基于多尺度卷积神经网络的故障诊断方法研究

　　电机作为各种生产领域内重要的动力设备，具有价格低廉、整体结构相对简单，较为可靠等优点，承担了现代工、农业生产过程中80%以上的动能输出[1]。尤其是在冶金、采矿、机械加工、轨道交通等工业生产领域，装机量巨大，应用广泛。电机及其相关的动力设备是企业的重要资产，其在运行过程中的可靠性和稳定性是保障机械设备长时间安全、稳定运行的关键[2]。若电机在设备运行过程中发生故障，会导致其出现运行不稳定，能耗急剧上升等状况，严重时甚至会造成电机及设备的损坏，进而影响到整个设备的正常运行，必须进行突发的停机维修，出现生产进度拖慢、经济损失等问题。电机的定期维护通常是针对电机的检查和保养，对减少电机的故障率具有一定的积极意义，但是存在维护、维修不足、盲目等问题[3]。同时，利用传感信号进行传统信号处理和阈值判断的方法，在环境复杂工业生产过程中力有未逮，并且由于故障早期特征微弱或受到噪声干扰，往往在发现故障时已经出现应对不及、电机损坏、生产停顿的情况，造成巨大的财产损失甚至是人员伤亡[4]。现代化工业设备的自动化、智能化发展要求，使得故障诊断技术不断革新，现阶段基于信号处理、人工智能等技术的智能故障诊断方法具有识别精度高、适应性强等优点，是故障诊断领域研究的热点问题[5]。在2015年提出的《中国制造2025》中，设备智能诊断技术被列为智能制造领域的重要相关技术之一，是实现智能设备安全、平稳运行的重要技术手段[6][7]。因此，对电机的故障机理进行分析并研究相关智能故障诊断方法，对于维持工业生产的安全、稳定、高效运行具有重要的现实意义。

　　目前，电机故障诊断技术通常可分为基于模型、基于信号处理和机器学习以及基于深度学习三种类别[8]。在故障诊断技术发展之初，人们对基于模型的故障诊断技术进行了较多研究，但是因其通常需要构建能够准确反映电机实际运行状态的数学模型，存在明显缺陷和较大困难。基于信号处理和机器学习的传统智能故障诊断技术具有良好的可操作性和识别效果，已经在故障诊断领域得到广泛应用。最近几年随着计算机、人工智能等信息技术不断取得突破，以及现代化工业发展要求，基于深度学习算法的智能化故障诊断技术得到了广泛关注和研究，是故障诊断领域中新兴的研究热点，正处于快速发展的过程中[9][10]。本课题以SIQ-MFS机械故障实验台为数据基础，针对现实生产过程中常见的多种电机故障类型，利用电机振动信号实现对电机故障方法的研究。在传统智能故障诊断方法的研究中，通常需要对采集的故障信号进行分析，从中提取到能够反映真实故障状态的特征，再进一步通过人为干预对特征进行筛选或者降维，最后通过模式识别算法得到诊断结果。在对电机故障的产生机理分析的基础上，利用EEMD方法对电机振动信号进行分析和特征提取，并提出一种基于改进调整互信息的特征选择方法用于故障诊断。针对传统智能故障诊断方法流程复杂、存在较多人为干预的问题，构建一维卷积多尺度特征融合框架，提出一种基于多尺度的一维卷积神经网络实现端到端式的智能化电机故障诊断。对于实际应用中常见的电机变工况和强噪声干扰问题，提出一种基于注意力机制的多尺度残差网络模型。实验结果表明，所提出的方法能够有效实现电机故障诊断，并在变工况和噪声干扰情形下具有良好的鲁棒性和诊断效果，对保障电机安全、平稳运行具有实际意义。

