基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷技術(shù)綜述

汪祖民，張志豪，秦 靜，季長清，3*

（1.大連大學(xué)信息工程學(xué)院，遼寧大連 116622；2.大連大學(xué)軟件工程學(xué)院，遼寧大連 116622；3.大連大學(xué)物理科學(xué)與技術(shù)學(xué)院，遼寧大連 116622）

0 引言

機(jī)械設(shè)備在現(xiàn)代工業(yè)中扮演著重要的角色，機(jī)械設(shè)備的故障會造成嚴(yán)重的經(jīng)濟(jì)損失，甚至?xí)?dǎo)致災(zāi)難性的后果。故障診斷對于提高機(jī)械的安全性和可靠性、降低運(yùn)行維護(hù)成本方面具有非常重要的作用。由于現(xiàn)代狀態(tài)監(jiān)測技術(shù)已經(jīng)能夠?qū)崿F(xiàn)復(fù)雜設(shè)備在多個(gè)測點(diǎn)和整個(gè)全壽命的數(shù)據(jù)采集，檢測系統(tǒng)將獲得海量的數(shù)據(jù)，導(dǎo)致機(jī)械設(shè)備故障診斷領(lǐng)域進(jìn)入了大數(shù)據(jù)時(shí)代。因此，大數(shù)據(jù)下的機(jī)械設(shè)備的故障診斷就顯得尤為重要。

機(jī)械故障診斷的發(fā)展過程大致經(jīng)歷了三個(gè)階段，即基于物理模型的方法階段、基于信號處理的方法階段、基于數(shù)據(jù)驅(qū)動的方法階段。基于物理模型的方法主要是獲取設(shè)備上的數(shù)據(jù)信號，并用最初建立的模型對數(shù)據(jù)處理結(jié)果進(jìn)行分析，從而得到機(jī)組的故障診斷情況；但通常需要深入了解機(jī)器的工作機(jī)理，難以建立起現(xiàn)代復(fù)雜機(jī)械設(shè)備的精確物理系統(tǒng)，特別是在動態(tài)、噪聲大的工作環(huán)境下?；谛盘柼幚淼姆椒ㄖ荚谔剿飨冗M(jìn)的信號去噪和濾波技術(shù)，突出故障特征信息；但特征頻率的計(jì)算往往需要相關(guān)的設(shè)備知識，實(shí)體故障表征理論和數(shù)學(xué)基礎(chǔ)是其前提。在不了解系統(tǒng)的學(xué)習(xí)和物理模型的情況下，采用數(shù)據(jù)驅(qū)動技術(shù)的診斷方法，僅利用檢測到的狀態(tài)監(jiān)測信號或結(jié)合歷史數(shù)據(jù)，分析提取特征信息，對系統(tǒng)進(jìn)行故障診斷和性能評估。該方法即不需要大量的領(lǐng)域?qū)＜抑R和知識的表達(dá)式推理機(jī)制，也不需要建立精確的復(fù)雜系統(tǒng)模型，但常常需要大量的精確數(shù)據(jù)。

作為數(shù)據(jù)驅(qū)動方法的典型代表，機(jī)器學(xué)習(xí)在故障診斷領(lǐng)域有廣泛的應(yīng)用，例如Rauber 等設(shè)計(jì)了基于26 個(gè)統(tǒng)計(jì)參數(shù)、72 個(gè)包絡(luò)特征和32 個(gè)小波包特征的原始特征向量，然后使用支持向量機(jī)（Support Vector Machine，SVM）識別軸承故障。Chine 等計(jì)算出若干特征參數(shù)，并利用人工神經(jīng)網(wǎng)絡(luò)對光伏系統(tǒng)進(jìn)行故障診斷。文獻(xiàn)［7］提出了一種新型的模糊神經(jīng)數(shù)據(jù)融合引擎，用于在線監(jiān)測與診斷。盡管機(jī)器學(xué)習(xí)模型，如SVM、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、聚類算法、遺傳算法和模糊推理等，能夠部分地滿足故障診斷和識別的需要，但在運(yùn)行期間機(jī)械設(shè)備負(fù)荷的變化會影響模型的泛化能力。

作為機(jī)器學(xué)習(xí)的分支，深度學(xué)習(xí)能夠自動地從大量數(shù)據(jù)中提取特征，滿足機(jī)械故障診斷對自適應(yīng)特征提取的要求，有效地克服了傳統(tǒng)人工提取特征泛化能力差、魯棒性差等缺點(diǎn)，降低了傳統(tǒng)故障診斷方法在人工設(shè)計(jì)和提取過程中的不確定性。近幾年來，不同的深度學(xué)習(xí)模型，如堆疊自動編碼器（Stacked Auto Encoder，SAE）、深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）、遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等，在機(jī)械故障智能診斷中得到了越來越廣泛的應(yīng)用。

1 基于CNN的機(jī)械故障診斷

CNN 作為一種有監(jiān)督的深度學(xué)習(xí)算法，由LeCun 等首先提出，并采用誤差梯度算法對模型進(jìn)行優(yōu)化。目前已有許多經(jīng)典的網(wǎng)絡(luò)模型，如LeNet-5、AlexNet、VGG（VGGNet）、ResNet、GoogleNet等。迄今為止，CNN 在圖像分類、目標(biāo)檢測、圖像語義分割等方面都取得了一系列突破性的研究成果。與其他深度學(xué)習(xí)算法不同，CNN 具有稀疏連通（或局部接受域）、共享權(quán)值和池化（空間二次采樣）三個(gè)顯著特征。它減少了維數(shù)采樣，降低了數(shù)據(jù)在時(shí)間和空間上的維數(shù)，減少了訓(xùn)練參數(shù)的數(shù)量，降低了網(wǎng)絡(luò)的復(fù)雜度，有效地避免了算法的過擬合。與此同時(shí)，它對其他形式的轉(zhuǎn)換（例如縮放、傾斜和移動）具有不變性，因此使得構(gòu)建處理海量數(shù)據(jù)的深度學(xué)習(xí)框架成為可能。

振動信號分析是基于卷積神網(wǎng)絡(luò)的機(jī)械故障診斷中最常用、最有效的方法。一般情況下，基于CNN 的機(jī)械故障診斷可歸納以下三個(gè)步驟：

1）數(shù)據(jù)采集（預(yù)處理）。從有關(guān)機(jī)械設(shè)備上收集大量監(jiān)測數(shù)據(jù)，并對振動信號進(jìn)行處理，提出了許多處理振動信號的方法，如統(tǒng)計(jì)分析、傅里葉變換、小波變換、經(jīng)驗(yàn)?zāi)Ｊ椒纸夂妥罱l(fā)展的稀疏表示等。

2）特征提取。根據(jù)任務(wù)需求設(shè)計(jì)并構(gòu)建卷積網(wǎng)絡(luò)模型進(jìn)行特征提取。

3）模式分類（故障識別）。通過學(xué)習(xí)分層和高維特征，自適應(yīng)地描述機(jī)械狀態(tài)。在此基礎(chǔ)上，根據(jù)提取的特征進(jìn)行故障分類和剩余壽命預(yù)測（Remaining Useful Life，RUL）等決策。實(shí)現(xiàn)了故障診斷的三個(gè)基本任務(wù)：①判斷設(shè)備是否正常；②找出故障產(chǎn)生的原因；③預(yù)測故障發(fā)展趨勢。

2 基于CNN的機(jī)械故障診斷應(yīng)用

2.1 基于數(shù)據(jù)輸入類型的CNN機(jī)械故障診斷應(yīng)用

2.1.1 二維卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷應(yīng)用

最初，機(jī)器故障診斷所使用的卷積網(wǎng)絡(luò)是模擬圖像處理的二維結(jié)構(gòu)。因?yàn)闄C(jī)械數(shù)據(jù)在幾乎所有的情況下都是一維的時(shí)間序列，所以它的基本思想是在這種情況下將一維數(shù)據(jù)轉(zhuǎn)換成二維數(shù)據(jù)的格式。相關(guān)文獻(xiàn)的具體描述見表1。

表1 基于二維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型Tab 1 Fault diagnosis models based on two-dimensional convolutional neural network

