基于SSAE的滾動軸承故障的分類預測

凌靜

摘要：本文提出了一種基于堆棧稀疏自編碼器（SSAE）的滾動軸承故障類別的自動識別方法。將原始軸承信號進行截斷處理，既保留了有用信息，又擴充了樣本數量，有利于神經網絡的訓練。采用雙層SAE神經網絡模型，結合softmax分類器，完成對軸承故障類別的自動識別，通過對比實驗表明，本文所提方法穩定有效，且準確率高。

關鍵詞：堆棧稀疏自編碼器;滾動軸承;神經網絡模型

中圖分類號：TH165.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）01-0143-03

0? 引言

作為現代制造業的重要組成部分，軸承在大多數旋轉機械的可靠運行中起著至關重要的作用。機械設備的安全性和穩定性由滾動軸承的性能所直接影響[1]，但是由于經常在各種復雜工況下，軸承容易發生滾動體變形和裂縫等各種缺陷，不僅可能會造成經濟損失，甚至會帶來安全隱患。因此如何實現對滾動軸承的故障檢測和識別具有重要的意義。

從某種意義上講，滾動軸承故障診斷可視為一個故障模式識別過程，通常軸承的故障診斷包含兩個主要步驟：特征提取和故障識別[2]。特征提取主要是采用某種數學變換，一般根據經驗選擇數學變換居多，將采集到的原始信號變換成低維特征空間的新的向量，多種變換得到的多個新向量組成特征向量，從而能夠更簡潔且更突出的表達故障的特征信息。故障識別是一種將提取到的特征向量輸入到設計合理的模式分類器來進行模式識別的方法。趙洪山等[3]提出了基于奇異值分解和變分模態分解的特征提取方法，他采用標準模糊C均值聚類（fuzzy C means clustering，FCM）對滾動軸承進行故障的識別。鄭近德等[4]引入多尺度排列熵（MPE）的概念，利用其對機械故障診斷中滾動軸承故障進行特征提取，再結合支持向量機（SVM）對滾動軸承進行故障類別的識別。胥永剛等[5]提出一種基于支持向量機（SVM）和雙樹復小波包變換的故障類別識別方法，先從各個頻帶分量中提取能量特征參數，再將其輸入到支持向量機中來進行滾動軸承的故障類別識別。雖然傳統的方法在滾動軸承故障類別識別方面取得了巨大的成就，但是軸承故障類別的識別精度高低與故障特征的提取是否有效息息相關，針對復雜且大量的故障特征，為了從中篩選出有效的特征，人工選擇特征面臨著巨大的挑戰。

近年來，深度學習方法在軸承的故障診斷方面提供了新方法和新思路，大大優于其他方法[6]。深度學習的特點在于它能夠從訓練數據中自動學習低層特征，并通過多層網絡結構的非線性變換逐步形成更加抽象的高層特征，換言之，其可以自動提取有效特征。因此人工選擇故障特征不夠較為有效的缺點可以由深度學習的理論從根本上彌補，通過自動提取有效特征，在提高軸承故障類別的識別精度方面較為可觀。湯芳等[7]提出了一種基于稀疏自編碼（SAE）的深度神經網絡，它是一種無監督學習的方法，利用SAE自動提取信號的有效特征，然后用于滾動軸承故障識別。

受上述深度學習的啟發，在軸承故障識別研究中，本文提出了一種基于堆棧稀疏自編碼器（SSAE）結合softmax分類器的方法。堆疊兩層SAE構成本文所需的SSAE，從第二層SAE的隱含層中提取特征，輸入到softmax分類器中，最后實驗結果表明，該方法對軸承故障分類識別有較好的分類效果。

1? 堆棧稀疏自編碼器

1.1 自編碼器

自編碼器是一個神經網絡，它由輸入層、隱含層以及輸出層構成。從輸入層到隱含層可以看做是一個編碼的過程，而從隱含層到輸出層可以看做是一個解碼過程，編碼和解碼的計算公式如下：

式（1）和式（2）中，f和g分別是編碼函數和解碼函數。sf和sg分別是編碼激活函數和解碼激活函數，本文選用的是Sigmod函數，w和■為權重矩陣，兩者互為共軛關系，另外，p和q分別是編碼和解碼過程中的偏置向量。結合自編碼器的輸入和輸出，通過反向傳播算法對權重矩陣和偏置向量等參數進行更新，迭代多次將會逐步更新多次，從而使模型更優。圖1是自編碼器的網絡結構圖。

1.2 堆棧稀疏自編碼器

堆棧式稀疏自編碼器（SSAE）是由多個稀疏自編碼器（SAE）堆疊構成的，和不同的分類器進行連接構成了不同的深度學習神經網絡模型[8]。對堆棧式稀疏自編碼器進行訓練，得到該層SAE的隱含層相應的特征，輸入到激活函數得到下一個SAE的輸入，經過多次迭代之后，完成對SSAE的訓練。本文選擇了兩層SAE構成SSAE，并將第二層SAE的隱含層提取出來輸入到Softmax分類器中，來實現對信用卡客戶信用度的分類識別。其中softmax的輸出為概率分布，且可以得到屬于每個類別的概率，輸出概率之和為1，輸出概率計算如式（3），分類器模型結構如圖2所示。

2? 實驗與分析

2.1 數據描述

本文采用的數據來源于paderborn大學實驗室，對6203型滾動軸承以高分辨率和采樣率同步測量得到的軸承振動信號，數據樣本總共分為三類：健康軸承、人為損壞的軸承和由加速壽命測試而造成損壞的軸承。采樣條件有四種：T1、T2、T3和T4。T1表示轉數900rpm、轉矩0.7Nm和徑向力1000N的采樣條件;T2表示轉數1500rpm、轉矩0.1Nm和徑向力1000N的采樣條件;T3表示轉數1500rpm、轉矩0.7Nm和徑向力400N的采樣條件;T4表示轉數1500rpm、轉矩0.7Nm和徑向力1000N的采樣條件。

2.2 實驗流程

本文對于原始信號首先采取的是數據截斷處理，將一維原始信號依次截成每個樣本信號為2048個點的新樣本信號。每個原始信號樣本點數都達到了25萬個點，樣本長度過大，采取截斷操作，既對樣本長度進行了縮減，又對樣本數量進行了擴充，圖3是各類別截斷之后的信號圖;接著根據標簽將數據分類并進行one-hot編碼。截斷之后得到新樣本數據有3000個，分為訓練集2100個，測試集900個，將訓練集輸入到SSAE中進行訓練，從SSAE中的隱藏層提取出特征，放入softmax分類器中，再利用反向傳播算法更新模型參數，迭代多次之后得到訓練完成的網絡模型。

2.3 實驗結果與分析

通過堆棧稀疏自編碼器與softmax分類器網絡模型訓練，完成了對軸承故障的分類預測模型的建立，將測試集輸入到預測模型中，得到總的準確率達到了72.9%。實驗結果的混淆矩陣如圖4所示。

圖4中，橫坐標表示軸承故障的實際類別，縱坐標表示軸承故障的預測類別，標簽‘1’、‘2’和‘3’分別表示了健康標簽、人為損壞標簽和加速壽命測試損壞標簽，在所有健康測試樣本中，預測錯誤率僅為4.9%;總的準確率達到72.9%。

為了驗證本文方法的有效性，另外還分別采用BP模型[9]和SSAE結合BP模型與本文方法進行了對比性的實驗。同樣利用訓練集進行模型的訓練，測試集輸入到訓練好的模型中，得到的結果為：BP模型的預測準確率為52.2%，SSAE結合BP模型的的預測準確率為64.6%。準確率均低于本文所提方法的72.9%。綜上表明，本文所提方法在軸承故障的分類識別上具有良好的穩定性和準確性。

3? 結論

本文提出了一種基于堆棧稀疏自編碼器（SSAE）的深度學習識別模型，對軸承的故障類型進行分類。結果表明：

①采用堆棧稀疏自編碼器（SSAE）模型結合softmax分類器，對軸承故障數據進行模型訓練，能夠自動對數據的自變量進行維度的轉換且不失數據的有效信息，同時能夠減少后段模型（softmax）的參數數量級。

②經過實驗對比得出，本文所提的基于SSAE的深度學習方法，在軸承故障的分類識別上，比傳統的機器學習方法（如BP），具有更好的穩定性和準確性。

參考文獻：

[1]王曉鳳.齒輪箱中圓錐滾子軸承游隙的應用問題研究[J].科技傳播，2014：66-67.

[2]胡德強.滾動軸承故障診斷方法綜述[J].內燃機與配件，2019：151-153.

[3]趙洪山，郭雙偉，高奪.基于奇異值分解和變分模態分解的軸承故障特征提取[J].振動與沖擊，2016，35（22）：183-188.

[4]鄭近德，程軍圣.多尺度排列熵及其在滾動軸承故障診斷中的應用[J].中國機械工程，2013，24（19）：2641-2646.

[5]胥永剛，孟志鵬，陸明.基于雙樹復小波包變換和SVM的滾動軸承故障診斷方法[J].航空動力學報，2014，29（01）：67-73.

[6]Wu， X.W.， D. Sahoo， and S.C.H. Hoi， Recent advances in deep learning for object detection[J]. Neurocomputing， 2020. 396： p. 39-64.

[7]湯芳，劉義倫，龍慧.稀疏自編碼深度神經網絡及其在滾動軸承故障診斷中的應用[J].機械科學與技術，2018，37（03）：352-357.

[8]杜燦誼，林祖勝，張紹輝.參數優化SAE方法及在軸承故障診斷的應用[J].控制工程，2019，26（5）：957-964.

[9]任君蘭.基于小波變換和BP神經網絡的滾動軸承故障信號診斷[J].內燃機與配件，2019（2）：35-37.