DOI：10.16661/j.cnki.1672-3791.2201-5042-6538

摘要：長期以來，有效的智能故障診斷方法一直是旋轉機械狀態(tài)監(jiān)測的研究熱點?；趥鹘y(tǒng)的振動的信號時頻域分析故障診斷系統(tǒng)存在一些不足，如計算特征向量復雜、對先驗知識的過度依賴和無法實現(xiàn)根據(jù)故障信號的自學習能力。該文提出一種基于變學習率策略的多層感知機模型，在凱斯西儲大學軸承數(shù)據(jù)集對該模型進行驗證，得到了99.94%的高準確率，證明該模型可以被用于軸承故障診斷領域。

關鍵字：深度學習??多層感知機??滾動軸承 ?故障診斷

中圖分類號：TH17???文獻標識碼：A ??文章編號：1672-3791（2022）04（b）-0000-00

Bearing Fault Diagnosis Method Based on Variable Learning Rate Multilayer Perceptron

WANG Meng

（Tangshan Polytechnic College， Tangshan，?Hebei?Province，?063299 China）

Abstract：For a long time， effective intelligent fault diagnosis method has been the research hotspot of rotating machinery condition monitoring. There are some shortcomings in the traditional vibration signal time-frequency domain analysis fault diagnosis system. Such as eigenvectors computing is complex， over dependence on prior knowledge and inability to realize self-learning ability according to fault signals. This paper proposes a multi-layer perceptron （MLP） model based on variable learning rate strategy. The model is verified on the bearing data set of Case Western Reserve University. A high accuracy of 99.4% is obtained. It is proved that the model can be applied in the field of bearing fault diagnosis.

Key Words： Deep learning;?MLP;?Rolling bearing;?Fault diagnosis

現(xiàn)代工業(yè)的發(fā)展促使設備自動化程度大幅度提高。智能制造產業(yè)升級需要不斷加強機械設備的可靠性和效率。高效的健康監(jiān)測系統(tǒng)被廣泛應用在以滾動軸承為典型的旋轉機械設備上。機器狀態(tài)監(jiān)測在工業(yè)中愈發(fā)重要，因為可靠性的提高可以大幅減少機器故障，避免造成重大生產損失和安全事故。振動信號的采集和使用在旋轉機械的狀態(tài)監(jiān)測領域中被廣泛應用。通過分析比較機器在正常和故障條件下運行產生的振動信號，可以判斷軸承故障的工作狀態(tài)。雖然目前企業(yè)仍然廣泛采用對軸承振動特征進行聽覺檢查，但是對于精密儀器的軸承部件，僅僅依靠人工方法進行判斷缺乏說服力，需要一個可靠、快速和具備自學習能力的軸承檢測方案。

人工神經網絡（Artificial Neural Network，ANN）具有應用于機器故障自動檢測和診斷的潛力。多層感知器（Multi-Layer Perceptron，MLP）網絡是最常用的神經網絡結構。因為神經網絡具備精度高、速度快、泛化能力強的突出優(yōu)點，目前神經網絡系統(tǒng)被廣泛應用于機器語言處理、計算機視覺和模式識別等科研領域。國內眾多學者在不同的操作條件下采集振動信號和轉速等軸承運行數(shù)據(jù)。統(tǒng)計分析包括原始信號和預處理信號的特征，利用信號的時頻域特征進行軸承工況分類。

因為多層感知機在信號分析上有良好表現(xiàn)，它可以高質量提取信號特征。該文把多層感知機模型進行適當改造，并添加了變學習率策略優(yōu)化其學習步長，將其作用于軸承等一維序列信號分類。該文提出了一種基于多層感知機網絡的軸承智能檢測模型。該模型由四層感知機網絡層逐次拼接而成，從多個維度提取軸承信號的特征。模型尾部的支持向量機（Support Vector Machine， SVM）完成最終的軸承工況分類任務。

1多層感知機算法原理

多層感知機由輸入層節(jié)點、一個或多個隱藏層的計算節(jié)點和輸出層節(jié)點組成。其中，輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)取決于系統(tǒng)輸入和輸出變量的數(shù)量，隱藏層的數(shù)量和每個隱藏層中的節(jié)點數(shù)會影響整個網絡的泛化能力。對于包含節(jié)點數(shù)量比較少的多層感知機，其性能可能不夠穩(wěn)定并且缺乏泛化能力。然而，如果隱藏節(jié)點太多，則可能會形成過擬合現(xiàn)象，對于新的數(shù)據(jù)同樣泛化能力弱。多層感知機的結構如圖1所示。

信號依據(jù)網絡模型結構，在各個網絡層之間傳遞次序的如圖2所示。

2 變學習率策略

使用標準最速下降法，學習率在整個訓練過程中保持不變。該算法的性能對學習率的適當設置非常敏感。如果學習速率設置得太高，算法可能會振蕩并變得不穩(wěn)定。如果學習速率太小，算法將花費太長時間來收斂。在訓練前確定學習率的最佳設置是很困難的。事實上，隨著訓練過程的不斷進行，最佳學習速率在訓練過程中會發(fā)生變化。如果我們允許學習速率在訓練過程中發(fā)生變化，則最速下降算法的性能可以得到改善。自適應學習速率將嘗試在保持學習穩(wěn)定的同時保持盡可能大的學習步長。學習速率響應于局部誤差面的復雜性。

