diff --git a/main.adoc b/main.adoc index c3a9d91..f35fa61 100644 --- a/main.adoc +++ b/main.adoc @@ -27,40 +27,156 @@ Keywords: vibrating screen, fault monitoring, edge computing, CNN, MEMS 因此，本课题提出“基于 MEMS 和 CNN 的振动筛故障检测设备”的研究，旨在通过 MEMS 传感器实时采集振动筛的振动信号，并利用 CNN 对采集到的信号进行深度学习和处理，实现振动筛故障的自动识别和预警。这不仅能够提高故障检测的准确性和效率，减少人工巡检的工作量和误判率，还能够及时发现潜在的安全隐患，保障生产线的稳定运行，具有较为广泛的应用前景。 -==== 振动传感器应用现状 +==== 利用振动特征进行故障诊断研究现状 振动传感器通过测量设备的振动加速度或振动速度，将振动信号转换为电信号进行采集和分析。在设备故障诊断中，振动传感器可以实时监测设备的振动情况，并通过算法和数据分析技术提取振动信号的特征参数，如频率、振幅、相位等。这些特征参数可以反映出设备的运行状态和健康情况，为故障诊断提供重要依据。 -// T. S. Barbosa, D. D. Ferreira, D. A. Pereira, R. R. Magalhães 和 B. H. G. Barbosa, 《Fault Detection and Classification in Cantilever Beams Through Vibration Signal Analysis and Higher-Order Statistics》, J Control Autom Electr Syst, 卷 27, 期 5, 页 535–541, 10 月 2016, doi: 10.1007/s40313-016-0255-1. -Barbosa 等提出了一种基于振动信号分析和高阶统计的悬臂梁故障检测与分类方法，采用 Fisher 判别比（FDR）进行特征选择，人工神经网络进行故障检测和分类。对悬臂梁施加了三种不同程度的故障（低、中、高），所提出的模式识别系统能够对故障进行分类，性能范围为 88% 至 100%。 +===== 国内研究现状 -// 朱来发，金花雪，范伟和刘斌，《加速度传感器的振动筛螺栓松动故障诊断系统》, 华侨大学学报 (自然科学版), 卷 45, 期 1, 页 10–15, 2024. -朱来发 等提出了一种加速度传感器的振动筛螺栓松动故障诊断系统。该系统针对 GLS10 型直线振动筛弹簧紧固螺栓松动故障，结合 LABVIEW 和 NIUSB-6363 数据采集卡进行故障诊断。指出根据加速度信号图谱，以及振幅的大小分辨振动筛的故障类型的方法。 +朱来发等提出了一种加速度传感器的振动筛螺栓松动故障诊断系统。指出根据加速度信号图谱，以及振幅的大小分辨振动筛的故障类型的方法。 +贾涛在振动筛的故障诊断及动力学分析过程中分析了振动筛滚动轴承故障特征。认为将包络信号进行频谱分析后可以观测到对应故障频率的最大谱峰以及谐波谱峰，提供了使用加速度数据进行振动筛轴承故障诊断的参考特征。 +江方文在研究中使用小波系数能量特征提取，通过将不同层的小波系数能量值组合为特征向量输入故障识别系统中进行故障诊断。通过该方法可以减少单一特征量的局限性，提取不同频段内由故障产生的异常特征，可以获得较好的识别效果。 +苏旭在振动筛健康状态监测方法研究中则提出将变分模态分解和多尺度排列熵相结合应用于振动筛故障特征量提取，将振动筛加速度信号进行变分模态分解，并采用频谱估计法选出含有故障信息的敏感分量，分别计算不同尺度下加速度信号的排列熵值，选取对故障敏感的尺度因子所对应的排列熵值，组成故障特征向量组，完成故障特征提取工作。 +赵国瑞等使用力锤代替激振器作为激振器作为激振源，对预制裂纹的大型香蕉直线振动筛简化模型输入激励，并使用加速度传感器记录振动响应信号，通过分析响应信号的特征频率变化规律，判断裂纹的存在和发展趋势。但使用外加激振源并观测响应信号的方式必须定期停机检测，难以实现振动筛故障的在线诊断。 +张凤则采用神经网络系统辨识的方式建立系统模型，然后对辨识后得出的系统模型施加激励，通过分析模型对施加激励的输出响应，能够较为准确的进行损伤检测，可以应用于实际振动筛的裂纹趋势分析上。 +彭利平等提出了一种基于刚度反演的大型振动筛减震弹簧健康识别的方法。提出了利用加速度响应获取速度、位移响应的数字信号处理方法，构造系统的响应矩阵，实现了筛体自由响应反推出各减振弹簧刚度。 +在生产实践中，王斌认为滚动轴承、齿轮具有规则结构，设备转速一定时，滚动轴承和齿轮具有确定的故障频率。将时域信号经滤波处理后，高频低能量信号经信号放大、快速傅里叶变换 FFT、包络处理后生成包络的频域信号，监测到上述故障频率下的异常振动时，可以判断故障发生的位置。 -// [1] J. Kim, K. Kim 和 H. Sohn, 《Autonomous dynamic displacement estimation from data fusion of acceleration and intermittent displacement measurements》, Mechanical Systems and Signal Processing, 卷 42, 期 1, 页 194–205, 1 月 2014, doi: 10.1016/j.ymssp.2013.09.014. -// [2] Y. K. Thong, M. S. Woolfson, J. A. Crowe, B. R. Hayes-Gill 和 D. A. Jones, 《Numerical double integration of acceleration measurements in noise》, Measurement, 卷 36, 期 1, 页 73–92, 7 月 2004, doi: 10.1016/j.measurement.2004.04.005. -Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融合进行自主动态位移估计和噪声加速度测量的数值双积分的方式用于位移测量的方式，该方式可以作为振动筛运行状态的数据来源和评价标准之一。 +===== 国外研究现状 + +Barbosa 等提出了一种基于振动信号分析和高阶统计的悬臂梁故障检测与分类方法，采用 Fisher 判别比（FDR）进行特征选择，人工神经网络进行故障检测和分类。 +Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融合进行自主动态位移估计和噪声加速度测量的数值双积分的方式用于位移测量的方式。 +Cheng 等利用虚拟原型技术建立了振动筛激励系统的动力学模型，从齿轮转心的轨迹变化、齿轮的法向啮合力以及振动加速度在垂直、水平和轴向三个方面讨论了正常齿轮副和故障齿轮副的动态特性，指出了轮齿折断故障的检测策略和识别指标。 +Krot 等提出了一种基于非线性动力学模型的相空间图 (PSP) 方法在弹簧劣化（裂纹或刚度降低）情况下对振动筛进行分析的思路。 +Wodecki 等认为通过分析时频标识、循环稳态、位移轨迹和 PSP 特征可以识别与不平衡轴引起的冲击相关的高振幅循环扰动以及与故障轴承相关的弱循环脉冲。该研究表明，即使在振动器的严重周期性扰动和具有非高斯分布的筛分材料碎片（脉冲噪声）的随机冲击下，也可以可靠地检测到轴承点蚀和其他局部缺陷的集中点。 +Cai 等提出了一种称为包络导数算子 (EDO) 的替代能源算子方法。克服了 Teager-Kaiser 能量算子 (TKEO) 和希尔伯特变换 (HT) 由于对振动和噪声较为敏感的问题。 + +// ===== 国内研究现状 + +// // 朱来发，金花雪，范伟和刘斌，《加速度传感器的振动筛螺栓松动故障诊断系统》, 华侨大学学报 (自然科学版), 卷 45, 期 1, 页 10–15, 2024. +// 朱来发等提出了一种加速度传感器的振动筛螺栓松动故障诊断系统。该系统针对 GLS10 型直线振动筛弹簧紧固螺栓松动故障，结合 LABVIEW 和 NIUSB-6363 数据采集卡进行故障诊断。指出根据加速度信号图谱，以及振幅的大小分辨振动筛的故障类型的方法。 + +// // 贾涛。振动筛的故障诊断及动力学分析 [D]. 西安建筑科技大学，2012. +// 贾涛在振动筛的故障诊断及动力学分析过程中分析了振动筛滚动轴承故障特征。当滚动轴承工作时，其振动信号频谱图中幅值最大峰对应轴承转动工频，并且在其工频倍频位置存在幅值呈指数形式衰减的峰。当轴承内圈出现故障时，时域上存在明显的冲击特征，但是频域上并未明显的特征谱峰。将包络信号进行频谱分析后可以观测到对应故障频率的最大谱峰以及谐波谱峰。该分析提供了使用加速度数据进行振动筛轴承故障诊断的参考特征。 + +// // 赵国瑞，武丽，薛光辉，等。基于振动的大型香蕉直线振动筛大梁裂纹故障诊断研究 [J]. 煤炭工程，2011(3): 119–121. +// // 薛光辉。大型振动筛大梁裂纹故障诊断方法研究 [D]. 中国矿业大学（北京）, 2010. +// 赵国瑞等使用力锤代替激振器作为激振器作为激振源，对预制裂纹的大型香蕉直线振动筛简化模型输入激励，并使用加速度传感器记录振动响应信号，通过分析响应信号的特征频率变化规律，判断裂纹的存在和发展趋势。 + +// 但使用外加激振源并观测响应信号的方式必须定期停机检测，难以实现振动筛故障的在线诊断。 + +// //张凤。基于神经网络模型的振动筛损伤检测研究 [D]. 太原理工大学，2012. +// 张凤在基于神经网络模型的振动筛损伤检测研究中使用加速度传感器进行直线振动筛下横梁裂纹的故障检测。在是实际测量数据中发现由传感器测量的数据在出现裂纹时频谱特征不明显。采用神经网络系统辨识的方式建立系统模型，然后对辨识后得出的系统模型施加激励，通过分析模型对施加激励的输出响应，能够较为准确的进行损伤检测，可以应用于实际振动筛的裂纹趋势分析上。 + +// // 江方文。振动筛故障特征提取及监测系统的开发 [D]. 华侨大学，2018. +// 江方文在振动筛故障提取计检测系统开发中使用了压电式加速度传感器进行数据采集。将加速度计 x 和 y 轴解算得到振幅，再合成得到振动筛的运动轨迹和振动的方向。此外，该研究中使用小波系数能量特征提取，通过将不同层的小波系数能量值组合为特征向量输入故障识别系统中进行故障诊断。