针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题，大型电机电气与传热技术国家地方联合研究中心（哈尔滨理工大学） 、齐齐哈尔大学计算机与控制工程学院的张辉、戈宝军、韩斌、赵丽娜，在2023年第10期《电工技术学报》上撰文，提出一种基于格拉姆角场（GAF）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。相较其他编码方式和卷积神经网络，该模型性能表现普遍比其他模型具有更高准确率。
随着现代机械的高速发展，滚动轴承的应用场合也趋向更高工作强度和更恶劣的工作环境，在所有电机机械故障中，高达30 %的损坏是由轴承故障造成，这使得轴承的故障诊断和维护更加重要。当前在“工业4.0”的大环境下，机械设备也向着智能化的方向发展，数据采集的速度大大加快，数据驱动的背景下故障诊断可以利用大量的机械数据，使轴承的故障诊断方法向智能化方向发展。
近年来，由于训练资源的大幅增加和计算能力的快速发展，深度学习逐渐成为智能故障诊断领域中的新秀。作为神经网络最有代表性的网络之一，卷积神经网络（CNN）因其强大的特征提取和分类能力，在图像分类领域取得了巨大成功，但是对于机械故障中的一维振动信号却无法直接通过卷积神经网络进行学习。因此，先将一维振动信号通过编码使其转换为二维图像再输入卷积神经网络成为了行之有效的处理方式。但是，由于卷积神经网络的平移不变性，2017年G. E. Hinton团队提出了胶囊网络（capsule network）的概念，克服了卷积神经网络的固有缺陷——平移不变性。
胶囊网络用向量的胶囊单元代替了卷积神经网络的标量，图像上的元素用胶囊表示，用胶囊之间的关系建立起元素间的位置关系，使得网络的感受野变得更大。在提出胶囊网络的首次试验中，胶囊网络在经典数据集MNIST上获得了99.76 %准确率，展现了胶囊网络在小尺寸图像上超强的特征提取和识别能力。
图1 胶囊网络结构示意图
胶囊网络在一维振动信号转换的图像上能够提取到深层次特征并进行识别。但转换的时域图关键内容较少，一旦被网络忽略就完全遗失了这部分特征，使得胶囊网络的特征提取过程中更容易遗漏相关信息从而降低了网络的准确率。
哈尔滨理工大学、齐齐哈尔大学的研究人员首次把胶囊网络作为故障诊断的模型，将原始振动信号通过GAF编码，输入改进的胶囊网络，进行了电机滚动轴承智能故障诊断的试验研究。
图2 GAF-CapsNet故障诊断流程
他们利用GAF对采集到的振动信号进行编码，可以很容易地进行角度透视，从而识别出不同时间间隔内的时间相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感，特征提取具有优势，同时考虑到VGG网络优秀的特征提取能力，在结合胶囊网络和VGG网络的基础上，加入深度小尺寸卷积层。将GAF编码的振动图像输入到改进的CapsNet网络进行训练，组成GAF-CapsNet模型对轴承故障进行诊断。
图3 凯斯西储大学轴承数据集试验平台
该模型在凯斯西储大学轴承数据集上进行试验，结果表明，格拉姆角和场（GADF）编码方式相比格拉姆角差场（GASF）编码效果差，效果较好的GADF-CapsNet有99.27 %准确率，较差的GASF-CapsNet也有98.83 %准确率。相较其他编码方式和卷积神经网络，该模型性能在对滚动轴承故障进行诊断时具有更高的识别精度，并在噪声环境中兼具更好的性能。
研究者表示，在GAF编码的两个方式中，GADF编码的图像在胶囊网络中的表现优于GASF编码。整体来看，GAF的编码方式保留较完整的原始振动信号的故障特征。因不同采样尺寸对于准确率的影响，通过试验证明128采样尺寸为改进胶囊网络效果最好的输入尺寸。
图4 不同模型准确率对比
图5 不同噪音环境下的分类准确率比较
他们进一步指出，该模型在电机轴承故障诊断中的准确率高于其他常用网络模型，最大差值达到1.64 %。其次，在混淆矩阵试验中，提出的模型能够较为准确预测故障位置及其严重程度。最后，通过在抗噪性能试验中验证，相比于一维卷积及其他网络，提出的模型具有较强的抗噪性能，在信噪比为4dB的情况下模型准确率仍能达到65 %以上。
本工作成果发表在2023年第10期《电工技术学报》，论文标题为“基于GAF-CapsNet的电机轴承故障诊断方法”。本课题得到国家自然科学基金和黑龙江省普通高校基本科研业务专项资金的支持。
声明：壹贝网所有作品（图文、音视频）均由用户自行上传分享，仅供网友学习交流，版权归原作者wangteng@admin所有，原文出处。若您的权利被侵害，请联系 756005163@qq.com 删除。
本文链接：https://www.ebaa.cn/36543.html
