基于优化堆叠降噪自编码器的滚动轴承故障诊断

doi:10.13229/j.cnki.jdxbgxb20210415

摘要/Abstract

摘要：

针对深度神经网络用于滚动轴承故障诊断时，网络隐含层层数、各隐含层节点数、稀疏系数以及输入数据置零比例等超参数会直接影响网络诊断性能的问题，提出了一种优化改进堆叠降噪自编码器（SDAE）的滚动轴承故障智能诊断方法。使用学生心理优化算法（SPBO）对降噪自编码器（DAE）网络的超参数进行自适应选取来确定SDAE网络的最优结构和参数，据此提取具有更强表征力的故障状态特征表示，输入到soft-max分类器实现滚动轴承运行工况的精确诊断。使用3个开源数据集对所提网络的性能进行验证，实验结果表明，基于SPBO-SDAE网络的诊断方法在特征有效提取、诊断速度以及故障诊断准确率方面均优于支持向量机（SVM）、反向传播（BP）神经网络、径向基（RBF）神经网络、SDAE网络、SPBO优化后的深度置信网络（DBN）、遗传算法（GA）优化后的SDAE网络以及粒子群算法（PSO）优化后的SDAE网络。

关键词: 故障诊断, 滚动轴承, 堆叠降噪自编码器, 超参优化, 特征提取

Abstract:

In view of the problem that hyper parameters such as the number of hidden layers， the number of nodes in each hidden layer， the sparse coefficient and the dropout ratio of input data will directly affect the diagnosis performance of the network when deep neural network is used for rolling bearing fault diagnosis， an intelligent fault diagnosis method of rolling bearing based on optimized and improved stacked denoising auto encoders （SDAE） was proposed. The student psychology based optimization （SPBO） algorithm was used to adaptively select the hyper parameters of the denoising auto encoder （DAE） network to determine the optimal structure and parameters of SDAE network. Then the fault state features with stronger representation was extracted and input to soft-max classifier to achieve accurate diagnosis of rolling bearing operating conditions. Three open source datasets are used to verify the performance of the proposed network， the results illustrate that the diagnosis method based on SPBO-SDAE network is superior to support vector machine （SVM）， back propagation （BP） neural network， radial basis function （RBF） neural network， traditional SDAE network， SPBO based deep belief network （DBN）， genetic algorithm （GA） based SDAE network and particle swarm optimization （PSO） based SDAE network in feature extraction， diagnosis speed and fault diagnosis accuracy.

Key words: fault diagnosis, rolling bearing, stacked denoising auto encoders, hyperparametric optimization, feature extraction

中图分类号:

TP277

杜先君,贾亮亮. 基于优化堆叠降噪自编码器的滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(12): 2827-2838.

Xian-jun DU,Liang-liang JIA. Fault diagnosis of rolling bearing based on optimized stacked denoising auto encoders[J]. Journal of Jilin University(Engineering and Technology Edition), 2022, 52(12): 2827-2838.

图/表 20

图1

图2

图3

图4

图5

图6

图7

表1

表2

SPBO优化SDAE网络超参数（CWRU数据集）"

SPBO编码	参数	符号	取值
$X i 1$	第1个隐含层节点数	$m 1$	46
$X i 2$	第2个隐含层节点数	$m 2$	98
$X i 3$	第3个隐含层节点数	$m 3$	32
$X i 4$	第1个隐含层稀疏系数	$ρ 1$	0.2497
$X i 5$	第2个隐含层稀疏系数	$ρ 2$	0.3216
$X i 6$	第3个隐含层稀疏系数	$ρ 3$	0.1415
$X i 7$	输入数据置零比例	$P$	0.05

表2

图8

表3

表4

SPBO优化SDAE网络超参数（PU数据集）"

SPBO编码	参数	符号	取值
$X i 1$	第1个隐含层节点数	$m 1$	83
$X i 2$	第2个隐含层节点数	$m 2$	67
$X i 3$	第3个隐含层节点数	$m 3$	42
$X i 4$	第1个隐含层稀疏系数	$ρ 1$	0.2684
$X i 5$	第2个隐含层稀疏系数	$ρ 2$	0.3317
$X i 6$	第3个隐含层稀疏系数	$ρ 3$	0.1514
$X i 7$	输入数据置零比例	$P$	0.04

表4

图9

表5

表6

SPBO优化SDAE网络超参数（MFPT数据集）"

SPBO编码	参数	符号	取值
$X i 1$	第1个隐含层节点数	$m 1$	61
$X i 2$	第2个隐含层节点数	$m 2$	57
$X i 3$	第3个隐含层节点数	$m 3$	31
$X i 4$	第1个隐含层稀疏系数	$ρ 1$	0.2315
$X i 5$	第2个隐含层稀疏系数	$ρ 2$	0.2706
$X i 6$	第3个隐含层稀疏系数	$ρ 3$	0.2820
$X i 7$	输入数据置零比例	$P$	0.07