通过该方法可以减少单一特征量的局限性，提取不同频段内由故障产生的异常特征，可以获得较好的识别效果。 + +// // 苏旭。振动筛健康状态监测方法研究 [D]. 华侨大学，2021. +// 苏旭在振动筛健康状态监测方法研究中则提出将变分模态分解和多尺度排列熵相结合应用于振动筛故障特征量提取，将振动筛加速度信号进行变分模态分解，并采用频谱估计法选出含有故障信息的敏感分量，分别计算不同尺度下加速度信号的排列熵值，选取对故障敏感的尺度因子所对应的排列熵值，组成故障特征向量组，完成故障特征提取工作。 + +// //彭利平，刘初升，王宏。基于刚度反演的大型振动筛减振弹簧健康识别 [J]. 煤炭学报，2016, 41(6): 1568–1574. +// 彭利平等提出了一种基于刚度反演的大型振动筛减震弹簧健康识别的方法。建立了减振弹簧故障下振动筛非对称动力学模型，推导了减振系统几何位置误差下振动筛空间三自由度运动的振动微分方程。提出了利用加速度响应获取速度、位移响应的数字信号处理方法，构造系统的响应矩阵，开发了减振弹簧刚度反演基本原理与方法，实现了筛体自由响应反推出各减振弹簧刚度。 + +// // 王斌。三轴加速度传感器在振动筛故障诊断的应用 [J]. 洁净煤技术，2023, 29(S2): 683–686. +// 在生产实践中，王斌提出一种三轴加速度传感器在振动筛故障诊断的应用。认为滚动轴承、齿轮具有规则结构，设备转速一定时，滚动轴承和齿轮具有确定的故障频率。该应用使用 MMA7260 的 MEMS 三轴加速度传感器作为数据采集来源，当传感器采集的时域信号经滤波处理后，高频低能量信号经信号放大、快速傅里叶变换 FFT、包络处理后生成包络的频域信号，监测到上述故障频率下的异常振动时，可以判断故障发生的位置。 + +// ===== 国外研究现状 + +// // T. S. Barbosa, D. D. Ferreira, D. A. Pereira, R. R. Magalhães 和 B. H. G. Barbosa, 《Fault Detection and Classification in Cantilever Beams Through Vibration Signal Analysis and Higher-Order Statistics》, J Control Autom Electr Syst, 卷 27, 期 5, 页 535–541, 10 月 2016, doi: 10.1007/s40313-016-0255-1. +// Barbosa 等提出了一种基于振动信号分析和高阶统计的悬臂梁故障检测与分类方法，采用 Fisher 判别比（FDR）进行特征选择，人工神经网络进行故障检测和分类。对悬臂梁施加了三种不同程度的故障（低、中、高），所提出的模式识别系统能够对故障进行分类，性能范围为 88% 至 100%。 + +// // [1] J. Kim, K. Kim 和 H. Sohn, 《Autonomous dynamic displacement estimation from data fusion of acceleration and intermittent displacement measurements》, Mechanical Systems and Signal Processing, 卷 42, 期 1, 页 194–205, 1 月 2014, doi: 10.1016/j.ymssp.2013.09.014. +// // [2] Y. K. Thong, M. S. Woolfson, J. A. Crowe, B. R. Hayes-Gill 和 D. A. Jones, 《Numerical double integration of acceleration measurements in noise》, Measurement, 卷 36, 期 1, 页 73–92, 7 月 2004, doi: 10.1016/j.measurement.2004.04.005. +// Kim 和 Thong 等分别提出了通过加速度和间歇位移测量的数据融合进行自主动态位移估计和噪声加速度测量的数值双积分的方式用于位移测量的方式，该方式可以作为振动筛运行状态的数据来源和评价标准之一。 + +// //Cheng X, Li Z, Cao C, 等。Dynamic Analysis and Fault Diagnosis for Gear Transmission of a Vibration Exciter of a Mine-Used Vibrating Screen under Different Conditions[J]. Applied Sciences, Multidisciplinary Digital Publishing Institute, 2022, 12(24): 12970. +// Cheng 等利用虚拟原型技术建立了振动筛激励系统的动力学模型，从齿轮转心的轨迹变化、齿轮的法向啮合力以及振动加速度在垂直、水平和轴向三个方面讨论了正常齿轮副和故障齿轮副的动态特性，指出了轮齿折断故障的检测策略和识别指标。 + +// //Krot P, Zimroz R. Methods of Springs Failures Diagnostics in Ore Processing Vibrating Screens[J]. IOP Conference Series: Earth and Environmental Science, IOP Publishing, 2019, 362(1): 012147. +// Krot 等使用安装在旋转不平衡激振器轴承支架上的振动传感器数据用于矿石加工振动筛弹簧故障的诊断。提出了一种基于非线性动力学模型的相空间图 (PSP) 方法在弹簧劣化（裂纹或刚度降低）情况下对振动筛进行分析的思路。认为相空间图上的轨迹可以检测支撑弹簧的损坏，并且这些轨迹受弹簧刚度降低和动态系统的非线性特性的影响，而信号的相空间表示和分析不受噪声的影响，相空间图上的线性模型响应认为是无缺陷弹簧的健康状态。 + +// // CSC 引用自 Antoni J. Cyclic spectral analysis in practice[J]. Mechanical Systems and Signal Processing, 2007, 21(2): 597–630. +// // Wodecki J, Krot P, Wróblewski A, 等。Condition Monitoring of Horizontal Sieving Screens—A Case Study of Inertial Vibrator Bearing Failure in Calcium Carbonate Production Plant[J]. Materials, Multidisciplinary Digital Publishing Institute, 2023, 16(4): 1533. +// Wodecki 等比较了使用频谱图、循环频谱相干性 (CSC)、包络谱、位移轨迹和 PSP 在振动筛轴承故障时的特征，认为通过分析时频标识、循环稳态、位移轨迹和 PSP 特征可以识别与不平衡轴引起的冲击相关的高振幅循环扰动以及与故障轴承相关的弱循环脉冲。该研究表明，即使在振动器的严重周期性扰动和具有非高斯分布的筛分材料碎片（脉冲噪声）的随机冲击下，也可以可靠地检测到轴承点蚀和其他局部缺陷的集中点。 + +// // Cai Z, Xu Y, Duan Z. An alternative demodulation method using envelope-derivative operator for bearing fault diagnosis of the vibrating screen[J]. Journal of Vibration and Control, 2018, 24(15): 3249–3261. +// Cai 等认为 Teager-Kaiser 能量算子 (TKEO) 和希尔伯特变换 (HT) 由于对振动和噪声较为敏感，限制了其在振动筛的轴承故障诊断方面的应用。为了克服这些缺点，提出了一种称为包络导数算子 (EDO) 的替代能源算子方法。振动筛的仿真和轴承故障诊断结果表明，EDO 能够有效地提取故障特征频率，证明了其与 TKEO 相比的可行性和优越性。 ==== 卷积神经网络在相关方向的研究现状 随着计算机深度学习能力的发展，使用常规人工特征提取和传统时频域分析的方式正逐渐被深度学习方式取代。不同于传统方式，深度学习能够快速从大量数据中学习到人工不易观察到的特征，并具有较强的泛化能力。目前主要的研究都是基于广泛使用的深度学习模型结构，如堆叠 自动编码器 (AE)、深度信念网络 (DBN) 卷积神经网络 (CNN)、残差神经网络 (ResNet) 循环神经网络 (RNN)、长短时记忆网络 (LSTM) 等。 // Y. Lei, B. Yang, X. Jiang, F. Jia, N. Li 和 A. K. Nandi, 《Applications of machine learning to machine fault diagnosis: A review and roadmap》, Mechanical Systems and Signal Processing, 卷 138, 页 106587, 4 月 2020, doi: 10.1016/j.ymssp.2019.106587. - 或者使用具有成熟结构的 LeNet、MobileNet 等网络。 就卷积神经网络而言，当 CNN 应用于时间序列分类时，它有两个优点：局部依赖性和尺度不变性。局部依赖意味着邻近信号可能是相关的，而尺度不变性是指不同的空间或频率下的尺度不变性。对于使用 CNN 的架构，主要分为使用 1D CNN 和 2D CNN 的诊断模型。2D CNN 广泛应用于图像处理，而 1D CNN 常见于数据序列的处理。一般来说，故障诊断常使用 1D CNN 进行。 -//O. Janssens 等，《Convolutional Neural Network Based Fault Detection for Rotating Machinery》, Journal of Sound and Vibration, 卷 377, 页 331–345, 9 月 2016, doi: 10.1016/j.jsv.2016.05.027. -Janssens 等人提出了一种基于卷积神经网络的旋转机械故障检测方法。该网络使用将加速度计信号缩放至均值和单位方差为零（即使用 z-score 方式标准化）。然从训练集信号中提取包含一秒测量样本的非重叠窗口。对于提取样品的每个窗口，计算 DFT，最后将频域数据用作神经网络模型的训练样本。该网络使用了 2D CNN，输入数据是从正交放置的两个振动传感器得到并处理的，具有一个宽度为 64 的卷积层和一个有 200 个单元的全连接层。 -// T. Ince, S. Kiranyaz, L. Eren, M. Askar 和 M. Gabbouj, 《Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks》, IEEE Transactions on Industrial Electronics, 卷 63, 期 11, 页 7067–7075, 11 月 2016, doi: 10.1109/TIE.2016.2582729. -Ince 等提出了一种使用一维 CNN 进行实时电机故障检测的方法。该方法使用工业电路监测器采集电机电流数据，通过二阶陷波滤波器对当前数据进行滤波，以抑制用于预处理的基频。通过在抗混叠滤波之前执行抽取，对原始输入电流信号进行 8 倍的下采样。然后进行归一化，作为一维 CNN 网络的输入。该方案实现了大于 97% 的识别准确率，并且具有较高水平的泛化能力。 +===== 国内研究现状 -// 王靖岳，高天，王浩天和王军年，《基于 CNN-LSTM 的齿轮箱复合故障状态监测研究》, 矿山机械，卷 50, 期 5, 页 55–59, 2022, doi: 10.16816/j.cnki.ksjx.2022.05.008. -王靖岳等提出了一种 CNN 内嵌 LSTM 网络的齿轮箱复合故障状态监测方法。该方法使用一维振动信号作为网络输入，该网络先叠加两层卷积层和一层展平层，将特征图转化为一维序列后输入 LSTM 层，再经过一层全连接层得到输出。使用该方法对齿轮箱试验台采集的复合故障数据进行训练与测试，平均准确率达到 86.4%，证明了该模型的有效性与稳定性。 +王靖岳等使用一维振动信号作为网络输入，输入 CNN-LSTM 网络进行训练。使用该方法对齿轮箱试验台采集的复合故障数据进行训练与测试，得到了较好的实现效果。 +田心平等通过自适应噪声完备集合经验模态分解 (CEEMDAN) 算法降噪和信号重构，再运用改进 CNN 模型进行故障诊断，实现了在复杂工况下对轴承故障的高效准确识别。 +熊青松在对高层建筑结构振动识别中也使用了类似信号重构的思路。提出一种基于深度表征学习的振动识别法。利用历史数据获取结构加速度响应信号，通过 FFT 获取一维频谱序列。然后将频谱序列输入深度自编码神经网络（AUE）进行训练，并重构信号。量化原始与重构信号差异，得到敏感特征参数。最后，使用机器学习分类算法训练分类器，基于测试结果选择最优算法，实现振动信号的可靠识别。 +马举在基于重采样算法与迁移学习的直线振动筛故障诊断研究中引入了迁移学习理论，选择了针对性的迁移学习效果评估指标，用于精准筛选最优诊断模型。对于在多批次同型号振动筛上快速部署最优诊断模型具有参考意义。 +张珂等提出一种多模态注意力卷积神经网络。该网络采用多个并行卷积层构建，并结合注意力机制，有效地提取了丰富的故障特征。 +肖雄等为了解决使用一维卷积神经网络进行故障诊断容易过拟合的问题，将抽取的 N^2 各时域信号转换为 N*N 的灰度特征图，使用 LeNet-5 进行分类，取得较好的识别效果。类似的，陈华在直线振动筛在线故障诊断方法研究及系统开发中，将多个布置于不同位置的加速度传感器原始时域信号抽取并重组为单通道二维灰度特征图，并使用 LeNet-5 对输入图像进行分类，能过够得到较好的故障诊断结果。 -//W. Jiang 和 Z. Yin, 《Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks》, 收入 Proceedings of the 23rd ACM international conference on Multimedia, 收入 MM’15. New York, NY, USA: Association for Computing Machinery, 10 月 2015, 页 1307–1310. doi: 10.1145/2733373.2806333. -不同于传统使用 1D CNN 进行时间序列分类任务的方法，Jiang 等提出了一种基于深度卷积神经网络的可穿戴传感器进行人体活动识别的方法。该方法使用深度卷积神经网络 (DCNN)，并且将基于陀螺仪、总加速度和线性加速度信号生成的活动图像作为输入。认为通过将各一维信号逐行堆叠形成信号图像中，每个信号序列都有机会与其他序列相邻，这使得 DCNN 能够提取相邻信号之间的隐藏相关性。该论文中将所提方法和 SVM 方法和特征选择方法进行对比，取得了最佳的精度和处理效率。 +===== 国外研究现状 +Aqueveque 等提出了一种用于振动筛故障检测的物联网系统。