　　故障诊断是用于保障设备安全、平稳运行的重要技术手段，是多学科交叉的热门研究方向，正处于不断发展的过程之中。20世纪60年代，通过对电流、电压、振动频率、径向转速和轴径向磁通等参数监测研究电机故障特征，并采用阈值判断的方式实现故障诊断的目的[11]。众多研究人员以各种测量传感器为基础，采取不同的监测手段，结合信号处理、物联网以及人工智能技术针对及机械设备运行的多种参数和可能出现的运行状况，设计出了多种故障诊断方法，使得设备故障诊断技术得到了快速发展，电机故障诊断的精度和速度都得到了提升，对电机的安全运行起到了巨大的促进作用[12][13]。

　　在故障诊断技术的发展的早期阶段，相关研究和工程技术人员大多通过对设备生命周期中出现故障时的具体物理参数或损伤进行相应的记录和分析，从而依靠不断累积的经验知识对设备故障进行诊断。在传感、信号处理以及机器学习技术取得突破，不断发展的阶段，人们对设备的故障产生机理的研究愈发深入，通过信号处理技术对故障状态相关信号进行分析，并利用机器学习算法实现故障诊断，取得了较为诸多成果并得到了较为广泛的应用。随着深层网络训练问题的解决以及相关技术快速发展，深度学习算法由于具有强大的学习能力，能够实现故障诊断的自动化、智能化并具有良好的识别效果等诸多优点，因而其在故障诊断领域的研究和应用正处于快速发展中，是当前研究的热点。

　　目前，在研究基于信号处理和机器学习的故障诊断方法过程中，由于电机处于故障状态时，其振动信号会呈现复杂的非平稳、非线性特点，为了能够完整的反映信号中的故障特征，需要运用时频分析方法对其振动信号分布参数随时间的变化情况进行分析。在故障诊断过程中，通常利用短时傅里叶变换(Short-time Fourier Transform,STFT)、小波变换(Wavelet Transform,WT)、希尔伯特黄变换(Hilbert-Huang Transform，HHT)等时频分析方法对振动信号进行分析[14][15][16]，获取其中能够反映故障类型时频特性的信号序列，并通过多种方法计算其不同类型的统计特征，从而构建出故障特征集，用于电机故障诊断。辛玉等提出利用迭代经验小波包(EWT)对齿轮箱故障信号进行分析的基础上，利用多次迭代的互信息能量熵对分解得到的信号分量进行去噪和重构，最后采用稀疏滤波神经网络模型提取有效故障特征并实现故障诊断[17]。邓飞跃等针对强噪声环境下振动信号故障特征频率被噪声淹没的问题，提出一种自适应频率窗经验小波变换方法，通过频率窗口对信号频谱进行分割并自适应选择窗口位置，再利用经验小波包提取出故障早期特征[18]。裴峻峰等首先对轴承振动信号进行EEMD分解，在计算相关系数的基础上结合距离因子对IMF分量进行筛选并重构信号，从而消除原始信号中的噪声干扰，最后通过小波包及相关系数实现故障诊断[19]。Yacine Imaouchen等提出通过添加互补噪声对EMD方法进行改进，该方法在克服模态混叠问题的基础上，能够有效消除了算法过程中的噪声残留，提高了EEMD的计算效率。最后选择出故障特征相关的IMF分量重建信号，通过频率加权能量算子方法从选定的IMF中提取幅度和频率调制用于故障诊断[20]。在上述时频信号分析方法中，EMD方法具有直观、后验和自适应等多种特点，能够有效的将非平稳振动信号依次分解为不同频率的信号分量，是最为常用的时频分析方法之一。但是当待分解信号中包含多种不同频率的间断信号时，EMD分解会出现模态混叠问题，因此通常在实际应用中会通过噪声辅助分析等方法对EMD进行改进。

