基于改進卷積神經網絡的滾動軸承智能故障診斷研究

宮文峰 陳輝 張澤輝 張美玲 管聰 王鑫

摘要：卷積神經網絡（Convolutional Neural Network，CNN）作為一種高效的深度學習算法已逐漸成為智能故障診斷領域研究的熱點。傳統CNN模型的全連接層結構存在訓練參數量過多的不足，使得模型訓練和測試的時間較長。為此，提出了一種改進CNN的新方法用于滾動軸承故障的快速智能診斷。該方法引入全局均值池化技術代替傳統CNN的全連接層部分，有效解決了傳統CNN模型參數量過多的問題，并運用數據增強、Dropout等深度學習訓練技巧防止模型過擬合。最后將提出的方法應用于滾動軸承故障實驗數據的智能診斷，并與傳統智能診斷算法進行對比驗證。結果顯示，改進的CNN算法的故障識別準確率高達99.04%，在診斷準確率及測試時間方面明顯優于傳統CNN和其他智能算法。整個診斷過程無需任何手工特征提取，“端到端”的算法結構具有較好的可操作性和通用性。

關鍵詞：故障診斷;滾動軸承;卷積神經網絡;全局均值池化;深度學習

中圖分類號：THl65⁺.3;TH133.33文獻標志碼：A 文章編號：1004-4523（2020）02-0400-14

DOI：10.16385/j.cnki.issn.1004-4523.2020.02.021

引言

近年來，中國在先進航空發動機、高性能艦船推進電機和大型風力發電機組等為代表的精密旋轉機械方面取得了突破性進展，滾動軸承作為旋轉機械中的核心支撐回轉部件，其運行精度和安全可靠性直接影響旋轉機械的總體性能。滾動軸承在復雜多變的載荷環境下長時問高速連續運轉，常因沖擊交變載荷、熱疲勞和機械磨損等影響而發生各種故障。從故障的演化機理可知，任何顯著性故障都是由早期微小故障累積演變而來的，微小故障對設備總體安全性影響較小且易于處理，但是其初期特征不明顯，診斷難度遠高于顯著故障，若處理不及時可能會快速發展為“物理目測級”顯著性故障，對系統造成重大安全影響。因此，研究滾動軸承早期微小故障的診斷方法極為必要，目前已得到國內外學者的廣泛關注。

近年來，隨著機器學習研究的不斷興起，基于數據驅動的智能故障診斷方法逐漸成為故障診斷領域的主流應用。傳統的智能故障診斷方法通常包含特征提取、特征選擇和故障分類三個步驟。特征提取是故障診斷的關鍵環節，目前常用的方法有小波變換法（WT）、譜分析法（sA）_9]、經驗模態分解法（EMD）。和傅里葉變換法（FFT）等。特征選擇是在提取后的特征中剔除靈敏度低、效用低的特征，從而精減特征個數，常用的方法主要包括主元分析法（PCA）和獨立元分析法（ICA）等。故障分類是將精選的特征輸入故障分類器進行模式識別，通過反復迭代訓練最終輸出故障分類結果，BP神經網絡（BPNN）、支持向量機（sVM）和K近鄰法（KNN）已被廣泛用作后端的故障分類器，并取得了較好的效果。經過多年的應用驗證，以上三種算法因其淺層的網絡結構導致特征提取能力較差，從而難以挖掘和提取故障數據更深層次的微小特征。業內學者通常采用手工特征提取與淺層機器學習算法相結合的方法進行智能故障診斷，這種方法雖然有一定效果，但是仍然突顯出許多不足：一方面，特征選擇必須依賴于工程師的經驗和專業知識完成，存在較大的主觀和盲目性;人工提取的故障特征不全面，反映微小故障的特征易被誤刪或被噪音掩蓋;另一方面，提取的特征主要用于解決特定故障問題，通用性差，且在大數據樣本環境下難以完成。產生上述缺陷的主要原因是現有的智能故障診斷算法中使用的網絡模型大多是淺層結構，其特征提取能力較弱。

