基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷方法研究

摘要：當(dāng)前隨著我國(guó)科學(xué)技術(shù)水平的不斷提升，旋轉(zhuǎn)機(jī)械設(shè)備的復(fù)雜程度越來(lái)越高，在對(duì)旋轉(zhuǎn)機(jī)械設(shè)備進(jìn)行監(jiān)測(cè)時(shí)，使用了很多大數(shù)據(jù)技術(shù)。而滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部件，一旦出現(xiàn)了故障，不僅會(huì)影響旋轉(zhuǎn)機(jī)械設(shè)備的正常使用，還會(huì)對(duì)人們的生命安全造成嚴(yán)重的威脅。所以必須要基于深度學(xué)習(xí)，對(duì)滾動(dòng)軸承的故障進(jìn)行高效的診斷。本文則通過(guò)分析深度學(xué)習(xí)的相關(guān)理論，探究滾動(dòng)軸承故障診斷的方法。

關(guān)鍵詞：深度學(xué)習(xí);滾動(dòng)軸承;旋轉(zhuǎn)機(jī)械設(shè)備;故障診斷

引言：旋轉(zhuǎn)機(jī)械設(shè)備在使用的過(guò)程中旋轉(zhuǎn)速度相對(duì)較快，并且經(jīng)常會(huì)在高負(fù)荷的狀態(tài)下運(yùn)行，如果出現(xiàn)了故障，將會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失。在旋轉(zhuǎn)機(jī)械設(shè)備中，滾動(dòng)軸承的故障頻率相對(duì)較高，所以負(fù)責(zé)檢修的工作人員必須要明確滾動(dòng)軸承的常見(jiàn)故障，并且基于深度學(xué)習(xí)，采取科學(xué)合理的診斷措施。

一、深度學(xué)習(xí)相關(guān)理論分析

1.自動(dòng)編碼器分析

自動(dòng)編碼器屬于無(wú)監(jiān)督學(xué)習(xí)類型，因?yàn)槠鋵W(xué)習(xí)能力較強(qiáng)，所以不需要標(biāo)簽數(shù)據(jù)，即可以完成數(shù)據(jù)內(nèi)部特征的學(xué)習(xí)過(guò)程。目前我國(guó)常用的自動(dòng)編碼器有稀疏自編碼器、欠完備自編碼器以及去噪自編碼器等，通過(guò)不同類型自動(dòng)編碼器的使用，可以有效提升故障診斷效率。在使用自動(dòng)編碼器的過(guò)程中，我們不僅需要明確輸出和輸入的數(shù)據(jù)，還需要發(fā)現(xiàn)隱藏層所需要獲得的相關(guān)特征。欠完備自編碼器的主要特征是，輸入層的神經(jīng)元數(shù)大于中間層的神經(jīng)元數(shù)，因此要保證在自編碼器使用的過(guò)程中，獲取輸入數(shù)據(jù)中的顯著特征。因?yàn)槠渚哂休^強(qiáng)的特征提取能力，所以目前在故障診斷的過(guò)程中得到了廣泛的應(yīng)用。稀疏自編碼器的實(shí)際使用原理是通過(guò)增加稀疏懲罰，進(jìn)而提取數(shù)據(jù)分布的特性。去噪自編碼器的使用原理是通過(guò)人為的方式添加噪聲，進(jìn)而能夠?qū)υ嫉臄?shù)據(jù)進(jìn)行重新構(gòu)造。通過(guò)去噪自編碼器的使用，可以有效的降低環(huán)境噪聲對(duì)數(shù)據(jù)特征提取過(guò)程的影響。

