陳志剛，高 鶴，劉 菲，楊志達(dá)

（北京航天拓?fù)涓呖萍加邢挢?zé)任公司，北京 100176）

0 引言

滾動(dòng)軸承是機(jī)械設(shè)備中常見的組件，從簡單的電風(fēng)扇到復(fù)雜的機(jī)床上都有滾動(dòng)軸承的應(yīng)用。事實(shí)上，超過50%的機(jī)械缺陷與軸承故障有關(guān)，從而導(dǎo)致機(jī)器停產(chǎn)、停機(jī)、甚至造成人員的傷亡[1]。因此，滾動(dòng)軸承故障診斷是機(jī)械故障診斷的一個(gè)重要方面，也是近些年來的研究熱點(diǎn)。近些年來，隨著學(xué)者們的不斷深入研究提出了各種故障診斷的方法。傳統(tǒng)的研究方法有：BP 神經(jīng)網(wǎng)絡(luò)[3]、概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）[4]、小波分析[5]、EMD[6]、集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）[7]、奇異值分解（Singular value decomposition，SVD）[8]等得到了廣泛的應(yīng)用。目前基于機(jī)器學(xué)習(xí)的故障診斷方法主要有，如Logistic 回歸[9]、支持向量機(jī)（Support Vector Machine，SVM）[10]以及人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）[11]、模糊推斷[12]。

人工智能的蓬勃發(fā)展，深度學(xué)習(xí)在圖像識(shí)別、語音識(shí)別等領(lǐng)域得到廣泛運(yùn)用。反應(yīng)軸承故障的振動(dòng)信號(hào)在本質(zhì)上與語音相同，都屬于對(duì)聲音信號(hào)進(jìn)行分類，提出一種基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷，首先使用一維卷積神經(jīng)網(wǎng)絡(luò)層（One Dimension Convolution Neural Networks，1D-CNN）提取特征，隨后使用門控循環(huán)單元網(wǎng)絡(luò)層（Gate Recurrent Unit，GRU）捕捉這些特征圖的時(shí)間動(dòng)態(tài)，故障的分類取決于通過全連接層的最終GRU 單元的輸出。首先利用數(shù)據(jù)集通過對(duì)比實(shí)驗(yàn)確定GRU 和CNN 的網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)，從而確定整個(gè)目標(biāo)域的網(wǎng)絡(luò)架構(gòu)及參數(shù)。

1 基礎(chǔ)理論

1.1 一維卷積網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）是共享權(quán)重、局部連接的多層神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)成主要包含隱含層、輸出層及輸入層。輸入層主要從圖像資源中獲取圖像的像素矩陣資源，隱含層主要用于接收輸入層的輸出并完成對(duì)圖像特征的提取，輸出層主要將隱含層的結(jié)果進(jìn)行輸出。

卷積神經(jīng)網(wǎng)絡(luò)根據(jù)輸入類型不同，可以將其分為一維和二維卷積神經(jīng)網(wǎng)絡(luò)。其中，二維卷積神經(jīng)網(wǎng)絡(luò)主要用于圖像和視頻二維信號(hào)；一維卷積神經(jīng)網(wǎng)絡(luò)主要運(yùn)用于自然語言處理等領(lǐng)域，適用于處理時(shí)間序列數(shù)據(jù)這種一維數(shù)據(jù)。采用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集（長序列）進(jìn)行特征提取。

1.2 門控循環(huán)網(wǎng)絡(luò)

GRU 由經(jīng)典的循環(huán)神經(jīng)網(wǎng)絡(luò)——長短期記憶網(wǎng)絡(luò)（Long Short—Term Memory，LSTM）優(yōu)化所得，具有更加簡單的結(jié)構(gòu)、更少的參數(shù)、更好的收斂性。GRU 神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)主要包括：更新門和重復(fù)門。其中更新門主要用于控制前一時(shí)刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)的程度，更新門的值越大說明前一時(shí)刻的狀態(tài)信息帶入越多；重置門用于控制忽略前一時(shí)刻的狀態(tài)信息的程度，重置門的值越小說明忽略得越多[13]。

2 滾動(dòng)軸承故障診斷模型實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集描述

采用在凱斯西儲(chǔ)大學(xué)的公開實(shí)驗(yàn)數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練與測試。將每種工況的數(shù)據(jù)分成4 種狀態(tài)：正常（N）、內(nèi)圈故障（IF）、外圈故障（OF）和滾珠故障（BF）。其中將故障部分劃分為3 種尺寸：?。?.18 mm）、中（0.36 mm）和大（0.54 mm），所以根據(jù)不同狀態(tài)和故障尺寸有10 種情況，如表1 所示。

