基于改進CNN的起重機械滾動軸承故障診斷

賈子威 朱歷平 楊明超

摘要：針對起重機械中的滾動軸承在高轉速、重載荷和強噪聲背景下，早期故障特征難以提取及有效識別的問題，提出一種改進卷積神經網絡（CNN）的故障診斷方法。該方法首先應用短時傅里葉變換（STFT）將傳感器采集到的一維振動信號轉換為二維時頻圖，并將其作為改進卷積神經網絡的輸入，然后利用卷積神經網絡強大的特征提取能力自適應地提取故障特征。最后，通過CNN模型最后一層的Softmax層對提取到的特征進行分類從而實現故障診斷的目的。

關鍵詞：卷積神經網絡;短時傅里葉變換;特征提取;故障診斷

中圖分類號：TP181? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）05-0131-03

0? 引言

隨著工業技術水平的不斷發展，智能診斷方法在機械設備故障診斷中占據了舉足輕重的地位。起重機械是工業場景和港口中裝卸作業的主要機械設備，用于垂直提升或水平移動重物[1]。滾動軸承是起重機械中承受載荷并支撐軸系部件的重要零件之一，當滾動軸承突發故障時可能造成設備停機從而產生重大經濟損失，嚴重時甚至會造成人員傷亡。由于起重機械工作環境比較復雜，滾動軸承早期故障呈現非平穩、非線性的特點，因此實現高精度故障診斷的關鍵在于復雜工況下敏感特征的有效提取[2]。

深度學習擁有強大的特征提取能力，可以在故障類別與故障特征之間建立復雜映射關系[3]，目前國內外諸多學者基于深度學習方法針對滾動軸承故障診斷中存在的問題展開了大量研究，提出了多種特征提取方法。例如，Ma S等首先提取了振動信號的時頻特征，并對其進行解調后與深度殘差網絡進行融合，實現了不穩定工況下的智能故障診斷[4]。Zhao等提出一種改進深度殘差網絡，通過在傳統方法中引入自適應閾值，解決了強噪聲背景下故障特征難以提取的問題[5]。李小娟等提出一種深度度量學習方法，結合深度神經網絡和深度度量學習模型的優勢實現軸承故障分類識別[6]。以上研究主要以傳感器采集到的一維振動信號為模型的輸入，但研究表明卷積神經網絡更適合應用在二維樣本的特征信息提取中。本文提出一種改進CNN的故障診斷方法，該方法以經過STFT處理生成時頻圖為模型輸入，采用多層結合局部特征學習模塊代替CNN模型中的卷積層。

1? 相關理論

1.1 短時傅里葉變換

短時傅里葉變換（STFT）在原始的非平衡信號上添加固定長度的窗函數，將非平穩信號分割成有限個平穩的時間段，對每個時間段里的信號進行傅里葉變換并得到最終結果[7]。其計算公式如下：

（1）

式中，t代表平移參數，h（t）為窗函數。

1.2 卷積神經網絡

卷積神經網絡（CNN）無需人工干預，是一種“端到端”結構，得益于其權值共享、局部感知等特性，可以用來處理復雜工況下的振動信號[8]。深度學習與淺層模型的不同之處在于隱藏層的添加，而在CNN中，隱藏層一般由卷積層、池化層和全連接層組成，CNN模型結構如圖1所示。

其中，卷積層是CNN中實現特征提取的重要組成部分。卷積層利用卷積核對特征矩陣的感受野進行卷積計算，完成對輸入數據的特征提取，并使用激活函數增強其非線性擬合能力[9]。卷積結果計算公式為：

（2）

式中：L表示第L層卷積層，*為卷積運算符合，W表示卷積核。

2? 改進CNN故障診斷方法

隨著隱藏層和神經元個數的增加，CNN模型在訓練過程中很容易出現過擬合現象，針對這一問題本文在傳統CNN模型的基礎上進行改進，在其隱藏層中添加批歸一化層組成局部特征學習模塊。相比于傳統CNN，改進后的模型可以利用批歸一化層對卷積層提取到的特征進行歸一化處理，進而提高模型穩定性。（圖2）

本文通過大量對照實驗確定模型超參數如下：第一個卷積層尺寸為64*64，卷積核為3*3、步長為1;第二個卷積層尺寸為32*32;第三個卷積層尺寸為16*16;全連接層大小為512，激活函數為ReLU非線性函數，計算公式為：

（3）

訓練過程中每層權重隨機初始化滿足標準差為0.1，均值為0的正態分布，應用隨機梯度下降法訓練模型，權值更新公式為：

? ? ? ? ? ?（4）

式中，Di表示訓練過程中輸入的樣本，ε表示學習率。使用STFT將振動信號轉換為時頻圖后，利用改進后的CNN模型進行特征提取實現故障診斷，算法流程圖如圖3所示。

故障診斷步驟如下：

①對傳感器采集到的振動數據進行預處理，并劃分為訓練集和測試集;

