基于CWRU數(shù)據(jù)集進(jìn)行系統(tǒng)參數(shù)識(shí)別的智能化發(fā)展方向

摘 要：隨著監(jiān)測(cè)系統(tǒng)的廣泛應(yīng)用，大量過程數(shù)據(jù)得以保存與利用，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法得到較快發(fā)展。本文通過分析和總結(jié)基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法對(duì)旋轉(zhuǎn)機(jī)械設(shè)備故障診斷的效果，提出未來智能故障診斷技術(shù)的發(fā)展方向，以供參考。

關(guān)鍵詞：CWRU數(shù)據(jù)集；機(jī)器學(xué)習(xí)；深度學(xué)習(xí)；智能故障診斷

中圖分類號(hào)：TH133.33 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-5168（2018）10-0059-03

Intelligent Direction of System Parameter Identification

Based on CWRU Data Set

YANG Jing

（School of Mechatronics and Automobile Engineering，Tianshui Normal University，Tianshui Gansu 741001）

Abstract： With the extensive application of monitoring system and the preservation and utilization of a large number of process data， the data driven fault diagnosis method has developed rapidly. In this paper， the effect of data driven machine learning method on rotating machinery fault diagnosis was analyzed and summarized， the development direction of future intelligent fault diagnosis technology was put forward for reference.

Keywords： CWRU data sets；machine learning；deeplearning；intelligentf ault diagnosis

1 研究背景

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法的首要關(guān)鍵步驟是特征提取。特征提取方法不同，得到的特征信息也會(huì)不同，而不同的特征信息會(huì)直接影響故障診斷效果。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)重要組成部分，可以在無人為干預(yù)的情況下自動(dòng)提取信號(hào)中的特征信息，自適應(yīng)地完成滾動(dòng)軸承故障診斷任務(wù)。目前，公認(rèn)的深度學(xué)習(xí)的基本模型包括基于受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）的深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）、基于自編碼器（Autoencoder，AE）的堆疊自編碼器（Stacked Autoencoders，SAE）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neuralnetworks，CNN））和遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）。

CWRU軸承數(shù)據(jù)中心數(shù)據(jù)集是由圖1所示的實(shí)驗(yàn)臺(tái)采集的數(shù)據(jù)構(gòu)成的。

該實(shí)驗(yàn)平臺(tái)包括一個(gè)2馬力的電機(jī)（左側(cè)），一個(gè)轉(zhuǎn)矩傳感器（中間），一個(gè)功率計(jì)（右側(cè)）和電子控制設(shè)備（沒有顯示），待檢測(cè)的軸承支撐著電動(dòng)機(jī)的轉(zhuǎn)軸。表1列出了兩種軸承的幾何尺寸和各部件的故障頻率。使用電火花加工技術(shù)在軸承上布置單點(diǎn)故障，損傷直徑分別為：0.177 8、0.355 6、0.533 4mm和0.711 2mm。其中，前三種故障直徑的軸承使用的是SKF軸承，后兩種故障直徑的軸承使用的是與之等效的NTN軸承。

[文件名釋義DE-drive end accelerometer data驅(qū)動(dòng)端加速度數(shù)據(jù)FE-fan end accelerometer data風(fēng)扇端加速度數(shù)據(jù)BA-base accelerometer data基座加速度數(shù)據(jù)（正常）time-time series data時(shí)間序列數(shù)據(jù)RPM-rpm during testing每秒鐘多少轉(zhuǎn)，除以60為旋轉(zhuǎn)頻率]

實(shí)驗(yàn)中使用加速度傳感器采集振動(dòng)信號(hào)，加速度傳感器分別安裝在電機(jī)殼體的驅(qū)動(dòng)端和風(fēng)扇端12點(diǎn)鐘的位置。數(shù)字信號(hào)的采樣頻率為12 000S（樣本）/s，驅(qū)動(dòng)端軸承故障數(shù)據(jù)分別以12 000S（樣本）/s和48 000S/s的采樣速率采集得到，風(fēng)扇端數(shù)據(jù)以12 000S（樣本）/s的采樣速率采集得到。軸承外圈故障固定不變，實(shí)驗(yàn)中分別對(duì)驅(qū)動(dòng)端和風(fēng)扇端的軸承外圈布置3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘方向的故障。

