Page 105 - 《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 2387

如图所示,使用不同伪特征判断 4 种工况的准确度是具有差异性的,即单位周期长度的样本内每个信号区
间所包含的相关信息差异很大,主要原因在于:(1) 部分信号区间包含大量的混淆信息,往往是造成传统方法中
错误分类故障的原因;(2) 一些区域对于工况信息不敏感,特定工况的相关信息少.而诊断健康状态的准确度比
诊断其他故障的准确度明显要高,因为健康状态的信号在某些区域与故障的信号有明显差异,便于分辨出数据
是否健康.因此,可以将针对健康状态的阈值设置在较高水平,Threshold h =0.95,随后针对故障的分类结果设置阈
值.图 5 中结果表明:仅靠一小部分区域来分类故障很难达到令人满意的结果,但是分类的准确度可以提供每个
区域对于判断特定工况的敏感性.因此,设置故障准确度阈值时不必太高,本文设置 Threshold f =0.85.
在实验过程中,存在不同伪特征判断的准确度普遍不高或准确度区分性不明显的情况.可通过适当减少每
个样本切割出的伪特征数量,增加切割出的伪特征即信号区间长度,或切割时不从信号初始点位开始切割,使每
个伪特征包含最多且最具针对性的轴承工况的相关信息.
基于特征域拼接的健康状态检测有效性的实验结果如图 6 所示,根据阈值筛选出针对健康状态的伪特征
组成特征域 F h =[C h,1 ,C h,3 ,C h,5 ],将选择出的特征域中元素拼接成子样本进入 1D-CNN 训练健康状态判别模型.
本实验将 3 个伪特征分别诊断健康状态的准确度与使用特征域拼接构建子样本进行诊断健康状态的准确度以
及传统一维卷积诊断健康状态的准确度进行了比较,结果如图 6 所示.3 个元素连接形成的子样本因为包含最多
的健康状态相关信息,比 3 个伪特征单独分类的结果具有更高的准确度,证明了伪特征连接成子样本的有效性.

Fig.6 Experimental analysis of the validity of health status detection based on feature domain splicing
图 6 基于特征域拼接的健康状态检测有效性实验分析

图 7 所示分别是:1) TR1D-CNN:传统一维卷积健康状态判别模型;2) CFC1D-CNN:健康状态的特征域中元
素连接成子样本通过 1D-CNN 构建健康状态判别模型分别诊断相同数量的信号所需的时延.如图所示,随着样
本数量的增加,本文的健康状态判别模型因为只对每个样本特征域所在区域进行处理,所以实际处理的数据量
远小于传统的 1D-CNN.传统的 1D-CNN 模型本身因为能够直接学习原始信号而具有低时延特点,本文在此基
础上进一步降低了训练时延,兼顾了工业场景下对诊断精度与诊断时延的服务质量要求.
图 8 所示分别是:1) TR1D-CNN:基于传统一维卷积的轴承故障诊断模型;2) CFC1D-CNN:故障的特征域中
元素连接成子样本通过 1D-CNN 构建的故障诊断模型;3) CFJ1D-CNN:故障特征域中每个伪特征的故障分类结
果以投票方式进行决策级融合构建的故障诊断模型;4) CFCAE:本文所提的特征域与原始信号做联合特征,最
后在 softmax 中进行分类构建的故障诊断模型.TR1D-CNN 因为数据包含冗余和故障信息重叠的部分,在准确
度上并不突出.而 CFC1D-CNN 和 CFJ1D- CNN 虽然都比各自特征域中任意一个伪特征故障分类的准确度高,
但是提升的准确度很有限,而由于处理的数据量最少,在时延方面占优.最后,CFCAE 因只联合同源数据,不会显
著提升时延,其次,耦合的过程对于数据完整性和相关性的弥补大大提高了故障分类的准确度.