基于MTF和改进残差网络的轴承故障定量诊断方法

doi:10.12068/j.issn.1005-3026.2024.05.012

摘要/Abstract

摘要：

有别于目前滚动轴承故障诊断多集中在定性分析阶段，提出了一种使用图像分类的滚动轴承故障定量诊断方法.采用重叠采样方法，对一维时序数据进行数据增强，使用马尔可夫转换场（Markov transition field，MTF）方法将一维时序数据转换成二维图像，为输入到神经网络模型中提供二维图像样本并保留了时域信息，搭建和训练基于迁移学习微调处理的ResNeXt和ResNeSt改进残差网络，将故障图像进行分类并实现故障诊断.采用混淆矩阵和t分布领域嵌入（t?distributed stochastic neighbor embedding，t?SNE）可视化方法进行实验，结果表明，该滚动轴承故障定量诊断方法能够实现多工况滚动轴承故障的定量诊断，且具有诊断精度高和训练速度快的优点.

关键词: 轴承故障, 马尔可夫转换场, 残差网络, 迁移学习, 定量诊断

Abstract:

Different from the current rolling bearing fault diagnosis which mainly focuses on the qualitative analysis stage， a quantitative fault diagnosis method for rolling bearings based on image classification is proposed. The overlapping sampling method is used to enhance the one?dimensional time series data， and then the Markov transition field （MTF） method is used to convert the one?dimensional time series data into two?dimensional images， which provide two?dimensional image samples for inputting into the neural network model and retain the time?domain information. The ResNeXt and ResNeSt modified residual networks with fine?tuning processing based on transfer learning are built and trained to classify fault images and realize fault diagnosis. The confusion matrix method and t?distributed stochastic neighbor embedding（t?SNE） visualization method are used to carry out experiments. The results show that the proposed method for rolling bearing fault diagnosis can realize the quantitative diagnosis of multi?working condition rolling bearing fault， and has higher diagnosis accuracy and faster training speed.

Key words: bearing fault, Markov transition field （MTF）, residual network, transfer learning, quantitative diagnosis

中图分类号:

TP 277

李凌轩, 马振玮, 于泽峻, 邢壮. 基于MTF和改进残差网络的轴承故障定量诊断方法[J]. 东北大学学报（自然科学版）, 2024, 45(5): 697-706.

Ling-xuan LI, Zhen-wei MA, Ze-jun YU, Zhuang XING. Method for Bearing Fault Quantitative Diagnosis Based on MTF and Improved Residual Network[J]. Journal of Northeastern University(Natural Science), 2024, 45(5): 697-706.

图/表 18

图1 方法流程图

Fig.1 Method flow chart

图2 重叠采样示意图

Fig.2 Schematic diagram of overlapping sampling

图3 MTF转换过程

Fig.3 MTF transition process

图4 Inception模块

Fig.4 Inception block

图5 一般的残差连接结构

Fig.5 General residual connection structure

图6 ResNeXt残差模块结构

Fig.6 ResNeXt residual block structure

表1 ResNeXt网络结构

Table 1 ResNeXt network structure

模块	ResNeXt-50(32×4d)	输出
conv1	$7 × 7$ ,64, 步长2	112 $×$ 112
conv1	$3 × 3$ ,最大池化层, 步长2	112 $×$ 112
conv2	$1 × 1, 128 3 × 3, 128 C = 32 1 × 1, 256 × 3$	56 $×$ 56
conv3	$1 × 1, 256 3 × 3, 256 C = 32 1 × 1, 512 × 4$	28 $×$ 28
conv4	$1 × 1, 512 3 × 3, 512 C = 32 1 × 1, 1 ? 024 × 6$	14 $×$ 14
conv5	$1 × 1, 1 ? 024 3 × 3, 1 ? 024 C = 32 1 × 1, 2 ? 048 × 3$	7 $×$ 7
分类器	全局平均池化层，9维全连接层，Softmax	1 $×$ 1

表1 ResNeXt网络结构

Table 1 ResNeXt network structure

模块	ResNeXt-50(32×4d)	输出
conv1	$7 × 7$ ,64, 步长2	112 $×$ 112
conv1	$3 × 3$ ,最大池化层, 步长2	112 $×$ 112
conv2	$1 × 1, 128 3 × 3, 128 C = 32 1 × 1, 256 × 3$	56 $×$ 56
conv3	$1 × 1, 256 3 × 3, 256 C = 32 1 × 1, 512 × 4$	28 $×$ 28
conv4	$1 × 1, 512 3 × 3, 512 C = 32 1 × 1, 1 ? 024 × 6$	14 $×$ 14
conv5	$1 × 1, 1 ? 024 3 × 3, 1 ? 024 C = 32 1 × 1, 2 ? 048 × 3$	7 $×$ 7
分类器	全局平均池化层，9维全连接层，Softmax	1 $×$ 1

