Page 101 - 《软件学报》2021年第8期

刘立 等:基于 1D-CNN 联合特征提取的轴承健康监测与故障诊断 2383

⎛ C 1 ... C ⎞ 1
⎜ 1 i ⎟
⎜ # % # ⎟ (10)
⎜ j j ⎟
⎝ C 1 ... C i ⎠
其中,i 表示区间序号.矩阵的每一行是由 i 个区间组成的一个样本,每一列代表一类信号区间,每个元素的组成如
下所示:
j
C = [X j 1 i , X j 2 i ,..., X im j ] (11)
i
j
j
C 表示第 j 个样本的第 i 个信号区间, x 表示第 j 个样本的第 i 段中的第 m 个采样点.每个信号区间中包
i
im
含的采样点集合称为伪特征.
2.2 基于1D-CNN并行训练的特征域筛选
1D-CNN 能够直接学习原始信号中的相关信息,使得伪特征具备该工况对应的部分特性.在图 2 所示的特
征域筛选阶段,通过 1D-CNN 并行训练所有工况下的每类伪特征,从中筛选出能准确反映特定工况(健康状态、
外圈故障、内圈故障、滚珠故障)的伪特征组,构建该工况下状态检测模型的特征域.过小的振动信号采样数值
会增加 1D-CNN 学习过程中的计算难度,为了避免此类问题,将每个伪特征进行单独归一化处理.对于任意一个
伪特征的归一化方式如下:
−
ˆ x = (x − i min)/(max min) (12)
i
其中,x i 代表进行归一化的采样数据,max 和 min 表示进行归一化的伪特征中最大和最小的值.每个伪特征归一
化后,能保证并行训练时具有相仿的时延;其次,相同维度的数据给予每个伪特征一样的贡献能力,在筛选阶段
提供可靠的敏感度评判结果.使用 1D-CNN 筛选伪特征的过程本质上是在单位周期内的振动信号上进行的数
据裁剪,丢弃不具代表性的伪特征,从根本上降低所需处理的数据量.
通过 1D-CNN 的并行训练,得到每个伪特征对应于每个状态(健康状态、内圈损坏、外圈损坏、滚珠故障)
的分类准确度,作为能够准确反映各状态的敏感度.
首先筛选出对于诊断健康状态具有高分类准确率的伪特征:
P h ()C > i Threshold → h F = h [C h ,1 ,C h ,2 ,...,C h , h n ] (13)
P h (C i )为第 i 个伪特征对于判断轴承健康状态的准确度;Threshold h 是人为设置的用于判断伪特征在健康判
别时是否具有代表性的阈值;n h 为筛选出的伪特征数量,筛选的数量应当不超过总数的 2/3,以免过分增加在线
监测的时延和硬件负担;F h 为健康状态的特征域.如图 3 所示,本文将筛选出的伪特征进行联合特征的提取,即特
征域中的元素拼接形成子样本输入 1D-CNN 学习,训练后的模型用于判断轴承是否处于健康状态.
1D-CNN健康诊断

... ... ... 子样本

... ...
健
... ... 康
... ... ... 检
测
... 滚珠故障
健康状态
外圈故障
...
... 内圈故障

Fig.3 Online health monitoring based on feature domain splicing
图 3 基于特征域拼接的健康状态在线监测

已有文献表明:轴承健康状态的诊断所需要的数据量极少,大多数模型针对的问题是如何实现对轴承 4 种