深度残差收缩网络在滚动轴承故障诊断中的应用

doi:10.12068/j.issn.1005-3026.2024.11.009

摘要/Abstract

摘要：

针对滚动轴承故障在强噪声环境下难以进行精准诊断的问题，提出一种基于池化融合的深度残差收缩网络用于滚动轴承故障诊断.首先，通过引入残差连接避免由于网络过深而带来的梯度消失或爆炸的风险；然后，采用多尺度池化特征融合提取振动信号更丰富的局部特征并通过注意力机制自动推导软阈值函数的最优阈值进行自适应去噪；最后，通过带标签的滚动轴承故障数据对所提网络进行训练，以实现滚动轴承在强噪声环境下的精准故障诊断.实验结果表明，在不同信噪比（signal?to?noise ratio，SNR）的噪声条件下，基于池化融合的深度残差收缩网络与传统的模型相比能实现更高的故障诊断精度.

关键词: 深度残差收缩网络, 池化融合, 注意力机制, 滚动轴承, 故障诊断

Abstract:

Given that it is difficult to accurately diagnose rolling bearing faults in a strong noise environment， a deep residual shrinkage network is proposed with pooling fusion for rolling bearing fault diagnosis. Firstly， the proposed method employs residual connections to avoid the risk of gradient vanishing or explosion due to excessive network depth. Then， the approach uses multi?scale pooling feature fusion to extract more comprehensive local features from vibration signals， and an attention mechanism to automatically derive the optimal threshold of a soft threshold function. Finally， the network is trained through labeled data to achieve the accurate fault diagnosis of rolling bearings in a strong noise environment. Experiment results show that the deep residual shrinkage network based on pooling fusion can outperform the traditional models in diagnosing rolling bearing faults under noise conditions with different SNRs.

Key words: deep residual shrinkage network, pooling fusion, attention mechanism, rolling bearing, fault diagnosis

中图分类号:

TH 7

张执锦, 李鹤, 黄宇实, 王文学. 深度残差收缩网络在滚动轴承故障诊断中的应用[J]. 东北大学学报（自然科学版）, 2024, 45(11): 1587-1594.

Zhi-jin ZHANG, He LI, Yu-shi HUANG, Wen-xue WANG. Application of Deep Residual Shrinkage Network in Rolling Bearing Fault Diagnosis[J]. Journal of Northeastern University(Natural Science), 2024, 45(11): 1587-1594.

图/表 13

图1 残差学习的结构

Fig.1 Structure of the residual learning

图2 DRSN的整体结构

Fig.2 Overall structure of DRSN

图3 RSBU的整体结构

Fig.3 Overall structure of RSBU

图4 注意力模块的结构

Fig.4 Structure of the attention module

图5 基于池化融合的注意力模块结构

Fig.5 Structure of the attention module based on pooling fusion

图6 基于DRSN-PF的滚动轴承故障诊断流程

Fig.6 Fault diagnosis flowchart of rolling bearing based on DRSN-PF

图7 CWRU的实验台

Fig.7 Experiment bench of CWRU

表1 CWRU数据集的详细描述

Table 1 Detailed description of the CWRU dataset

标签	故障状态（直径/mm）	训练样本	测试样本
0	正常	2 800	200
1	外圈故障（0.177 8）	2 800	200
2	外圈故障（0.355 6）	2 800	200
3	外圈故障（0.533 4）	2 800	200
4	内圈故障（0.177 8）	2 800	200
5	内圈故障（0.355 6）	2 800	200
6	内圈故障（0.533 4）	2 800	200
7	滚动体故障（0.177 8）	2 800	200
8	滚动体故障（0.355 6）	2 800	200
9	滚动体故障（0.533 4）	2 800	200

表2 DRSN-PF的网络结构

Table 2 Network structure of DRSN-PF

模块名称	模块数量	卷积核的数量，卷积核的尺寸，步长	输出尺寸
Conv	1	（4，3，2）	4×200×1
RSBU	1	（4，3，2）	4×100×1
RSBU	1	（4，3，1）	4×100×1
RSBU	1	（8，3，2）	8×50×1
RSBU	1	（8，3，1）	8×50×1
RSBU	1	（16，3，2）	16×25×1
RSBU	1	（16，3，2）	16×25×1
BN，ReLU，GAP FC	1 1	— —	16 10

图8 4种方法在不同信噪比条件下的诊断结果

Fig.8 Diagnostic results of four methods under different SNR conditions

图9 不同方法的混淆矩阵（SNR=-4 dB）（a）―CNN；（b）―ResNet；（c）―DRSN；（d）―DRSN-PF.

Fig.9 Confusion matrix for different methods （SNR=-4 dB）

图10 不同方法的特征可视化（SNR=-4 dB）（a）―CNN；（b）―ResNet；（c）―DRSN；（d）―DRSN-PF.

Fig.10 Feature visualization for different methods （SNR=-4 dB）

图11 不同方法的训练损失与测试损失曲线（SNR=-4 dB）（a）―训练曲线；（b）―测试曲线.

Fig.11 Training loss and test loss curves for different methods （SNR=-4 dB）

参考文献 16

1	Zhao H M， Liu H D， Jin Y，et al.Feature extraction for data‑driven remaining useful life prediction of rolling bearings［J］.IEEE Transactions on Instrumentation and Measurement，2021，70：3511910.
2	Shi H T， Shang Y J.Initial fault diagnosis of rolling bearing based on second‑order cyclic autocorrelation and DCAE combined with transfer learning［J］.IEEE Transactions on Instrumentation and Measurement，2065，71：3503818.
3	Cheng Y W， Lin M X， Wu J，et al.Intelligent fault diagnosis of rotating machinery based on continuous wavelet transform‑local binary convolutional neural network［J］.Knowledge‑Based Systems，2021，216：106796.
4	Ni Q， Ji J C， Feng K，et al.A fault information‑guided variational mode decomposition （FIVMD） method for rolling element bearings diagnosis［J］.Mechanical Systems and Signal Processing，2022，164：108216.
5	王新刚，王超，韩凯忠.基于优化VMD和MCKD的滚动轴承早期故障诊断方法［J］.东北大学学报（自然科学版），2021，42（3）：373-380，388.
	Wang Xin‑gang， Wang Chao， Han Kai‑zhong.Early fault diagnosis method of rolling bearings based on optimization of VMD and MCKD［J］.Journal of Northeastern University （Natural Science），2021，42（3）：373-380，388.
6	罗忠，徐迪，李雷，等.基于改进二阶循环平稳解卷积的轴承故障检测方法［J］.东北大学学报（自然科学版），2021，42（5）：673-678.
	Luo Zhong， Xu Di， Li Lei，et al.Bearing fault detection based on improved CYCBD method［J］.Journal of Northeastern University （Natural Science），2021，42（5）：673-678.
7	Zhao X J， Qin Y， He C B，et al.Intelligent fault identification for rolling element bearings in impulsive noise environments based on cyclic correntropy spectra and LSSVM［J］.IEEE Access，2020，8：40925–40938.
8	Chen F F， Cheng M T， Tang B P，et al.A novel optimized multi‑kernel relevance vector machine with selected sensitive features and its application in early fault diagnosis for rolling bearings［J］.Measurement，2020，156：107583.
9	Van M， Hoang D T， Kang H J.Bearing fault diagnosis using a particle swarm optimization‑least squares wavelet support vector machine classifier［J］.Sensors，2020，20（12）：3422.
10	Chen Z Y， Mauricio A， Li W H，et al.A deep learning method for bearing fault diagnosis based on cyclic spectral coherence and convolutional neural networks［J］.Mechanical Systems and Signal Processing，2020，140：106683.
11	Jia F， Lei Y G， Lu N，et al.Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization［J］.Mechanical Systems and Signal Processing，2018，110：349-367.
12	Niu G X， Wang X， Golda M，et al.An optimized adaptive PReLU-DBN for rolling element bearing fault diagnosis［J］.Neurocomputing，2021，445：26-34.
13	Zhao H M， Yang X X， Chen B J，et al.Bearing fault diagnosis using transfer learning and optimized deep belief network［J］.Measurement Science and Technology，2022，33（6）：065009.
14	Meng Z， Zhan X Y， Li J，et al.An enhancement denoising autoencoder for rolling bearing fault diagnosis［J］.Measurement，2018，130：448-454.
15	Xiang Z， Zhang X N， Zhang W W，et al.Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto‑encoder［J］.Measurement，2019，138：162-174.
16	Zhao M H， Zhong S S， Fu X Y，et al.Deep residual shrinkage networks for fault diagnosis［J］.IEEE Transactions on Industrial Informatics，2020，16（7）：4681-4690.

[1]	刘炎, 卜齐杰, 赵红晨, 郭鑫. 基于多源异构信息的浮选过程运行状态评价[J]. 东北大学学报（自然科学版）, 2024, 45(9): 1217-1226.
[2]	刘伟嵬, 邱佳鹤, 胡光大, 刘泽远. 基于改进YOLOv5的退役轴类零件表面损伤检测方法[J]. 东北大学学报（自然科学版）, 2024, 45(7): 1002-1010.
[3]	王宏伟, 李磊, 刘晨宇, 汪洵. 基于变参数模型的智能车辆转向执行器故障诊断[J]. 东北大学学报（自然科学版）, 2024, 45(7): 913-920.
[4]	田岸霖, 雷为民, 张鹏, 张伟. 一种基于编解码结构的多尺度边缘检测方法[J]. 东北大学学报（自然科学版）, 2024, 45(7): 936-943.
[5]	郭立新, 毕素涛, 赵明扬. 基于改进YOLOv4轻量化网络的机械手状态检测算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 769-775.
[6]	马原, 佘黎煌, 李佳蔚, 鲍喜荣. 基于注意力机制的自适应图卷积三维点云识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 786-792.
[7]	冯虎, 宋克臣, 崔文琦, 颜云辉. 基于元学习的带钢表面缺陷小样本语义分割[J]. 东北大学学报（自然科学版）, 2024, 45(3): 354-360.
[8]	郝博, 徐新岩, 赵玉欣, 闫俊伟. 基于改进YOLOv8的铆接孔表面缺陷检测[J]. 东北大学学报（自然科学版）, 2024, 45(11): 1595-1603.
[9]	刘梦园, 吴朝霞, 王金杨, 閤光磊. 基于TST-LSTM模型的烧结料层透气性预测[J]. 东北大学学报（自然科学版）, 2024, 45(10): 1379-1385.
[10]	孙颖, 周雅茹, 张雪英. 融合功能性副语言比例系数的语音情感识别[J]. 东北大学学报（自然科学版）, 2024, 45(1): 40-48.
[11]	姜杨，刘成，丁其川，王力. 基于双注意力机制的COVID-19病灶CT图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1259-1268.
[12]	周嵩，高天寒. 基于注意力机制RNN模型的癫痫患者脑电信号识别方法[J]. 东北大学学报（自然科学版）, 2023, 44(8): 1098-1103.
[13]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[14]	陈城，史培新，王占生，贾鹏蛟. 基于融合多注意力机制的深度学习的盾构荷载预测方法[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1631-1638.
[15]	王宏伟，张昊天，韩杰，刘晨宇. 不确定车辆电子稳定控制系统传感器故障估计[J]. 东北大学学报（自然科学版）, 2023, 44(1): 1-8.