加噪樣本擴(kuò)展深度稀疏自編碼神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承壽命階段識(shí)別

陳仁祥　黃鑫　楊黎霞　湯寶平　陳思楊　楊星

摘要：針對(duì)滾動(dòng)軸承壽命特征提取與壽命階段智能識(shí)別問(wèn)題，提出加噪樣本擴(kuò)展深度稀疏自編碼神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承壽命階段識(shí)別方法。稀疏自編碼具有非監(jiān)督自動(dòng)學(xué)習(xí)數(shù)據(jù)內(nèi)部結(jié)構(gòu)特征的能力，但屬淺層網(wǎng)絡(luò)，特征提取能力有限且不具備分類能力。因此，將多個(gè)稀疏自編碼堆棧并添加分類層構(gòu)建出集壽命特征自動(dòng)提取與識(shí)別功能于一體的深度稀疏自編碼神經(jīng)網(wǎng)絡(luò)，通過(guò)無(wú)監(jiān)督逐層自學(xué)習(xí)與有監(jiān)督微調(diào)，完成壽命特征的自動(dòng)提取與表達(dá)，并實(shí)現(xiàn)壽命階段智能識(shí)別。同時(shí)，為解決壽命樣本量不足導(dǎo)致的網(wǎng)絡(luò)過(guò)擬合，對(duì)原訓(xùn)練樣本進(jìn)行加噪擴(kuò)展來(lái)訓(xùn)練網(wǎng)絡(luò)，以抑制網(wǎng)絡(luò)過(guò)擬合并提高網(wǎng)絡(luò)的魯棒性。通過(guò)工程應(yīng)用，證明了所提方法的可行性和有效性。

關(guān)鍵詞：故障診斷；滾動(dòng)軸承；壽命階段；稀疏自編碼；神經(jīng)網(wǎng)絡(luò)

引言

滾動(dòng)軸承的運(yùn)行精度與狀態(tài)直接影響空間飛行器、精密數(shù)控機(jī)床等重大、精密裝備的運(yùn)行精度與運(yùn)行可靠性。國(guó)內(nèi)外已多次出現(xiàn)因軸承失效導(dǎo)致重大裝備失效的案例。如能監(jiān)測(cè)滾動(dòng)軸承的性能衰退過(guò)程并對(duì)其壽命階段進(jìn)行準(zhǔn)確評(píng)估，則可預(yù)先制定維護(hù)策略，提高裝備運(yùn)行可靠性，避免因軸承出現(xiàn)嚴(yán)重故障導(dǎo)致裝備停機(jī)、損壞。因此，對(duì)滾動(dòng)軸承壽命進(jìn)行評(píng)估顯得尤為重要，國(guó)內(nèi)外已開展了相關(guān)研究。

軸承的壽命是指在額定載荷下正常運(yùn)行的轉(zhuǎn)數(shù)或小時(shí)數(shù)，因受到工作環(huán)境（溫度、濕度等）的影響，其壽命遠(yuǎn)達(dá)不到額定壽命，也難以統(tǒng)計(jì)其運(yùn)行總?cè)?shù)。工程實(shí)踐中往往通過(guò)振動(dòng)信號(hào)來(lái)反映其壽命衰退過(guò)程，從而進(jìn)行壽命階段識(shí)別和評(píng)估，其中，壽命特征提取與識(shí)別是關(guān)鍵問(wèn)題。目前，在進(jìn)行壽命階段識(shí)別時(shí)，往往借鑒故障診斷方法，利用信號(hào)分析技術(shù)提取特征，再利用模式識(shí)別算法完成識(shí)別。這種方法雖取得了較好結(jié)果，但其過(guò)程均需要人工提取壽命特征，再輸入相應(yīng)的分類器實(shí)現(xiàn)分類識(shí)別。壽命特征提取多依靠人為經(jīng)驗(yàn)，相關(guān)特征量往往為故障診斷技術(shù)中使用的特征量，而當(dāng)軸承僅處于不同壽命階段，只是運(yùn)行精度下降而未出現(xiàn)典型故障（如點(diǎn)蝕）時(shí)，使用故障特征量代替壽命特征量進(jìn)行壽命狀態(tài)表征是替代方法，缺少針對(duì)性。同時(shí)，軸承處于不同壽命階段的振動(dòng)信號(hào)間差異遠(yuǎn)小于處于不同故障形式的振動(dòng)信號(hào)間的差異，壽命階段相差越小，相應(yīng)振動(dòng)信號(hào)間的差異越小，故障特征量對(duì)壽命階段的表征能力更有限。需要探尋更有效的壽命特征提取方法。

為了從數(shù)據(jù)本身中自動(dòng)學(xué)習(xí)數(shù)據(jù)內(nèi)在結(jié)構(gòu)特征，國(guó)內(nèi)外學(xué)者相繼提出了特征自學(xué)習(xí)方法。Liu、苗中華和朱會(huì)杰等采用稀疏編碼進(jìn)行故障特征的自學(xué)習(xí)與故障診斷，解決了特征自學(xué)習(xí)問(wèn)題，但稀疏編碼在特征位置變化和樣本不充足時(shí)學(xué)習(xí)困難，同時(shí)還需要設(shè)計(jì)合適的分類器才能實(shí)現(xiàn)智能診斷。孫文珺等采用稀疏自編碼提取感應(yīng)電動(dòng)機(jī)故障特征。雷亞國(guó)等利用深度神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行機(jī)械裝備健康監(jiān)測(cè)。為軸承壽命特征的自動(dòng)學(xué)習(xí)提供了有益借鑒。