基于PEDCC性能退化指標及MCRNN的滾動軸承壽命狀態(tài)識別方法

肖家豐， 董紹江,2， 湯寶平， 潘雪嬌， 胡小林， 趙興新

(1.重慶交通大學(xué) 機電與車輛工程學(xué)院，重慶 400074； 2.磁懸技術(shù)與磁浮列車教育部重點實驗室，成都 610031；3.重慶大學(xué) 機械傳動國家重點實驗室，重慶 400044； 4.重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心有限公司，重慶 404100；5.重慶長江軸承股份有限公式，重慶 401336)

滾動軸承是機械系統(tǒng)中的關(guān)鍵零部件之一，其運行狀態(tài)對整個機械系統(tǒng)的安全性及可靠性具有決定性影響，一旦發(fā)生故障將造成難以估量的后果和損失。且其運行環(huán)境復(fù)雜，易受各種因素的影響，因此對滾動軸承進行狀態(tài)檢測和壽命識別研究極其重要。近年來對于軸承運行狀態(tài)的檢測和故障診斷主要通過數(shù)據(jù)驅(qū)動的方式，即對采集到的振動信號數(shù)據(jù)進行分析進而判斷軸承的運行狀態(tài)或者故障類型[1]。在軸承的狀態(tài)檢測或壽命識別領(lǐng)域中，主要面臨著兩大問題：①如何建立有效的性能退化指標；②如何建立有效的狀態(tài)識別模型[2]。對于這兩類問題，國內(nèi)外學(xué)者都展開了不同程度的研究，并取得一定的成果。

Wang等[3]通過自組織映射得到原始特征的拓撲表示，即拓撲網(wǎng)絡(luò)，然后利用拓撲網(wǎng)絡(luò)的權(quán)值向量構(gòu)建退化特征。Lü等[4]通過提取軸承的時域和頻域指標，將其構(gòu)成高維特征矩陣，之后對高維矩陣進行降維，將降維后的數(shù)據(jù)作為性能退化指標。Xu等[5]提出一種包絡(luò)諧波噪聲比(envelope harmonic-to-noise ratio, EHNR)的方法用于退化狀態(tài)評估。Zhou等[6]提出一種小波包符號熵和支持向量數(shù)據(jù)描述的性能退化評估方法。Chegini等[7]利用數(shù)據(jù)經(jīng)自相關(guān)函數(shù)運算后的極值點能量與熵結(jié)合提出一種自相關(guān)能量熵(energy-entropy auto-correlate function, EEACF)。然而這些方法大都需要對軸承的原始數(shù)據(jù)進行一定的頻域、時頻域、自適應(yīng)分解等變換，這樣的處理方式復(fù)雜，運算速度較慢，對于退化狀態(tài)實時監(jiān)測較為不利，且難以保證精度。傳統(tǒng)時域指標，例如均方根、峰-峰值、裕度、峭度等雖然計算方便，速度快，但可能存在穩(wěn)定性不足，容易造成提前報警等現(xiàn)象。

本文提出一種基于相空間歐式距離相關(guān)性(phase Euclidean distance cross-correlation, PEDCC)的方法用于檢測滾動軸承的早期故障。首先根據(jù)相空間重構(gòu)后數(shù)據(jù)間的距離差異性，計算歐式距離，并將其組成向量形式，之后計算樣本間的向量相關(guān)性。由于只在原始信號中進行計算處理，方法便捷高效，且能有效監(jiān)測早期故障點。

深度學(xué)習(xí)近些年被應(yīng)用于各行各業(yè)，并且都取得一定成果，機械故障診斷及識別領(lǐng)域也不例外。對于軸承而言，無論是故障診斷還是狀態(tài)識別，其本質(zhì)問題都是對數(shù)據(jù)進行分類。目前對于大量數(shù)據(jù)的情況下，使用深度學(xué)習(xí)進行處理的方法備受關(guān)注。Che等[8]對于滾動軸承故障診斷，利用遷移學(xué)習(xí)中的域自適應(yīng)方法，提出了一種域自適應(yīng)深度置信網(wǎng)絡(luò)。董紹江等[9]針對軸承運行狀態(tài)中存在的噪聲影響，提出了一種基于多層降噪技術(shù)和改進卷積神經(jīng)網(wǎng)絡(luò)的故障診斷法，可實現(xiàn)在噪聲環(huán)境中進行故障識別。李恒等[10]提出了一種基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法。

