Методика выявления вмятин на дорожках подшипников качения на основе сверточной нейронной сети с двумерным отображением

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Для реализации методики выявления незначительных повреждений (вмятин) на дорожках подшипников качения были выбраны сверточные нейронные сети (СНС). Чтобы улучшить обучение СНС, для преобразования сигналов вибрации подшипника из изображения в одномерный временной ряд были проанализированы такие алгоритмы преобразования двухмерных изображений, как поля угловой суммы или разности Грамиана, частотно-временная диаграмма вейвлета, матрица перехода Маркова. Чтобы уменьшить объем аппаратных вычислений и сократить время обучения и валидации было использовано кусочно-постоянное представление (КПП) для максимального сжатия данных с сохранением всей информации о сигнале. Также добавляется слой пакетной нормализации для избежания проблемы насыщения градиента функции ReLU, а для преодоления нестабильности стохастического градиентного спуска с импульсом (СГСИ) при разработке СНС применяют метод минипакетов. Каждый вид изображений используется в качестве обучающей выборки, а результаты показывают, что как частотно-временная диаграмма вейвлета, так и диаграмма полей угловой суммы или разности Грамиана могут лучше определять состояние дефекта, причем частотно-временная диаграмма вейвлета была относительно лучше. При сравнении с различными рекуррентными нейросетевыми (РНС) моделями диагностики была доказана обоснованность модели. В то же время модель применяется для идентификации деградации характеристик неисправных деталей, а результаты показывают, что модель может эффективно идентифицировать деградацию внутреннего кольца, наружного кольца и тела качения, а точность для внутреннего кольца и наружного была выше. Данная статья предлагает новую методику выявления вмятин на дорожках подшипников качения.