表6

图10

表7

图11

图12

图13

参考文献 25

1	Shifat T A, Hur J W. ANN assisted multi sensor information fusion for BLDC motor fault diagnosis[J]. IEEE Access, 2021, 9: 9429-9441.
2	Li J, Yao X, Wang X, et al. Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis[J]. Measurement, 2019, 153: No.107419.
3	Zhou J, Wang F, Zhang C, et al. Evaluation of rolling bearing performance degradation using wavelet packet energy entropy and RBF neural network[J]. Symmetry, 2019, 11(8): 1064-1074.
4	张鑫, 郭顺生, 李益兵, 等. 基于拉普拉斯特征映射和深度置信网络的半监督故障识别[J]. 机械工程学报, 2020, 56(1): 83-95.
	Zhang Xin, Guo Shun-sheng, Li Yi-bing, et al. Semi-supervised fault identification based on laplacian feature map and deep confidence network[J]. Journal of Mechanical Engineering, 2020, 56(1): 83-95.
5	文成林, 吕菲亚. 基于深度学习的故障诊断方法综述[J]. 电子与信息学报, 2020, 42(1): 234-248.
	Wen Cheng-lin, Fei-ya Lü. Review of fault diagnosis methods based on deep learning[J]. Journal of Electronics & Information Technology, 2020, 42(1): 234-248.
6	Han S, Oh S, Jeong J. Bearing fault diagnosis based on multiscale convolutional neural network using data augmentation[J]. Journal of Sensors, 2021, 2021(1): 1-14.
7	Feng J, Yao Y, Lu S, et al. Domain knowledge-based deep-broad learning framework for fault diagnosis[J]. IEEE Transactions on Industrial Electronics, 2020, 68(4): 3454-3464.
8	Xing S, Lei Y, Wang S, et al. Distribution-invariant deep belief network for intelligent fault diagnosis of machines under new working conditions[J]. IEEE Transactions on Industrial Electronics, 2020, 68(3): 2617-2625.
9	He J, Ouyang M, Yong C, et al. A novel intelligent fault diagnosis method for rolling bearing based on integrated weight strategy features learning[J]. Sensors, 2020, 20(6): No.1774.
10	Liu S, Jiang H, Wu Z, et al. Rolling bearing fault diagnosis using variational autoencoding generative adversarial networks with deep regret analysis[J]. Measurement, 2021, 168: No.108371.
11	Xu F, Tse P W. Automatic roller bearings fault diagnosis using DSAE in deep learning and CFS algorithm[J]. Soft Computing, 2019, 23(13): 5117-5128.
12	Shao Hai-dong, Jiang Hong-kai, Li Xing-qiu, et al. Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine[J]. Knowledge-Based Systems, 2018, 140(15): 1-14.
13	Shin H C, Orton M R, Collins D J, et al. Stacked autoencoders for unsupervised feature learning and multiple organ detection in a pilot study using 4D patient data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 35(8): 1930-1943.
14	雷亚国, 贾峰, 周昕, 等. 基于深度学习理论的机械装备大数据健康监测方法[J]. 机械工程学报, 2015, 51(21): 49-56.
	Lei Ya-guo, Jia Feng, Zhou Xin, et al. Big data health monitoring method of mechanical equipment based on deep learning theory[J]. Journal of Mechanical Engineering, 2015, 51(21): 49-56.
15	Suk H I, Lee S W, Shen D. Latent feature representation with stacked auto-encoder for AD/MCI diagnosis[J]. Brain Structure and Function, 2015, 220(2): 841-859.
16	Hong C, Yu J, Wan J, et al. Multimodal deep autoencoder for human pose recovery[J]. IEEE Transactions on Image Processing, 2015, 24(12): 5659-5670.
17	Vincent P, Larochelle H, Lajoie I, et al. Stacked denoising autoencoders:learning useful representations in a deep network with a local denoising criterion[J]. Journal of Machine Learning Research, 2010, 11(12): 3371-3408.
18	Arablouei R, Werner S, Doğançay K. Analysis of the gradient-descent total least-squares adaptive filtering algorithm[J]. IEEE Transactions on Signal Processing, 2014, 62(5): 1256-1264.
19	Das B, Mukherjee V, Das D. Student psychology based optimization algorithm: a new population based optimization algorithm for solving optimization problems[J]. Advances in Engineering Software, 2020, 146: No.102804.
20	Ranaee V, Ebrahimzadeh A, Ghaderi R. Application of the PSO–SVM model for recognition of control chart patterns[J]. ISA Transactions, 2010, 49(4): 577-586.
21	Al-Faisal H R, Ahmad I, Salman A A, et al. Adaptation of population size in sine cosine algorithm[J]. IEEE Access, 2021, 9: 25258-25277.
22	Smith W A, Randall R B. Rolling element bearing diagnostics using the case western reserve university data: a benchmark study[J]. Mechanical Systems and Signal Processing, 2015, 64: 100-131.
23	Hasan B M. Current based condition monitoring of electromechanical systems. Model-free drive system current monitoring: faults detection and diagnosis through statistical features extraction and support vector machines classification[D]. Bradford: School of Engineering Design and Technology, University of Bradford, 2013.
24	Lee D, Siu V, Cruz R, et al. Convolutional neural net and bearing fault analysis[C]∥Proceedings of the International Conference on Data Science (ICDATA). The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing, Lavasa City, Pune, 2016: 194-200.
25	Zhang X, Li J, Cai Z, et al. Over-fitting suppression training strategies for deep learning-based atrial fibrillation detection[J]. Medical & Biological Engineering & Computing, 2021, 59(1): 165-173.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

