基于卷積神經網絡和離散小波變換的滾動軸承故障診斷

陳仁祥 黃鑫 楊黎霞

摘要： 針對滾動軸承故障診斷時頻特征自適應提取與智能診斷問題，提出了一種基于卷積神經網絡（Convolution Neural Network，CNN）和離散小波變換（Discrete Wavelet Transform，DWT）的滾動軸承故障診斷方法。首先應用離散小波變換將信號時頻特征充分展現，構造出時頻矩陣；然后再利用卷積神經網絡的多層特征提取網絡對輸入信號進行分級表達，將時頻矩陣低層信號特征逐層變換形成抽象的深層特征，以獲取原信號時頻信息的分布式特征表達。最后在特征輸出層后端添加softmax多分類器，利用反向傳播（Backpropagation， BP）逐層微調結構參數，建立特征空間到故障空間的映射以生成合適的分類器，從而實現滾動軸承故障診斷。通過對不同故障類型、不同損傷程度以及不同工況下的滾動軸承進行故障診斷實驗，結果證明了所提方法的可行性與有效性，并具有較好的泛化能力和穩健性。

關鍵詞： 故障診斷； 滾動軸承； 卷積神經網絡； 離散小波變換； 自適應提取

中圖分類號：TH165+.3； TN911.7； TH133.33 文獻標志碼： A 文章編號： 1004-4523（2018）05-0883-09

DOI：10.16385/j.cnki.issn.1004-4523.2018.05.019

引 言

滾動軸承工作環境復雜，故障發生概率高、易損壞，當其出現局部損傷或缺陷時，輕則使設備產生噪音、振動異常，重則損傷設備[1-2]。目前國內外對于故障診斷主要利用信號處理方法（如包絡解調、LMD、階次分析和EMD分解等）提取故障特征，然后通過模式識別方法進行故障診斷，如：黎敏等[3]利用基于信息熵的循環譜分析方法對滾動軸承故障進行了診斷。Qu等[4]雙樹復小波包變換和多分類器對滾動軸承以及齒輪進行了故障診斷。Keskes等[5]利用小波包技術和支持向量機對感應電動機轉子故障進行了故障識別。以上所述方法取得了不錯的效果，但這些診斷方法需要依靠信號處理與診斷經驗提取淺層故障特征，再利用模式識別的方法進行診斷。其中，故障特征提取是關鍵，而滾動軸承往往工作在工況交替的條件下，所測試得到的故障信號特征微弱且易被調制呈現出典型的非線性與非平穩性，難以通過淺層特征對其二維時頻信息進行全面準確刻畫。同時，這些方法所提取的特征與所應用的模式識別算法間匹配程度難以評價，兩者不是有機融合的整體，影響診斷結果的可靠性。

深度學習因其具有自動學習數據內部特征的優勢在故障診斷領域得到了成功應用。如Sun[6]等將稀疏自動編碼器應用在感應電動機的故障診斷上，并取得了良好的效果。Lu等[7]采用堆疊去噪自動編碼對往滾動軸承故障進行了診斷。雷亞國等[8]利用深度神經網絡來進行機械裝備健康監測。陳仁祥等[9]利用棧式稀疏加噪自編碼深度神經網絡進行了滾動軸承損傷程度診斷。這些方法為故障特征的自動學習提供了有益借鑒，但它們都是從單一的時域或頻域中學習故障特征，其所學習到的特征還不能刻畫滾動軸承故障信號的二維時頻信息。

卷積神經網絡（Convolution Neural Network， CNN）利用非監督方式通過多層特征提取層能自適應的將二維信息逐層變換形成抽象的分布式特征表達，提取的特征具有更強的泛化能力和判別能力[10]，且具有對移動、縮放、扭曲不變性的特點。其已在諸如圖像分類、目標檢測、圖像語義分割等領域取得了一系列突破性的研究成果[11]。目前，CNN已運用于故障診斷領域，Chen等[12]將提取到的信號偏度、均值、方差和峭度等形成特征矩陣作為CNN輸入用以識別變速箱中齒輪和軸承的故障。Ince等[13]利用一維卷積神經網絡對發動機故障進行了診斷。Zeng等[14]將信號S變換時頻圖作為CNN輸入用以提取相應故障特征以識別齒輪箱故障。

欲利用CNN對軸承信號分布式時頻特征進行充分學習提取，必須將信號的二維時頻信息充分展現。目前，信號時頻特征的方法中，短時傅里葉變換難以兼顧時域和頻域分辨率，S變換[15]對高頻帶分辨率模糊，而離散小波變換（Discrete Wavelet Transform，DWT）具有無冗余分解和準確重構的特點，能將故障信號的頻帶嚴格區分開以對故障時頻特征充分展現。因此，首先利用DWT將信號中的時頻特征充分展現，將所構造出時頻矩陣輸入CNN中進行二維時頻特征的分層自動提取，以實現滾動軸承故障診斷，最終形成了基于CNN和DWT的滾動軸承故障診斷方法。通過對不同故障類型、不同故障程度以及不同工況下的滾動軸承進行故障診斷實驗，證明了所提方法的可行性與有效性。