胡兵兵，唐嘉輝，武吉梅

基于Inception v3的印刷設(shè)備軸承故障智能診斷方法研究

胡兵兵a，唐嘉輝b，武吉梅a

（西安理工大學(xué) a.印刷包裝與數(shù)字媒體學(xué)院 b.機械與精密儀器工程學(xué)院，西安 710048）

軸承作為印刷設(shè)備中的旋轉(zhuǎn)核心元件，其運行狀態(tài)對印刷設(shè)備的健康監(jiān)測作用較大。通過融合小波時頻處理與Inception v3模型的優(yōu)勢，提出一種用于印刷設(shè)備軸承故障智能診斷方法。利用Morlet小波對采集到的印刷設(shè)備軸承原始振動信號進行處理，得到對應(yīng)的二維時頻圖像，從時域和頻域兩方面對軸承故障進行表征；將時頻圖像作為Inception v3模型的輸入，利用其模型的稀疏特性，快速從時頻圖像中自動學(xué)習(xí)故障特征，并對其模型參數(shù)進行調(diào)整；最后，利用訓(xùn)練好的模型實現(xiàn)印刷設(shè)備軸承故障診斷。利用印刷設(shè)備軸承實驗平臺對提出方法的有效性進行了驗證，實驗結(jié)果表明該方法的平均診斷精度可達92.53%。與傳統(tǒng)智能診斷方法相比，所提方法在診斷精度與穩(wěn)定性方面均具有一定的優(yōu)勢，可實現(xiàn)高精度印刷設(shè)備軸承故障診斷。

Morlet小波；Inception v3模型；軸承；故障診斷

隨著現(xiàn)代印刷企業(yè)的生產(chǎn)效率不斷提高，軸承作為印刷設(shè)備中重要的旋轉(zhuǎn)核心元件，在長期高速運轉(zhuǎn)情況下容易產(chǎn)生不同程度的損傷[1-2]。如果不能及時發(fā)現(xiàn)軸承故障，輕則造成整個印刷設(shè)備無法正常運行以致影響印品質(zhì)量，重則導(dǎo)致設(shè)備損壞，造成經(jīng)濟損失，甚至人身安全事故[3-4]，因此，如何有效實現(xiàn)印刷設(shè)備軸承故障診斷是保障印刷設(shè)備長期高速可靠運行的關(guān)鍵問題。

在傳統(tǒng)的軸承故障診斷研究中，其主要方法是利用信號處理技術(shù)對采集到的振動信號進行分析，去除冗余成分并提取出可以反映故障特征的信息，從而實現(xiàn)軸承故障診斷。這類方法在故障診斷研究初期表現(xiàn)出了較好的效果，但是隨著人們對生產(chǎn)效率的要求日益提升，印刷設(shè)備的規(guī)模也隨之不斷擴大，需要采集設(shè)備信號的數(shù)據(jù)量與采樣頻率都在不斷提高，導(dǎo)致收集到的包含設(shè)備運轉(zhuǎn)狀態(tài)的信號趨于“海量”，使得傳統(tǒng)故障診斷方法在面對這種情況時診斷效果不佳[5]。隨著人工智能理論的迅速發(fā)展，諸如支持向量機（SVM）、邏輯回歸等淺層結(jié)構(gòu)算法在故障診斷領(lǐng)域的應(yīng)用越來越廣泛。由于印刷設(shè)備的機械結(jié)構(gòu)復(fù)雜度不斷提升，多部件耦合振動產(chǎn)生的振動信號中的有用信息常被強噪聲背景所淹沒，導(dǎo)致上述淺層模型無法準確提取出軸承故障的特征信息[6-8]，因此，亟待研究新的改進方法用來有效檢測隱藏在印刷設(shè)備大量振動信號中的軸承故障特征。

