基于Inception v3的印刷設(shè)備軸承故障智能診斷方法研究

胡兵兵，唐嘉輝，武吉梅

基于Inception v3的印刷設(shè)備軸承故障智能診斷方法研究

胡兵兵a，唐嘉輝b，武吉梅a

（西安理工大學(xué) a.印刷包裝與數(shù)字媒體學(xué)院 b.機(jī)械與精密儀器工程學(xué)院，西安 710048）

軸承作為印刷設(shè)備中的旋轉(zhuǎn)核心元件，其運(yùn)行狀態(tài)對(duì)印刷設(shè)備的健康監(jiān)測(cè)作用較大。通過(guò)融合小波時(shí)頻處理與Inception v3模型的優(yōu)勢(shì)，提出一種用于印刷設(shè)備軸承故障智能診斷方法。利用Morlet小波對(duì)采集到的印刷設(shè)備軸承原始振動(dòng)信號(hào)進(jìn)行處理，得到對(duì)應(yīng)的二維時(shí)頻圖像，從時(shí)域和頻域兩方面對(duì)軸承故障進(jìn)行表征；將時(shí)頻圖像作為Inception v3模型的輸入，利用其模型的稀疏特性，快速?gòu)臅r(shí)頻圖像中自動(dòng)學(xué)習(xí)故障特征，并對(duì)其模型參數(shù)進(jìn)行調(diào)整；最后，利用訓(xùn)練好的模型實(shí)現(xiàn)印刷設(shè)備軸承故障診斷。利用印刷設(shè)備軸承實(shí)驗(yàn)平臺(tái)對(duì)提出方法的有效性進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該方法的平均診斷精度可達(dá)92.53%。與傳統(tǒng)智能診斷方法相比，所提方法在診斷精度與穩(wěn)定性方面均具有一定的優(yōu)勢(shì)，可實(shí)現(xiàn)高精度印刷設(shè)備軸承故障診斷。

Morlet小波；Inception v3模型；軸承；故障診斷

隨著現(xiàn)代印刷企業(yè)的生產(chǎn)效率不斷提高，軸承作為印刷設(shè)備中重要的旋轉(zhuǎn)核心元件，在長(zhǎng)期高速運(yùn)轉(zhuǎn)情況下容易產(chǎn)生不同程度的損傷[1-2]。如果不能及時(shí)發(fā)現(xiàn)軸承故障，輕則造成整個(gè)印刷設(shè)備無(wú)法正常運(yùn)行以致影響印品質(zhì)量，重則導(dǎo)致設(shè)備損壞，造成經(jīng)濟(jì)損失，甚至人身安全事故[3-4]，因此，如何有效實(shí)現(xiàn)印刷設(shè)備軸承故障診斷是保障印刷設(shè)備長(zhǎng)期高速可靠運(yùn)行的關(guān)鍵問(wèn)題。

在傳統(tǒng)的軸承故障診斷研究中，其主要方法是利用信號(hào)處理技術(shù)對(duì)采集到的振動(dòng)信號(hào)進(jìn)行分析，去除冗余成分并提取出可以反映故障特征的信息，從而實(shí)現(xiàn)軸承故障診斷。這類(lèi)方法在故障診斷研究初期表現(xiàn)出了較好的效果，但是隨著人們對(duì)生產(chǎn)效率的要求日益提升，印刷設(shè)備的規(guī)模也隨之不斷擴(kuò)大，需要采集設(shè)備信號(hào)的數(shù)據(jù)量與采樣頻率都在不斷提高，導(dǎo)致收集到的包含設(shè)備運(yùn)轉(zhuǎn)狀態(tài)的信號(hào)趨于“海量”，使得傳統(tǒng)故障診斷方法在面對(duì)這種情況時(shí)診斷效果不佳[5]。隨著人工智能理論的迅速發(fā)展，諸如支持向量機(jī)（SVM）、邏輯回歸等淺層結(jié)構(gòu)算法在故障診斷領(lǐng)域的應(yīng)用越來(lái)越廣泛。由于印刷設(shè)備的機(jī)械結(jié)構(gòu)復(fù)雜度不斷提升，多部件耦合振動(dòng)產(chǎn)生的振動(dòng)信號(hào)中的有用信息常被強(qiáng)噪聲背景所淹沒(méi)，導(dǎo)致上述淺層模型無(wú)法準(zhǔn)確提取出軸承故障的特征信息[6-8]，因此，亟待研究新的改進(jìn)方法用來(lái)有效檢測(cè)隱藏在印刷設(shè)備大量振動(dòng)信號(hào)中的軸承故障特征。

