基于信息熵的多尺度深度特征融合智能故障诊断方法 | CJME论文推荐

机械工程学报 2022-06-29

提示：点击上方"机械工程学报"↑关注我吧

持续报名中

一轮通知｜《机械工程学报》第五届高影响力论文暨2022年重点刊登方向发布会、JME学院第三届青年科学家论坛

引用论文

Shang, Z., Li, W., Gao, M. et al. An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy. Chin. J. Mech. Eng. 34, 58 (2021). https://doi.org/10.1186/s10033-021-00580-5

研究背景及目的

深度学习以无监督学习方式从原始数据中学习有效特征表示，可避免繁琐人工参与、依赖信号处理技术和故障诊断知识进行特征提取与特征选择。目前深度神经网络模型在故障诊断领域的研究主要针对单一模型性能研究，由于振动信号往往含有噪声，利用单一网络模型对齿轮箱进行故障诊断存在准确率低、稳定性差、泛化能力低的问题。集成学习作为一种新型机器学习方法，通过组合多个学习器来获取更好的学习效果，可解决单一深度学习模型缺陷；信息熵作为一个系统的信息含量量化指标可以用来作为参数选择判据，通过量化权重大小分配避免权重均等分配现象，可有效融合提取深度特征。本文构建了一种基于信息熵的多尺度深度特征融合智能故障诊断方法，可解决单一深度神经网络模型精度不高、稳定性差和提取特征能力弱的缺陷。

试验方法

基于信息熵的多尺度深度特征融合智能故障诊断方法主要分为三个步骤。首先，将不同工作原理的自动编码器堆叠起来，形成多个深度神经网络，利用深度神经网络构造多尺度特征提取结构，提高深度特征提取能力；其次，设计了基于信息熵的特征融合策略，获得低维、高质量深度特征，保证融合特征具有更好的鲁棒性和代表性；最后将融合后特征输入DBN分类器进行故障识别。利用该方法对齿轮箱振动信号进行了实验分析。

为了确保实验结果可靠性，本文对固定轴齿轮箱数据集进行十次实验。首先，进行了传统机器学习故障诊断算法(BPNN、SVM、RF、Softmax分类器)和深度学习算法(DNAE、DDAE、DSAE、DCAE、CNN)对比实验，通过准确率和标准方差验证模型是否具备高准确率和高稳定性，进一步比较DNAE、DDAE、DSAE、DCAE与提出方法的训练消耗时间；然后对比提出方法与DNAE、DDAE、DSAE、DCAE的多类混淆矩阵验证模型性能；最后利用PCA技术对深度特征进行二维和三维可视化对比实验，验证了提出方法的融合特征质量。

结果

本文对固定轴齿轮箱的数据集进行了十次实验。该方法具有较高测试准确度(94.31%)和更低的标准方差(0.3187)。

(1) 与浅层学习BPNN、SVM、Softmax分类器和RF相比，测试样本的平均准确度高于BPNN的84.07%、SVM的89.39%、RF的90.40%、Softmax分类器的83.14%；

与标准深度学习模型相比，该方法测试样本的准确度同样高于标准AE的88.19%、标准降噪自编码器的90.13%、标准稀疏自编码器的90.69%、标准收缩自编码器的90.94%、CNN的90.74%。

诊断结果标准方差为0.3187，远低于其他方法的1.3593、1.2359、1.2823、1.0287、0.6171、1.4211、0.8097、1.3824、1.7112。

(2) 在多类混淆矩阵对比中，该方法对标签1的预测准确度明显提高，标签3和标签4预测准确度略微改善，并且标签2、5和6均达到最优解。

(3) 在深度特征可视化中，该方法在二维平面上的故障特征边界更加清晰，并且故障特征在三维空间上被完全分隔开，聚合效果表现更加优异。

结论

该平行轴齿轮箱多尺度深度特征融合智能故障诊断方法避免了人工提取故障特征的繁琐过程，直接从振动信号中有效地自动提取有价值的故障特征，提高了故障识别的准确性；该方法能够提高深层特征的量，捕获稳健故障特征，克服了单一深度学习模型存在诊断精度不高、稳定性差和提取特征能力弱的缺陷，具有高质量的特征挖掘能力和较高的故障识别精度。

前景与应用

本文提出的基于信息熵的多尺度深度特征融合智能故障诊断方法解决了单一深度学习模型存在诊断精度不高、稳定性差和提取特征能力弱的缺陷，可训练出可靠的故障智能诊断模型，具有较高的实际应用价值和普适性，可以推广应用于航空航天、先进轨道交通装备、直升机、大型工程机械等复杂机电装备系统的故障诊断工程实际中。

相关文章/图书推荐

[1] J. Li, X. Li, D. He, Y. Qu, Unsupervised rotatingmachinery fault diagnosis method based on integrated SAE–DBN and a binaryprocessor[J]. Journal of Intelligent Manufacturing, (2020).

[2] H. Zhu, J. Cheng, C. Zhang, J. Wu, X. Shao, Stackedpruning sparse denoising autoencoder based intelligent fault diagnosis ofrolling bearings[J]. Applied Soft Computing, 88 (2020).

[3] S.R. Saufi, Z.A.B. Ahmad, M.S. Leong, M.H. Lim,Gearbox Fault Diagnosis Using a Deep Learning Model With Limited Data Sample[J].IEEE Transactions on Industrial Informatics, 16 (2020).

[4]彭喜元, 彭宇, 刘大同. 数据驱动的故障预测[M]. 哈尔滨: 哈尔滨工业大学出版社.

