有的多層感知機(jī)進(jìn)行替換,換成兩個(gè)卷積層進(jìn)行權(quán)值共享,提出了新的雙注意卷積機(jī)制模塊(DACM),與殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行融合,同時(shí)對(duì)這兩個(gè)維度上的特征進(jìn)行提取。該模塊和CBAM一樣,能夠直接運(yùn)用到現(xiàn)有的網(wǎng)絡(luò)架構(gòu)中,減少訓(xùn)練的時(shí)間和參數(shù)。

        首先對(duì)于通道注意機(jī)制,為了更高效的計(jì)算通道注意力特征,要做的就是壓縮特征圖的空間維度,通過最大池化層和平均池化層學(xué)習(xí)目標(biāo)的程度信息,然后將該特征送入到一個(gè)共享的多層感知機(jī)(MLP)網(wǎng)絡(luò)中產(chǎn)生最終的通道注意力特征圖Mc∈RC×1×1,為了降低計(jì)算參數(shù),在MLP中采用了一個(gè)降維系數(shù)r,Mc∈RC/r×1×1。

        綜上,通道注意機(jī)制可表示為下式:

        Mc(F)=σ(MLP(Avgpool(F))+MLP(maxpool(F)))=

        (5)

        之后進(jìn)入空間注意機(jī)制,來生成空間注意力特征圖,由式(5)得出,在通道注意力機(jī)制層經(jīng)過平均池化和最大池化后,之后進(jìn)行這兩個(gè)特征的融合,最后在拼融合的特征圖上,使用卷積操作來產(chǎn)生最終的空間注意力特征圖:

        Ms(F)∈RH,W

        (6)

        和通道注意力一樣,使用兩種池化方法來產(chǎn)生2D特征圖:

        圖2 通道卷積注意機(jī)制結(jié)構(gòu)圖

        (7)

        (8)

        最終空間特征如下式(9)所示:

        Ms(F)=σ(f7×7([AvgPool(F);MaxPool(F)]))

        (9)

        最終給定的CBAM依次推導(dǎo)出一維通道注意力映射Mc∈RC×1×1和二維空間注意映射Ms∈R1×H×W,整個(gè)過程可以總結(jié)為如下式:

        F′=Mc(F)?F

        (10)

        F″=Ms(F′)?F′

        (11)

        其中:?表示基于元素的乘法。在乘法過程中,通道注意值沿著空間維度傳播,反之亦然。F″為最終得到的特征。

        2 基于DACM_ResNet的算法模型

        2.1 基于DACM的殘差單元結(jié)構(gòu)

        Fc(F)=

        (12)

        其中:σ為Sigmoid激活函數(shù),在經(jīng)過兩次卷積后進(jìn)行逐元素求和,最后通過激活函數(shù)進(jìn)行輸出最后的通道卷積注意機(jī)制特征圖Fc(F)。

        經(jīng)過通道卷積注意機(jī)制得到的特征圖作為輸入直接送到空間注意機(jī)制模塊中,空間注意機(jī)制模塊的結(jié)構(gòu)圖如圖3所示。

        圖3 空間注意機(jī)制結(jié)構(gòu)圖

        相比于傳統(tǒng)的殘差塊,改進(jìn)的部分為在經(jīng)過兩次卷積和批量歸一化層之后,進(jìn)入到DACM注意力機(jī)制模塊,之后將結(jié)果進(jìn)行輸出。根據(jù)殘差塊計(jì)算公式:

        Fa=Fc+x

        (13)

        式中,F(xiàn)c為經(jīng)過DACM模塊之后的特征,這使得殘差塊能夠同時(shí)獲得經(jīng)過雙注意卷積之后的特征和快捷連接的輸入值x。改進(jìn)殘差塊模型如圖4所示。

        圖4 改進(jìn)殘差塊結(jié)構(gòu)圖

        2.2 算法框架

        本文所提出的基于DACM_ResNet的診斷模型主要由三部分組成,包括原始信號(hào)收集和樣本的制作、數(shù)據(jù)預(yù)處理和DACM_ResNet網(wǎng)絡(luò)結(jié)構(gòu),最后進(jìn)行軸承故障類型的輸出:

        1)原始信號(hào)收集和樣本的制作:通過加速度傳感器收集軸承的振動(dòng)信號(hào),按照采樣頻率進(jìn)行樣本分割,,采樣頻率為fs,則樣本為在這個(gè)周期內(nèi)采集到時(shí)間序列,樣本規(guī)模為n=fs/v,v為電機(jī)轉(zhuǎn)速。以12 k采樣率為例,電機(jī)轉(zhuǎn)速理論值為1 772 rpm,則樣本規(guī)模為60/1 772×12 000=406.67,所以將400個(gè)數(shù)據(jù)點(diǎn)作為一個(gè)樣本;

