留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

张立智 井陆阳 徐卫晓 谭继文

张立智, 井陆阳, 徐卫晓, 谭继文. CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究[J]. 机械科学与技术, 2019, 38(10): 1582-1588. doi: 10.13433/j.cnki.1003-8728.20190023
引用本文: 张立智, 井陆阳, 徐卫晓, 谭继文. CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究[J]. 机械科学与技术, 2019, 38(10): 1582-1588. doi: 10.13433/j.cnki.1003-8728.20190023
Zhang Lizhi, Jing Luyang, Xu Weixiao, Tan Jiwen. A Composite Fault Diagnosis Method of Gearbox Combining with Convolution Neural Network and D-S Evidence Theory[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(10): 1582-1588. doi: 10.13433/j.cnki.1003-8728.20190023
Citation: Zhang Lizhi, Jing Luyang, Xu Weixiao, Tan Jiwen. A Composite Fault Diagnosis Method of Gearbox Combining with Convolution Neural Network and D-S Evidence Theory[J]. Mechanical Science and Technology for Aerospace Engineering, 2019, 38(10): 1582-1588. doi: 10.13433/j.cnki.1003-8728.20190023

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

doi: 10.13433/j.cnki.1003-8728.20190023
基金项目: 

国家自然科学基金项目 51475249

山东省重点研发计划项目 2018GGX103016

山东省高等学校科技计划项目 J15LB10

详细信息
    作者简介:

    张立智(1995-), 硕士研究生, 研究方向为机械无损检测与故障诊断, 1067110958@qq.com

    通讯作者:

    井陆阳, 讲师, 博士, 8785515632@qq.com

  • 中图分类号: TH16

A Composite Fault Diagnosis Method of Gearbox Combining with Convolution Neural Network and D-S Evidence Theory

  • 摘要: 针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。
  • 图  1  经典深度卷积模型结构图

    图  2  D-S证据理论中证据区间的描述

    图  3  CNN和D-S证据理论模型流程图

    图  4  BP神经网络和D-S证据理论模型流程图

    图  5  PHM2009故障数据集实验台

    图  6  齿轮箱传动示意图

    图  7  齿轮箱内部结构图

    图  8  原始数据与提取的特征PCA分析图

    表  1  复合故障分类及其故障状态信息

    故障类别 齿轮1 齿轮2 齿轮3 轴承1 轴承2 轴承3 输入轴转轴 输出轴转轴
    1 正常 正常 正常 正常 正常 正常 正常 正常
    2 纵向剥落 点蚀 正常 正常 正常 正常 正常 正常
    3 正常 点蚀 正常 正常 正常 正常 正常 正常
    4 正常 点蚀 断齿 滚动体故障 正常 正常 正常 正常
    5 纵向剥落 点蚀 断齿 内圈故障 滚动体故障 外圈故障 正常 正常
    6 正常 正常 断齿 内圈故障 滚动体故障 外圈故障 不平衡 正常
    7 正常 正常 正常 内圈故障 正常 正常 正常 键剪断
    8 正常 正常 正常 正常 滚动体故障 外圈故障 不平衡 正常
    下载: 导出CSV

    表  2  模型参数测试结果

    组别 输入数据长度 滤波器尺寸 滤波器个数 正确率/%
    1 1024 16 10、15 51.46
    2 1024 32 10、15 55.42
    3 1024 64 10、15 66.25
    4 1024 128 10、15 55.21
    5 2048 16 10、15 44.58
    6 2048 32 10、15 68.75
    7 2048 64 10、15 69.16
    8 2048 128 10、15 82.91
    9 2048 256 10、15 71.25
    下载: 导出CSV

    表  3  CNN模型最终参数

    层数 结构类型 参数
    1 卷积层 滤波器尺寸128, 滤波器个数10
    2 池化层 池化块尺寸2
    3 卷积层 滤波器尺寸128, 滤波器个数15
    4 池化层 池化块尺寸2
    5 全连接层 激活函数 Relu, 节点数10
    6 Softmax 分类数8
    下载: 导出CSV

