李鐵

（上海振華重工(集團)股份有限公司，上海 200125）

隨著工業(yè)技術的不斷發(fā)展，智能診斷技術在機械設備的故障診斷中起著決定性的作用。起重機是工業(yè)平臺和港口上用于垂直提升或水平移動重型貨物的最重要的機械設備。CWT 的功能是使用一維信號作為輸入信號，時頻分析的結(jié)果本質(zhì)上反映了信號在不同時間和頻率下的二維能量強度譜。輸出以時間頻率圖的形式顯示。目前，微波連續(xù)變換被廣泛應用于機械故障診斷與檢測、氣象和醫(yī)學等領域。本文對YOLOv5S 進行了改進和優(yōu)化，提出了一種基于連續(xù)微波轉(zhuǎn)換和GAN 改進的電機軸承故障診斷方法。該方法使用一維振動信號作為原始信息，處理和生成時頻圖，并將其作為軸承故障檢測和診斷的網(wǎng)絡入口。

1 港口機械軸承故障

機械缺陷具有以下特征：（1）潛伏性。由于港口機械設備在運行過程中可能發(fā)生的各種損壞，這些損壞可能會導致某些部件的參數(shù)結(jié)構發(fā)生變化。如果這些變化超過了部件結(jié)構的允許值，機器可能會發(fā)生故障。因此，工人在日常工作中必須不斷維護和清潔這些小部件，以消除這種潛在的危險。通過控制可能出現(xiàn)的故障，延長了機器的使用壽命。（2）港口的機械設備故障正在逐漸發(fā)生。由于設備磨損與老化和時間之間的密切關系，機械故障也與時間密切相關。機械損傷是逐漸發(fā)生的，構件的結(jié)構參數(shù)變化也很慢。機器使用的時間越長，港口機械和設備老化和故障的可能性就越大。因此，有必要注意并防止錯誤的逐漸發(fā)生。（3）耗材。機械老化和疲勞隨著能量和質(zhì)量的變化而不斷變化。隨著使用壽命的延長，雖然消除局部故障可以恢復港口機械設備的運行，但港口機械設備使用頻率增加。（4）多樣性。由于老化、磨損、腐蝕和其他因素對港口機械和設施運行的影響，同時部件故障可能有多種原因和模式，如軸承彎曲和疲勞斷裂等。這些錯誤不僅在機制和表現(xiàn)上表現(xiàn)出顯著差異，而且影響也不同，表現(xiàn)出多樣性。（5）不確定性。港口機械設備在使用過程中，由于環(huán)境等條件的影響，其損壞程度和參數(shù)變化具有一定的偶然性。此外，由于設備制造材料的影響，同一港口機器和設備在不同條件下使用時，可能會有不同的參數(shù)和誤差標準，這可能導致設備誤差具有一定的不確定性。

2 CWT 與改進YOLOv5s

2.1 YOLOv5s 模型

近年來，最先進的對象識別算法，如Faster、R-CWT、R-FCN、SSD 和YOLO，在使用卷積神經(jīng)網(wǎng)絡的對象識別問題上取得了豐碩的成果。然而，將這些技術簡單地應用于路標識別并不會產(chǎn)生令人滿意的結(jié)果。汽車領域移動設備的目標識別需要高精度、快速的不同尺寸的目標識別，這意味著它們必須滿足準確性和實時性的要求。然而，智能和自動駕駛汽車等內(nèi)存和計算資源有限的移動設備無法用于在更大的網(wǎng)絡中進行部署和論證。作為一種單級檢測器，YOLOv5 具有計算復雜度低、檢測速度快的優(yōu)點。本文提出了一種改進的YOLOv5s 網(wǎng)絡，它不僅確保了模型尺寸滿足車輛橫向部署的要求，而且擴展了多尺度目標滿足實時要求的能力。本文的主要貢獻是提出了一種新的特征金字塔網(wǎng)絡。自適應融合和接收場混合特征在特征傳輸過程中存儲了大量的信道信息。對每個特征圖上的不同接收場進行自適應訓練，以改善特征金字塔的外觀，有效提高多維目標識別的準確性。

2.2 CWT

連續(xù)小波變換（CWT）最初表明它是一種不包括離散小波變換或縮放函數(shù)的連續(xù)小波變換。微波轉(zhuǎn)換是一個線性過程，它將信號分解成不同大小的分量。這種轉(zhuǎn)換是基于信號折疊和增益濾波器。地球物理數(shù)字信號分析和處理，包括一些將數(shù)字信息簡化為小波或小波的功能和地球物理方法。它由一個函數(shù)ψ（t）組成。該函數(shù)是通過不同的時間尺度和時間偏移獲得的。因此，ψ（T）它是小波的原型，稱為母波或基波。