        2)數(shù)據(jù)預(yù)處理:將分割好的一維數(shù)據(jù)進(jìn)行STFT,得到二維數(shù)組,然后運(yùn)用偽彩色處理技術(shù)進(jìn)行通道變換,得到三通道的彩色圖片,得到的樣本如圖5所示,最后進(jìn)行訓(xùn)練集和測(cè)試集的劃分;

        圖5 數(shù)據(jù)預(yù)處理圖

        3)DACM_ResNet網(wǎng)絡(luò)結(jié)構(gòu):首先是將信號(hào)輸入一個(gè)較大的卷積核中,大卷積核具有較大的感受野,可獲取較多的特征,然后經(jīng)過最大池化層,之后經(jīng)過帶有DACM模塊的殘差塊和平均池化層,最終通過全連接層輸出故障類別,得出診斷結(jié)果。

        基于DACM_ResNet的診斷模型框架如圖6所示。

        3 實(shí)驗(yàn)驗(yàn)證

        3.1 實(shí)驗(yàn)參數(shù)設(shè)置

        實(shí)驗(yàn)所用深度學(xué)習(xí)框架為pytorch,電腦配置為AMD3700x,16 g內(nèi)存,GTX960,Windows10操作系統(tǒng)。對(duì)于神經(jīng)網(wǎng)絡(luò)而言,需要對(duì)參數(shù)進(jìn)行初始化設(shè)置。通過對(duì)文獻(xiàn)中的代碼進(jìn)行分析,選取初始學(xué)習(xí)率為0.001,使用Adam進(jìn)行網(wǎng)絡(luò)參數(shù)的優(yōu)化,即在訓(xùn)練過程中會(huì)進(jìn)行學(xué)習(xí)率的調(diào)整。每一次訓(xùn)練的樣本數(shù)為64,其他一些參數(shù)則保持不變。

        CWRU數(shù)據(jù)集作為公開的數(shù)據(jù)集,本實(shí)驗(yàn)中也采取該數(shù)據(jù)集進(jìn)行驗(yàn)證。實(shí)驗(yàn)裝置如圖6第一部分(原始信號(hào)收集)中所示。數(shù)據(jù)主要由加速度傳感器在4種負(fù)載條件(0、1、2和3 hp)下收集,采樣率為12 kHz。根據(jù)負(fù)載的不同,電機(jī)轉(zhuǎn)速在1 730~1 797 rpm之間變化。

        本次實(shí)驗(yàn)中使用的振動(dòng)信號(hào)是電機(jī)工作在4種不同負(fù)載下采集的。同時(shí)存在以下4種工作狀態(tài):1)正常狀態(tài);2)外圈故障;3)滾動(dòng)體故障;4)內(nèi)圈故障。這3種故障方式通過人為造成,一般是通過放電的形式對(duì)軸承造成微小的損傷。故障直徑分別為0.117 8 mm、0.355 6 mm和0.533 4 mm。因此,凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集包含4種負(fù)載下共計(jì)10類數(shù)據(jù)。數(shù)據(jù)集的詳細(xì)描述如表1所示。為了便于分類,將故障位置和故障大小不同的10種健康狀況分別設(shè)置為類別標(biāo)簽0~9。具體如表1所示。

        表1 CWRU 軸承故障分類及標(biāo)簽值

        對(duì)于CWRU數(shù)據(jù)集的振動(dòng)信號(hào),按負(fù)載0,負(fù)載1,負(fù)載2,負(fù)載3制作成數(shù)據(jù)集A、B、C、D。并將A、B、C、D合并得到一個(gè)總的數(shù)據(jù)集E。之后進(jìn)行樣本的劃分,訓(xùn)練集占80%,測(cè)試集則為20%,其中在訓(xùn)練集中在按照同樣的比例劃分,得到四分之一的驗(yàn)證。最終得到的數(shù)據(jù)集如表2所示。

        表2 CWRU樣本數(shù)量表

        3.2 模型參數(shù)設(shè)置

        根據(jù)殘差神經(jīng)網(wǎng)絡(luò)相關(guān)結(jié)構(gòu),針對(duì)使用了短時(shí)傅里葉變換與偽彩色處理相結(jié)合的數(shù)據(jù)預(yù)處理方法,對(duì)第一層的卷積層的卷積核進(jìn)行改進(jìn),選取了7×7大小的卷積核,經(jīng)過多次實(shí)驗(yàn)對(duì)比,確定了如表3的模型參數(shù)。

