Page 100 - 《软件学报》2021年第8期

2382 Journal of Software 软件学报 Vol.32, No.8, August 2021

随后从全连接层到池化层的执行反向传播:
∂ E 1 E∂ x ∂ l+ 1
l
= Δs = k ∑ l N + ⋅ k (7)
s ∂ k l i= 1 x ∂ k l+ 1 s ∂ l k
Δ l k i= l N + 1 Δs = ∑ l+ 1 w l ki (8)
i
1
l
可得 Δs 由 l+1 层 n l+1 个神经元来提供层之间的增量误差:
k
l+
l
1
Δs = ∑ i= l N + 1 conv 1Dz (Δ ,rev (w ik l )) (9)
k
k
1
其中,rev(⋅)表示反转数组,conv1Dz(⋅)表示完全卷积.
传统的深度学习模型对样本数量的要求极高,而 1D-CNN 可在样本有限的条件下完成模型训练;其次,对比
需要经时频域转换或者参量计算从而在振动信号中学习故障信息的方法,1D-CNN 无需手工特征提取、特征选
择以及快速傅里叶变换或离散小波变换等任何预定转换即可开始模型训练;最后,1D-CNN 紧凑的架构配置仅
执行 1D 卷积,其经济高效的特性以及简单的硬件实现适合于实时故障检测和监视.因此,本文以 1D-CNN 为基
础架构,构建轴承的健康状态判别模型和故障诊断模型.
2 1D-CNN 联合特征提取的轴承故障在线监测方案

2.1 原始振动信号分区裁剪
传统方案在轴承故障诊断模型训练的过程中令健康态和各故障态组成完整的工况特征集合 U={W h ,W r ,
W o ,W b },通过训练各工况下的故障特征,直接判断出轴承所处的具体状态.其中,W h ,W r ,W o ,W b 分别表示健康状
态、内圈故障、外圈故障和滚珠故障的对应特征.
本文考虑健康状态作为实际工厂运作时的常态,不应当与小概率出现的工况(内圈故障、外圈故障和滚珠
故障)属于同一优先级,而应属于先后关系,因此优先监测健康状态,当出现故障时再进行故障诊断.所以首先将

工况集合中的元素归纳为健康态和非健康态,即 U′ = {W h ,W h } ,其中,W = {W r ,W o ,W ,从而对轴承健康状态优先
}
b
h
做出判断,避免对故障重叠等冗余信息的处理.记轴承的旋转速度为 v,轴承旋转一轮所需的时间为单位周期,在
单位周期内对产生的振动信号进行采样,采样频率为 f s ,将单位周期内获得的采样点作为样本,样本规模 n=f s /v.
如图 2 所示.
健康状态判定 ...

故障模式识别
基于联合特征
提取的故障诊断 特征域重构 耦合 原始信号重构

并行训练 特征域
...
基于1D-CNN的
特征域筛选

原始振动
信号裁剪
Fig.2 Health monitoring and fault diagnosis based on 1D-CNN joint feature extraction
图 2 基于 1D-CNN 联合特征提取的健康监测与故障诊断

在振动信号分区裁剪阶段,将单位周期内的振动信号进一步拆分成若干信号区间,选择 j 个单位周期的采
样数据,并将其矩阵化表示为