因其優(yōu)越的大數(shù)據(jù)處理及自適應(yīng)特征提取能力，深度學(xué)習(xí)算法的出現(xiàn)解決了傳統(tǒng)故障診斷方法中手動(dòng)選擇特征的不足，使得其在機(jī)械故障診斷領(lǐng)域得到了廣泛的應(yīng)用。邵海東等[9]在傳統(tǒng)故障診斷研究中引入了深度遷移自動(dòng)編碼器，該方法在不同設(shè)備之間實(shí)現(xiàn)了高精度故障識(shí)別。Wen等[10]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，實(shí)驗(yàn)結(jié)果表明該方法診斷精度相較于其他故障診斷方法有了較為明顯地提升。Jia等[11]提出了一種基于深度歸一化卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，實(shí)驗(yàn)結(jié)果表明該方法相較于一般的卷積神經(jīng)網(wǎng)絡(luò)取得了更佳的診斷精度。Jia等提出的方法通過(guò)直接在深度學(xué)習(xí)算法中輸入采集到的原始振動(dòng)信號(hào)，在一定程度上實(shí)現(xiàn)了較為精確的機(jī)械故障診斷。在印刷設(shè)備實(shí)際工作狀況中，由于軸承內(nèi)部的零部件之間存在相互作用，導(dǎo)致傳感器采集到的振動(dòng)信號(hào)信噪比較低，降低了深度學(xué)習(xí)算法提取故障特征的準(zhǔn)確性，從而限制了深度學(xué)習(xí)算法在機(jī)械故障診斷領(lǐng)域的應(yīng)用范圍。為了解決此問(wèn)題，文中通過(guò)選用在時(shí)頻域均具有良好分辨率的Morlet小波對(duì)采集到的印刷設(shè)備軸承振動(dòng)原始信號(hào)進(jìn)行預(yù)處理，將它轉(zhuǎn)換為二維時(shí)頻圖，從而增強(qiáng)了原始信號(hào)的特征信息。隨后，采用卷積神經(jīng)網(wǎng)絡(luò)的典型變體之一Inception v3網(wǎng)絡(luò)對(duì)其時(shí)頻譜中的故障特征進(jìn)行學(xué)習(xí)。由于該網(wǎng)絡(luò)在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型中引入了分解卷積的思想，不僅具有密集矩陣的高計(jì)算性能，又保持了濾波器級(jí)別的稀疏特性，可從軸承振動(dòng)信號(hào)時(shí)頻圖中自適應(yīng)的學(xué)習(xí)到反映故障特征的有用信息，也能獲得故障特征與故障類(lèi)別之間的非線(xiàn)性映射關(guān)系。正是基于小波時(shí)頻圖和Inception v3網(wǎng)絡(luò)的各自?xún)?yōu)勢(shì)，文中提出的印刷設(shè)備軸承故障智能診斷方法可實(shí)現(xiàn)強(qiáng)噪聲背景下軸承故障的精確識(shí)別，實(shí)驗(yàn)結(jié)果表明所提方法與其他傳統(tǒng)智能故障診斷方法相比具有更好的識(shí)別精度和診斷效率。