2 CWRU軸承數(shù)據(jù)中心數(shù)據(jù)集分析常用算法及模型

孟宗等[1]提出基于壓縮感知框架下壓縮采集的信號(hào)的一種滾動(dòng)軸承故障診斷新方法。該方法選擇部分Hadamard矩陣作為測(cè)量矩陣，將峭度因子、方差、波形因子作為敏感特征參量，直接利用壓縮采集信息提取敏感特征，然后通過PSO-SVM算法進(jìn)行模式識(shí)別并計(jì)算出故障識(shí)別率，從而實(shí)現(xiàn)故障診斷。通過CWRU數(shù)據(jù)集驗(yàn)證方法的有效性，本文算法性能依賴于人為特征參數(shù)的選擇及特征量的計(jì)算。孫瑤琴[2]針對(duì)支持向量機(jī)（SVM）的分類性能受本身參數(shù)選擇影響較大的問題，提出了基于改進(jìn)果蠅優(yōu)化算法（LFOA），對(duì)SVM參數(shù)進(jìn)行優(yōu)化，并應(yīng)用于常見故障的診斷。通過CWRU數(shù)據(jù)集驗(yàn)證，本文算法性能受特征參數(shù)選擇和特征量的計(jì)算及實(shí)驗(yàn)設(shè)置參數(shù)的影響。孟凡磊等[3]提出局部特征尺度分解、k均值聚類分析和獨(dú)立分量分析相結(jié)合的故障診斷方法。應(yīng)用局部特征尺度分解得到振動(dòng)信號(hào)分解的若干個(gè)內(nèi)稟尺度分量，依據(jù)分量與原始信號(hào)的互相關(guān)系數(shù)及峭度值，應(yīng)用k均值聚類方法選取有效的分量組成新的觀測(cè)信號(hào)，對(duì)觀測(cè)信號(hào)進(jìn)行獨(dú)立分量分析處理，實(shí)現(xiàn)信噪分離；依據(jù)峭度值選取信號(hào)分量，對(duì)信號(hào)應(yīng)用希爾伯特包絡(luò)譜技術(shù)以實(shí)現(xiàn)故障診斷。通過分析CWRU數(shù)據(jù)集中軸承內(nèi)圈故障數(shù)據(jù)，驗(yàn)證了方法的有效性。但驗(yàn)證結(jié)果僅反映出本文方法對(duì)軸承內(nèi)圈故障診斷的有效性，診斷類別單一，沒有反映出算法的通用性，且故障診斷精度仍依賴于人為特征參數(shù)選擇。

目前，主流故障診斷方法雖然在旋轉(zhuǎn)機(jī)械智能故障診斷中起到了重要作用，但仍存在以下兩個(gè)缺陷。①需要基于信號(hào)處理技術(shù)和診斷專家的許多先驗(yàn)知識(shí)，手動(dòng)提取特征。此外，這些特征是根據(jù)特定的診斷問題提取的，可能不適用于其他問題。②基于神經(jīng)網(wǎng)絡(luò)的淺層結(jié)構(gòu)限制了在故障診斷問題中學(xué)習(xí)復(fù)雜的非線性關(guān)系。

3 基于深度學(xué)習(xí)網(wǎng)絡(luò)分析CWRU軸承數(shù)據(jù)中心數(shù)據(jù)集的現(xiàn)狀

3.1 基于SAE滾動(dòng)軸承故障模式辨識(shí)

具有深層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)（DNNs）可以近似任意復(fù)雜的非線性函數(shù)，并從原始數(shù)據(jù)中挖掘出更多有價(jià)值的信息。因此，F(xiàn).Jia et al[4]提出一種基于深度學(xué)習(xí)網(wǎng)絡(luò)（Autoencoder，自編碼器）的新的故障診斷方法，并使用CWRU滾動(dòng)軸承數(shù)據(jù)集和行星齒輪箱數(shù)據(jù)集驗(yàn)證了所提方法的有效性。這里，原始信號(hào)是指在頻域中測(cè)量的信號(hào)，即頻譜。之所以采用頻譜的主要原因是旋轉(zhuǎn)機(jī)械的頻譜顯示了期組成成分是如何基于離散頻率分布的，因此可以為旋轉(zhuǎn)機(jī)械的健康狀況提供清晰的信息。

深度學(xué)習(xí)方法起初應(yīng)用于故障診斷領(lǐng)域時(shí)，仍然需要手動(dòng)選擇特征，而深層模型只起到分類器的作用，這并沒有發(fā)揮出深度學(xué)習(xí)的優(yōu)勢(shì)。對(duì)工業(yè)應(yīng)用環(huán)境而言，有效的故障診斷方法應(yīng)該能從噪聲污染的信號(hào)中獲取有用的信息。然而，不充分的去噪或過度去噪會(huì)使原始信號(hào)失真，造成機(jī)械故障的診斷或識(shí)別率降低。此外，去噪步驟與特征提取和分類步驟相結(jié)合，造成了更多的人為干預(yù)，如基函數(shù)或其他參數(shù)的選擇影響最終性能。