因其優(yōu)越的大數(shù)據(jù)處理及自適應(yīng)特征提取能力，深度學(xué)習(xí)算法的出現(xiàn)解決了傳統(tǒng)故障診斷方法中手動選擇特征的不足，使得其在機械故障診斷領(lǐng)域得到了廣泛的應(yīng)用。邵海東等[9]在傳統(tǒng)故障診斷研究中引入了深度遷移自動編碼器，該方法在不同設(shè)備之間實現(xiàn)了高精度故障識別。Wen等[10]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，實驗結(jié)果表明該方法診斷精度相較于其他故障診斷方法有了較為明顯地提升。Jia等[11]提出了一種基于深度歸一化卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，實驗結(jié)果表明該方法相較于一般的卷積神經(jīng)網(wǎng)絡(luò)取得了更佳的診斷精度。Jia等提出的方法通過直接在深度學(xué)習(xí)算法中輸入采集到的原始振動信號，在一定程度上實現(xiàn)了較為精確的機械故障診斷。在印刷設(shè)備實際工作狀況中，由于軸承內(nèi)部的零部件之間存在相互作用，導(dǎo)致傳感器采集到的振動信號信噪比較低，降低了深度學(xué)習(xí)算法提取故障特征的準確性，從而限制了深度學(xué)習(xí)算法在機械故障診斷領(lǐng)域的應(yīng)用范圍。為了解決此問題，文中通過選用在時頻域均具有良好分辨率的Morlet小波對采集到的印刷設(shè)備軸承振動原始信號進行預(yù)處理，將它轉(zhuǎn)換為二維時頻圖，從而增強了原始信號的特征信息。隨后，采用卷積神經(jīng)網(wǎng)絡(luò)的典型變體之一Inception v3網(wǎng)絡(luò)對其時頻譜中的故障特征進行學(xué)習(xí)。由于該網(wǎng)絡(luò)在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型中引入了分解卷積的思想，不僅具有密集矩陣的高計算性能，又保持了濾波器級別的稀疏特性，可從軸承振動信號時頻圖中自適應(yīng)的學(xué)習(xí)到反映故障特征的有用信息，也能獲得故障特征與故障類別之間的非線性映射關(guān)系。正是基于小波時頻圖和Inception v3網(wǎng)絡(luò)的各自優(yōu)勢，文中提出的印刷設(shè)備軸承故障智能診斷方法可實現(xiàn)強噪聲背景下軸承故障的精確識別，實驗結(jié)果表明所提方法與其他傳統(tǒng)智能故障診斷方法相比具有更好的識別精度和診斷效率。

1 信號預(yù)處理

軸承作為印刷設(shè)備中連接固定部件與旋轉(zhuǎn)部件的“關(guān)節(jié)”，在實際運行過程中，會承受來自與之相關(guān)的各部件的激勵，導(dǎo)致軸承故障信號在這些干擾源的影響下呈現(xiàn)出非平穩(wěn)、非線性和低信噪比的特點。傳統(tǒng)的傅里葉變換無法對軸承故障信號中的任意時刻內(nèi)的頻率成分進行表征，難以滿足軸承故障微弱特征提取的需求。小波變換因具有多分辨率的特性，使得信號分解后在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，從本質(zhì)上解決了傳統(tǒng)傅里葉變換無法提供任何局部時間段上頻率信息的不足[12-13]。由于Morlet小波的時域波形與軸承故障信號的沖擊特征較為相似，能夠很好地實現(xiàn)它與故障信號在時間和頻率分辨率之間的匹配[14]，因此，文中選擇Morlet小波對印刷設(shè)備軸承振動信號進行預(yù)處理。

Morlet小波可以定義為：

(1)

Morlet小波的傅里葉變換表達式可表示為：

(2)

由于為無量綱頻率，將歸一化因子設(shè)置為1，其傅里葉變換表達式可簡化為：

(3)

為了保證Morlet小波在不同縮放因子下均具有可比性，對小波函數(shù)進行歸一化使其具有相同的單位能量。

(4)

(5)

2 卷積神經(jīng)網(wǎng)絡(luò)與Inception v3

借助深度學(xué)習(xí)方法實現(xiàn)軸承故障診斷的研究已屢見不鮮，當(dāng)遇到因數(shù)據(jù)噪聲過大引起模型精度下降問題時，傳統(tǒng)基于深度學(xué)習(xí)的故障診斷方法一般會通過增加模型深度或?qū)挾雀纳七@種情況，但這種形式易造成模型的參數(shù)量激增。此外，太深層的模型同樣會帶來嚴重的過擬合問題，從而導(dǎo)致模型性能降低。在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出的Inception v3模型解決了上述問題，該模型利用Inception module、分解卷積等一系列操作增加了模型的深度與寬度，但參數(shù)總量僅為同深度Alexnet的1/12[15]。Inception module的基本結(jié)構(gòu)見圖1，該結(jié)構(gòu)存在4個主要分支，每個分支均存在1×1的卷積核，該操作能對輸出特征進行降維處理，增加模型的特征表達能力。同時，多種尺寸的卷積核從不同尺度方面增加了模型的特征適應(yīng)能力。

圖1 Inception module基本結(jié)構(gòu)