    表  4  CNN网络与BP神经网络故障诊断正确率

    网络
    类型
    传感器
    类别
    测试
    组数
    正确率/% 平均
    正确率/%
    深度卷积网络 1 240 76.67 78.96
    2 240 81.25
    BP神经网络 1 240 73.48 72.89
    2 240 72.30
    下载: 导出CSV

    表  5  两个深度卷积网络实际输出结果

    CNN 实际输出 期望组别 诊断组别 结果
    网络1 0.91693 0.01614 0.05847 0.00022 0.00018 0.00000 0.00540 0.00267 1 1
    0.00196 0.68290 0.30865 0.00079 0.00226 0.00000 0.00228 0.00116 2 2
    0.03155 0.00039 0.96792 0.00000 0.00000 0.00000 0.00007 0.00007 3 3
    0.10193 0.00077 0.12663 0.52960 0.00003 0.07439 0.05562 0.11101 4 4
    0.00215 0.47063 0.03778 0.10292 0.38234 0.00000 0.00001 0.00417 5 2 ×
    0.00290 0.00000 0.00152 0.02046 0.00000 0.77386 0.18275 0.01851 6 6
    0.05472 0.08768 0.22592 0.00325 0.00106 0.00001 0.62542 0.00194 7 7
    0.01407 0.04058 0.14334 0.68872 0.00817 0.00610 0.00026 0.09876 8 4 ×
    网络2 0.61256 0.00150 0.27435 0.00170 0.00649 0.00198 0.09804 0.00338 1 1
    0.09010 0.66193 0.20597 0.00448 0.03605 0.00028 0.00110 0.00009 2 2
    0.19378 0.00008 0.80609 0.00000 0.00002 0.00000 0.00003 0.00000 3 3
    0.04457 0.00010 0.43495 0.41977 0.00970 0.00720 0.00318 0.08052 4 3 ×
    0.04634 0.00598 0.62836 0.00982 0.30166 0.00000 0.00028 0.00757 5 3 ×
    0.00819 0.00000 0.00062 0.00035 0.00000 0.85036 0.13337 0.00710 6 6
    0.15673 0.00001 0.08389 0.00020 0.00022 0.00059 0.74414 0.01424 7 7
    0.00151 0.00000 0.00005 0.00016 0.00000 0.92520 0.03853 0.03456 8 6 ×
    下载: 导出CSV

    表  6  D-S证据理论融合结果

    期望组别 m(A1) m(A2) m(A3) m(A4) m(A5) m(A6) m(A7) m(A8) m(θ) 结果
    1 0.96938 0.00014 0.02904 0.00001 0.00003 0.00001 0.00138 0.00000 0.00000
    2 0.00000 0.94088 0.00018 0.00000 0.05894 0.00000 0.00000 0.00000 0.00000
    3 0.00117 0.00000 0.99883 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
    4 0.03861 0.00016 0.24770 0.67957 0.00236 0.01598 0.01092 0.00471 0.00000
    5 0.00200 0.04136 0.17229 0.01183 0.77251 0.00000 0.00001 0.00001 0.00000
    6 0.00028 0.00000 0.00003 0.00023 0.00000 0.95971 0.03975 0.00000 0.00000
    7 0.01898 0.00245 0.04387 0.00009 0.00003 0.00000 0.93457 0.00000 0.00000
    8 0.02265 0.00019 0.11785 0.48140 0.00359 0.22686 0.01343 0.13403 0.00000 ×
    下载: 导出CSV
  • [1] 俞昆, 谭继文, 李善.基于多传感器信息融合的滚动轴承故障诊断研究[J].仪表技术与传感器, 2016(7):97-102, 107 doi: 10.3969/j.issn.1002-1841.2016.07.027

    Yu K, Tan J W, Li S. Rolling bearing fault diagnosis research based on multi-sensor information fusion[J]. Instrument Technique and Sensor, 2016(7):97-102, 107(in Chinese) doi: 10.3969/j.issn.1002-1841.2016.07.027
    [2] 徐卫晓, 谭继文, 文妍.基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究[J].机床与液压, 2014, 42(23):188-191 doi: 10.3969/j.issn.1001-3881.2014.23.045