Chen 等將水平和垂直方向的振動數(shù)據(jù)融合成二維矩陣，提出了一種深度CNN（Deep CNN，DCNN）來識別齒輪箱健康狀況。Guo 等通過將輸入的時(shí)間序列數(shù)據(jù)轉(zhuǎn)換成32×32 的矩陣，提出了一種層次式自適應(yīng)DCNN，該神經(jīng)網(wǎng)絡(luò)采用自適應(yīng)學(xué)習(xí)率來考慮收斂時(shí)間和誤差損失，而非全局恒定學(xué)習(xí)率。You 等使用SVM 作為CNN 提取特征的分類器，對旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷。通過考慮工業(yè)信號的特性，Yang等將多源振動信號轉(zhuǎn)化為二維矩陣，提出了基于CNN 的往復(fù)式壓縮機(jī)故障診斷方法，該方法利用多個(gè)傳感器采集的多源原始振動信號作為輸入，利用設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和分類，不僅具有良好的故障識別效果，而且具有一定的抗噪性能。這些文獻(xiàn)以二維格式直接對原始機(jī)械數(shù)據(jù)進(jìn)行排列，作為模型輸入。

Wang 等提出了一種轉(zhuǎn)換方法從多個(gè)傳感器轉(zhuǎn)換到圖像的振動信號，該方法可以在沒有繁瑣的參數(shù)調(diào)整的情況下獲得不同故障類型的特征映射；還構(gòu)造了瓶頸層優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，在風(fēng)電實(shí)驗(yàn)臺和離心泵實(shí)驗(yàn)臺的兩個(gè)實(shí)驗(yàn)中取得了很好的效果。Weimer 等詳細(xì)研究了用于視覺缺陷檢測的DCNN 的各種設(shè)計(jì)配置，實(shí)現(xiàn)了一種特殊應(yīng)用：工業(yè)光學(xué)檢測，它研究了模型結(jié)構(gòu)的兩個(gè)方向，包括深度（增加的卷積層）和寬度（增加的過濾器數(shù)量）。Sun 等提出了一個(gè)兩階段的故障自動識別系統(tǒng)（Automatic Fault Recognition System，AFRS），第一階段采用基于CNN 模型的“粗—精”方案，對側(cè)框架鍵（Side Frame Key，SFK）和軸螺栓（Shaft Bolt，SB）的目標(biāo)區(qū)域進(jìn)行同時(shí)檢測；第二階段則建立多故障判定的CNN模型，對SFK 和SB 目標(biāo)區(qū)域的典型故障進(jìn)行判定。Hoang等提出了一種基于CNN 的滾動軸承故障診斷方法，該方法將一維振動信號轉(zhuǎn)化為二維圖像，不需進(jìn)行降噪處理，就能有效地對噪聲環(huán)境進(jìn)行分類，具有一定的魯棒性和容錯(cuò)能力。這些文獻(xiàn)采用一維機(jī)械信號轉(zhuǎn)換成像素格式的圖像作為模型輸入。

此外，Tian 等提出了具有免疫算法的DCNN 用于滾動軸承故障診斷，該方法利用DCNN 提取滾動軸承的時(shí)域和頻域信號的特性，實(shí)現(xiàn)從原始數(shù)據(jù)到診斷結(jié)果的直接映射。在檢測階段，通過比較時(shí)域和頻域診斷結(jié)果來確定故障類型；在學(xué)習(xí)階段，通過克隆策略和連續(xù)突變操作來改善學(xué)習(xí)未知故障的效率。Janssens 等使用二維CNN 模型來識別四種旋轉(zhuǎn)機(jī)械狀態(tài)，以兩個(gè)振動信號的離散傅里葉變換作為CNN的輸入對旋轉(zhuǎn)機(jī)械的故障進(jìn)行了分類，并與人工設(shè)計(jì)的故障進(jìn)行了比較。Xu 等提出了一種基于DCNN 和隨機(jī)森林（Random Forest，RF）集成學(xué)習(xí)的軸承故障診斷方法。首先，利用連續(xù)小波變換將時(shí)域振動信號轉(zhuǎn)換成包含豐富故障信息的二維灰度圖像；其次，建立了基于LeNet-5 的CNN 模型，從圖像中自動提取對故障檢測敏感的多級特征；最后，利用包含局部和全局信息的多層次特征，通過RF 分類器的來診斷軸承故障。上述文獻(xiàn)使用了時(shí)域或頻域的統(tǒng)計(jì)數(shù)據(jù)作為卷積網(wǎng)絡(luò)的輸入。