图7 ResNeSt残差模块结构

Fig.7 ResNeSt residual block structure

图8 拆分注意力层结构

Fig.8 Split attention layer structure

图9 微调策略示意图

Fig.9 Schematic diagram of fine‐tuning strategy

表2 负载和对应电机转速对应的3种工况 (to load and corresponding motor speed)

Table 2 Three working conditions corresponding

电动机负载/kW	电动机转速/（r·min^-1）
0.735	1 772
1.470	1 750
2.206	1 730

表3 轴承故障数据集划分

Table 3 Division of bearing fault data set

状态	故障程度/mm	训练集	验证集	类别标签
正常	—	400	50	0
滚动体	0.177 8	400	50	1
	0.355 6	400	50	2
	0.533 4	400	50	3
内圈	0.177 8	400	50	4
	0.355 6	400	50	5
	0.533 4	400	50	6
外圈	0.177 8	400	50	7
外圈	0.355 6	400	50	8

图10 MTF转换的图例（a）—正常轴承；（b）—0.177 8 mm滚动体故障轴承；（c）—0.355 6 mm滚动体故障轴承；（d）—0.533 4 mm滚动体故障轴承；（e）—0.177 8 mm内圈故障轴承；（f）—0.355 6 mm内圈故障轴承；（g）—0.533 4 mm内圈故障轴承；（h）—0.177 8 mm外圈故障轴承；（i）—0.355 6 mm外圈故障轴承.

Fig.10 Legends for MTF transition

图11 MTF‐ResNeXt模型损失和模型精度（a）—模型损失；（b）—准确率.

Fig.11 MTF‐ResNeXt model loss and model accuracy

图12 MTF‐ResNeSt模型损失和模型精度（a）—模型损失；（b）—准确率.

Fig.12 MTF‐ResNeSt model loss and model accuracy

图13 混淆矩阵（a）—MTF-ResNeXt混淆矩阵；（b）—MTF-ResNeSt混淆矩阵.

Fig.13 Confusion matrix

图14 MTF‐ResNeXt的T‐SNE可视化（a）—初始分布；（b）—训练后分布.

Fig.14 T‐SNE visualization of MTF‐ResNeXt

图15 MTF‐ResNeSt的T‐SNE可视化（a）—初始分布；（b）—训练后分布.

