基于改進卷積神經網絡軸承故障診斷*

龐 俊，劉 鑫，段敏霞，任海莉，侯鑫燁

(太原科技大學電子信息工程學院，太原 030024)

0 引言

現代機械設備正在朝復雜、高強度的工作條件下進行，一旦發生故障，那就可能是災難性的，因此機械故障隱藏著巨大的風險和經濟損失[1]。軸承是機械設備重要的零部件，為了使一些設備能夠正常運行，軸承的診斷就是必不可少的[2]，據統計有30%是由軸承的損壞造成的[3]。現在機械設備故障數據海量化，機械設備檢測邁入了“大數據”時代。

大數據時代是如何在海量的數據中自動進行特征挖掘，以取代人工進行特征提取，對軸承進行實時檢測，保證故障診斷的準確性和高效性。因此處理工業“大數據”的智能診斷就慢慢發展起來，其中卷積神經網絡故障診斷就受到廣泛的關注[4]。軸承故障診斷是機械研究領域的一個重要方向，故障診斷主要分為兩個步驟：一是特征提取，二是模式識別。傳統的特征提取的方法可以分為時域分析、頻域分析、時頻域分析這三大類方法；模式識別的方法主要有支持向量機[5]、多層感知器[6]等。由于卷積神經網絡在模式識別、圖片分類等領域有良好的特征學習能力，將深度學習模型運用于軸承故障診斷中，成為近些年來國內外專家學者們研究的熱點[3]。Janssens O等用卷積神經網絡機械軸承故障診斷，比傳統故障診斷準確率提高了6%[7]；Chen Lu等運用貪婪訓練的逐層傳遞規則，對深層次結構進行魯棒性訓練[8];Hoang Duy tang等建立神經網絡模型進行軸承故障診斷，把原始信號轉換成圖像作為輸入，可以達到較高的精度和性能[9]。雖然CNN提高了故障診斷的準確率，但在數據預處理和網絡結構上還存在一定的問題：①如果對輸入數據進行快速傅里葉變換或者小波變換，會使得一些故障信號的時域特征丟失；②激活函數的運用會使模型出現梯度消失和均值偏移，影響模型對軸承故障診斷準確率。因此，本文提出了對激活函數線性修正單元進行改進，以解決梯度消失所帶來的診斷準確率低的問題；卷積神經網絡加入了兩層殘差神經元層加深網絡；結合成一種新的故障診斷CNN模型，在與一些其它智能故障診斷相比較，顯示出了更好的故障診斷優勢。

1 卷積神經網絡故障診斷

1.1 激活函數

激活函數就是將非線性的的特征映射到神經網絡中的，如果不用激活函數，在網絡中的每層輸入都是上一層的線性輸出，不管網絡有多少層都是沒有意義，這樣只認為有一個隱藏層的作用，網絡的訓練能力就有限；如果使用，激活函數就會讓網絡中加入一些非線性因子，這樣深層卷積神經網絡的表達能力就更強。

1.1.1 修正線性單元

CNN中通常采用的激活函數為修正線性單元(The Rectified Linear Unit，ReLU)，它的一般形式為：

(1)

1.1.2 改進修正線性單元

ReLU函數解決sigmoid激活函數出現的梯度消失，但ReLU函數出現了均值偏移。在x<0時，由于x=0神經元是非激活狀態，后續訓練中網絡無法學習，運行結果不收斂。PReLU函數是ReLU的改進，很好的解決了x<0上的均值偏移問題[10]。迭代次數的增多會出現不收斂，過擬合，導致訓練結果失真，于是出現了變體ReLU閾值函數[11]。

雖然ReLU閾值函數解決了過擬合問題，仍然存在均值偏移問題，所以對ReLU閾值函數選取不同的閾值位置，測試對應的loss，如表1所示。

表1 在x<0處不同閾值與測試準確率的關系

根據表1的結果選擇x=-1，如公式(2)，定義此函數為tReLU。

(2)

1.2 殘差神經元

網絡深度的增加，能更好的提取一些潛在，不容易被發掘的特征。已有研究證明，單純增加網絡深度，會在數據驗證時出現準確率先升后降的現象，這就是所謂的退化問題[12]。加入殘差神經會解決這些問題[13]，原理如圖1所示。

如圖1所示，x表示輸入，F(x)表示第二層?前的輸入，即公式(3)：

F(x)=W2f(W1x+b)+b

(3)

其中，W1、W2表示第一層和第二層的權重，f(·)表示ReLU激活函數，b表示偏置。

在圖1中，設?之后激活函數之前的輸出為H(x)，如果沒有恒等映射，殘差塊就是一個普通的2層卷積網絡，只將其優化成H(x)=x；但如果有恒等映射，則H(x)=F(x)+x，如果最優輸出是x，則要把F(x)優化為0即可。

在CNN結構模型中為了減少計算量，運用1×1,3×3,1×1的卷積層[14]，兩個1×1卷積分別負責通道上減少和增加維度，3×3卷積在它們之間提取特征。過程如圖2所示。

圖1 殘差塊的構成 圖2 殘差塊結構圖

1.3 卷積神經網絡結構

在CNN中，用卷積和池化交替連接，引入殘差神經元，最后用全連接，softmax分類，貫穿整個結構，其中激活函數運用tReLU。把此模型定義為RLCNN，結構如圖3所示。

在提出的CNN模型中，先是把振動信號轉換成二維振動圖像[15],然后在4層交替的卷積池化中，加入殘差同維神經元兩層，最后兩層全連接層分類。在RLCNN故障診斷中，基本的流程如圖4所示。

