博文

2025年度优秀论文奖 | 基于双通道CNN与SSA-SVM的滚动轴承故障诊断

已有 267 次阅读 2026-9-2 10:45 |个人分类:论文推荐|系统分类:博客资讯

编辑荐语

本期将给大家分享2025年度优秀论文奖获奖文章"基于双通道CNN与SSA-SVM的滚动轴承故障诊断(Rolling bearing fault diagnosis based on dual channel CNN and SSA-SVM)". 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

本文聚焦于滚动轴承故障诊断领域现存的两大核心短板 —— 单维度卷积网络特征提取不全面、SVM分类器参数依赖人工调试易陷入局部最优, 提出了一种双通道CNN特征融合+SSA优化SVM的一体化故障识别方案. 研究首先对轴承原始振动信号开展归一化预处理, 将一维时序数据重构为32×32二维灰度图, 同步搭建1DCNN与2DCNN并行双通道结构, 分别挖掘时域一维细节特征与二维空间关联特征并完成特征拼接融合, 完备故障特征信息表达. 在此基础上, 创新性引入麻雀搜索算法优化SVM的惩罚因子与核函数参数, 依托麻雀种群觅食、预警更新机制完成参数全局寻优, 规避传统网格搜索、遗传算法收敛慢、易局部最优的缺陷, 强化多类故障模式分类精度. t-SNE特征可视化与损失函数曲线分析直观佐证双通道融合的特征区分优势, 混淆矩阵与多组对比实验量化验证模型性能. 依托凯斯西储大学标准轴承数据集开展十类工况识别测试, 多组对照实验证实该模型相较单通道CNN、未优化SVM、Softmax分类基线模型具备更高故障识别准确率. 本工作为滚动轴承微弱故障特征提取与高精度智能诊断提供了融合深度学习与群智能优化的完整实现路径, 对旋转机械设备运维故障预警具备理论参考与工程应用价值.

论文介绍

基于双通道CNN与SSA-SVM的滚动轴承故障诊断

Rolling bearing fault diagnosis based on dual channel CNN and SSA-SVM

唐伯宇, 邵星†, 王翠香, 皋军

机构: 盐城工学院信息工程学院; 盐城工学院机械工程学院

引用:

唐伯宇, 邵星,王翠香, 等. 基于双通道CNN与SSA-SVM的滚动轴承故障诊断.控制理论与应用, 2024, 41(9): 1626 – 1635

DOI: 10.7641/CTA.2023.20413

全文链接:

https://jcta.ijournals.cn/cta_cn/ch/reader/create_pdf.aspx?file_no=ccta220413&flag=1&journal_id=cta_cn&year_id=2024

摘要

为有效提取滚动轴承故障信号特征, 解决分类器对提取特征存在较强依赖的问题, 本文提出了一种双通道特征融合卷积神经网络(CNN)与麻雀搜索算法优化的支持向量机(SSA-SVM)相结合的滚轴承故障诊断方法. 通过建立一维卷积神经网络和二维卷积神经网络并行的双通道结构对轴承数据中的特征进行提取, 并将双通道CNN提取到的故障特征在融合层融合, 将全连接层结果作为SSA-SVM分类层的输入. 通过SSA对SVM的参数进行优化来提高模型的分类精度. 最后, 在凯斯西储大学轴承数据集上将双通道CNN与SSA-SVM模型跟传统一维卷积神经网络和二维卷积神经网络进行对比以验证其有效性. 实验结果表明, 该模型有着更高的故障识别准确率. 本文中所有代码与实验结果均已开源, 可在https://github.com/suisuisuiaa/tbysuisui获取.

引言

滚动轴承作为最基本､最重要的机械部件, 在工业生产､航空航天､交通运输等重要领域扮演着十分重要的角色. 滚动轴承一旦发生故障, 很有可能会造成严重的经济损失和人员伤亡[1]. 因此, 建立一种能够挖掘滚动轴承原始信号与故障模式之间复杂映射关系的算法对机械设备而言是十分重要的[2]. 浅层机器学习算法通过信号处理对故障特征进行识别和分类, 被广泛应用于工业机械故障诊断. 主要算法包括支持向量机(support vector machine, SVM)[3]､人工神经网络(artificial neural network, ANN)[4]以及决策树(decision tree, DT)[5]等. 但浅层机器学习模型对机械故障进行识别时大多有着表达能力有限､泛化性能较弱以及精度较低等缺陷, 具有一定的局限性[6].

SVM是一种典型的快速收敛分类器, 能够很好的处理小样本､非线性和高维空间识别的相关问题. 但SVM中参数的取值对模型的分类效果有着很大的影响, 许多学者使用群智能算法对SVM的参数进行优化来提高SVM故障诊断的准确率. 文献[7]提出一种基于分形维数与采用遗传算法(genetic algorithm, GA)改进的支持向量机结合的轴承故障诊断方法, 有效地提高了SVM的分类性能. 文献[8]采用网格搜索算法(grid search, GS)对SVM的参数进行优化, 具有较高的故障识别准确率. 文献[9]结合了粒子群优化算法(particle swarm optimization, PSO)与重力搜索算法(gravity search algorithm, GSA)优化了SVM多类分类器, 在电机驱动系统故障诊断应用中取得了较好的分类结果. 上述相关算法是采用传统群智能优化算法对SVM的参数进行优化, 存在着收敛速度慢､调节参数多以及容易陷入局部最优解等缺陷.

