基于融合特征的雙通道CNN滾動軸承故障識別

齊愛玲，李 琳，朱亦軒，張廣明

(1.西安科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710054；2.北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 102200；3.西安科技大學(xué)機(jī)械工程學(xué)院，陜西 西安 710054)

0 引言

滾動軸承被廣泛應(yīng)用于工業(yè)生產(chǎn)中，它是旋轉(zhuǎn)機(jī)械的重要組成部分。確保設(shè)備能正常工作的前提是滾動軸承穩(wěn)定運(yùn)轉(zhuǎn)，若軸承在長期高負(fù)荷條件下持續(xù)工作，極易引發(fā)故障，從而影響設(shè)備性能及穩(wěn)定性，甚至造成人員傷亡[1]。因此需要對滾動軸承故障展開研究，從而較快識別故障種類，提高設(shè)備運(yùn)行效率，增強(qiáng)設(shè)備穩(wěn)定性[2-5]。

由于機(jī)器學(xué)習(xí)研究的不斷深入，應(yīng)用在軸承故障診斷領(lǐng)域的智能故障診斷算法已成為主流算法[6]。傳統(tǒng)的智能故障診斷算法分為特征提取、特征選擇和故障識別3個步驟[7]。常用的特征提取方法有頻譜分析法(SA)[8]、傅里葉變換(FFT)[9]、小波變換(WT)[4]和經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)[10]等。特征選擇是對前一步特征提取“去粗取精”，常用的方法有主成分分析法(PCA)[5]和獨(dú)立分量分析法(ICA)[3]。最后將選擇后的特征輸入到分類器中，通過對數(shù)據(jù)的反復(fù)迭代輸出故障識別的結(jié)果[7]。反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、隨機(jī)森林和支持向量機(jī)(SVM)等都被廣泛用作故障診斷的分類器，均有良好的分類效果[11-12]。然而此類算法進(jìn)行特征提取時較依賴本領(lǐng)域內(nèi)的專家知識和經(jīng)驗(yàn)，提取過程復(fù)雜，算法通用性差，大多只能用于淺層結(jié)構(gòu)提取，不能應(yīng)用于深層結(jié)構(gòu)中[13]。

近年來，由于深度神經(jīng)網(wǎng)絡(luò)有良好的自主學(xué)習(xí)能力，能夠從數(shù)據(jù)中主動學(xué)習(xí)到數(shù)據(jù)的本征特征，給故障診斷領(lǐng)域帶來了新思路。一些研究[6，14-17]借助人工提取故障特征，將信號轉(zhuǎn)換為時頻圖或直接將原始振動信號輸入進(jìn)卷積神經(jīng)網(wǎng)絡(luò)并診斷，采集到的振動信號往往混有各種噪聲，從而影響信號提取時的時域指標(biāo)，通常卷積神經(jīng)網(wǎng)絡(luò)善于處理二維數(shù)據(jù)，而一維CNN模型的識別準(zhǔn)確率會受到影響。

針對以上問題，為了充分發(fā)揮一維CNN模型和二維CNN模型的優(yōu)勢，本文提出一種基于雙通道CNN的滾動軸承故障識別方法。

1 基本理論

1.1 Morlet小波

對連續(xù)時間m(t)=T2(R)進(jìn)行連續(xù)小波變換，則W定義為

W(α,β)=〈m(t),ψα,β(t)〉=

(1)

母小波通過伸縮平移變換得到ψα,β(t)函數(shù)，即

(2)

ψα,β(t)為連續(xù)的小波基函數(shù)；α為尺度因子，與頻率伸縮有關(guān)；β為平移因子，與時間移動有關(guān)。當(dāng)α越大時，超聲信號的低頻特征越容易被提取出來；當(dāng)α越小時，超聲信號的高頻特征越容易被提取出來。

連續(xù)小波變換要求其小波基函數(shù)的波形與故障的信號特征有較高的匹配度，故小波基函數(shù)的選擇是連續(xù)小波變換的核心[18]。滾動軸承故障所產(chǎn)生的故障脈沖特征與Morlet小波波形類似[19]，Morlet小波中的cmor小波表示其復(fù)數(shù)形式，具有很強(qiáng)的自適應(yīng)性，故本文將cmor小波作為連續(xù)小波的小波基函數(shù)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)CNN 是深度學(xué)習(xí)中最常用的算法之一，屬于多層前饋神經(jīng)網(wǎng)絡(luò)[20]。一個典型的CNN包含輸入層、隱含層和輸出層，隱含層通常由多個卷積層和池化層相交組成，負(fù)責(zé)對輸入數(shù)據(jù)進(jìn)行特征提取和降維，輸出層通常與全連接層結(jié)合組成分類器，Softmax、SVM和邏輯回歸等都是分類器[21]。CNN模型如圖1所示。

