基于CWRU數據集進行系統參數識別的智能化發展方向

摘 要：隨著監測系統的廣泛應用，大量過程數據得以保存與利用，基于數據驅動的故障診斷方法得到較快發展。本文通過分析和總結基于數據驅動的機器學習方法對旋轉機械設備故障診斷的效果，提出未來智能故障診斷技術的發展方向，以供參考。

關鍵詞：CWRU數據集；機器學習；深度學習；智能故障診斷

中圖分類號：TH133.33 文獻標識碼：A 文章編號：1003-5168（2018）10-0059-03

Intelligent Direction of System Parameter Identification

Based on CWRU Data Set

YANG Jing

（School of Mechatronics and Automobile Engineering，Tianshui Normal University，Tianshui Gansu 741001）

Abstract： With the extensive application of monitoring system and the preservation and utilization of a large number of process data， the data driven fault diagnosis method has developed rapidly. In this paper， the effect of data driven machine learning method on rotating machinery fault diagnosis was analyzed and summarized， the development direction of future intelligent fault diagnosis technology was put forward for reference.

Keywords： CWRU data sets；machine learning；deeplearning；intelligentf ault diagnosis

1 研究背景

基于數據驅動的故障診斷方法的首要關鍵步驟是特征提取。特征提取方法不同，得到的特征信息也會不同，而不同的特征信息會直接影響故障診斷效果。深度學習作為機器學習的一個重要組成部分，可以在無人為干預的情況下自動提取信號中的特征信息，自適應地完成滾動軸承故障診斷任務。目前，公認的深度學習的基本模型包括基于受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）的深度信念網絡（Deep Belief Network，DBN）、基于自編碼器（Autoencoder，AE）的堆疊自編碼器（Stacked Autoencoders，SAE）、卷積神經網絡（Convolutional Neuralnetworks，CNN））和遞歸神經網絡（Recurrent Neural Networks，RNN）。

CWRU軸承數據中心數據集是由圖1所示的實驗臺采集的數據構成的。

該實驗平臺包括一個2馬力的電機（左側），一個轉矩傳感器（中間），一個功率計（右側）和電子控制設備（沒有顯示），待檢測的軸承支撐著電動機的轉軸。表1列出了兩種軸承的幾何尺寸和各部件的故障頻率。使用電火花加工技術在軸承上布置單點故障，損傷直徑分別為：0.177 8、0.355 6、0.533 4mm和0.711 2mm。其中，前三種故障直徑的軸承使用的是SKF軸承，后兩種故障直徑的軸承使用的是與之等效的NTN軸承。

[文件名釋義DE-drive end accelerometer data驅動端加速度數據FE-fan end accelerometer data風扇端加速度數據BA-base accelerometer data基座加速度數據（正常）time-time series data時間序列數據RPM-rpm during testing每秒鐘多少轉，除以60為旋轉頻率]

實驗中使用加速度傳感器采集振動信號，加速度傳感器分別安裝在電機殼體的驅動端和風扇端12點鐘的位置。數字信號的采樣頻率為12 000S（樣本）/s，驅動端軸承故障數據分別以12 000S（樣本）/s和48 000S/s的采樣速率采集得到，風扇端數據以12 000S（樣本）/s的采樣速率采集得到。軸承外圈故障固定不變，實驗中分別對驅動端和風扇端的軸承外圈布置3點鐘、6點鐘、12點鐘方向的故障。