Об авторах

Чжэн Юа

Шэньсийский политехнический институт

Email: zhengyu169@126.com
Сяньян, Китай

Му Лунтао

Шэньсийский политехнический институт

Сяньян, Китай

Чжао Цзюньхао

Шэньсийский политехнический институт

Сяньян, Китай

Список литературы

  1. Jie L., Changjie L., Yuhan S., Xingwei S. A study on bearing fault diagnosis based on LSGAN-SqueezeNet // Journal of Vibration and Shock. 2022. V. 41. P. 293-300. https://doi.org/10.13465/j.cnki.jvs.2022.12.036
  2. Xiaoli Z., Minping J. Fault Diagnosis of Rolling Bearing Based on Feature Reduction with Global-Local Margin Fisher Analysis // Neurocomputing. 2018. V. 315. P. 447-464. https://doi.org/10.1016/j.neucom.2018.07.038
  3. Nibaldo R., Pablo A., Lida B., Guillermo C.G.Combining Multi-scale Wavelet Entropy and Kernelized Classification for Bearing Multi-fault Diagnosis // Entropy. 2019. V. 21. P. 15-25. https://doi.org/10.3390/e21020152
  4. Xiaohui G., Shaopu Y., Yongqiang L., Rujiang H., Zechao L. Multi-sparsity-based blind deconvolution and its application to wheelset bearing fault detection // Measurement. 2022. V. 199. https://doi.org/10.1016/J.MEASUREMENT.2022.111449
  5. Mingzhu L., Shixun L., Xiaoming S., Changzheng C. Early degradation detection of rolling bearing based on adaptive variational mode decomposition and envelope harmonic to noise ratio // Journal of Vibration and Shock. 2021. V. 40. P. 271-280. https://doi.org/10.13465/j.cnki.jvs.2021.13.034
  6. Yong H., Hong W., Sui G. New fault diagnosis approach for bearings based on parameter optimized VMD and genetic algorithm // Journal of Vibration and Shock. 2021. V. 40. P. 184-189. https://doi.org/10.13465/j.cnki.jvs.2021.06.025
  7. Xiaochi L., Shi X., Yundong S., Gongmin L., Jinyu T., Xi Z., Zhuang L. Rolling bearing fault diagnosis method based on GWO-NLM and CEEMDAN // Journal of Aerospace Power. 2022. P. 1-13. 10.13224/j.cnki.jasp.20210547
  8. Zihao L., Guangrui W., Qiao Z., Shuzhi D., Xin H., Haoxuan Z. Rolling Bearing Fault Diagnosis Based on Multi-scale Mixed Domain Feature Extraction and Domain Adaptation // Journal of Vibration, Measurement & Diagnosis. 2022. V. 42. P. 183-185. https://doi.org/10.16450/j.cnki.issn.1004-6801.2022.01.028
  9. Xiaojuan L., Chengji S. Application of the P-box theory and HGWO-SVM in the fault diagnosis of rolling bearings // Journal of Vibration and Shock. 2021. V. 40. P. 234-241. https://doi.org/10.13465/j.cnki.jvs.2021.22.032
  10. Ming W., Zhang D., Zhen Y., Yong L., Guoqian W. Dynamic mode deco-mposition and its application in early bearing fault diagnosis // Journal of Vibrati-on and Shock. 2022. V. 41. P. 313-320. https://doi.org/10.13465/j.cnki.jvs.2022.12.038
  11. Tianlong G., Zhenhai S., Chenzhong B., Liang C. Fault diagnosis of rollin-g bearing based on multi-scale convolutional neural network // Machinery Design & Manufacture. 2022. V. 20. P. 20-23. https://doi.org/10.19356/j.cnki.1001-3997.20211105.003
  12. Xiaoxi D., Qingbo H. Energy-Fluctuated Multiscale Feature Learning With Deep ConvNet for Intelligent Spindle Bearing Fault Diagnosis // IEEE Transacti-ons on Instrumentation and Measurement. 2017. V. 66. P. 1926-1935. https://doi.org/10.1109/tim.2017.2674738
  13. Jiangtao J., Zifei X., Chun L., Wei-pao M., Jun-qing X., Kang S. Rolling bearing fault diagnosis based on deep learning and chaotic feature fusion // Control Theory & Applications. 2022. V. 39. P. 109-116.
  14. Xiaoxia Y., Baoping T., Jing W., Lei D. Fault diagnosis for aero-engine accessory gearbox by adaptive graph convolutional networks under intense background noise conditions. 2021. V. 41. P. 78-86. https://doi.org/10.19650/j.cnki.cjsi.J2107732
  15. Wang Z., Oates T. Encoding Time Series as Images for Visual Inspection and Classification Using Tiled Convolutional Neural Networks / Workshops at the Twenty-ninth Aaai Conference on Artificial Intelligence, 2015
  16. Chaolung Y., Zhixuan C., Chenyi Y. Sensor Classification Using Convolutional Neural Network by Encoding Multivariate Time Series as Two-Dimensional Colored Images // Sensors (Basel, Switzerland). 2020. V. 20. P. 168. https://doi.org/10.3390/s20010168
  17. Hoonyong L., Kanghyeok Y., Namgyun K., Changbum R.A. Detecting excessive load-carrying tasks using a deep learning network with a Gramian Angular Field // Automation in Construction. 2020. V. 120. P. 103390. https://doi.org/10.1016/j.autcon.2020.103390
  18. Zhupeng W., Jie C., Lianhua L., Lingling J. Fault diagnosis of wind power gearbox based on wavelet transform and improved CNN // Journal of Zhejiang University (Engineering Science). 2022. V. 56. P. 1212-1219. https://doi.org/10.3785/j.issn.1008-973X.2022.06.020
  19. Sen L., Aiguo W., Xintao D., Cuiwei Y. MGNN. A multiscale grouped convolutional neural network for efficient atrial fibrillation detection // Compbiomed. 2022. V. 148. P. 105863. https://doi.org/10.1016/J.COMPBIOMED.2022.105863
  20. Reddy B.L., Uma M.R.N., Nelleri A. Deep convolutional neural network for three-dimensional objects classification using off-axis digital Fresnel holography // Journal of Modern Optics. 2022. V. 69. P. 705-717. https://doi.org/10.1080/09500340.2022.2081371
  21. Yuxian Z., Fang D. Load classification based on piecewise aggregate approximation of particle swarm optimization // Journal of Shenyang University of Technology. 2021. V. 43. P. 123.
  22. Ang G., JianYong Z., Fei M., HaoYuan S., Xing Q., Yang X., Xuan L., MengLei G., DanQi L. Electricity Theft Detection Algorithm Based on Triplet Network // Proceedings of the CSEE. 2022. V. 42. P. 3975-3986. https://doi.org/10.13334/j.0258-8013.pcsee.211040
  23. Yunwei P., Jiang G., Taotao L., Haixiao W. A Recognition Method for Radar Emitter Signals Based on Convolutional Neural Network with Multiple Learning Units // Journal of Beijing University of Posts and Telecommunications. 2021. V. 44. P. 74-82. https://doi.org/10.13190/j.jbupt.2021-055
  24. Peng Y., Xiaoxu H., Yuhui H., Jin Y., Shi W., Lei L. Online alarm recognition of power grid dispatching based on BERT-DSA-CNN and a knowledge base // Power System Protection and Control. 2022. V. 50. P. 131. https://doi.org/10.19783/j.cnki.pspc.210705
  25. Ren W., Junpeng H., Qidong Y., Tianren L., Ben Y. Research of LSTM model-based intelligent guidance of flight aircraft // Chinese Journal of Theoretical and Applied Mechanics. 2021. V. 53. P. 2054.
  26. Hongrui Z., Guojun Y., Chengji Y., Guangming T., Zhan W., Zhongzhe H., Xiaoyang Z., Xuejun A. Survey on Network of Distributed Deep Learning Training // Journal of Computer Research and Development. 2021. V. 58. P. 100.
  27. Wade A.S., Robert B.R. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study // Mechanical Systems and Signal Processing. 2015. V. 64. P. 100-10.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023