基于二維卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷可以找到非相鄰區(qū)間信號的相關(guān)性，提取原始數(shù)據(jù)的二維特征，減少了噪聲的干擾，提高了故障診斷的準(zhǔn)確性；但將一維信號轉(zhuǎn)變?yōu)槎S特征圖時(shí)僅保留了信號的幅值信息而丟失了相位信息，導(dǎo)致對振動信號特征利用不充分，使得網(wǎng)絡(luò)結(jié)構(gòu)冗余訓(xùn)練時(shí)間長，降低了故障診斷性能。

2.1.2 一維卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷應(yīng)用

除了二維卷積網(wǎng)絡(luò)故障分類外，更直接的方法是建立一維卷積診斷模型，對原始時(shí)序數(shù)據(jù)進(jìn)行處理。相關(guān)文獻(xiàn)的具體描述見表2。

表2 基于一維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型Tab 2 Fault diagnosis models based on one-dimensional convolutional neural network

Jing 等構(gòu)造了CNN，它從齒輪箱采集的振動信號頻譜中學(xué)習(xí)深度特征。與其他數(shù)據(jù)類型相比，該方法具有更好的結(jié)果和更高的準(zhǔn)確率，實(shí)現(xiàn)了對齒輪箱故障的診斷。Eren等開發(fā)了用于實(shí)時(shí)軸承故障診斷的緊湊自適應(yīng)一維CNN。這種方法無需任何預(yù)定的變換，且經(jīng)濟(jì)高效。針對異步電動機(jī)故障診斷，Huang 等在傳統(tǒng)卷積網(wǎng)絡(luò)的前端增加了多尺度級聯(lián)層，提出了一種利用多尺度信息進(jìn)行軸承故障診斷的CNN 方法，該方法比一般的神經(jīng)網(wǎng)絡(luò)更有效。Han等提出了一種用于行星齒輪箱故障診斷的具有擴(kuò)大感受野的增強(qiáng)卷積網(wǎng)絡(luò)，該方法通過兩次擴(kuò)大感受野來增強(qiáng)故障特征學(xué)習(xí)能力，在行星齒輪箱故障診斷中取得了比傳統(tǒng)深度學(xué)習(xí)方法更高的診斷準(zhǔn)確率。通過對異步電機(jī)的實(shí)驗(yàn)，Park等提出了一種基于特征繼承層次CNN，該神經(jīng)網(wǎng)絡(luò)由故障診斷部分和嚴(yán)重性估計(jì)部分組成，嚴(yán)重性估計(jì)的正確率達(dá)60%。通過將CNN 和長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)結(jié)合起來，Pan 等提出了一種改進(jìn)的軸承故障診斷方法。以振動原始信號為訓(xùn)練模型，Qian 等構(gòu)造了一種用于軸承故障診斷的自適應(yīng)重疊神經(jīng)網(wǎng)絡(luò)。Chen 等利用一維CNN 學(xué)習(xí)原始振動信號中的特征，并將其輸入到雙向LSTM 網(wǎng)絡(luò)中，用于刀具磨損狀態(tài)的識別。上述文獻(xiàn)直接從原始數(shù)據(jù)中學(xué)習(xí)特征，從而擺脫了對先進(jìn)信號處理技術(shù)和領(lǐng)域?qū)＜蚁闰?yàn)知識的依賴。

基于一維卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷僅需一維卷積（標(biāo)量乘和加法），直接應(yīng)用原始數(shù)據(jù)（信號），不需要進(jìn)行任何形式的變換，在獲得更好的分類性能的同時(shí)，計(jì)算復(fù)雜度也大幅降低，因而具有實(shí)時(shí)檢測的能力；但是振動信號通常含有很強(qiáng)的背景噪聲，常常難以得到完整的故障特征，影響故障識別的準(zhǔn)確率。