        圖6 整體算法結(jié)果框圖

        表3 模型參數(shù)設(shè)置

        3.3 在原始信號(hào)下進(jìn)行模型測(cè)試

        3.3.1 原始信號(hào)下模型診斷結(jié)果

        將原始信號(hào)經(jīng)過數(shù)據(jù)預(yù)處理之后作為樣本分別送入到原殘差神經(jīng)網(wǎng)絡(luò)模型和基于雙注意卷積機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)模型中,迭代次數(shù)為100,得到其訓(xùn)練準(zhǔn)確率如圖7所示。

        從圖中可以看出,帶有雙卷積注意機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練準(zhǔn)確率均高于原有的殘差神經(jīng)網(wǎng)絡(luò)和添加CBAM模塊的殘差伸進(jìn)網(wǎng)絡(luò),其中準(zhǔn)確率達(dá)到了99.5%以上。而對(duì)于添加的CBAM模塊,雖然其準(zhǔn)確率比原始ResNet要高,但其穩(wěn)定性不夠。

        使用VGG16、VGG19、CNN、LeNet和ResNet等模型在原始信號(hào)下進(jìn)行對(duì)比試驗(yàn)。在構(gòu)建好的數(shù)據(jù)集A、B、C、D和E進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表4所示,每次實(shí)驗(yàn)分別進(jìn)行10次,然后取其平均值??梢钥闯?,相比于其他模型,ResNet的診斷準(zhǔn)確率較高。而對(duì)于LeNet,該模型在數(shù)據(jù)集C上準(zhǔn)確率較高,但在其他數(shù)據(jù)集上卻表現(xiàn)的沒那么優(yōu)異,說明其在軸承故障診斷中穩(wěn)定性不夠高,而對(duì)于DACM_ResNet模型,其在每個(gè)數(shù)據(jù)集上的診斷率均高于99%,相比于ResNet提高了2.72%,并且平均診斷率為99.65%,這體現(xiàn)了本文所提出的基于雙注意卷積機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)在軸承故障診斷上的優(yōu)越性。

        圖7 訓(xùn)練準(zhǔn)確率圖曲線對(duì)比

        表4 各模型的試驗(yàn)結(jié)果

        3.3.2 DACM_ResNet與傳統(tǒng)滾動(dòng)軸承故障診斷算法的對(duì)比

        將所提方法與傳統(tǒng)滾動(dòng)軸承故障診斷算法進(jìn)行對(duì)比,選取數(shù)據(jù)集E作為本次實(shí)驗(yàn)的樣本集,實(shí)驗(yàn)結(jié)果如表5所示,所選取的傳統(tǒng)方法包括合粒子群參數(shù)優(yōu)化的支持向量機(jī)(SVM-PSO)、極限學(xué)習(xí)機(jī)(ELM)、k最近鄰(KNN),對(duì)于SVM-PSO,選取加速因子c1=1.5;c2=1.7,粒子數(shù)設(shè)置為20,迭代次數(shù)為200次,對(duì)于ELM,隱藏層神經(jīng)元數(shù)目L為2 000,懲罰系數(shù)C為 0.5,對(duì)于KNN模型,選取初始值k=5。

        表5 DACM_ResNet與傳統(tǒng)方法實(shí)驗(yàn)結(jié)果對(duì)比

        從實(shí)驗(yàn)結(jié)果可看出,傳統(tǒng)方法在數(shù)據(jù)集E上也有著良好的診斷效果,但相比于DACM_ResNet,還略微的低一些。

        3.3.3 在ResNet不同位置加入DACM模塊

        同時(shí)為驗(yàn)證注意力模塊位置和數(shù)量對(duì)實(shí)驗(yàn)的影響,對(duì)位置而言,將DACM模塊插入到進(jìn)入殘差塊之前的主干網(wǎng)絡(luò)中和殘差塊中。對(duì)于數(shù)量而言,將DACM模塊插入到主干網(wǎng)絡(luò)中,分別是進(jìn)入殘差模塊之前和殘差模塊之后,各插入一個(gè)DACM模塊,具體結(jié)構(gòu)如圖8所示。

