关键字：故障诊断；卷积胶囊网络；连续小波变换；滚动轴承
文章简介
随着智能制造的进步与发展，机械设备在智能制造的大趋势下起着重要的作用，而滚动轴承是大多数机械设备中不可或缺的零件，滚动轴承的故障诊断技术是保证机械设备的安全运行的重要一环。传统的神经网络在故障诊断领域已经取得了显著的成果，但是大多数的方法在特征传递的过程每个神经元都是标量，无法携带空间位置特征信息。同时，传统的神经网络的训练依赖于大量的样本、在噪声环境下难以提取被噪声污染的信号特征。为了克服上述的困难，设计一种基于卷积胶囊网络（CCN）进行故障诊断的方法。
为了提取更多有效的特征信息，本文将卷积神经网络与胶囊网络结合在一起组合成卷积胶囊网络（CCN），其网络模型如图1所示。
图1 CCN的网络结构
如图1所示，数据在输入CCN之前需要进行处理，先将采集到原始信号进行数据处理转换为时频图。CCN主要由两个卷积层、一个池化层和一个胶囊层组成，该模型结构简单层数相对较少。其中网络前端利用卷积层来提取特征信息池化层来降低参数量，后端采用胶囊网络将提取的特征转换为向量神经元，通过动态路由算法来实现特征的传递。在第二层卷积之后，CCN保留了卷积神经网络的池化层，这里主要是使用池化操作来降低模型的参数量，进一步提升模型的训练速度。而且池化层也能有效的防止过拟合的发生，提高模型的泛化能力。预胶囊层包含卷积运算，同时将卷积结果以矢量形式构建胶囊作为数字胶囊层的输入。数字胶囊层通过动态路由算法计算胶囊层之间的相关性实现对故障特征的精确归类。CCN前端使用了卷积层加池化层的组合，可以减少训练参数并且更加深层次的提取故障特。CCN的后端采用一组胶囊结构对特征的空间信息进行矢量化和挖掘。使得CCN的在特征传递的过程中，神经元为向量神经元，能够携带空间位置特征。
实验平台及验证结果
为了验证本文提出方法的故障诊断能力，本研究采用得到旋转机械研究学者公认的美国凯斯西储大学（CWRU）滚动轴承数据。测试台由电机、扭矩传感器、测力计和控制电子设备组成。被测试轴承为电机支承轴承，型号为深沟球SKF6205轴承。使用电火花加工技术在被测轴承的内圈、滚动球体以及外圈上设置单点故障。
数据集三种工况介绍如表1所示，数据A是轴承转速为1772rpm、负载为1HP时收集的数据。数据 B 是轴承转速为1750rpm、负载为2HP时收集的数据。数据 C 是轴承转速为1730rpm、负载为3HP时收集的数据。
表1 各种工况的介绍
将各类故障原始振动信号进行分割，分割后的各类故障波形图如图2所示。对分割后的各类故障原始振动信号进行连续小波变换处理。选择cmor3-3小波作为基函数，连续小波变换处理后的时频图大小为32*32，连续小波变换后各类故障的时频图如图3所示。
图2原始振动信号波形图
图3连续小波变换后的时频图
不同工况下的故障诊断
由表2可知，对比VGG16、ResNet18、 LeNet-5，可以看出CCN具有更高准确率，可以达到100%。在图3和图4中可以更加直观的看到CCN的分类情况。
表 2 不同算法识别准确率
为了更好地验证所提方法的优势，将提取的特征用T-SNE的方法降低到二维，并进行绘制。数据A的结果如图4所示，不同的颜色的点表示不同的故障。其中LeNet-5网络的分类效果比较差，CNN和ResNet18的分类效果相对较好，但是特征之间的距离较近。CCN的分类能力和特征之间的距离相比于其他的模型都更加优秀。
图4 不同模型使用数据A中t-SNE可视化结果。(a) LeNet-5， (b) ResNet18， (c) VGG16， (d) CCN。
图5展示了不同模型使用数据A得到的混淆矩阵，其中 LeNet-5、CNN和ResNet18都存在错误的样本，而卷积胶囊网络没有错误样本，结果表明CCN的故障诊断能力最优异。
图5 不同模型使用数据A得到的混淆矩阵图。(a) LeNet-5, (b) ResNet18, (c) VGG16, (d) CCN
结论
本文将胶囊网络的特征提取层改进为卷积层加池化层的组合，能够提取更深层的特征并且降低了参数量，而CCN的后端依然采用胶囊网络对特征的空间信息进行矢量化和挖掘。CCN相比于其它传统的机器学习模型，能够自适应的提取故障特征，避免了手动提取特和依赖专家经验的缺点。并且CCN在小样本和噪声环境下依然可以快速有效的进行诊断。基于CCN的故障诊断方法可以适用于其它旋转部件，为机械设备的故障诊断智能化的实现提供基础。
How to Cite : Jiang, G., D. Li, K. Feng, Y. Li, J. Zheng, Q. Ni, and H. Li. “Rolling Bearing Fault Diagnosis Based On Convolutional Capsule Network”. Journal of Dynamics, Monitoring and Diagnostics, June 2023, doi:10.37965/jdmd.2023.260.
