基于云加端的电机轴承故障诊断应用研究_耿晓强.pdf

 振动与冲击 第 38 卷第 9 期JOURNAL OF VIBRATION AND SHOCKVol． 38 No． 9 2019 基金项目 贵州省重大科技专项 黔科合重大专项字 2013 6019; 黔科 合 JZ 字［ 2014］2001 ; 贵州省科技支撑项目 黔科合支撑［ 2016］ 2008 ; 贵州大学研究生创新基金 研理工 2017039 ; 贵州大学面向 智能装备领域的 ‘技术众筹’ 研究生创新基地项目 JSZC［ 2016］ 004 收稿日期 2017 －12 －14修改稿收到日期 2018 －01 －29 第一作者 耿晓强 男， 硕士生， 1990 年生 通信作者 唐向红 男， 博士， 副教授， 硕士生导师， 1979 年生 基于云加端的电机轴承故障诊断应用研究 耿晓强1，唐向红1， 2， 3，陆见光1， 2， 3 1． 贵州大学 现代制造技术教育部重点实验室，贵阳550025; 2． 贵州大学 机械工程学院，贵阳550025; 3． 贵州省公共大数据重点实验室，贵阳550025 摘 要 针对以往的故障诊断系统实时性差、 学习能力有限而且工程实现难的问题， 提出了一种改进的云加端支 持向量机 Cloud and Terminal Support Vector Machines， CaTSVM ， 并将其运用在电机轴承故障诊断中。CaTSVM 方法把传 统的故障诊断中的特征提取和特征分类两部分分别运行在终端设备和云端设备中， 并且将 “流水线” Pipeline 数据处理 结构引入到 CaTSVM 方法中， 有效提升了该方法的实时性。在云端建立故障特征模型库 Cloud Feature Mode Library， CFML ， 将故障特征选择性的加入模型库， 在传统的离线 SVM 训练中辅以在线 SVM 训练， 选择性的使用更新的故障特征 训练 SVM 模型， 进一步提高其分类能力， 使诊断系统拥有了 “终生学习” 的能力。经过大量的实验验证， 云加端方法的使 用显著提高了诊断的准确率， 并且推进了故障诊断的实际工程应用。 关键词 云加端; SVM; 在线训练; 特征模型库; 故障诊断; 流水线 中图分类号 TH133文献标志码 ADOI10． 13465/j． cnki． jvs． 2019． 09． 029 Application of motor bearing fault diagnosis based on cloud and terminal GENG Xiaoqiang1，TANG Xianghong1， 2， 3，LU Jianguang1， 2， 3 1． MOE Key Lab of Advanced Manufacturing Technology，Guizhou University，Guiyang 550025，China; 2． School of Mechanical Engineering，Guizhou University，Guiyang 550025，China; 3． Guizhou Provincial Key Lab of Public Big Data，Guiyang 550025，China AbstractAiming at problems of previous fault diagnosis systems’being poor to respond in real- time，limited to learn new knowledge and difficult to implement in engineering，an improved cloud and terminal support vector machine CaTSVM was proposed here and applied in motor bearing fault diagnosis．