基于1-DCNN的滾動軸承退化預測研究

陳祥龍,吳春志

(1.武警軍事代表局四室， 北京 100161； 2.航天工程大學士官學校， 北京 102200)

1 引言

近年來，故障預測與健康管理(Prognostics and Health Management,PHM)在航空航天、國防工業等領域得到越來越廣泛的應用，其中健康評估與故障預測技術是PHM的六大關鍵技術之一[1]。通過監控設備的振動、聲學信號、溫度等構建健康指標(Health Indicator,HI)，可以很好地評估設備退化水平以及預測性能演變[2]。

滾動軸承作為機械系統中的常用部件，其狀態的好壞直接影響整個系統能否安全平穩的運行[3]，因此，對其進行狀態監測與退化預測具有重大的意義，滾動軸承也被許多研究人員用作經典的退化預測研究對象。由于實際中運行工況復雜，因此很難建立一個完善的數學模型對其進行退化預測，而數據驅動方法可以使用信號處理和機器學習技術從測量數據中構建其健康指標。當數據量足夠大時，可以在沒有物理領域知識的情況下估算退化趨勢。

采用數據驅動方法進行退化預測一般分為3個步驟，即數據采集、健康指標構建以及退化預測[4]，而這其中最為關鍵的部分便是健康指標的構建，即如何從采集到的數據中提出有效的特征來表征軸承的健康狀態。通過計算振動信號的時域參數、頻域參數以及時頻域參數[5]，可以反映軸承的狀態特征，但是這些特征通常具有穩定的變化趨勢，直到發生較為嚴重的故障才會有較大變化[6]。采用小波包變換、EMD分解等從多個尺度計算信號的相關特征值，再結合人工神經網絡[7]或支持向量機[8]等模式識別方法則改善了特征參數不足，代表性不強的問題。然而這些方法都是基于人工進行的特征選取和特征融合，需要大量的先驗知識，而且算法通用性不強，往往只針對特定對象設計，這導致了大量的人力和時間成本。

作為機器學習的一個重要分支，深度學習以其無需人工經驗選取可自動學習特征的特點逐漸成為解決此類問題的最佳選擇。其中卷積神經網絡算法(convolutional neural network,CNN)，可以通過訓練從原始信號中直接提取特征，構建健康指標。Youngji等[9]將信號的小波功率譜作為輸入，以CNN構建HI。任等[10]通過提取主頻譜能量組成向量作為CNN的輸入，來進行軸承退化趨勢預測。

基于此，本研究提出一種基于卷積神經網絡的軸承退化預測模型，以原始振動信號作為輸入，提取特征構建HI，對軸承進行退化預測。通過PHM 2012軸承全壽命數據驗證所提方法表現更好。

2 基于1-DCNN的軸承壽命預測模型

2.1 一維卷積神經網絡模型

CNN是一種前饋神經網絡，在圖片和視頻識別領域有著很廣泛的應用。由于CNN設計之初是為了解決圖片識別的問題，因此主要用來處理二維數據。傳統的網絡結構模型如圖1所示，由輸入層、卷積層、池化層、全連接層等組成。卷積層將來自前一層的輸入與多個卷積核進行卷積操作，在經過激活函數后得到特征映射。池化層可以大幅減少輸入卷積層的維度，減小權重參數還以控制過擬合。

圖1 典型卷積神經網絡結構模型框圖

由于振動信號是一維信號，為了適應信號特征，文獻[11]中將圖1的網絡結構模型優化為圖2所示的一維CNN網絡結構模型。

(1)

圖2 一維卷積神經網絡結構模型框圖

(2)

(3)

第二個CNN層的輸出為：

(4)

2.2 軸承壽命預測模型

本模型為了最終得到健康指標，因此在模型的最后一層只輸出一個值。為了將輸出的健康指標控制在[0,1]內，因此采用邏輯回歸來進行HI的輸出：

(5)

與提取特征組成健康指標確定軸承退化狀態不同，本模型可以直接以軸承某一段時間的振動信號為輸入，直接輸出其對應的健康指標，以此推斷軸承處于何種退化狀態。具體模型的構建流程如圖3所示。

圖3 模型構建流程框圖

3 實驗數據輸入準備

軸承全壽命的實驗數據集是由FEMTO-ST研究所提供的PRONOSTICO平臺上采集得到的。該數據集在IEEE PHM 2012數據挑戰賽用于預測軸承的剩余壽命。PRONOSTIA實驗平臺如圖4所示。

圖4 PRONOSTIA實驗平臺圖

實驗平臺進行滾動軸承的加速退化實驗，能夠在幾小時內使測試軸承加速退化直至軸承完全失效(通常認為振幅超過20g時軸承失效)，最終得到軸承的全壽命數據。通過放置在垂直軸和水平軸上的2個加速度傳感器測量振動信號，每10 s采集一次數據，采樣周期為0.1 s，頻率為25.6 kHz，采集到的數據數量見表1所示。

表1 軸承全壽命實驗信息

實驗總共在3個工況下(1 800 r/m和4 000 N，1 650 r/m和4 200 N，以及1 500 r/m和5 000 N)完成了17個軸承的全壽命數據(3個工況分別完成7、7、3個軸承實驗)，每組的前兩個用于訓練，其余的用于預測。軸承在健康狀態下進行自然退化，在退化過程中產生的故障彼此不同，因此，內圈、外圈、滾珠都有可能出現故障。本文選用1 800 r/m和4 000 N工況下的7個軸承數據進行分析，具體見表1所示。

