基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

張彩華 張英杰 李明 陸碧良 李蒲德

關(guān)鍵詞：風(fēng)電機(jī)組；軸承；故障診斷；深度卷積神經(jīng)網(wǎng)絡(luò)

滾動(dòng)軸承已成為旋轉(zhuǎn)機(jī)械和設(shè)備中使用最頻繁和最核心的部件之一，廣泛應(yīng)用于風(fēng)帶電、航空航天、交通運(yùn)輸?shù)裙I(yè)領(lǐng)域。由于工作環(huán)境是一個(gè)復(fù)雜的高載荷、非線性、強(qiáng)耦合、不穩(wěn)定的系統(tǒng)，滾動(dòng)軸承容易發(fā)生故障。因此，有必要研究數(shù)據(jù)驅(qū)動(dòng)的滾動(dòng)軸承智能故障診斷方法。

從相關(guān)文獻(xiàn)中可以看出，振動(dòng)分析理論完善了工業(yè)系統(tǒng)的早期故障診斷方法，如油液分析、超聲波探傷、噪聲分析等。如Yin等利用傅里葉變換的相關(guān)理論，將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)來描述設(shè)備的運(yùn)行狀態(tài)，然后從振動(dòng)信號(hào)的頻譜上對(duì)機(jī)械設(shè)備進(jìn)行對(duì)比分析和研究。Cong等利用奇異值分解（SVD）提取模擬信號(hào)的相關(guān)特征并進(jìn)行分析。仿真結(jié)果表明，該方法對(duì)單一軟故障和災(zāi)難性多重故障都有較好的識(shí)別性能。Qian等提出了一種利用a穩(wěn)定參數(shù)分布估計(jì)和人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)實(shí)現(xiàn)軸承故障定位智能診斷的軸承診斷方法。曾蕓等利用小波包分解軸承故障信號(hào)特征后輸入到徑向基神經(jīng)網(wǎng)絡(luò)（RBF）中有效地對(duì)軸承故障進(jìn)行智能分類。

實(shí)際上，時(shí)頻域特征方法可以使用較少的參數(shù)，實(shí)現(xiàn)更高效、準(zhǔn)確的故障分類。然而，基于時(shí)域特征的特征選擇通常需要專家知識(shí)的參與，不能充分利用振動(dòng)數(shù)據(jù)的隱藏信息。

近年來，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在模式識(shí)別、計(jì)算機(jī)視覺等領(lǐng)域得到了廣泛的應(yīng)用，并取得了巨大的成功。CNN不需要人工提取特征，可以自動(dòng)地從給定的信號(hào)和圖像中挖掘和提取特征，從而降低了特征提取的難度。此外，它還可以通過抑制模型可能出現(xiàn)的過擬合現(xiàn)象來提高模型預(yù)測(cè)的準(zhǔn)確性。因此涌現(xiàn)了許多基于CNN的智能故障診斷方法。Yuan等提出了一種基于快速傅里葉變換（FFT）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的滾動(dòng)軸承故障診斷方法。丁承君等通過變分模態(tài)分解獲取不同頻率的限帶本征模態(tài)分量，再利用卷積神經(jīng)網(wǎng)絡(luò)提取各模態(tài)數(shù)據(jù)特征，最后通過全連接分類在變工況下完成軸承故障分類。Lu等提出了一種多通道輸入連續(xù)卷積神經(jīng)網(wǎng)絡(luò)支持向量機(jī)（CNN-SVM）早期故障診斷模型。Chen等提出了一種基于多個(gè)小波變換的一維卷積遞歸神經(jīng)網(wǎng)絡(luò)。雖然這些方法在滾動(dòng)軸承數(shù)據(jù)集上取得了較好的診斷效果，但仍存在缺點(diǎn)：需要將時(shí)間序列信號(hào)通過FFT或小波變換轉(zhuǎn)換成更明顯的高維特征進(jìn)行模型訓(xùn)練，不能直接挖掘代表性特征。

本文提出了一種基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的直接時(shí)間序列特征提取方法用于滾動(dòng)軸承故障診斷。旨在解決以下兩個(gè)問題：一是特征學(xué)習(xí)方法具有自動(dòng)化的特點(diǎn)，基于時(shí)域特征的特征選擇通常需要專家知識(shí)的參與，該方法可以實(shí)現(xiàn)端到端的智能學(xué)習(xí)，無需人工參與。另一個(gè)問題與直接時(shí)間序列特征提取有關(guān)，傳統(tǒng)的CNN通過FFT或小波變換將時(shí)間序列信號(hào)轉(zhuǎn)換為更明顯的高維特征進(jìn)行模型訓(xùn)練，無法直接挖掘代表性特征。本文使用一種新型一維卷積神經(jīng)網(wǎng)絡(luò)直接提取原始振動(dòng)信號(hào)的特征，最后通過分類器實(shí)現(xiàn)智能故障診斷，實(shí)現(xiàn)端到端的智能故障診斷過程，同時(shí)也避免了特征轉(zhuǎn)換的代價(jià)。

1相關(guān)工作

滾動(dòng)軸承是現(xiàn)代工業(yè)生產(chǎn)中最常用的機(jī)械部件之一。一般通過設(shè)計(jì)智能診斷方法對(duì)滾動(dòng)軸承進(jìn)行故障診斷，在本節(jié)中，簡(jiǎn)要描述了滾動(dòng)軸承故障診斷的發(fā)展歷史，以及卷積神經(jīng)網(wǎng)絡(luò)的基本概念和框架。

1.1滾動(dòng)軸承故障診斷

隨著現(xiàn)代工業(yè)日益復(fù)雜化和規(guī)模化，利用傳感器獲取的海量數(shù)據(jù)來識(shí)別不同故障狀態(tài)，需要設(shè)計(jì)準(zhǔn)確、高效的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法。近年來，機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)在數(shù)據(jù)驅(qū)動(dòng)故障診斷中得到了廣泛的應(yīng)用，因?yàn)楣I(yè)過程或機(jī)器中的不同故障本質(zhì)上可以被視為不同的類別。常用的方法包括支持向量機(jī)（SVM）、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)等。然而，基于機(jī)器學(xué)習(xí)的數(shù)據(jù)一驅(qū)動(dòng)方法仍然存在不可忽視的缺點(diǎn)，它需要人類先驗(yàn)知識(shí)的參與。因此，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法得到了發(fā)展，但早期的卷積神經(jīng)網(wǎng)絡(luò)主要集中在圖像處理上，一維時(shí)間序列振動(dòng)信號(hào)不能直接輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行智能故障診斷。因此，通過FFT或小波變換將振動(dòng)信號(hào)轉(zhuǎn)換成圖像或頻譜信號(hào)受到了人們的關(guān)注，并取得了良好的故障診斷效果。然而，使用圖像或頻譜信號(hào)進(jìn)行模型訓(xùn)練無法獲得底層數(shù)據(jù)信息，且容易受到環(huán)境干擾的影響。故有必要開發(fā)一種基于原始振動(dòng)信號(hào)直接時(shí)間序列特征提取的智能故障診斷模型。

1.2卷積神經(jīng)網(wǎng)絡(luò)

卷積層：卷積運(yùn)算部分是CNN中最重要的運(yùn)算模塊之一。通常使用多個(gè)卷積核對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，并對(duì)卷積后的輸出進(jìn)行處理。與不同的卷積核進(jìn)行卷積后可以輸出一個(gè)feature map，即從輸入信號(hào)中提取的不同的特征。由于卷積運(yùn)算在同一輸入信號(hào)上實(shí)現(xiàn)了權(quán)值共享、部分連接和CNN權(quán)值共享的特性，因此與全連接層相比，卷積層可以提取更豐富的特征，使用更少的參數(shù)，使得最終訓(xùn)練出來的模型具有更強(qiáng)的泛化能力。卷積運(yùn)算公式如下：

其中x代表輸入的第i個(gè)數(shù)據(jù)，w為該卷積層中第k個(gè)卷積核參數(shù)，b為對(duì)應(yīng)的偏置參數(shù)，g為第k個(gè)卷積核提取第i個(gè)樣本的特征。

最大池化層：池化層有時(shí)也稱為采樣層，主要分為下采樣層和上采樣層。經(jīng)過卷積運(yùn)算后，得到很多不同的特征映射。雖然學(xué)習(xí)了許多不同的特征，但會(huì)導(dǎo)致向下一層傳遞的維數(shù)迅速增加。池化的主要作用是在盡量保留原有顯著特征的情況下，降低特征圖的輸出維數(shù)，既減少了參數(shù)的數(shù)量，加快了模型的訓(xùn)練速度，又很好地提取了主要特征。最大池化是CNN中最常用的池化方法之一，它會(huì)在一定大小的區(qū)域內(nèi)輸出最大值。最大池化的數(shù)學(xué)表達(dá)式為：