团队带头人介绍

尚志武 博士/教授/正高工/博士生导师

基本情况

出生日期：1977年2月

毕业院校：天津大学

所获学位：博士

毕业时间：2003.02

尚志武，天津工业大学机械工程学科博士生导师，长期从事机械装备故障诊断与预测、机电一体化、创新方法与创新设计研究工作。主持承担国家级科研项目9项，公开发表SCI/EI期刊论文15篇，获得国家专利120余项。现兼任中国振动工程学会机械动力学专委会委员、天津经济技术开发区正高级职称评委会委员、国家科技奖励评审专家、国际TRIZ协会(MATRIZ)认证专家、甘肃省产业竞争力战略咨询委员会委员。

团队研究方向

(1) 机械装备故障机理和动态特性研究

故障机理研究是故障诊断的重要基石，该方向通过建立动力学模型，对机械系统的动态特征进行研究分析，研究机械系统在内外激励下的动力学特性以及模型参数、故障类型对系统响应特性的影响；并研究动态时间规整、变分模态分解、盲源分离等信号处理方法，提取机械系统表征特征，实现微弱特征增强和早期故障诊断。

(2) 数据驱动的机械装备故障智能诊断

在大数据时代，故障智能诊断是机械装备进行快速诊断的大趋势。该方向主要研究机器学习、深度学习等人工智能算法，通过建立故障智能诊断模型，自适应提取机械信号蕴含的故障特征，实现故障的自动识别。

(3) 机械装备故障预测

故障预测通过机械装备的状态监测，从历史数据中学习装备的健康/非健康行为，将原始振动监测数据转化为相关信息和行为模型，以对未来机械装备行为进行预测。该方向主要研究数据驱动的剩余寿命预测理论与方法，实现风电机组、工程机械等关键零部件的剩余寿命预测。

团队发表高影响力论文

[1] Z W Shang, X Liu, W X Li, et al. A rollingbearing fault diagnosis method based on fastDTW and an AGBDBN. Insight, 2020, 62: 457-463.

[2] Z W Shang. Rolling bearing faultdiagnosis method based on EEMD and GBDBN. InternationalJournal of Performability Engineering, 2019, 15(1): 230-240.

[3] Z W Shang, X P Zhou. Design ofmicropipette system with high precision for small enzyme immunoassay analyzer, Journal of Shanghai Jiaotong University,2019, 24(5): 605-615.

[4] Z W Shang, XX Liao, R Geng, et al. Fault diagnosis method of rolling bearing based on deepbelief network. Journal of Mechanical Science and Technology, 2018,32(11): 5139-5145.

课题组特色

本团队隶属于天津市“双一流”建设学科“机械工程”、“天津市现代机电装备技术重点实验室”和天津市“十三五”创新团队“机械系统动力学与控制”课题组，长期从事故障诊断技术领域的研究工作。近年来在航空航天、风电、轨道交通领域围绕行星齿轮箱、轴承故障诊断技术开展了大量的研究工作。本课题组在故障诊断技术研究领域进行了多年深入研究，在滚动轴承、行星齿轮箱的故障诊断技术方面有许多研究成果，在国内外高水平期刊公开发表过多篇论文，多次参加故障诊断技术研究相关国际学术会议与学术论坛，对故障诊断相关技术的发展现状和发展趋势有深入了解和独到见解。

目前实验室购置了比较齐全的实验平台和检测仪器，为课题研究奠定了坚实的基础。实验设备：(1) 机电系统计算与仿真中心，可为课题研究提供高性能计算、模拟、数值分析（如图1）；(2) 风力发电机仿真模拟实验平台、风力涡轮机动力传动故障诊断综合试验台、行星传动系统电流信号与振动信号采集分析试验台，可提供所需实验数据（如图2、3、4）；(3) DH5922N动态信号测试分析系统1套，可完成振动（加速度、速度、位移）、冲击、压力、力、扭矩、电压、电流等各种物理量的测试和分析（如图5）；

课题组在研项目和获得的研究成果

团队带头人主持在研的国家自然科学基金项目（项目编号：U1733108）：直升机用行星齿轮箱无传感器故障特征提取与诊断技术研究，在系统动力学建模方面已经取得重要进展，将基于齿形修正势能法的集总参数法成功应用于试验台行星齿轮箱动力学建模，发表SCI论文1篇，图1为行星传动系统时变啮合刚度图，图2为行星轮齿面磨损情况下的系统时变啮合刚度图。

图1 行星传动系统时变啮合刚度图

图2 行星轮齿面磨损情况下的系统时变啮合刚度图

课题组设计完成了一种基于互相关函数的新型改进动态时间规整算法，提高了运算速度，改善了奇异性问题和序列相位差问题，成果已成功应用于齿轮故障特征提取，并发表SCI论文1篇。效果图如图3、图4所示。在此基础上，应用最新的导数加权技术和自适应估计技术可以得到全新的改进动态时间规整算法适用于风电机组齿轮传动系统故障诊断。

课题组成员在基于深度学习的智能故障诊断方面做了探索性的研究，通过提取原始信号统计特征训练深度置信网络，已成功应用于滚动轴承的故障识别，识别效果图如图5所示；提出了一种基于快速动态时间规整和自适应高斯-伯努利深信度网络的故障诊断方法多类混淆矩阵的识别效果图如图6所示。发表SCI论文3篇。

更多详细内容请点击文后阅读原文获取。

编辑：恽海艳校对：向映姣

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

推荐阅读

最新 | 机械工程领域SCI期刊一览(2020JCR)

CJME最新SCI影响因子1.936

具有俯仰可调整单元的闭链多足机器人设计 | CJME论文推荐

基于深度时空卷积神经网络的轴承剩余使用寿命估计 | CJME论文推荐

基于双目视觉的焊接熔池表面三维重建 | CJME论文推荐