基于深度學習的滾動軸承故障診斷研究綜述

張雪英，欒忠權，劉秀麗

（北京信息科技大學現代測控技術教育部重點實驗室，北京 100192）

基于深度學習的滾動軸承故障診斷研究綜述

張雪英，欒忠權，劉秀麗

（北京信息科技大學現代測控技術教育部重點實驗室，北京 100192）

深度學習以其他方法不可比擬的優勢為軸承的故障診斷提供了新思路和新方法。分析深度學習的主要模型及在滾動軸承故障診斷中的應用，指出深度學習在滾動軸承故障診斷方面面臨的一些挑戰和可行的解決方法。

深度學習；滾動軸承；故障診斷

10.16621/j.cnki.issn1001-0599.2017.12.59

0 引言

在現代工業中，機械設備的故障診斷具有十分重要的意義，一旦機械設備發生故障，則會造成巨大的經濟財產損失，更有甚者會帶來不同程度的人員傷亡。因此，尋找更好的故障診斷方法以保證機器的正常運行就顯得十分必要。滾動軸承是機械設備中最常用的部件，被人們稱為機械的關節。它具有效率高、摩擦阻力小、裝配方便、潤滑易實現等優點，因此在旋轉機械上應用非常普遍。滾動軸承作為旋轉機械如齒輪箱、渦輪機械的核心部件之一，其健康狀況對機器的穩定性和壽命有很大的影響。在工作過程中，滾動軸承由于潤滑劑污染，過載等原因可能會發生外圈損壞，內圈損壞，滾動體損壞等故障。因此，有效的故障診斷方法對滾動軸承的壽命和穩定性至關重要。傳統的滾動軸承的診斷系統包含信號測取、特征提取、狀態識別、診斷分析和決策干預等5個環節。常用的滾動軸承的故障診斷方法包括溫度法，油液法，振動法。由于溫度法不能及時的診斷出軸承早期磨損的微小故障，而油液法僅適合與油潤滑軸承，因此振動法在軸承故障診斷中應用較為廣泛[1]。

近年來，深度學習以其他方法不可比擬的優勢為軸承的故障診斷提供了新思路和新方法。分析深度學習的4種主要模型以及近年來國內外將深度學習應用于滾動軸承故障診斷的實例。指出深度學習在滾動軸承故障診斷方面存在的挑戰。

1 深度學習的發展

近年來，深度學習在視覺方面和語音識別方面取得了飛速的進展并大獲成功，但在故障診斷領域應用稍顯不足。深度學習是含有多個隱層的多層感知器。相較于傳統人工神經網絡而言，在網絡深度方面，深度學習網絡中隱含層的層數增加，網絡學習得到的函數中非線性運算組合的數量增多。在算法方面，深度學習的算法具有更好的逼近復雜函數的能力，可以很好的實現復雜高維函數的表示。深度學習經過近十年的發展，形成的基本框架有：深度置信網絡（DBN）、卷積神經網絡（CNN）、堆疊自動編碼機（SAE）、遞歸神經網絡（RNN）[2]。

2 深度學習主要框架及故障診斷研究現狀

2.1 深度置信網絡（DBN）及故障診斷研究現狀

深度置信網絡是2006年由Hinton提出的一種典型的深度學習框架。深度置信網絡的結構類似于是由多個受限玻爾茲曼機（RBM）堆疊而成的網絡。每個RBM由可見層和隱層組成，可見層和隱層之間由權重連接，輸入層接收數據并將數據傳遞至隱層組成第一個受限玻爾茲曼機，低層的RBM的輸出作為高一層的RBM的輸入，通過逐層傳遞，高層的特征表達則比低層的更加抽象和更具有表征能力。DBN通過這種逐層傳遞的思想可以直接對軸承的原始數據進行故障的識別和診斷[3]。RBM原理如圖1所示。

圖1 受限玻爾茲曼機（RBM）網絡架構

采用傳統故障診斷方法時，對預處理后的數據一般是通過時域、頻域等分析其單變量特征，通過頻域、熵、能量譜等分析提取多變量特征，通過時頻分析提取圖像特征，然后進行模型的分類與故障的診斷。深度置信網絡則是對預處理后的數據進行特征自動提取與選擇，從而進行模型的分類與故障診斷。這種特征的自動提取可以有效避免傳統的特征提取方法所帶來的不確定性和復雜性。