其中，y表示當(dāng)前層的第i個(gè)神經(jīng)元的輸出，max pooling（）是一個(gè)下采樣函數(shù)，該函數(shù)是在一定范圍內(nèi)取最大值的函數(shù)，Sscal。是池化的范圍，是池化的步長(zhǎng)大小。

全連接層：特征經(jīng)過卷積層和池化層后，輸入到全連接層。在全連接層中，對(duì)具有分類的深層特征信息進(jìn)行整合，構(gòu)建提取的特征與樣本類型之間的映射關(guān)系。全連接層的最后一層稱為輸出層或分類層。最常用的分類器是Softmax分類器。數(shù)學(xué)公式可表示為：

2本文模型

基于一維卷積神經(jīng)網(wǎng)絡(luò)IDCNN模型設(shè)計(jì)了一個(gè)有效的智能診斷系統(tǒng)，并引入全局平均池化，增加正則化和Dropout模塊，通過批歸一化等方法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，研究了不同網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)對(duì)滾動(dòng)軸承故障診斷測(cè)試的影響。

2.1改進(jìn)后的IDCNN

改進(jìn)后的IDCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。它直接使用原始數(shù)據(jù)信號(hào)進(jìn)行相關(guān)研究，并將數(shù)據(jù)分割作為模型的輸入，最大限度地利用原始數(shù)據(jù)集的相關(guān)狀態(tài)特征，減少了人為影響。本文提出一種使用多種相關(guān)訓(xùn)練技術(shù)對(duì)傳統(tǒng)CNN進(jìn)行優(yōu)化的方法，使其能夠更高效、準(zhǔn)確地診斷故障類型。通過使用全局平均池化技術(shù)（global average pooling，GAP）代替全連接層部分，減少了模型的訓(xùn)練參數(shù)數(shù)量，加快了模型的訓(xùn)練速度。并使用L2正則化和Dropout技術(shù)減少模型的過擬合，從而提高模型的精度。由于該方法在整個(gè)故障診斷過程中不需要人工提取特征，因此可以將滾動(dòng)軸承的原始振動(dòng)數(shù)據(jù)直接輸入到改進(jìn)的CNN中，然后自動(dòng)進(jìn)行故障診斷并輸出結(jié)果。綜上所述，這是一種“端到端”的算法結(jié)構(gòu)，具有極強(qiáng)的可操作性和優(yōu)秀的通用性。的數(shù)據(jù)格式不能直接導(dǎo)入網(wǎng)絡(luò)作為輸入層，因此需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

特征提取層主要實(shí)現(xiàn)對(duì)給定數(shù)據(jù)集的特征挖掘和提取。通過疊加多個(gè)卷積、激活和池化層來構(gòu)建更深的層。在實(shí)驗(yàn)過程中，發(fā)現(xiàn)并不是層數(shù)越多越好。超過一定限度后，隨著層數(shù)的增加，訓(xùn)練模型的精度反而會(huì)下降。選擇合適的層數(shù)既可以節(jié)省訓(xùn)練時(shí)間，又可以提高準(zhǔn)確率，達(dá)到優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的目的。最后，輸出層對(duì)測(cè)試數(shù)據(jù)進(jìn)行智能診斷，得到精確的診斷結(jié)果。

2.3網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)細(xì)節(jié)

IDCNN網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)詳情如表1所示。同時(shí)引入全局平均池化（GAP）技術(shù)，代替了全連接層，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化，降低了網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)量?？傮w算法思想是對(duì)振動(dòng)信號(hào)進(jìn)行多層卷積運(yùn)算后取全局平均值，并將GAP生成的值輸入到Softmax激活函數(shù)中，即可得到所需的多類概率分布。

3仿真實(shí)驗(yàn)

該數(shù)據(jù)集由美國凱斯西儲(chǔ)大學(xué)（Case WesternReserve University，CWRU）實(shí)驗(yàn)并發(fā)布。圖3是實(shí)驗(yàn)平臺(tái)的圖片。由于驅(qū)動(dòng)端采集到的軸承振動(dòng)信號(hào)比風(fēng)扇端采集到的振動(dòng)信號(hào)受干擾小，因此實(shí)驗(yàn)中采用驅(qū)動(dòng)端加速度傳感器采集到的振動(dòng)數(shù)據(jù)。