针对目前传统群智能算法对SVM参数进行优化时具有的缺陷, 本文采用麻雀搜索算法(sparrow search algorithm, SSA) 来对SVM的参数进行优化. 在文[10] 中, Xue等人将SSA与灰狼优化算法(grey wolf optimizer, GWO)､粒子群优化算法(PSO)以及引力搜索算法(GSA)在19个测试指标上进行比较, 结果表明, SSA在搜索精度､收敛速度和稳定性方面具有较强的竞争力, 在具有良好的全局区域探索能力的同时避免了局部最优问题. 文献[11]构建SSA-SVM诊断模型对风力发电机进行故障诊断, 并与网格搜索算法(GS)､遗传算法(GA)以及PSO算法进行了比较. 结果表明, SSA-SVM诊断模型具有准确率高､优化能力强以及收敛速度快等优点. 文献[12]中使用SSA对SVM进行优化来对风力涡轮机的输出功率进行预测, 实现了对风电输出功率的预测分析, 从侧面印证了SSASVM诊断模型的可行性.

近年来, 研究人员将深度学习应用于机械故障诊断中并取得了一定进展[13]. 深度学习能够自动从数据集中提取特征, 减少了对专家先验知识的依赖. 深度卷积神经网络(convolutional neural network, CNN)作为深度学习模型具有处理周期信号的能力, 能够处理已知网格状的一维时间序列数据或二维图像数据, 适合从原始机械信号中提取和学习特征. 文献[14]提出通过改进神经网络(modified CNN, MCNN)提取制动器摩擦信号特征, 使用SVM对制动器摩擦信号特征进行分类, 实现了制动器故障的精确检测, 从侧面印证了CNN+SVM基本模型的可行性. 文献[15]提出了一种具有两次扩大感受野的增强卷积神经网络, 提高了模型的特征学习能力, 在行星齿轮箱故障诊断中相比其他传统方法有着更高的准确率. 文献[16]将多个传感器采集到的多源振动信号融合成二维矩阵输入到卷积神经网络, 提出一种用于往复压缩机故障诊断的方法. 上述相关算法仅仅通过单一维度的卷积神经网络来对目标进行故障特征提取, 往往无法得到准确的故障特征, 从而影响故障诊断的准确率[17].

基于以上问题, 本文提出一种基于双通道CNN与SSA-SVM的滚动轴承故障诊断方法. 该模型通过一维和二维卷积神经网络来提取原始信号中不同尺度的特征信息, 将SSA优化过的SVM作为分类器融入模型来对滚动轴承故障类型进行分类. 该模型主要优点如下:

1) 双通道CNN在避免了人工提取特征的同时结合了1DCNN与2DCNN的优点, 将一维振动原始信号和经过处理后的二维灰度图片作为双通道CNN的输入. 在提取原始信号中的一维特征的同时确定二维灰度图片中非相邻区间信号之间的局部相关性, 使提取到的故障特征更加全面.

2) 由于SVM在多类分类方面具有良好的表现[18], 本文采用SSA对SVM的参数进行优化. 将优化后的SSA-SVM作为分类器来对故障模式类型进行分类, 有助于模型诊断精度的提高.

为了验证本文方法模型的性能, 使用凯斯西储大学轴承数据集[19]进行实验. 结果表明, 本文提出的方法能够更好的提取故障特征, 有着较高的故障识别准确率.

微信截图_20260723102859.png

总结

本文针对滚动轴承在进行故障诊断时很难提取出细微故障特征的问题, 提出一种基于双通道CNN与SSA-SVM的滚动轴承故障诊断模型. 在CWRU轴承数据集上进行了多次对比试验, 得到以下结论:

1) 本文建立双通道CNN模型, 在对原始数据进行数据划分､归一化等预处理之后, 与相同参数的单通道CNN算法作对比.实验表明, 双通道CNN能够学习到单通道CNN无法学习到的故障特征.

2) 本文在采用麻雀搜索算法对SVM进行参数优化后, 使用相同的数据结构进行了实验. 实验表明SSA-SVM分类器的分类性能要优于未优化的SVM分类器和Softmax分类器. 本文所提方法能够对滚动轴承故障进行准确检测, 对维修和保持机械设备稳定运行具有一定的实用价值.

虽然本文提出的基于双通道CNN与SSA-SVM诊断模型已经被证明适用于振动信号的故障诊断, 具有较高的分类精度. 但该模型在对其他信号分类时可能没有表现出相同的性能, 且运行时间较长. 今后笔者将考虑其他结构来提高模型的泛化能力, 以缩短模型的训练时间.

作者简介

唐伯宇硕士研究生, 目前研究方向为机械故障诊断;

邵星博士, 副教授,硕士生导师, 目前研究方向为机械故障诊断;

王翠香硕士, 讲师,目前研究方向为机械故障诊断;

皋军博士, 教授,硕士生导师, 目前研究方向为机器学习.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg