基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障程度診斷

薛妍，沈?qū)?，竇東陽

(1.中國礦業(yè)大學(xué) 化工學(xué)院，江蘇 徐州 221116；2.寧夏煤業(yè)洗選中心，銀川 750409)

滾動軸承是旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，其可靠性直接影響設(shè)備的正常運行和安全生產(chǎn)。滾動軸承從正常運轉(zhuǎn)到完全失效要經(jīng)歷一系列不同的性能退化過程，因此，軸承故障退化程度的評估是開展視情維修的基礎(chǔ)和重點[1]。

時域、頻域及時頻域分析是基于振動信號的傳統(tǒng)故障診斷方法[2]。為更好地表征振動信號的局部特征，通常采用短時傅里葉變換[3]、小波變換[4]、經(jīng)驗?zāi)B(tài)分解[5]、局部均值分解[6]等時頻處理方法提取軸承振動信號的故障特征，再通過豐富的經(jīng)驗知識分類故障特征，這些方法耗時費力且識別率較低。智能化的故障診斷方法則利用支持向量機(jī)[7]、k-鄰近算法[8]、人工神經(jīng)網(wǎng)絡(luò)[9]等機(jī)器學(xué)習(xí)方法自動分類特征，降低依賴專家經(jīng)驗出錯的概率，但準(zhǔn)確率取決于人工提取的特征能否準(zhǔn)確表達(dá)故障信息，仍存在較大的局限性。

軸承的失效是循序漸進(jìn)的，文獻(xiàn)[10-11]通過研究軸承的性能退化過程，證明RMS指標(biāo)、熵特征可以用來表征軸承的性能退化；文獻(xiàn)[12]運用支持向量機(jī)(SVM)對滾動軸承數(shù)據(jù)進(jìn)行訓(xùn)練分類，文獻(xiàn)[13]采用深度神經(jīng)網(wǎng)絡(luò)對軸承壽命數(shù)據(jù)進(jìn)行識別，都實現(xiàn)了對軸承的性能退化趨勢的監(jiān)測。然而，相比于機(jī)器學(xué)習(xí)模型淺層的網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型具有更深的網(wǎng)絡(luò)層，擁有較強(qiáng)的自適應(yīng)特征學(xué)習(xí)和分類能力，不僅降低了對信號處理與診斷經(jīng)驗的依賴，更加適應(yīng)工業(yè)大數(shù)據(jù)背景下海量監(jiān)測數(shù)據(jù)的分析需求[14-15]。

上述文獻(xiàn)處理的數(shù)據(jù)都是二維的，針對振動信號的一維特性，本文提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承性能退化評估方法，嘗試直接將軸承振動信號輸入一維卷積神經(jīng)網(wǎng)絡(luò)，提取振動信號相鄰時間點的特征，避免人工信號處理和特征提取帶來的誤差。

1 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)是一種前向傳導(dǎo)的人工神經(jīng)網(wǎng)絡(luò)，通過反向傳播算法更新網(wǎng)絡(luò)參數(shù)[16]，其結(jié)構(gòu)如圖1所示。

圖1 1DCNN網(wǎng)絡(luò)模型示意圖Fig.1 Model of 1DCNN

一維卷積神經(jīng)網(wǎng)絡(luò)用于軸承故障診斷包含了特征提取、特征分類和故障確定3個步驟，包括輸入層、卷積層、池化層、全連接層和分類層。輸入和卷積核依托卷積運算稀疏連接、權(quán)值共享的特性進(jìn)行卷積運算得到特征圖譜。滾動軸承振動信號的原始數(shù)據(jù)作為輸入，每層卷積層均使用了多個不同尺度的卷積核。使用非限制性單元(Rectified Linear Unit，ReLU)作為激活函數(shù)，將卷積層的輸出作為激活函數(shù)的輸入獲得輸入信號的非線性表達(dá)，使學(xué)習(xí)到的特征更容易區(qū)分。

直接將卷積后的特征圖輸入到全連接層無疑會大大增加網(wǎng)絡(luò)模型的參數(shù),在每層卷積層后采用2×1最大池化層，通過池化操作降低卷積層輸出的特征向量，減少參數(shù)；同時，采用均值池化保證信息的完整性，避免過擬合。使用softmax激活全連接層，并在全連接層之前添加防止過擬合的dropout層，系數(shù)為0.3。