3.1數(shù)據(jù)描述

數(shù)據(jù)集包括4種載荷工況，0hp（1797r7min）、1hp （1772r/min）、2hp （1750r/min）和3hp（1730r/min）滾動(dòng)軸承振動(dòng)信號(hào)。在每種負(fù)載工況下，其數(shù)據(jù)集包括9種故障類型和1種正常狀態(tài)數(shù)據(jù)。軸承的內(nèi)圈、外圈和滾動(dòng)體的故障直徑分別為7mils（約0.18mm）、14mils（約0.36mm）和21mils（約0.53mm），均采用電火花加工完成。單點(diǎn)坑。實(shí)驗(yàn)中采集的數(shù)據(jù)集根據(jù)采樣頻率分為12kHz和48kHz。本文將采樣頻率為12kHz的振動(dòng)信號(hào)數(shù)據(jù)集作為下一個(gè)實(shí)驗(yàn)的數(shù)據(jù)集。實(shí)驗(yàn)選取4種載荷工況（0hp、1hp、2hp、3hp），每種載荷工況選取10種滾動(dòng)軸承狀態(tài)數(shù)據(jù)，每種狀態(tài)數(shù)據(jù)按相同數(shù)量、相同長(zhǎng)度選取作為實(shí)驗(yàn)樣本。表2顯示了0hp負(fù)載和12kHz采樣頻率下的9種滾動(dòng)軸承失效狀態(tài)。

3.2實(shí)驗(yàn)結(jié)果

從驅(qū)動(dòng)端的12kHz振動(dòng)數(shù)據(jù)中分別按照四種負(fù)載工況選取10種軸承故障狀態(tài)信息。從每種軸承故障類別隨機(jī)提取200個(gè)樣本，樣本的采樣點(diǎn)數(shù)為1024，每種負(fù)載下共有2000個(gè)樣本，訓(xùn)練集和測(cè)試集劃分比例為7：3，mini-batch的大小設(shè)置為128。針對(duì)不同負(fù)載下的故障樣本進(jìn)行訓(xùn)練，后續(xù)表中實(shí)驗(yàn)數(shù)據(jù)的迭代次數(shù)均為100，最終的結(jié)果為取五次實(shí)驗(yàn)結(jié)果的均值。

3.2.1對(duì)比實(shí)驗(yàn)

優(yōu)化器的選擇影響著整個(gè)模型的參數(shù)更新和收斂的速度，最終影響模型的診斷精度。因此選擇目前最常用的幾種優(yōu)化器：SGD、Rprop、RM-Sprop、Adagrad、Adam作為對(duì)比實(shí)驗(yàn)。整個(gè)實(shí)驗(yàn)在Pytorch環(huán)境中完成，將優(yōu)化器中的weight_de-cay設(shè)置為0.0001，學(xué)習(xí)率設(shè)置為0.001，以保證參數(shù)一致。實(shí)驗(yàn)結(jié)果見表3，SGD表現(xiàn)最差，在四種負(fù)載下的平均準(zhǔn)確率只有26.99%；RMSprop和Adam優(yōu)化器實(shí)驗(yàn)表現(xiàn)相當(dāng)。

圖4是以在2hp下進(jìn)行200次迭代的實(shí)驗(yàn)數(shù)據(jù)繪制成的優(yōu)化器的診斷精度對(duì)比圖，從該圖中可知RMSprop優(yōu)化器初始準(zhǔn)確率更高，但是在迭代過程中相比于Adam震蕩較為明顯。綜合考慮，選取更適合的Adam算法作為本章模型的優(yōu)化器。

此外實(shí)驗(yàn)選取了常見的分類模型：邏輯回歸（Logistic Regression，LR）、支持向量機(jī)（SupportVector Machine，SVM）以及反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network， BPNN）作為對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表4所示。