2.2 基于遷移學(xué)習(xí)的CNN機(jī)械故障診斷應(yīng)用

對于現(xiàn)實(shí)環(huán)境中的某些機(jī)器，要獲取大量的標(biāo)簽數(shù)據(jù)是非常困難的。另外，即使標(biāo)記數(shù)據(jù)可以從某些機(jī)器上獲得，但由于數(shù)據(jù)分布的不同，用該標(biāo)記數(shù)據(jù)訓(xùn)練的智能故障診斷方法可能無法對從其他機(jī)器上獲得的未標(biāo)記數(shù)據(jù)分類。這就限制了智能故障診斷在無標(biāo)簽數(shù)據(jù)中的應(yīng)用。在機(jī)械故障診斷中，尤其是在深度卷積網(wǎng)絡(luò)的應(yīng)用中，遷移學(xué)習(xí)（Transfer Learning，TL）和域自適應(yīng)技術(shù)已經(jīng)被引入?；谶w移學(xué)習(xí)的故障診斷模型具體描述見表3。

表3 基于遷移學(xué)習(xí)的故障診斷模型Tab 3 Fault diagnosis models based on transfer learning

Hasan 等利用聲發(fā)射信號的聲學(xué)頻譜圖像反映機(jī)械健康狀態(tài)，提出了一種基于前訓(xùn)練CNN 的變轉(zhuǎn)速條件下軸承故障診斷的參數(shù)轉(zhuǎn)移學(xué)習(xí)方法。Cao 等提出了一種基于DCNN 的遷移學(xué)習(xí)方法，該方法主要由兩部分組成：第一部分由預(yù)先訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)組成，自動提取輸入信號中的特征；第二部分為全連通階段，利用齒輪故障實(shí)驗(yàn)數(shù)據(jù)對特征進(jìn)行分類?；谏疃染矸e自動編碼網(wǎng)絡(luò)和自適應(yīng)非參數(shù)加權(quán)特征提取聚類算法，Wu 等提出了一種聚類分析的故障診斷方法。聚類分析是分類未標(biāo)記數(shù)據(jù)的有效方法。采用帶少量標(biāo)記樣本的微調(diào)DCAEN（Deep Convolutional AutoEncoding Network）方法提取輸入信號的高級特征，實(shí)驗(yàn)結(jié)果表明，該方法具有一定的優(yōu)越性。Li 等提出了一種多層域自適應(yīng)的軸承故障診斷方法，利用多核最大均值差作為測量函數(shù)來減小不同區(qū)域間的分布差異。Yang 等將CNN與MMD（Maximum Mean Discrepancy）相結(jié)合，建立了從實(shí)驗(yàn)室軸承到機(jī)車軸承的故障診斷轉(zhuǎn)移學(xué)習(xí)網(wǎng)絡(luò)，該方法能夠有效地學(xué)習(xí)可轉(zhuǎn)移特征，并且診斷準(zhǔn)確率高。將原始振動數(shù)據(jù)轉(zhuǎn)換成灰度像素圖像作為網(wǎng)絡(luò)的輸入，Wang 等提出了用于軸承故障診斷的三重?fù)p失引導(dǎo)的對抗性域適應(yīng)網(wǎng)絡(luò)，結(jié)果表現(xiàn)出更好的性能。Zhong 等提出了一種用于燃?xì)廨啓C(jī)故障診斷的轉(zhuǎn)移學(xué)習(xí)框架，該框架將CNN 訓(xùn)練成具有有限故障診斷任務(wù)的特征學(xué)習(xí)，并將SVM 作為新的故障分類器進(jìn)行故障分類。Wen 等將原始的時(shí)域信號轉(zhuǎn)換成RGB 圖像，并對預(yù)先訓(xùn)練過的ResNet-50 進(jìn)行微調(diào)。另外，他們利用負(fù)相關(guān)學(xué)習(xí)對多個(gè)全連接層進(jìn)行再訓(xùn)練，并使用預(yù)先訓(xùn)練過的ResNet-50 的Softmax 分類器進(jìn)行故障分類。