目前將DBN應用于滾動軸承故障診斷仍處于起步階段。Shao等[4]提出了一種帶有DTCWPT（dual tree complex wavelet package transform，雙樹復小波包）的自適應DBN的新方法，并將其應用于滾動軸承的故障診斷，結果表明該方法可以減少特征選擇的必要性，有效的識別滾動軸承的故障。單外平等[3]則分別將通過原始數據直接輸入、提取多變量14組特征輸入、提取5組特征作為輸入、提取時頻圖圖像像素300×400作為輸入、將時頻圖經雙向主成分分析壓縮至10×10后的像素作為輸入、5種輸入方法，并將上述5種方法所得到的結果與DBN相比較，實驗結果以原始數據為輸入的DBN應用于軸承故障識別取得了最高的正確率，實驗結果表明：DBN可以直接通過原始數據對軸承進行高效識別。李巍華等[5]直接將DBN應用于處理軸承振動的原始信號并進行試驗驗證，結果表明DBN可以直接通過原始數據對軸承故障進行分類識別。Wang等[6]提出了基于希爾伯特包絡譜和DBN的軸承故障診斷方法。首先，對不同測試條件下的軸承振動信號進行重新采樣。其次，直接用重采樣信號的希爾伯特包絡譜作為特征向量來表征軸承的故障類型。最后，建立一個DBN分類器模型來識別軸承的故障類型。實驗結果表明，基于希爾伯特包絡譜和DBN的方法可以獲得更好的診斷性能。

2.2 卷積神經網絡（CNN）及故障診斷研究現狀

卷積神經網絡是一個多層的神經網絡，享有共同權值的結構大大降低了網絡模型的復雜度。卷積神經網絡由輸入層、交替連接的卷積層和子采樣層、全連接層以及輸出層組成[7]。CNN典型架構如圖2所示。

圖2 卷積神經網絡（CNN）典型架構

由于CNN的輸入數據需要滿足2D的結構特征，所以基于CNN算法實現滾動軸承故障診斷不如基于DBN的關于滾動軸承故障診斷的算法多，還處于摸索階段。Wei Zhang等[8]提出了一種帶有新的訓練方法的深度卷積神經網絡用于嘈雜環境和變化的工作負載下滾動軸承故障診斷的方法，經過試驗驗證該方法能在嘈雜環境和變化負載情況下都具有較高的準確性和穩定性，且在該方法中原始數據無需手工提取過程即不需要任何的輔助算法。Xia M等[9]提出了一種基于CNN的旋轉機械故障診斷方法，即利用CNN的結構優勢來實現多傳感器的融合。通過對滾動軸承和齒輪箱對該方法進行試驗，結果表明與傳統的旋轉機械故障診斷方法相比該方法能達到更高的診斷精度。而Janssens等[10]則采用CNN實現了無需專家經驗的故障檢測與識別算法，成功解決了旋轉機械中外圈滾道故障和潤滑性能退化兩種傳統方法很難實現的故障診斷.

2.3 堆棧自動編碼機（SAE）及故障診斷研究現狀

堆棧自動編碼機（SAE）是由多個自動編碼器（AE）堆疊而成。自動編碼器是一種數據驅動的、非監督地學習數據特征的神經網絡模型。堆棧自動編碼機（SAE）可以視為一個輸出節點數與輸入節點數相等的多層神經網絡。由自動編碼器層疊后，再在頂層加上一個單層的邏輯回歸分類器所得到的整個深層神經網絡即為堆棧自動編碼機（SAE）[11]。SAE實現故障診斷的兩大功能是降噪濾波和特征提取。

近年來，人們越來越關注將SAE用于實現故障診斷，俞嘯等[12]在基于HHT和有監督稀疏編碼的滾動軸承故障狀態識別方法中為了實現對滾動軸承故障位置和損傷程度的準確定位，將類別判別信息引入到無監督的稀疏編碼中，提出一種有監督稀疏編碼方法。采用SKF-6205-2RS軸承試驗臺數據對提出方法進行實驗分析，使用HHT-SSC-SVM模型，驅動端軸承故障狀態識別率為99.5%，風扇端軸承故障狀態識別率為98.25%，在故障狀態識別率上表現出了較強的適應能力。苗中華等[13]將稀疏編碼應用于軸承振動信號分析并通過實驗驗證表明基于稀疏編碼的振動信號特征提取算法該方法可用于設備故障診斷。Liu H[14]等提出了一種基于短時傅里葉變換和堆疊稀疏自動編碼器的新型滾動軸承故障診斷方法。在通過短時傅里葉變換獲得頻譜圖之后，采用堆疊稀疏自動編碼器自動提取故障特征，采用softmax回歸作為故障模式分類方法，并通過滾動軸承振動信號測試來驗證所提出的方法的性能和有效性。