The CTSVM was used to put operations of traditional fault diagnoses’feature extraction and feature classification into running of terminal devices and cloud devices，respectively，introduce “ pipeline“ data processing structure into itself，and effectively improve its own real- time perance． The cloud feature model library CFML was built in cloud and terminal，and fault features were selectively added in this model library． In traditional SVM offline training，SVM online training was added and updated fault features were selectively used to train SVM model，and further improve its classification ability so that a diagnosis system can have the ability to learn throughout life． A great number of tests showed that the cloud and terminal can significantly improve the correct rate of fault diagnosis and promote its engineering application． Key wordscloud and terminal;SVM;on- line training;cloud feature model library CFML ;fault diagnosis; pipeline 智能制造模式的发展， 对生产过程的故障监测提 出了更高的要求。随着越来越多的高速传感器的使 用， 可以从生产线上获取的数据越来越丰富， 一方面为 故障信号的检测提供了更丰富的数据基础， 但另一方 面面对体量巨大、 实时产生的线上流数据， 智能终端无 法提供足够的计算能力， 而计算能力突出的计算机设 备直接部署在生产现场又很不现实。在此背景下， 将 云端数据处理中心和嵌入式智能终端相结合， 提出云 加端的数据处理模式， 可以有效的解决数据处理的实 时性和计算能力不足的问题。 制造业生产线上大量的使用了电动机设备， 轴承 作为其中重要的机械零件故障发生率一直居高不下， 生产过程中对电动机轴承的实时监测， 通过各种传感 ChaoXing 器采集电机轴承运行状态数据并进行分析， 是保证生 产工作正常进行、 避免发生生产事故或者减小事故损 失必不可少的一个环节。异步电机转子、 轴承等设备 是故障高发的设备， 针对不同的故障类型 ［1- 2 ］， 通过有 效的方法提取不同故障的故障特征并对其进行准确的 分类， 是电机、 轴承等设备实时故障诊断需要研究的 问题。 电机轴承的故障信息会调制在各种测量信号中， 而振动信号可以最为直观、 最为准确反映故障， 令很多 学者争相对其展开研究 ［3- 4 ］。而且在一些生产现场或 者设备运行现场， 数据信息多种多样、 源源不断， 因此 很多学者提出了对数据进行实时处理的方法 ［5 ］。为了 解决传统方法诊断结果不直观、 准确率低的问题， 机器 学习越来越多的用到了故障诊断方面 ［6 ］。而且由于支 持向量机 SVM 在小样本分类方面优越的性能， 在文 献［ 7- 8］ 中 SVM 被应用到了故障诊断中， 并取得了比 较理想的效果。但是不断改进的算法导致了对数据处 理设备的性能要求越来越高， 使得数据的实时处理越 来越不易实现， 使得理论研究距离工程应用的距离越 来越远。 为了解决上述问题， 本文提出云加端支持向量机 CaTSVM ， 将传统的故障诊断方法分为“云端 终端 ” 两部分， 相对计算复杂度较低的特征提取算法在终端 嵌入式设备中完成， 而相对来说计算复杂度较高的训 练和分类算法放在云端计算中心完成。这一新型的故 障诊断架构不仅仅可以将故障诊断算法从实验室环境 下搬到实际环境中， 而且由于终端嵌入式设备对原始 数据进行了预处理操作， 使得云端和终端的通信数据 体量大大减小， 降低了数据传输代价。