2 故障診斷步驟

基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷算法流程如圖2所示，具體步驟為：采集軸承的振動信號構(gòu)建試驗數(shù)據(jù)集，劃分訓(xùn)練集和測試集；將訓(xùn)練集的信號樣本提前做好對應(yīng)標(biāo)簽(每一種故障信號對應(yīng)一個故障標(biāo)簽)，輸入到1DCNN進(jìn)行模型訓(xùn)練；輸入測試樣本，同時引進(jìn)機(jī)器學(xué)習(xí)經(jīng)典算法-混淆矩陣，得到直觀、可視化的多標(biāo)簽分類準(zhǔn)確率。

圖2 1DCNN故障診斷流程圖Fig.2 Fault diagnosis flowchart of 1DCNN

針對軸承振動信號非線性、非平穩(wěn)的特點，同時為了保障原始振動信號的完整性以便提取時間序列信息，進(jìn)行了一些針對性改進(jìn)：

1)對于一維時間振動信號而言，小卷積核覆蓋范圍太小，很容易受到原始振動信號中高頻噪聲的干擾，無法準(zhǔn)確提取有用信息，因此在模型的第1層就使用16個8×1的卷積核，增大感受野，學(xué)習(xí)時間信號的泛化特征，同時保證模型的運算速度。

2)在第1層卷積層之后引入3層小尺度卷積層，分別為64個4×1卷積，256個4×1卷積，256個2×1卷積，從而有效控制網(wǎng)絡(luò)模型的參數(shù)，同時利用不同尺寸的小卷積核精確提取小范圍的故障信息。

Keras[17]是一個基于Theano和TensorFlow等框架提供的底層運算而實現(xiàn)的高層框架，相比其他深度學(xué)習(xí)框架，采用Keras能以最短時間完成模型的搭建和訓(xùn)練。因此，利用python語言基于Keras框架實現(xiàn)模型建立、訓(xùn)練和診斷分析全過程。

3 不同故障程度滾動軸承故障診斷

3.1 試驗數(shù)據(jù)

為驗證本文的診斷方法，采用凱斯西儲大學(xué)(CWRU)滾動軸承數(shù)據(jù)中心提供的試驗數(shù)據(jù)[18]。對驅(qū)動端的6205軸承人為添加電火花侵蝕，產(chǎn)生不同位置及不同磨損程度的故障。使用12 kHz的采樣頻率進(jìn)行樣本采集，軸承健康狀況分為鋼球、內(nèi)圈、外圈損傷三大類，每種故障依據(jù)損傷程度又分為0.178，0.356和0.533 mm這3種故障尺寸，總計10種軸承故障狀態(tài)(表1)。在本文的試驗中，使用數(shù)據(jù)集增強(qiáng)技術(shù)獲取10 000個樣本，劃分為訓(xùn)練集、驗證集和測試集，各占7 000，2 000和1 000個樣本，每個樣本長度為2 048。

表1 軸承試驗數(shù)據(jù)集Tab.1 Experimental data set of bearing

3.2 數(shù)據(jù)增強(qiáng)

為避免數(shù)據(jù)集過小、需要訓(xùn)練的網(wǎng)絡(luò)參數(shù)過多而導(dǎo)致模型過擬合的問題，采用數(shù)據(jù)增強(qiáng)技術(shù)對數(shù)據(jù)集的樣本進(jìn)行擴(kuò)充。例如，對于一段有S個點的振動信號，用尺寸為M的采樣窗以L個單位長度的步幅進(jìn)行滑動取樣，就能得到N個樣本數(shù)據(jù)，其表達(dá)式為

(1)

每種軸承狀態(tài)的數(shù)據(jù)長度S約為120 000，若單一訓(xùn)練樣本長度M為2 048，則平均采樣訓(xùn)練樣本共有58個；采用數(shù)據(jù)增強(qiáng)技術(shù)，選定滑動步長L為28，可得訓(xùn)練樣本N約為4 213，從中隨機(jī)選取1 000個作為這種故障狀態(tài)的樣本進(jìn)行劃分。該方法大大增加了數(shù)據(jù)集的樣本數(shù)量，保證了樣本數(shù)據(jù)的連續(xù)性，有利于模型的訓(xùn)練和參數(shù)的更新，從而提高模型的診斷準(zhǔn)確率。

3.3 結(jié)果分析

本次試驗基于python-Keras搭建網(wǎng)絡(luò)模型，1DCNN的一次訓(xùn)練過程如圖3a所示。經(jīng)過50次迭代后，使用訓(xùn)練好的模型對隨機(jī)劃分的1 000個測試集樣本進(jìn)行故障分類，結(jié)果達(dá)到了98.2%的準(zhǔn)確率，損失函數(shù)僅為0.74×10-4，模型診斷精度非常高且收斂速度快。