2.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析

目前在深度學(xué)習(xí)模型中，使用效果最好的是卷積神經(jīng)網(wǎng)絡(luò)模型，這種模型在使用時(shí)取得了良好的效果，并且目前廣泛應(yīng)用在各類機(jī)械設(shè)備的故障檢測(cè)過(guò)程中。卷積神經(jīng)網(wǎng)絡(luò)的主要組成結(jié)構(gòu)，有輸入層、池化層、卷積層以及輸出層和全連接層等，不同的組成結(jié)構(gòu)按照一定的順序排列使用，可以完成故障檢測(cè)流程。卷積層是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的重要組成部分，其主要的功能是進(jìn)行卷積運(yùn)算。在計(jì)算的過(guò)程中必須要設(shè)置不同數(shù)量的卷積核，進(jìn)而生成對(duì)應(yīng)數(shù)量的矩陣，完成數(shù)據(jù)的輸入和計(jì)算。由于輸入數(shù)據(jù)和矩陣的深度需要保持一致，所以必須要按照輸入數(shù)據(jù)，設(shè)置不同尺寸的矩陣。在卷積層后連接的是池化層，利用池化層，可以減小卷積層對(duì)應(yīng)的矩陣尺寸，進(jìn)而不斷提高計(jì)算的速率。同時(shí)，還可以降低模型占有的儲(chǔ)存空間。目前常見(jiàn)的池化措施有，隨機(jī)池化措施、最大值池化措施以及均值池化措施等。利用全連接層，能夠有效的將不同層級(jí)之間的數(shù)據(jù)進(jìn)行全面連接，進(jìn)而保障使數(shù)據(jù)信息能夠形成整體化的系統(tǒng)。在全連接層的最后一層中是輸出層，利用輸出層能夠?qū)?shù)據(jù)輸出到顯示設(shè)備中。

3.其他相關(guān)參數(shù)分析

原始的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，主要是輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的線性關(guān)系。由于目前很多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中出現(xiàn)的較為復(fù)雜的非線性關(guān)系，所以必須要使用激活函數(shù)，進(jìn)行數(shù)據(jù)特征的分析和學(xué)習(xí)。在深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，學(xué)習(xí)率屬于超參數(shù)，決定了反向傳播的步長(zhǎng)，如果步長(zhǎng)較小，則必須使用迭代多次的方式進(jìn)行彌補(bǔ)，如果步長(zhǎng)過(guò)大，則可能會(huì)大于最優(yōu)的數(shù)值，進(jìn)而降低深度網(wǎng)絡(luò)模型使用效率。因此要根據(jù)梯度下降的參數(shù)，進(jìn)行學(xué)習(xí)率的設(shè)計(jì)。如果其學(xué)習(xí)率較小，可能會(huì)導(dǎo)致?lián)p失梯度下降過(guò)慢，進(jìn)而增加了收斂的時(shí)間，影響模型的使用效率。所以為了使模型獲得更好的表現(xiàn)，必須要根據(jù)參數(shù)，尋找最合適的學(xué)習(xí)率。由于在進(jìn)行深度學(xué)習(xí)模型應(yīng)用的過(guò)程中，所掌握的數(shù)據(jù)相對(duì)較少，所以可能會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。同時(shí)因?yàn)樵谀Ｐ徒Y(jié)構(gòu)設(shè)計(jì)的過(guò)程中，復(fù)雜程度越來(lái)越高，也可能會(huì)影響深度學(xué)習(xí)模型的使用效果，所以必須要通過(guò)正則化參數(shù)，對(duì)其進(jìn)行控制。