并且在云端建 立故障特征模型库 CFML ， 不断的更新完善 CFML， 用 完善后的故障特征在线训练 SVM 模型， 进一步提高 SVM 模型分类能力， 使故障诊断系统拥有了“终生学 习” 的能力。 1云加端 SVM 模型 支持向量机 SVM ［9 ］由 Vapnik 和 Cortes 在 1995 年正式发表在 Machine Learning 杂志上， SVM 的出现 直接掀起了 “统计学习” 在机器学习领域的应用高潮。 而且由于支持向量机在小样本、 非线性以及高维模式 分类方面表现出的优秀性能 ［10 ］， 使其比神经网络更加 适合应用在电机轴承的故障诊断中。本文将支持向量 机与云加端模型结合在一起， 应用在轴承故障诊断中。 而且当前 SVM 的理论研究比较多， 工程应用研究比较 少， 本文方法的提出可以进一步丰富 SVM 的工程应用 研究， 具有一定的工程指导意义。 1． 1支持向量机 支持向量机 SVM 是一种建立在统计学习理论 Statistical Learning Theory 基础上的机器学习方法， 其 目标是利用结构风险最小化原则构造最优决策函数来 解决二分类问题， 求解其最优决策函数的问题实质上 就是一个解凸二次规划的问题。 对于一个二分类问题， 存在训练样本集 D { x1， y1 ， x2， y2 ， ， xn， yn } ， 其中 xi∈Rn， yi∈{ 1， －1} ， 训练的目的就是在包含 D 的样本空间中寻找一个最优 分类超平面， 将两类样本按照各自的样本特征分开。 而在样本空间中， 我们可以将分类超平面表示为 ωTx b 0 1 式中 ω 表示超平面的法向量， b 为相对偏移量。对于 一些在线性空间不可分的样本集， 可以将其映射到更 高维的特征空间， 使样本在该高维空间线性可分， 令  x 为高维空间特征向量， 得到高维空间分类超平面 f x ωT x b ∑ m i 1 αiyik x， xi b 2 式中 k x， xi 即为此分类问题的核函数。样本中把两 类样本分开的超平面的向量称为此二分类问题的“支 持向量” ， 而想要最优化分类超平面， 需要最大化两类 支持向量到超平面的距离 max ω， b 2 ω 3 式中 yi ω T b ≥1， i 1， 2， ， n， 式 4 等价于 min ω， b ω 2 2 4 为了解决某些问题中无法找到合适的核函数使训 练样本在特征空间线性可分的问题， 提出软间隔的概 念， 引入松弛变量 εi≥0， 得到软间隔支持向量机 min ω， bεi 1 2 ω 2 C∑ n i 1 εi 5 其约束于 yi ω T b ≥1 － εi ， ε i≥0， i 1， 2， ， n。引 入正则化的概念， 将求解最优超平面问题优化为更一 般的形式 min f Ω f C∑ n i 1 l f xi ， yi 6 式中 Ω f 为结构风险;∑ n i 1 l f xi ， yi 为经验风险; C 用于对二者进行折中。 1． 2云加端 SVM 模型 故障特征提取相对于 SVM 的训练以及分类来说， 计算复杂度相对较低， 而且对线上实时处理数据的要 求比较高， 因为如果对原始数据先进行传输再处理， 一 方面数据体量巨大， 传输过程耗时较多; 另一方面由于 原始数据的不确定性和敏感性， 容易在传输过程中引 入更多的其他干扰因素。所以原始数据直接在设备端 422振 动 与 冲 击2019 年第 38 卷 ChaoXing 进行实时处理更加合理， 并且设备端的嵌入式设备的 计算性能也可以满足故障特征提取的要求。将原始数 据进行处理后， 将提取并经过降维的特征向量传输到 云端， 一方面减小了数据传输量， 另一方面增加了需要 传输的数据的可靠性。使用支持向量机对轴承故障特 征数据进行分类， 计算资源消耗最大的一部分是分类 超平面的计算以及数据的分类过程， 将这部分计算放 在云端， 可以在很大程度上提高分类的准确度以及现 实的可行性。并且在云端构建故障特征数据库， 在故 障诊断的过程当中不断完善特征数据库， 使用新的特 征以替换旧的特征， 不仅仅让特征最新， 而且让特征数 据库中的数据保持一定的规模。云端模型库 CFML 的 建立让本文提出的算法不再像传统的 SVM 故障特征 分类算法一样只具备一次性学习能力， 本文提出的算 法可以在运行过程中不断完善和丰富， 具备“终生学 习” 的能力。 