基于深度卷積GRU的轉(zhuǎn)子系統(tǒng)故障診斷*

劉自然，王煜軒

(河南工業(yè)大學(xué)機(jī)電工程學(xué)院，鄭州 450001)

0 引言

轉(zhuǎn)子系統(tǒng)是旋轉(zhuǎn)機(jī)械的重要部件，在設(shè)備運(yùn)行過(guò)程中起著傳遞力矩和支撐旋轉(zhuǎn)體的作用，因而轉(zhuǎn)子系統(tǒng)的健康狀態(tài)決定了機(jī)械設(shè)備的安全性和穩(wěn)定性[1]。當(dāng)轉(zhuǎn)動(dòng)部件受到外部因素影響發(fā)生微弱故障時(shí)，由于轉(zhuǎn)子系統(tǒng)多在繁雜多變的載荷條件下運(yùn)行，使得強(qiáng)噪聲背景下的故障信號(hào)難以被察覺(jué)，進(jìn)而演變?yōu)閲?yán)重故障引發(fā)經(jīng)濟(jì)財(cái)產(chǎn)損失甚至人員安全事故[2]。

門控循環(huán)單元網(wǎng)絡(luò)(GRU)的隱藏層之間互相連接、傳遞參數(shù)信息，使其擁有處理時(shí)間序列的能力，最初被應(yīng)用在自然語(yǔ)言處理和圖像識(shí)別領(lǐng)域。傳感器采集到的振動(dòng)信號(hào)也是一種時(shí)間序列數(shù)據(jù)，現(xiàn)有研究表明，門控循環(huán)單元網(wǎng)絡(luò)在解決故障診斷問(wèn)題時(shí)具有獨(dú)特優(yōu)勢(shì)[3]。WU等[4]提出雙向GRU和長(zhǎng)短期記憶(LSTM)文本信息處理算法，解決了語(yǔ)義依賴和梯度消失的同時(shí)提高了分類精度。曹夢(mèng)婷等[5]結(jié)合GRU和遷移學(xué)習(xí)提出一種滾動(dòng)軸承故障診斷方法，實(shí)現(xiàn)了小樣本數(shù)據(jù)集下的故障診斷。張涵等[6]基于GRU網(wǎng)絡(luò)提出一種電力系統(tǒng)頻率計(jì)算方法，通過(guò)GRU提取輸入特征并擬合頻率響應(yīng)曲線?；贕RU的時(shí)序數(shù)據(jù)處理方法通過(guò)深層網(wǎng)絡(luò)結(jié)構(gòu)挖掘輸入數(shù)據(jù)的特征，并設(shè)置對(duì)應(yīng)的門機(jī)制保留數(shù)據(jù)中的歷史信息，現(xiàn)有研究表明基于GRU的方法具有優(yōu)異的時(shí)序數(shù)據(jù)處理能力，因此可以在故障診斷中取得可靠的診斷結(jié)果。

但是，轉(zhuǎn)子系統(tǒng)普遍存在故障特征微弱難以提取的問(wèn)題，GRU難以全面提取表征故障狀態(tài)的特征信息，需要對(duì)其特征提取能力進(jìn)行優(yōu)化。此外，故障診斷方法需要應(yīng)用在多種工業(yè)場(chǎng)合中，但現(xiàn)有方法主要針對(duì)具體故障的診斷過(guò)程，不同的故障類型需要訓(xùn)練多個(gè)診斷模型，花費(fèi)大量的時(shí)間成本且泛化性差。

針對(duì)以上問(wèn)題，本文進(jìn)行GRU故障診斷方法研究。結(jié)合卷積神經(jīng)網(wǎng)絡(luò)中的卷積和池化運(yùn)算提出一種DCGRU方法，利用門控循環(huán)單元充分保留并提取原始振動(dòng)信號(hào)中的時(shí)序信息，提高故障診斷模型對(duì)關(guān)鍵信息的表征能力。

1 門控循環(huán)單元

1.1 GRU原理

門控循環(huán)單元(GRU)使用門機(jī)制管理信息參數(shù)，調(diào)節(jié)信息在網(wǎng)絡(luò)中的流動(dòng)。GRU包含更新門和重置門，其中更新門將輸入門和遺忘門結(jié)合在一起，利用這兩個(gè)門控制和更新參數(shù)信息[7]。GRU模型的結(jié)構(gòu)如圖1所示。

圖1 GRU算法結(jié)構(gòu)圖

更新門的輸入為t時(shí)刻的輸入xt與上一時(shí)刻的隱藏層輸出ht-1，然后輸出范圍在0～1之間的數(shù)值，表示保留信息的比例，從而決定ht-1對(duì)當(dāng)前狀態(tài)的影響。當(dāng)輸入樣本維度為d，個(gè)數(shù)為n時(shí)的輸入數(shù)據(jù)Xt∈Rn×d以及上一時(shí)刻的隱藏層狀態(tài)集Ht-1∈Rn×h，可得更新門Zt與重置門Rt的計(jì)算公式為：

Rt=σ(XtWxr+Ht-1Whr+br)

(1)

Zt=σ(XtWxz+Ht-1Whz+bz)

(2)

重置門當(dāng)前時(shí)刻的輸入與上一時(shí)刻隱藏層輸入進(jìn)行逐點(diǎn)相乘，通過(guò)候選隱藏狀態(tài)輔助下一步的隱藏狀態(tài)計(jì)算。計(jì)算結(jié)果越接近于1，則重置門保留上一時(shí)刻隱藏層的狀態(tài)信息越多，反之則越少。重置門可以調(diào)節(jié)歷史信息的保留內(nèi)容，減少冗余參數(shù)進(jìn)而降低訓(xùn)練難度。隱藏狀態(tài)的計(jì)算公式為：

(3)

(4)

重置門確定上一時(shí)刻信息的保留程度，數(shù)值越大則保留上一時(shí)刻狀態(tài)信息越多；更新門保留信息并將當(dāng)前信息與隱藏層結(jié)合，用于隱藏層節(jié)點(diǎn)輸出的最終參數(shù)，這種結(jié)構(gòu)能有效解決梯度消失和長(zhǎng)距離依賴的問(wèn)題。同時(shí)GRU內(nèi)部只有一個(gè)非線性函數(shù)且精簡(jiǎn)了內(nèi)部?jī)?chǔ)存器Ct-1，而且減少了門的數(shù)量，極大地優(yōu)化了模型結(jié)構(gòu)，有效降低了訓(xùn)練復(fù)雜度[8-9]。

1.2 GRU的局限性

GRU通過(guò)前向傳播與反向傳播過(guò)程完成模型訓(xùn)練，結(jié)合上一小節(jié)對(duì)其結(jié)構(gòu)的分析可知GRU具有處理時(shí)序數(shù)據(jù)的記憶功能。訓(xùn)練過(guò)程的數(shù)學(xué)本質(zhì)是各個(gè)隱藏層中節(jié)點(diǎn)激活函數(shù)的嵌套，反向傳播的要點(diǎn)在于通過(guò)鏈?zhǔn)角髮?dǎo)法則反向逐層求解激活函數(shù)的導(dǎo)數(shù)和誤差權(quán)重[10]。GRU網(wǎng)絡(luò)層數(shù)較深且鏈?zhǔn)角髮?dǎo)計(jì)算過(guò)程冗長(zhǎng)，多個(gè)梯度疊乘極易導(dǎo)致梯度值趨于0，從而出現(xiàn)梯度消失問(wèn)題。反向傳播的計(jì)算路徑與輸入時(shí)序數(shù)據(jù)的長(zhǎng)度成正比，對(duì)于較長(zhǎng)的時(shí)序數(shù)據(jù)，在疊乘過(guò)程中GRU模型共享參數(shù)，由于部分項(xiàng)過(guò)大造成計(jì)算結(jié)果呈指數(shù)級(jí)增大，出現(xiàn)梯度爆炸問(wèn)題使得模型無(wú)法收斂[11-12]。

