S变换子域适应的扶梯电机轴承迁移诊断

doi:10.12141/j.issn.1000-565X.220758

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (12): 34-41.doi: 10.12141/j.issn.1000-565X.220758

所属专题： 2023年机械工程

S变换子域适应的扶梯电机轴承迁移诊断

陈忠¹ 唐鑫¹ 张大明² 何东山³ 张宪民¹

^1.华南理工大学机械与汽车工程学院, 广东广州 510640
^2.日立电梯(广州)自动扶梯有限公司, 广东广州 510660
^3.广州地铁设计研究院股份有限公司, 广东广州 510010

收稿日期:2022-11-17 出版日期:2023-12-25 发布日期:2023-06-20
作者简介:陈忠（1968-），男，博士，教授，主要从事柔顺机构动力、机器视觉机器及其应用、精密测量和故障诊断研究。E-mail： mezhchen@scut.edu.cn
基金资助:
广东省自然科学基金资助项目(2022A1515011263)

Stockwell Transform Combined with Subdomain Adaptation for Escalator Motor Bearing Transfer Diagnosis

CHEN Zhong¹ TANG Xin¹ ZHANG Daming² HE Dongshan³ ZHANG Xianmin¹

^1.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Hitachi Elevator （Guangzhou） Escalator Co. ，Ltd. ，Guangzhou 510660，Guangdong，China
^3.Guangzhou Metro Design and Research Institute Co. ，Ltd. ，Guangzhou 510010，Guangdong，China

Received:2022-11-17 Online:2023-12-25 Published:2023-06-20
About author:陈忠（1968-），男，博士，教授，主要从事柔顺机构动力、机器视觉机器及其应用、精密测量和故障诊断研究。E-mail： mezhchen@scut.edu.cn
Supported by:
the Natural Science Foundation of Guangdong Province(2022A1515011263)

摘要/Abstract

摘要：

在缺乏足够的扶梯电机轴承故障数据的情况下，针对扶梯在频繁变载变速的运行状态中轴承故障特征不稳定的问题，提出了Stockwell（S）变换结合子域适应的扶梯电机轴承迁移诊断方法。首先，针对扶梯电机轴承的故障特点，采用S变换结合双线性插值算法生成振动信号时频图。该时频图能有效反映轴承故障特征，并与后续的生成/与特征提取网络输入要求相适应。其次，在基于深度残差神经网络ResNet-50的特征提取网络层的输出端引入局部最大均值差异（LMMD），将故障样本的类别置信度作为映射后的权重引入最大均值差异（MMD），在对齐源域和目标域全局分布的同时，对齐同类别样本所属的子域的分布，同时拓展可迁移学习的范围。然后，构建网络的最小化LMMD和交叉熵损失函数，采用小批量梯度下降法训练网络。从而可通过细化不同故障类别间特征差异实现故障子域自适应，并克服迁移诊断精度低的问题。最后，基于两个公开的轴承故障数据集和少量扶梯电机轴承故障数据构建S变换后的时频数据集，并进行迁移诊断实验验证。结果表明，本方法对扶梯轴承的两种源域到目标域的迁移诊断平均准确率分别达到99.1%和95.49%，识别精度和鲁棒性明显优于5种常用的诊断方法。

关键词: 故障诊断, 时频分析, 迁移学习, 轴承

Abstract:

In the absence of sufficient escalator motor bearing failure data, to address the issue of unstable bearing fault characteristics during frequent load and speed variations in escalator operation, this paper proposed a transfer diagnosis method for escalator motor bearings using Stockwell (S) transformation combined with subdomain adaptation. Firstly, for the fault characteristics of escalator motor bearings, a time-frequency image of vibration signals was generated using the S transform combined with bilinear interpolation. This time-frequency image effectively reflects bearing fault features and is subsequently aligned with the requirements of the feature extraction network. Secondly, local maximum mean discrepancy (LMMD) was introduced at the output end of the feature extraction network layer based on the deep residual neural network ResNet-50. It incorporates the confidence of bearing fault sample categories as weights in the mapped maximum mean discrepancy (MMD), aligning the dis-tributions of subdomains belonging to the same category, thereby expanding the scope of transfer learning. Next, the network was constructed to minimize both LMMD and cross-entropy loss functions, and network training was performed using mini-batch gradient descent. Consequently, by refining the feature differences between different fault categories, fault subdomain self-adaptation was achieved, overcoming the problem of low transfer diagnosis accuracy. Finally, based on two publicly available bearing fault datasets and a limited amount of escalator motor bearing fault data, the S-transformed time-frequency dataset was constructed, and transfer diagnosis experiments were conducted. The results demonstrate that the proposed method achieves an average accuracy of 99.1% and 95.49% for transfer diagnosis in two different source-to-target domain scenarios of escalator bearings, outper-forming five commonly used diagnostic methods in terms of recognition accuracy and robustness.

