基于深度學習的滾動軸承早期故障診斷策略

袁媛

（包頭職業(yè)技術(shù)學院，內(nèi)蒙 古包頭 014035）

隨著大數(shù)據(jù)世代發(fā)展，產(chǎn)業(yè)技術(shù)不斷升級。人工智能在各行業(yè)得到普遍應用，深度學習在圖像識別、語言合成等領(lǐng)域迅速推廣。機械故障診斷主要對機械振動信號分析處理，深度學習相比傳統(tǒng)機械故障診斷方法更加高效，研究深度學習在機械故障診斷中的應用，對提高滾動軸承設(shè)備運行穩(wěn)定性具有重要價值。

1 基于1D-CNN+LSTM 滾動軸承故障診斷

滾軸故障診斷研究不斷發(fā)展，傳統(tǒng)故障診斷方法包括基于機器學習方法，面對復雜問題進行故障識別會存在一些缺陷，利用統(tǒng)計學法難以建立準確數(shù)學模型，需要研究人員掌握大量相關(guān)經(jīng)驗，在故障診斷應用方面受到很大局限?；跈C器學習的故障診斷法包括BP 神經(jīng)網(wǎng)絡等。SVM 面對復雜場景訓練數(shù)據(jù)性能表現(xiàn)不理想，神經(jīng)網(wǎng)絡存在過度擬合，計算努力受限等問題[1]。針對滾軸故障診斷是研究熱點，科技發(fā)展為診斷技術(shù)提供新豐富。深度學習理論源于神經(jīng)網(wǎng)絡，組合低維投影表示較高感知水平，廣泛應用于圖像處理等領(lǐng)域。滾軸故障診斷流程見圖1。

圖1 滾動軸承故障診斷流程圖

深度學習模型可自主逐層學習深層非線性特征表示，卷積神經(jīng)網(wǎng)絡卷積模塊可以從高維原始數(shù)據(jù)提取特征，實現(xiàn)對滾動軸承故障診斷。故障振動信號分析內(nèi)不時間依賴可以提升診斷準確率，長短時記憶網(wǎng)絡處理分析時序數(shù)據(jù)具有獨特優(yōu)勢，提出結(jié)合CNN 特征提取模型改進滾軸故障診斷模型，提取數(shù)據(jù)高階特征表示，連接LSTM 利用記憶模塊挖掘數(shù)據(jù)隱藏時間依賴性，設(shè)計一維CNN 結(jié)構(gòu)，采用ReLU 激活函數(shù)對CNN 卷積操作增加非線性表達能力，采用Adam 算法改進參數(shù)優(yōu)化問題[2]。CNN 每層級計算方式是為當前輸入加上權(quán)重，線性網(wǎng)絡無法擬合復雜數(shù)學函數(shù)，激活函數(shù)使用是訓練深度學習模型重要環(huán)節(jié)，使網(wǎng)絡模型具備非線性擬合能力。常用激活函數(shù)包括Tanh,Swish 等。Swish 激活函數(shù)訓練深層網(wǎng)絡具有優(yōu)勢，選用ReLU 為激活函數(shù)具有較高準確率。

輸入數(shù)據(jù)通過網(wǎng)絡訓練得到結(jié)果對比實際存在誤差值，通過優(yōu)化算法反向傳播更新網(wǎng)絡權(quán)重，給出常用優(yōu)化算法包括隨機梯度下降法，自適應矩估計優(yōu)化算法。梯度下降法廣泛應用于機器學習優(yōu)化問題中，梯度下降法易于實現(xiàn)，但面臨樣本量過多時迭代計算全部樣本梯度，降低函數(shù)收斂速度。隨機梯度下降迭代中隨機選擇樣本求解梯度，迭代中選用一個樣本，優(yōu)化算法在更新參數(shù)中使用唯一確定學習率。計算公式為θ′=θ-αΔfi(θ),i 為迭代隨機選擇樣本，θ 為每次迭代后參數(shù)值，f（）為損失函數(shù)。本文使用Adam 算法對網(wǎng)絡反向傳播進行參數(shù)更新。特征提取影響最終分類結(jié)果，CNN 具有提取多維數(shù)據(jù)能力，一維CNN 網(wǎng)絡結(jié)構(gòu)簡單，結(jié)合1D-CNN 與LSTM 構(gòu)建新滾軸故障診斷模型，通過LSTM 挖掘故障特征時間信息。通過滾軸振動數(shù)據(jù)驗證提出診斷方法，實驗測試平臺包括扭矩傳感器，內(nèi)部設(shè)置電子控制器[3]。

