郭保蘇,章 欽, 吳鳳和

(1.燕山大學機械工程學院，河北 秦皇島 066004)(2.河北省重型智能制造裝備技術創(chuàng)新中心，河北 秦皇島 066004)

隨著科學技術的不斷進步，制造業(yè)正朝著高速化、精密化、自動化的方向不斷發(fā)展。為了保障設備的正常運行，對其中關鍵零部件的健康狀況進行實時監(jiān)控是必不可少的[1]。在航天等領域，因設備故障導致的停機，輕則導致經(jīng)濟損失，重則威脅生命安全[2]。軸承是旋轉機械中最關鍵的零件之一，一般由4部分組成，包括內圈、外圈、滾動體和保持架[3]。在機械設備運轉時，軸承可以將軸和座之間的滑動摩擦轉換為滾動摩擦，從而減少機械設備的摩擦損耗，其運行狀態(tài)的變化對機械設備能否正常運作有著重要意義。數(shù)據(jù)統(tǒng)計表明，旋轉機械發(fā)生故障時，約30%是軸承故障[4]。

目前，軸承故障診斷技術伴隨著傳感器以及人工智能等技術的應用，已形成了完整的研究體系，主要環(huán)節(jié)可以概括為信號采集及預處理、特征提取和故障識別。研究人員通過提取時域、頻域特征試圖采用機器學習的方式建立傳感器信號與軸承故障之間的聯(lián)系。常見的特征提取方法有小波變換、經(jīng)驗模態(tài)分解等[5],常見的機器學習分類算法有支持向量機[6]、隨機森林等。

計算機技術的發(fā)展使得由數(shù)據(jù)驅動的深度學習得以廣泛運用，深度學習也被證明優(yōu)于機器學習方法[7]。郭亮等[8]通過提取振動信號的時域、頻域和時頻域特征構成特征向量，并將其輸入到堆疊自編碼器中進行故障特征學習。Chen等[9]通過提取齒輪箱故障狀態(tài)信號的時、頻域特征作為輸入，構建二維卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)。袁建虎等[10]在同樣的網(wǎng)絡結構下提取滾動軸承振動信號的時頻特征作為二維卷積神經(jīng)網(wǎng)絡的輸入。Kong等[11]通過卷積神經(jīng)網(wǎng)絡對滾動軸承的能量進行監(jiān)控，以此來實現(xiàn)電機故障的分類。

上述深度學習算法雖然采用CNN，但是其模型輸入依然還是人為提取特征，沒有充分利用CNN的自動提取特征能力，限制了故障分類的準確率，為此本文提出一種基于一維殘差網(wǎng)絡的軸承故障診斷方法。通過對采集到的振動信號進行小波降噪預處理以消除噪聲的干擾，將降噪后的信號直接輸入到一維殘差網(wǎng)絡中，實現(xiàn)軸承故障分類。

1 數(shù)據(jù)預處理

實際加工中由于自身加工環(huán)境、機床的振動等影響使得采集的傳感器信號中混雜有噪聲干擾。如果直接使用帶有噪聲的原始信號作為模型的輸入進行特征提取，將難以提取更多的有效信息，嚴重影響之后模型的識別與預測精度，因此需要對原始信號數(shù)據(jù)進行降噪處理。

1.1 數(shù)據(jù)集介紹

本文實驗所采用的數(shù)據(jù)來自DataCastle競賽數(shù)據(jù)集。該數(shù)據(jù)集中軸承有3種故障——外圈故障、內圈故障、滾珠故障，結合軸承的3種直徑，即9種故障類別，外加正常的工作狀態(tài)，其工作狀態(tài)有10類，見表1。

表1 軸承的工作狀態(tài)類別

1.2 信號降噪

本文采用的降噪方法是由Donoho等[12]提出的小波閾值降噪，其主要思想是信號通過小波變換后產(chǎn)生的小波系數(shù)含有信號的重要信息，經(jīng)過小波分解后信號的小波系數(shù)較大，而噪聲的小波系數(shù)較小，通過選擇一個合適的閾值，大于閾值的小波系數(shù)被認為是信號產(chǎn)生的，給予保留；小于閾值的小波系數(shù)則認為是噪聲產(chǎn)生的，將其重置為零。其原理如圖1所示。盡管小波降噪在很大程度上可以看成是一種低通濾波，但是由于在降噪的同時還能保留信號特征，因此又要優(yōu)于傳統(tǒng)的降噪方法。

圖1 小波降噪原理

小波閾值降噪過程如圖2所示，其重點在于選擇合適的小波基、閾值以及閾值函數(shù)。

圖2 小波閾值降噪過程

1)小波基采用“sym8”，分解層數(shù)為5。

2)閾值T的選擇采用如下公式：

(1)