2006年，Hinton等提出深度學習理論（DeepLearning，DL），DL利用深層神經網絡結構對輸入樣本數據逐層特征提取，逐層貪婪學習數據與標簽之問的內在聯系，擺脫了對手工特征提取和專家經驗的依賴，克服了傳統智能診斷方法的固有缺陷，目前已成功應用于語音識別、圖像識別和自然語言處理等領域，近5年開始受到故障診斷領域學者的關注。Jia等提出了一種基于深度自編碼（DAE）的故障診斷方法對滾動軸承和行星齒輪箱進行了故障診斷，但是需要將原始數據轉變為頻譜信號。Tamilselvan等提出了一種基于深度信念網絡（DBN）的故障診斷方法，分別對飛機發動機和電力變壓器進行了故障診斷。李巍華等將一個3層的DBN網絡應用于軸承的故障診斷實驗中，但是軸承的故障采用切槽的方式模擬，故障特征屬于顯著性故障的范疇，難以體現對微小故障診斷的效果。卷積神經網絡（Convolutional Neural Net-work，CNN）是深度學習的重要分支之一，它具有強大的特征提取能力，具備提取微小故障特征的潛力，目前主要應用于圖像識別。近年來有部分學者將CNN應用于故障診斷領域，文獻[11，21]分別將卷積神經網絡用于滾動軸承和異步電機的故障診斷中，兩者雖然都用到了CNN算法，但是仍然需要用傳統的特征提取方法對原始振動數據進行特征提取，未能充分利用CNN強大的特征提取能力，限制了故障診斷效果的進一步提升。曲建嶺等提出了一種基于一維CNN的算法用于滾動軸承故障診斷，但是該CNN模型的全連接層的訓練參數量過大，導致訓練和測試時問較長，不利于故障的快速診斷。

針對以上不足，本文提出了一種改進的卷積神經網絡算法，并將該算法用于軸承的微小故障智能診斷。該方法通過改進傳統的CNN模型結構，設計了全局均值池化層代替全連接層結構，極大地減少了模型訓練參數量和計算時問，并運用數據增強、Dropout和批量歸一化等多種深度學習訓練技巧防止模型過擬合，使得提出的方法更適用于故障的在線監測和快速診斷?！岸说蕉恕钡乃惴ńY構使整個診斷過程無需任何手工特征提取，擺脫了傳統方法過度依賴專家先驗知識的不足。最后將改進的CNN算法應用于滾動軸承實驗數據集進行故障診斷，并與傳統的SVM，KNN，BP網絡和DNN算法對比分析，驗證了改進CNN算法的優越性和有效性。

1卷積神經網絡

卷積神經網絡是一種深度前饋式神經網絡，最早于1989年受靈長類動物視覺系統神經元啟發而提出。CNN具有強大的特征提取能力，專門用于處理網狀結構數據，它通過構建多個能夠提取輸入數據特征的濾波器，并運用這些濾波器逐層提取隱藏在輸人數據中的代表特征，同時結合稀疏式連接和參數權共享機制在時問和空問上降維采樣精減數據維度，減少了訓練參數量，有效避免算法過擬合。同時它對縮放、傾斜和平移等其他形式的變換具有不變性，因此得到廣泛的應用。圖1為傳統的CNN模型的基本架構。

如圖1所示，CNN模型一般主要由卷積層、激活層、池化層、全連接層和Softmax分類器組成。通過交替堆疊多個卷積、激活和池化組合即可構建深層的CNN網絡。

1.1卷積層

卷積運算是CNN的核心模塊，它采用矩形的卷積核遍歷圖片上的每一個像素點，采用參數共享機制，同一輸入特征圖使用了相同的卷積核權重。輸入特征圖與卷積核相重合區域內對應點相乘后求和，再加上偏置，最后得到輸出特征圖中的一個值。卷積操作的數學形式為

1.3池化層

池化的主要目的是降維，由于卷積操作增加了輸出特征圖的個數，使得特征提取能力提升的同時輸出維度也急劇增加，容易造成維數災難。池化的主要功能是在保持原有主要特征不丟失的基礎上最大限度地降低輸出特征圖的尺寸維度，既減少參數計算量又篩選了主要代表特征。CNN中應用最多的是最大池化，方法是從池化核所對應區域內取出最大值作為代表值，它對紋理特征很敏感，其數學表達式為

經過長期實踐發現：如圖1所示的傳統CNN模型中，由全連接層所帶入的參數量幾乎占據了CNN模型總參數量的80%-90%，這一問題將CNN通過池化降維減少訓練參數量的優勢抵消，尤其是包含多個隱層的全連接層，參數量將隨層數增加呈指數級增長，全連接層的結構設計既占用了過多的計算資源，同時又容易引起模型計算過擬合;更重要的是，訓練好的帶有全連接層的CNN模型因參數量過多使得用在故障在線診斷時測試耗時過長，不利于實時快速診斷。

2改進的CNN智能診斷算法

針對傳統CNN模型和現有淺層智能診斷算法的不足，本文提出了一種改進的CNN算法用于滾動軸承的微小故障智能診斷，如圖2所示。該方法采用多層CNN作為特征提取器，通過改進傳統CNN結構，引入全局均值池化技術代替全連接層部分，減少模型的訓練參數量和測試時問。提出的方法在整個故障診斷過程中無需對原始數據做任何的手工特征提取和特征變換操作，只需將滾動軸承的原始故障數據輸入改進的CNN模型，故障診斷結果自動輸出，“端到端”的算法結構具有更好的可操作性和通用性。

如圖2所示，改進的CNN算法結構中主要由輸入層、特征提取層和分類輸出層組成，其中特征提取層與傳統的CNN相類似，可包含多個依次堆疊的卷積層、激活層和池化層，在最后一組特征提取層的卷積層之后設計了全局均值池化層代替全連接層，然后連接Softmax分類器。改進的CNN智能故障診斷方法的基本流程如圖3所示。

在圖3中包含了訓練過程和測試過程2個階段。在模型的訓練過程中，首先將Softmax函數與CNN組合，通過Softmax函數進行誤差反向傳播，使損失函數J（ω）最小化，完成CNN模型參數的訓練;在模型的測試階段，同樣采用已訓練好的CNN模型對新故障數據進行特征提取，得到新故障數據的稀疏低維代表特征向量，最后再把該低維特征數據輸入給Softmax分類器完成最終的故障分類，直接輸出故障診斷的結果。該算法的具體的實現步驟如下：

1）獲取滾動軸承的原始數據信號（如振動、噪聲信號），用于訓練CNN模型;

2）將采集的故障數據進行規范化、歸一化和數據格式標準化;

3）將數據劃分為訓練集、驗證集和測試集;

4）設計CNN模型結構，初始化參數;

5）用訓練集數據對CNN模型進行預訓練，反復執行前向傳播和反向傳播迭代計算過程，進行調參，并用驗證集數據驗證訓練后的模型診斷準確率是否滿足實際要求，滿足執行步驟6，否則跳轉到步驟4，修改模型參數，直到獲取合適的模型超參數和訓練參數為止，并保存相對最佳的模型;

6）最后把測試集數據輸入到已訓練的CNN模型中，最終得到軸承故障診斷的分類結果。

改進的CNN算法的基本組成單元如下。

2.1輸入數據層

輸入層用于對獲取的原始數據進行必要的標準化及格式歸整等操作，將原始數據轉化為CNN模型可訓練的類型。通常輸人CNN模型的原始數據格式是二維像素網格數據（如圖像數據）或三維立體數據（如CT掃描或彩色視頻數據）。對于滾動軸承采集的一維時問序列故障振動信號可通過數據重構法轉化為二維的輸人特征圖形式。

2.2特征提取層

特征提取層由傳統CNN的卷積層、激活層和池化層組成，并且根據診斷對象的需要通過交替堆疊多個卷積層、激活層和池化層即可構建深層的特征提取層。具體的卷積層、激活層和池化層見1.1，1.2，1.3節所示，此處不再贅述。

2.3全局均值池化層

全局均值池化層是用來解決全連接網絡參數過多而提出的新技術，與池化層操作相類似，全局均值池化是對最后一層卷積操作輸出的特征圖取全局平均值。在CNN的故障診斷應用中，最終輸入到Softmax分類器的維度數即是故障類別的個數，由于本文改進的CNN中將全局均值池化層直接與Softmax分類器連接，而全局均值池化層的前一層是CNN的卷積層，因此對于n分類問題，可將CNN中的最后一個卷積層的卷積核的輸出維度設置為n，從而得到n個輸出特征圖，再采用n個全局均值池化核，每個池化核的大小和步長與輸出特征圖的尺寸相同，然后求取每個池化核對應的平均值，使每一張特征圖生成一個值，即可得到n個與全連接層輸出效果同等的值，最后輸入到Softmax分類器中。全局均值池化的數學表達式為