圖3 卷積神經網絡結構圖

圖4 CNN故障診斷基本流程圖

圖3中，第1、2、5、6層的卷積核大小依次是5×5,3×3,3×3,3×3，個數依次是32,64,128,256，每層都運用最大池化層，其大小是2×2。第3、4層中運用殘差神經元建立。

2 實驗驗證和性能分析

實驗中應用凱斯西儲大學和德國帕德爾伯恩大學軸承公開數據集對提出的RLCNN模型軸承故障診斷方法進行驗證。其中RLCNN模型代碼是通過Python3.5和TensorFlow進行編寫，在Windows下的Pycharm2018 2.4下運行。

2.1 電機軸承故障診斷

2.1.1 數據集

圖5 10種故障的振動圖像

運用凱斯西儲大學的軸承數據集[16]對提出的RLCNN模型進行驗證。3種類型，有外圈故障(OF)、滾動體故障(RF)、內圈故障(IF)，每種類型有3種受損程度，受損直徑0.18 mm、0.36 mm、0.54 mm，共9種故障類型，再加一種正常(NO)類型。這些數據是在4種負載條件(0 hp、1 hp、2 hp、3 hp)下記錄的，在訓練數據集中，每種負載有2000張振動圖像；在測試數據集中，每種負載有400張振動圖像，圖像大小為64×64。它們的振動圖像樣品如圖5所示。

從圖5中可以看出，不同故障具有不同紋理，所以用圖像特征的識別方式可以區分故障類型。

2.1.2 故障仿真結果

實驗運行10組，每組經過50次的迭代，最后取10組的平均值為最終的識別準確率，則分類準確率與迭代次數的關系變化如圖6所示。

圖6 分類準確率和迭代次數的關系圖

從圖6中可以看出，從第1次迭代到第5次迭代故障識別準確率上升的快，到后面就慢慢平穩了，尤其是從40～50次迭代達到收斂，分類準確率達到了99.18%。圖10為RLCNN第6組結果的混淆矩陣。

圖7 RLCNN故障診斷的混淆矩陣

從圖7可以看出，行表示預測標簽，列表示實際的標簽。結果顯示，在IF0.36、IF0.54、OF0.36、OF0.54、NO、RF0.54的準確率均為100%，在RF0.18是最壞的，準確率為97%，在RF0.54錯誤分類最多為3%，2%的RF0.36、OF0.18分別被錯誤的分到OF0.54，OF0.36。IF0.36、IF0.54、NO的準確率為100%，沒有其他條件被錯誤分類，顯示著軸承故障完全識別。

為了評價提出卷積神經網絡故障診斷模型的性能，將RLCNN模型與改進lenet-5的CNN[15]的故障診斷方法相比，其診斷準確率結果如表2所示。

表2 CNN模型與其他方法比較結果

從表2中可以看出，RLCNN模型的故障診斷準確率達到了99.18%，運行時間為4 h，改進lenet-5的CNN故障診斷的運行時間為5.8 h。雖然準確率不及改進lenet-5的CNN方法，但從時間差異上看出RLCNN模型在運算量上要少于改進lenet-5的CNN，模型運算效率有了較大提升。

2.2 機電傳動系統軸承故障診斷

2.2.1 數據集

運用德國帕德爾伯恩大學提供的軸承數據集[17]對提出的RLCNN模型故障診斷方法進行分析。選中數據集中的一部分進行訓練和測試，在數據集中有人為損傷和真實損傷(加速壽命的實驗所產生)，在真實損傷中選中內圈的5種損傷，點蝕多重損傷1級(KI04)、點蝕單一損傷3級(KI16)、點蝕重復損傷1級(KI17)、點蝕單一損傷2級(KI18)、點蝕單一損傷1級(KI21)和正常(NO)共6種故障類型。每種類型共1200張振動圖像，圖像大小為128×128，分別從每種類型隨機選擇240張作為測試集，剩余為訓練集。振動圖像樣品如圖8所示。

圖8 6種故障的振動圖像

2.2.2 故障仿真結果

運行10組實驗，每組迭代50次，對10組分類結果求平均值，故障分類準確率與迭代次數的關系如圖9所示。

圖9 故障分類準確率與迭代次數的關系圖

從圖9中所得，在第1次迭代到第30次迭代準確率都在變化，直到迭代30次后，故障分類準確率收斂，達到100%。為了更好地看清每種故障的分類準確率，繪制如圖10為RLCNN模型故障診斷的混淆矩陣。

圖10 RLCNN故障診斷的混淆矩陣

在圖10中，每種故障的分類都是100%，從圖中可以看出，KI04、KI16、KI17、KI18、KI21和NO沒有其他錯誤分類，說明已被完全分離。

為了更好的體現RLCNN模型處理故障診斷的性能，此方法分別與JCNN[18]和STFT-CNN[19]中的卷積神經網絡結構相比，其結果如表3所示。

表3 CNN模型與其他方法的比較結果

從表3可以看出，在處理大小為128×128振動圖像，分6種故障，RLCNN模型診斷準確率達到100%，分別用JCNN、STFT-CNN對相同數據進行故障診斷，診斷準確率達到99.72%、94.03%，本文方法有了改進。

3 結論

基于一種改進的 ReLU 和殘差神經元相結合新的CNN 網絡模型可自動對振動圖像進行特征學習，有效地實現對軸承故障診斷。相比于改進的 lenet-5 的 CNN 和JCNN，此方法更能提取出振動圖像的深層次故障紋理特征，具有更好的分類能力。分別用凱斯西儲大學和帕德爾伯恩大學的軸承故障數據對 RLCNN 模型進行測試，故障診斷準確率達到了 99.18%和 100%。