分解卷積核的主要思想是將單個卷積核分解為2個或多個卷積核。該操作在增加網(wǎng)絡(luò)的寬度與深度的同時，減少了參數(shù)的增長量。傳統(tǒng)卷積方法中尺寸較大的卷積核雖然具有較好的感受野，但在運算的過程中容易丟失部分重要的特征，并會引入極大的參數(shù)量。采用分解卷積將單個卷積核分解為多個小卷積核，在不改變感受野的情況下降低了參數(shù)量，此外多個卷積核共同作用相當(dāng)于為模型增加了多個激活函數(shù)，提升了模型的非線性表征能力。如圖2和圖3所示，引入Inception module中的分解卷積主要存在對稱分解與非對稱分解2種形式，分別在不改變感受野大小的情況下降低了大約28%和33%的網(wǎng)絡(luò)模型參數(shù)量。文中所采用的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1，其中關(guān)于Inception module更詳細的架構(gòu)可參考文獻[15]。

圖2 對稱式分解卷積

3 基于inception v3的印刷設(shè)備軸承故障診斷方法

印刷設(shè)備作為一種專用功能的旋轉(zhuǎn)設(shè)備，由于其結(jié)構(gòu)構(gòu)成種類眾多和振動傳遞路徑復(fù)雜等因素影響，導(dǎo)致其采集到的振動信號常表現(xiàn)出非平穩(wěn)、非線性和低信噪比的特性。為了能夠更好地表征振動信號的故障特征，文中首先采用Morlet小波對原始振動信號進行預(yù)處理，從而得到振動信號的二維時頻圖。然后，將其作為訓(xùn)練數(shù)據(jù)，可有效提高后續(xù)智能故障診斷模型精度。此外，研究過程中引入了Inception v3模型對時頻圖圖像特征進行學(xué)習(xí)，通過Inception module、分解卷積帶來的高效特征學(xué)習(xí)與快速訓(xùn)練能力可實現(xiàn)印刷設(shè)備軸承高精度故障診斷。結(jié)合小波時頻處理與Inception v3模型的印刷設(shè)備軸承故障診斷方法流程見圖4，其詳細步驟如下。

圖3 非對稱式分解卷積

表1 文中方法結(jié)構(gòu)參數(shù)

Tab.1 Structure parameters of proposed method

圖4 基于Inception v3的印刷設(shè)備軸承故障診斷方法流程

1）使用信號采集設(shè)備收集印刷設(shè)備運行過程中所產(chǎn)生的軸承振動信號。

2）利用Morlet小波對原始振動信號進行預(yù)處理，得到相應(yīng)的軸承振動信號時頻圖。

3）初始化Inception v3網(wǎng)絡(luò)模型參數(shù)，設(shè)置其學(xué)習(xí)率為0.04，迭代次數(shù)為20，學(xué)習(xí)動量為0.99。

4）將獲取到的振動信號時頻圖輸入到Inception v3網(wǎng)絡(luò)模型中，采用隨機梯度算法對它進行優(yōu)化，從而獲得最優(yōu)模型參數(shù)，輸出Inception v3模型，并通過未知類別數(shù)據(jù)集對其進行測試。

5）記錄測試結(jié)果，更新印刷設(shè)備健康狀態(tài)。

4 實驗分析

4.1 實驗數(shù)據(jù)

為了驗證所提方法的有效性，文中搭建了FR400凹印機軸承故障診斷實驗平臺，見圖5。該實驗平臺的測試對象為輸紙芯軸一端的滾動軸承，實驗過程中所使用的軸承包含內(nèi)圈、外圈、保持架等3種典型故障類型和正常狀態(tài)4種情況。為了體現(xiàn)文中方法的魯棒性，每種故障類型分別具有0.2、0.4、0.6 mm等3種不同程度的損傷。在測試過程中，利用壓電式加速度傳感器對其振動信號進行收集，采樣頻率設(shè)置為12 kHz。3種典型故障類型下收集到的凹印機軸承振動信號時域波形，以及經(jīng)過Morlet小波處理后的小波時頻圖見圖6。將已知的原始振動信號小波時頻圖以7∶3的比例進行分組，可獲得用于所提方法網(wǎng)絡(luò)模型訓(xùn)練過程中的訓(xùn)練集與測試集。

圖5 凹印機軸承故障診斷實驗平臺

4.2 結(jié)果分析

將凹印機軸承振動信號小波時頻圖輸入到Inception v3網(wǎng)絡(luò)模型后獲得的一次實驗迭代過程中的誤差曲線與準確率曲線見圖7。從圖7中可以看出，隨著迭代次數(shù)的升高，誤差呈逐漸下降的趨勢，而診斷精度逐漸上升，最終穩(wěn)定在93%左右。分析結(jié)果表明，文中提出的基于Inception v3模型的印刷設(shè)備軸承故障診斷方法可從時頻圖像中逐步提取出與故障特征相關(guān)的有用信息。為了測試提出方法的性能，將Alexnet和支持向量機（Support Vector Machine, SVM）與文中方法進行對比。Alexnet網(wǎng)絡(luò)模型是與Inception v3具有相似結(jié)構(gòu)的算法，而SVM是淺層機器學(xué)習(xí)的代表算法之一。每組實驗重復(fù)進行5次，最終得到的詳細實驗結(jié)果見圖8。從圖8中可以看出，文中方法具有更高的精度和較好的穩(wěn)定性。經(jīng)過5次實驗后得到的平均診斷結(jié)果見表2。從表2中可以看出，文中方法的平均診斷精度可達92.53%，高于Alexnet（89.65%）和SVM（87.19%）的診斷結(jié)果，并且從均方誤差可以看出，文中方法相較于其他2種對比方法更為穩(wěn)定。

圖6 凹印機軸承振動時域信號及其對應(yīng)的時頻圖

圖7 訓(xùn)練結(jié)果曲線

圖8 輸入為時頻圖時，3種診斷方法分析結(jié)果對比

表2 輸入為時頻圖時，3種方法的平均診斷結(jié)果

Tab.2 Average diagnosis results of three methods when time-frequency graph is input

5 結(jié)語

針對印刷設(shè)備軸承故障診斷問題，文中提出了一種小波變換與Inception v3模型相結(jié)合的智能診斷方法。利用凹印機軸承故障診斷實驗臺對提出方法的有效性進行了驗證，分析結(jié)果可得出結(jié)論：利用Morlet小波對原始振動信號進行處理后得到的時頻圖圖像作為訓(xùn)練數(shù)據(jù)，提高了后續(xù)智能故障診斷模型的精度；具有分解卷積思想的Inception v3模型可以高效和準確地自適應(yīng)學(xué)習(xí)原始振動信號時頻圖中包含的特征信息，從而實現(xiàn)了軸承故障的精準診斷；通過凹印機軸承診斷實驗平臺驗證了提出方法的有效性，實驗結(jié)果表明所提方法能夠有效識別出不同類型的軸承故障，且相較于其他傳統(tǒng)故障診斷方法具有更好的診斷精度和穩(wěn)定性。

[1] 趙慶海, 趙瑋, 石玉霞. 現(xiàn)代故障診斷技術(shù)研究現(xiàn)狀與趨勢[J]. 包裝工程, 2018, 39(15): 159-165.

ZHAO Qing-hai, ZHAO Wei, SHI Yu-xia. Present Situation and Trend of Modern Fault Diagnosis Technology[J]. Packaging Engineering, 2018, 39(15): 159-165.

[2] 王國彪, 何正嘉, 陳雪峰, 等. 機械故障診斷基礎(chǔ)研究“何去何從”[J]. 機械工程學(xué)報, 2013, 49(1): 63-72.

WANG Guo-biao, HE Zheng-jia, CHEN Xue-feng, et al. Basic Research on Machinery Fault Diagnosis—What is the Prescription[J]. Journal of Mechanical Engineering, 2013, 49(1): 63-72.

[3] 鄧瑞, 徐卓飛, 徐倩倩, 等. 基于聲場圖像分析的印刷機軸承故障診斷方法[J]. 包裝工程, 2018, 39(9): 151-157.

DENG Rui, XU Zhuo-fei, XU Qian-qian, et al. Fault Diagnosis Method of Printing Press Bearings Based on Image Analysis of Sound Field[J]. Packaging Engineering, 2018, 39(9): 151-157.

[4] JIA Feng, LEI Ya-guo, LIN Jing, 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.

[5] 雷亞國, 賈峰, 周昕, 等. 基于深度學(xué)習(xí)理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 機械工程學(xué)報, 2015, 51(21): 49-56.

LEI Ya-guo, JIA Feng, ZHOU Xin, et al. A Deep Learning-Based Method for Machinery Health Monitoring with Big Data[J]. Journal of Mechanical Engineering, 2015, 51(21): 49-56.

[6] CHEN Jing-long, ZI Yan-yang, HE Zheng-jia, et al. Compound Faults Detection of Rotating Machinery Using Improved Adaptive Redundant Lifting Multiwavelet [J]. Mechanical Systems and Signal Processing, 2013, 38(1): 36-54.

[7] 湯芳, 劉義倫, 龍慧. 稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)及其在滾動軸承故障診斷中的應(yīng)用[J]. 機械科學(xué)與技術(shù), 2018, 37(3): 352-357.

