深度神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用

彭彬森，夏 虹，王志超，朱少民，楊 波，張汲宇

(核安全與仿真技術(shù)國(guó)防重點(diǎn)學(xué)科重點(diǎn)實(shí)驗(yàn)室(哈爾濱工程大學(xué))，哈爾濱 150001)

滾動(dòng)軸承是很多旋轉(zhuǎn)機(jī)械設(shè)備傳動(dòng)裝置的關(guān)鍵部件，由于其運(yùn)行環(huán)境復(fù)雜多樣，因此也是發(fā)生故障最多部件之一[1].一旦發(fā)生故障，輕則影響設(shè)備的正常運(yùn)行，重則引起嚴(yán)重的安全事故，并造成巨大的經(jīng)濟(jì)損失及人員傷亡，因此為了提高滾動(dòng)軸承的安全性，防范事故的發(fā)生，對(duì)滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)及診斷是十分有意義的.

當(dāng)前針對(duì)像滾動(dòng)軸承的故障診斷方法主要分為兩類：一類是以信號(hào)分析為主的傳統(tǒng)診斷方法，這類分析方式需要大量的專家知識(shí)；一類是以數(shù)據(jù)驅(qū)動(dòng)為主的智能機(jī)器學(xué)習(xí)方法，這類方法不需要大量的專家知識(shí)，而是依靠模型自動(dòng)學(xué)習(xí)數(shù)據(jù)中的特征信息，從而實(shí)現(xiàn)故障診斷，然而對(duì)于數(shù)據(jù)量大，數(shù)據(jù)維度更高，非線性關(guān)系更強(qiáng)的大數(shù)據(jù)，傳統(tǒng)智能方法特征提取能力很有限，無法完全提取數(shù)據(jù)的本質(zhì)特征.因此需要學(xué)習(xí)能力更強(qiáng)的方法去提取數(shù)據(jù)的本質(zhì)特征.

隨著2006年深度學(xué)習(xí)概念的提出，為解決復(fù)雜數(shù)據(jù)的學(xué)習(xí)問題提供了有效解決途徑[2-3].經(jīng)過近幾年的不斷發(fā)展，目前深度學(xué)習(xí)已成為機(jī)器學(xué)習(xí)中最流行的一個(gè)分支，它的實(shí)用性范圍廣，極大地促進(jìn)了人工智能的發(fā)展.當(dāng)前已有一些采用深度神經(jīng)網(wǎng)絡(luò)去解決滾動(dòng)軸承故障診斷問題的研究成果，文獻(xiàn)[4]提出深度置信網(wǎng)絡(luò)對(duì)滾動(dòng)軸承進(jìn)行診斷，并用粒子群算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化，采用模擬數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了方法的可靠性.針對(duì)旋轉(zhuǎn)機(jī)械的運(yùn)行條件總是復(fù)雜多變，難以從測(cè)得的振動(dòng)信號(hào)中自動(dòng)有效地捕獲有用的故障特征的問題，文獻(xiàn)[5]提出了一種基于深度自編碼器的故障診斷方法，并采用人工魚群算法優(yōu)化深度自動(dòng)編碼器的關(guān)鍵參數(shù)，最后用齒輪箱和電力機(jī)車滾動(dòng)軸承的實(shí)驗(yàn)數(shù)據(jù)對(duì)所提方法進(jìn)行了驗(yàn)證.針對(duì)傳統(tǒng)基于最小二乘支持向量機(jī)的故障診斷方法需要手動(dòng)去提取故障特征的不足，文獻(xiàn)[6]提出了深度棧式最小二乘支持向量機(jī)故障診斷模型去自動(dòng)學(xué)習(xí)故障特征，所提出的方法在滾動(dòng)軸承實(shí)驗(yàn)中取得了良好的診斷效果.