表1 故障類型分類

由于數(shù)據(jù)集中提供的原始振動(dòng)信號(hào)是一條很長的一維數(shù)據(jù)，每種數(shù)據(jù)樣本數(shù)比較少。為獲得盡可能多的樣本，采用滑動(dòng)窗口進(jìn)行重疊采樣，為獲得更好的訓(xùn)練效果，將獲得的樣本隨機(jī)打亂。每種故障類型采樣10 000 個(gè)樣本，每個(gè)樣本中2048 個(gè)數(shù)據(jù)點(diǎn)，并且將數(shù)據(jù)集中的80%作為訓(xùn)練集用于訓(xùn)練CNN—GRU網(wǎng)絡(luò)，剩下的20%作為測試集用于測試系統(tǒng)的性能。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定

通過比較不同CNN 和GRU 網(wǎng)絡(luò)的層數(shù)組合，選擇出最佳的深度學(xué)習(xí)模型，實(shí)驗(yàn)對(duì)比結(jié)果見表2 和表3。

表2 為不同層數(shù)CNN 與GRU 單元組合時(shí)，在測試集中的類間平均準(zhǔn)確率，由表2 可見當(dāng)CNN 層數(shù)大于2 層時(shí)，網(wǎng)絡(luò)診斷準(zhǔn)確率較高，均高于99%，這是由于隨著網(wǎng)絡(luò)層數(shù)的加深，深層的CNN 層能夠提取到較為抽象的特征，更有助于隨后連接的全連接層進(jìn)行分類。表3 為對(duì)1000 個(gè)測試樣本進(jìn)行分類所需時(shí)間，由表3 可見當(dāng)GRU 層數(shù)較少時(shí)，分類所需的時(shí)間較短。按照分類時(shí)間短，分類準(zhǔn)確率高這2 個(gè)條件對(duì)網(wǎng)絡(luò)層數(shù)進(jìn)行選取，最后選出3 層CNN+1 層GRU 以及3 層CNN+2 層GRU 這2 種網(wǎng)絡(luò)結(jié)構(gòu)，將這2 種結(jié)構(gòu)進(jìn)行對(duì)比發(fā)現(xiàn)，將GRU 的層數(shù)從1 層提升至2 層時(shí)，類間平均準(zhǔn)確率上升了0.1%，但所需時(shí)間卻成倍上漲，因此，綜合分析各種元素，選取3 層CNN+1 層GRU 作為遷移前的網(wǎng)絡(luò)結(jié)構(gòu)，最終整個(gè)模型的全部參數(shù)如表4 所示。

表2 測試集類間平均準(zhǔn)確率

表3 測試集預(yù)測速度

表4 故障診斷網(wǎng)絡(luò)參數(shù)

2.3 實(shí)驗(yàn)結(jié)果

使用上述數(shù)據(jù)集，對(duì)比所確立的模型以及訓(xùn)練方式對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終所得各類診斷準(zhǔn)確率見表5，混淆矩陣如圖1 所示，混淆矩陣標(biāo)識(shí)說明見表6。

表6 混淆矩陣標(biāo)識(shí)說明

圖1 故障診斷混淆矩陣

表5 故障診斷實(shí)驗(yàn)結(jié)果

由上述圖表可以看出，所提出的基于深度學(xué)習(xí)的故障診斷網(wǎng)絡(luò)，在美國凱斯西儲(chǔ)大學(xué)數(shù)據(jù)集中所進(jìn)行的實(shí)驗(yàn)，除在外圈故障小尺寸這一類中診斷效果相對(duì)較差為96%外，在各類之中診斷預(yù)測效果較為優(yōu)秀，均能達(dá)到100%，說明所設(shè)計(jì)診斷方法具有較高的使用價(jià)值。

3 結(jié)束語

提出了一種基于深度學(xué)習(xí)的智能故障診斷方法，在CNN 設(shè)計(jì)方法的基礎(chǔ)上，根據(jù)訓(xùn)練要求設(shè)計(jì)了9 種CNN 網(wǎng)絡(luò)結(jié)構(gòu)。通過實(shí)驗(yàn)數(shù)據(jù)集測試，確定了一種最優(yōu)的CNN 網(wǎng)絡(luò)模型。所采用的基于一維卷積和門控循環(huán)單元的滾動(dòng)軸承故障診斷方法整體上能夠達(dá)到99.6%的識(shí)別準(zhǔn)確率，體現(xiàn)了網(wǎng)絡(luò)優(yōu)異的診斷能力，證明了所提出方法的可行性，為采用CNN 和GRU 進(jìn)行故障診斷提供了新的思路，具有較好的技術(shù)應(yīng)用前景。