标签	故障类型	故障位置	故障直径/cm	故障程度
1	Norm	无	0	正常
2	B07	滚动体	0.017 78	轻度
3	B14	滚动体	0.035 56	中度
4	B21	滚动体	0.053 34	重度
5	IR07	内圈	0.017 78	轻度
6	IR14	内圈	0.035 56	中度
7	IR21	内圈	0.053 34	重度
8	OR07	外圈	0.017 78	轻度
9	OR14	外圈	0.035 56	中度
10	OR21	外圈	0.053 34	重度

标签	故障类型	故障位置	故障描述
1	K001	无	正常
2	K002	无	正常
3	K003	无	正常
4	K004	无	正常
5	KA01	外圈	人为损坏
6	KA03	外圈	人为损坏
7	KI01	内圈	人为损坏
8	KI03	内圈	人为损坏
9	KA04	外圈	真实损坏
10	KA15	外圈	真实损坏
11	KI04	内圈	真实损坏
12	KI14	内圈	真实损坏

标签	故障类型	故障位置	负载/kg
1	baseline_1	无	122
2	baseline_1	无	122
3	baseline_1	无	122
4	OR_1	外圈	11
5	OR_2	外圈	23
6	OR_3	外圈	45
7	IR_1	内圈	0
8	IR_2	内圈	23
9	IR_3	内圈	45

网络	训练准确率/%	测试准确率/%	训练时间/s	测试时间/s
BP	91.12	91.03	6.86	5.62
RBF	92.31	91.86	7.86	6.43
SVM	85.67	84.89	10.47	4.35
SPBO-DBN	93.23	93.14	45.37	8.55
3层SDAE	95.97	95.14	23.98	5.77
GA-SDAE	97.54	97.08	31.22	8.96
PSO-SDAE	96.89	96.21	28.35	7.61
SPBO-SDAE	99.82	99.30	24.31	5.93

[1]	欧阳丹彤,孙睿,田新亮,高博涵. 基于集合阻塞的不确定系统中传感器选择方法[J]. 吉林大学学报(工学版), 2023, 53(2): 547-554.
[2]	周怡娜,董宏丽,张勇,路敬祎. 基于VMD去噪和散布熵的管道信号特征提取方法[J]. 吉林大学学报(工学版), 2022, 52(4): 959-969.
[3]	罗巍,卢博,陈菲,马腾. 基于PSO-SVM及时序环节的数控刀架故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 392-399.
[4]	高文志,王彦军,王欣伟,张攀,李勇,董阳. 基于卷积神经网络的柴油机失火故障实时诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 417-424.
[5]	王进花,胡佳伟,曹洁,黄涛. 基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 318-328.
[6]	董绍江,朱朋,裴雪武,李洋,胡小林. 基于子领域自适应的变工况下滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 288-295.
[7]	李国发,王彦博,何佳龙,王继利. 机电装备健康状态评估研究进展及发展趋势[J]. 吉林大学学报(工学版), 2022, 52(2): 267-279.
[8]	曹洁,马佳林,黄黛麟,余萍. 一种基于多通道马尔可夫变迁场的故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 491-496.
[9]	邓飞跃,吕浩洋,顾晓辉,郝如江. 基于轻量化神经网络Shuffle⁃SENet的高速动车组轴箱轴承故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 474-482.
[10]	张龙,徐天鹏,王朝兵,易剑昱,甄灿壮. 基于卷积门控循环网络的齿轮箱故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 368-376.
[11]	陈晓雷,孙永峰,李策,林冬梅. 基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 296-309.
[12]	曹洁,何智栋,余萍,王进花. 数据不平衡分布下轴承故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(11): 2523-2531.
[13]	戴礼灿,代翔,崔莹,魏永超. 基于深度集成学习的社交网络异常数据挖掘算法[J]. 吉林大学学报(工学版), 2022, 52(11): 2712-2717.
[14]	陈菲,杨峥,张志成,罗巍. 面向无标签数据的旋转机械故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(11): 2514-2522.
[15]	欧阳宁,李祖锋,林乐平. 基于多层次空⁃谱融合网络的高光谱图像分类[J]. 吉林大学学报(工学版), 2022, 52(10): 2438-2446.