②對訓練集的數據進行STFT，并將結果輸入到改進CNN模型中;

③訓練改進CNN模型;

④在訓練好的CNN模型中輸入測試集數據，得到測試結果;

⑤實驗結果分析。

3? 實驗驗證

本文實驗數據由實驗室搭建的滾動軸承故障模擬試驗臺上進行采集，使用電火花在SKF6205型深溝球軸承表面加工直徑為0.178mm的損傷。轉軸由電機驅動，將壓電式加速度傳感器安裝在軸承支座上，驅動電機轉速為35Hz。本實驗共模擬了滾動軸承四種健康狀態，分別為：軸承滾動子故障、軸承外圈故障、軸承內圈故障和正常工況下的健康狀態。圖4為振動信號時域圖，圖5為四種健康狀態經過STFT處理后的時頻圖。

實驗采樣頻率為10240Hz，每種健康狀態的信號各采集100組，共400組，每組信號包含2048個樣本點。從每種狀態中隨機選出80組作為訓練集，其余20組作為測試集，經過STFT后輸入到CNN中進行特征提取和模態識別，提取CNN模型最后一層全連接層并進行降維可視化即可得到其分類散點圖。

在圖6中，利用改進CNN提取到的四種特征按類聚集在一起，實現了完全分離，且各類之間聚集非常緊密，從而驗證了改進CNN方法具有較強的特征提取能力，可以滿足故障診斷的要求。為了驗證所提出方法的穩定性和優越性，將原始CNN故障診斷結果與改進CNN模型進行對比。

由圖7可知，原始CNN模型只將外圈故障全部分類正確，其他三類故障均有不同程度的誤診，最終的故障診斷結果不理想;在圖8中，改進CNN模型只有少數部分內圈故障判定為正常狀態，其余樣本診斷結果均正確。為了消除偶然性因素影響，本文將每組實驗重復進行十次并取平均值，測試結果與訓練時間如表1所示。

上述實驗表明，通過在原始CNN模型中添加局部特征學習模塊，顯著提高了模型的特征提取能力，改進后的CNN平均故障診斷率相比于原始CNN提高了10.25%;將包含更多特征信息的二維時頻圖作為模型的輸入可以提高訓練效率，改進CNN模型平均訓練時間縮短了1562s。

4? 結論

綜上所述，本文提出一種改進CNN起重機械滾動軸承故障診斷方法，該方法通過在原始CNN模型中添加局部特征學習模塊，有效解決了模型訓練過程中存在的過擬合問題;結合STFT將采集到的滾動軸承振動信號轉換為時頻圖，顯著提高了模型的訓練效率和精度，在故障診斷實驗中獲得了較高的準確率。

參考文獻：

[1]趙鑫.起重機械風險評估方法與預防性檢修策略研究[D].東北大學，2013.

[2]孟祥峰. 基于深度學習的滾動軸承的故障診斷及預測[D].電子科技大學，2020.

[3]宋志坤，徐立成，胡曉依，任海星，李強.基于改進型shapelets算法的動車組軸箱軸承故障診斷方法研究[J/OL].儀器儀表學報：1-11[2020-12-19].http：//kns.cnki.net/kcms/detail/11.2179.th.20201210.1116.004.html.

[4]MA S， CHU F， HAN A D. Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions[J].Mech Syst Signal Process， 2019，127：190-201.

[5]ZHAO M，ZHONG S， FU X，et al.Deep residual shrinkage networks for fault diagnosis[C]// IEEE Transactions on Industrial Informatics， 2019，DOI：10.1109/TII.2019.2943898.

[6]李小娟，徐增丙，熊文，王志剛，譚俊杰.基于深度度量學習的軸承故障診斷方法[J].振動與沖擊，2020，39（15）：25-31.

[7]Liu Zongkai，Peng Chuan，Yang Xiaoqiang. Research and analysis of the wheeled vehicle load spectrum editing method based on short-time Fourier transform[J]. Proceedings of the Institution of Mechanical Engineers，2019，233（14）.

[8]曲建嶺，余路，袁濤，田沿平，高峰.基于一維卷積神經網絡的滾動軸承自適應故障診斷算法[J].儀器儀表學報，2018，39（07）：134-143.

[9]任浩，屈劍鋒，柴毅，唐秋，葉欣.深度學習在故障診斷領域中的研究現狀與挑戰[J].控制與決策，2017，32（08）：1345-1358.