Key words: fault diagnosis, time-frequency analysis, transfer learning, bearing

中图分类号:

TH17

陈忠, 唐鑫, 张大明, 等. S变换子域适应的扶梯电机轴承迁移诊断[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 34-41.

CHEN Zhong, TANG Xin, ZHANG Daming, et al. Stockwell Transform Combined with Subdomain Adaptation for Escalator Motor Bearing Transfer Diagnosis[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 34-41.

图/表 9

图1

表1

图2

表2

表3

图3

表4

图4

图5

参考文献 15

1	WEN L， LI X Y， GAO L ．A transfer convolutional neural network for fault diagnosis based on ResNet-50［J］．Neural Computing & Applications，2020，32（10）：6111-6124.
2	SHAO S Y， YAN R Q， LU Y D，et al ．DCNN-based multi-signal induction motor fault diagnosis［J］．IEEE Transactions on Instrumentation and Measurement，2019，69（6）：2658-2669.
3	雷亚国，杨彬，李乃鹏，等．跨设备的机械故障靶向迁移诊断方法［J］．机械工程学报，2022，58（12）：1-9.
	LEI Yaguo， YANG Bin， LI Naipeng，et al ．Targeted transfer diagnosis method across different machines［J］．Journal of Mechanical Engineering，2022，58（12）：1-9.
4	LI X， ZHANG W， DING Q，et al ．Multi-layer domain adaptation method for rolling bearing fault diagnosis［J］．Signal Processing，2019，157：180-197.
5	张建宇，任成功．基于深度信念网络的滚动轴承特征迁移诊断［J］．振动、测试与诊断，2022，42（2）：277-284.
	ZHANG Jianyu， REN Chenggong ．Feature transferring diagnosis of rolling bearing based on deep belief network［J］．Journal of Vibration，Measurement & Diagnosis，2022，42（2）：277-284.
6	JIA M X， WANG J R， ZHANG Z Z，et al ．A novel method for diagnosing bearing transfer faults based on a maximum mean discrepancies guided domain-adversarial mechanism［J］．Measurement Science and Technology，2022，33（1）：015109.
7	ZHU Y C， ZHUANG F Z， WANG J D，et al ．Deep subdomain adaptation network for image classification ［J］．IEEE Transactions on Neural Networks and Learning Systems，2020，32（4）：1713-1722.
8	HE K， ZHANG X， REN S，et al ．Deep Residual Learning for Image Recognition ［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition （CVPR）．Las Vegas：IEEE，2016：770-778.
9	LOU X， LOPARO K A ．Bearing fault diagnosis based on wavelet transform and fuzzy inference［J］．Mechanical Systems and Signal Processing，2004，18（5）：1077-1095.
10	HUANG H， BADDOUR N ．Bearing vibration data collected under time-varying rotational speed conditions ［J］．Data in Brief，2018，21：1745-1749.
11	TZENG E， HOFFMAN J， ZHANG N，et al ．Deep domain confusion：maximizing for domain invariance［J］．ArXiv，2014，1412.3474.
12	LONG M S， CAO Y， WANG J，et al ．Learning Transferable Features with Deep Adaptation Networks［C］∥Proceedings of the 32nd International Conference on Machine Learning．Lille：PMLR 37，2015：97-105.
13	WANG J D， CHEN Y Q， FENG W J，et al ．Transfer learning with dynamic distribution adaptation［J］．ACM Transactions on Intelligent Systems and Technology （TIST），2020，11（1）：1-25.
14	GANIN Y， USTINOVA E， AJAKAN H，et al ．Domain-adversarial training of neural networks［J］．Journal of Machine Learning Research，2016，17（1）：2096-2030.
15	MAATEN L， HINTON G ．Visualizing data using t-SNE［J］．Journal of Machine Learning Research，2008，9（11）：2579-2605.