作者 姜广君
内蒙古工业大学机械工程学院教授、博士生导师，主要从事复杂装备可靠性与智能运维等方面的研究与应用。以第一作者或通讯作者发表SCI/EI论文30余篇，英文专著1部，授权相关发明专利、软件著作权40余项，担任中国系统工程学会系统可靠性工程专业委员会常务理事，中国优选法统筹法与经济数学研究会工业工程分会常务理事，中国运筹学会可靠性工程分会理事，中国机械工程学会可靠性工程分会委员，入选内蒙古自治区“新世纪321人才工程”，内蒙古自治区先进制造技术重点实验室负责人，内蒙古工业大学智能装备可靠性与优化研究所负责人，Computational Research Progress in Applied Science & Engineering期刊编委等职务。
研究团队
内蒙古自治区先进制造技术重点实验室，团队由教授、副教授、研究员、专职科研人员以及硕博士研究生造成。团队负责人姜广君教授为内蒙古工业大学教授、博士生导师，兼任智能装备可靠性与优化研究所负责人、复杂装备可靠性与优化设计学科团队负责人。团队成员一直从事复杂装备可靠性与智能运维等方面的研究，在故障分析、风险分析和可靠性分析等领域已经有了一定的理论基础和技术积累，团队拥有自治区及以上各类科研教学平台9个，科研设备总值4000余万元，包括高性能计算中心、多台（套）商用可靠性、维修性、寿命分析和优化设计软件平台。团队曾先后主持和参加国家自然科学基金项目、自治区重点研发计划项目等；累积培养硕博士研究生60余名；发表SCI论文50余篇，出版英文专著1部，授权多国发明专利20余项，可靠性相关软件著作权60余项。
团队以及共同作者近期研究成果
[1] Jiang G J, Yang J S, Cheng T C, et al. Remaining useful life prediction of rolling bearings based on Bayesian neural network and uncertainty quantification. Quality and Reliability Engineering International, vol.39, no.5, pp.1756-1774, 2023, doi:10.1002/qre.3308.
[2] Jiang G J, Huang C G, Nedjati A, et al. Discovering the sustainable challenges of biomass energy: a case study of Tehran metropolitan. Environment, Development and Sustainability, 2023, doi: 10.1007/s10668-022-02865-8.
[3] Jiang G J, Chen H X, Gao L, et al. Reliability analysis on ammonium nitrate/fuel oil explosive vehicle pharmaceutical system based on dynamic fault tree and Bayesian network. Annals of Operations Research, vol.311, no.1, pp.167-182, 2022, doi: 10.1007/s10479-019-03230-1.
[4] Jiang G J, Chen H X, Sun H H, et al. An improved multi-criteria emergency decision-making method in environmental disasters. Soft Computing, vol.25, no.15, pp.10351-10379, 2021, doi: 10.1007/s00500-021-05826-x.
[5] Ni Q, Ji JC, Halkon B, Feng K, Nandi AK. Physics-Informed Residual Network (PIResNet) for rolling element bearing fault diagnostics. Mechanical Systems and Signal Processing. 2023, vol. 200, pp. 110544, doi: 10.1016/j.ymssp.2023.110544.
[6] Feng K, Ni Q, Beer M, Du H, Li C. A novel similarity-based status characterization methodology for gear surface wear propagation monitoring. Tribology International. 2022, vol. 174, pp. 107765, doi: 10.1016/j.triboint.2022.107765.
[7] Feng K, Ji JC, Zhang Y, Ni Q, Liu Z, Beer M. Digital twin-driven intelligent assessment of gear surface degradation. Mechanical Systems and Signal Processing. 2023 vol.186, pp. 109896, doi: 10.1016/j.ymssp.2022.109896.
[8] Li H, Yazdi M, Huang HZ, Huang CG, Peng W, Nedjati A, Adesina KA. A fuzzy rough copula Bayesian network model for solving complex hospital service quality assessment. Complex & Intelligent Systems. 2023, pp. 1-27, doi: 10.1007/s40747-023-01002-w.
[9] Li H, Soares CG. Assessment of failure rates and reliability of floating offshore wind turbines. Reliability Engineering & System Safety. 2022, vol. 228, pp.108777, doi: 10.1016/j.ress.2022.108777.
[10] Feng K, Ji JC, Wang K, Wei D, Zhou C, Ni Q. A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines. Ocean Engineering. 2022, vol. 266, pp. 112920, doi: 10.1016/j.oceaneng.2022.112920.
作者：冯珂 编辑：郝一帆
审核：曹阳、张弘杨
期刊简介
《动力学、监测与诊断学报》（Journal of Dynamics, Monitoring and Diagnostics）由重庆中德未来工厂研究院、重庆理工大学共同创办，与美国出版商ISTP合作OA（开放获取）出版。该刊发表测量与传感新技术，故障诊断与健康管理，机器状态监测中的信号处理，特征提取与故障识别，故障诊断中的动力学建模与机理等方面文章，旨在打造成为高水平的国际学术期刊，为专注于故障诊断领域的研究人员和现场工程师提供一个享有盛誉的平台。
国家杰青、中国振动工程学会故障诊断专业委员会主任委员、清华大学褚福磊教授任期刊国内主编，英国哈德斯菲尔德大学副校长、计算与工程系Andrew Ball教授任期刊海外主编。期刊现有编委52人，其中海外编委35人，占比达67%。来自欧美日韩等发达国家的编委25人，占比达70%。
期刊网址：https://ojs.istp-press.com/dmd
邮箱：dmd@istp-press.com 电话：023-62561425