如图 1 所示是本文使用的云加端支持向量机 模型。 图 1 CaTSVM 故障诊断模型 Fig． 1CaTSVM fault diagnosis model 2基于云加端的故障诊断方法 2． 1原始数据选择 目前常用的用于故障检测的信号量中， 声音信号、 电流、 电压信号和振动信号尤其受到科研工作者的青 睐， 究其原因是因为这几类信号最方便采集并且其均 在一定程度上可以反映出当前机电/机械设备的运行 状态。通过对四种原始数据信号的实验对比， 在是否 侵入式、 测量准确度、 反映故障类型、 适用范围以及提 前预测时间等几方面进行考量， 同时考虑到云加端故 障诊断系统实际生产应用的需要， 在本文中振动信号 是最适合用来做机电设备故障诊断以及预测的数据 类型。 2． 2故障检测 故障检测的目的是确定设备异常， 故障诊断 分 类 的目的是确定异常位置。故障检测可以作为故障 诊断的前期工作， 因为故障检测算法的计算复杂度可 以设计的更小， 实时性可以更高， 并且故障检测可以为 后期的故障诊断剔除很多干扰项， 以提高诊断效率和 准确率。耿晓强等 ［11 ］依托云加端的架构提出了一种实 时的故障检测方法， 其根据电机、 轴承等旋转设备故障 信号存在周期性的特点， 使用聚类的方法对设备的实 时数据和历史数据进行处理， 进行设备异常检测。本 文的故障诊断程序的启动条件是故障检测系统发出故 障预警， 在此条件下诊断系统在实际的工程使用中可 以提高诊断准确率并且大大降低人工参与确定故障的 频率。 2． 3特征提取 特征提取在整个故障诊断系统中是计算量相对较 小而且对流数据实时敏感的一部分， 在本文提出的 CaTSVM 架构中属于终端数据处理部分。采集到设备 的振动信号后， 经过 FFT 变换可以得到信号的频谱， 根 据以往的研究发现， 当机电设备发生故障后会引发系 统额外的振动， 体现在信号频谱上就是在在原始基波 的基础上会引入其他的谐波成分 ［12- 13 ］， 利用这一特性 可以很好的提取当前故障的特征。但是由于信号频谱 特征的数据量和频率分辨率成正比， 并且其频谱数据 中并不是所有的特征量都可以有效的反映故障特征， 如果使用振动信号的频谱作为特征向量， 将面临特征 向量的维数灾难， 而且存在非常大的冗余度， 因此对频 谱特征进行降维， 提取主要特征将是必要的 ［14 ］。 主成分分析 PCA 降维 可以有效的解决这个问 题， 它可以重新构建一个超平面来对所有的输入样本 进行恰当的表示， 然后通过对新的样本表示进行重要 性排序 特征值大小 ， 来选择可以在一定程度上表示 原来的样本特性， 并且将维度降到我们可以接受的范 围之内的样本映射。 PCA 算法可以描述为以下过程 ［15 ］ 输入 输入数据 D { x1， x2， ， xm} ; 降维后目标维 数 d 过程 ① 对所有的样本进行中心化 xi←xi－ 1 m∑ m i 1 xi; ② 计算样本的协方差矩阵 XXT; ③ 对协方差 矩阵 XXT做特征值分解; ④ 取最大的 d个特征值所对 应的特征向量 ω1 ， ω 2， ， ωd 输出 降维后数据 W ω1 ， ω 2， ， ωd 2． 4CaTSVM 模型在线训练 传统的 SVM 模型大多是采用“离线训练- 离线分 类” ［16- 18 ］或者 “离线训练- 在线分类” 的结构［19 ］， 这样的 结构对于解决实验室数据并没有太大的问题， 因为实 验室数据存在太大的理想性。或者频繁的对模型进行 训练 ［20 ］， 可能导致过度的资源占用以及模型的过拟合， 起到和预期相反的效果。此类结构并没有充分考虑到 在实际的工程应用中， 机器的故障特征可能在发生着 522第 9 期耿晓强等 基于云加端的电机轴承故障诊断应用研究 ChaoXing 微妙的变化， 导致当前设备故障特征和 SVM 模型所依 据的故障特征偏差越来越大， 间接地造成了 SVM 模型 分类准确度的下降。 本文的 CaTSVM 在线训练模型采用了“离线训练 在线训练- 在线分类” 的结构， 在初始阶段， 使用已经 分类完成的故障数据对 CaTSVM 模型进行离线训练， 建立初始 CaTSVM 模型; 之后开始在线的故障诊断， 初 始 CaTSVM 模型诊断的结果通过人机交互界面通知现 场， 经过工作人员实地检查故障后反馈给系统， 并且将 故障特征向量保存在云端特征模型库， 由系统统计诊 断的准确率， 当准确率低于指定阈值， 调用云端特征库 对 CaTSVM 模型进行二次训练， 即在线训练， 同时也避 免了过度的资源占用。CaTSVM 模型训练过程如图 2 所示。 图 2 CaTSVM 模型训练过程图 Fig． 2CaTSVM model training process 2． 5算法描述 本文将故障特征提取和特征分类分别放在终端和 云端进行处理， 终端负责对故障特征进行提取， 计算量 相对较小， 云端负责计算复杂度相对更高的特征学习 和分类计算， 并且随着时间的推移， CaTSVM 模型可以 根据机电设备状态的变化进行终身的在线学习。由于 终端对现场的实时反应能力较强， 并且经过特征提取 之后的特征数据量相较于原始数据体量更小， 可以大 大减小网络带宽消耗并且提高数据传输和计算的实时 性。终端、 网络、 云端构成了一个数据处理的并行“流 水线” 结构， 可以再次在较大程度上提高系统的实时 性。算法描述如下 步骤 1使用已知种类的故障特征数据离线训练 CaTSVM， 并将训练好的 CaTSVM 放在云端处理器， 并 且在云端建立特征模型库 CFML， 将训练数据加入 CFML; 步骤 2终端原始数据采集; 步骤3终端 FFT 算法计算振动信号的频谱， 提取 故障特征并进行降维; 步骤 4将特征向量拷贝到无线设备模组发送缓 冲区， 启动发送; 运行下一步， 同时再次启动步骤 2; 步骤 5云端接收故障特征数据， 调用 CaTSVM 模 型对特征向量进行分类; 步骤 6将分类结果返回人机交互界面， 通过人工 检查， 确定 CaTSVM 分类结果正确与否， 并返回检查 结果; 步骤 7根据人工复检结果将特征向量分类加入 特征模型库 CFML; 步骤 8计算当前故障分类准确率， 若准确率低于 阈值， 从 CFML 取数据， 再次在线训练 CaTSVM; 返回步 骤 5。 3实验和对比 3． 1数据获取 本文的实验数据采自 CUT- 2 转子振动试验台 见 图 3 ， 终端处理器包括用于测量、 预处理数据的测量模 组 包括 MCU 和振动传感器 、 无线设备模组。分别在 不同负载以及故障情况下对轴承进行故障诊断， 包括 ① 正常轴承② 轴承内圈故障③ 轴承外圈故障④ 轴承 滚珠故障。每种状态分别取 500 组数据， 共 2 000 组数 据分别进行训练和测试， 对比不同算法准确率以及效 率， 另外当负载变化和故障尺寸变化后各状态均增加 500 组数据用于实验。为了实验对比以及实验结果的 记录， 云端设备使用 DELL precision TOWER 5810 服务 器， 终端使用 Cortex M3 系列处理器 ADuCM3029。 图 3 CUT- 2 转子振动试验台 Fig． 3CUT- 2 rotor vibration test bench 3． 2特征提取 本文的特征提取需要应用在系统的两部分中， 第 一部分是已经获取的分类数据的特征提取， 用于对 PCA 降维矩阵的训练以及 CaTSVM 分类模型的训练; 第二部分是直接对实时采集的数据进行特征提取， 用 于故障诊断以及在线学习中二次训练 CaTSVM 分类模 622振 动 与 冲 击2019 年第 38 卷 ChaoXing 型。信号的频谱中包含了丰富的故障信息， 直接计算出 来的信号频谱维度非常高， 但是如果将频谱进行采样或 者求取部分信号的积分， 将丧失频谱信号对故障信息准 确反映的优势， 因此本文直接将信号的频谱进行 PCA 降 维， 在减小数据维度的同时保持了信号的完整性。 1 原始数据经过 FFT 计算出其频谱， 进而求出 其功率谱， 使用 z- score 标准化方法对数据进行标准化 处理。将标准化结果作为 PCA 算法的输入， 计算出对 功率谱特征贡献率最大的 d个特征， 生成代表原始特 征和降维特征对应关系的降维矩阵 D。其中 d的选择 是根据所选特征维数对整体特征的贡献率不小于 C 来确定的。计算出前 k 维特征向量对原始特征的贡献 度为 Con { 0． 596 4， 0． 755 6， 0． 827 1， 0． 880 5， 0． 897 5， 0． 910 3， 0． 921 5， 0． 932 0， 0． 939 6， 0． 945 0， 0． 