以上方法要么只在一個通道內(nèi)對軸承特征進行提取，不能很好的反應(yīng)出軸承的壽命狀態(tài)；要么由于網(wǎng)絡(luò)模型過深導(dǎo)致診斷速度較慢，不利于實時監(jiān)測。因此本文提出一種多通道卷積長短時記憶網(wǎng)絡(luò)(multichannel convolutional neural long short term memory network, MCRNN)，只需要較淺的網(wǎng)絡(luò)層就能有效識別軸承的壽命狀態(tài)，并且具有較快的識別速度和較強的抗噪性能。

1 滾動軸承退化狀態(tài)識別方法

1.1 性能退化評估

相空間重構(gòu)可以將一維時間序列重構(gòu)為多維時間序列，從多維序列中挖掘振動信號的非線性特征，在振動信號處理過程中發(fā)揮重要的作用[11]。對一維時間序列X=(x1,x2,x3,…,xn)，將其重構(gòu)為

(1)

式中，m,τ分別為重構(gòu)維數(shù)和延遲時間，本文選擇自相關(guān)函數(shù)法計算延遲時間，為提高指標計算速度，重構(gòu)維數(shù)選一個較小值即可。重構(gòu)相空間相點數(shù)N可以由式(2)計算。

N=n-(m-1)τ

(2)

兩個n維向量(x11,x12,…,x1n), (x21,x22,…,x2n)之間的歐式距離可表示為

(3)

對一個時間序列樣本重構(gòu)后的N個時間序列分別計算相鄰序列Xi,Xi+1的歐式距離di(i+1)，并構(gòu)成歐氏距離向量

D1=(d12,d23,…,d(N-1)N)

(4)

之后計算所有時間序列樣本的歐式距離向量，并構(gòu)成向量矩陣

(5)

互相關(guān)函數(shù)是描述兩個不同時間序列X(t),Y(t)在不同時刻下t1,t2的取值之間的相關(guān)程度，其定義為

(6)

由于采集到的振動信號為離散數(shù)據(jù)，所以需要將式(6)轉(zhuǎn)換為離散形式，即式(7)，然后計算任一樣本所構(gòu)成的歐式距離向量Dk與正常樣本構(gòu)成的歐式距離向量Dz之間的相關(guān)性，將計算出的R值作為滾動軸承性能退化評估指標，記為PEDCC。

(7)

為了體現(xiàn)更一般性，取正常樣本歐式距離向量的平均作為正常樣本的歐式距離向量Dz。實際應(yīng)用中正常樣本數(shù)可以通過同工況和軸承型號的之前數(shù)據(jù)判斷，或者觀察早期樣本的PEDCC指標，如果沒有突變可以將其視為正常數(shù)據(jù)，本文選取前1/5樣本為正常數(shù)據(jù)。在計算出所有樣本的退化指標之后，需要通過設(shè)置閾值找到軸承初始退化起點。本文選取正常運行樣本的平均值減去正常樣本數(shù)據(jù)的k倍標準差作為閾值,如式(8)所示

γ=μ-kσ

(8)

切比雪夫不等式如式(9)所示。式中X為隨機變量，可知當ε=3σ時，數(shù)據(jù)分布在平均數(shù)3個標準差范圍內(nèi)的概率為88.89%；當ε=5σ時，數(shù)據(jù)分布在平均數(shù)5個標準差范圍內(nèi)的概率為96%?？梢詫⒋朔秶鷥?nèi)的數(shù)據(jù)視為正常數(shù)據(jù)，因此式(8)中的k一般可取3～5。

(9)

當PEDCC值低于γ時軸承已經(jīng)開始退化或者出現(xiàn)早期故障。性能退化指標計算流程，如圖1所示。

圖1 PEDCC指標計算流程Fig.1 PEDCC indicator calculation process

1.2 狀態(tài)識別模型

1.2.1 多通道卷積長短時記憶網(wǎng)絡(luò)(MCRNN)

關(guān)于CNN(convolutional neural network)和LSTM(long short-term memory)網(wǎng)絡(luò)的理論知識不再贅述，可參考文獻[12]和文獻[13]。本文在多通道卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)基礎(chǔ)上，提出一種新的多通道卷積長短時記憶網(wǎng)絡(luò)模型(MCRNN)，網(wǎng)絡(luò)有3個并行的卷積層和LSTM層，兩個全連接層和Softmax分類器組成，其模型結(jié)構(gòu)如圖2所示。首先用3個并行的卷積層分別對相同的數(shù)據(jù)進行特征提取，3個卷積層通道的激活函數(shù)分別為ReLU， LeakyReLU， ELU，并且每個通道內(nèi)都采用不同尺寸的卷積核。然后將提取到的特征輸入到LSTM進行進一步的時序特征提取。之后將3個通道提取到的特征進行融合,最后經(jīng)全連接層后輸入到分類器進行狀態(tài)識別。

圖2 MCRNN結(jié)構(gòu)Fig.2 MCRNN structure

用3個并行的CNN和LSTM進行特征提取的主要原因是可以在每個卷積層通道中采用不同尺寸的卷積核和不同類型激活函數(shù)提取多種類特征,而3個LSTM層中采用不同數(shù)量的記憶體，可以提取出多種時序信息，便于后續(xù)的狀態(tài)識別。

相比于She等[14]提出的多通道網(wǎng)絡(luò)模型不同之處在于，MCRNN首先在各通道內(nèi)輸入相同數(shù)據(jù)，并在各卷積通道內(nèi)使用不同激活函數(shù)，卷積核和池化核；其次引入了LSTM網(wǎng)絡(luò)用于提取時序信息，最后在LSTM之后進行融合而不是在卷積層之后進行融合。

1.2.2 采用的激活函數(shù)

本文提出的網(wǎng)絡(luò)模型采用3種激活函數(shù)，分別是ReLU，LeakyReLU和ELU。

常用的ReLU只要有一個閾值就可以得到激活值，函數(shù)式如式(10)，由式(10)可知ReLU激活函數(shù)會有選擇地屏蔽一定數(shù)量的神經(jīng)元，可以使網(wǎng)絡(luò)具有稀疏性，但同時也有可能造成神經(jīng)元“壞死”現(xiàn)象，即某些有效數(shù)據(jù)的特征不能被提取。

(10)

LeakyReLU是對ReLU激活函數(shù)的一種改進，由式(11)可知，它相比于ReLU激活函數(shù)來說，避免了負半軸的死區(qū)現(xiàn)象，但同時也使得網(wǎng)絡(luò)稀疏性降低，增加了參數(shù)之間的依賴性。

(11)

ELU的函數(shù)式如式(12)所示。同樣，ELU激活函數(shù)相比于ReLU激活函數(shù)保留了負半軸的信息。

(12)

ReLU激活函數(shù)相比于其他兩類激活函數(shù)，因為對于負半軸進行置零處理，所以保證了網(wǎng)絡(luò)的稀疏性，防止了參數(shù)間的依賴性。LeakyReLU相比于ReLU避免了死區(qū)發(fā)生，相比于ELU具有更快的訓(xùn)練速度。ELU激活函數(shù)在負半軸上的形狀與ReLU和LeakyReLU類似，同樣能達到防止輸出值方差過大時產(chǎn)生的梯度爆炸，最大的區(qū)別是前兩者最大的區(qū)別是前兩者負半軸都為線性，而ELU負半軸為非線性，因此會導(dǎo)致計算速度相比于前兩者較慢。但是由于其是單側(cè)飽和的，可以更好的收斂，并可以實現(xiàn)更高的準確性。

由分析可知3種激活函數(shù)各有其優(yōu)勢，在本文所提的MCRNN網(wǎng)絡(luò)結(jié)構(gòu)中，分別在3個通道內(nèi)采用以上3種激活函數(shù)。

1.3 軸承性能退化狀態(tài)識別過程

本文所提出的狀態(tài)軸承狀態(tài)壽命識別整體步驟主要有三部分。分別是計算退化指標、建立閾值進行狀態(tài)劃分和狀態(tài)識別，如圖3所示。其主要步驟如下：

步驟1對全壽命軸承數(shù)據(jù)依據(jù)式(1)～式(4)和式(7)分別計算出每個樣本的性能退化指標。

步驟2依據(jù)式(8)計算軸承出現(xiàn)早期故障的閾值，以此來區(qū)分軸承是否為正常狀態(tài)。并劃分出軸承退化狀態(tài)，然后對應(yīng)到樣本數(shù)據(jù)集。

步驟3將每種樣本對應(yīng)狀態(tài)進行標簽化，并將樣本數(shù)據(jù)輸入到MCRNN網(wǎng)絡(luò)中進行模型訓(xùn)練，最后輸入測試樣本進行識別。

2 全壽命數(shù)據(jù)試驗驗證

本章分別選取了兩類全壽命數(shù)據(jù)集，分別是由辛辛那提大學(xué)和西安交通大學(xué)[15]提供。利用這兩類數(shù)據(jù)集驗證所提軸承性能退化指標和所提狀態(tài)識別網(wǎng)絡(luò)的有效性和泛化性。

2.1 試驗數(shù)據(jù)描述

(1)辛辛那提數(shù)據(jù)的采集試驗臺的一個軸上安裝了4個軸承，采樣頻率為20 kHz，在軸承上施加了2721.55 kg的徑向載荷。一共采集了3個試驗數(shù)據(jù)集，每個試驗數(shù)據(jù)集包含4個軸承的數(shù)據(jù)。采集第1次實驗數(shù)據(jù)時軸承座上安裝了兩個加速度傳感器,第2次試驗數(shù)據(jù)集和第3次試驗數(shù)據(jù)集的軸承只安裝了一個加速度傳感器。本文選用的數(shù)據(jù)為第2次實驗的第1個軸承和第3次實驗的第3個軸承。

圖3 狀態(tài)識別流程Fig.3 Status identification process

(2)西安交通大學(xué)全壽命數(shù)據(jù)集(XJTU-SY)采集過程分別設(shè)置了3種工況，每種工況下采集了5個軸承，一共15個，采樣頻率為25.6 kHz,采樣間隔為1 min。分別在每個軸承的x軸和y軸安裝加速度傳感器，本文選用其中5個軸承的x軸數(shù)據(jù)。

2.2 性能退化指標(PEDCC)驗證

選取辛辛那提第2次試驗軸承1的數(shù)據(jù)和第3次試驗軸承3的數(shù)據(jù)來對所提PEDCC指標進行驗證及說明。用式(1)～式(4)和式(7)分別對兩全壽命數(shù)據(jù)進行PEDCC指標計算，然后利用式(8)對計算的指標數(shù)據(jù)進行閾值劃分，以確認退化起始點。其結(jié)果如圖4和圖5所示。內(nèi)部為局部放大圖。

圖4 第2次試驗軸承1的PEDCC指標Fig.4 PEDCC indicator of second test bearing 1

由圖4可知第2次試驗的軸承1從第533個樣本處開始退化，在第533個樣本之后，軸承PDECC曲線出現(xiàn)了不同程度的起伏，其原因主要在于軸承在出現(xiàn)輕微故障之后會發(fā)生自愈合現(xiàn)象，即當某一點出現(xiàn)微小缺陷之后，可能隨著軸承的繼續(xù)轉(zhuǎn)動，其缺陷處會出現(xiàn)磨平現(xiàn)象。由圖可知第2次試驗的軸承1大致經(jīng)歷了5個階段，分別是第1～第532個樣本時的正常運行期、第533～第700個樣本時的輕度退化期、第701～第825樣本時的自愈合期、第826～第900個樣本時的重度退化期和第900個樣本之后的失效期。

圖5 第3次試驗軸承3的PDECC指標Fig.5 PEDCC indicator of third test bearing 3

由圖5可知，第3次實驗的軸承3大概可以分為4類運行狀態(tài)，首先是第1～第5 966個樣本的正常期；進入第5 967個樣本之后曲線開始下降，期間有回升趨勢，表明軸承發(fā)生了自愈合現(xiàn)象，在第6 071個樣本之后，PEDCC曲線不再上升，所以可以將5 966～6 070劃分為自愈合期；第6 071～6 162之間曲線在一定較低范圍內(nèi)，可劃分為重度損壞期；第6 163樣本之后曲線急劇下降，即已發(fā)生失效。