考慮到深度學(xué)習(xí)方法具有強(qiáng)大的學(xué)習(xí)能力，因此可以獲得比淺層學(xué)習(xí)方法更好的結(jié)果，然而若要使用神經(jīng)網(wǎng)絡(luò)提取到數(shù)據(jù)的本質(zhì)特征，則需要的神經(jīng)網(wǎng)絡(luò)層數(shù)越多，隨著神經(jīng)網(wǎng)絡(luò)的層數(shù)加深，所需要訓(xùn)練的參數(shù)越來越多，計(jì)算量也會(huì)成倍增長(zhǎng)，神經(jīng)網(wǎng)絡(luò)的性能也會(huì)出現(xiàn)退化，為了改善這種現(xiàn)象，本文擬采用殘差神經(jīng)網(wǎng)絡(luò)(Residual neurnal network,RNN)來對(duì)這種現(xiàn)象進(jìn)行改進(jìn).同時(shí)為了增強(qiáng)模型的魯棒性，本文采用多傳感器技術(shù)對(duì)RNN模型進(jìn)行改進(jìn)，建立了多傳感器融合改進(jìn)的深度殘差神經(jīng)網(wǎng)絡(luò)(Deep residual neural netuork,DRNN)故障診斷模型：DRNN-3S.

1 方法介紹

1.1 卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural netwoks,CNN)

CNN模型起源于生物神經(jīng)視覺研究，通過3個(gè)重要思想(稀疏交互、參數(shù)共享、等變表示)減少了自由變量的數(shù)量，提高了模型的泛化能力，并且提高了訓(xùn)練速度.經(jīng)過多年的發(fā)展，已有相對(duì)成熟的結(jié)構(gòu).CNN的基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成[7].卷積過程可視為特征提取的過程，用一張二維圖像I作為輸入，K為卷積核，Z為卷積結(jié)果，則卷積過程定義為

(1)

式中：(m,n)為卷積核K的大小，(i，j)為卷積位置.一個(gè)卷積層中一般包含多個(gè)卷積核，以便提取更多的特征信息.然后將卷積結(jié)果輸入到激活函數(shù)，計(jì)算后得到卷積層的輸出y，計(jì)算過程定義為

y=g(Z·W+b).

(2)

式中：W為權(quán)值矩陣；b為偏置；g(·)為激活函數(shù).本文設(shè)置為常用的線性整流函數(shù)(ReLU)[8]，定義為

g(x)=max(x,0).

(3)

池化層也稱為子采樣層，通常跟隨在卷積層之后，依據(jù)一定的下采樣規(guī)則對(duì)特征圖進(jìn)行下采樣，常用的下采樣方法有max-pooling，mean-pooling等.假設(shè)Zsub是池化層的輸出，subsampling(·)為采樣函數(shù)，則

Zsub=subsampling(y).

(4)

1.2 殘差神經(jīng)網(wǎng)絡(luò)

理論上來說深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越深，越能提取到數(shù)據(jù)的本質(zhì)特征，然而現(xiàn)有的研究表明深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolution neural network,DCNN)將層數(shù)提高到一定層數(shù)時(shí)，模型會(huì)出現(xiàn)退化，比如梯度消失或者爆炸.因此，研究人員不斷尋求新的思路來改進(jìn)模型，現(xiàn)有的改進(jìn)思路主要分為兩種，一種是改進(jìn)神經(jīng)網(wǎng)絡(luò)的求解器，然而這種思路在短時(shí)間內(nèi)很難有很大的突破，模型性能提升有限；另一種是改進(jìn)模型的結(jié)構(gòu)，比如文獻(xiàn)[7,9-10]等提出的深度神經(jīng)網(wǎng)絡(luò)模型.本文選擇新型神經(jīng)網(wǎng)絡(luò)模型RNN作為故障診斷識(shí)別模型，它由He等[11]在2015年提出，作為一種新的網(wǎng)絡(luò)結(jié)構(gòu)使性能得到很大的提升，并在圖像識(shí)別，目標(biāo)檢測(cè)，目標(biāo)定位等公開數(shù)據(jù)及上取得了很高的識(shí)別率.

一般的CNN是由卷積層、池化層交替堆疊，而RNN由殘差塊構(gòu)成，其基本結(jié)構(gòu)如圖1所示.

圖1 殘差網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)圖

圖中x為殘差模塊的輸入，F(xiàn)(x,{Wi})為待訓(xùn)練的殘差函數(shù)，通過跳層連接技術(shù)將恒等映射x與F(x,{Wi})相加得到x的估計(jì)值H(x)，這樣不僅提高了隨機(jī)梯度下降算法的學(xué)習(xí)能力，而且加快了模型收斂速度，提高了模型的泛化能力[12].

