基于HTMFDE以及ICNN的滾動軸承壽命狀態(tài)識別方法

董紹江，劉文龍，方能煒，胡小林，余騰偉

(1. 重慶交通大學 機電與車輛工程學院，重慶 400074；2. 重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心有限公司，重慶 400707)

滾動軸承作為軌道、航空、風電等領(lǐng)域中不可缺少的零部件，同時也是最容易發(fā)生故障的零部件之一，其工作狀態(tài)將直接影響機械設備的運行狀態(tài)[1]，若不能及時監(jiān)測其是否出現(xiàn)故障并采取一定應對措施，一旦軸承失效，可能造成嚴重的事故和大量的財產(chǎn)損失。因此，研究有效的滾動軸承壽命狀態(tài)識別方法具有十分重要的意義。軸承壽命狀態(tài)識別有2個關(guān)鍵問題需要解決：1) 構(gòu)建合適的軸承性能退化評估指標；2) 建立有效的軸承壽命狀態(tài)識別模型[2]。傳統(tǒng)描述軸承退化趨勢的方法主要是提取時域、頻域和時頻域的特征量來描述，如利用峭度和均方根值等。但滾動軸承的振動信號受運行環(huán)境、工況等因素影響，常常表現(xiàn)出非線性特征，僅僅依靠傳統(tǒng)單一時頻域的特征量已無法精準地描述軸承性能退化趨勢。周建民等[3]提出基于特征優(yōu)選結(jié)合優(yōu)化支持向量機的性能評估方法，較好地刻畫了軸承的性能退化趨勢，但需要同時計算10 余種時域特征參數(shù)，計算過程復雜繁瑣。董紹江等[4]通過構(gòu)造特征噪聲能量比(Feature-to-Noise Energy Ratio，F(xiàn)NER)也較好地描述了軸承退化趨勢，但需要提前明確軸承的故障頻率，不適用于實際工況下未知軸承的性能評估。近年來，基于熵理論的非線性特征量在故障特征提取領(lǐng)域得到了廣泛應用，如多尺度樣本熵(Multiscale Sample Entropy，MSE)[5]、多尺度排列熵(Multiscale Permutation Entropy，MPE)[6]和多尺度散布熵(Multi-scale Dispersion Entropy，MDE)[7]等。JIAO 等[8]將MSE 與能量矩陣相結(jié)合，從多個軸承信號中獲取故障特征，結(jié)合最小二乘支持向量機準確地識別出了軸承的故障程度。LI等[9]提出一種多尺度符號模糊熵(Multiscale Symbolic Fuzzy Entropy，MCFE)并用于機械故障的提取。然而，上述方法都有其局限性，如MSE 在衡量較短時間序列的相似性上效果較差；MPE 忽略了時間序列相鄰點間的幅值信息；MDE 則未考慮非線性時間序列的相鄰散布模式之間的差異信息。多尺度波動散布熵(Multiscale Fluctuation Dispersion Entropy，MFDE)[10]作為一種新的非線性動態(tài)特征量，通過將序列的每個元素映射到不同的類別，生成不同的波動散布模式，有效克服了上述不足。但是傳統(tǒng)的多尺度分析有共同的缺陷，那就是只關(guān)注嵌入在低頻中的故障信息，忽略了隱藏在高頻中的故障信息，致使提取的特征不夠全面，且在對序列進行粗粒化過程中序列長度隨尺度因子的增加而減小，加之受線性均值粗粒化的影響，會導致序列丟失重要的信息。而基于層次分解的層次熵在量化振動信號的多尺度動態(tài)特征領(lǐng)域上也得到了廣泛的應用。鄭近德等[11]提出一種復合層次模糊熵(Composite Hierarchical Fuzzy Entropy，CHFE)有效獲取了軸承故障特征信息。LI等[12]提出改進的層次排列熵(Modified Hierarchical Permutation Entropy，MHPE)較好地提取了齒輪箱的故障特征。盡管相比于傳統(tǒng)多尺度熵，層次熵的穩(wěn)定性稍顯不足，但是在對于每個時間序列，它不僅考慮了其低頻信息，同時也考慮了高頻信息，常被用來評估振動信號低頻和高頻成分中隱藏的動態(tài)特征。軸承壽命狀態(tài)識別的模型近年來不斷被提出，基于人工神經(jīng)網(wǎng)絡的方法被廣泛地應用在軸承的狀態(tài)識別領(lǐng)域。MANJURUL ISLAM 等[13]利用最小二乘支持向量回歸模型來實現(xiàn)了軸承壽命狀態(tài)的識別。LUO 等[14]基于Bi-LSTM 神經(jīng)網(wǎng)絡實現(xiàn)了軸承壽命狀態(tài)的識別。盡管以上模型都有較高的識別準確率，然而都未考慮早期故障信息極易被噪聲淹沒所帶來的識別問題。因此，本文提出改進卷積神經(jīng)網(wǎng)絡的軸承壽命狀態(tài)識別模型，采用雙層多通道卷積提取特征，通過殘差收縮模塊以及注意力模塊，篩選有用特征，濾除無用特征，有效地增強了模型在噪聲環(huán)境下的魯棒性?；谝陨戏治觯疚膶鹘y(tǒng)多尺度波動散布熵進行改進，提出一種層次時移多尺度波動散布熵用于特征提取，并結(jié)合JRD 距離以及ICNN 模型實現(xiàn)軸承的壽命狀態(tài)識別。首先，結(jié)合層次分解、改進的時移粗粒化過程，克服了傳統(tǒng)多尺度熵的缺陷，細化信號故障特征量，進而獲得不同層次、不同尺度下的全面多維退化特征。其次，通過JRD 距離來衡量正常信號與故障信號特征量間概率分布的相似性，以此作為軸承性能退化指標，實現(xiàn)軸承的性能退化評估。最后，依據(jù)所建指標劃分軸承的全壽命數(shù)據(jù)集，將不同壽命狀態(tài)數(shù)據(jù)輸入改進的卷積神經(jīng)網(wǎng)絡模型進行訓練，完成在不同噪聲環(huán)境下的壽命狀態(tài)識別。