式中：cD1為第一層分解的細節(jié)系數(shù)；N為數(shù)據(jù)長度；median表示計算中位數(shù)。

3)閾值函數(shù)采用軟硬閾值折中的方法，可以表示為：

(2)

式中：x為信號數(shù)據(jù)值。

以數(shù)據(jù)集中id為100的信號數(shù)據(jù)樣本為例，如圖3(a)、(b)所示，采用傅里葉變換對該樣本的原始波形進行頻譜分析，可以發(fā)現(xiàn)頻譜圖上峰值主要集中在0～2 000 Hz的低頻和4 000～6 000 Hz的高頻上，高頻上的成分也就是噪聲干擾，因此需要對振動信號進行小波閾值降噪處理，降噪后的信號如圖3(c)所示。經(jīng)過降噪處理后的信號可以直接用作后續(xù)模型的輸入。

圖3 小波閾值降噪處理

2 基于一維殘差網(wǎng)絡的分類模型

基于一維殘差網(wǎng)絡的軸承故障分類模型如圖4所示，將之前經(jīng)過預處理的振動信號作為模型的輸入，該模型包括一個后激活(Post-activation)殘差塊和多個預激活(Pre-activation)殘差塊。后激活殘差塊的結構是由一個卷積層(Conv)開始，經(jīng)過一個批標準化層(BN)以加速模型的計算，激活函數(shù)采用Relu函數(shù)，再經(jīng)過一個Dropout層減少訓練參數(shù)以防止過擬合，與此同時，為了消除冗余特征并減少計算，用一個最大池化層(MaxPool)作為短連接，最后經(jīng)過一個卷積層(Conv)結束。其中卷積層和池化層的參數(shù)采用傳統(tǒng)設置，卷積核大小為3，步長為2，兩個卷積層的卷積核數(shù)分別為64和128。與之不同的是，預激活殘差塊的結構是由批標準化層(BN)開始，起到了正則化的作用，然后依次經(jīng)過Relu激活函數(shù)、Dropout層、卷積層(Conv)，并且循環(huán)重復一次。為了增加網(wǎng)絡的深度，預激活殘差塊使用了多個，用k表示其個數(shù)，選取k=15。最后經(jīng)過一個全連接層采用Softmax分類器輸出10種故障的概率。

圖4 基于一維殘差網(wǎng)絡的軸承故障分類模型

3 實驗與結果分析

對于訓練集數(shù)據(jù)，每行數(shù)據(jù)編號1～6 000為按時間序列連續(xù)采樣的振動信號數(shù)值。第一列id字段為樣本編號，最后一列l(wèi)abel字段為標簽數(shù)據(jù)，即軸承的工作狀態(tài)，用數(shù)字0～9表示。每行數(shù)據(jù)是一個樣本，共792條數(shù)據(jù)，按照0.2的比例將其分為訓練集和驗證集。測試集共有528條數(shù)據(jù)，每行數(shù)據(jù)除去id和label后是軸承某段時間內的振動信號數(shù)據(jù)，這些振動信號可以用來判定軸承的工作狀態(tài)以實現(xiàn)軸承故障分類。所有算法均通過Tensorflow的keras框架實現(xiàn)。計算機GPU使用的是Nvidia GTX1080Ti。將數(shù)據(jù)集在已建立好的模型上進行實驗，并且同傳統(tǒng)CNN進行對比，實驗結果如圖5,6所示，兩種模型的分類效果分析見表2。

圖5 殘差網(wǎng)絡在訓練集與驗證集上的結果

圖6 CNN在訓練集與驗證集上的結果

表2 兩種模型的分類效果分析

實驗結果表明，本文提出的一維殘差網(wǎng)絡可以有效提高軸承故障分類準確率，優(yōu)于傳統(tǒng)CNN。

4 結束語

本文針對旋轉機械中軸承的故障診斷問題，提出一種基于一維殘差網(wǎng)絡的故障分類算法，將原始信號經(jīng)過預處理降噪后，經(jīng)過一維殘差網(wǎng)絡自適應提取故障特征，實驗結果表明：

1)將采集到的振動信號經(jīng)過小波閾值降噪處理可以有效消除噪聲干擾，讓模型更好地學到重要信息，從而提高模型的分類準確率。

2)一維殘差網(wǎng)絡可以自適應提取有效特征，相比于傳統(tǒng)方法的人為手動提取特征，更加合理。殘差結構可以防止特征信息的丟失，而且通過增加殘差網(wǎng)絡的深度，提高了模型的分類準確率，明顯優(yōu)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡。