机电设备诊断与维修技术 快手一元3000粉丝

客服   拼多多砍价dy抖音ks快手 自助商城点击进入

背景：

基于信号处理的特征提取+分类器的传统智能诊断算法，对专家经验要求高，设计耗时且不能保证通用性，已经不能满足机械大数据的要求。提出使用基于卷积神经网络智能诊断算法来自动完成特征提取以及故障识别。

挑战：

机电产品故障诊断面临的挑战，有三大特点：

（1）数据量大，专业分析人员的数量严重不足，仅依靠人力进行检测已不能满足要求，亟需能够进行自动诊断的智能算法。

（2）数据类型多样化，每条数据来源于不同机械设备，工况，以及物理位置，数据特征难挖掘，诊断的难度加大 。

（3）高速率情况下，装备中各零部件的联系更加紧密，一个零件的微小故障很可能引发连锁发应，致使整个设备瘫痪。

机械设备智能故障诊断算法研究现状：

机械设备故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在机械设备故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下机械设备故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。

智能诊断算法的研究存在以下几个问题：

1）在一个机械系统中表现很好的特征提取器与分类器组合，当装置变化时，不能保证其能否继续保持高识别率，即算法组合的通用性不能保证。

2）在进行故障诊断时，需要先分析机械系统的内在运行机理，再利用信号处理技术分析故障信号。这种做法，对设计人员的技术要求高，难度较大。

3）目前利用数据驱动的特征提取方法，需要预先对信号进行快速傅里叶变换或者小波变换，这种做法存在丢失重要时域特征的可能。

为了解决以上问题，最理想的方式是将特征提取与分类两个环节合二为一，这样不存在相互组合的难题，无需分析机械装置的内在机理，由于直接作用在原始信号上，也不会造成信息的缺失。

然而，卷积神经网络具有“端到端”的特点，即可以通过一个神经网络完成特征提取、特征降维与分类器分类这一整套过程。卷积神经网络的这个特点无疑弥补了当下故障诊断方式的不足，为故障诊断提供了一种崭新的研究思路。

如下图，为机械设备智能诊断算法步骤分解 ：

搭建卷积神经网络进行故障诊断（简称WDCNN）

WDCNN网络搭建的两个关键点：

1）WDCNN第一层为大卷积核，目的是为了提取短时特征，其作用与短时傅里叶变换类似。不同点在于，短时傅里叶变换的窗口函数是正弦函数，而 WDCNN 的第一层大卷积核，是通过优化算法训练得到，其优点是可以自动学习面向诊断的特征，而自动去除对诊断没有帮助的特征。

2）为了增强 WDCNN 的表达能力，除第一层外，其与卷积层的卷积核大小均为3×1。由于卷积核参数少机电设备诊断与维修技术，这样有利于加深网络，同时可以抑制过拟合。每层卷积操作之后均进行批量归一化处理 BN（Batch Normalization），然后进行 2×1 的最大值池化。

其中，BN目的是减少内部协变量转移，提高网络的训练效率，增强网络的泛化能力。

网络结构图如下：

网络结构参数表如下：

关于噪声与变载问题：

在实际的工业应用中，工作环境十分复杂，有两个问题在故障诊断领域值得关注：

1）工业现场的噪声无法避免，使用加速度计测得的振动信号易被污染，如何从含有噪声的信号中诊断出机械设备的故障成为众多学者研究的重点；

2）由于工作任务的变化，机器工作负载也会随之改变，如何利用在一个负载下的数据进行训练，对另一个负载下的信号进行诊断，是衡量智能诊断算法适应能力的重要指标。

针对问题1，信号被噪声严重污染，人眼几乎无法辨析出原型号的振动特征。因此，从带有噪声的信号中提取出有效的故障信息，难度很大。

针对问题2，工作负载的变化对一个机械系统很常见，当负载发生变化后，由传感器测得的信号也会发生变化。不同负载下，振动信号中特征的个数不相同，幅值大小也不一致，波动周期与相位差别也很大。以上情况会造成分类器对提取的特征无法进行正确归类，从而降低智能诊断系统的识别率。

解决方案：

结合AdaBN 算法。AdaBN是基于 BN 的领域自适应算法，主要用于图像识别领域。该算法使用目标领域样本在每一个 BN 层的均值与方差，替换原来 BN 层所使用的由源领域样本计算出的均值与方差。由于 BN 可以减少内部协变量，通过 BN 对源领域样本的作用机电设备诊断与维修技术，以及 AdaBN 对目标领域样本的作用，可以源领域与目标领域调整到一个新的分布空间，在此空间内，两者近似一致，从而达到领域自适应的目的。因为 WDCNN算法采用了 BN 算法，所以可以使用 AdaBN 算法来提高 WDCNN 模型的领域自适应能力，进而增强 WDCNN 模型在噪声以及负载变化的情况下的适应能力。