1 信號(hào)預(yù)處理

軸承作為印刷設(shè)備中連接固定部件與旋轉(zhuǎn)部件的“關(guān)節(jié)”，在實(shí)際運(yùn)行過(guò)程中，會(huì)承受來(lái)自與之相關(guān)的各部件的激勵(lì)，導(dǎo)致軸承故障信號(hào)在這些干擾源的影響下呈現(xiàn)出非平穩(wěn)、非線(xiàn)性和低信噪比的特點(diǎn)。傳統(tǒng)的傅里葉變換無(wú)法對(duì)軸承故障信號(hào)中的任意時(shí)刻內(nèi)的頻率成分進(jìn)行表征，難以滿(mǎn)足軸承故障微弱特征提取的需求。小波變換因具有多分辨率的特性，使得信號(hào)分解后在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，從本質(zhì)上解決了傳統(tǒng)傅里葉變換無(wú)法提供任何局部時(shí)間段上頻率信息的不足[12-13]。由于Morlet小波的時(shí)域波形與軸承故障信號(hào)的沖擊特征較為相似，能夠很好地實(shí)現(xiàn)它與故障信號(hào)在時(shí)間和頻率分辨率之間的匹配[14]，因此，文中選擇Morlet小波對(duì)印刷設(shè)備軸承振動(dòng)信號(hào)進(jìn)行預(yù)處理。

Morlet小波可以定義為：

(1)

Morlet小波的傅里葉變換表達(dá)式可表示為：

(2)

由于為無(wú)量綱頻率，將歸一化因子設(shè)置為1，其傅里葉變換表達(dá)式可簡(jiǎn)化為：

(3)

為了保證Morlet小波在不同縮放因子下均具有可比性，對(duì)小波函數(shù)進(jìn)行歸一化使其具有相同的單位能量。

(4)

(5)

2 卷積神經(jīng)網(wǎng)絡(luò)與Inception v3

借助深度學(xué)習(xí)方法實(shí)現(xiàn)軸承故障診斷的研究已屢見(jiàn)不鮮，當(dāng)遇到因數(shù)據(jù)噪聲過(guò)大引起模型精度下降問(wèn)題時(shí)，傳統(tǒng)基于深度學(xué)習(xí)的故障診斷方法一般會(huì)通過(guò)增加模型深度或?qū)挾雀纳七@種情況，但這種形式易造成模型的參數(shù)量激增。此外，太深層的模型同樣會(huì)帶來(lái)嚴(yán)重的過(guò)擬合問(wèn)題，從而導(dǎo)致模型性能降低。在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出的Inception v3模型解決了上述問(wèn)題，該模型利用Inception module、分解卷積等一系列操作增加了模型的深度與寬度，但參數(shù)總量?jī)H為同深度Alexnet的1/12[15]。Inception module的基本結(jié)構(gòu)見(jiàn)圖1，該結(jié)構(gòu)存在4個(gè)主要分支，每個(gè)分支均存在1×1的卷積核，該操作能對(duì)輸出特征進(jìn)行降維處理，增加模型的特征表達(dá)能力。同時(shí)，多種尺寸的卷積核從不同尺度方面增加了模型的特征適應(yīng)能力。

圖1 Inception module基本結(jié)構(gòu)

分解卷積核的主要思想是將單個(gè)卷積核分解為2個(gè)或多個(gè)卷積核。該操作在增加網(wǎng)絡(luò)的寬度與深度的同時(shí)，減少了參數(shù)的增長(zhǎng)量。傳統(tǒng)卷積方法中尺寸較大的卷積核雖然具有較好的感受野，但在運(yùn)算的過(guò)程中容易丟失部分重要的特征，并會(huì)引入極大的參數(shù)量。采用分解卷積將單個(gè)卷積核分解為多個(gè)小卷積核，在不改變感受野的情況下降低了參數(shù)量，此外多個(gè)卷積核共同作用相當(dāng)于為模型增加了多個(gè)激活函數(shù)，提升了模型的非線(xiàn)性表征能力。如圖2和圖3所示，引入Inception module中的分解卷積主要存在對(duì)稱(chēng)分解與非對(duì)稱(chēng)分解2種形式，分別在不改變感受野大小的情況下降低了大約28%和33%的網(wǎng)絡(luò)模型參數(shù)量。文中所采用的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見(jiàn)表1，其中關(guān)于Inception module更詳細(xì)的架構(gòu)可參考文獻(xiàn)[15]。

