基于數據融合的滾動軸承故障診斷方法

李鳳娟 彭 成 蔣金元

（ 湖南工業大學，湖南 株洲412007）

滾動軸承是工業生產中最常見、最基礎的零件，長期處在持續高負荷工作狀態，發生故障的概率占到旋轉機械設備故障的70%，提高滾動軸承故障診斷的準確率能夠顯著降低設備故障失效的可能性，以維護設備性能，提升其使用壽命。近年來，針對滾動軸承故障診斷的研究已有很多成果。胡愛軍等[1]提出選用拉普拉斯分數自動選取時域、頻域以及時頻域的敏感特征，運用基于優化核極限學習機的方法實現多種工況條件下的滾動軸承故障診斷。魏樂等[2]提出改進的深度信念網絡用于故障診斷，加入Dropout 技術和Adam 優化器提升診斷性能。

用單一的診斷方法可能會導致診斷結果出現偏差，致使最后的識別準確率不高，用多種方法對滾動軸承故障信號數據進行分析并融合多種結果能夠避免方法的固有缺陷，得到高精度的識別結果。為此，提出一種基于數據融合的故障診斷方法，分別利用LSTM 和CNN 訓練挖掘傳感器信號數據的深層故障特征，然后運用D-S 證據理論對訓練的數據進行融合輸出診斷結果，并通過實驗驗證方法的有效性。

1 基本理論

1.1 卷積神經網絡(CNN)

卷積神經網絡是一種經典的前饋型神經網絡，能夠直接從原始信號數據中通過交替和堆疊卷積層和池化層來自主學習抽象特征表示[3]，非常適合滾動軸承的故障診斷。

CNN 是包含卷積層、池化層和全連接層的深層網絡模型，卷積層通過多個卷積核在局部感受野內對輸入的圖像數據做卷積運算，以實現對整個圖像平移不變的多特征提取。卷積操作完成后輸入到池化層，通過池化策略將經過卷積后的局部特征映射，縮短特征映射圖的長度，從而達到減少模型參數數量，約簡特征圖尺寸的目的。經過卷積和池化的多次操作交替堆疊后輸入到全連接層，目的是將二維特征映射圖轉換成一維輸出向量，然后將結果輸入到頂層分類器(通常為Softmax)分類，通過實際的輸出結果與理想狀態之間存在的誤差來更新網絡。

1.2 長短時記憶網絡(LSTM)

LSTM 是在循環神經網絡(RNN)基礎上改進的一種用于處理時序數據的深層訓練模型，對當下時刻的輸出造成影響的不僅有該時刻的輸入，還有以前時刻的輸出，對具有前后強關聯的數據的分析非常有優勢，目前在故障診斷領域也有很多關于LSTM的研究[4]。

同時，LSTM 通過引入“門”結構來調整每一時刻關于不同時間點輸出信息量的大小，保證每一循環結構能自主捕獲相異時間跨度的依賴關系，解決了RNN 的長期時間依賴性問題。

1.3 D-S 證據理論

D-S 證據理論發展于Bayes 推理，通過對不確定信息進行融合分析，能夠較好地描述多源數據之間的置信程度，用于滾動軸承故障診斷方法能有效提升其準確率。

針對一個命題的全部互不相容事件的集合定義為識別框架Θ，其內部每個假設的初始概率分配值稱為mass 函數，且滿足：

每個假設存在一個信任區間[Bel(A),Pl(A)]來表示該假設的確定程度。Bel(A)稱為信任函數，Pl(A)稱為似然函數，計算公式如下：

Dempster 合成規則通過對識別框架內的有限個mass 函數進行融合分析，最終計算出識別框架內每個假設各自的信任區間，獲得綜合診斷結果。假定識別框架內存在有限個假設：1,2，……,n，其mass 函數分別為：m1,m2,……,mn,記K 為歸一化常數，合成式則為：

2 滾動軸承故障診斷方法

2.1 故障診斷流程

本文采用基于CNN、LSTM 和D-S 證據理論的故障診斷方法，主要的操作流程如下：

（1）選取振動信號數據，劃分樣本后，對數據進行標準化預處理；

（2）將數據集的80%劃分為訓練集，20%作為測試集；

（3）分析數據集和故障基本類型，由此確定網絡相應的輸入和輸出節點，將訓練數據集分別輸入并列的CNN 和LSTM 訓練，確定最優的網絡參數和結構，得出各自初步故障分類結果；

（4）將初步的分類結果輸入D-S 證據理論，根據上述的合成公式對數據進行融合分析，得出最后的綜合診斷結果，完成整個滾動軸承故障診斷的模型訓練；

（5）利用測試集對訓練好的故障診斷模型測試，驗證其診斷效果。

2.2 實驗數據

本文采用西儲大學軸承驅動端數據集，包含正常、內圈故障、外圈故障、滾動體故障共四種類型，劃分樣本后對其進行標準化預處理，80%劃作訓練集，20%劃作測試集。

3 實驗結果和分析

將劃分好的訓練集傳入診斷模型進行訓練并調整，然后利用測試集對其驗證。通過故障診斷方法測試最終應得到不同故障類型的分類結果，用交叉熵損失和識別準確率來判斷該方法的有效性，上圖列出故障診斷準確率。

看圖能夠得出，針對滾動軸承不同的故障類型，通過該方法能達到較高的識別準確率，在迭代次數超大約80 次后，診斷準確率能穩定在99.67%，證明了該方法的有效性。

4 結論

本文結合目前滾動軸承故障診斷的研究趨勢，以提高滾動軸承的故障診斷準確率為目標，提出了一種基于CNN、LSTM和D-S 證據理論的滾動軸承故障診斷方法，利用CNN、LSTM的強大深度學習能力，學習數據的深層特征表示，通過D-S 證據理論對CNN 及LSTM的輸出結果進行融合分析，確定最終的診斷結果，有效避免因數據單一造成的偏差，提高滾動軸承故障診斷的準確率，實驗驗證了該診斷方法的有用性。