圖1 典型的CNN網(wǎng)絡(luò)模型

1.2.1 卷積層

通常把二維數(shù)據(jù)作為CNN的輸入層數(shù)據(jù)，在下一層卷積層中，各個卷積核對前一層輸入的數(shù)據(jù)進(jìn)行加權(quán)操作，得到對應(yīng)的數(shù)據(jù)特征，利用非線性激活函數(shù)將其拼接成為下一層的輸入數(shù)據(jù)，其過程用數(shù)學(xué)公式表示為

(3)

(4)

1.2.2 池化層

卷積層之后一般接入池化層，池化層的主要操作是對上一層提取后的數(shù)據(jù)進(jìn)行降維，對特征數(shù)據(jù)進(jìn)行簡化，從而可以提高數(shù)據(jù)識別速度。目前最常用的池化方法為最大值池化，可得到輸入的局部最大值，有效降低訓(xùn)練數(shù)據(jù)參數(shù)，提高魯棒性。最大池化公式表示為

(5)

q為特征向量中神經(jīng)元的數(shù)值；l為池化局部區(qū)域的寬度；p為神經(jīng)元對應(yīng)的數(shù)值。

1.2.3 全連接層

全連接層負(fù)責(zé)將卷積層和池化層處理后的數(shù)據(jù)進(jìn)行融合，在Softmax分類器中將融合后的數(shù)據(jù)進(jìn)行分類。Softmax的模型表示為

(6)

q為卷積的偏置值；P為權(quán)重矩陣；最終輸出為W。

1.2.4 雙通道的卷積神經(jīng)網(wǎng)絡(luò)

雙通道的CNN模型采用Lenet-5網(wǎng)絡(luò)，同時輸入二維信號時頻圖和一維原始信號，使其分別通過各自對應(yīng)的卷積層和池化層，在匯聚層將各個特征向量進(jìn)行拼接，最后通過Softmax分類器對軸承故障進(jìn)行分類。雙通道模型如圖2所示。輸入的二維特征圖的大小為64×64，輸入的一維原始信號的大小為1×1 024；分別經(jīng)過各自對應(yīng)的2層卷積層和池化層，第1層卷積層的卷積核個數(shù)為6，第2層卷積層的卷積核個數(shù)為16，卷積核大小均為5×5，選用ReLU函數(shù)作為激活函數(shù)；池化層選用最大池化法，池化層大小為2；全連接層選用Softmax分類器。

圖2 雙通道卷積神經(jīng)網(wǎng)格模型

2 實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析

2.1 數(shù)據(jù)集及準(zhǔn)備

本文采用美國斯凱西儲大學(xué)的軸承數(shù)據(jù)中心提供的公開數(shù)據(jù)集，軸承故障采集實(shí)驗(yàn)平臺如圖3所示。該裝置由1個1.5 kW電機(jī)、譯碼器、功率測試計(jì)和電子控制器組成。本文選用型號為SKF6205，采樣頻率為18 kHz的驅(qū)動端軸承數(shù)據(jù)，軸承故障種類為內(nèi)圈故障、外圈故障和滾動體故障，每個故障的損傷直徑包括0.07 mm、0.14 mm和0.21 mm，正常軸承數(shù)據(jù)算一類故障，故共有10種故障狀態(tài)。

圖3 軸承缺陷數(shù)據(jù)采集平臺

本文對驅(qū)動端軸承故障的4種不同負(fù)載下的故障信號均做了實(shí)驗(yàn)，并采用長度為1 024的隨機(jī)采樣方式對軸承數(shù)據(jù)的振動信號進(jìn)行隨機(jī)分割。每種故障類型200個樣本，共計(jì)2 000個樣本。隨機(jī)選擇1 400個樣本作為訓(xùn)練集，400個樣本作為驗(yàn)證集，200個樣本作為測試集。本實(shí)驗(yàn)中具體的樣本數(shù)據(jù)集如表1所示。

表1 滾動軸承數(shù)據(jù)集

滾動軸承在4種不同狀態(tài)時的信號波形處于內(nèi)圈故障、外圈故障、滾動體故障和正常狀態(tài)。僅憑有相關(guān)經(jīng)驗(yàn)的研究人員的直觀分辨是能區(qū)分出各個信號所對應(yīng)的狀態(tài)，但這僅針對個別理想的信號，且非研究人員無法對這些信號做出判斷，加上信號間的波形極為相似，憑借肉眼難以區(qū)分，僅憑借振動信號的波形圖對故障狀態(tài)進(jìn)行識別是不可靠的，因此需要將波形圖和其對應(yīng)的時頻圖相結(jié)合進(jìn)行故障狀態(tài)識別。

