1、书书书模式识别与人工智能测控技术2023 年第 42 卷第 1 期收稿日期:2022 07 04基金项目:国家自然科学基金(U1404612);河南省高校基本科研业务费专项(NSFF210305);河南省科技攻关项目(212102210244，222102210274)引用格式:周益天，孔军伟，张新良 基于特征扩展 CapsNet 的轴承故障诊断模型 J 测控技术，2023，42(1):21 27ZHOU Y T，KONG J W，ZHANG X L Bearing Fault Diagnosis Model Based on Feature Extended CapsNetJ Measure
2、ment Control Technology，2023，42(1):21 27基于特征扩展 CapsNet 的轴承故障诊断模型周益天1，孔军伟2，张新良2*(1 舟山洋旺纳新科技有限公司，浙江 舟山316000;2 河南理工大学 电气工程与自动化学院 河南省煤矿装备智能检测与控制重点实验室，河南 焦作454003)摘要:基于深度网络的轴承故障诊断模型，其深层次的特征提取往往需要大量的训练样本，诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(CapsNet)在处理小样本数据上的优势，通过扩展故障特征向量和改进预测胶囊迭代约束条件，使网络适用于噪声工况下的轴承故障诊断，提高预测精度。在Ca
3、psNet 的初级胶囊层引入特征图跨通道约束关系，由原来的通道内约束改进为通道内 通道间混合约束，扩展胶囊特征向量，使其能描述故障信号时间序列中与远距离序列点相关的几何特性，为数字胶囊层预测网络提供更完备的故障特征。同时，利用余弦相似度作为特征向量的度量并为数字胶囊层的迭代筛选提供依据，避免向量模值造成的分类误差。凯斯西储大学(CWU)轴承数据集实验结果表明，改进的 iCapsNet 诊断模型泛化性能得到明显提升，在信噪比为 0 dB 时，预测精度可达到 90 9%，相比原CapsNet 模型提高了 44 8%。关键词:噪声抑制;特征扩展;混合约束;余弦相似度度量;CapsNet;故障诊断中图
4、分类号:TP391文献标志码:A文章编号:1000 8829(2023)01 0021 07doi:10 19708/j ckjs 2023 01 004Bearing Fault Diagnosis Model Based on Feature Extended CapsNetZHOU Yi-tian1，KONG Jun-wei2，ZHANG Xin-liang2*(1 Zhoushan Yangwangnaxin Technology Co，Ltd，Zhoushan 316000，China;2 Henan Key Laboratory of Intelligent Detection a
5、ndControl of Coal Mine Equipment，School of Electrical Engineering and Automation，Henan Polytechnic University，Jiaozuo 454003，China)Abstract:The extraction of the deep features for the bearing diagnosis model based on the neural networks re-lies greatly on the huge training samples The diagnostic per
6、formance of the model would suffer an applicationlimitation because of the small number of the fault samples The capsule network(CapsNet)is adopted for theconstruction of the bearing diagnosis model due to superiority in dealing with the small number of the samplesWith the feature vector expansion o
7、f the fault and constraint improvement of the capsules in the CapsNet mod-el，the prediction accuracy of the diagnosis model can be guaranteed when the bearing fault diagnosis task un-der the noise condition is involved A cross-channeled constraint relation is introduced to the primary capsulelayer o
8、f the CapsNet Then the CapsNet diagnosis model can describe the geometric properties of the time se-quence fault signal which are dependent on the long-distance points Consequently，more complete fault fea-tures are available for the following prediction digital capsule network by the substitution of