　　经过特征提取得到原始特征集如果包含多种统计特征可能存在特征冗余、维度过高的问题，通常需要采用相关降维方法对特征集维度进行约简，然后将低维特征集传递到分类算法中，达到降低故障诊断难度，提升故障识别准确率的目的[21]。常用的特征降维和方法包括主成分分析(Principal component analysis,PCA)、线性判别分析(Linear discriminant analysis,LDA)以及局部线性嵌入(Local linear embedding,LLE)等，已经在各个领域的到广泛应用[22][23][24][25]。张宇飞等首先利用原始振动信号提取出时域特征，结合利用小波包对信号进行分解并计算得到的能量比值，构建出特征集，然后通过PCA进行降维，去除冗余特征，最后采用SVM实现柴油机故障诊断[26]。魏永合等针对原始特征高维特征分布不均、冗余的问题，提出一种基于改进LLE的特征降维方法，增强了特征在低维空间的分离性，提升了滚动轴承的诊断准确率[27]。Li Dan等人在冷水机故障检测和诊断任务中，利用LDA方法将高维数据投影到低维空间中，实现最大类别分离和原始类别信息的维护，并通过实验验证了所提故障诊断策略的有效性[28]。

　　支持向量机(Support Vector Machine,SVM)作为起源最早的机器学习算法之一，在二十世纪90年代后发展迅猛，是应用最为广泛和成功的算法之一，经常被用于结合其他相关算法构建分类模型，完成分类识别任务。在故障诊断领域，许迪等针对单一尺度特征评价方法存在的不足和SVM参数优化问题，在提取多种时、频域统计特征用于构建多类别特征集的基础上，提出一种利用量子熵对遗传算法进行改进的SVM参数优化算法，实验结果表明经过优化的诊断模型具有收敛速度快，识别精度高等优点[29]。姚德臣等提出将本证模态函数的排列熵输入到经过模拟退火算法优化的SVM中，构建轴承故障诊断模型，有效提升判识准确率[30]。

　　此外，极限学习机(Extreme Learning Machine,ELM)、随机森林(Random Forest,RF)、K最近邻(K Nearest Neighbor,KNN)等算法也经常被用作故障诊断模型中分类算法。皮骏等提出通过Bloch球面量子对遗传算法进行优化，改进其对参数的空间搜索能力，并利用该算法对ELM进行优化，加快了ELM的误差收敛和诊断速度，提升了故障识别效果[31]。王田田等针对小波核极限学习机对参数依赖的问题，提出通过反向学习和levy飞行策略对灰狼优化算法进行改进，丰富算法种群多样性，并对极限学习机进行优化获取最佳参数组合，提升ELM模型的稳定性和识别效果[32]。张西宁等首先通过对轴承振动信号进行函数型数据分析，利用自相关函数的拟合系数作为样本特征构建特征集，并利用网格搜索算法优化过的随机森林(RF)筛选敏感特征，在此经过多维缩放算法降维后再次利用RF作为分类算法，实现轴故障的准确诊断[33]。Juhamatti Saari等人从轴承振动信号中提取出特定特征传递到支持向量机中实现故障诊断，并通过调整模型参数的方式并行训练具有不同灵敏度的诊断模型，实现早期故障的准确检测[34]。Udmale Sandeep S等人利用信号谱峰度提取故障特征，传递到极限学习机中进行故障识别，并且采用改进的局部双向搜索方法对ELM的参数进行优化，有效提高的故障分类的准确率[35]。在传统机器学习的模式分类方法中，SVM和ELM都是较为成熟的算法，具有多种不同的变种和优化方法，在诸多领域取得了显著的成绩。

　　最近几年，由于深度学习算法在训练过程中存在的关键问题得以解决，其凭借其他技术无法比拟的优势，以及适用于各个场景，具有多种不同结构类型的多种算法，在图像、计算机视觉、自然语言处理等诸多领域取得了突出成就。

　　常见的深度学习算法有受限玻尔兹曼机(Restrict Boltzmann Machine,RBM)、自动编码器(AutoEncoder,AE)、卷积神经网络(Convolutional Neural Network,CNN)等[36][37][38][39]，在此基础之上，众多研究人员针对不同的问题和场景提出了多种改进算法，极大地促进的深度学习的发展和完善。通常情况下，深度学习算法是一种包含多个隐藏层，拥有较深层次的网络结构，能够实现对输入数据的有效分析，学习其中蕴含的固有特征和属性，在输入数据与特征之间建立映射关系，拥有极为出色的智能化学习能力，在众多领域得到了广泛应用。其中，卷积神经网络作为应用最为广泛的深度学习算法之一，其出色的应用潜能得到广泛重视并引发众多学者进行深入研究。

　　LeNet-5由Yann Lecun在1998年提出，是卷积神经网络发展早期的一种较为成熟的算法[40]，其在沿用梯度下降(Stochastic Gradient Descent,SGD)算法作为学习策略的基础上，通过增加池化层结构，对卷积层得到的特征图进行约简和筛选，并在手写数字识别、支票阅读等文字识别任务中具有良好表现，但在其他类型的任务中表现一般。随着计算机硬件算力的大幅提升，Hition等人在2012年提出了一种被称为AlexNet的深层次卷积网络结构，并利用dropout技巧控制过拟合，同时采用GPU加速网络的运算过程，最终在图像识别任务中取得了突出成绩[41]。AlexNet让人们开始意识到原始的CNN结构存在着很大的改进空间。VGG-16在AlexNet的基础上对网络结构进行加深，拥有16个权重网络层，在图像识别任务以及多个迁移任务中具有良好表现。何恺明等人在深层网络结构中出现的退化问题中，将残差学习应用于CNN结构中，提出了一种易于训练的残差网络(Residual Network,ResNet)模型，通过加深网络层提升识别准确率，被成功应用于图像识别、物体分类等多种任务中[42]。

　　在故障诊断领域中，通常采用经过传感器采集得到的振动或电流信号，或者利用多种方法对其进行处理、变换后得到的信号作为输入数据，传输到诊断模型中，提取其中固有的特征属性。卷积神经网络由于其在局部特征学习和模式分类方面具有独特优势，目前在故障诊断领域中已经取得一系列研究成果。Jing,Luyang等分别测试了利用CNN从原始信号、频谱以及不同组合构成的时频信号中进行特征学习的性能，提出对原始振动信号进行频谱变换后，直接采用CNN从中提取特征，并通过PHM 2009变速箱挑战数据和行星齿轮箱试验台验证了该方法的有效性。结果表明，该方法能够从频率数据中自适应地学习特征，并且比其他比较方法具有更高的诊断准确率[43]。Liu Ruonan等开发了一种基于工业振动信号特征的新型诊断框架，称为脱位时间序列CNN(DTS-CNN)。DTS-CNN架构由脱位层，卷积层，子采样层和完全连接层组成。通过增加一个脱位层，该模型可以提取周期性机械信号中具有不同间隔的信号之间的关系，从而克服传统CNN的弱点[44]。Zhu Jun等通过时频表示（TFR）和多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)提出了一种新的RUL估计方法的深度特征学习方法。TFR可以有效地揭示轴承退化信号的非平稳特性[45]。Wen Long等提出了一种基于LeNet-5的新型CNN用于故障诊断。通过将信号转换为二维（2-D）图像的转换方法，所提出的方法可以提取转换的2-D图像的特征并消除手工特征的影响[46]。Guo Sheng等提出了一种新颖的诊断方法，使用卷积神经网络（CNN）直接对连续小波变换尺度图（CWTS）进行分类，CWTS是原始信号的时频域变换，可以包含大部分信息。结果表明，该方法可以准确诊断故障[47]。

　　以上研究表明，卷积神经网络便于处理大量数据，能够自动提取信号中的深层特征，实现故障诊断的自动化和智能化，并且作为端到端式的神经网络模型，在一定程度上克服了传统智能故障诊断方法步骤繁杂、过多人为干预导致的故障诊断效率和效果不高的问题。虽然卷积神经网络有很多自身的优势，是目前的研究的热点问题，但其在故障诊断领域的研究仍处于不断发展过程中，针对如何设计适用于故障诊断的卷积神经网络结构，如何提升故障诊断过程中存在的变工况以及噪声干扰等问题，还需更多更深入的研究。