2.3 架構

作為當前YOLO 系列的最新版本，YOLOv5 由于其出色的靈活性，可以在汽車硬件上快速輕松地使用。Yolov5 由Yolov5S、Yolov5M、Yolov5L 和Yolov5X 組成。Yolov5s 是Yolo 系列的最小版本。由于其14.10 米的存儲空間，它更適合在車輛的移動硬件平臺上使用。然而，它的檢測精度不能滿足準確有效檢測的要求，尤其是對于較小的目標。YOLOv5 的基本框架可以分為四個部分：輸入、主干、頸部和預測。輸入組件通過連接和改進低硬件要求和低計算成本的數(shù)據(jù)來豐富數(shù)據(jù)集。然而，這可能會導致原始小數(shù)據(jù)集中的目標更小，從而降低模型的整體性能。核心組件主要由使用CSPParknet53 進行特征提取的CSP 模塊組成。使用Neck 中的FPN 和路徑聚合網(wǎng)絡（PANET）合并圖像函數(shù)。此外，從原始網(wǎng)絡中刪除了Mosaic 改進，并基于數(shù)據(jù)改進策略引入了更好的數(shù)據(jù)改進方法，以豐富數(shù)據(jù)集并提高學習效率。

2.4 結(jié)構改進

輸入圖像通過多次折疊{C1、C2、C3、C4、C5}來創(chuàng)建特征圖。C5 通過AAM 生成M6 圖紙。將M6 和M5 合并，并通過自上而下的傳播將它們與其他較低級別的函數(shù)集成，然后在每次合并后通過擴展傳感器場來進行有限元分析。面板縮短了底部和頂部之間的信息路徑?！?-滾動層、RELU 活動層、3×3-滾動層和S 形活動層為每個特征生成相應的空間權重。使用Hadamard 乘法運算，將生成的權重卡從合并的信道特征卡中分離出來，并將M5 標識卡添加到輸入中，從而將上下文特征集成到M6中。最終的特征圖包含廣泛的、多尺度的上下文信息，這些信息在一定程度上減少了由于通道減少而造成的信息損失。

3 基于CWT 和改進YOLOv5s 的港口機械軸承故障診斷策略

3.1 分圖操作

本文中要檢查的導板尺寸為12 ～17 英寸。對導板誤差的檢測要求相對較高，并且導板的尺寸過大。因此，本文使用16kW 光柵相機來獲得高質(zhì)量的圖像。為了適應不同的孔徑尺寸，在孔徑上捕獲的圖像分辨率統(tǒng)一為25000×163.84 或4.1 億像素，而小缺陷僅為約7 像素。誤差大小和圖像背景之間的差異很大，無法直接識別。因此，考慮到算法的可行性，有必要使用分步掃描的方法進行檢測。本文首先將面板上的整個圖像分解為圖像，并將其剪切為640×640，然后使用滑動窗口算法檢測小圖像，簡單地切割光纜的真實區(qū)域，18064×13548 個感興趣的區(qū)域像素。值得注意的是，由于LED 的穩(wěn)定供應，不需要復雜的操作來提取感興趣的區(qū)域。根據(jù)相應的尺寸來表示表面坐標就足夠了。為了避免邊界缺陷，將10像素的重疊區(qū)域設置為重疊區(qū)域，創(chuàng)建630 個步驟。從左上角開始，裁剪后的圖像在左上角標記為X，Y。很容易想象Y 的順序是06301260，但下一步不是17640，因為17640+640>18064。因此，有必要在最后階段調(diào)整Y＝18064-640 的裁剪圖像的重疊。在此基礎上，可以將所有感興趣的區(qū)域剪切成小圖像，用馬賽克數(shù)據(jù)對剪切的小圖像進行改進，并將其輸入主特征檢索網(wǎng)絡。