Fig.15 T‐SNE visualization of MTF‐ResNeSt

参考文献 20

1	Cocconcelli M， Zimroz R， Rubini R，et al.STFT based approach for ball bearing fault detection in a varying speed motor［C］//2nd International Conference on Condition Monitoring of Machinery in Non‑stationary Operations.Hammamet：Springer，2012：41-50.
2	Sun W， Yang G A， Chen Q，et al.Fault diagnosis of rolling bearing based on wavelet transform and envelope spectrum correlation［J］.Journal of Vibration and Control，2013，19（6）：924-941.
3	Huang N E， Shen Z， Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non‐stationary time series analysis ［J］.Proceedings of the Royal Society of London.Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.
4	Yu D J， Cheng J S， Yang Y.Application of EMD method and Hilbert spectrum to the fault diagnosis of roller bearings［J］.Mechanical Systems and Signal Processing，2005，19（2）：259-270.
5	甄冬，田少宁，郭俊超，等.改进型EEMD和MSB解调方法及其在轴承故障特征提取中的应用［J］.振动工程学报，2023，36（5）：1447-1456.
	Zhen Dong， Tian Shao‐ning， Guo Jun‐chao，et al.An improved decomposition method using EEMD and MSB and its application in rolling bearing fault feature extraction［J］.Journal of Vibration Engineering，2023，36（5）：1447-1456.
6	Wu Z H， Huang N E.Ensemble empirical mode decomposition：a noise‐assisted data analysis method［J］.Advances in Adaptive Data Analysis，2009，1（1）：1-41.
7	崔玲丽，刘银行，王鑫.基于改进奇异值分解的滚动轴承微弱故障特征提取方法［J］.机械工程学报，2022，58（17）：156-169.
	Cui Ling‐li， Liu Yin‐hang， Wang Xin.Feature extraction of weak fault for rolling bearing based on improved singular value decomposition［J］.Journal of Mechanical Engineering，2022，58（17）：156-169.
8	Gu R， Chen J， Hong R J，et al.Incipient fault diagnosis of rolling bearings based on adaptive variational mode decomposition and Teager energy operator［J］.Measurement，2020，149：106941.
9	Shenfield A， Howarth M.A novel deep learning model for the detection and identification of rolling element‐bearing fault［J］.Sensors，2020，20（18）：5112.
10	Fu W L， Zhou J Z， Zhang Y C.Fault diagnosis for rolling element bearings with VMD time‑frequency analysis and SVM［C］//2015 Fifth International Conference on Instrumentation and Measurement，Computer，Communication and Control （IMCCC）.Qinhuangdao，2015：69-72.
11	路敦利，宁芊，杨晓敏.KNN-朴素贝叶斯算法的滚动轴承故障诊断［J］.计算机测量与控制，2018，26（6）：21-23，27.
	Lu Dun‐li， Ning Qian， Yang Xiao‐min.Fault diagnosis of rolling bearing based on KNN‐naive Bayesian algorithm［J］.Computer Measurement and Control，2018，26（6）：21-23，27.
12	Eren L， Ince T， Kiranyaz S.A generic intelligent bearing fault diagnosis system using compact adaptive 1D CNN classifier［J］.Journal of Signal Processing Systems，2019，91（2）：179-189.
13	Liu C Y， Gryllias K.Simulation‐driven domain adaptation for rolling element bearing fault diagnosis［J］.IEEE Transactions on Industrial Informatics，2022，18（9）：5760-5770.
14	王太勇，王廷虎，王鹏，等.基于注意力机制BiLSTM的设备智能故障诊断方法［J］.天津大学学报（自然科学与工程技术版），2020，53（6）：601-608.
	Wang Tai‐yong， Wang Ting‐hu， Wang Peng，et al.An intelligent fault diagnosis method based on attention‐based bidirectional LSTM network［J］.Journal of Tianjin University（Science and Technology），2020，53（6）：601-608
15	张伟.基于卷积神经网络的轴承故障诊断算法研究［D］.哈尔滨：哈尔滨工业大学，2017.
	Zhang Wei.Study on bearing fault diagnosis algorithm based on convolutional neural network［D］.Harbin：Harbin Institute of Technology，2017.
16	Wang Z G， Oates T.Encoding time series as images for visual inspection and classification using tiled convolutional neural networks［C］//Workshops at the Twenty‐Ninth AAAI Conference on Artificial Intelligence.Austin，2015：275970614.
17	Xie S N， Girshick R， Dollár P，et al.Aggregated residual transformations for deep neural networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu：IEEE，2017：5987-5995.
18	Zhang H， Wu C R， Zhang Z Y，et al.ResNeSt：split‐attention networks［C］// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshop（CVPR）.New Orleans：IEEE，2022：2735-2745.
19	Yosinski J， Clune J， Bengio Y，et al.How transferable are features in deep neural networks［C］//28th Conference on Neural Information Processing Systems （NIPS）.Montreal，2014：8-13.
20	Case Western Reserve University Bearing Data Center.Data file［EB/OL］.（2018-06-10）［2021-03-10］..

[1]	赵海，王相，施瀚，陈佳伟. 一种应用于脑电情感识别的迁移学习框架[J]. 东北大学学报（自然科学版）, 2023, 44(7): 913-921.
[2]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[3]	侯东晓，穆金涛，方成，时培明. 基于GADF与引入迁移学习的ResNet34对变速轴承的故障诊断[J]. 东北大学学报（自然科学版）, 2022, 43(3): 383-389.
[4]	王新刚，韩凯忠，王超，李林. 基于迁移学习的轴承剩余使用寿命预测方法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 665-672.
[5]	王姝，关展旭，王晶，孙晓辉. 基于迁移学习的贝叶斯网络参数学习方法[J]. 东北大学学报（自然科学版）, 2021, 42(4): 509-515.
[6]	方亮，周云，唐志泉. 基于优化的残差网络的锈蚀钢筋图像分类[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1625-1633.
[7]	王鑫，王翠荣，王聪，苑迎. 双通道多感知卷积神经网络图像超分辨率重建[J]. 东北大学学报:自然科学版, 2020, 41(11): 1564-1570.
[8]	徐礼胜，张闻勖，庞宇轩，吴承暘. 基于短时心电信号的疲劳驾驶检测算法[J]. 东北大学学报:自然科学版, 2019, 40(7): 937-941.
[9]	齐林，吕旭阳，杨本强，徐礼胜. 基于全卷积网络迁移学习的左心室内膜分割[J]. 东北大学学报:自然科学版, 2018, 39(11): 1577-1582.