　　本文的研究整体可分为基于信号处理和基于深度学习的故障诊断方法两个部分。在基于信号处理的故障诊断方法中，分别研究时频信号分析及相应的谱分析方法，选取9种时、频域统计特征构建特征集，并对其中的敏感特征进行筛选，最后利用降维及模式分类算法实现电机诊断模型的构建。在基于深度学习的故障诊断方法中，研究一维卷积神经网络在故障诊断领域的应用，构建多尺度一维卷积神经网络用于电机故障诊断。并且针对电机变工况和噪声干扰的问题，利用注意力机制结合多尺度残差网络构建诊断模型，最后利用SQI-MFS故障实验台采集到的4种常见电机故障和正常电机状态下的振动数据进行充分的实验验证。本文的研究路线如图1-1所示。

　　（1）研究振动信号时频分析方法EMMD，提取时、频特征构建原始特征集，针对其特征相关程度低，无法准确反映故障状态，以及多种特征之间的冗余问题，提出一种基于改进调整互信息的特征选择方法AMISR，通过对特征聚类分析后得到的调整互信息值结合标准差后作为特征评价指标，对特征敏感度进行量化分析。在此基础之上，利用LDA降维算法将高维特征映射到低维空间，构建EMMD-AMISR-LDA-SVM模型实现电机故障诊断，并通过两组对比实验验证所提方法的有效性。

　　（2）针对传统基于信号处理和机器学习的智能故障诊断方法中存在的流程复杂、认为干预过多、泛化能力弱、自适应性差等问题，借鉴当前流行的深度学习方法，结合振动信号的一维属性，进一步研究基于一维卷积神经网络的故障诊断方法，在此基础之上，研究多尺度特征融合框架，提出一种端到端式多尺度一维卷积神经网络的故障诊模型，并通过电机变工况和噪声干扰实验验证模型的稳定性、泛化性能以及抗噪能力。

　　（3）为了进一步提升MS-1DCNN模型在变工况和强噪声干扰情况下的识别效果，在多尺度残差网络结构的基础上引入注意力机制，分别基于SE和CBAM两种注意力模块提出了基于注意力机制的多尺度一维残差网络模型，并通过实验进行验证分析。

　　第一章，简要介绍了本课题相关的研究背景及意义，对电机故障诊断技术的相关研究现状进行综述，明确论文的整体研究思路和结构，并对主要研究内容及创新点进行阐述。

　　第二章，介绍了电机常见故障种类，并重点阐明电机转子断条、定子绕组以及轴承故障的产生机理。同时对故障诊断方法中应用广泛的时频信号分析方法EEMD算法的实现原理及过程进行了详细阐述。

　　第三章，利用EEMD分解后得到的IMF分量，在对其进行相关性及谱分析基础上，计算9种时、频域统计特征，构建原始特征集。提出了一种基于改进调整互信息的特征选择方法AMISR，结合特征降维算法将筛选后的敏感特征集映射到低维空间用于故障诊断。最后构建出EMMD-AMISR-PCA/LDA-SVM/ELM等模型，并针对同工况和变工况问题设计了两组对比实验并进行验证分析。

　　第四章，详细介绍了卷积神经网络的基本结构和优化算法，针对传统智能故障诊断人为干预过多、流程复杂等问题，构建多尺度特征融合框架，提出一种端到端式的基于多尺度一维卷积神经网络的电机故障诊断方法，并利用实际生产过程中常见的变工况和噪声信号干扰问题设计实验验证分析，验证MS-1DCNN的有效性、适应性和鲁棒性。

　　第五章，对卷积神经网络方法深入研究，在多尺度残差神经网络的基础上，通过引入注意力机制，针对电机故障诊断中的变工况和严重噪声干扰问题，提出一种基于多尺度一维残差网络和注意力机制的电机故障诊断方法，并进行实验验证。

　　第六章，总结与展望。首先对本论文所做的工作进行总结，分析其中存在的不足，最后对进一步的研究进行展望。