梯度消失和梯度爆炸問(wèn)題使得梯度信息無(wú)法傳遞到相隔較遠(yuǎn)的時(shí)間節(jié)點(diǎn)上，導(dǎo)致傳統(tǒng)GRU模型在處理較長(zhǎng)的時(shí)序數(shù)據(jù)時(shí)，無(wú)法學(xué)習(xí)長(zhǎng)距離依賴。梯度爆炸問(wèn)題可以通過(guò)設(shè)定閾值和梯度裁剪進(jìn)行有效避免，但梯度消失很難被直接觀察到，所以需要調(diào)整網(wǎng)絡(luò)中的信息傳遞方式，通過(guò)優(yōu)化結(jié)構(gòu)的方法解決梯度消失問(wèn)題[13]。

2 DCGRU的故障診斷方法

現(xiàn)有研究表明，GRU在處理振動(dòng)信號(hào)時(shí)能充分發(fā)揮其時(shí)序數(shù)據(jù)處理能力，取得較好的特征提取效果。因此，本文結(jié)合GRU處理時(shí)序數(shù)據(jù)的優(yōu)勢(shì)和卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力，采用卷積神經(jīng)網(wǎng)絡(luò)中的卷積層初步提取振動(dòng)信號(hào)特征，將高維數(shù)據(jù)映射到低維空間，再將低維數(shù)據(jù)重組整合后輸入到對(duì)應(yīng)的GRU節(jié)點(diǎn)中，提出深度卷積GRU的DCGRU端到端轉(zhuǎn)子系統(tǒng)故障診斷方法。

2.1 卷積操作

首先使用卷積層中的卷積運(yùn)算提取轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)中的故障信息。傳統(tǒng)深度學(xué)習(xí)模型的各個(gè)節(jié)點(diǎn)需要與上一次的所有節(jié)點(diǎn)連接，傳遞權(quán)重等參數(shù)信息，隨著層數(shù)和節(jié)點(diǎn)個(gè)數(shù)的增加，模型的計(jì)算量也同步提升。卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過(guò)卷積核進(jìn)行局部感知并提取關(guān)鍵信息，解決過(guò)擬合問(wèn)題的同時(shí)降低了訓(xùn)練難度。

將振動(dòng)信號(hào)輸入到一維卷積神經(jīng)網(wǎng)絡(luò)中，直接學(xué)習(xí)數(shù)據(jù)中的故障特征，進(jìn)而提高故障診斷效率。卷積層通過(guò)具有固定長(zhǎng)度的一維卷積核，使用預(yù)設(shè)步長(zhǎng)遍歷輸入數(shù)據(jù)的所有信息，卷積核每次移動(dòng)后進(jìn)行與上層節(jié)點(diǎn)的卷積運(yùn)算。卷積運(yùn)算計(jì)算過(guò)程為：

(5)

式中，w為卷積核；x(i,j)為進(jìn)行卷積操作的區(qū)域。為了將線性不可分的特征映射到更高的維度空間中，增強(qiáng)模型的非線性表達(dá)能力，本文使用指數(shù)線性單元(ELU)為DCGRU模型的激活函數(shù)，使負(fù)值輸入具有非0輸出，從而提高訓(xùn)練效率，計(jì)算公式為：

(6)

2.2 池化運(yùn)算

通過(guò)卷積層對(duì)一維振動(dòng)信號(hào)進(jìn)行卷積操作提取到包含關(guān)鍵信息的特征，池化層對(duì)特征進(jìn)行降采樣處理，降低了時(shí)序振動(dòng)信號(hào)的維度，減少模型訓(xùn)練計(jì)算量，同時(shí)固定輸出數(shù)據(jù)的維度，進(jìn)而加快模型的擬合速度。池化運(yùn)算機(jī)制有效運(yùn)行的原因在于，卷積層所提取特征的相對(duì)位置與其絕對(duì)位置相比更為重要，因此周期性在各個(gè)卷積層間加入池化層?，F(xiàn)有的池化運(yùn)算方法包括：最大池化、均值池化、隨機(jī)池化和中值池化等。其中最大池化能忽略卷積操作導(dǎo)致的位置變動(dòng)因素，而且具有刪除冗余信息的特征，所以本文選擇常用的最大池化方法構(gòu)建模型，計(jì)算公式為：