1 理論內(nèi)容

1.1 層次時移多尺度波動散布熵

對于給定的一組軸承全壽命振動信號X(t)={x1，x2，…，xN}，HTMFDE求解過程如下。1) 定義一個均分算子和差分算子。

式中：2n-1表示序列信號長度；Q0(x)表示層次分解后序列的低頻部分；Q1(x)則表示序列的高頻部分。

2) 為了準確描述信號的層次分析，當j=0 或1時，定義第k層算子Qkj的矩陣形式為：

3) 定義一個k維向量[γ1，γ1，…，γk]∈{0，1}，則整數(shù)e表示為對于特定的整數(shù)e，都有一組唯一確定的k維向量，那么第k層第e個節(jié)點的層次分量可表示為：

4) 對層次分量xk，e進行多尺度分析，采用時移粗?；^程代替?zhèn)鹘y(tǒng)平均值粗?；^程。計算s尺度下時移粗?；蛄?/p>

式中：1 ≤h≤s，Δ(h，s)=[(N-s)/h]表示不大于(Ns)/h的最大整數(shù)。

5) 依據(jù)文獻[15]計算不同尺度因子下時移粗?；蛄械牟▌由⒉检?，并采用式(6)對生成的散布模式概率進行精細化操作，避免相同尺度下波動散布熵產(chǎn)生無效熵值。

6) 則時間序列的HTMFDE可以定義為：

式中：m為嵌入維數(shù)；c為類別個數(shù)；d為時間延遲；k為分層次數(shù)；s為尺度因子。

考慮對序列進行層次分解、多尺度分析，參數(shù)過大會影響計算效率，且容易造成特征冗余。根據(jù)文獻[16]和[17]，本文將參數(shù)設定為m=3，k=1，c=5，s=4。通常時間延遲d對結(jié)果影響較小，默認為1。

1.2 JRD距離

JRD 距離是在JSD 距離(Jensen Shannon Divergence，JSD)基礎(chǔ)上，結(jié)合Renyi 熵的定義推演而來的。對于一個給定長度為N的時間序列{x(i)，i=1，2，…，N}， 其 每 個 數(shù) 據(jù) 相 應 的 概 率 分 布 為{p1，p2，…pN}，則 其Shannon 熵 和Renyi 熵 的 定義為：

Renyi 熵相比Shannon 熵，增加了一個參數(shù)α，使其在評價時間序列的復雜度上更加靈活。文獻[18]研究證實α=0.5時，其會獲得更加穩(wěn)定的效果，因此本文將α設定為0.5。

設2 個隨機序列概率分布分別為p(i)和p'(i)，則其KLD 距離(Kullback-Leibler Divergence，KLD)以及JSD距離可以表示為：

式中：mi為p(i)和p'(i)的平均概率分布。通過化簡可知：

那么由式(12)結(jié)合Renyi 熵的定義可推得JRD距離的定義：

當2 個分布之間沒有顯著差異時，JRD 距離接近等于0；相反當2 個分布概率差異變大時，JRD距離也逐漸變大。由于軸承狀態(tài)的變化會直接影響信號特征的表現(xiàn)形式，進而影響信號特征間的概率分布，所以通過JRD 距離能夠較好地刻畫軸承退化狀態(tài)的轉(zhuǎn)變過程。

1.3 改進的卷積神經(jīng)網(wǎng)絡模型

本文所提出的ICNN 模型主要由4 部分組成，包括2 個特征提取層、1 個注意力層以及1 個輸出層。采用ReLU 激活函數(shù)和Dropout 技術(shù)以提高模型的抗干擾能力，同時為了加快模型的收斂速度，對每層卷積增加了批量歸一化操作，且通過全局池化(Global Average Pooling，GAP)代替全連接層，減少模型參數(shù)，提升模型的訓練效率。與傳統(tǒng)CNN模型相比，本文方法改進如下。

1) 引入殘差收縮結(jié)構(gòu)。殘差收縮結(jié)構(gòu)是ZHAO 等[19]在殘差網(wǎng)絡結(jié)構(gòu)的基礎(chǔ)上，結(jié)合注意力機制和軟閾值函數(shù)所搭建的，實現(xiàn)了注意力機制下的軟閾值化。通過注意力機制，會使得網(wǎng)絡生成一組針對不同特征的閾值向量，主網(wǎng)絡的輸入特征通過與閾值之間的對比實現(xiàn)自適應的改變。具體公式如式(14)：

其中：x為模型中的輸入特征；y為輸出特征；τ為閾值，τ值由輸入的特征以及尺度系數(shù)α共同決定。具體計算公式如式(15)：

式中：zc為C 通道神經(jīng)元的特征；αc表示C 通道的尺度參數(shù)；x表示神經(jīng)元特征；i，j和c分別表示特征圖的寬度、高度和通道索引。

通過引入殘差收縮結(jié)構(gòu)作為多通道特征提取層的一環(huán)，在實現(xiàn)特征跳連的同時，還能進一步根據(jù)閾值對輸入的特征剔除部分干擾，可以有效提高模型在含噪數(shù)據(jù)集上的特征學習能力，提高學習效率。

2) 為了使模型學習到的特征信息實現(xiàn)最大化，本文設計了雙層多尺度的卷積層(Multichannel Block)。其包括2 種不同尺度卷積模塊和一組殘差收縮模塊，通過不同大小、數(shù)量的卷積核以獲取信號在不同尺度下的關(guān)鍵信息，同時結(jié)合殘差收縮網(wǎng)絡的軟閾值化，學習重要特征信息，濾除部分無用信息。與傳統(tǒng)采用單一尺度并聯(lián)結(jié)構(gòu)的卷積相比，所提方法更有利于提取豐富的細節(jié)特征。最后通過沿深度方向疊加不同尺度的特征，以此達到特征融合的效果。

3) 引入通道注意力機制(SENet)。在設計的雙層多通道特征提取層后，為抑制冗余特征帶來的干擾，通過注意力機制建立起信號特征與通道之間的聯(lián)系，對不同通道的特征賦予不同的權(quán)重，可以進一步減少無用信息對模型識別的負面影響。

1.4 軸承的壽命狀態(tài)識別過程

軸承的壽命狀態(tài)識別建立在退化狀態(tài)評估的基礎(chǔ)上，具體步驟如下。

1) 首先，由于軸承的包絡信號對故障特征更為敏感，所以采用希爾伯特變換后的包絡信號作為輸入，對其進行層次分解，得到不同層次、不同頻段下軸承的包絡信號分量。

2) 其次，為了消除均值粗?；^程導致的幅值信息丟失，進一步全面獲取各分量的特征信息，對各層次分量進行時移多尺度分析。另外，為了避免相同尺度下波動散布熵產(chǎn)生無效熵值，對生成的散布模式概率進行精細化操作，計算信號的HTMFDE作為軸承的退化特征。

3) 然后，對獲取的每組樣本的特征進行歸一化，形成一組概率分布。將前10 組樣本概率分布的均值視作正常樣本的概率分布，計算全壽命樣本與該組正常樣本特征間的JRD 距離作為退化指標。另外，為了削弱離群值對性能退化評估帶來的影響，通過高斯濾波算法進行平滑處理，得到最終的JRD 性能退化曲線，實現(xiàn)軸承性能退化評估。

4) 最后，根據(jù)JRD 性能退化曲線的局部最大幅值變化，結(jié)合時域波形來劃分軸承壽命狀態(tài)，對不同的壽命狀態(tài)階段制作等樣本的標簽數(shù)據(jù)集。使用標簽化數(shù)據(jù)輸入到ICNN 模型中訓練，并將測試集輸入到訓練好的ICNN 模型中實現(xiàn)軸承的壽命狀態(tài)識別。圖1為壽命狀態(tài)識別的具體流程。

圖1 軸承的壽命狀態(tài)識別流程Fig. 1 Identification flow chart of bearing degradation state

2 軸承性能退化評估

根據(jù)所提方法在軸承全壽命周期數(shù)據(jù)集上進行實驗，得到滾動軸承HTMFDE-JRD 性能退化曲線，并與其他傳統(tǒng)指標作對比，驗證本文方法的有效性。

2.1 數(shù)據(jù)來源

采用來自辛辛那提大學智能維護中心的軸承加速壽命實驗數(shù)據(jù)集2，實驗由安裝在交流電機驅(qū)動軸上4 組ZA-2115 雙列軸承組成。采樣頻率設置為20 kHz，每隔10 min 記錄一次振動數(shù)據(jù)，持續(xù)1 s，每次采樣數(shù)據(jù)的長度為20 480。利用軸承數(shù)據(jù)可以計算出其外圈故障頻率236.4 Hz。數(shù)據(jù)詳情見文獻[20]。

2.2 指標構(gòu)建

首先，由于層次分解要求信號的長度為2n，為了避免數(shù)據(jù)過大以及軸承失效后期信號不穩(wěn)定帶來的影響，共截取原始數(shù)據(jù)982 組，每段長度為4 096。以前10 組健康樣本概率分布的均值作為正常樣本的概率分布，最終得到如圖2所示的軸承樣本的軸承性能退化曲線(存在0 樣本編號，編號為0～981)。

在軸承退化狀態(tài)評估的過程中，對早期故障起始點的有效判定具有重要的意義。采用基于高斯分布的4σ準則[4]建立健康閾值監(jiān)測軸承的退化起始點，當JRD 數(shù)值超出所劃分的閾值時，即可判定該樣本時間點處為異常點，根據(jù)對異常點的進一步包絡譜分析，進而準確地得到軸承早期故障的起始位置。

由圖2 軸承的HTMFDE-JRD 性能退化曲線可知，軸承運行前200個樣本的JRD 值處于相對穩(wěn)定狀態(tài)，因此選擇前200個樣本計算健康閾值。分析可知，滾動軸承的壽命狀態(tài)大致可以劃分為5個階段，分別為健康階段、輕微退化、中度退化、嚴重退化以及失效階段。軸承在編號前531 樣本(前5 310 min)的運行過程中，JRD 值保持相對穩(wěn)定狀態(tài)，當運行到編號532個樣本時(第5 320 min)，JRD性能退化曲線開始升高，且此時JRD 數(shù)值超出了健康閾值，表明此時軸承的性能狀態(tài)從健康階段開始過渡到輕微退化階段；當軸承運行到編號第700 個樣本時(第7 000 min)，JRD 性能曲線開始出現(xiàn)階躍性的升高，表明滾動軸承的性能退化程度進一步加重，并且在運行到編號第701～783 個樣本時(第7 010～7 830 min)，JRD 性能曲線開始下降，導致下降的原因主要是軸承出現(xiàn)故障磨損到“自愈”的假象，因此可以定義此時軸承性能狀態(tài)進入中度退化階段；當軸承運行到編號第784個樣本時(第7 840 min)，軸承故障程進一步加深，JRD性能退化曲線開始出現(xiàn)往復波動，軸承已無法可靠工作，軸承性能進入嚴重退化階段；當軸承運行到編號第906 個樣本時(第9 060 min)，軸承的性能急劇惡化，進入失效階段，軸承已不能繼續(xù)使用。