将无线传感器与数据驱动的机器学习相结合，形成一个仪器专用网络，用于监测振动振动筛。使用类似于具有核密度估计的朴素贝叶斯模型和二次 SVM 模型进行异常分类，并在测试轴分别取得了 97.5% 和 97.8% 的准确率。 +Ince 等提出了一种使用一维 CNN 进行实时电机故障检测的方法。在预处理阶段通过二阶陷波滤波器对数据进行滤波，以抑制用于预处理的基频。 +不同于传统使用 1D CNN 进行时间序列分类任务的方法，Jiang 等使用深度卷积神经网络 (DCNN)，并且将基于陀螺仪、总加速度和线性加速度信号生成的活动图像作为输入。认为能够提取相邻信号之间的隐藏相关性。 +Janssens 等将加速度计信号使用 z-score 方式标准化。然后从训练集信号中提取包含一秒测量样本的非重叠窗口并计算 DFT，最后将频域数据用作神经网络模型的训练样本。该网络使用了 2D CNN，输入数据是从正交放置的两个振动传感器得到并处理的。 +在轴承故障诊断中，Zhang 等也使用了将原始振动信号转化成二维特征图像作为卷积神经网络的方法。作者比较了该方法和使用频域特征作为 ANN 输入进行故障检测的方法，指出 FFT + ANN 虽然在部分测试数据集中表现良好，但对于高频信号，选择 FFT 或者 WT 进行频率特征的提取将变得较为困难。 +Fan 等同样也使用二维特征图作为卷积神经网络的输入，但不同于直接使用原始时域信号，作者比较了使用处理后的内征模态函数排列（IMFA）、经验模态分解 - 伪 Wigner-Ville 分布（EP）、对称极坐标图像（SPCI）和灰度纹理图（GTM）作为卷积神经网络的输入的分类效果，论证了几种特征图像在添加噪声后的识别准确率变化。 +除了使用不同的特征图作为网络输入，Hao 等通过在 CNN 模型中增加了多种卷积步幅模式，以提取信号不同尺度的特征并扩展特征维度，从而使网络能够从训练数据中更好的提取潜藏的特征。 +此外，Wang 等人在使用 1D-CNN 进行的的轴承故障诊断中还提出使用多模态传感器用于同时收集振动和声音信号作为输入，将振动和声音信号分别经过卷积和池化提取特征后在全连接层进行融合。通过分析不同信噪比下的损失函数和准确率，实证发现所提方法的诊断准确率高于基于单模态传感器的算法。 + + +// ===== 国内研究现状 +// // 王靖岳，高天，王浩天和王军年，《》, 矿山机械，卷 50, 期 5, 页 55–59, 2022, doi: 10.16816/j.cnki.ksjx.2022.05.008. +// 王靖岳等提出了一种 CNN 内嵌 LSTM 网络的齿轮箱复合故障状态监测方法。该方法使用一维振动信号作为网络输入，该网络先叠加两层卷积层和一层展平层，将特征图转化为一维序列后输入 LSTM 层，再经过一层全连接层得到输出。使用该方法对齿轮箱试验台采集的复合故障数据进行训练与测试，平均准确率达到 86.4%，证明了该模型的有效性与稳定性。 + +// // 田心平，钱云祥，张浩楠，等。基于自适应降噪和改进 CNN 的轴承故障诊断方法 [J]. 机电工程技术，2024, 53(1): 228-232+252. +// 田心平等提出了一种结合自适应降噪和改进 CNN 的滚动轴承故障诊断方法。通过自适应噪声完备集合经验模态分解 (CEEMDAN) 算法降噪和信号重构，再运用改进 CNN 模型进行故障诊断，实现了在复杂工况下对轴承故障的高效准确识别。 + +// //熊青松，熊海贝，孔庆钊，等。基于振动信号深度表征学习的高层建筑结构振动识别 [J]. 工程力学，: 1–13. +// 熊青松在对高层建筑结构振动识别中也使用了类似信号重构的思路。提出一种基于深度表征学习的振动识别法。利用历史数据获取结构加速度响应信号，通过 FFT 获取一维频谱序列。然后将频谱序列输入深度自编码神经网络（AUE）进行训练，并重构信号。量化原始与重构信号差异，得到敏感特征参数。最后，使用机器学习分类算法训练分类器，基于测试结果选择最优算法，实现振动信号的可靠识别。 + +// // 马举。基于重采样算法与迁移学习的直线振动筛故障诊断研究 [D]. 华侨大学，2023. +// 马举在基于重采样算法与迁移学习的直线振动筛故障诊断研究中引入了迁移学习理论，选择了针对性的迁移学习效果评估指标，用于精准筛选最优诊断模型。在八种重采样算法利用近邻思想扩充少数类样本的基础上，结合迁移学习理论，对 Alex Net、VGG16 等四种深度学习模型进行微调，将批次一数据集预训练模型权重载入批次二、批次三诊断模型中，实现 ZS2468C 型振动筛不同批次迁移学习故障诊断。该研究对于在多批次同型号振动筛上快速部署最优诊断模型具有参考意义。 + +// // 张珂，王竞禹，石怀涛，等。基于 CNN 的变工况滚动轴承故障诊断研究 [J]. 控制工程，2022, 29(2): 254–262. +// 张珂等针对滚动轴承工作环境多变和样本不足导致故障诊断效果不佳的问题，提出一种多模态注意力卷积神经网络。该网络采用多个并行卷积层构建，并结合注意力机制，有效地提取了丰富的故障特征。 + +// // 肖雄，王健翔，张勇军，等。一种用于轴承故障诊断的二维卷积神经网络优化方法 [J]. 