基于遷移學(xué)習(xí)的機(jī)械故障診斷實(shí)現(xiàn)了無標(biāo)簽數(shù)據(jù)的機(jī)械智能故障診斷，降低了標(biāo)記數(shù)據(jù)的采集成本，提高了對未標(biāo)記的目標(biāo)數(shù)據(jù)的診斷準(zhǔn)確率，可以有效地彌補(bǔ)不同領(lǐng)域之間的差異；但也存在一些不足，如訓(xùn)練時(shí)間長、體系結(jié)構(gòu)過于復(fù)雜等。

2.3 基于CNN的剩余壽命預(yù)測的機(jī)械故障診斷應(yīng)用

不同于故障分類，健康預(yù)測的目標(biāo)是在未出現(xiàn)明顯故障的情況下跟蹤機(jī)器的退化狀態(tài)。在機(jī)器故障診斷領(lǐng)域，這個(gè)分支非常重要，它可以讓維修人員做早期的判斷和決定，以避免損失和傷害。相關(guān)文獻(xiàn)的具體描述見表4。

表4 剩余壽命預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)模型Tab 4 Convolutional neural network model for remaining life prediction

Wang 等提出了一種用于RUL 預(yù)測的深度可分離卷積網(wǎng)絡(luò)，其中來自不同傳感器的數(shù)據(jù)用于訓(xùn)練殘差連接的可分離卷積構(gòu)造塊，以進(jìn)行特征學(xué)習(xí)。Babu 等利用多變量時(shí)間序列構(gòu)造二維數(shù)據(jù)矩陣，用來訓(xùn)練CNN 的RUL 估計(jì)其CNN 包含兩個(gè)卷積層和兩個(gè)全連通層。Al-Dulaimi 等提出了一種用于RUL 估計(jì)的混合深度網(wǎng)絡(luò)框架，在此框架中，LSTM 和CNN 并行布置用于特征學(xué)習(xí)，而多層全連接網(wǎng)絡(luò)設(shè)計(jì)用于特征融合和決策。Li 等利用時(shí)間窗方法對多元時(shí)間數(shù)據(jù)進(jìn)行處理，并在此基礎(chǔ)上發(fā)展了DCNN 的特征提取與RUL 估計(jì)技術(shù)。Wen 等提出了深度殘差CNN 預(yù)測方法，并在該方法中采用了

k

重集法來提高預(yù)測精度。Li 等利用使用短時(shí)傅里葉變換來處理原始振動信號以獲得時(shí)頻域信息，然后構(gòu)建DCNN，提取多尺度特征進(jìn)行RUL 估計(jì)。Wang 等和Kong 等采用基于CNN 和LSTM 網(wǎng)絡(luò)的混合深度預(yù)測模型，來評估機(jī)械的性能退化。Palazuelos 等介紹了一種用于渦扇發(fā)動機(jī)退化估計(jì)的膠囊神經(jīng)網(wǎng)絡(luò)，該膠囊神經(jīng)網(wǎng)絡(luò)是從多維傳感器數(shù)據(jù)進(jìn)行剩余使用壽命預(yù)測的一種有前途的方法。

近年來，許多研究員成功地開發(fā)了基于卷積網(wǎng)絡(luò)的預(yù)測方法，以解決物理模型和數(shù)學(xué)模型的通用性差、靈活性和智能化問題。但應(yīng)該指出，在實(shí)際工業(yè)中很難獲得壽命數(shù)據(jù)。換言之，通常沒有足夠的數(shù)據(jù)來建立一個(gè)完整的壽命預(yù)測模型，因此如何通過實(shí)驗(yàn)或模擬數(shù)據(jù)建立模型，然后將模型擴(kuò)展到實(shí)際的工業(yè)應(yīng)用中，這是非常重要的。