從測試臺驅(qū)動端收集軸承SKF6205 產(chǎn)生內(nèi)外圈故障健康狀態(tài)振動數(shù)據(jù)，設(shè)定適合樣本對神經(jīng)網(wǎng)絡訓練非常重要，網(wǎng)絡訓練中樣本包含滾軸振動數(shù)據(jù)采樣點，樣本選取較短長度有效信息變少，樣本選取較長長度會增加訓練時間成本。卷基層卷積核尺寸較小，樣本過大需大量卷積核完成卷積操作，卷積核尺寸較大難以準確提取深層故障。表1 為1D-CNN+LSTM 相關(guān)參數(shù)設(shè)置。軸承采樣頻率為12kHz,每轉(zhuǎn)包含400 個采樣點，將800 個采樣點劃分為樣本數(shù)據(jù)，達到較快收斂效果。訓練深度神經(jīng)網(wǎng)絡要提供大量訓練樣本，軸承振動信號故障特征隨時間變化表現(xiàn)不同沖擊，需設(shè)定合適重疊比例對信號數(shù)據(jù)分段處理，選取重疊比例為1/2,樣本數(shù)據(jù)集按4：1 劃分。圖2 為1D-CNN+LSTM 故障診斷流程圖。

表1 1D-CNN+LSTM 相關(guān)參數(shù)設(shè)置

圖2 基于1D-CNN+LSTM 故障診斷流程圖

根據(jù)網(wǎng)絡模型調(diào)整，對反向優(yōu)化算法驗證。激活函數(shù)是訓練深度網(wǎng)絡模型關(guān)鍵部分，Sigmoid 函數(shù)是焦躁使用激活函數(shù)，將RELU 與Swish 激活函數(shù)對比，連續(xù)卷積與池化實現(xiàn)信號數(shù)據(jù)深層故障提取，連續(xù)全連接層與Softmax 層輸出結(jié)果。CNN 中設(shè)置激活函數(shù)為RELU，設(shè)置為Swish 準確率為97%。使用RELU 的CNN 法準確率高出Swish 方法0.84%。訓練迭代較少次數(shù)達到更快收斂。圖3 為基于不同深度學習方法滾軸故障診斷方法準確率對比圖。1D-CNN+LSTM 診斷法在初始迭代中有較高準確率，最終準確率達到98%。CNN 診斷法維持在95%，LSTM 診斷法達到96%的診斷準確率。1D-CNN+LSTM 故障診斷法具有較高準確率。不同診斷方法準確率見表2。

表2 不同診斷方法準確率

圖3 基于不同深度學習方法的滾軸故障診斷方法準確率對比圖

2 基于D-S 證據(jù)理論的滾軸故障診斷法

特征提取影響設(shè)備故障診斷系統(tǒng)準確率，機械設(shè)備特征提取困難，單一傳感器采集故障信息存在模糊性等特點，無法全面反映監(jiān)測設(shè)備故障情況。通過測量旋轉(zhuǎn)機器不同信號，多傳感器采集系統(tǒng)可提供豐富軸承健康狀況信息。多源信息融合可以全面捕獲故障數(shù)據(jù)內(nèi)部包含特征信息，獲得準確的診斷結(jié)果?？梢栽诠收显\斷系統(tǒng)不同步驟進行信息融合，要對輸入原始故障信號進行數(shù)據(jù)級別融合，對多個數(shù)據(jù)源信號特征提取后進行綜合故障診斷分析。深度學習法解決設(shè)備故障診斷是當前研究熱點，網(wǎng)絡模型中可以連接分類器分類識別特征。