通過對(duì)比分析，機(jī)器學(xué)習(xí)技術(shù)受限于人工特征選擇和淺層特征表征學(xué)習(xí)能力，LR和SVM的診斷精度低于基于深度網(wǎng)絡(luò)的BPNN和IDCNN；但BPNN在不同負(fù)載下的診斷精度均低于IDCNN模型，最終的四種負(fù)載情況下的平均準(zhǔn)確精度僅為92.44%，而IDCNN模型明顯優(yōu)于對(duì)比方法，最終的平均準(zhǔn)確率達(dá)到了100%，這充分說明IDCNN模型在軸承故障診斷中特征提取以及分類能力的優(yōu)異性。

3.2.2消融實(shí)驗(yàn)

在深度學(xué)習(xí)中模型網(wǎng)絡(luò)層數(shù)的增加代表著其學(xué)習(xí)特征能力的增強(qiáng)，能避免欠擬合的出現(xiàn)，能更好地完成相應(yīng)的任務(wù)，然而這也會(huì)造成訓(xùn)練資源的增加，甚至出現(xiàn)過擬合的現(xiàn)象。因此在故障診斷中，模型的層數(shù)的選擇和診斷精度應(yīng)當(dāng)根據(jù)實(shí)際需要保持平衡，以達(dá)到既能實(shí)現(xiàn)高精度診斷的目標(biāo)，又能保證模型結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練時(shí)間較短的目的?？紤]到CNN的模型結(jié)構(gòu)對(duì)特征提取能力有較大的影響，因此從不同網(wǎng)絡(luò)模塊是否增加批量歸一化、Dropout以及全局平均池化GAP兩種角度探討了模型中特征提取器對(duì)軸承故障診斷的具體影響，而分類器的結(jié)構(gòu)則保持不變。不同卷積模塊下的故障診斷性能具體結(jié)果見表5。其中A模型去除特征提取器中的批量歸一化、GAP以及Dropout代表優(yōu)化前的模型，而B模型則是優(yōu)化后的完整的特征提取器。

從結(jié)果得知，卷積模塊對(duì)模型診斷精度影響最大，模型只有1組卷積模塊時(shí)，優(yōu)化前的A模型平均診斷精度只有78.24%，優(yōu)化后的B模型平均診斷精度只有72.39%，卷積模塊增加1組后兩個(gè)模型的平均診斷精度分別上升了12.00%和20.87%。隨著卷積模塊的增加，診斷精度也逐漸提高。值得注意的是：在有3組卷積模塊時(shí)，A模型的平均診斷精度就達(dá)到了最高92.10%，而B模型則是在有4組卷積模塊時(shí)才達(dá)到最高100.00%。優(yōu)化后的B模型受益于批量歸一化、Dropout以及GAP技術(shù)，一方面提高了診斷精度，另一方面防止過擬合的發(fā)生。

圖5和圖6分別展示了在2hp負(fù)載時(shí)不同卷積模塊下、模型優(yōu)化前后的混淆矩陣圖和準(zhǔn)確率對(duì)比圖。從圖6中的準(zhǔn)確率對(duì)比圖可以看出優(yōu)化后的B模型收斂更快更穩(wěn)定。

4結(jié)論

針對(duì)滾動(dòng)軸承系統(tǒng)故障的智能診斷問題，提出了基于IDCNN的故障診斷算法，它是一種“端到端”診斷方法，直接對(duì)原始振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行處理，提取相鄰時(shí)間點(diǎn)之間的信息特征，無需對(duì)原始數(shù)據(jù)進(jìn)行任何人工特征提取和信號(hào)處理操作。它可以擺脫傳統(tǒng)方法對(duì)人工特征提取的依賴，突破了傳統(tǒng)方法依賴專家經(jīng)驗(yàn)的局限性。最后在CWRU數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)和消融實(shí)驗(yàn)。對(duì)比實(shí)驗(yàn)主要包括優(yōu)化器對(duì)比實(shí)驗(yàn)，從不同優(yōu)化器的表現(xiàn)中選擇了Adam作為模型優(yōu)化器；進(jìn)一步與經(jīng)典算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明了IDCNN模型的優(yōu)越性。消融實(shí)驗(yàn)則從模型的卷積模塊角度設(shè)計(jì)了不同層數(shù)的卷積模型，從實(shí)驗(yàn)結(jié)果表明在有四組卷積模塊時(shí)表現(xiàn)最佳，并且在實(shí)驗(yàn)中驗(yàn)證了批量歸一化、Dropout以及GAP優(yōu)化技術(shù)對(duì)模型準(zhǔn)確率有明顯的提升作用。