949 5， 0． 952 7} 令 C 95， 取 d 12， 得到的降维矩阵为 Dn 12 0． 024 34－0． 085 37－0． 022 890． 021 43 －0． 001 6－0． 000 9－0． 004 20． 011 16  0． 001 1－0． 000 10． 000 20．           003 3 2 降维矩阵在 CaTSVM 模型训练阶段就确定了 下来， 而特征提取贯穿整个系统运行的始终。在诊断 过程中， 数据要经过传感器采集， FFT 计算数据频谱、 功率谱， 数据降维， 诊断分类等几个阶段。最后输入到 CaTSVM 模型的特征向量是经过降维矩阵降维之后的 特征向量， 如表 2 所示。 表 1不同故障对应特征向量 Tab． 1The eigenvector of different fault 特征向量 i1i2i3i4i5i6i7i8i9i10i11i12 故 障 类 型 10． 741－0． 3610． 1820． 967－9． 575－13． 3066． 8216． 189－14． 1314． 5202． 14614． 108 2126． 176－12． 612 134． 13571． 203－11． 115－4． 87519． 631－12． 808 3． 681 2－5． 38011． 77817． 789 3433． 290－99． 08336． 547－19． 41152． 237－18． 703－8． 781－22． 517 －63． 776 －66． 09952． 394－28． 916 470． 2410． 114812． 8822． 93923． 54826． 731－9． 617－11． 69013． 675－2． 1241． 9670． 709 注 不同故障对应的编号为 1 正常轴承; 2 轴承内圈故障; 3 轴承外圈故障; 4 滚珠故障; i1～ i12为特征向量 3． 3故障诊断策略 SVM 分类算法本质上属于二分类算法， 虽然其可 以通过更改算法实现多分类器， 但是其计算复杂度大 大提升。因此本文采用一对一的分类方法 One- Versus- One， OVO SVMs 分别对 k 类故障进行两两分 类， 最后对 k k －1 /2 个分类器的结果进行投票汇总， 得到最终的故障分类结果。此类方法对分类类别较少 的情况有很好的分类效果和满意的计算复杂度， 非常 适合机电设备的故障诊断。 本文的 OVO SVMs 使用的是 RBF 核函数 K xi， xj exp － γxi－ x2 j ， RBF 核函数的核参数选择 Libsvm 库中的默认参数。由于本文使用 SVM 作为二分类器， 四类状态需要 6 个二分类器， 最后需要根据打分准则 对分类结果进行汇总， 得到最终的分类结果。打分准 则如图 4 所示。 根据本文对方法的改进以及考虑到实验的可行 性， 本文从两方面展开对比实验， 以充分说明本文提出 方案的优势。第一方面， 考虑到生产设备普遍的需要 长时间运行， 在此期间设备的状态难免的发生一些变 化， 而且由于系统的负载也会时常发生不确定性的变 化， 这些变化导致传感器采集的数据并不能像设备初 始状态下一样反映设备的运行状态。如果系统不能对 设备的当前状态进行在线学习， 无疑系统的诊断准确 率将不断的降低， 直至无法正常工作。 而本系统可以 图 4一对一法多分类支持向量机 Fig． 4One versus one multi- classification SVM 根据诊断的准确率判断系统运行状态， 进行在线学习， 以解决设备状态的逐渐演变给诊断模型带来的干扰。 第二方面， 对于很多关键设备， 系统的实时诊断是保障 设备安全、 正常运行的重要条件。传统的故障诊断大 多数停留在实验室阶段， 即使用已经采集的数据进行 实验研究， 实时性较差; 即使将诊断方案封装成计算机 应用， 仍然需要在设备现场部署计算机进行诊断。本 文使用的系统包括终端和云端两部分， 在系统初始化 设置完毕之后可以只将体积小巧的终端设备置于设备 上采集数据并进行特征提取， 之后将特征上传云端进 行诊断以及在线学习。这种流水线分布式数据处理方 式充分考虑到了数据处理的实时性要求， 是一项重要 的实验指标。 722第 9 期耿晓强等 基于云加端的电机轴承故障诊断应用研究 ChaoXing 3． 