二、滾動(dòng)軸承故障診斷措施

1.堆疊自編碼網(wǎng)絡(luò)的應(yīng)用

利用多個(gè)自編碼器進(jìn)行堆疊，進(jìn)而可以完成深度學(xué)習(xí)的目的。在進(jìn)行數(shù)據(jù)輸入的過(guò)程中，必須要通過(guò)自編碼器獲得相應(yīng)的維度數(shù)據(jù)特征。因?yàn)槔米跃幋a器進(jìn)行深度學(xué)習(xí)，屬于無(wú)監(jiān)督形式，所以必須要針對(duì)不同的維度輸入不同的數(shù)據(jù)表達(dá)方式。將堆疊自編碼網(wǎng)絡(luò)應(yīng)用在滾動(dòng)軸承的故障診斷過(guò)程中，要提取其最原始的數(shù)據(jù)。為了設(shè)計(jì)出適合不同網(wǎng)絡(luò)結(jié)構(gòu)的編碼器類型，事先對(duì)滾動(dòng)軸承中的相關(guān)故障數(shù)據(jù)特征進(jìn)行分析，進(jìn)而保障提高故障診斷準(zhǔn)確率。其主要的工作流程如下所示，首先要針對(duì)深度堆疊自編碼器進(jìn)行選擇，并且設(shè)計(jì)出合適的模型，選擇合適的參數(shù)，然后要對(duì)模型進(jìn)行前向模擬訓(xùn)練，通過(guò)前向訓(xùn)練，對(duì)反向傳播中相關(guān)的模型及參數(shù)進(jìn)行更新，通過(guò)循環(huán)往復(fù)的訓(xùn)練方式，使模型的使用效率達(dá)到最優(yōu)化。最后把測(cè)試完成后的數(shù)據(jù)，輸入到事先已經(jīng)檢測(cè)合格的模型中，利用分類計(jì)算，提高數(shù)據(jù)處理準(zhǔn)確率。

2.卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

目前在計(jì)算機(jī)視覺(jué)領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛。其中最主要的特征是卷積層和池化層的相關(guān)操作。在進(jìn)行二維數(shù)據(jù)處理的過(guò)程中，因?yàn)槠渚哂休^強(qiáng)的優(yōu)勢(shì)，所以目前在軸承故障診斷中得到廣泛的使用。通過(guò)時(shí)頻變化，可以將故障信號(hào)轉(zhuǎn)化為圖像信息，增加故障數(shù)據(jù)的清晰度。其主要包含以下幾個(gè)流程，首先是對(duì)信息進(jìn)行采集，利用事先安裝好的傳感器收集原始信號(hào)，然后將采集到的信息作為傳輸數(shù)據(jù)，輸入到處理模型中。其次要對(duì)信號(hào)進(jìn)行預(yù)處理操作，對(duì)所有數(shù)據(jù)進(jìn)行統(tǒng)一處理，降低波動(dòng)的范圍。最后進(jìn)行模型訓(xùn)練操作，由于輸入的是二維圖像，所以要保證其訓(xùn)練的時(shí)間和深度網(wǎng)絡(luò)的大小成正比關(guān)系。同時(shí)要對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試和訓(xùn)練，提高數(shù)據(jù)預(yù)處理效率。

結(jié)束語(yǔ)

隨著工業(yè)水平的不斷提升，機(jī)械設(shè)備逐漸向智能化的方向發(fā)展，尤其是在現(xiàn)代工業(yè)的發(fā)展進(jìn)程中，旋轉(zhuǎn)機(jī)械設(shè)備得到了廣泛的使用，并且其智能化水平也在逐漸提升。滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部件，要采取合理的故障處理措施，提高滾動(dòng)軸承使用效果。

參考文獻(xiàn)：

[1]劉闖.基于深度學(xué)習(xí)滾動(dòng)軸承故障診斷算法研究[D].導(dǎo)師：郝潤(rùn)芳;曲根峰.太原理工大學(xué)，2021.

[2]鄭秋梅.基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷與剩余壽命預(yù)測(cè)研究[D].導(dǎo)師：趙娟.青島理工大學(xué)，2021.

[3]施文銳.基于深度學(xué)習(xí)的滾動(dòng)軸承早期故障診斷研究[D].導(dǎo)師：馬新娜;成彬.石家莊鐵道大學(xué)，2021.

[4]楊位偉.基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷與剩余壽命預(yù)測(cè)方法研究[D].導(dǎo)師：于忠清.青島大學(xué)，2021.

[5]蔣金元.基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷與預(yù)測(cè)方法研究[D].導(dǎo)師：彭成.湖南工業(yè)大學(xué)，2021.

[6]陳志剛，高鶴，劉菲，楊志達(dá).基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷方法[J].設(shè)備管理與維修，2021，（07）：144-146.

課題：（基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷方法研究、教育廳、2021J0775）。

作者簡(jiǎn)介：馬石飛（1989.11），男，漢，云南曲靖人，云南經(jīng)濟(jì)管理學(xué)院講師，主要研究方向?yàn)闄C(jī)械工程及自動(dòng)化。