(7)

2.3 DCGRU故障診斷模型構(gòu)建

在GRU網(wǎng)絡(luò)中嵌入卷積神經(jīng)網(wǎng)絡(luò)，提出的DCGRU模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。首先由兩層一維卷積層和池化層互相堆疊組成一次特征提取模塊，然后將第二個(gè)卷積層在池化運(yùn)算后提取到的高維特征，展開(kāi)為向量形式輸入到GRU中進(jìn)行二次特征提取，在充分利用卷積操作結(jié)果的同時(shí)增強(qiáng)信號(hào)的時(shí)序特征分析。最后將所有特征經(jīng)過(guò)全連接層輸入到分類層中，使用Softmax函數(shù)計(jì)算多個(gè)節(jié)點(diǎn)概率分布并進(jìn)行分類。

圖2 DCGRU模型算法結(jié)構(gòu)圖

DCGRU模型的輸入數(shù)據(jù)是傳感器采集到的一維振動(dòng)信號(hào)，每個(gè)數(shù)據(jù)包含2048個(gè)樣本點(diǎn)。卷積層設(shè)計(jì)了125×1的大尺寸卷積核，加快模型的收斂速度，為了防止卷積過(guò)程遺漏局部關(guān)鍵特征，DCGRU模型使用池化核長(zhǎng)度大于步長(zhǎng)的重疊池化，池化核大小分別為5×1、3×1，設(shè)置兩個(gè)池化層步長(zhǎng)為2，表1為DCGRU模型的參數(shù)設(shè)置。

表1 DCGRU模型的參數(shù)表

2.4 DCGRU故障診斷模型訓(xùn)練方法

DCGRU模型訓(xùn)練目的是不斷更新權(quán)重信息，擬合輸入樣本的數(shù)據(jù)分布。通過(guò)DCGRU模型進(jìn)行轉(zhuǎn)子系統(tǒng)故障診斷的本質(zhì)是對(duì)提取相應(yīng)樣本的關(guān)鍵特征并進(jìn)行分類，因此使用對(duì)數(shù)損失函數(shù)用于衡量預(yù)測(cè)值與輸入真實(shí)值之間的差異。定義模型最終損失函數(shù)L，則隱藏層梯度為：

(8)

計(jì)算可得不同參數(shù)矩陣對(duì)應(yīng)的梯度：

(9)

(10)

(11)

DCGRU方法對(duì)采集到的轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)進(jìn)行自適應(yīng)故障診斷，首先將劃分好的數(shù)據(jù)集輸入到模型中進(jìn)行訓(xùn)練，通過(guò)自適應(yīng)矩估計(jì)算法(Adam)調(diào)整參數(shù)使模型收斂，在取得最優(yōu)訓(xùn)練結(jié)果后保存模型。然后在測(cè)試集上進(jìn)行故障診斷，分析診斷結(jié)果驗(yàn)證DCGRU方法的有效性。DCGRU方法基于谷歌公司開(kāi)發(fā)的TensorFlow深度學(xué)習(xí)框架構(gòu)建，版本號(hào)為TensorFlow-2.1.0，實(shí)驗(yàn)?zāi)Ｐ陀蒔ython3.6編程語(yǔ)言開(kāi)發(fā)，部署在Intel i7-6900K CPU計(jì)算機(jī)上。