        對(duì)比VGG16、VGG19、CNN和LeNet,選取ResNet添加DACM模塊,對(duì)不同位置和數(shù)量的DACM模塊的試驗(yàn)結(jié)果如圖9所示,可以看出,DACM模塊的位置和數(shù)量對(duì)結(jié)果有的較大的影響,當(dāng)DACM模塊加入到殘差模塊中時(shí),診斷的準(zhǔn)確率有較大的提升,而在其他位置確存在準(zhǔn)確率降低的問題。

        圖8 不同位置和數(shù)量的DACM結(jié)構(gòu)圖

        圖9 不同結(jié)構(gòu)與數(shù)據(jù)集診斷率圖

        3.4 噪聲環(huán)境下模型分類測(cè)試

        在滾動(dòng)軸承的實(shí)際工作環(huán)境中,由于各個(gè)部件之間的摩擦和振動(dòng),使得采集到的軸承振動(dòng)信號(hào)會(huì)存在一定的噪聲。在本實(shí)驗(yàn)中,我們?cè)跀?shù)據(jù)集中疊加高斯白噪聲來模擬在復(fù)雜環(huán)境下采集到的振動(dòng)信號(hào)。具體來說,我們將不同信噪比(SNR)的噪聲信號(hào)添加到測(cè)試樣本中,以構(gòu)建不同強(qiáng)度的噪聲信號(hào)。另外需要說明的是,本研究?jī)H在測(cè)試樣本中添加噪聲信號(hào),而不是在訓(xùn)練樣本中添加噪聲信號(hào),并且通過噪聲測(cè)試樣本評(píng)估了所提出方法的抗噪聲性。信噪比的定義如下:

        SNRdb=10log10(Psignal/Pnoise)

        (13)

        其中:Psignal表示原始信號(hào)功率,Pnoise表示高斯噪聲功率。

        如圖10所示,在該圖中,展示了高斯白噪聲信號(hào),和未加噪聲的軸承滾動(dòng)體故障原始信號(hào),以及兩者相加之后帶有噪聲的滾動(dòng)體故障信號(hào)??梢钥闯?,信號(hào)已經(jīng)被嚴(yán)重污染了,和原始信號(hào)相比,幾乎沒有過多的相似,人眼很難進(jìn)行分辨。因此,從帶有噪聲的信號(hào)中提取出有效的故障特征,有很大的難度。

        在圖11中,分別為原始正常信號(hào)、內(nèi)圈故障信號(hào)、外圈故障信號(hào)和滾動(dòng)體故障信號(hào)與疊加高斯噪聲的信號(hào)圖,通過對(duì)高斯白噪聲的控制,得到了信噪比為-2 db的信號(hào)。

        在本實(shí)驗(yàn)中,分別在A、B、C、D四個(gè)數(shù)據(jù)集進(jìn)行測(cè)試,并使用4個(gè)SNR的噪聲信號(hào)-4,-2,2,4 dB測(cè)試了所提方法的優(yōu)越性。實(shí)驗(yàn)結(jié)果如圖12所示。

        從實(shí)驗(yàn)結(jié)果的看出,DACM_ResNet的識(shí)別準(zhǔn)確率高于其他比較方法,這表明所提出的方法具有更強(qiáng)的抗噪聲性和穩(wěn)定性。特別是當(dāng)信噪比為-4 dB時(shí),DACM_ResNet仍能獲得93.40%的診斷準(zhǔn)確率,比WDCNN高0.75%。這表明DACM_ResNet在強(qiáng)噪聲環(huán)境下仍具有很大的性能優(yōu)勢(shì),這一特性將極大地增強(qiáng)DACM_ResNet在實(shí)際應(yīng)用中的潛力。相比之下,在殘差層中加入了CBAM模塊,通過DACM模塊,將殘差的通道和空間兩個(gè)維度上的特征進(jìn)行集中,得到一個(gè)殘差上整體的特征表示。然后將得到的特征表示與輸入進(jìn)行融合,最終得到故障特征的提高。

        3.5 不同負(fù)載下診斷性能分析

        在實(shí)際的工作環(huán)境中,軸承往往是工作在不同負(fù)載的環(huán)境下。將DACM_ResNet分別與ResNet 、WDCNN、GAM_ResNet三種模型進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果如圖13所示。通過對(duì)實(shí)驗(yàn)的分析,本文所DACM_ResNet模型的識(shí)別準(zhǔn)確率達(dá)到了96%以上。而進(jìn)行對(duì)比的傳統(tǒng)模型如ResNet,識(shí)別率為84.32%,CNN的改進(jìn)版WDCNN則為83.52%,而其他注意力機(jī)制結(jié)合的ResNet反而更低,為81.93%。相比于DACM_ResNet,GAM_ResNet和WDCNN在不同工況下故障識(shí)別率不夠穩(wěn)定,例如B→A中WDCNN模型的故障識(shí)別率達(dá)到了99.6%,而在A→C中的識(shí)別率僅僅只有83.52%,說明WDCNN在工況遷移下泛化能力稍微欠缺。DACM_ResNet在所有負(fù)載變化中識(shí)別率均超過了98%。這說明所提出的模型在工況遷移下能夠保持較穩(wěn)定的識(shí)別率,這對(duì)實(shí)際工作環(huán)境下具有一定的診斷意義。