2.2.1 包絡(luò)譜驗證PEDCC指標有效性

包絡(luò)譜分析相對于頻譜分析，它在故障頻率處的幅值更大，過濾不必要的頻率干擾，對振動信號的沖擊特征體現(xiàn)較為明顯，尤其適用于軸承故障診斷領(lǐng)域,因此用包絡(luò)譜分析來驗證所提方法的有效性。辛辛那提兩個軸承的包絡(luò)譜分析結(jié)果，如圖6和圖7所示。

圖6 第2次試驗軸承1的包絡(luò)譜分析Fig.6 Envelope spectrum analysis of second test bearing 1

圖7 第3次試驗軸承3的包絡(luò)譜分析Fig.7 Envelope spectrum analysis of third test bearing 3

根據(jù)理論計算可得所測軸承的內(nèi)外圈故障頻率分別為296.9 Hz,236.4 Hz。由包絡(luò)譜分析可知，第2次試驗的軸承1在第532個樣本的故障頻率附近還沒有峰值，而到了第533個樣本的故障頻率附近的231 Hz已經(jīng)出現(xiàn)了明顯的峰值。第700個樣本時在其故障頻率及2倍頻，3倍頻的峰值變得更加明顯了，表明軸承已經(jīng)發(fā)生了嚴重的故障。而第3次試驗的軸承3在第5 966個樣本的故障頻率附近都沒有明顯的峰值。到了第5 967個樣本，軸承在261 Hz已經(jīng)出現(xiàn)了明顯的峰值，表明軸承出現(xiàn)了早期的輕微故障，此時應(yīng)為微小磨損，由于處于內(nèi)外圈故障頻率之間，故不能判斷具體故障點。而在此之后由于PEDCC曲線出現(xiàn)了短暫的平穩(wěn)期，說明此時軸承由于磨平出現(xiàn)了自愈合現(xiàn)象。對進入重度損壞期的第6 071個樣本進行包絡(luò)譜分析，此時在外圈故障頻率附近的231 Hz，及其2倍頻，3倍頻已經(jīng)出現(xiàn)了峰值，此時軸承已經(jīng)重度損壞。之后對進入失效期的第6 162個樣本的包絡(luò)譜分析，可以看出，其故障頻率的1倍頻、2倍頻、3倍頻處有特別明顯的峰值了，因此判斷為重度失效期，分析結(jié)果與曲線吻合。

2.2.2 PEDCC指標與常用指標對比

為驗證本文所提PEDCC指標有效性，將其與常用指標均方根、峭度、排列熵以及EHNR, EEACF等指標進行對比，將在正常運行時采集的數(shù)據(jù)判斷為開始出現(xiàn)早期故障數(shù)據(jù)的行為稱為提前報警，選用試驗三軸承3的數(shù)據(jù)對以上指標進行驗證對比，試驗結(jié)果如表1所示。

表1 6種指標對比

由表1可知，均方根雖然能精準檢測出早期故障點，但是卻會出現(xiàn)誤判行為，而排列熵雖然無誤判行為，但是不能較早的檢測出早期故障。其余指標不僅不能較早檢測出故障，還會有誤判行為，只有PEDCC指標不但能精準檢測出早期故障，且不出現(xiàn)誤判行為。

2.2.3 PEDCC指標泛化性能驗證

選用XJTU-SY的5個軸承進行泛化性能驗證，分別是第1類工況下的第2個和第5個軸承，第2類工況下的第1個軸承和第4個軸承，第3類工況下的第1個軸承，如圖8所示。

圖8 XJTU-SY的PEDCC指標曲線Fig.8 PEDCC indicator of XJTU-SY

由圖8可知，第1類工況下軸承2的退化點在第36個樣本，軸承5在第34個樣本。第2類工況下軸承1的退化點在第451個樣本，軸承4在第30個樣本。第3類工況軸承1在第2 338個樣本。且PEDCC曲線均在逐步下降，沒有大幅度上下波動，表明隨著運行時間增加，采集到的數(shù)據(jù)與正常數(shù)據(jù)的相關(guān)性越來越低，即是隨著軸承運行，故障越來越嚴重，符合實際情況。以上試驗證明了PEDCC指標在XJTU-SY數(shù)據(jù)中也能識別出軸承的早期故障，具有很好的泛化性。