4故障诊断准确度实验 机械设备在运行过程中可能发生设备状态变化， 其原因包括负载变化以及设备长时间运行造成的机械 磨损等， 本文提出的系统解决方案有助于降低这类变 化给诊断系统带来的诊断误差。本实验将采集不同负 载情况下的数据作为负载状态变化， 将采集不同故障 直径情况下的数据作为长时间运行造成的机械磨损， 以此两方面展开实验研究。为了使用大量的数据进行 诊断准确率的计算， 这里将 “算法描述” 部分的“人工检 查” 换成故障标签以判断诊断正确与否。表 2 中给出 了在线学习法和离线学习法原始诊断准确率的数据， 该数据是在负载和故障尺寸均未变化的情况下测试得 到， 从中可以看出在初始状态下在线学习算法和离线 学习算法的诊断准确率基本持平。表3、 表4、 表5 所示 是当用负载变化和故障尺寸变化模拟设备状态变化后 传统离线学习和本文提出的在线学习诊断准确度 对比 表 2原始诊断准确率 Tab． 2Original diagnostic accuracy 测试方法 故障分类准确率/ 正常 内圈故障 外圈故障 滚珠故障合计 原始在线学习法10095． 5092． 0098． 0096． 38 原始离线学习法10094． 5095． 0097． 0096． 63 平均准确率10095． 0093． 5097． 5096． 50 表 3负载变化 20后诊断准确率对比 Tab． 3Comparison of diagnostic accuracy after load change 20 测试方法 故障分类准确率/ 正常 内圈故障 外圈故障 滚珠故障合计 原始准确率10095． 0093． 5097． 5096． 50 在线学习法10096． 0093． 5098． 0096． 88 离线学习法10086． 5089． 5095． 0092． 75 注 此处的原始准确率即在负载和故障尺寸均未变化的情况 下， 在线学习法和离线学习法测试的平均准确率， 即表2 中计 算的 “平均准确率” 一项。每种情况下每种状态测试数据均 为 200 组 ， “合计” 项取各个状态准确率平均值 表 4故障尺寸变化 10后诊断准确率对比 Tab． 4Comparison of diagnostic accuracy after fault size change 10 测试方法 故障分类准确率/ 正常 内圈故障 外圈故障 滚珠故障合计 原始准确率10095． 0093． 5097． 5096． 50 在线学习法99． 5096． 5095． 5096． 5097． 00 离线学习法97． 5082． 5075． 5091． 5086． 75 注 同表 3 根据利用轴承负载变化和故障尺寸变化来模拟轴 承长时间运行给系统带来变化的实验得到表 3、 表 4、 表 5 的数据， 由表 3 可知， 负载的变化导致了传统的离 表 5负载变化 20 故障尺寸变化 10后诊断准确率对比 Tab． 5Comparison of diagnostic accuracy after load change 20 and fault size change 10 测试方法 故障分类准确率/ 正常 内圈故障 外圈故障 滚珠故障合计 原始准确率10095． 0093． 5097． 5096． 50 在线学习法10094． 0095． 5098． 0096． 88 离线学习法82． 0064． 0060． 5074． 5070． 25 注 同表 3 线学习方法诊断准确度的降低， 虽然没有大幅度的降 低， 但是和在线学习方法相比仍然体现出了其劣势; 由 表 4 可知， 故障尺寸的变化相较于负载的变化会对诊 断准确率带来更大的影响， 但是在线学习方法仍然表 现出了优越的性能; 表 5 同时使用负载变化和故障尺 寸变化来模拟系统状态变化， 由表中数据可以得出， 在 线学习法完全可以适应系统的变化， 但是传统的离线 学习方法的故障诊断准确率已经大大降低， 无法满足 诊断系统的实际需求。 3． 5诊断系统实时性实验 云加端模型一方面让故障诊断现场实施的代价大 大降低， 另一方面云加端结构中流水线数据处理的方 法让数据处理开始于现场， 不仅仅实现了真正的实时 数据处理， 而且经过处理后的数据相较于原始数据体 量大大减小， 更加有利于网络传输， 实现了终端和云端 对数据的分布式计算。