4 實驗數據分析

4.1 信號分析

由于全壽命實驗過程中產生的故障隨機，因此每個軸承的全壽命數據時域信號不盡相似，其中圖5(a)和圖5(c)的振幅隨著時間增加而逐步增高，符合對于全壽命過程的預期，圖5(e)和圖5(g)在全壽命后期振幅突然增大，圖5(b)和圖5(f)在全壽命中前期和后期振動信號有隨機的高振幅，這些不確定的因素大大增加了軸承退化趨勢預測的難度。

圖5 軸承全壽命振動信號時域曲線

文獻[12]中通過計算信號的小波相關排列熵值可以檢測軸承早期故障的突變信號，Bearing1_1和Bearing1_2如圖6所示。在圖6(a)中，可以檢測到排列熵值的突變，而在圖6(b)中則難以判斷。因此建立一個合理的符合多種退化趨勢的健康指標對軸承退化預測尤為關鍵。

圖6 軸承全壽命小波相關排列熵趨勢曲線

4.2 健康指標及評價指標構建

將軸承由健康直至完全失效所經歷的時間進行歸一化，所得到的歸一化指標定義為健康指標。以Bearing1_1為例，采集到的全壽命數據為2 803個，即工作了28 030 s，當工作到21 020 s時，健康指標為0.75。如圖2所示，1-DCNN以振動信號作為輸入，最終輸出健康指標。實驗以Bearing1_1、Bearing1_2作為訓練集訓練模型，以其余5組作為測試集。

圖7所示為模型輸出的Bearing1_1和Bearing1_2預測HI以及實際的HI。由于這兩組數據是訓練集，因此預測HI和實際HI的貼合的較緊密。為了對比幾種方法對趨勢預測的準確性，定義了兩個指標來評價模型的優劣。一是經過smooth平滑后的預測HI中心與實際HI的中心偏差，如圖8(a)所示，中心偏差為整個全壽命數據數量下偏差距離的平均值。二是預測HI上下邊界的平均帶寬，如圖8(b)所示，帶寬越窄，預測HI的波動越小。

4.3 退化趨勢預測

原始振動信號本身包含豐富的信息，在進行故障診斷時，許多方法都是在進行模態分解后，選取分量或者重構信號來達到去除噪聲、特征增強的目的。經典的模態分解算法有經驗模態分解(empirical mode decomposition,EMD)、離散小波變換(discrete wavelet transformation,DWT，本質是一種濾波器，也可以理解為一種模態分解算法)、變分模態分解(variational mode decomposition,VMD)等算法。

圖7 預測健康指標與實際健康指標曲線

圖8 模型評價指標曲線

在本節中，分別以原始振動信號、頻譜信號、經過EMD分解降噪的信號、離散小波的分解系數、經過VMD分解重構的信號作為1-DCNN的輸入。模態分解算法的參數選擇以及1-DCNN參數設置見表2所示。

表2 模態分解算法參數選擇及模型參數設置

圖9是以Bearing1_1和Bearing1_2的原始振動信號作為訓練集，其余5個實驗軸承振動信號作為測試集輸出的HI。通過對比圖9和圖5可以發現，雖然訓練集包含的軸承全壽命情況并不全面，1-DCNN模型仍能較好地完成多個軸承退化趨勢預測的任務。如圖9(a)所示，與訓練集趨勢相似的Bearing1_3，模型輸出的HI與預測HI貼合度最高。圖5(g)中Bearing1_7雖然在時域圖上傳統意義上的退化趨勢不相符，在全壽命最后振幅突然變大，但是在圖9(e)中可以發現，通過1-DCNN對信號內部特征的自動提取，HI基本反映了退化的趨勢，這說明了1-DCNN模型提取的健康指標能夠反映軸承的退化過程。

圖10(a)～ 圖10(e)展示了以不同方法處理7個軸承全壽命的原始振動并作為1-DCNN模型的輸入，輸出HI的評價指標直方圖。從圖上可以看出，除了頻譜和EMD外，其余方法均是Bearing1_5和Bearing1_6的中心偏差最大，這與圖5的時域圖能夠基本對應。而除EMD外，其余方法的預測HI帶寬均低于0.2。通過對比圖10(a)和圖10(c)可以發現，相對于原始振動信號，經過EMD處理的Bearing1_2、Bearing1_5和Bearing1_6中心偏差更小，對于這3個軸承對應的退化模式，EMD處理后的信號能更好地進行退化趨勢預測。為了綜合比較幾種方法的優劣，將7個軸承的平均評價指標計算得到表3所示。

圖9 以原始振動信號作為輸入的1-DCNN退化趨勢預測曲線Fig.9 Degradation trend prediction diagram of original vibration signals

圖10 不同處理方法的到的評價指標直方圖

表3 不同處理方法的到的評價指標平均值

從表3可以看出，雖然EMD-CNN預測中心偏差最小，但是預測帶寬較大，即預測的曲線波動較大，因此綜合考慮兩個指標，以原始振動信號作為輸入的1-DCNN模型對軸承的退化預測表現更好。這說明1-DCNN模型可以從原信號中自動提取深度特征，而經過模態分解方法處理的信號在增強某些特征的同時會丟失部分信息，導致退化預測的不確定性。

5 結論

本文提出基于一維卷積神經網絡模型，以原始振動信號作為輸入，構建健康指標，較好地完成了軸承退化預測的任務。以PHM 2012軸承全壽命數據對五種處理方法進行測試，結果表明：原始振動信號本身含有豐富的信息，對信號進行模態分解預處理可以增強信號的某些特征，但是軸承退化過程中故障隨機，預處理不當反而會降低預測精度。因此，以原始振動信號直接作為模型的輸入，提取健康指標能更好地反映軸承的退化狀態。