2.4 遞歸神經網絡（RNN）及故障診斷研究現狀

在BP網絡的基礎上加入反饋信號及偏差單元構成遞歸神經網絡，根據反饋途徑的不同，RNN可構成Jordan和Elman型兩種不同的遞歸神經網絡[15]。2種模型的結構如圖3所示。

在Elman網絡中含有一個特別的能從隱層接收反饋信號的關聯層，相當于狀態反饋[16]。Jordan網絡中只含有輸出反饋，不含有狀態反饋，所以只有反映到輸出的特性可由Jordan網絡表達[17]RNN充分考慮了以神經網絡之間的連接體現出來的樣本之間的關聯關系[18-20]。在故障診斷方面，RNN提高了故障診斷效率，改善了現有神經網絡故障診斷方法，適用于復雜設備或系統的實時故障診斷。

圖3 遞歸神經網絡

在應用RNN進行滾動軸承的故障診斷方面，湯寶平等[21]提出了一種基于Elman神經網絡的旋轉機械故障診斷模型，其綜合了經驗模態分解的特征提取和Elman神經網絡在故障模式識別方面的優勢，通過對深溝球軸承故障診斷實例驗證了所提故障診斷模型的有效性。李文強等[22]提出了基于粒子群優化算法（PSO）優化Elman神經網絡的滾動軸承故障診斷模型。采用具有動態遞歸特性的Elman神經網絡代替常用的前向傳播神經網絡BP神經網絡，可以增強滾動軸承故障診斷模型的聯想和泛化能力。采用粒子群優化算法對Elman神經網絡的學習訓練過程進行優化，充分利用粒子群優化算法的全局尋優性能，能克服常規學習算法易于陷入局部最優解、收斂速度慢、編程復雜等缺陷。仿真結果顯示，較之傳統方法，該模型能夠快速準確的對滾動軸承進行故障診斷。Tang BP等[23]提出了一種基于Elman神經網絡的旋轉機械故障診斷方法。利用經驗模態分解（EMD）將故障振動信號分解為幾個靜止固有模態函數（IMF），并將其視為Elman神經網絡用于故障診斷的輸入特征向量，通過深溝球軸承故障診斷實例驗證了故障診斷模型的有效性。

3 深度學習在滾動軸承故障診斷方面的挑戰和研究思路

經過近些年的發展，將深度學習方法應用于滾動軸承的故障診斷已初現端倪，國內外也有一些將深度學習方法用于對滾動軸承的故障特征有效的進行提取、選擇和分類的報道，但仍存在一些挑戰性問題需要解決。

（1）多層次、非線性的復雜故障診斷。由于滾動軸承可能出現早期故障、微弱故障、系統故障和復合故障等，深度學習對滾動軸承在這方面的診斷還沒有較可靠的方法。一種可行的思路是利用CNN適合處理海量數據的特點，將滾動軸承的監測數據組合為2維數據圖譜從而利用CNN實現多層次、非線性的復雜特征提取。

（2）深度學習的模型層數和模型參數的調整。深度學習在進行滾動軸承的故障診斷時其特征提取模型需要調節模型層數和模型參數，而模型層數和模型參數的確定需要不斷的嘗試以及極大的經驗，目前還沒有確定的方法。一個可行的思路是可以從最大化特征提取數量、識別精度來實現有監督的模型訓練[2，24]。

（3）深度學習方法在滾動軸承故障數據樣本缺失情況下的故障診斷。在數據樣本不全面的情況下進行有效的特征提取是現在面臨的一個挑戰。一個可行的思路是先將滾動軸承不同類型的故障注入實驗仿真分析平臺得到仿真信號，然后利用RNN進行滾動軸承故障特征信號的預測并與現有的狀態信號作殘差來實現滾動軸承的故障特征提取[2]。

4 結論

本文主要介紹深度學習4種主要模型的基本原理，并對目前為止部分國內外將深度學習方法用于滾動軸承故障診斷的實例進行闡述。深度學習方法為提高滾動軸承更加準確和高效的故障診斷提供了新思路。最后指出目前深度學習在滾動軸承故障診斷方面的應用尚不成熟，對于復雜性的故障診斷、模型的參數優化調整等方面存在的一些挑戰并提出了進行深入研究的思路。

［1］于婷婷.基于BP神經網絡的滾動軸承故障診斷方法［D］.大連：大連理工大學，2008.