3 實(shí)驗(yàn)驗(yàn)證分析

為了驗(yàn)證本文提出轉(zhuǎn)子系統(tǒng)故障診斷方法的有效性，采用SpectraQuest公司生產(chǎn)的多功能傳動(dòng)故障模擬試驗(yàn)平臺(tái)(MFS)進(jìn)行旋轉(zhuǎn)機(jī)械中的轉(zhuǎn)子系統(tǒng)故障模擬實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中在主軸上安裝不同的轉(zhuǎn)子盤模擬相應(yīng)的轉(zhuǎn)子故障狀態(tài)，通過(guò)兩端的軸承將軸固定在軸承座上，并利用壓電式加速度采集轉(zhuǎn)子系統(tǒng)的振動(dòng)信號(hào)。

在動(dòng)平衡處理后的正常轉(zhuǎn)子上構(gòu)造缺陷分別進(jìn)行轉(zhuǎn)子不平衡、轉(zhuǎn)軸裂紋、角度不對(duì)中、松動(dòng)與角度不對(duì)中和轉(zhuǎn)子不平衡的復(fù)合故障模擬，并采集健康狀態(tài)下的運(yùn)行數(shù)據(jù)為對(duì)照組。轉(zhuǎn)子系統(tǒng)故障安裝方法如圖3所示。

(a) 轉(zhuǎn)子不平衡 (b) 轉(zhuǎn)軸裂紋 (c) 角度不對(duì)中 (d) 松動(dòng)圖3 轉(zhuǎn)子系統(tǒng)故障安裝方式

3.1 超參數(shù)分析及設(shè)定

DCGRU模型包含多個(gè)超參數(shù)，為了進(jìn)一步降低人為調(diào)節(jié)參數(shù)對(duì)模型訓(xùn)練的影響，使用故障模擬實(shí)驗(yàn)臺(tái)采集到的轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)，分析模型中的學(xué)習(xí)率η、批大小b和訓(xùn)練次數(shù)T等關(guān)鍵參數(shù)。

首先將一組數(shù)據(jù)輸入到模型中，在相同條件下設(shè)置不同的學(xué)習(xí)率進(jìn)行訓(xùn)練，分別記錄訓(xùn)練情況并對(duì)比不同學(xué)習(xí)率下模型訓(xùn)練的輸出結(jié)果分類準(zhǔn)確率。圖4表示學(xué)習(xí)率η為0.000 1、0.000 2和0.000 4時(shí)的DCGRU模型訓(xùn)練準(zhǔn)確率變化情況，模型收斂時(shí)取得的最終準(zhǔn)確率分別為98.05%、99.33%和99.67%。在圖4中，當(dāng)學(xué)習(xí)率設(shè)置為0.000 4時(shí)模型訓(xùn)練速度最快，在訓(xùn)練800次后趨于穩(wěn)定，同時(shí)曲線相比其他兩組也更加光滑，表示訓(xùn)練過(guò)程中的準(zhǔn)確率振蕩程度更小、模型訓(xùn)練更穩(wěn)定，因此確定模型學(xué)習(xí)率為0.000 4。

圖4 不同學(xué)習(xí)率下模型訓(xùn)練準(zhǔn)確率變化圖 圖5 不同批大小下模型訓(xùn)練準(zhǔn)確率變化圖

同理，分析不同批大小b對(duì)模型訓(xùn)練的影響。計(jì)算過(guò)程中根據(jù)批大小選取樣本，由當(dāng)前批量樣本的平均統(tǒng)計(jì)數(shù)據(jù)表示輸入樣本的特性，從而使數(shù)據(jù)分布一致，增強(qiáng)模型訓(xùn)練的穩(wěn)定性。設(shè)置批大小為100、200、300和400個(gè)樣本，分析DCGRU模型的訓(xùn)練情況，由圖5可知，當(dāng)b=400時(shí)，較大的批大小可以取得較快的收斂速度，但是單個(gè)樣本的特點(diǎn)極易被其他樣本覆蓋，導(dǎo)致最終準(zhǔn)確率較低；但當(dāng)批大小較小時(shí)，準(zhǔn)確率振蕩情況嚴(yán)重，模型收斂速度緩慢。所以綜合訓(xùn)練速度和準(zhǔn)確率因素影響，最終確定DCGRU模型的批大小為200。

最后在確定模型學(xué)習(xí)率和批大小參數(shù)的基礎(chǔ)上，分析訓(xùn)練次數(shù)的最優(yōu)解，設(shè)置學(xué)習(xí)率η=0.000 4、批大小b=200得到DCGRU模型訓(xùn)練次數(shù)的變化曲線如圖6所示。開(kāi)始訓(xùn)練的前200次迭代中模型收斂趨勢(shì)明顯，準(zhǔn)確率迅速增加，在訓(xùn)練500次后趨于穩(wěn)定并達(dá)到最高點(diǎn)，此時(shí)模型訓(xùn)練完成。所以保證實(shí)驗(yàn)結(jié)果的前提下盡可能減少訓(xùn)練次數(shù)從而降低訓(xùn)練成本，因此將訓(xùn)練次數(shù)設(shè)置為1000次。

圖6 準(zhǔn)確率隨訓(xùn)練次數(shù)變化圖

3.2 DCGRU故障診斷實(shí)驗(yàn)及結(jié)果分析

將傳感器采集到的轉(zhuǎn)子系統(tǒng)6種不同健康狀態(tài)下的振動(dòng)信號(hào)添加標(biāo)簽信息，以2048個(gè)連續(xù)采樣點(diǎn)為一個(gè)樣本，6種狀態(tài)下單個(gè)樣本的時(shí)域圖為圖7所示。每種狀態(tài)選取200個(gè)獨(dú)立樣本，按照4:1的比例劃分訓(xùn)練集與測(cè)試集，6種健康狀態(tài)下共包含960個(gè)訓(xùn)練樣本。通過(guò)上一小節(jié)的分析驗(yàn)證，DCGRU模型訓(xùn)練開(kāi)始時(shí)訓(xùn)練集分批次輸入，批大小為200。模型從訓(xùn)練集中提取200個(gè)訓(xùn)練樣本在損失函數(shù)的約束下進(jìn)行訓(xùn)練，輸出權(quán)值信息等參數(shù)并計(jì)數(shù)準(zhǔn)確率和損失，從而完成一次迭代，準(zhǔn)確率趨于穩(wěn)定并達(dá)到最大值時(shí)保存模型參數(shù)。

圖7 6種狀態(tài)下的時(shí)域波形圖

圖8表示DCGRU模型訓(xùn)練過(guò)程中的損失變化情況，在圖8中在開(kāi)始階段損失值較大且有強(qiáng)烈的振蕩，通過(guò)超參數(shù)的不斷調(diào)整，在300次迭代后曲線趨近平滑，取得了穩(wěn)定的最小值，并最終趨近于0。保存訓(xùn)練好的DCGRU模型，然后利用測(cè)試集進(jìn)行故障診斷結(jié)果驗(yàn)證。

圖8 DCGRU模型損失變化情況 圖9 DGRU模型故障診斷結(jié)果圖

模型最初的分類準(zhǔn)確率較低，經(jīng)過(guò)訓(xùn)練后迅速提高，最終取得了97.53%的測(cè)試結(jié)果。圖9為DCGRU模型在測(cè)試集上的一組輸出結(jié)果，其中橫坐標(biāo)表示樣本個(gè)數(shù)，縱坐標(biāo)表示對(duì)應(yīng)的轉(zhuǎn)子系統(tǒng)健康狀態(tài)類別，當(dāng)DCGRU模型輸出結(jié)果與樣本真實(shí)類別標(biāo)簽重合時(shí)，表示模型故障診斷結(jié)果正確，反之則錯(cuò)誤。圖9中DCGRU模型將兩個(gè)轉(zhuǎn)子不平衡故障樣本錯(cuò)分為復(fù)合故障，其他樣本的識(shí)別結(jié)果全部正確。說(shuō)明DCGRU模型可以取得較好的故障診斷結(jié)果，驗(yàn)證了該模型的有效性。

3.3 不同故障診斷方法對(duì)比實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證本章所提出故障診斷模型的優(yōu)越性，采用傳統(tǒng)方法分別構(gòu)建3種模型進(jìn)行對(duì)比實(shí)驗(yàn)。第1個(gè)為DGRU模型，在超參數(shù)和訓(xùn)練方法不變的前提下通過(guò)全連接層代替DGRU中的卷積層和池化層；第2個(gè)為DCGRU(ReLU)模型，使用與DGRU模型相同的網(wǎng)絡(luò)結(jié)構(gòu)，但是使用ReLU函數(shù)代替ELU函數(shù)且不加入Dropout；第3個(gè)為使用相同網(wǎng)絡(luò)層數(shù)的堆疊降噪自編碼器(SDAE)。

在相同數(shù)據(jù)集上訓(xùn)練4個(gè)模型，并分別對(duì)每個(gè)模型參數(shù)進(jìn)行優(yōu)化調(diào)節(jié)，經(jīng)過(guò)多次訓(xùn)練確定參數(shù)的最優(yōu)解。為了更好地將3種傳統(tǒng)故障診斷方法與本章提出的DCGRU方法進(jìn)行對(duì)比分析，依次將數(shù)據(jù)集輸入到不同模型中，采用十折交叉驗(yàn)證對(duì)比故障診斷結(jié)果。4種對(duì)比模型的故障診斷結(jié)果如圖10所示，不同健康狀態(tài)下的診斷平均準(zhǔn)確率如表2所示。

(a) SDAE方法 (b) DGRU方法

(c) DCGRU(ReLU)方法圖10 4種對(duì)比方法故障診斷結(jié)果

表2 不同故障診斷方法的診斷準(zhǔn)確率

由表2可知DCGRU模型最終取得了97.53%的診斷平均準(zhǔn)確率，與以傳統(tǒng)深度學(xué)習(xí)方法建立的DCGRU(ReLU)、DGRU和SDAE模型相比故障診斷平均準(zhǔn)確率提高了4.74%、5.94%、13.33%。DCGRU模型首先采用卷積運(yùn)算初步提取故障特征后，通過(guò)一維GRU挖掘特征中的關(guān)鍵時(shí)序信息進(jìn)行二次特征提取，因此對(duì)比DGRU能取得更高的平均準(zhǔn)確率，同時(shí)實(shí)驗(yàn)結(jié)果表明采用ELU函數(shù)的模型診斷結(jié)果更好，說(shuō)明ELU函數(shù)能有效解決非正輸入無(wú)法更新的問(wèn)題。而基于循環(huán)神經(jīng)網(wǎng)絡(luò)的GRU模型能自適應(yīng)地提取時(shí)序特征，代替了淺層機(jī)器學(xué)習(xí)手工選取特征的步驟，3種GRU模型均取得了90%以上的平均準(zhǔn)確率，明顯優(yōu)于淺層機(jī)器學(xué)習(xí)SDAE方法。

4 結(jié)論

綜上所述，針對(duì)轉(zhuǎn)子系統(tǒng)故障診斷中存在的特征微弱難以提取問(wèn)題，本文提出了一種DCGRU故障診斷方法，在GRU處理時(shí)序數(shù)據(jù)的基礎(chǔ)上引入CNN的卷積操作。通過(guò)CNN充分提取特征獲得振動(dòng)信號(hào)的高維信息，然后GRU增強(qiáng)對(duì)振動(dòng)信號(hào)的時(shí)序特征分析，有效提高了模型的擬合能力，從而獲得準(zhǔn)確的特征聚類結(jié)果，最后利用Softmax層計(jì)算分布概率輸出診斷結(jié)果。

DCGRU方法在轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)測(cè)試數(shù)據(jù)集上最終取得了97.53%的診斷平均準(zhǔn)確率，此外，與傳統(tǒng)方法進(jìn)行對(duì)比，結(jié)果表明：DCGRU方法取得的診斷結(jié)果更準(zhǔn)確，模型分類性能更好，驗(yàn)證了DCGRU方法在轉(zhuǎn)子系統(tǒng)故障診斷中的可行性和有效性。