3.2 檢測模型

YOLOv5 檢測模型是YOLO 目標識別系列中最準確、最可靠的目標識別算法，可為不同類型的目標提供良好的結(jié)果。根據(jù)網(wǎng)絡的深度和寬度，Yolov5 對象識別模型可以進一步分為四個版本：Yolov5S、Yolov5M、Yolov5L 和Yolov5X。由于這種研究方法主要用于工業(yè)生產(chǎn)和制造中的軸承端面缺陷檢測，因此，有必要同時考慮精度和計算速度。BN 是包的正則化，Add 是加性特征的融合，Concat 是圖像特征的順序融合，Hard Swish和Leaky Relu 是激活函數(shù)。將改進后的圖像輸入到聚焦模塊中，并將輸入圖像切割為n×n 網(wǎng)格和32 折疊核心以提取特征。特征圖用于檢測小誤差、中誤差和大誤差。對于每個圖像部分分別預測三個預測場。每個預測字段由左上角和右下角的坐標以及包含缺陷的信任級別組成。信任包括將目標整合到預測場中的概率和在預測場中定位的準確性。如果預測框架是背景（即不包含目標），則將其記錄如下：

如果預測字段包含目標，則按如下方式進行記錄：

該方法可用于確定當前圖像裁剪中是否存在錯誤。預測框架的準確性由預測框架和實際框架之間的IOU（集合交互）來定義。IOU 越多，預測框架與實際框架之間的重疊程度就越高，表明預測框架更準確。為了消除重復和無效的預測框架，本研究不使用最大抑制技術來消除冗余的預測框架并以最大的可靠性將信息存儲在預測框架內(nèi)，以完成錯誤檢測過程。

3.3 主干特征提取

YOLOv5 的主要組件使用焦點采樣、改進的CSP 結(jié)構和SPPF 的金字塔結(jié)構來從圖像中提取性能信息。Yolov5 中使用的基本特征提取網(wǎng)絡是由折疊殘基組成的CSPMarket。殘差網(wǎng)絡可以通過增加深度來提高精度。殘差塊使用跳躍連接，通過增加深度神經(jīng)網(wǎng)絡中的深度來緩解梯度的消失。YOLOv5s 中使用的模塊化C3 結(jié)構是兩個分支的原始殘余樁的碎片。一個分支使用多個堆棧瓶頸和標準折疊層，而另一個分支僅通過基本折疊模塊。最后，兩根樹枝倒下了。在TPH YOLOv5 中，一些YOLOv5 折疊塊和CSP 基本塊被轉(zhuǎn)換器編碼塊所取代。變壓器的主要部件，包括多層自檢（MSA）、多層傳感器（MLP）和層歸一化（LN），與CSPMarket53 中的Bottom Leneck Block 進行了比較。由于這種集成結(jié)構，Transformer TPH-YOLOv5 為小物體檢測任務提供了更好的性能，但這不可避免地增加了圖像輸出時間并提高了模型精度。

3.4 故障診斷改進

隨著隱藏層和神經(jīng)元數(shù)量的增加，CWT 模型在學習過程中趨于適應。為了解決這個問題，本文對傳統(tǒng)的CWT 模型進行了改進，在其隱藏層添加了大量的歸一化，形成了一個局部特征學習模塊。與傳統(tǒng)的CWT 相比，改進后的模型可以使用巨大的歸一化層來對從輥層提取的特征進行歸一化，從而提高了模型的穩(wěn)定性。SKF6205 ※滾珠軸承的表面已被直徑為0.178mm 的電火花處理損壞。轉(zhuǎn)軸由電機控制，軸承座上安裝壓電加速度傳感器，使電機以35Hz 的速度旋轉(zhuǎn)。本實驗模擬了滾動軸承的四種健康狀況，即軸承滾子缺陷、軸承外圈缺陷、軸承內(nèi)圈缺陷和正常工作條件下的健康狀況。提取CWT 模型的最后一個完全連接層，并以較小的尺寸對其進行可視化，以獲得分類方差。原始的CWT 模型正確地對所有外環(huán)錯誤進行了分類，而其他三種類型的錯誤都被不同程度地誤診，導致故障診斷結(jié)果不令人滿意；在改進的CWT 模型中，只有少數(shù)內(nèi)環(huán)誤差得到了正常評估，而其余樣本得到了正確診斷。

4 結(jié)語

總而言之，該方法利用CWT 改進的半監(jiān)督學習能力，在實驗中選擇批量=100，標記系數(shù)=0.1，批量=50，標記率=0.5，準確率可達96.5%，合理有效地提高了GAN在故障診斷中的應用。樣本和學習參數(shù)的選擇表明，該模型具有良好的穩(wěn)定性和泛化能力。樣本包含不同的損傷直徑和載荷，即使使用不同的參數(shù)，該模型仍然可以得到良好的診斷。此外，與其他方法相比，批量處理能力可以容忍更大的內(nèi)容范圍，在尺寸=50 時，準確率高達98%。隨著批量處理量的增加，精度下降，但仍能達到96.55%以上。