2.3 狀態(tài)識別網(wǎng)絡(luò)(MRCNN)驗證

為驗證本文所提網(wǎng)絡(luò)有效性，對辛辛那提第2次試驗的軸承1進行退化狀態(tài)劃分，由2.2節(jié)可知，它的運行狀態(tài)可分別劃分為5種。為擴充故障樣本數(shù)量以及防止樣本間不平衡，采用重疊采樣方式對試驗二軸承1的每類狀態(tài)分別在第1～第533，第534～第700，第701～第825，第826～第900，第901～第984樣本中進行采樣，如圖9所示。每種狀態(tài)采集700個樣本，每類樣本4 096個數(shù)據(jù)點，其中每個原始樣本數(shù)據(jù)可采集為9～10個的網(wǎng)絡(luò)輸入樣本數(shù)據(jù)。實際工程中可以根據(jù)已有的同工況下同類型軸承的全壽命數(shù)據(jù)計算出指標后劃分狀態(tài)，然后訓(xùn)練網(wǎng)絡(luò)模型，最后利用訓(xùn)練好的模型對工程中實時采集到的數(shù)據(jù)進行壽命狀態(tài)識別。

圖9 壽命狀態(tài)數(shù)據(jù)劃分Fig.9 Lifestatedata division

所用模型參數(shù)，如表2所示。其中CNN部分采用VGG模塊，每個VGG模塊含有一個卷積層，一個池化層，一個激活層和一個Dropout層，卷積層及池化層大致參數(shù)參考Dong等的研究，并進行一定修改，第1個卷積核設(shè)置為較大尺寸能起到抗干擾作用[16]。與原始VGG相比不含有批標準化，因為對于軸承信號，將批標準化加入網(wǎng)絡(luò)層，則會削弱沖擊特征，對于提取故障特征不利。

表2 模型參數(shù)

表3 模型狀態(tài)識別率

2.3.1 模型對比試驗

為驗證本文所提模型采用的多通道，多種類激活函數(shù)的優(yōu)異型，將模型分別與單通道CNN，多通道相同激活函數(shù)進行對比。其中單通道CNN網(wǎng)絡(luò)參數(shù)與通道一CNN層參數(shù)相同，多通道網(wǎng)絡(luò)參數(shù)與表2相同，分別用1.2節(jié)所提的3種激活函數(shù)，試驗結(jié)果如表4所示。其中模型A為單通道CNN，模型B為多通道ReLU激活函數(shù)模型，模型C為多通道LeakyReLU激活函數(shù)，模型D為多通道ELU激活函數(shù)。

表4 其他模型狀態(tài)識別率

由表4可知，單通道CNN和多通道相同激活函數(shù)的網(wǎng)絡(luò)模型狀態(tài)識別率都比本文所提網(wǎng)絡(luò)識別率低，在6種噪聲環(huán)境下平均識別率相比于以上4個模型提高1～3個百分點，證明了MCRNN具有很好的性能。其中多通道相同激活函數(shù)網(wǎng)絡(luò)相比于單通道CNN在不同噪聲環(huán)境下都具有更高的識別率，表明使用不同卷積核提取特征對于軸承狀態(tài)識別有益，因為單通道CNN只能提取出某一類特征，而不同卷積核能提取到更多的狀態(tài)特征。并且單通道CNN和多通道單一激活函數(shù)網(wǎng)絡(luò)隨著噪聲的加強，識別率下降速度更快，而本文所提MCRNN則下降較為緩慢，表明MCRNN具有一定的抗噪能力。MCRNN相比于單通道CNN和多通道網(wǎng)絡(luò)在6種噪聲環(huán)境下平均識別率上升2.53%和1.22%，尤其是在信噪比為0及以下的3種噪聲環(huán)境中，識別率分別上升3.87%和1.53%。

最后再對多通道模型所選通道數(shù)的數(shù)量進行試驗對比，分別加入2通道和4通道模型進行驗證，其中2通道模型的參數(shù)選擇3通道模型的前兩個通道參數(shù)，4通道模型的第4個通道沿用第3個通道的參數(shù)，在第2次試驗軸承1的數(shù)據(jù)中進行對比驗證，選擇信噪比為0的噪聲環(huán)境。選擇識別準確率及所用時間進行對比，試驗環(huán)境為Intel(R) Core(TM) i5-5200U CPU，RAM-8G，操作系統(tǒng)Windows10。結(jié)果如表5所示。

表5 通道數(shù)對比試驗

由表5可知，如果采用2個通道模型效果較差，4個通道最后識別率雖然和3通道模型相差不大，但是運行時間差距較大，因此實際工程中選擇3個通道效果最好。

2.3.2 模型泛化性驗證

為驗證模型泛化性，將2.2節(jié)所提的剩余軸承試驗數(shù)據(jù)進行狀態(tài)劃分。其中辛辛那提試驗三軸承3劃分為4種狀態(tài)類型，每類狀態(tài)同樣采集700個樣本，具體退化狀態(tài)如2.2節(jié)所劃分，記為數(shù)據(jù)集1。其次對于XJTU-SY數(shù)據(jù)集，由退化曲線可知測試樣本與正常樣本的相關(guān)性都是先保持一定范圍內(nèi)的平穩(wěn)性后便一直下降，所以其狀態(tài)都可劃分為正常和故障兩種狀態(tài)，其劃分方式及每個軸承采集的樣本總量如表6所示。

表6 XJTU-SY數(shù)據(jù)集劃分

為保證樣本之間的平衡，對于每類樣本仍使用的是重疊采樣方式，分別對正常數(shù)據(jù)和故障數(shù)據(jù)采樣相同數(shù)量的樣本，其中每類樣本數(shù)量是4 096個數(shù)據(jù)點。將軸承1-2, 1-5, 2-1, 2-4和3-1采集的樣本數(shù)據(jù)依次記為數(shù)據(jù)集2～數(shù)據(jù)集6，按8 ∶2的比例隨機劃分為訓(xùn)練集和測試集，之后分別將其輸入至MCRNN模型進行狀態(tài)識別，并測試了不同噪聲環(huán)境中的識別效果，試驗結(jié)果如表7所示。

表7 其他數(shù)據(jù)集識別率

由表7可知，模型除了數(shù)據(jù)集1情況下識別率略低，在其他數(shù)據(jù)集都能較準確地識別出軸承狀態(tài)，且在低信噪比下也依然具有很好的性能。值得注意的是由于XJTU-SY數(shù)據(jù)狀態(tài)都劃分為故障和正常兩種狀態(tài)，相當于二分類問題，此時MCRNN在信噪比為0時基本都可以達到100%的準確率。以上試驗驗證了MCRNN在不同數(shù)據(jù)集的泛化性和抗噪性能。

3 結(jié) 論

本文提出了一種新的滾動軸承壽命狀態(tài)識別方法。主要有PEDCC指標和MCRNN模型兩部分，用PEDCC指標對軸承運行狀態(tài)進行評估，MCRNN對壽命狀態(tài)進行識別。

(1) PEDCC指標可以直接提取原始數(shù)據(jù)特征，不需要進行頻域，時頻域變換。能夠很好的檢測出軸承的早期故障，相比于均方根，排列熵, EHNR, EEACF等指標具有更好的穩(wěn)定性，并通過在其他數(shù)據(jù)集的試驗證明了具有較強泛化性。

(2) MCRNN網(wǎng)絡(luò)在狀態(tài)識別上不僅具有較高的識別率，且具有較強的抗噪能力。驗證結(jié)果表明不同尺寸卷積核和多種類型激活函數(shù)，相比于同尺寸卷積核和單類型激活函數(shù)具有較好特征提取能力。并驗證了MCRNN網(wǎng)絡(luò)具有較強的泛化能力。

(3)本文所提的網(wǎng)絡(luò)模型是在同工況同類型軸承下進行狀態(tài)識別，實際工程應(yīng)用中需要預(yù)先知道同工況下同類型軸承的全壽命數(shù)據(jù)，而實際中可能存在此全壽命數(shù)據(jù)獲取不便的情況，因此之后將增加對跨工況跨類型軸承的壽命狀態(tài)識別研究。