圖2 對(duì)稱(chēng)式分解卷積

3 基于inception v3的印刷設(shè)備軸承故障診斷方法

印刷設(shè)備作為一種專(zhuān)用功能的旋轉(zhuǎn)設(shè)備，由于其結(jié)構(gòu)構(gòu)成種類(lèi)眾多和振動(dòng)傳遞路徑復(fù)雜等因素影響，導(dǎo)致其采集到的振動(dòng)信號(hào)常表現(xiàn)出非平穩(wěn)、非線(xiàn)性和低信噪比的特性。為了能夠更好地表征振動(dòng)信號(hào)的故障特征，文中首先采用Morlet小波對(duì)原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，從而得到振動(dòng)信號(hào)的二維時(shí)頻圖。然后，將其作為訓(xùn)練數(shù)據(jù)，可有效提高后續(xù)智能故障診斷模型精度。此外，研究過(guò)程中引入了Inception v3模型對(duì)時(shí)頻圖圖像特征進(jìn)行學(xué)習(xí)，通過(guò)Inception module、分解卷積帶來(lái)的高效特征學(xué)習(xí)與快速訓(xùn)練能力可實(shí)現(xiàn)印刷設(shè)備軸承高精度故障診斷。結(jié)合小波時(shí)頻處理與Inception v3模型的印刷設(shè)備軸承故障診斷方法流程見(jiàn)圖4，其詳細(xì)步驟如下。

圖3 非對(duì)稱(chēng)式分解卷積

表1 文中方法結(jié)構(gòu)參數(shù)

Tab.1 Structure parameters of proposed method

圖4 基于Inception v3的印刷設(shè)備軸承故障診斷方法流程

1）使用信號(hào)采集設(shè)備收集印刷設(shè)備運(yùn)行過(guò)程中所產(chǎn)生的軸承振動(dòng)信號(hào)。

2）利用Morlet小波對(duì)原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，得到相應(yīng)的軸承振動(dòng)信號(hào)時(shí)頻圖。

3）初始化Inception v3網(wǎng)絡(luò)模型參數(shù)，設(shè)置其學(xué)習(xí)率為0.04，迭代次數(shù)為20，學(xué)習(xí)動(dòng)量為0.99。

4）將獲取到的振動(dòng)信號(hào)時(shí)頻圖輸入到Inception v3網(wǎng)絡(luò)模型中，采用隨機(jī)梯度算法對(duì)它進(jìn)行優(yōu)化，從而獲得最優(yōu)模型參數(shù)，輸出Inception v3模型，并通過(guò)未知類(lèi)別數(shù)據(jù)集對(duì)其進(jìn)行測(cè)試。

5）記錄測(cè)試結(jié)果，更新印刷設(shè)備健康狀態(tài)。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證所提方法的有效性，文中搭建了FR400凹印機(jī)軸承故障診斷實(shí)驗(yàn)平臺(tái)，見(jiàn)圖5。該實(shí)驗(yàn)平臺(tái)的測(cè)試對(duì)象為輸紙芯軸一端的滾動(dòng)軸承，實(shí)驗(yàn)過(guò)程中所使用的軸承包含內(nèi)圈、外圈、保持架等3種典型故障類(lèi)型和正常狀態(tài)4種情況。為了體現(xiàn)文中方法的魯棒性，每種故障類(lèi)型分別具有0.2、0.4、0.6 mm等3種不同程度的損傷。在測(cè)試過(guò)程中，利用壓電式加速度傳感器對(duì)其振動(dòng)信號(hào)進(jìn)行收集，采樣頻率設(shè)置為12 kHz。3種典型故障類(lèi)型下收集到的凹印機(jī)軸承振動(dòng)信號(hào)時(shí)域波形，以及經(jīng)過(guò)Morlet小波處理后的小波時(shí)頻圖見(jiàn)圖6。將已知的原始振動(dòng)信號(hào)小波時(shí)頻圖以7∶3的比例進(jìn)行分組，可獲得用于所提方法網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中的訓(xùn)練集與測(cè)試集。