圖3 1DCNN的訓(xùn)練過程和混淆矩陣Fig.3 Training process and confusion matrix of 1DCNN

由故障分類混淆矩陣(圖3b)可以看出，4%的2類故障被錯誤識別為1類故障，10%的2類故障被錯誤識別為3類故障，4%的8類故障被錯誤識別為3類故障，另外8種故障類型的識別率則達(dá)到了100%，說明該模型能夠準(zhǔn)確監(jiān)測軸承的健康狀態(tài)。

與其他故障分類方法的對比結(jié)果見表2，由表可知：基于1DCNN的診斷模型能夠有效地提取故障特征并進(jìn)行軸承的故障識別，具有較高的準(zhǔn)確度，比SVM及深度神經(jīng)網(wǎng)絡(luò)(DNN)算法的診斷效果更好。

表2 故障識別算法對比Tab.2 Comparison of fault recognition algorithms

4 全壽命周期滾動軸承故障診斷

4.1 試驗數(shù)據(jù)

實際工況中，軸承性能退化是一個循序漸進(jìn)的過程，軸承所處的損傷階段也會由輕微到嚴(yán)重演變，要想做到軸承的視情維修，還需準(zhǔn)確地識別軸承性能退化階段。因此，采用美國辛辛那提大學(xué)智能維護(hù)系統(tǒng)中心軸承疲勞壽命試驗臺數(shù)據(jù)[21]進(jìn)行分析。試驗臺主軸上裝有4套型號為Rexnord ZA-2115的雙列圓柱滾子軸承，采樣頻率為20 kHz，間隔10 min采集一次數(shù)據(jù)，每次采集時間為1 s。每次試驗有4套軸承，當(dāng)某一套軸承損壞時，停止試驗并保留試驗數(shù)據(jù)。整個數(shù)據(jù)集描述的數(shù)據(jù)內(nèi)容為軸承從健康運行到失效的整個試驗中振動信號的變化過程。

4.2 數(shù)據(jù)處理

對外圈全壽命周期數(shù)據(jù)進(jìn)行時域指標(biāo)分析，軸承性能退化過程中的信號波動情況如圖4所示，由圖可知：峭度指標(biāo)對沖擊信號比較敏感，隨著軸承性能退化，其值從初始的4以下逐漸升高到17左右，但在軸承損傷嚴(yán)重的后期，峭度曲線反而出現(xiàn)了短暫的下降趨勢；均值指標(biāo)呈現(xiàn)總體平穩(wěn)的趨勢，只在軸承外圈失效時出現(xiàn)波動；峰峰值前期平緩，后期沖擊雜亂;無故障時標(biāo)準(zhǔn)差在0.1附近且曲線較平緩，當(dāng)軸承最終損壞時標(biāo)準(zhǔn)差增加至0.7左右，表明標(biāo)準(zhǔn)差隨著軸承損傷程度加深而逐漸升高，550點左右時標(biāo)準(zhǔn)差曲線出現(xiàn)上升趨勢，暗示著故障的發(fā)生，可以較好地反映軸承性能退化過程；另外，均方根、方根的變化趨勢與標(biāo)準(zhǔn)差相似，可以較好對應(yīng)軸承性能退化過程；裕度指標(biāo)、波形指標(biāo)、脈沖指標(biāo)和偏度指標(biāo)則不能較好地反映軸承性能退化過程。

圖4 軸承外圈全壽命周期數(shù)據(jù)的部分時域特征Fig.4 Some time-domain characteristics of bearing outer ring life cycle data

綜上分析，選取標(biāo)準(zhǔn)差變化趨勢作為分類依據(jù)，根據(jù)圖4標(biāo)準(zhǔn)差曲線中的點A，B，C，D將軸承性能退化過程分為5個階段：正常、外圈輕微退化、外圈中度退化、外圈嚴(yán)重退化、外圈失效。根據(jù)軸承退化過程標(biāo)準(zhǔn)差的變化趨勢，掌握軸承失效的發(fā)展規(guī)律，為開展視情、適時維修做好基礎(chǔ)。

軸承性能退化過程標(biāo)準(zhǔn)差曲線的局部特征如圖5所示，由圖可知：

圖5 軸承性能退化過程標(biāo)準(zhǔn)差曲線的局部特征Fig.5 Local characteristics of standard deviation curve of bearing performance degradation process

1)A點之前，標(biāo)準(zhǔn)差基本不變，時域和包絡(luò)波動較小，無明顯故障特征幅值，軸承狀態(tài)良好，在第520個樣本(圖6b)周圍出現(xiàn)波動，包絡(luò)幅值明顯增加，且出現(xiàn)230.5 Hz(幅值為35.2 m/s2)的外圈故障特征頻率，而在第519個樣本(圖6a)處的包絡(luò)譜圖上則沒有出現(xiàn)故障頻率，表明第520個樣本時外圈損傷，可以初步判定A點故障已經(jīng)發(fā)生。

2)A—B段，標(biāo)準(zhǔn)差一直在緩慢上升，直至B點(第699個樣本點)突增，包絡(luò)譜圖(圖6c)中出現(xiàn)明顯的故障頻率和倍頻。

圖6 軸承性能退化過程不同樣本點的包絡(luò)譜Fig.6 Envelope spectrum of different sample points during bearing performance degradation process

3)B—C段，標(biāo)準(zhǔn)差逐漸下降，直至C點(第786個樣本)之后才緩慢上升，此時包絡(luò)譜圖(圖6d)中幾乎只出現(xiàn)了外圈故障頻率及其倍頻，且幅值(336.4 m/s2)有明顯上升，但仍低于A—B段，這是由于沖擊力作用使故障點逐漸被磨合，從而導(dǎo)致幅值有所降低。

4)D點(第936個樣本)出現(xiàn)了更明顯的沖擊，包絡(luò)譜圖(圖6e)中也幾乎只出現(xiàn)外圈故障頻率及其倍頻，且幅值(2 531 m/s2)大幅度上升。

綜上，將A點之前劃分為正常階段，A—B段為外圈輕微退化階段，B—C段為外圈中度退化階段，C—D段為外圈嚴(yán)重退化階段，D點之后外圈完全失效。至此試驗數(shù)據(jù)準(zhǔn)備完畢，將樣本分為正常、外圈輕微退化、外圈中度退化、外圈嚴(yán)重退化和外圈完全失效，分別對應(yīng)標(biāo)簽0,1,2,3,4。與上一組試驗類似，也是包含原始振動信號和劃分好的故障程度，但此組故障程度包含漸變過程，更符合實際。

4.3 試驗結(jié)果分析

基于python-Keras搭建網(wǎng)絡(luò)模型，1DCNN的訓(xùn)練過程如圖7a所示，由圖可知：約經(jīng)過15次迭代后陷入局部極值，表明該模型的分類效果較差；

圖7 1DCNN對滾動軸承外圈故障程度的識別結(jié)果Fig.7 1DCNN identification result of outer ring fault degree of rolling bearing

但隨著迭代次數(shù)的增加，該模型可以快速恢復(fù)可靠、良好的分類性能，因此將網(wǎng)絡(luò)的迭代次數(shù)設(shè)置為50。使用訓(xùn)練好的模型對隨機(jī)劃分的測試集樣本進(jìn)行故障分類，平均準(zhǔn)確率達(dá)到了93%，模型的診斷精度非常高。另外，模型訓(xùn)練速度和收斂速度都很快。

軸承外圈故障程度分類的混淆矩陣如圖7b所示，由圖可知：22%的1類(外圈早期故障)被模型錯誤識別為2類(外圈中度退化)，29%的2類(中度退化)被模型錯誤識別為3類(外圈嚴(yán)重退化)，模型對其他故障程度的識別率都達(dá)到了100%。由于軸承故障是緩慢形成的，劃分的故障程度會有一定的重疊部分，因此模型識別存在一定的誤差，但已經(jīng)能夠很好地對軸承的運行狀態(tài)進(jìn)行監(jiān)測。

5 結(jié)束語

針對滾動軸承的故障退化程度問題提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的“端到端”診斷方法，分別進(jìn)行了不同故障程度和全壽命周期滾動軸承數(shù)據(jù)的試驗驗證，取得了很高的正確率。

1DCNN方法能夠直接處理原始振動信號，提取原始信號相鄰時間點之間的信息，省去了大量耗時費力的人工特征提取過程，并能減少網(wǎng)絡(luò)參數(shù)，加快網(wǎng)絡(luò)模型的訓(xùn)練過程，拓寬并加深神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu);1DCNN可以學(xué)習(xí)到原始振動信號更加穩(wěn)定的特征信息并保留原始振動信號的完整性，根據(jù)時域特征變化趨勢建立軸承狀態(tài)的不同階段。通過深度學(xué)習(xí)對軸承振動信號原始數(shù)據(jù)進(jìn)行有監(jiān)督學(xué)習(xí)，能夠?qū)崿F(xiàn)對軸承的全壽命分析和狀態(tài)預(yù)測。