圖2 軸承HTMFDE-JRD性能退化曲線Fig. 2 Performance degradation curves of HTMFDE-JRD

2.3 包絡譜驗證

為驗證實驗分析結(jié)果的準確性，分別對經(jīng)SVD 降噪后的編號531，532，533 和700 樣本數(shù)據(jù)進行包絡譜分析，其結(jié)果如圖3 所示。從圖3(d)中可以明顯看出與外圈故障頻率接近的1 倍頻231 Hz，2 倍頻462 Hz，證明此時軸承發(fā)生外圈故障。觀察圖3(b)和圖3(c)，能夠在故障頻率附近依然有明顯的倍頻現(xiàn)象。相反在圖3(a)的包絡譜中，雖然能夠發(fā)現(xiàn)231 Hz 的譜峰，但是其峰值較小，考慮是由部分噪聲信號造成的，因此可認為此時的軸承性能依舊處于健康階段。綜上，可認為在軸承運行編號532 樣本，即5 320 min 時為軸承性能開始退化的起始點，驗證了結(jié)果的準確性及有效性。

圖3 SVD降噪后的樣本包絡譜Fig. 3 Sample envelope spectrum after SVD denoising

2.4 退化指標的對比驗證

為了進一步驗證本文所提指標的準確性與優(yōu)越性，對不同指標進行分析和比較，實驗結(jié)果如下。

圖4(a)是采用傳統(tǒng)時域參數(shù)均方根(Root Mean Square，RMS)獲得的性能退化曲線，根據(jù)所計算的健康閾值能夠明顯看出軸承在編號512個樣本時發(fā)生誤報警。在編號532 個樣本(第5 320 min)開始退化，但是退化幅度不明顯，這表明基于RMS 的性能退化曲線在健康階段過渡到早期故障時期不夠敏感，并且其對于軸承其他階段的退化趨勢描述也不夠清晰，無法準確反映軸承退化的各階段。

圖4(b)是依照多尺度散布熵(Multiscale Dispersion Entropy，MDE)提取特征得到的JRD 性能退化曲線。從圖中可知，軸承的性能退化曲線能夠較清晰地描述軸承各階段的退化趨勢，但在編號523至525樣本時發(fā)生多次誤報警，并且識別出的退化起始點在編號535 樣本處，相較于本文方法落后30 min。

圖4(c)是依照層次散布熵(Hierarchical Dispersion Entropy, HDE)提取特征獲取的JRD 軸承退化性能曲線。由圖可知，HDE-JRD 曲線較好地描述軸承的退化趨勢，但是軸承運行的前期多次出現(xiàn)誤報警情況，且在軸承的早期故障識別中，檢測出編號533(第5 330 min)軸承開始故障，相較于本文方法落后10 min。

圖4 不同指標的退化曲線圖Fig. 4 Performance degradation curves of different indicators

綜合以上分析，本文所提方法相比基于傳統(tǒng)指標RMS，以及通過MDE-JRD 和HDE-JRD 所獲取的軸承退化曲線，在對故障的早期監(jiān)測以及在描述故障發(fā)展的趨勢一致性上都有較好的性能，驗證了所提方法的準確性及優(yōu)越性。表1給出了針對不同退化指標早期故障監(jiān)測結(jié)果對比。

表1 不同退化指標監(jiān)測結(jié)果Table 1 Monitoring results of different degradation indicators

3 軸承壽命狀態(tài)識別

根據(jù)2.2 節(jié)的分析，將軸承全壽命周期數(shù)據(jù)劃分為5 種壽命狀態(tài)，如圖5 所示，包括健康階段、早期退化階段、中期退化階段、嚴重退化階段以及失效階段。采用重疊采樣的方法制作數(shù)據(jù)集，各類狀態(tài)樣本數(shù)目為500，每個樣本包含2 048 個數(shù)據(jù)點，共計2 500 組，其中80%用于訓練，20%用于測試。