数据集	健康状态	样本数	轴承型号
A	内圈故障	4 096	SKF6205
	外圈故障	4 096
	滚子故障	4 096
	正常状况	4 096
B	内圈故障	1 280	ER16K
	外圈故障	1 280
	滚子故障	1 280
	正常状况	1 280
C	内圈故障	900	NSK6314
	外圈故障	900
	滚子故障	900
	正常状况	900

健康状态	数据集A	数据集B	数据集C
F_i
F_o
F_b
Nor

方法	平均准确率/%	准确率标准差
CWT-A	100.00	0.00
ST-A	100.00	0.00
CWT-B	98.86	0.38
ST-B	99.61	0.12

方法	AB		AC
方法	平均准确率/%	准确率标准差	平均准确率/%	准确率标准差
ResNet50	42.63	6.42	29.33	10.11
DDC	78.86	4.23	41.56	9.13
DAN	86.35	4.27	62.42	6.17
DDAN	94.47	1.80	53.50	2.25
DANN	97.42	1.05	86.89	2.89
本研究提出的方法	99.10	0.90	95.49	3.16

[1]	郝秀红, 田润威, 焦伟, 等. 织物衬垫磨损对自润滑关节轴承动力学的影响[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 88-94.
[2]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[3]	陈新度, 扶治森, 吴智恒, 等. 基于多头卷积和差分自注意力的小样本故障诊断方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 21-33.
[4]	郭红, 秦立闯, 石明辉, 等. 耦合因素对混合润滑滑动轴承特性的影响[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 141-150.
[5]	赵荣超, 吴百礼, 陈祝云, 温楷儒, 张绍辉, 李巍华. 多尺度时空信息融合驱动的图神经网络故障诊断方法[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 42-52.
[6]	刘乙奇, 黄志鹏, 于广平, 等. 全生命周期污泥膨胀的智能检测和诊断分析[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 91-99,110.
[7]	宋新涛, 吴维, 苑士华. 考虑磨损和紊流的径向滑动轴承混合润滑分析[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 121-128.
[8]	唐宏宾, 傅政, 邓习树, 等. 工程机械柱塞泵变载荷工况故障诊断方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(2): 110-119.
[9]	于晓东, 高维铖, 伍广鹏, 等. 高速重载工况下静压推力轴承的热特性表征[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 79-85.
[10]	宋新涛孙士青吴维. 考虑局部磨损和空化效应的径向滑动轴承混合润滑分析[J]. 华南理工大学学报（自然科学版）, 2020, 48(8): 102-107,114.
[11]	吴素珍何卫东张迎辉. RV传动机构用转臂轴承的受力及接触特性分析[J]. 华南理工大学学报（自然科学版）, 2020, 48(6): 25-33.
[12]	郭明军, 李伟光, 杨期江, 等. PCA 的幅值滤波特性及在转子特征提取中的应用[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 125-133.
[13]	郭明军, 李伟光, 杨期江, 等. 基于稀疏算法的大型转子多工况轴心轨迹提纯[J]. 华南理工大学学报（自然科学版）, 2020, 48(4): 45-53.
[14]	程洪超, 吴菁, 刘乙奇, 等. 面向污水处理过程的预测元-RVM 故障诊断建模[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 10-17.
[15]	周璇, 王晓佩, 梁列全, 等. 基于随机森林算法的制冷剂充注量故障诊断 [J]. 华南理工大学学报（自然科学版）, 2020, 48(2): 16-24.

S变换子域适应的扶梯电机轴承迁移诊断

Stockwell Transform Combined with Subdomain Adaptation for Escalator Motor Bearing Transfer Diagnosis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价