圖5 凹印機(jī)軸承故障診斷實(shí)驗(yàn)平臺(tái)

4.2 結(jié)果分析

將凹印機(jī)軸承振動(dòng)信號(hào)小波時(shí)頻圖輸入到Inception v3網(wǎng)絡(luò)模型后獲得的一次實(shí)驗(yàn)迭代過(guò)程中的誤差曲線(xiàn)與準(zhǔn)確率曲線(xiàn)見(jiàn)圖7。從圖7中可以看出，隨著迭代次數(shù)的升高，誤差呈逐漸下降的趨勢(shì)，而診斷精度逐漸上升，最終穩(wěn)定在93%左右。分析結(jié)果表明，文中提出的基于Inception v3模型的印刷設(shè)備軸承故障診斷方法可從時(shí)頻圖像中逐步提取出與故障特征相關(guān)的有用信息。為了測(cè)試提出方法的性能，將Alexnet和支持向量機(jī)（Support Vector Machine, SVM）與文中方法進(jìn)行對(duì)比。Alexnet網(wǎng)絡(luò)模型是與Inception v3具有相似結(jié)構(gòu)的算法，而SVM是淺層機(jī)器學(xué)習(xí)的代表算法之一。每組實(shí)驗(yàn)重復(fù)進(jìn)行5次，最終得到的詳細(xì)實(shí)驗(yàn)結(jié)果見(jiàn)圖8。從圖8中可以看出，文中方法具有更高的精度和較好的穩(wěn)定性。經(jīng)過(guò)5次實(shí)驗(yàn)后得到的平均診斷結(jié)果見(jiàn)表2。從表2中可以看出，文中方法的平均診斷精度可達(dá)92.53%，高于Alexnet（89.65%）和SVM（87.19%）的診斷結(jié)果，并且從均方誤差可以看出，文中方法相較于其他2種對(duì)比方法更為穩(wěn)定。

圖6 凹印機(jī)軸承振動(dòng)時(shí)域信號(hào)及其對(duì)應(yīng)的時(shí)頻圖

圖7 訓(xùn)練結(jié)果曲線(xiàn)

圖8 輸入為時(shí)頻圖時(shí)，3種診斷方法分析結(jié)果對(duì)比

表2 輸入為時(shí)頻圖時(shí)，3種方法的平均診斷結(jié)果

Tab.2 Average diagnosis results of three methods when time-frequency graph is input

5 結(jié)語(yǔ)

針對(duì)印刷設(shè)備軸承故障診斷問(wèn)題，文中提出了一種小波變換與Inception v3模型相結(jié)合的智能診斷方法。利用凹印機(jī)軸承故障診斷實(shí)驗(yàn)臺(tái)對(duì)提出方法的有效性進(jìn)行了驗(yàn)證，分析結(jié)果可得出結(jié)論：利用Morlet小波對(duì)原始振動(dòng)信號(hào)進(jìn)行處理后得到的時(shí)頻圖圖像作為訓(xùn)練數(shù)據(jù)，提高了后續(xù)智能故障診斷模型的精度；具有分解卷積思想的Inception v3模型可以高效和準(zhǔn)確地自適應(yīng)學(xué)習(xí)原始振動(dòng)信號(hào)時(shí)頻圖中包含的特征信息，從而實(shí)現(xiàn)了軸承故障的精準(zhǔn)診斷；通過(guò)凹印機(jī)軸承診斷實(shí)驗(yàn)平臺(tái)驗(yàn)證了提出方法的有效性，實(shí)驗(yàn)結(jié)果表明所提方法能夠有效識(shí)別出不同類(lèi)型的軸承故障，且相較于其他傳統(tǒng)故障診斷方法具有更好的診斷精度和穩(wěn)定性。