圖5 軸承的5種壽命狀態(tài)劃分Fig. 5 Five life state divisions of bearings

3.1 ICNN模型結(jié)構(gòu)參數(shù)

本文所建立的模型共計10 層，包括2 個多通道特征提取層，2 個卷積層，4 個池化層，1 個Dropout層，1 個Softmax 層。其中多通道特征提取層包含2 個不同尺度卷積通道以及1 個殘差收縮模塊。選用Adam 學習率優(yōu)化算法來更新網(wǎng)絡訓練參數(shù)，將ReLU 作為激活函數(shù)，batch 為32，迭代循環(huán)60 次，Dropout 為0.2。提改進卷積神經(jīng)網(wǎng)絡模型的參數(shù)設置如表2所示。

表2 改進卷積神經(jīng)網(wǎng)絡識別模型的參數(shù)設置Table 2 Parameter setting of ICNN recognition model

其中第1 層卷積(1, 64, 1, 16)表示1×64 的大卷積核，步長為1，通道數(shù)為16。M-block1 代表第1個多通道特征提取層，其中包括2個不同尺寸卷積通道和1 個殘差收縮模塊。Conv2-1 表示第1 個卷積通道表示第1 層卷積核為1×1，步長為1，通道數(shù)為16，(1,1,1,16)和(1,3,1,16)表示2個并列卷積層，卷積核大小分別為1×1 和1×3，步長均為1，通道數(shù)為16。表示第1 個多通道特征提取層中殘差收縮結(jié)構(gòu)中的兩層卷積，卷積核的大小均為1×4，步長為1，通道數(shù)為16。

3.2 ICNN模型抗噪性能驗證

為了證明所提方法的準確性和抗噪性，本文通過控制不同變量獲得了以下4組模型。具體設置如表3所示。

表3 不同變量的組合設置Table 3 Combination settings of different variables

表中模型A 為本文所提改進的卷積神經(jīng)網(wǎng)絡模型。模型A，B 用于驗證雙層多通道特征提取層的優(yōu)勢；模型A，C 用于驗證殘差收縮模塊的優(yōu)勢；模型A，D 用于驗證SENET 模塊的優(yōu)勢。E模型為傳統(tǒng)的卷積神經(jīng)網(wǎng)絡。為了驗證改進方法的抗噪性能，在測試集中加入SNR=0～10 dB 的高斯白噪聲，測試結(jié)果如表4 所示，所有結(jié)果均為5 次驗證的均值。

從表4 中可得知，在無噪聲、較低噪聲SNR=10 dB 的環(huán)境下，所有模型都有較高的識別準確率，但是隨著噪聲的不斷加強，B，C，D 和E 模型的識別準確率相較于低噪聲環(huán)境下都有了較為明顯的降幅，而本文方法在不同程度噪聲環(huán)境下都有98%以上的識別正確率。將模型A 與模型B相比，本文方法在不同程度噪聲下的平均準確率高于B 模型5.08%，結(jié)果表明采用多通道特征提取層可以有效提取豐富的細節(jié)特征，通過融合不同尺度下的特征，有效提高了模型的識別準確率以及在噪聲環(huán)境下抗噪性能。將模型A 與模型C 相比，本文方法在不同程度噪聲下的平均準確率高于C 模型1.57%，說明引入殘差收縮塊后，根據(jù)閾值的大小，使得輸入的信號特征可以進一步實現(xiàn)噪聲的濾除，有效提高了模型在含噪聲數(shù)據(jù)集上的特征學習效果。將模型A與模型D相比，本文方法在不同程度噪聲下的平均準確率高于D 模型1.8%，證明通道注意力的應用，減輕了無用信息對模型識別的負面影響，提高了模型的抗干擾能力。對于傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型E，當測試集的SNR 小于2 dB 時，其識別準確率已經(jīng)低于70%，且在低噪聲環(huán)境下的識別效果也與改進模型有較大差距，進一步證明了本文方法的抗噪性與準確性。綜上，根據(jù)模型間的對比驗證，表明本文所提改進卷積神經(jīng)網(wǎng)絡模型在不同的噪聲環(huán)境下都有較好的識別性能。

表4 噪聲環(huán)境下ICNN模型的識別正確率Table 4 Recognition accuracy rate of the ICNN model in noise %

4 泛化性實驗

為了進一步驗證本文方法的有效性，采用XJTU-SY滾動軸承加速全壽命數(shù)據(jù)集[22]進行泛化性實驗。實驗軸承型號為UER204，采樣頻率設置為25.6 kHz，每隔1 min 記錄一次振動數(shù)據(jù)，持續(xù)1.28 s。本文選用實驗后最終出現(xiàn)內(nèi)圈故障的軸承2-1 和軸承3-3，以及出現(xiàn)外圈故障的軸承1-2 和軸承1-3進行驗證。

4.1 基于退化指標的性能評估

圖6 為軸承2-1，軸承3-3，軸承1-2 和軸承1-3基于HTMFDE得到的JRD指標的性能退化曲線。

通過4σ準則計算健康閾值，從圖6 中可以發(fā)現(xiàn)軸承Bearing2-1 的早期故障起始點在編號452 樣本時刻，此時JRD 值超出了健康閾值且有較大的幅值變化，可以認為此時軸承發(fā)生了早期故障。同理得出Bearing3-3，Bearing1-2 和Bearing1-3 的早期故障發(fā)生的起始點分別在編號339，36 和59樣本時刻。

圖6 XJTU-SY部分軸承退化狀態(tài)曲線Fig. 6 XJTU-SY partial bearing degradation state curves

4.2 基于改進卷積神經(jīng)網(wǎng)絡的泛化性驗證

本節(jié)將通過改進卷積神經(jīng)網(wǎng)絡來識別軸承的壽命退化狀態(tài)，驗證所提模型的泛化性能。

依據(jù)軸承的性能曲線分別將Bearing2-1，Bearing3-3，Bearing1-2 和Bearing1-3 劃分為2，2，3 和3 種壽命狀態(tài)，按照重疊采樣的方法制作數(shù)據(jù)集，每種狀態(tài)有500 個樣本，每個樣本包含2 048個數(shù)據(jù)點。Bearing2-1 的健康、故障狀態(tài)樣本編號為劃分0～451，452～491；Bearing3-3 的健康、故障 狀 態(tài) 樣 本 編 號 劃 分 為0～339， 340～371；Bearing1-2 的3 種壽命狀態(tài)樣本編號劃分為0～36，37～79，80～161；Bearing1-3的3種壽命狀態(tài)樣本編號劃分為0～59，60～135，136～158。將軸承數(shù)據(jù)分別輸入改進卷積神經(jīng)網(wǎng)絡，在不同噪聲環(huán)境下進行壽命狀態(tài)識別。

由表5 可知，針對Bearing2-1 和Bearing3-3，在SNR=0～10 dB 的噪聲環(huán)境下二分類狀態(tài)下能夠保證100% 的正確率。針對軸承Bearing1-3 和Bearing1-2，在SNR=0～10 dB 的噪聲環(huán)境下三分類狀態(tài)下，平均識別準確都有90%以上，有效地證明了所提方法的準確性和抗噪性。

表5 噪聲環(huán)境下模型的識別正確率Table 5 Recognition accuracy rate of the model in noise %

5 結(jié)論

1) 通過數(shù)據(jù)驗證了基于HTMFDE 特征獲取的JRD 指標相較于RMS 等傳統(tǒng)時域指標，具有更強的早期故障檢測能力，且在描述軸承故障發(fā)展的趨勢一致性上更好。

2) 所提出的改進卷積神經(jīng)網(wǎng)絡模型通過多通道實現(xiàn)特征的提取，引入殘差收縮模塊和注意力機制，有效提高了模型的特征學習能力。實驗表明在SNR=0～10 dB 環(huán)境中，模型的平均識別正確率為98.5%，模型具有良好的準確性和抗噪性能。

3) 通過泛化性實驗表明，所提指標在不同數(shù)據(jù)集都能夠較好地評估軸承的退化狀態(tài)，通過所提ICNN 模型進行壽命狀態(tài)識別，結(jié)果表明在噪聲環(huán)境中所提模型均有較好的魯棒性。綜上，本文所提方法能夠可靠地實現(xiàn)軸承性能退化評估以及壽命狀態(tài)的識別。