所以，該文采用了階梯式變化學習率的策略。隨著訓練批次的進行，逐步縮小學習率的步長。以避免訓練產生振蕩，促進訓練模型穩(wěn)定逼近最優(yōu)解。該文采用的起始學習率LR=0.01，學習率變化策略如表1所示：

3 實驗結果

3.1實驗數(shù)據(jù)描述

該文采用在軸承檢測領域廣泛使用的美國凱斯西儲大學開源的試驗臺軸承數(shù)據(jù)對所提出的變學習率多層感知機模型進行了實驗驗證。

試驗臺采集了正常軸承、驅動端缺陷和風扇端缺陷的振動信號。信號采樣頻率是12?kHz。軸承包括三個軸承故障類型，由滾動體故障（roller fault，RF），外圈故障（outer race fault，OF）和內圈故障（inner race fault，IF）。每個故障類型包含三種不同的損傷尺寸，損傷尺寸為0.18?mm、0.36?mm、0.54?mm。使用電火花加工的方式分別模擬滾動體、外圈、內圈上各三種不同程度的故障，共有九種故障工況。外加一種正常的工作狀態(tài)，共有十種類型的工況。實驗數(shù)據(jù)信息如表2所示。

3.2 實驗參數(shù)設置

該文利用編程語言Python3.8，基于Pytorch1.9框架，在Jupyter環(huán)境下搭建基于變學習率策略的多層感知機網絡。設置全部振動信號的60%為訓練集，另外40%為測試集。采用分類交叉熵損失函數(shù)（Cross?Entropy?Loss， CEL）。模型按照以下方法設置超參數(shù)：訓練批次=200，每個訓練批次數(shù)據(jù)=512，初始學習率=0.01。

該故障診斷模型的準確率變化如圖3所示，損失函數(shù)值變化如圖4所示。當模型在前20次出現(xiàn)了一次比較大的波動，具體原因是前面學習率比較高，訓練模型優(yōu)化時產生振蕩。在前30次訓練過程中，訓練收斂速度比較快，模型快速達到99%以上的準確率，訓練損失值在0.1以下。之后訓練進入了瓶頸期，雖然模型的準確率還在不斷提升，損失函數(shù)值也在不斷下降，但是訓練速度明顯變慢。最終模型的訓練準確率達到99.94%，理論上可以應用在實際的軸承故障診斷工作中去。

試驗結果說明，采用基于變學習率策略的多層感知機網絡模型提取出的故障特征在支持向量機分類器中可以準確快速判斷軸承的工作狀態(tài)。該方法訓練得到的模型具有較高的分類準確率，并且不需要依靠已有知識自動提取故障特征。

4 結論

該文提出的基于變學習率策略的多層感知機網絡模型，可以在提取軸承信號特征后配合支持向量機分類器準確判斷其工況。該方法訓練得到的模型具有較高的準確率，基于變學習率策略的多層感知機網絡結構，具備優(yōu)秀的特征提取能力。該文提出方法的局限性包括：首先，只能判斷已經給出的具體工況，無法識別未定義的其他工況類型。其次，該模型中全連接層參數(shù)量大訓練時間較長。后續(xù)的工作中可以考慮對算法進一步改進使之能夠應用于在線軸承故障診斷儀上，并且能夠縮短訓練時間。

參考文獻

[1] 劉偉，單雪垠，李雙喜，等.基于并行1DCNN的滾動軸承故障診斷研究[J].機電工程，2021，38（12）：1572-1578.

[2] 王萌，曾艷，劉金童，等.基于FFT和全連接層特征提取的軸承故障診斷（英文）[J].機床與液壓，2020，48（24）：188-196.

[3] 金國強.基于深度學習的復雜工況下端到端的滾動軸承故障診斷算法研究[D].合肥：中國科學技術大學，2020.

[4] 趙勇，徐華東，包偉華，等.基于多層感知機的過程變量趨勢診斷方法研究及應用[J].流體測量與控制，2021，2（5）：1-4.

[5] 張金豹.基于全壽命數(shù)據(jù)的滾動軸承運行狀態(tài)評估和剩余壽命預測[D].哈爾濱：哈爾濱工業(yè)大學，2020.

[6] 王萌，曾艷，彭飛，等.基于余弦下降學習率的卷積網絡軸承故障診斷[J].工業(yè)技術與職業(yè)教育，2020，18（3）：4-8.

基金項目：唐山工業(yè)職業(yè)技術學院院級課題《基于深度學習的軸承故障診斷方法研究》（項目編號：YJKT202105）。

作者簡介：王萌（1985—），男，碩士，講師，研方向為深度學習工業(yè)故障診斷。