基于DCNN-SVM的滾動軸承故障診斷方法研究*

張立智，徐衛曉，井陸陽，譚繼文

(青島理工大學 機械與汽車工程學院，山東 青島 266520)

0 引言

滾動軸承在旋轉機械中應用廣泛，是保證設備正常運轉的關鍵部位之一[1]。由于大多機械設備在高速重載的情況下運轉，使得滾動軸承容易出現各種故障。因此，檢測滾動軸承的狀態信息并進行故障診斷，對大幅度減少維修成本和確保設備正常運行具有重要意義。

近幾年，國內外諸多學者利用深度學習模型對滾動軸承進行故障診斷。Guo等[2]使用深度自編碼模型對軸承故障進行診斷，提取振動信號的時域特征與頻域特征，再輸入到深度自編碼模型中進行故障識別；Lu等[3]基于深度降噪編碼器模型對軸承進行故障監測，測試了模型在不同信噪比條件下對故障軸承的診斷精度，并討論了深度降噪編碼器的參數選擇問題；Janssens等[4]對軸承進行故障監測，先使用FFT對信號進行預處理，再使用深度卷積模型提取振動信號特征并得出診斷結果；Zhang等[5]采用深度卷積模型對故障軸承進行診斷，直接處理振動信號并結合區域適應性方法，提高模型診斷效果。上述故障診斷研究中，大多需要對振動信號進行復雜的信號處理，處理方法存在固有缺陷。其次，深度學習在特征提取和表達方面表現出優越的性能，但是難以達到很好的分類準確度[6]，網絡泛化能力較差。為解決上述問題，本文直接對滾動軸承原始信號進行訓練，降低了信號處理上的難度，并利用分類效果顯著的支持向量機進行分類，相比經典深度卷積模型和BP神經網絡等方法提高了診斷準確率。

1 深度卷積模型

深度卷積模型(Deep convolutional neural network，DCNN)是深度學習中的主要模型之一，在圖像處理、語音識別等領域取得了巨大突破[7]。DCNN具有較強的數據信息挖掘能力與信息融合能力[8]，在旋轉機械故障信號的“特征提取”與“多信息融合”兩個方面具有較大應用潛力與研究前景。

深度卷積模型主要包含三類結構層，分別是卷積層、池化層及全連接層[9]。如圖1所示，經典深度卷積模型主要由二維卷積層與池化層組合成的小單元堆疊而成，在模型的最后再加上全連接層組成完整的一套信息提取及模式識別模型。

圖1 經典深度卷積模型結構圖

卷積層是深度卷積網絡中最為核心的部分，它通常是由多組二維濾波器組成。當數據進入卷積層后，與二維濾波器的權值進行卷積運算，卷積后的結果就是卷積層的輸出。假設輸入卷積層是X，屬于RA×B，A和B是輸入數據的維度。然后卷積層的輸出可以如下計算：

(1)

池化層又叫降采樣層，一般接在卷積層之后，與卷積層成對出現。輸出可以描述如下：

(2)

其中,Pcn是池化層第cn個輸出，輸出數是CN；S是池化層尺寸。

全連接層為深度卷積網絡的最后一層，由于采用傳統網絡的“全連接”模式而得名。假設任務是一個K-label問題，softmax回歸的輸出可以計算如下：

(3)

其中,θ(1),θ(2),…θ(k)是模型的參數，Oj是DCNN的最終結果。

2 DCNN-SVM模型

本文利用深度卷積模型對滾動軸承信號進行自適應特征提取，之后輸入到SVM分類器中進行分類，方法流程如圖2所示。利用DCNN對10類滾動軸承信號進行特征提取，自適應提取10種特征，并對特征進行主成分分析，根據PCA結果對DCNN網絡結構進行調整，直到滿足要求為止。接著將提取的特征輸入到SVM分類器中，進行故障識別。

圖2 DCNN-SVM模型流程圖

為了驗證DCNN-SVM模型的有效性，使用BP神經網絡和支持向量機這兩種故障診斷中最為常見的模型進行對比實驗，對比實驗流程圖如圖3所示。對照實驗1中經典深度卷積模型參數與DCNN-SVM模型中DCNN參數相同；對照實驗2中直接將原始信號輸入到BP神經網絡中；對照實驗3與4，先人工提取15種特征，并分別輸入到BP神經網絡與支持向量機中進行故障識別，其中支持向量機參數與DCNN-SVM模型中SVM參數相同；對照實驗2與3的BP神經網絡參數相同。

圖3 對比實驗流程圖

3 實驗驗證

3.1 實驗系統建立

為了驗證DCNN-SVM模型在特征提取與故障識別中的效果，利用凱斯西儲大學的滾動軸承故障診斷公開實驗數據進行驗證。選取滾動軸承10種狀態：正常、內圈點蝕直徑0.007英寸、內圈點蝕直徑0.014英寸、內圈點蝕直徑0.021英寸、滾珠點蝕直徑0.007英寸、滾珠點蝕直徑0.014英寸、滾珠點蝕直徑0.021英寸、外圈點蝕直徑0.007英寸、外圈點蝕直徑0.014英寸、外圈點蝕直徑0.021英寸。

每種狀態下電機轉速分別為1797rpm、1772rpm、1750rpm、1730rpm。采樣頻率為12kHz，每種電機轉速下采樣長度為12kHz個數據點，每種狀態得到4×12k個數據點。本實驗選取1000個數據點作為一組數據樣本，每類故障得到480組數據，共得到4800組數據。選取其中83%為訓練樣本，17%為測試樣本。為提高結果統計性，每類模型的訓練與測試將進行10次，10次測試樣本的平均診斷正確率作為最終結果。

經過調試后選擇的DCNN-SVM模型參數如表1所示。

表1 DCNN-SVM模型參數選擇

3.2 實驗結果分析

在對比實驗設計中，人工特征的選擇為均值、均方根值、方根幅值、絕對平均值、歪度、峭度、方差、最大值、最小值、峰值這10個有量綱指標，波形指標、峰值指標、脈沖指標、裕度指標、峭度指標這5個無量綱指標，共15個人工特征類型[10]。接著輸入到BP神經網絡和支持向量機中進行分類。DCNN-SVM模型診斷結果與對比實驗結果如表2所示。

表2 DCNN-SVM模型及其對照方法的平均測試診斷正確率

DCNN-SVM模型與經典深度卷積模型10次實驗診斷結果如圖4所示。

分析上述實驗結果，不難看出本文提出的DCNN-SVM模型能夠有效地提取故障特征并進行故障狀態的識別。本文提出的方法具有最高的平均診斷精度 99.25%，比人工特征提取及其他各類常用模型均有更好的故障診斷效果。

圖4 診斷精度最高的兩種方法的10次實驗結果

為進一步驗證DCNN-SVM模型自適應提取特征的能力，本實驗采用主成分分析PCA對自適應提取的特征、人工提取特征以及原始輸入數據進行分析[11]，分析結果如圖5所示。

(a) 原始輸入數據

(b) 本文提出方法自適應提取的特征

(c) 人工提取的特征 圖5 原始輸入數據與特征數據的PCA結果

由PCA結果可以看出DCNN-SVM模型的自適應提取的特征要優于人工提取的特征。PCA結果從提取特征分類能力的角度也證明了DCNN-SVM模型能夠有效地自適應提取特征，進而基于提取的有效特征對設備進行準確的故障診斷。

4 結束語

(1)DCNN-SVM模型能夠很好的對滾動軸承信號進行自適應特征提取，特征提取效果優于本文中給出的人工特征提取方法。

(2)本文采用的SVM方法的分類效果優于DCNN中softmax分類器的分類效果。DCNN-SVM模型對滾動軸承的故障診斷效果較經典深度卷積模型更優。