9、 the original inner-channeled constraint with a hybrid constraint Moreover，in order to avoid the fault classification error caused bythe modulus confusion of the feature vector，the cosine similarity measure is adopted as the iterative basis for12the digital capsule layer The experimental results on
10、Case Western eserve University dataset(CWU)showthat the generalization performance of the improved iCapsNet diagnostic model has been significantly improvedUnder 0 dB noise interference，the prediction accuracy can reach 90 9%，which is 44 8%higher than the o-riginal CapsNet modelKey words:noise suppr
11、ession;feature expansion;hybrid constraint;cosine similarity measure;CapsNet;faultdiagnosis卷积神经网络可以同时利用目标的低层次和高层次特征来完成目标识别任务，非常适用于时序振动信号的轴承故障诊断研究1 3。Zhuang 等4 基于特征和时域数据之间分布概率的一致性，给出了一种用于多尺度聚合上下文的离散卷积，保证了在提取轴承故障特征时，不降低分辨率且得到了较好的预测性能。冯浩楠等5 构建了并行通道的一维卷积网络，同时获取轴承振动信号的时 频域信息。实验结果证明，相比单通道的一维卷积神经网络，并行的模型具有
12、更强的泛化能力，提高了特征信息的利用率。对于轴承故障诊断模型应用时面临的多工况和噪声干扰的问题，Shenfield 等6 提出了一种结合循环神经网络和卷积网络的 NN-WDCNN 模型，用于诊断机械系统中重复出现的振动信号，采用宽卷积核捕获时间序列的距离相关性，抑制输入信号中的高频噪声。Chen 等7 使用不同尺寸卷积核，从原始数据中提取不同频率的信号特征，利用长短时记忆网络(Long Short-Term Memory，LSTM)识别故障类型，使模型对噪声环境具有适应性。Zhao 等8 使用软阈值收缩函数实现深层网络的非线性转换，消除噪声的相关特征，有效提高了高噪声振动信号中识别故障特征的能
13、力。然而，传统的卷积神经网络诊断模型需要大量训练数据，且在结构上其卷积层之后采用下采样操作来降低参数量，对于含有噪声的小样本故障数据，往往会导致有效故障特征提取不完备，影响故障诊断精度9。胶囊网络(Capsule Network，CapsNet)利用以胶囊形式体现的特征向量，通过线性组合生成预测向量，使用动态路由机制筛选与目标最接近的预测输出，摒弃了传统卷积神经网络的深层次结构和池化层，因此非常适合小样本学习，为基于图像的故障诊断提供了新的研究思路10 12。Zhu 等13 使用短时傅里叶变换将轴承振动信号转换为二维图像，通过在初级胶囊层并联多尺度卷积核实现特征扩展，实验结果表明，该模型具有良
14、好的泛化性能，可以适应不同负载下的轴承故障诊断需求，且具有较高的运行效率。为了弥补噪声干扰造成的特征损失，Liang 等14 将门结构和空洞卷积引入 CapsNet 网络中，通过增强网络的全局特征提取能力，抑制噪声的影响。本文考虑 CapsNet 处理小样本数据集的优势，结合轴承故障诊断在实时性和抗噪性方面的应用需求，通过扩展多尺度故障特征和改进数字胶囊迭代条件，提高模型的预测性能。1初级胶囊故障特征扩展网络CapsNet 将多组卷积层提取到的特征向量按通道、位置点索引，构造用于数字胶囊故障诊断的初级胶囊，如图 1 所示。因此，初级胶囊中故障特征的完备程度直接决定了整个故障诊断模型的预测精度，
15、本文通过将通道内约束改进为通道内 通道间混合约束，扩展胶囊特征向量，为数字胶囊层预测网络提供更完备的故障特征。图 1胶囊网络轴承故障诊断模型设初级胶囊层的输入特征图为 F，大小为 M M C，M 为特征图的宽度和高度，C 为特征图的通道数。通过并行 c 个多尺度通道的 L 个卷积块，生成特征映射 f 为f=f1，f2，fi，fL(1)式中:fi为每其中每个卷积块的特征映射输出，大小是N N c。初级胶囊 u 通过遍历 f 中的特征图 fi的所有元素生成，可得:u=u1，u2，uj，uST(2)式中:S=N N L。每个初级胶囊元素 uj描述为u(i 1)N2+(m 1)N+n=Conc(fi(
16、m，n)(3)式中:m=1，2，N;n=1，2，N;i=1，2，L;(m，n)为像素在 fi中水平和垂直方向上的位置;函数 Conc()实现将特征图中的像素 fi重排为向量形式。同一通道内的元素点组成的初级胶囊层内约束为uI，即uI=uI1，uI2，uIl2，uIS2T(4)uIl2=fIi2(1，1，jI)，fIi2(1，nI，jI)，22测控技术 2023 年第 42 卷第 1 期fIi2(2，1，jI)，fIi2(2，nI，jI)，fIi2(mI，1，jI)，fIi2(mI，nI，jI)(5)式中:mI=1，2，NI;nI=1，2，NI;jI=1，2，cI;l2=1，2，S2;i2=1，2，LI;uI的尺寸为 S2 NINI;uIl2的维度为 NI NI。不同通道间、相同位置特征元素组成的层间约束uC为uC=uC1，uC2，uCl1，uCS1T(6)uCl1=fCi1(mC，nC，1)，fCi1(mC，nC，2)，fCi1(mC，nC，jC)，fCi1(mC，nC，cC)(7)式中:mC=1，2，NC;nC=1，2，NC;jC=1，2，cC;l1=1，2，S1;i1=1，2，LC