1967 年Dempster 構(gòu)建多值映射集合不確定描述，Shafer擴充下限概率模型理論，1976 年形成D-S 證據(jù)理論。D-S 證據(jù)理論將任務命題不確定程度通過集合形式展現(xiàn)，通過合成規(guī)則融合命題可能性，可以處理不同數(shù)據(jù)來源不確定信息，在多源信息融合領(lǐng)域廣泛應用。D-S 證據(jù)理論針對數(shù)據(jù)不確定性有定量描述，故障數(shù)據(jù)受運行狀態(tài)影響表現(xiàn)為不全面性，1D-CNN+LSTM 故障診斷法操作包括初步診斷與融合決策故障診斷階段。故障診斷法著重完成決策級證據(jù)融合故障診斷。根據(jù)滾軸故障形式設(shè)為輕中重度內(nèi)外圈故障，定義故障集合為D-S 證據(jù)理論識別框架，根據(jù)Softmax 分類器輸出結(jié)果為證據(jù)，表示待識別特征與故障匹配度。多個證據(jù)對應信任度m（Ai)確定后，得出融合多源數(shù)據(jù)信息不同故障信任度。不確定性描述待識別特征為Ai 類故障不確定度。圖4 為基于D-S 證據(jù)理論的1D-CNN+LSTM 故障診斷流程圖。

圖4 基于D-S 證據(jù)理論的1D-CNN+LSTM 故障診斷流程圖

Dempster 合成規(guī)則含有交換律，數(shù)學表達式為{m1⊕m2=m2⊕m1，m1⊕m2⊕m3=(m1⊕m2)+m3,Dempster 合成規(guī)則具備極化性質(zhì)，表明證據(jù)合成后可彌補單源數(shù)據(jù)隨機性。多個mass 函數(shù)正交，對信任結(jié)論信任結(jié)論不確定度小。設(shè)mi(Θ）為單源不確定性，數(shù)學描述公式a)?i∈{1,2,…，n},mi(Θ)=0→m(Θ)=0。利用證據(jù)理論對不同傳感器故障信號融合得到概率分配BPA，提出方法基于可信度分配判別標準分類決策。提出方法認為判別滾軸故障信任概率不低于門限值。選取CWRU 提供電機基座端不同損傷度振動加速度故障數(shù)據(jù)集為原始輸入數(shù)據(jù)，數(shù)據(jù)樣本分為輕中重度內(nèi)外圈滾動體故障，沒類故障包含1797r/min,1730r/min 轉(zhuǎn)速振動信號采集。電機振動信號采樣頻率為12kHz，選取故障類別數(shù)據(jù)中250樣本2500 個樣本數(shù)據(jù)，傳入3 個1D-CNN+LSTM 診斷子網(wǎng)絡模型初步診斷分類，實現(xiàn)決策級融合診斷。

實驗將選取測試結(jié)果為故障診斷結(jié)果，將CWRU 數(shù)據(jù)源輸入并列的1D-CNN+LSTM 診斷子網(wǎng)絡初步特特征提取，訓練深度學習網(wǎng)絡對原始振動信號處理。深度學習診斷子網(wǎng)絡初步診斷后，不同數(shù)據(jù)源表征故障存在偏差。根據(jù)合成步驟對網(wǎng)絡輸出結(jié)果融合分析，由于數(shù)據(jù)源不同存在矛盾數(shù)據(jù)，網(wǎng)絡1 中故障類型為O1,診斷結(jié)果為B2。綜合分析網(wǎng)絡故障模式表征，經(jīng)過D-S 證據(jù)理論融合診斷準確率達99.99%。基于1D-CNN+LSTM 神經(jīng)網(wǎng)絡故障診斷中，構(gòu)建相互獨立故障診斷子網(wǎng)絡具有獨特優(yōu)勢。圖5 為其他模型與WT-DSCNN 準確率和參數(shù)量對比圖。利用D-S 證據(jù)理論對初步診斷子網(wǎng)絡結(jié)果融合分析，綜合考量自診斷網(wǎng)絡識別準確度，保證合成診斷保持魯棒性。

圖5 其他模型和WT-DSCNN 準確率和參數(shù)量對比圖

為驗證提出方法有效性，設(shè)置對比實驗，MF-FC 是多個fire 模塊構(gòu)成，F(xiàn)-GAP 是單個fire 模塊與GAP 構(gòu)成。F-FC 是單個fire 模塊與FC 構(gòu)成，CNN-GAP 是卷積層-GAP 層組成。CNN-FC 是卷積層-FC 構(gòu)成。全連接網(wǎng)絡模型參數(shù)眾多，使用t-SNE 對結(jié)果可視化研究。WT-DSCNN 易于區(qū)分故障狀態(tài)類別樣本。CNN-GAG 在不同故障類型深度不能很好的區(qū)分。WT-DSCNN 是參數(shù)個數(shù)最少的網(wǎng)絡，可實現(xiàn)高速監(jiān)測設(shè)備運行狀態(tài)。