2.4 整體應(yīng)用分析

1）從圖1 中可以看出，超過80%的文獻(xiàn)關(guān)注于故障分類任務(wù)，壽命預(yù)測的應(yīng)用僅占總數(shù)的20%。這種現(xiàn)象可能是因?yàn)閷?shí)現(xiàn)故障分類更加容易和直觀，而RUL 常常需要額外的幫助，如建立健康指標(biāo)和劃分健康階段等。然而，故障分類主要集中在各種故障情況，即機(jī)器的最終狀態(tài)。在這種情況發(fā)生之前，設(shè)備通常會經(jīng)歷一個(gè)退化過程，在這個(gè)過程中，要采取可預(yù)見的措施，而不能等到故障最終發(fā)生，所以RUL 預(yù)測是今后研究的一個(gè)重要方向，應(yīng)該給予高度重視。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷文獻(xiàn)分布Fig.1 Literature distribution of mechanical fault diagnosis based on convolutional neural network

2）因?yàn)樯鲜鑫墨I(xiàn)中提到的幾乎所有模型都是在實(shí)驗(yàn)或模擬場景中訓(xùn)練和測試的，所以它們可能不適合直接應(yīng)用于實(shí)際工業(yè)，因?yàn)樗@得的數(shù)據(jù)往往與工業(yè)數(shù)據(jù)有一定的差異。此外，在一些實(shí)驗(yàn)驗(yàn)證過程中，還發(fā)現(xiàn)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)甚至來源于同一組實(shí)驗(yàn)，由于數(shù)據(jù)的相似性，可以得到更好的結(jié)果，這會使研究人員盲目地相信網(wǎng)絡(luò)能力。因此，利用合理的實(shí)驗(yàn)數(shù)據(jù)和大量的實(shí)際工業(yè)數(shù)據(jù)對強(qiáng)模型進(jìn)行訓(xùn)練具有重要意義。

3）參數(shù)集是影響深度卷積網(wǎng)絡(luò)性能的關(guān)鍵因素之一。在以上文獻(xiàn)中，網(wǎng)絡(luò)參數(shù)（包括架構(gòu)參數(shù)和超參數(shù)）的設(shè)計(jì)和選擇主要是設(shè)計(jì)者的主觀決定，還沒有形成選擇合適參數(shù)的具體標(biāo)準(zhǔn)或規(guī)則。雖然一組參數(shù)不能很好地應(yīng)用到各種任務(wù)中，但模型參數(shù)的選擇對于模型的可解釋性有幫助，也有助于理解CNN 這個(gè)“黑匣子”，所以參數(shù)選擇技巧的研究仍具有一定的意義。

3 挑戰(zhàn)與未來發(fā)展方向

雖然CNN 在機(jī)器故障診斷中取得了一定的進(jìn)展，但仍有許多方面有待于深入探討和研究。

3.1 基于數(shù)據(jù)不平衡的CNN故障診斷方法的應(yīng)用

大多數(shù)CNN 的機(jī)械故障診斷研究基于平衡的數(shù)據(jù)集，而忽略了正常數(shù)據(jù)和故障數(shù)據(jù)在實(shí)際應(yīng)用中往往是高度不平衡的。在實(shí)際應(yīng)用中，機(jī)械在大多數(shù)運(yùn)行階段都處于正常狀態(tài)，并且在運(yùn)行過程中很少發(fā)生故障。所以正常情況下的機(jī)械設(shè)備樣本通常是多余的，而故障情況下的樣本很少。這種數(shù)據(jù)樣本的不平衡分布使常規(guī)的CNN 容易出現(xiàn)大多數(shù)健康狀況。因此，對少數(shù)群體健康狀況的特征了解甚少，導(dǎo)致性能表現(xiàn)下降。盡管有關(guān)于不平衡數(shù)據(jù)的CNN的研究，但這些方法中的關(guān)鍵問題是如何正確確定每個(gè)故障類別的成本；然而，在許多工業(yè)實(shí)際問題中，不同類別誤分類造成的實(shí)際損失往往難以確定，直接從數(shù)據(jù)集的分布重新計(jì)算少數(shù)群體的成本是不夠的。因此，在智能故障診斷領(lǐng)域，對CNN 的高度不平衡分類問題還缺乏進(jìn)一步的研究。