[1] 趙慶海, 趙瑋, 石玉霞. 現(xiàn)代故障診斷技術(shù)研究現(xiàn)狀與趨勢(shì)[J]. 包裝工程, 2018, 39(15): 159-165.

ZHAO Qing-hai, ZHAO Wei, SHI Yu-xia. Present Situation and Trend of Modern Fault Diagnosis Technology[J]. Packaging Engineering, 2018, 39(15): 159-165.

[2] 王國(guó)彪, 何正嘉, 陳雪峰, 等. 機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J]. 機(jī)械工程學(xué)報(bào), 2013, 49(1): 63-72.

WANG Guo-biao, HE Zheng-jia, CHEN Xue-feng, et al. Basic Research on Machinery Fault Diagnosis—What is the Prescription[J]. Journal of Mechanical Engineering, 2013, 49(1): 63-72.

[3] 鄧瑞, 徐卓飛, 徐倩倩, 等. 基于聲場(chǎng)圖像分析的印刷機(jī)軸承故障診斷方法[J]. 包裝工程, 2018, 39(9): 151-157.

DENG Rui, XU Zhuo-fei, XU Qian-qian, et al. Fault Diagnosis Method of Printing Press Bearings Based on Image Analysis of Sound Field[J]. Packaging Engineering, 2018, 39(9): 151-157.

[4] JIA Feng, LEI Ya-guo, LIN Jing, et al. Deep Neural Networks: A Promising Tool for Fault Characteristic Mining and Intelligent Diagnosis of Rotating Machinery with Massive Data[J]. Mechanical Systems and Signal Processing, 2016, 72/73: 303-315.

[5] 雷亞國(guó), 賈峰, 周昕, 等. 基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J]. 機(jī)械工程學(xué)報(bào), 2015, 51(21): 49-56.

LEI Ya-guo, JIA Feng, ZHOU Xin, et al. A Deep Learning-Based Method for Machinery Health Monitoring with Big Data[J]. Journal of Mechanical Engineering, 2015, 51(21): 49-56.

[6] CHEN Jing-long, ZI Yan-yang, HE Zheng-jia, et al. Compound Faults Detection of Rotating Machinery Using Improved Adaptive Redundant Lifting Multiwavelet [J]. Mechanical Systems and Signal Processing, 2013, 38(1): 36-54.

[7] 湯芳, 劉義倫, 龍慧. 稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 機(jī)械科學(xué)與技術(shù), 2018, 37(3): 352-357.

TANG Fang, LIU Yi-lun, LONG Hui. Application of Deep Neural Network with Sparse Auto-Encoder in Rolling Bearing Fault Diagnosis[J]. Mechanical Science and Technology for Aerospace Engineering, 2018, 37(3): 352-357.

[8] 李恒, 張氫, 秦仙蓉, 等. 基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 振動(dòng)與沖擊, 2018, 37(19): 124-131.

LI Heng, ZHANG Qing, QIN Xian-rong, et al. Fault Diagnosis Method for Rolling Bearings Based on Short-Time Fourier Transform and Convolution Neural Network[J]. Journal of Vibration and Shock, 2018, 37(19): 124-131.

[9] 邵海東, 張笑陽(yáng), 程軍圣, 等. 基于提升深度遷移自動(dòng)編碼器的軸承智能故障診斷[J]. 機(jī)械工程學(xué)報(bào), 2020, 56(9): 84-90.