中国电机工程学报，2019, 39(15): 4558–4568. +// 肖雄等为了解决使用一维卷积神经网络进行故障诊断容易过拟合的问题，将抽取的 N^2 各时域信号转换为 N*N 的灰度特征图，使用 LeNet-5 进行分类，取得较好的识别效果。类似的， +// // 陈华。直线振动筛在线故障诊断方法研究及系统开发 [D]. 华侨大学，2022. +// 陈华在直线振动筛在线故障诊断方法研究及系统开发中，将多个布置于不同位置的加速度传感器原始时域信号抽取并重组为单通道二维灰度特征图，并使用 LeNet-5 对输入图像进行分类，能过够得到较好的故障诊断结果。 + + +// ===== 国外研究现状 +// //Aqueveque P, Radrigan L, Morales A S, 等。Development of a Cyber-Physical System to Monitor Early Failures Detection in Vibrating Screens[J]. IEEE Access, 2021, 9: 145866–145885. +// Aqueveque 等提出了一种用于振动筛故障检测的物联网系统。将无线传感器与数据驱动的机器学习相结合，形成一个仪器专用网络，用于监测振动振动筛。使用类似于具有核密度估计的朴素贝叶斯模型和二次 SVM 模型进行异常分类，并在测试轴分别取得了 97.5% 和 97.8% 的准确率。 + +// //O. Janssens 等，《Convolutional Neural Network Based Fault Detection for Rotating Machinery》, Journal of Sound and Vibration, 卷 377, 页 331–345, 9 月 2016, doi: 10.1016/j.jsv.2016.05.027. +// Janssens 等人提出了一种基于卷积神经网络的旋转机械故障检测方法。该网络使用将加速度计信号缩放至均值和单位方差为零（即使用 z-score 方式标准化）。然从训练集信号中提取包含一秒测量样本的非重叠窗口。对于提取样品的每个窗口，计算 DFT，最后将频域数据用作神经网络模型的训练样本。该网络使用了 2D CNN，输入数据是从正交放置的两个振动传感器得到并处理的，具有一个宽度为 64 的卷积层和一个有 200 个单元的全连接层。 + +// // T. Ince, S. Kiranyaz, L. Eren, M. Askar 和 M. Gabbouj, 《Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks》, IEEE Transactions on Industrial Electronics, 卷 63, 期 11, 页 7067–7075, 11 月 2016, doi: 10.1109/TIE.2016.2582729. +// Ince 等提出了一种使用一维 CNN 进行实时电机故障检测的方法。该方法使用工业电路监测器采集电机电流数据，通过二阶陷波滤波器对当前数据进行滤波，以抑制用于预处理的基频。通过在抗混叠滤波之前执行抽取，对原始输入电流信号进行 8 倍的下采样。然后进行归一化，作为一维 CNN 网络的输入。该方案实现了大于 97% 的识别准确率，并且具有较高水平的泛化能力。 + +// //W. Jiang 和 Z. Yin, 《Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks》, 收入 Proceedings of the 23rd ACM international conference on Multimedia, 收入 MM’15. New York, NY, USA: Association for Computing Machinery, 10 月 2015, 页 1307–1310. doi: 10.1145/2733373.2806333. +// 不同于传统使用 1D CNN 进行时间序列分类任务的方法，Jiang 等提出了一种基于深度卷积神经网络的可穿戴传感器进行人体活动识别的方法。该方法使用深度卷积神经网络 (DCNN)，并且将基于陀螺仪、总加速度和线性加速度信号生成的活动图像作为输入。认为通过将各一维信号逐行堆叠形成信号图像中，每个信号序列都有机会与其他序列相邻，这使得 DCNN 能够提取相邻信号之间的隐藏相关性。该论文中将所提方法和 SVM 方法和特征选择方法进行对比，取得了最佳的精度和处理效率。 + +// // Zhang W, Peng G, Li C. Bearings Fault Diagnosis Based on Convolutional Neural Networks with 2-D Representation of Vibration Signals as Input[J]. MATEC Web of Conferences, EDP Sciences, 2017, 95: 13001. +// 在轴承故障诊断中，Zhang 等也使用了将原始振动信号转化成二维特征图像作为卷积神经网络的方法。作者比较了该方法和使用频域特征作为 ANN 输入进行故障检测的方法，指出 FFT + ANN 虽然在部分测试数据集中表现良好，但对于高频信号，选择 FFT 或者 WT 进行频率特征的提取将变得较为困难。 + +// // Fan H, Xue C, Zhang X, 等。Vibration Images-Driven Fault Diagnosis Based on CNN and Transfer Learning of Rolling Bearing under Strong Noise[J]. Shock and Vibration, Hindawi, 2021, 2021: e6616592. +// Fan 等同样也使用二维特征图作为卷积神经网络的输入，但不同于直接使用原始时域信号，作者比较了使用处理后的内征模态函数排列（IMFA）、经验模态分解 - 伪 Wigner-Ville 分布（EP）、对称极坐标图像（SPCI）和灰度纹理图（GTM）作为卷积神经网络的输入的分类效果，论证了几种特征图像在添加噪声后的识别准确率变化。 + +// // Hao H, Fuzhou F, Zhu J, 等。Research on Fault Diagnosis Method Based on Improved CNN[J]. Shock and Vibration, 2022, 2022: 1–15. +// 除了使用不同的特征图作为网络输入，Hao 等通过在 CNN 模型中增加了多种卷积步幅模式，以提取信号不同尺度的特征并扩展特征维度，从而使网络能够从训练数据中更好的提取潜藏的特征。 + +// // Wang X, Mao D, Li X. Bearing fault diagnosis based on vibro-acoustic data fusion and 1D-CNN network[J]. Measurement, 2021, 173: 108518. +// 此外，Wang 等人在使用 1D-CNN 进行的的轴承故障诊断中还提出使用多模态传感器用于同时收集振动和声音信号作为输入，将振动和声音信号分别经过卷积和池化提取特征后在全连接层进行融合。通过分析不同信噪比下的损失函数和准确率，实证发现所提方法的诊断准确率高于基于单模态传感器的算法。 === 当前存在的主要问题 @@ -82,17 +198,19 @@ Ince 等提出了一种使用一维 CNN 进行实时电机故障检测的方法 === 论文结构 -论文主要分为五个部分。 +基于以上工作内容，论文主要分为六个部分。 -第一个部分介绍基于 MEMS 和 CNN 的振动筛故障检测设备的总体设计方案。主要针对总体技术架构、需求分析、总体方案几个方面进行讨论和设计。确定该设备定位为低成本和易部署，并根据该需求划分软件层次以及选定相关传感器、微控制器等硬件方案。 +第一部分为绪论。阐述该课题的来源以及意义，对振动筛故障检测的国内外研究现状进行总结和归纳，分析了当前相关故障检测设备存在的主要问题。 -第二个部分介绍故障检测设备的硬件设计方案。分别对故障检测设备中数据处理主控、蓝牙主控、传感器及外围、电源和保护、通信转换几个部分的硬件方案进行设计和计算。同时设计使用印刷电路板 (PCB) 的故障检测设备原型，以及设计过程中的布局布线问题。 +第二部分介绍基于 MEMS 和 CNN 的振动筛故障检测设备的总体设计方案。主要针对总体技术架构、需求分析、总体方案几个方面进行讨论和设计。确定该设备定位为低成本和易部署，并根据该需求划分软件层次以及选定相关传感器、微控制器等硬件方案。 -第三个部分介绍基于卷积神经网络的振动筛故障检测分类模型设计，该部分比较常见时间序列分类问题的解决方案，介绍使用卷积神经网络进行故障分类的原因。同时介绍本设计中训练数据的采集、预处理和划分。最后介绍所使用的神经网络主要的结构设计以及相关特点。 +第三部分介绍故障检测设备的硬件设计方案。分别对故障检测设备中数据处理主控、蓝牙主控、传感器及外围、电源和保护、通信转换几个部分的硬件方案进行设计和计算。同时设计使用印刷电路板 (PCB) 的故障检测设备原型，以及设计过程中的布局布线问题。 -第四个部分介绍故障检测设备的程序开发。该部分中先介绍故障检测设备程序的层次分划。然后对于主控程序，主要设计传感器驱动层以及数据预处理部分。然后着重介绍使用 X-CUBE-AI 框架进行分类网络部署的步骤。最后介绍蓝牙主控使用广播模式进行数据传输的程序设计。 +第四部分介绍基于卷积神经网络的振动筛故障检测分类模型设计，该部分比较常见时间序列分类问题的解决方案，介绍使用卷积神经网络进行故障分类的原因。同时介绍本设计中训练数据的采集、预处理和划分。最后介绍所使用的神经网络主要的结构设计以及相关特点。 -第五个部分为总结和展望。总结本设计中所进行的主要工作和相关成果，并对于本设计仍未完成和存在缺陷的地方提出了展望。 +第五部分介绍故障检测设备的程序开发。该部分中先介绍故障检测设备程序的层次分划。然后对于主控程序，主要设计传感器驱动层以及数据预处理部分。然后着重介绍使用 X-CUBE-AI 框架进行分类网络部署的步骤。最后介绍蓝牙主控使用广播模式进行数据传输的程序设计。 + +第六部分为总结和展望。总结本设计中所进行的主要工作和相关成果，并对于本设计仍未完成和存在缺陷的地方提出了展望。 == 基于 MEMS 和 CNN 的振动筛故障检测设备总体方案