3.2 基于多傳感器信息融合的CNN故障診斷方法的應(yīng)用

由于監(jiān)測對象日益復(fù)雜，狀態(tài)監(jiān)測信號具有非線性、時(shí)變性和不確定性等特點(diǎn)，當(dāng)系統(tǒng)發(fā)生故障時(shí)，往往會出現(xiàn)多種征兆，單靠一種理論方法和信息就很難對故障作出準(zhǔn)確判斷，并產(chǎn)生不可接受的高虛警概率和漏報(bào)現(xiàn)象。另外，不同的測量方法有不同的缺點(diǎn)，而且對不同的損壞類型和運(yùn)行狀況比較敏感。多傳感器數(shù)據(jù)融合的方法綜合分析了這些測量結(jié)果，可以用來檢測復(fù)雜系統(tǒng)中的各種故障。盡管已經(jīng)有關(guān)多傳感器信息融合的CNN的研究，但多種類型的傳感數(shù)據(jù)融合仍存在諸多問題，這使得多傳感器特征提取比單傳感器更難。需要花費(fèi)大量的時(shí)間來選擇最佳人工或手動特征提取方法，目前還沒有針對特定類型感官數(shù)據(jù)的最佳人工或手動特征提取方法；而且不同的融合水平也有不同的優(yōu)缺點(diǎn)，對于不同的故障診斷任務(wù)，正確的融合往往是不同的。因此，如何有效地基于多傳感器數(shù)據(jù)進(jìn)行健康狀態(tài)的診斷，仍是一個(gè)復(fù)雜的問題和重大挑戰(zhàn)。

3.3 基于多尺度的CNN故障診斷方法的應(yīng)用

由于不同組件和子系統(tǒng)之間存在相互作用和耦合效應(yīng)，所以安裝在機(jī)械上測量振動信號的傳感器會包含多種固有振蕩模式。各種機(jī)械旋轉(zhuǎn)和往復(fù)運(yùn)動的頻率使測量的振動信號變得復(fù)雜。因此，振動信號通常表現(xiàn)出多尺度特性，并包含多個(gè)時(shí)間尺度上的復(fù)雜模式。傳統(tǒng)CNN 框架由于缺乏多尺度特征提取能力，不能捕獲這種固有的多尺度特征。針對傳統(tǒng)架構(gòu)中特征提取僅處理單一時(shí)間尺度的局限性這一問題，多尺度的CNN 故障診斷是基于CNN 的機(jī)械故障診斷未來的研究方向之一。

3.4 基于非平穩(wěn)信號的CNN故障診斷方法的應(yīng)用

故障振動信號具有非線性和非平穩(wěn)性，這是由變化的速度和負(fù)載以及強(qiáng)烈的環(huán)境噪聲引起的。在實(shí)際應(yīng)用中，機(jī)械設(shè)備總是在非靜止?fàn)顟B(tài)下工作。由于用于分類的信號隨運(yùn)行條件而變化，機(jī)械設(shè)備在非平穩(wěn)狀態(tài)下的故障診斷一直是一個(gè)難題。非平穩(wěn)信號下的CNN 故障診斷也是CNN 機(jī)械故障診斷未來的研究方向之一。

4 結(jié)語

以深度學(xué)習(xí)理論為代表的CNN 作為典型的深度學(xué)習(xí)網(wǎng)絡(luò)，在機(jī)械故障診斷領(lǐng)域的研究和應(yīng)用越來越受重視。盡管CNN 算法需要真正的大數(shù)據(jù)集訓(xùn)練，導(dǎo)致特征尺寸與計(jì)算量大幅增加，但它可以在沒有任何先驗(yàn)知識故障特征頻率合適條件的情況下對機(jī)械數(shù)據(jù)進(jìn)行自適應(yīng)特征提取，能夠很好地處理二維圖像和一維時(shí)間序列信號，使其成為執(zhí)行實(shí)時(shí)軸承故障診斷的有效方法。雖然國內(nèi)外文獻(xiàn)在機(jī)械故障診斷方面已經(jīng)取得了很大的進(jìn)展，但基于CNN 的機(jī)械故障診斷仍存在一些有待于進(jìn)一步探索和研究的問題，期望提高其在機(jī)械故障診斷領(lǐng)域中的適應(yīng)性，從而使基于CNN 的機(jī)械故障診斷具有廣闊的發(fā)展前景。