SHAO Hai-dong, ZHANG Xiao-yang, CHENG Jun-sheng, et al. Intelligent Fault Diagnosis of Bearing Using Enhanced Deep Transfer Auto-Encoder[J]. Journal of Mechanical Engineering, 2020, 56(9): 84-90.

[10] WEN Long, LI Xin-yu, GAO Liang, et al. A New Convolutional Neural Network-Based Data-Driven Fault Diagnosis Method[J]. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5990-5998.

[11] JIA Feng, LEI Ya-guo, LU Na, et al. Deep Normalized Convolutional Neural Network for Imbalanced Fault Classification of Machinery and Its Understanding via Visualization[J]. Mechanical Systems and Signal Processing, 2018, 110: 349-367.

[12] 馮志鵬, 劉立, 張文明, 等. 基于小波時(shí)頻框架分解方法的滾動(dòng)軸承故障診斷[J]. 振動(dòng)與沖擊, 2008, 27(2): 110-114.

FENG Zhi-peng, LIU Li, ZHANG Wen-ming, et al. Fault Diagnosis of Rolling Element Bearings Based on Wavelet time-Frequency Frame Decomposition[J]. Journal of Vibration and Shock, 2008, 27(2): 110-114.

[13] 高強(qiáng), 何正嘉. 諧波小波及其時(shí)頻剖面圖在旋轉(zhuǎn)機(jī)械診斷中的應(yīng)用[J]. 西安交通大學(xué)學(xué)報(bào), 2000, 34(9): 62-66.

GAO Qiang, HE Zheng-jia. Application of Harmonic Wavelet and Its Time-Frequency Profile Plot to Diagnosis of Rotating Machinery[J]. Journal of Xi'an Jiaotong University, 2000, 34(9): 62-66.

[14] DAUBECHIES I, HEIL C. Ten Lectures on Wavelets[J]. Computers in Physics, 1992, 6(6): 697.

[15] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the Inception Architecture for Computer Vision[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, 2016: 2818-2826.

An Intelligent Fault Diagnosis Method Based on Inception v3 for Printing Press Bearing

HU Bing-binga, TANG Jia-huib, WU Ji-meia

(a. School of Printing, Packaging Engineering and Digital Media Technology b. School of Mechanical and Precision Instrument Engineering, Xi'an University of Technology, Xi'an 710048, China)

As a core rotating component in printing press, the operation status of bearing plays a major role in the health monitoring of printing press. The work aims to propose an intelligent diagnosis method of bearing faults in printing press by mixing the advantages of wavelet time-frequency processing with the Inception v3 model. The Morlet wavelet was used to process the raw vibration signals collected from bearing, and the corresponding two-dimensional time-frequency images were obtained to characterize the bearings faults from the time-domain and frequency-domain. The time-frequency images were used as input of the Inception v3 model, and the filter-level sparsity of the Inception v3 model was used to quickly and automatically learn the fault features from the time-frequency images and adjust the model parameters; finally, the trained model was used to implement the fault diagnosis of printing press bearing. The effectiveness of the proposed method was verified with a printing press experimental platform, and the results indicated that the average diagnostic accuracy of the method can reach 92.53%. Compared with traditional intelligent diagnosis methods, the proposed method has higher diagnosis accuracy and stability to achieve the bearings fault diagnosis of high-precision printing press.

Morlet wavelets; Inception v3 model; bearing; fault diagnosis

TS803+.6

A

1001-3563(2022)13-0189-07

10.19554/j.cnki.1001-3563.2022.13.024

2021?08?10

國(guó)家自然科學(xué)基金（51705420，52075435）；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃（2020JQ–630，20JY054）；西安理工大學(xué)博士學(xué)位論文創(chuàng)新基金（252072105）

胡兵兵（1983—），男，博士，西安理工大學(xué)講師，主要研究方向?yàn)闄C(jī)械故障診斷。

責(zé)任編輯：曾鈺嬋