［2］任浩，屈劍鋒，柴毅，唐秋，葉欣.深度學習在故障診斷領域中的研究現狀與挑戰［J］.機械工程學報，2017，32（8）：1345-1358.

［3］單外平，曾雪瓊.基于深度信念網絡的信號重構與軸承故障識別［J］.電子設計工程，2016，24（4）：67-71.

［4］Haidong Shao， Hongkai Jiang n， Fuan Wang， Yanan Wang.Rolling bearing fault diagnosis using adaptive deep belief network with dual-tree complex wavelet packet［J］.ISA Transactions，2016（69）:187-201.

［5］李巍華，單外平，曾雪瓊.基于深度信念網絡的軸承故障分類識別［J］.振動工程學報，2016，29（2）:340-347.

［6］Wang Xingqing， Li Yanfeng， Ting Rui， et al.Bearing fault diagnosis method based on Hilbert envelope spectrum and deep belief network［J］.J of Vibroengineering，2015，17（3）:1295-1308.

［7］曾雪瓊.基于卷積神經網絡的變速器故障分類識別研究［D］.廣州：華南理工大學，2016.

［8］Wei Zhang， Chuanhao Li， Gaoliang Peng， Yuanhang Chen，Zhujun Zhang.A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load［J］.Mechanical Systems and Signal Processing，2017，100（2018）：439-453.

［9］Xia M， LiT， Xu L， etal.FaultDiagnosis forRotating Machinery Using Multiple Sensors and ConvolutionalNeural Networks［J］.IEEE/ASME Transactions on Mechatronics，2017（99）:1-1

［.10］Olivier Janssens，Viktor Slavkovikj，Bram Vervisch，et al.Convolutional neural network based fault detection for rotating machinery［J］.J of Sound and Vibration，2016（337）331-345

［11］林洲漢.基于自動編碼機的高光譜圖像特征提取及分類方法研究［D］.黑龍江：哈爾濱工業大學，2014.

［12］俞嘯，丁恩杰，陳春旭，等.基于HHT和有監督稀疏編碼的滾動軸承故障狀態識別方法［J］.煤炭學報，2015，40（11）:2587-2595.

［13］苗中華，周廣興，劉海寧，等.基于稀疏編碼的振動信號特征提取算法與實驗研究［J］.振動與沖擊，2014，33（15）:76-81.

［14］Liu H，Li L，Ma J.Rolling Bearing Fault Diagnosis Based on STFT-Deep Learning and Sound Signals［J］.2016，2016（2）:12.

［15］陳如清.兩種基于神經網絡的故障診斷方法［J］.中國電機工程學報，2005，25（16）:112-115.

［16］王曉霞，馬良玉，王兵樹，等.進化 Elman神經網絡在實時數據預測中的應用［J］.電力自動化設備，2011，31（12）:77-81.

［17］姜述強，金鴻章，魏鳳梅.可容錯的遙控水下機器人遞歸神經網絡控制［J］.哈爾濱工業大學學報，2013，45（9）:57-63.

［18］DanilV Prokhorov.Toyota priusHEV neuro controland diagnostics［J］.Neural Networks，2008，21（2/3）:458-465.

［19］王旭紅，何怡剛.基于對角遞歸神經網絡的異步電動機定子繞組匝間故障診斷方法［J］.電力自動化設備，2009，29（7）:60-63.

［20］Li Shi，Lijia Wang，Zhizhong Wang.The modeling and the sensor fault diagnosis of a continuous stirred tank reactor with a takagisugeno recurrent fuzzy neural network［J］.Int J of Distributed Sensor Networks，2009，5（1）:37.

［21］湯寶平，習建民，李鋒.基于Elman神經網絡的旋轉機械故障診斷［J］.計算機集成制造系統，2010，16（10）:2148-2152.

［22］李文強.應用粒子群優化的動態遞歸神經網絡診斷滾動軸承故障［C］.第十五屆中國科協年會第1分會場：綠色化營運·創新型人才國際論壇，中國貴州貴陽，2013-5-25.

［23］Tang B P，Jian-Min X I，Feng L I.Fault diagnosis for rotating machinery based on Elman neural network［J］.Computer Integrated Manufacturing Systems，2010，16（10）:2148-2152.

［24］Sarah M Erfani，Suthar shan Rajasegarar，Shanika Karunasekera，et al.High-dimensional and large-scale anomaly detection using a linear one-class SVM with deep learning［J］.Pattern Recognition，2016，58:121-134.

TH165+.3

B

國家自然科學基金項目（51275052）；國家高技術發展研究計劃（2015AA043702）

〔編輯 凌 瑞〕