    Xu W X, Tan J W, Wen Y. Study on fault diagnosis methods of rolling bearing based on BP neural network and D-S evidence theory[J]. Machine Tool & Hydraulics, 2014, 42(23):188-191(in Chinese) doi: 10.3969/j.issn.1001-3881.2014.23.045
    [3] LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444 doi: 10.1038/nature14539
    [4] 时永刚, 程坤, 刘志文.结合深度学习和支持向量机的海马子区图像分割[J].中国图象图形学报, 2018, 23(4):542-551 http://d.old.wanfangdata.com.cn/Periodical/zgtxtxxb-a201804009

    Shi Y G, Cheng K, Liu Z W. Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics, 2018, 23(4):542-551(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/zgtxtxxb-a201804009
    [5] Chen Z Q, Li C, Sanchez R V. Gearbox fault identification and classification with convolutional neural networks[J]. Shock and Vibration, 2015, 2015:390134 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Doaj000004007466
    [6] Li C, Sánchez R V, Zurita G, et al. Fault diagnosis for rotating machinery using vibration measurement deep statistical feature learning[J]. Sensors, 2016, 16(6):895 doi: 10.3390/s16060895
    [7] Jia F, Lei Y G, Lin J, et al. Deep neural networks:a promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data[J]. Mechanical Systems and Signal Processing, 2016, 72-73:303-315 doi: 10.1016/j.ymssp.2015.10.025
    [8] Li S B, Liu G K, Tang X H, et al. An ensemble deep convolutional neural network model with improved D-S evidence fusion for bearing fault diagnosis[J]. Sensors, 2017, 17(8):1729 doi: 10.3390/s17081729
    [9] Hoang D T, Kang H J. Deep belief network and dempster-shafer evidence theory for bearing fault diagnosis[C]//Proceedings of the 27th International Symposium on Industrial Electronics. Cairns, QLD, Australia: IEEE, 2018
    [10] Jing L Y, Zhao M, Li P, et al. A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox[J]. Measurement, 2017, 111:1-10 doi: 10.1016/j.measurement.2017.07.017
    [11] 李善, 谭继文, 俞昆.神经网络和改进D-S证据理论相结合的滚动轴承复合故障诊断研究[J].机床与液压, 2018, 46(1):153-157, 184 doi: 10.3969/j.issn.1001-3881.2018.01.032

    Li S, Tan J W, Yu K. Composite fault diagnosis research of rolling bearing based on combination of neural network and improved D-S evidence theory[J]. Machine Tool & Hydraulics, 2018, 46(1):153-157, 184(in Chinese) doi: 10.3969/j.issn.1001-3881.2018.01.032
    [12] Al-Atat H, Siegel D, Lee J. A systematic methodology for gearbox health assessment and fault classification[J]. International Journal of Prognostics and Health Management, 2011, 2(1):16 http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_398dbcb378a1f5a4cffaad6c78ebec80
    [13] Zhang C, Li P, Sun G Y, et al. Optimizing FPGA-based accelerator design for deep convolutional neural networks[C]//Proceedings of 2015 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays. Monterey, California, USA: ACM, 2015: 161-170
    [14] Jing L Y, Wang T Y, Zhao M, et al. An adaptive multi-sensor data fusion method based on deep convolutional neural networks for fault diagnosis of planetary gearbox[J]. Sensors, 2017, 17(2):414 doi: 10.3390/s17020414
    [15] 唐贵基, 杨玉婧, 宋彩萌.基于神经网络的旋转机械振动故障诊断[J].机械工程师, 2012(1):40-42 doi: 10.3969/j.issn.1002-2333.2012.01.014

    Tang G J, Yang Y J, Song C M. Fault diagnosis of rotating machinery vibration based on neural network[J]. Mechanical Engineer, 2012(1):40-42(in Chinese) doi: 10.3969/j.issn.1002-2333.2012.01.014
  • 加载中
图(8) / 表(6)
计量
  • 文章访问数:  374
  • HTML全文浏览量:  333
  • PDF下载量:  30
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-11-12
  • 刊出日期:  2019-10-05

目录

    /

    返回文章
    返回