1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文采用隨機(jī)梯度下降法(Stochastic gradient descent,SGD)訓(xùn)練DRNN，SGD是一種神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，通過在每次迭代訓(xùn)練過程中從總樣本集中隨機(jī)抽取獨(dú)立同分布的小樣本，然后用梯度下降法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，這樣能夠提高在樣本集很大時(shí)的訓(xùn)練效率，因此成為了目前深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中用的最多方法[13].訓(xùn)練流程如圖2所示，訓(xùn)練過程可以看作是對(duì)DRNN的參數(shù)θ={W,b}進(jìn)行迭代更新求解，其中W為權(quán)值矩陣，b為偏置向量，訓(xùn)練結(jié)束后將最后一次訓(xùn)練的結(jié)果保存，作為測(cè)試模型.

圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

2 滾動(dòng)軸承故障診斷流程

根據(jù)滾動(dòng)軸承的特征，設(shè)計(jì)了如圖3所示故障診斷流程，包括離線訓(xùn)練和在線診斷兩個(gè)步驟構(gòu)成.在離線訓(xùn)練過程中，首先通過多傳感器采集設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù)，然后通過數(shù)據(jù)預(yù)處理技術(shù)從原始數(shù)據(jù)中提取特征數(shù)據(jù)，最后用特征數(shù)據(jù)去訓(xùn)練故障診斷模型.在線診斷過程中，首先將在線采集的數(shù)據(jù)輸入到預(yù)處理模塊得到特征數(shù)據(jù)，然后將特征數(shù)據(jù)輸入到訓(xùn)練好的診斷模型中，最后經(jīng)過識(shí)別得到診斷結(jié)果.

圖3 滾動(dòng)軸承故障診斷流程

3 實(shí)驗(yàn)測(cè)試

3.1 數(shù)據(jù)來源

為了驗(yàn)證本文提出方法的有效性，用西儲(chǔ)大學(xué)的軸承故障實(shí)驗(yàn)數(shù)據(jù)集[14]測(cè)試所提出的方法，實(shí)驗(yàn)臺(tái)架如圖4所示.數(shù)據(jù)集包含3個(gè)分別布置在馬達(dá)驅(qū)動(dòng)端，風(fēng)扇端和支撐基板的加速度傳感器(SDE，SFE，SBA)所采集的數(shù)據(jù)，采樣頻率為12 000 Hz.由于正常狀態(tài)缺乏位于支撐基板傳感器的數(shù)據(jù)，故用0補(bǔ)全正常狀態(tài)下該傳感器的數(shù)據(jù).當(dāng)前多數(shù)研究只針對(duì)10種(包括正常、3種不同故障直徑的滾珠故障、3種不同故障直徑的內(nèi)圈故障、3種不同故障直徑的外圈故障)或者4種(包括正常、滾珠故障、內(nèi)圈故障、外圈故障)故障狀態(tài)進(jìn)行診斷識(shí)別[15-19]，為了體現(xiàn)算法的優(yōu)勢(shì)，本文針對(duì)其中40種故障狀態(tài)(包括上述10種和4種故障類型)展開了研究，包含4種正常運(yùn)行狀態(tài)，12種滾珠故障，12種內(nèi)圈故障，12種外圈故障，詳細(xì)故障類型及編碼見表1.

表1 故障類型及編碼

圖4 軸承實(shí)驗(yàn)臺(tái)

3.2 數(shù)據(jù)預(yù)處理

3.2.1短時(shí)傅里葉變換(STFT)

當(dāng)前很多針對(duì)振動(dòng)信號(hào)分析方式采用的是頻域分析或時(shí)域分析，這樣有可能造成部分特征信息缺失，為了綜合利用時(shí)域和頻域的特征信息，本文采用STFT對(duì)振動(dòng)信號(hào)進(jìn)行初級(jí)特征提取[20].STFT是一種時(shí)頻分析方法，它可以通過窗函數(shù)獲取信號(hào)特定時(shí)間的頻率分布，同時(shí)通過在時(shí)間軸上移動(dòng)窗函數(shù)，又可以獲取不同頻率的時(shí)間分布，因此可以同時(shí)提

取頻域特征，又可以提取時(shí)域特征.短時(shí)傅里葉變換的表達(dá)式為

(5)

式中：*為復(fù)共軛符號(hào)；g(t)為窗函數(shù)；f(t)為待分析信號(hào).信號(hào)的STFT結(jié)果S(ω,τ)反映了待分析信號(hào)在τ時(shí)刻、頻率為ω的信號(hào)分量.

本文窗函數(shù)選擇漢明窗函數(shù)，窗長(zhǎng)度為512，相鄰窗函數(shù)采樣重疊率為384，選取連續(xù)8個(gè)窗函數(shù)提取的頻域特征組成大小為256*8的時(shí)頻譜，其時(shí)間分辨率為0.085 3 s，頻率范圍為0～6 000 Hz，圖5為一組正常信號(hào)的時(shí)頻譜，橫坐標(biāo)包含8個(gè)時(shí)間點(diǎn)，縱坐標(biāo)包含256個(gè)頻率點(diǎn)，幅值大小用不同的顏色表示，本文既可觀察某一時(shí)刻的頻率分布，又可以觀察到某一頻率的時(shí)間分布.通過對(duì)3個(gè)傳感器采集的數(shù)據(jù)分別進(jìn)行STFT，然后將單個(gè)傳感器信號(hào)的時(shí)頻譜合并，得到單個(gè)大小為256*8*3的樣本數(shù)據(jù).將所有故障的特征信號(hào)進(jìn)行變換后，得到大小為5 909的故障樣本集，故障樣本的分布見表2.

圖5 時(shí)頻特征頻譜圖

表2 故障樣本分布

3.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

在使用機(jī)器學(xué)習(xí)算法之前，常常需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，這樣可以避免不同量綱的特征參量降低機(jī)器學(xué)習(xí)算法的性能，從而提高訓(xùn)練效率和準(zhǔn)確度.本文采用z-score標(biāo)準(zhǔn)化方法[21]對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，公式定義為

(6)

式中：x為原始數(shù)據(jù)；x′為標(biāo)準(zhǔn)化后的數(shù)據(jù)；μ為原始數(shù)據(jù)的平均值；σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)化后的數(shù)據(jù)服從均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布.

3.3 故障診斷模型構(gòu)建

本文采用的DRNN-3S模型包含8個(gè)殘差模塊，1個(gè)卷積層和1個(gè)邏輯回歸層，共18層網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)圖如圖 6所示，相關(guān)結(jié)構(gòu)參數(shù)見表 3.網(wǎng)絡(luò)的輸入包含3個(gè)通道，輸入值分別為每個(gè)傳感器標(biāo)準(zhǔn)化后的初級(jí)特征矩陣，每個(gè)殘差模塊都可以視為一個(gè)特征提取器，它包含兩個(gè)卷積層，輸出層的輸出為每種故障的概率.

圖6 殘差網(wǎng)絡(luò)結(jié)構(gòu)

表3 DRNN-3S的參數(shù)設(shè)置

3.4 模型訓(xùn)練

針對(duì)滾動(dòng)軸承故障診斷問題，DCNN是目前研究最多，且診斷精度較高的深度學(xué)習(xí)方法，故本文選取DCNN作為對(duì)比方法進(jìn)行測(cè)試，并基于3個(gè)傳感器的特征數(shù)據(jù)，建立了深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型：DCNN-3S；DCNN-3S的結(jié)構(gòu)與參數(shù)初始值和DRNN-3S均保持一致，每個(gè)卷積層之間用池化層進(jìn)行優(yōu)化，但沒有跳層連接. 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置為：學(xué)習(xí)率α=1，最大迭代次數(shù)N=720，小批量大小m=128，訓(xùn)練方式：GPU；樣本集按照8∶2的比例分為訓(xùn)練樣本和測(cè)試樣本.

圖7為DRNN-3S模型與DCNN-3S模型的訓(xùn)練精度隨迭代次數(shù)變化曲線圖，從中可以看出DRNN-3S的收斂速度明顯要比DCNN-3S快很多，約100次迭代就達(dá)到了100%的訓(xùn)練精度，而DCNN的訓(xùn)練精度最終在99%處上下波動(dòng)；圖8為DRNN-3S與DCNN-3S損失函數(shù)隨迭代次數(shù)變化曲線圖，從中可以看出DRNN-3S的損失函數(shù)值的收斂速度也比DCNN-3S快，損失函數(shù)值的收斂數(shù)量級(jí)達(dá)到了10-5，而DCNN-3S損失函數(shù)值的收斂數(shù)量級(jí)只有10-3.

圖7 訓(xùn)練精度變化曲線

圖8 損失函數(shù)變化曲線

訓(xùn)練完成后，用測(cè)試數(shù)據(jù)測(cè)試兩個(gè)模型的泛化性能，針對(duì)40類故障的測(cè)試數(shù)據(jù)，最終，DRNN-3S模型的測(cè)試精度為100%，DCNN-3S的測(cè)試精度為99.74%.

綜上所述，DRNN-3S在訓(xùn)練過程中，性能表現(xiàn)更好，充分說明優(yōu)化殘差函數(shù)要比原函數(shù)要容易的多，且更容易收斂，在測(cè)試過程中，DRNN-3S模型的測(cè)試精度比DCNN-3S要高，說明DRNN-3S的泛化性能要比DCNN-3S好.

3.5 多傳感器性能測(cè)試

為體現(xiàn)多傳感器融合的優(yōu)勢(shì)，分別用一個(gè)傳感器(SDE)、兩個(gè)傳感器(SDE，SFE)和3個(gè)傳感器(SDE，SFE，SBA)采集的數(shù)據(jù)去構(gòu)建3個(gè)DRNN模型: DRNN-1S, DRNN-2S, DRNN-3S，模型輸入層數(shù)據(jù)輸入通道分別為1，2和3，其他結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)均與模型訓(xùn)練保持一致，圖 9、10分別是不同傳感器數(shù)據(jù)下的訓(xùn)練精度收斂曲線和損失函數(shù)收斂曲線，從中可以發(fā)現(xiàn)，3個(gè)模型的訓(xùn)練精度最終都可以達(dá)到100%，當(dāng)模型精度達(dá)到100%，且損失函數(shù)值趨于穩(wěn)定時(shí)，模型DRNN-1S, DRNN-2S, DRNN-3S訓(xùn)練所用的次數(shù)分別約為600，350，100次.綜上所述，訓(xùn)練數(shù)據(jù)所用的傳感器數(shù)量越多，訓(xùn)練過程收斂速度越快，越穩(wěn)定，因?yàn)閿?shù)據(jù)源越多，所提供的信息越豐富，只需要較低的迭代次數(shù)，便能找到數(shù)據(jù)的內(nèi)在規(guī)律.

圖9 不同傳感器數(shù)下訓(xùn)練精度變化曲線

圖10 不同傳感器數(shù)下?lián)p失函數(shù)變化曲線

3.6 抗噪測(cè)試

實(shí)際運(yùn)行環(huán)境中，采集到的滾動(dòng)軸承振動(dòng)信號(hào)基本上會(huì)受到噪聲的影響，這對(duì)故障診斷模型的適應(yīng)能力形成巨大的考驗(yàn).本文通過在原始振動(dòng)信號(hào)中加入高斯白噪聲來模擬實(shí)際嘈雜的工作環(huán)境中采集的數(shù)據(jù)，并用含噪聲的數(shù)據(jù)來評(píng)估故障診斷模型的抗噪性能.根據(jù)不同環(huán)境下，噪聲程度不同，本文用信噪比(SNR)來衡量噪聲程度，定義如下：

(7)

式中:Ps為信號(hào)功率，Pn為噪聲功率.本文分別用SNR范圍為0～10 dB的噪聲對(duì)單個(gè)傳感器的數(shù)據(jù)和所有傳感器的數(shù)據(jù)進(jìn)行污染，共得到4組含噪聲的測(cè)試數(shù)據(jù)，然后用包含噪聲的測(cè)試數(shù)據(jù)對(duì)DRNN-3S和DCNN-3S模型進(jìn)行測(cè)試，測(cè)試結(jié)果見表4.從表4中可以看出，在單一傳感器受到噪聲污染的情況下，在不同噪聲程度下，DRNN-3S模型的性能均比DCNN-3S要好，即使信噪比低至0 dB時(shí)，DRNN-3S模型均能保持94%以上的診斷精度，其中在只有傳感器SBA受到噪聲感染情況下，模型診斷精度在99.9%以上.當(dāng)模型的診斷精度保持在100%時(shí)，傳感器SDE，SFE，SBA信號(hào)的最低SNR分別為8,6,2 dB，因此對(duì)DRNN-3S模型而言，傳感器的抗噪能力排名為：SBA>SFE>SDE.在所有傳感器均受到噪聲污染的情況下，相比于單個(gè)傳感器受到噪聲污染，模型性能會(huì)有所下降，但DRNN-3S模型的性能依舊要比DCNN-3S出色，當(dāng)噪聲程度SNR≥6 dB時(shí)，模型診斷精度在99%以上，而DCNN-3S模型最大診斷精度也只有83.49%.

表4 DRNN-3S模型和 DCNN-3S模型的抗噪測(cè)試結(jié)果

為了體現(xiàn)多傳感器融合的優(yōu)勢(shì)，本文同樣測(cè)試了基于單個(gè)傳感器采集的數(shù)據(jù)建立的DRNN診斷模型的抗噪能力.分別用SDE、SFE、SBA采集的數(shù)據(jù)訓(xùn)練了3個(gè)單傳感器DRNN故障診斷模型：DRNN-DE，DRNN-FE和DRNN-BA，用不含噪聲的測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，可得到模型的測(cè)試精度分別為100.00%，100.00%，80.14%.因?yàn)閭鞲衅鱏BA采集的數(shù)據(jù)沒有正常狀態(tài)的數(shù)據(jù)，本文中正常狀態(tài)下的數(shù)據(jù)均由0補(bǔ)充，故造成識(shí)別率偏低.

本文首先用信噪比為0～10 dB的噪聲分別對(duì)SDE、SFE、SBA采集的數(shù)據(jù)進(jìn)行污染，然后用含噪聲的數(shù)據(jù)對(duì)上述模型進(jìn)行測(cè)試，測(cè)試結(jié)果見表5，通過將結(jié)果與表4中的DRNN-3S模型結(jié)果進(jìn)行對(duì)比，可以發(fā)現(xiàn)多傳感器融合改進(jìn)模型在不同信噪比下，診斷精度都比單傳感器模型的精度高，尤其在傳感器SBA受到噪聲污染時(shí)，DCNN-BA模型的診斷精度低并且抗噪能力低，然而DRNN-3S模型卻沒有這些短板，這充分說明了多傳感器融合改進(jìn)模型的抗噪能力更好.

表5 單傳感器故障診斷模型抗噪測(cè)試結(jié)果

綜上所述，基于多傳感器融合改進(jìn)的DRNN故障診斷模型DRNN-3S的抗噪能力是相當(dāng)突出的，不僅提升故障診斷模型的魯棒性，而且具有較強(qiáng)的環(huán)境適應(yīng)能力.

4 結(jié) 論

1)本文針對(duì)滾動(dòng)軸承的故障診斷問題提出了一種基于多傳感器融合改進(jìn)的深度殘差神經(jīng)網(wǎng)絡(luò)的故障診斷方法，構(gòu)建了故障診斷模型DRNN-3S，并用滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)集對(duì)所提出方法的有效性進(jìn)行了驗(yàn)證.

2)在模型訓(xùn)練和多傳感器性能測(cè)試階段，DRNN-3S模型的訓(xùn)練收斂速度更快，且能保持較高的訓(xùn)練精度和測(cè)試精度，均達(dá)到100%，充分體現(xiàn)了殘差模型和多傳感器融合的優(yōu)勢(shì).

3)在抗噪能力測(cè)試中，DRNN-3S模型表現(xiàn)出良好的抗噪能力.當(dāng)單一傳感器采集的數(shù)據(jù)受到噪聲污染時(shí)，DRNN-3S 模型能保持至少93.78%的診斷精度，當(dāng)所有傳感器采集的數(shù)據(jù)受到噪聲污染時(shí)，DRNN-3S模型能保持至少82.54%的診斷精度.