2.2 算法步驟

本文算法有以下幾個步驟：

a.首先從CWRU數(shù)據(jù)集的驅(qū)動端軸承數(shù)據(jù)中讀取出故障信號，將信號按照6∶4的比例分為訓(xùn)練集和測試集，設(shè)置故障信號的隨機(jī)采樣長度為1 024，給每種故障類型設(shè)置標(biāo)簽并采用One-hot標(biāo)簽，以便計(jì)算交叉熵時使用。

b.將采樣后的數(shù)據(jù)集進(jìn)行Morlet小波變換，得到訓(xùn)練集和測試集故障信號對應(yīng)的時頻圖。

c.設(shè)置時頻圖大小為64×64，獲取前一步得到的時頻圖和采樣后的原始數(shù)據(jù)，將其使用torch函數(shù)轉(zhuǎn)換為單精度格式，設(shè)置最佳learning_rate大小為0.005，epoch大小設(shè)置為160和200，batch_size大小為24。

d.將時頻圖輸入二維CNN中，卷積核大小為6和16，使用ReLU作為激活函數(shù)；將原始信號輸入一維CNN中，卷積核大小為6和16，使用ReLU作為激活函數(shù)。

e.經(jīng)過2次卷積層和池化層提取出故障特征，在匯聚層將兩特征數(shù)據(jù)進(jìn)行融合，用Dropout來防止過擬合現(xiàn)象，大小設(shè)為0.5。

f.將拼接后的向量輸入Softmax分類器進(jìn)行訓(xùn)練，不斷修改訓(xùn)練參數(shù)，選出最佳模型，再對滾動軸承的測試集進(jìn)行測試。

2.3 時頻圖的選擇

本文分別對故障信號進(jìn)行小波變換、短時傅里葉變換和廣義S變換，其時頻圖如圖4所示。圖4所示的時頻圖，對正常狀態(tài)下的信號做了時頻分析，選用的采樣點(diǎn)為1 024，采樣頻率為48 000 Hz。從圖4中可以看出，廣義S變換分析出的時頻圖不能較清晰地顯示出信號的特征，短時傅里葉變換則優(yōu)于S變換，但沒有小波變換更清晰，故本文選用小波變換對信號進(jìn)行視頻分析。

圖4 故障信號的3種時頻圖

2.4 結(jié)果分析

實(shí)驗(yàn)所用的操作系統(tǒng)為Windows 10，使用的開發(fā)工具為Spyder和MATLAB，深度學(xué)習(xí)框架為PyTorch。使用數(shù)據(jù)分別為0 hp、1 hp、2 hp、3 hp下的48k的驅(qū)動端的軸承數(shù)據(jù)，將初始數(shù)據(jù)做小波變換得到對應(yīng)的時頻圖，用原始信號和時頻圖同時作為神經(jīng)網(wǎng)絡(luò)的輸入，選用1 200個樣本為訓(xùn)練樣本，800個樣本為測試樣本，學(xué)習(xí)率設(shè)置為0.005。由于訓(xùn)練大小會對結(jié)果產(chǎn)生影響，將每批訓(xùn)練大小分別設(shè)置為12、24、32、64。實(shí)驗(yàn)表明，當(dāng)訓(xùn)練大小為24時準(zhǔn)確率和速率為最佳結(jié)果，對4種不同負(fù)載下的軸承數(shù)據(jù)的比較如表2所示。

表2 不同訓(xùn)練大小的實(shí)驗(yàn)結(jié)果

為驗(yàn)證本實(shí)驗(yàn)所用方法的有效性，分別對時頻圖+SVM、時頻圖+BP神經(jīng)網(wǎng)絡(luò)、原始信號+CNN、時頻圖+CNN、本文原始信號+時頻圖+CNN方法做對比。相同樣本、相同迭代、不同負(fù)載條件下，選用訓(xùn)練大小為24時所生成的準(zhǔn)確率，本實(shí)驗(yàn)所用方法的平均準(zhǔn)確率在99.69%。幾種方法對軸承故障識別準(zhǔn)確率的比較如表3所示。

表3 5種方法的結(jié)果比較

3 結(jié)束語

本文提出了一種基于融合特征的雙通道CNN滾動軸承的識別方法，采用一維原始信號和二維時頻圖同時作為輸入，該方法與其他方法相比，能夠更好地保留信息的本征特征，解決了因人工提取特征而造成重要信息丟失的問題。

利用改進(jìn)的Lenet-5網(wǎng)絡(luò)作為模型，通過對參數(shù)的優(yōu)化選擇，提高了算法的識別準(zhǔn)確率。通過對傳統(tǒng)算法和單一通道的CNN算法的對比實(shí)驗(yàn)，進(jìn)一步驗(yàn)證本算法對不同負(fù)載下的軸承故障的診斷準(zhǔn)確率更高，魯棒性更強(qiáng)。