2 CWRU軸承數據中心數據集分析常用算法及模型

孟宗等[1]提出基于壓縮感知框架下壓縮采集的信號的一種滾動軸承故障診斷新方法。該方法選擇部分Hadamard矩陣作為測量矩陣，將峭度因子、方差、波形因子作為敏感特征參量，直接利用壓縮采集信息提取敏感特征，然后通過PSO-SVM算法進行模式識別并計算出故障識別率，從而實現故障診斷。通過CWRU數據集驗證方法的有效性，本文算法性能依賴于人為特征參數的選擇及特征量的計算。孫瑤琴[2]針對支持向量機（SVM）的分類性能受本身參數選擇影響較大的問題，提出了基于改進果蠅優化算法（LFOA），對SVM參數進行優化，并應用于常見故障的診斷。通過CWRU數據集驗證，本文算法性能受特征參數選擇和特征量的計算及實驗設置參數的影響。孟凡磊等[3]提出局部特征尺度分解、k均值聚類分析和獨立分量分析相結合的故障診斷方法。應用局部特征尺度分解得到振動信號分解的若干個內稟尺度分量，依據分量與原始信號的互相關系數及峭度值，應用k均值聚類方法選取有效的分量組成新的觀測信號，對觀測信號進行獨立分量分析處理，實現信噪分離；依據峭度值選取信號分量，對信號應用希爾伯特包絡譜技術以實現故障診斷。通過分析CWRU數據集中軸承內圈故障數據，驗證了方法的有效性。但驗證結果僅反映出本文方法對軸承內圈故障診斷的有效性，診斷類別單一，沒有反映出算法的通用性，且故障診斷精度仍依賴于人為特征參數選擇。

目前，主流故障診斷方法雖然在旋轉機械智能故障診斷中起到了重要作用，但仍存在以下兩個缺陷。①需要基于信號處理技術和診斷專家的許多先驗知識，手動提取特征。此外，這些特征是根據特定的診斷問題提取的，可能不適用于其他問題。②基于神經網絡的淺層結構限制了在故障診斷問題中學習復雜的非線性關系。

3 基于深度學習網絡分析CWRU軸承數據中心數據集的現狀

3.1 基于SAE滾動軸承故障模式辨識

具有深層結構的深度神經網絡（DNNs）可以近似任意復雜的非線性函數，并從原始數據中挖掘出更多有價值的信息。因此，F.Jia et al[4]提出一種基于深度學習網絡（Autoencoder，自編碼器）的新的故障診斷方法，并使用CWRU滾動軸承數據集和行星齒輪箱數據集驗證了所提方法的有效性。這里，原始信號是指在頻域中測量的信號，即頻譜。之所以采用頻譜的主要原因是旋轉機械的頻譜顯示了期組成成分是如何基于離散頻率分布的，因此可以為旋轉機械的健康狀況提供清晰的信息。

深度學習方法起初應用于故障診斷領域時，仍然需要手動選擇特征，而深層模型只起到分類器的作用，這并沒有發揮出深度學習的優勢。對工業應用環境而言，有效的故障診斷方法應該能從噪聲污染的信號中獲取有用的信息。然而，不充分的去噪或過度去噪會使原始信號失真，造成機械故障的診斷或識別率降低。此外，去噪步驟與特征提取和分類步驟相結合，造成了更多的人為干預，如基函數或其他參數的選擇影響最終性能。

考慮到實際應用環境中存在噪聲，X.Guo et al[5]提出一種考慮空間和時間相關性的自動去噪和特征提取方法。該方法是基于堆疊去噪自編碼器（SDAE）構建集成深度故障識別模型，用來去除原始振動信號中的隨機噪聲并進行特征表示，實現對滾動軸承故障和齒輪故障的故障模式診斷。通過利用CWRU數據集驗證方法的性能，實驗驗證精度達到了100%。C.Lu et al[6]提出利用基于SDA（Stacked Denoising Autoencoder）的深度學習方法進行故障診斷。該方法在對模型進行微調階段采用共軛梯度法，并在訓練程序中引入“破壞等級”，即量化噪聲程度和環境波動對模型訓練的影響，采用Softmax分類器進行分類，適用于含有環境噪聲和工況波動的信號的健康狀態識別。通過CWRU數據集驗證方法的有效性，將本文提出的健康狀態識別方法應用于滾動軸承實例研究中，以不同程度的環境噪聲和工況波動為例。與傳統的診斷算法相比，該方法的主要優點是通過一個通用的學習過程來學習故障特征，而不是手工設計或基于信號處理技術的先驗知識，因此，易于進行問題診斷。診斷結果表明，以深層結構為基礎的學習方法確實提供了一種方式來改善健康狀態的辨識精度，數據破壞促進了對含有環境噪聲和工作狀態波動的輸入信號特征的魯棒性識別。

3.2 基于CNN網絡的滾動軸承故障模式辨識

在無需增加專業知識和不過于復雜化機械結構的前提下，X.Guo et al[7]提出了一種基于改進算法的分層學習率自適應深卷積神經網絡（ADCNN）模型。考慮到有效的故障診斷方法不僅能夠實現故障模式識別，而且能夠完成故障嚴重等級預測，所以構建兩層結構的ADCNN模型。該模型包括故障模式識別層和故障嚴重程度識別層，用于診斷軸承故障并確定故障嚴重程度等級。最后，通過CWRU數據集對比驗證本文方法的診斷效果。實驗結果表明，第一層ADCNN模型識別精度達到99%。然后，將樣本分為十個部分進行交叉驗證，平均檢驗準確率為97.9%。

近年來，隨著深度學習作為一種計算框架在各個研究領域中迅速普及，一些文獻試圖用卷積神經網絡對機械部件進行故障診斷。在機械故障診斷領域，CNNs網絡的輸入可以是二維的，如頻譜圖像，也可以是一維的，如時間序列信號或頻譜系數。雖然已有許多研究取得了不錯的效果，但仍有很大的改進空間。例如，在許多研究中，分類器是用特定的數據類型進行訓練的，這意味著其可以在類似數據上實現高精度，而在其他類型數據中表現不佳，這可能是由于從原始信號中進行故障表征特征提取造成的。此外，在分析一個高度復雜的系統時，選擇合適的特征函數需要大量的機械專業知識和豐富的數學知識。因此，分類器應具備自動和自適應地從原始信號中精確提取特征的能力。

W.Zhang et al[8]針對實際工業應用中負載時變和工作環境中不可避免的噪聲導致智能故障診斷方法性能下降的問題，提出WDCNN（Deep Convolutional Neural Networks with Wide First-layer Kernels）智能故障診斷方法，以經過FFT的原始振動信號作為模型輸入信號，利用數據增強技術生成更多的輸入（只對訓練集進行此操作），利用第一卷積層中的寬核提取特征，抑制高頻噪聲，后面層中以小卷積核用于多層非線性映射，由Adam隨機優化算法取代BP算法最小化損失函數，并通過AdaBN（AdaptiveBatch Normalization）算法提升域自適應能力。采用CWRU原始數據集在不同負載環境和不同噪聲環境下分別進行測試，驗證模型的有效性。

4 結論

基于上述分析，未來基于深度學習方法對故障數據進行分類、預測，可以考慮從以下幾方面入手。

①采用CWRU數據集驗證深度學習網絡模型效果時，考慮采用智能算法對網絡的超參數進行智能優化。避免實驗獲取參數造成的不確定性和誤差。

②對標準CWRU數據集進行推廣，使其更加適用于惡劣復雜多變的工業環境中的故障數據監測及分析。例如，設計更加合理的基于CWRU數據集的輸入數據，解決實際工業環境中數據缺失、污染及數據不平衡情況下的故障診斷問題。

③考慮目前工業環境中各類傳感器的普遍應用，未來對故障數據的分類、預測等可以朝著數據融合的方向發展，以便提取各種傳感器采集到的樣本中蘊含的豐富信息，實現精度更高、更有實際泛化能力的診斷方法。

參考文獻：

[1]孟宗，李晶，龍海峰，等.基于壓縮信息特征提取的滾動軸承故障診斷方法[J].中國機械工程，2017（7）：806-812.

[2]孫瑤琴.基于改進FOA優化的SVM在故障診斷中的應用[J].機械強度，2017（2）：285-290.

[3]孟凡磊，崔偉成，李偉，等.LCD、k-means與ICA相結合的滾動軸承故障診斷方法[J].機械科學與技術，2017（9）：1402-1407.

[4]Jia F，Lei Y，Guo L， et al. A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines[J]. Neurocomputing，2018（272）：619–627.

[5]Guo X，Shen C，Chen L. Deep Fault Recognizer： An Integrated Model to Denoise and Extract Features for Fault Diagnosis in Rotating Machinery[J]. Applied Sciences，2016（1）：41.

[6]Lu C，Wang Z Y，Qin W L，et al. Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state identification[J]. Signal Processing，2017（C）：377-388.

[7]Guo X， Chen L， Shen C. Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis[J]. Measurement， 2016（93）：490-502.

[8]Zhang W， Li C， Peng G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load[J]. Mechanical Systems Signal Processing， 2017（100）：439-453.