基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動(dòng)軸承故障診斷

陳仁祥 黃鑫 楊黎霞

摘要： 針對(duì)滾動(dòng)軸承故障診斷時(shí)頻特征自適應(yīng)提取與智能診斷問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）和離散小波變換（Discrete Wavelet Transform，DWT）的滾動(dòng)軸承故障診斷方法。首先應(yīng)用離散小波變換將信號(hào)時(shí)頻特征充分展現(xiàn)，構(gòu)造出時(shí)頻矩陣；然后再利用卷積神經(jīng)網(wǎng)絡(luò)的多層特征提取網(wǎng)絡(luò)對(duì)輸入信號(hào)進(jìn)行分級(jí)表達(dá)，將時(shí)頻矩陣低層信號(hào)特征逐層變換形成抽象的深層特征，以獲取原信號(hào)時(shí)頻信息的分布式特征表達(dá)。最后在特征輸出層后端添加softmax多分類器，利用反向傳播（Backpropagation， BP）逐層微調(diào)結(jié)構(gòu)參數(shù)，建立特征空間到故障空間的映射以生成合適的分類器，從而實(shí)現(xiàn)滾動(dòng)軸承故障診斷。通過對(duì)不同故障類型、不同損傷程度以及不同工況下的滾動(dòng)軸承進(jìn)行故障診斷實(shí)驗(yàn)，結(jié)果證明了所提方法的可行性與有效性，并具有較好的泛化能力和穩(wěn)健性。

關(guān)鍵詞： 故障診斷； 滾動(dòng)軸承； 卷積神經(jīng)網(wǎng)絡(luò)； 離散小波變換； 自適應(yīng)提取

中圖分類號(hào)：TH165+.3； TN911.7； TH133.33 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1004-4523（2018）05-0883-09

DOI：10.16385/j.cnki.issn.1004-4523.2018.05.019

引 言

滾動(dòng)軸承工作環(huán)境復(fù)雜，故障發(fā)生概率高、易損壞，當(dāng)其出現(xiàn)局部損傷或缺陷時(shí)，輕則使設(shè)備產(chǎn)生噪音、振動(dòng)異常，重則損傷設(shè)備[1-2]。目前國(guó)內(nèi)外對(duì)于故障診斷主要利用信號(hào)處理方法（如包絡(luò)解調(diào)、LMD、階次分析和EMD分解等）提取故障特征，然后通過模式識(shí)別方法進(jìn)行故障診斷，如：黎敏等[3]利用基于信息熵的循環(huán)譜分析方法對(duì)滾動(dòng)軸承故障進(jìn)行了診斷。Qu等[4]雙樹復(fù)小波包變換和多分類器對(duì)滾動(dòng)軸承以及齒輪進(jìn)行了故障診斷。Keskes等[5]利用小波包技術(shù)和支持向量機(jī)對(duì)感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子故障進(jìn)行了故障識(shí)別。以上所述方法取得了不錯(cuò)的效果，但這些診斷方法需要依靠信號(hào)處理與診斷經(jīng)驗(yàn)提取淺層故障特征，再利用模式識(shí)別的方法進(jìn)行診斷。其中，故障特征提取是關(guān)鍵，而滾動(dòng)軸承往往工作在工況交替的條件下，所測(cè)試得到的故障信號(hào)特征微弱且易被調(diào)制呈現(xiàn)出典型的非線性與非平穩(wěn)性，難以通過淺層特征對(duì)其二維時(shí)頻信息進(jìn)行全面準(zhǔn)確刻畫。同時(shí)，這些方法所提取的特征與所應(yīng)用的模式識(shí)別算法間匹配程度難以評(píng)價(jià)，兩者不是有機(jī)融合的整體，影響診斷結(jié)果的可靠性。

深度學(xué)習(xí)因其具有自動(dòng)學(xué)習(xí)數(shù)據(jù)內(nèi)部特征的優(yōu)勢(shì)在故障診斷領(lǐng)域得到了成功應(yīng)用。如Sun[6]等將稀疏自動(dòng)編碼器應(yīng)用在感應(yīng)電動(dòng)機(jī)的故障診斷上，并取得了良好的效果。Lu等[7]采用堆疊去噪自動(dòng)編碼對(duì)往滾動(dòng)軸承故障進(jìn)行了診斷。雷亞國(guó)等[8]利用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行機(jī)械裝備健康監(jiān)測(cè)。陳仁祥等[9]利用棧式稀疏加噪自編碼深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了滾動(dòng)軸承損傷程度診斷。這些方法為故障特征的自動(dòng)學(xué)習(xí)提供了有益借鑒，但它們都是從單一的時(shí)域或頻域中學(xué)習(xí)故障特征，其所學(xué)習(xí)到的特征還不能刻畫滾動(dòng)軸承故障信號(hào)的二維時(shí)頻信息。

卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network， CNN）利用非監(jiān)督方式通過多層特征提取層能自適應(yīng)的將二維信息逐層變換形成抽象的分布式特征表達(dá)，提取的特征具有更強(qiáng)的泛化能力和判別能力[10]，且具有對(duì)移動(dòng)、縮放、扭曲不變性的特點(diǎn)。其已在諸如圖像分類、目標(biāo)檢測(cè)、圖像語義分割等領(lǐng)域取得了一系列突破性的研究成果[11]。目前，CNN已運(yùn)用于故障診斷領(lǐng)域，Chen等[12]將提取到的信號(hào)偏度、均值、方差和峭度等形成特征矩陣作為CNN輸入用以識(shí)別變速箱中齒輪和軸承的故障。Ince等[13]利用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行了診斷。Zeng等[14]將信號(hào)S變換時(shí)頻圖作為CNN輸入用以提取相應(yīng)故障特征以識(shí)別齒輪箱故障。

欲利用CNN對(duì)軸承信號(hào)分布式時(shí)頻特征進(jìn)行充分學(xué)習(xí)提取，必須將信號(hào)的二維時(shí)頻信息充分展現(xiàn)。目前，信號(hào)時(shí)頻特征的方法中，短時(shí)傅里葉變換難以兼顧時(shí)域和頻域分辨率，S變換[15]對(duì)高頻帶分辨率模糊，而離散小波變換（Discrete Wavelet Transform，DWT）具有無冗余分解和準(zhǔn)確重構(gòu)的特點(diǎn)，能將故障信號(hào)的頻帶嚴(yán)格區(qū)分開以對(duì)故障時(shí)頻特征充分展現(xiàn)。因此，首先利用DWT將信號(hào)中的時(shí)頻特征充分展現(xiàn)，將所構(gòu)造出時(shí)頻矩陣輸入CNN中進(jìn)行二維時(shí)頻特征的分層自動(dòng)提取，以實(shí)現(xiàn)滾動(dòng)軸承故障診斷，最終形成了基于CNN和DWT的滾動(dòng)軸承故障診斷方法。通過對(duì)不同故障類型、不同故障程度以及不同工況下的滾動(dòng)軸承進(jìn)行故障診斷實(shí)驗(yàn)，證明了所提方法的可行性與有效性。