数据经过终端处理后数据量和 原始数据量比例为 R DRaw DFE/DR， 其中 R1。如果使用 相同的网络协议传输数据， 云加端方法的数据传输时 间也是原始方法的1/R， 可以有效的节省数据传输时间 和网络带宽， 因此数据传输的时间对整个系统的实时 性影响很小。 在传统的机器学习故障分类方法中， 特征提取， 高 维特征降维以及故障分类均放在同一个 PC 端进行顺 序处理， 下一步必须在上一步计算完成释放 CPU 使用 权之后才能开始; 在本文的云加端结构中， 数据采集、 特征提取、 降维、 数据传输以及 SVM 分类分别放在终 端和云端进行， 随着系统的运行， 可以把几部分看作是 并行处理数据， 是一种更为高效的数据处理方式。云 加端流水线结构和传统数据处理结构如图 5 所示。 从图 5 中可以看出， 流水线诊断结构可以并行的 对数据进行处理， 形成了一种多环节并行的故障诊断 模式， 而传统的诊断结构对数据的处理只能是顺序完 成的。其中数据采集 COD 发生在 MEMS 传感器中， 采集的数据放在 FIFO 空间中; 特征提取/降维 FE/ DR 在 MCU 中进行计算; 数据传输 TDR 由 RF 芯片 完成; 故障特征的分类 CLOF 即故障诊断在云端 822振 动 与 冲 击2019 年第 38 卷 ChaoXing 进行。 注 COD Collection Data; FE/DR Feature Extraction/Dimensionality Reduction; TRD Transmission Data; CLTF Classify the Feature 图 5两种故障诊断结构对比图 Fig． 5Comparison chart of two kinds of fault diagnosis structure 并行的流水线数据处理结构要比普通的顺序结构 效率高很多， 并行结构可以同时充分调动各个计算单 元对数据进行处理， 一方面降低了单一处理器的计算 负担， 另一方面让各个处理单元的“等待时间” 大大降 低， 提高了系统的工作效率。如图 6 所示给出了传统 的顺序结构和并行流水线结构在相同时间内完成任务 数的对比， 从图中可以看出， 随着时间的推移， 并行流 水线结构相较于传统顺序结构体现出越来越大的效率 优势。 图 6传统诊断结构与流水线诊断结构效率对比 Fig． 6The efficiency comparison of traditional structure and pipeline structure 通过以上分析， 从计算分布以及实际工程应用的 角度出发， 云加端的故障诊断方法更加符合实际的工 程应用， 而且由于其可以直接布置在实际运行的设备 之中， 真正实现了设备的在线实时故障诊断， 相较于传 统只能先采集数据再进行集中数据处理的方式更加符 合实际。 4结论 文章中提出了一种云加端的改进支持向量机 CaTSVM ， 并将其运用到旋转轴承的故障诊断中， 通 过云端和终端的配合， 使得将故障诊断设备部署在生 产线设备现场成为切实可行的方案。终端、 无线传输 以及云端并行流水线数据处理方式使得故障诊断系统 的实时性得到大大提高， 对系统的实时监测有重大 意义。 CaTSVM 可以根据当前被测设备状态的变化适时 的进行在线训练， 以随着被测设备状态的缓慢变化不 断的学习新的特征， 使故障诊断系统具备“终身学习” 的能力。通过在线训练可以让诊断系统的诊断准确度 不受设备状态变化的影响， 提高分类器的识别能力。 参 考 文 献 ［1］ BOUDIAF A， DJEBALAA， BENDJMAH， etal．A summary of vibration analysis techniques for fault detection and diagnosis in bearing［C］/ / International Conference on Modelling，Identification and Control． IEEE， 2017 37- 42． ［2］ NANDI S，TOLIYAT H A，LI X． Condition monitoring and fault diagnosis of electrical motors- a rev