考慮到實(shí)際應(yīng)用環(huán)境中存在噪聲，X.Guo et al[5]提出一種考慮空間和時(shí)間相關(guān)性的自動(dòng)去噪和特征提取方法。該方法是基于堆疊去噪自編碼器（SDAE）構(gòu)建集成深度故障識(shí)別模型，用來去除原始振動(dòng)信號(hào)中的隨機(jī)噪聲并進(jìn)行特征表示，實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障和齒輪故障的故障模式診斷。通過利用CWRU數(shù)據(jù)集驗(yàn)證方法的性能，實(shí)驗(yàn)驗(yàn)證精度達(dá)到了100%。C.Lu et al[6]提出利用基于SDA（Stacked Denoising Autoencoder）的深度學(xué)習(xí)方法進(jìn)行故障診斷。該方法在對(duì)模型進(jìn)行微調(diào)階段采用共軛梯度法，并在訓(xùn)練程序中引入“破壞等級(jí)”，即量化噪聲程度和環(huán)境波動(dòng)對(duì)模型訓(xùn)練的影響，采用Softmax分類器進(jìn)行分類，適用于含有環(huán)境噪聲和工況波動(dòng)的信號(hào)的健康狀態(tài)識(shí)別。通過CWRU數(shù)據(jù)集驗(yàn)證方法的有效性，將本文提出的健康狀態(tài)識(shí)別方法應(yīng)用于滾動(dòng)軸承實(shí)例研究中，以不同程度的環(huán)境噪聲和工況波動(dòng)為例。與傳統(tǒng)的診斷算法相比，該方法的主要優(yōu)點(diǎn)是通過一個(gè)通用的學(xué)習(xí)過程來學(xué)習(xí)故障特征，而不是手工設(shè)計(jì)或基于信號(hào)處理技術(shù)的先驗(yàn)知識(shí)，因此，易于進(jìn)行問題診斷。診斷結(jié)果表明，以深層結(jié)構(gòu)為基礎(chǔ)的學(xué)習(xí)方法確實(shí)提供了一種方式來改善健康狀態(tài)的辨識(shí)精度，數(shù)據(jù)破壞促進(jìn)了對(duì)含有環(huán)境噪聲和工作狀態(tài)波動(dòng)的輸入信號(hào)特征的魯棒性識(shí)別。

3.2 基于CNN網(wǎng)絡(luò)的滾動(dòng)軸承故障模式辨識(shí)

在無需增加專業(yè)知識(shí)和不過于復(fù)雜化機(jī)械結(jié)構(gòu)的前提下，X.Guo et al[7]提出了一種基于改進(jìn)算法的分層學(xué)習(xí)率自適應(yīng)深卷積神經(jīng)網(wǎng)絡(luò)（ADCNN）模型?？紤]到有效的故障診斷方法不僅能夠?qū)崿F(xiàn)故障模式識(shí)別，而且能夠完成故障嚴(yán)重等級(jí)預(yù)測(cè)，所以構(gòu)建兩層結(jié)構(gòu)的ADCNN模型。該模型包括故障模式識(shí)別層和故障嚴(yán)重程度識(shí)別層，用于診斷軸承故障并確定故障嚴(yán)重程度等級(jí)。最后，通過CWRU數(shù)據(jù)集對(duì)比驗(yàn)證本文方法的診斷效果。實(shí)驗(yàn)結(jié)果表明，第一層ADCNN模型識(shí)別精度達(dá)到99%。然后，將樣本分為十個(gè)部分進(jìn)行交叉驗(yàn)證，平均檢驗(yàn)準(zhǔn)確率為97.9%。

近年來，隨著深度學(xué)習(xí)作為一種計(jì)算框架在各個(gè)研究領(lǐng)域中迅速普及，一些文獻(xiàn)試圖用卷積神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械部件進(jìn)行故障診斷。在機(jī)械故障診斷領(lǐng)域，CNNs網(wǎng)絡(luò)的輸入可以是二維的，如頻譜圖像，也可以是一維的，如時(shí)間序列信號(hào)或頻譜系數(shù)。雖然已有許多研究取得了不錯(cuò)的效果，但仍有很大的改進(jìn)空間。例如，在許多研究中，分類器是用特定的數(shù)據(jù)類型進(jìn)行訓(xùn)練的，這意味著其可以在類似數(shù)據(jù)上實(shí)現(xiàn)高精度，而在其他類型數(shù)據(jù)中表現(xiàn)不佳，這可能是由于從原始信號(hào)中進(jìn)行故障表征特征提取造成的。此外，在分析一個(gè)高度復(fù)雜的系統(tǒng)時(shí)，選擇合適的特征函數(shù)需要大量的機(jī)械專業(yè)知識(shí)和豐富的數(shù)學(xué)知識(shí)。因此，分類器應(yīng)具備自動(dòng)和自適應(yīng)地從原始信號(hào)中精確提取特征的能力。

W.Zhang et al[8]針對(duì)實(shí)際工業(yè)應(yīng)用中負(fù)載時(shí)變和工作環(huán)境中不可避免的噪聲導(dǎo)致智能故障診斷方法性能下降的問題，提出WDCNN（Deep Convolutional Neural Networks with Wide First-layer Kernels）智能故障診斷方法，以經(jīng)過FFT的原始振動(dòng)信號(hào)作為模型輸入信號(hào)，利用數(shù)據(jù)增強(qiáng)技術(shù)生成更多的輸入（只對(duì)訓(xùn)練集進(jìn)行此操作），利用第一卷積層中的寬核提取特征，抑制高頻噪聲，后面層中以小卷積核用于多層非線性映射，由Adam隨機(jī)優(yōu)化算法取代BP算法最小化損失函數(shù)，并通過AdaBN（AdaptiveBatch Normalization）算法提升域自適應(yīng)能力。采用CWRU原始數(shù)據(jù)集在不同負(fù)載環(huán)境和不同噪聲環(huán)境下分別進(jìn)行測(cè)試，驗(yàn)證模型的有效性。

4 結(jié)論

基于上述分析，未來基于深度學(xué)習(xí)方法對(duì)故障數(shù)據(jù)進(jìn)行分類、預(yù)測(cè)，可以考慮從以下幾方面入手。

①采用CWRU數(shù)據(jù)集驗(yàn)證深度學(xué)習(xí)網(wǎng)絡(luò)模型效果時(shí)，考慮采用智能算法對(duì)網(wǎng)絡(luò)的超參數(shù)進(jìn)行智能優(yōu)化。避免實(shí)驗(yàn)獲取參數(shù)造成的不確定性和誤差。

②對(duì)標(biāo)準(zhǔn)CWRU數(shù)據(jù)集進(jìn)行推廣，使其更加適用于惡劣復(fù)雜多變的工業(yè)環(huán)境中的故障數(shù)據(jù)監(jiān)測(cè)及分析。例如，設(shè)計(jì)更加合理的基于CWRU數(shù)據(jù)集的輸入數(shù)據(jù)，解決實(shí)際工業(yè)環(huán)境中數(shù)據(jù)缺失、污染及數(shù)據(jù)不平衡情況下的故障診斷問題。

③考慮目前工業(yè)環(huán)境中各類傳感器的普遍應(yīng)用，未來對(duì)故障數(shù)據(jù)的分類、預(yù)測(cè)等可以朝著數(shù)據(jù)融合的方向發(fā)展，以便提取各種傳感器采集到的樣本中蘊(yùn)含的豐富信息，實(shí)現(xiàn)精度更高、更有實(shí)際泛化能力的診斷方法。

參考文獻(xiàn)：

[1]孟宗，李晶，龍海峰，等.基于壓縮信息特征提取的滾動(dòng)軸承故障診斷方法[J].中國(guó)機(jī)械工程，2017（7）：806-812.

[2]孫瑤琴.基于改進(jìn)FOA優(yōu)化的SVM在故障診斷中的應(yīng)用[J].機(jī)械強(qiáng)度，2017（2）：285-290.

[3]孟凡磊，崔偉成，李偉，等.LCD、k-means與ICA相結(jié)合的滾動(dòng)軸承故障診斷方法[J].機(jī)械科學(xué)與技術(shù)，2017（9）：1402-1407.

[4]Jia F，Lei Y，Guo L， et al. A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines[J]. Neurocomputing，2018（272）：619–627.

[5]Guo X，Shen C，Chen L. Deep Fault Recognizer： An Integrated Model to Denoise and Extract Features for Fault Diagnosis in Rotating Machinery[J]. Applied Sciences，2016（1）：41.

[6]Lu C，Wang Z Y，Qin W L，et al. Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state identification[J]. Signal Processing，2017（C）：377-388.

[7]Guo X， Chen L， Shen C. Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis[J]. Measurement， 2016（93）：490-502.

[8]Zhang W， Li C， Peng G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load[J]. Mechanical Systems Signal Processing， 2017（100）：439-453.