        將得到的高維數(shù)據(jù)通過T-SNE算法進(jìn)行降維操作,降至二維進(jìn)行可視化操作,將模型的全連接層提取到的故障特征,降至二維平面,并以散點(diǎn)圖的方式進(jìn)行繪制,如圖14所示。

        圖14 源域?yàn)楣r0的DACM_ResNet向其他工況變化時(shí)的故障特征散點(diǎn)圖

        從圖14中可以看出,通過DACM_ResNet模型,所有的故障特征均可以較好的進(jìn)行分類且具有明顯的界限。而對(duì)于標(biāo)簽為5,深度為0.355 6 mm的滾動(dòng)體故障存在一些分類混疊的現(xiàn)象,這也對(duì)應(yīng)了在直方圖中A→D的測(cè)試任務(wù)中準(zhǔn)確率低下。

        4 結(jié)束語

        針對(duì)滾動(dòng)軸承在實(shí)際工作環(huán)境中噪聲較大、收集到的振動(dòng)信號(hào)易被淹沒和帶負(fù)載工況問題,提出了基于注意力機(jī)制的改進(jìn)殘差網(wǎng)絡(luò)模型。本文得出的結(jié)論如下:

        本文提出了一種融合DACM的殘差神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過對(duì)DACM模塊在殘差網(wǎng)絡(luò)中的位置數(shù)量的研究,確定了將DACM模塊添加在殘差塊中具有更好的效果,提升了在噪聲背景和變負(fù)載下的識(shí)別準(zhǔn)確率。使用STFT將振動(dòng)信號(hào)轉(zhuǎn)換至圖像信號(hào),其次使用偽彩色通道處理技術(shù),使得模型能夠更好的進(jìn)行訓(xùn)練和測(cè)試。在訓(xùn)練過程中,對(duì)訓(xùn)練樣本進(jìn)行加噪處理,模擬實(shí)際環(huán)境中存在的噪聲問題,提升了模型在實(shí)際應(yīng)用的可行性。

        猜你喜歡
        故障診斷特征故障
        故障一點(diǎn)通
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        抓住特征巧觀察
        奔馳R320車ABS、ESP故障燈異常點(diǎn)亮
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        故障一點(diǎn)通
        江淮車故障3例
        基于LCD和排列熵的滾動(dòng)軸承故障診斷
        基于WPD-HHT的滾動(dòng)軸承故障診斷
        亚洲av永久无码精品秋霞电影影院| 欧美日韩国产成人综合在线影院| 日日澡夜夜澡人人高潮| 免费人成再在线观看视频| 熟妇人妻无码中文字幕老熟妇| 国产毛女同一区二区三区| 一区二区三区在线视频观看| 日本不卡在线视频二区三区| 亚洲av中文无码乱人伦在线观看| 亚洲熟女精品中文字幕| 精品无码国产自产在线观看水浒传| 日本又色又爽又黄又免费网站| 色婷婷亚洲一区二区三区| 51国产偷自视频区视频| 国产精品女同久久久久电影院| 中国人妻与老外黑人| 夜夜添夜夜添夜夜摸夜夜摸| 性一交一乱一乱一视频| 成全高清在线播放电视剧| 狠狠色噜噜狠狠狠狠米奇777| 国产尤物精品视频| 亚洲精品字幕| 亚洲在AV极品无码天堂手机版| 亚洲影院丰满少妇中文字幕无码| 国内视频一区| 国产成人高清亚洲一区二区| 草逼视频免费观看网站| 久久久久av综合网成人| 鲁丝片一区二区三区免费| 日本中文字幕一区二区有码在线| 激情综合色五月丁香六月欧美| 人人色在线视频播放| 久久久无码中文字幕久...| 亚洲日韩欧美国产高清αv| 激情久久无码天堂| 人妻少妇精品系列一区二区| 日本高清一区在线你懂得| 亚洲中文字幕精品视频| 后入丝袜美腿在线观看| 中文精品久久久久人妻不卡| 亚洲中文字幕一区精品自拍|