TANG Fang, LIU Yi-lun, LONG Hui. Application of Deep Neural Network with Sparse Auto-Encoder in Rolling Bearing Fault Diagnosis[J]. Mechanical Science and Technology for Aerospace Engineering, 2018, 37(3): 352-357.

[8] 李恒, 張氫, 秦仙蓉, 等. 基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 振動與沖擊, 2018, 37(19): 124-131.

LI Heng, ZHANG Qing, QIN Xian-rong, et al. Fault Diagnosis Method for Rolling Bearings Based on Short-Time Fourier Transform and Convolution Neural Network[J]. Journal of Vibration and Shock, 2018, 37(19): 124-131.

[9] 邵海東, 張笑陽, 程軍圣, 等. 基于提升深度遷移自動編碼器的軸承智能故障診斷[J]. 機械工程學(xué)報, 2020, 56(9): 84-90.

SHAO Hai-dong, ZHANG Xiao-yang, CHENG Jun-sheng, et al. Intelligent Fault Diagnosis of Bearing Using Enhanced Deep Transfer Auto-Encoder[J]. Journal of Mechanical Engineering, 2020, 56(9): 84-90.

[10] WEN Long, LI Xin-yu, GAO Liang, et al. A New Convolutional Neural Network-Based Data-Driven Fault Diagnosis Method[J]. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5990-5998.

[11] JIA Feng, LEI Ya-guo, LU Na, et al. Deep Normalized Convolutional Neural Network for Imbalanced Fault Classification of Machinery and Its Understanding via Visualization[J]. Mechanical Systems and Signal Processing, 2018, 110: 349-367.

[12] 馮志鵬, 劉立, 張文明, 等. 基于小波時頻框架分解方法的滾動軸承故障診斷[J]. 振動與沖擊, 2008, 27(2): 110-114.

FENG Zhi-peng, LIU Li, ZHANG Wen-ming, et al. Fault Diagnosis of Rolling Element Bearings Based on Wavelet time-Frequency Frame Decomposition[J]. Journal of Vibration and Shock, 2008, 27(2): 110-114.

[13] 高強, 何正嘉. 諧波小波及其時頻剖面圖在旋轉(zhuǎn)機械診斷中的應(yīng)用[J]. 西安交通大學(xué)學(xué)報, 2000, 34(9): 62-66.

GAO Qiang, HE Zheng-jia. Application of Harmonic Wavelet and Its Time-Frequency Profile Plot to Diagnosis of Rotating Machinery[J]. Journal of Xi'an Jiaotong University, 2000, 34(9): 62-66.

[14] DAUBECHIES I, HEIL C. Ten Lectures on Wavelets[J]. Computers in Physics, 1992, 6(6): 697.

[15] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the Inception Architecture for Computer Vision[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, 2016: 2818-2826.

An Intelligent Fault Diagnosis Method Based on Inception v3 for Printing Press Bearing

HU Bing-binga, TANG Jia-huib, WU Ji-meia

(a. School of Printing, Packaging Engineering and Digital Media Technology b. School of Mechanical and Precision Instrument Engineering, Xi'an University of Technology, Xi'an 710048, China)

As a core rotating component in printing press, the operation status of bearing plays a major role in the health monitoring of printing press. The work aims to propose an intelligent diagnosis method of bearing faults in printing press by mixing the advantages of wavelet time-frequency processing with the Inception v3 model. The Morlet wavelet was used to process the raw vibration signals collected from bearing, and the corresponding two-dimensional time-frequency images were obtained to characterize the bearings faults from the time-domain and frequency-domain. The time-frequency images were used as input of the Inception v3 model, and the filter-level sparsity of the Inception v3 model was used to quickly and automatically learn the fault features from the time-frequency images and adjust the model parameters; finally, the trained model was used to implement the fault diagnosis of printing press bearing. The effectiveness of the proposed method was verified with a printing press experimental platform, and the results indicated that the average diagnostic accuracy of the method can reach 92.53%. Compared with traditional intelligent diagnosis methods, the proposed method has higher diagnosis accuracy and stability to achieve the bearings fault diagnosis of high-precision printing press.

Morlet wavelets; Inception v3 model; bearing; fault diagnosis

TS803+.6

A

1001-3563(2022)13-0189-07

10.19554/j.cnki.1001-3563.2022.13.024

2021?08?10

國家自然科學(xué)基金（51705420，52075435）；陜西省自然科學(xué)基礎(chǔ)研究計劃（2020JQ–630，20JY054）；西安理工大學(xué)博士學(xué)位論文創(chuàng)新基金（252072105）

胡兵兵（1983—），男，博士，西安理工大學(xué)講師，主要研究方向為機械故障診斷。

責(zé)任編輯：曾鈺嬋