基于深度學習的滾動軸承早期故障診斷策略

袁媛

（包頭職業技術學院，內蒙 古包頭 014035）

隨著大數據世代發展，產業技術不斷升級。人工智能在各行業得到普遍應用，深度學習在圖像識別、語言合成等領域迅速推廣。機械故障診斷主要對機械振動信號分析處理，深度學習相比傳統機械故障診斷方法更加高效，研究深度學習在機械故障診斷中的應用，對提高滾動軸承設備運行穩定性具有重要價值。

1 基于1D-CNN+LSTM 滾動軸承故障診斷

滾軸故障診斷研究不斷發展，傳統故障診斷方法包括基于機器學習方法，面對復雜問題進行故障識別會存在一些缺陷，利用統計學法難以建立準確數學模型，需要研究人員掌握大量相關經驗，在故障診斷應用方面受到很大局限。基于機器學習的故障診斷法包括BP 神經網絡等。SVM 面對復雜場景訓練數據性能表現不理想，神經網絡存在過度擬合，計算努力受限等問題[1]。針對滾軸故障診斷是研究熱點，科技發展為診斷技術提供新豐富。深度學習理論源于神經網絡，組合低維投影表示較高感知水平，廣泛應用于圖像處理等領域。滾軸故障診斷流程見圖1。

圖1 滾動軸承故障診斷流程圖

深度學習模型可自主逐層學習深層非線性特征表示，卷積神經網絡卷積模塊可以從高維原始數據提取特征，實現對滾動軸承故障診斷。故障振動信號分析內不時間依賴可以提升診斷準確率，長短時記憶網絡處理分析時序數據具有獨特優勢，提出結合CNN 特征提取模型改進滾軸故障診斷模型，提取數據高階特征表示，連接LSTM 利用記憶模塊挖掘數據隱藏時間依賴性，設計一維CNN 結構，采用ReLU 激活函數對CNN 卷積操作增加非線性表達能力，采用Adam 算法改進參數優化問題[2]。CNN 每層級計算方式是為當前輸入加上權重，線性網絡無法擬合復雜數學函數，激活函數使用是訓練深度學習模型重要環節，使網絡模型具備非線性擬合能力。常用激活函數包括Tanh,Swish 等。Swish 激活函數訓練深層網絡具有優勢，選用ReLU 為激活函數具有較高準確率。

輸入數據通過網絡訓練得到結果對比實際存在誤差值，通過優化算法反向傳播更新網絡權重，給出常用優化算法包括隨機梯度下降法，自適應矩估計優化算法。梯度下降法廣泛應用于機器學習優化問題中，梯度下降法易于實現，但面臨樣本量過多時迭代計算全部樣本梯度，降低函數收斂速度。隨機梯度下降迭代中隨機選擇樣本求解梯度，迭代中選用一個樣本，優化算法在更新參數中使用唯一確定學習率。計算公式為θ′=θ-αΔfi(θ),i 為迭代隨機選擇樣本，θ 為每次迭代后參數值，f（）為損失函數。本文使用Adam 算法對網絡反向傳播進行參數更新。特征提取影響最終分類結果，CNN 具有提取多維數據能力，一維CNN 網絡結構簡單，結合1D-CNN 與LSTM 構建新滾軸故障診斷模型，通過LSTM 挖掘故障特征時間信息。通過滾軸振動數據驗證提出診斷方法，實驗測試平臺包括扭矩傳感器，內部設置電子控制器[3]。

從測試臺驅動端收集軸承SKF6205 產生內外圈故障健康狀態振動數據，設定適合樣本對神經網絡訓練非常重要，網絡訓練中樣本包含滾軸振動數據采樣點，樣本選取較短長度有效信息變少，樣本選取較長長度會增加訓練時間成本。卷基層卷積核尺寸較小，樣本過大需大量卷積核完成卷積操作，卷積核尺寸較大難以準確提取深層故障。表1 為1D-CNN+LSTM 相關參數設置。軸承采樣頻率為12kHz,每轉包含400 個采樣點，將800 個采樣點劃分為樣本數據，達到較快收斂效果。訓練深度神經網絡要提供大量訓練樣本，軸承振動信號故障特征隨時間變化表現不同沖擊，需設定合適重疊比例對信號數據分段處理，選取重疊比例為1/2,樣本數據集按4：1 劃分。圖2 為1D-CNN+LSTM 故障診斷流程圖。

表1 1D-CNN+LSTM 相關參數設置

圖2 基于1D-CNN+LSTM 故障診斷流程圖

根據網絡模型調整，對反向優化算法驗證。激活函數是訓練深度網絡模型關鍵部分，Sigmoid 函數是焦躁使用激活函數，將RELU 與Swish 激活函數對比，連續卷積與池化實現信號數據深層故障提取，連續全連接層與Softmax 層輸出結果。CNN 中設置激活函數為RELU，設置為Swish 準確率為97%。使用RELU 的CNN 法準確率高出Swish 方法0.84%。訓練迭代較少次數達到更快收斂。圖3 為基于不同深度學習方法滾軸故障診斷方法準確率對比圖。1D-CNN+LSTM 診斷法在初始迭代中有較高準確率，最終準確率達到98%。CNN 診斷法維持在95%，LSTM 診斷法達到96%的診斷準確率。1D-CNN+LSTM 故障診斷法具有較高準確率。不同診斷方法準確率見表2。

表2 不同診斷方法準確率

圖3 基于不同深度學習方法的滾軸故障診斷方法準確率對比圖

2 基于D-S 證據理論的滾軸故障診斷法

特征提取影響設備故障診斷系統準確率，機械設備特征提取困難，單一傳感器采集故障信息存在模糊性等特點，無法全面反映監測設備故障情況。通過測量旋轉機器不同信號，多傳感器采集系統可提供豐富軸承健康狀況信息。多源信息融合可以全面捕獲故障數據內部包含特征信息，獲得準確的診斷結果。可以在故障診斷系統不同步驟進行信息融合，要對輸入原始故障信號進行數據級別融合，對多個數據源信號特征提取后進行綜合故障診斷分析。深度學習法解決設備故障診斷是當前研究熱點，網絡模型中可以連接分類器分類識別特征。

1967 年Dempster 構建多值映射集合不確定描述，Shafer擴充下限概率模型理論，1976 年形成D-S 證據理論。D-S 證據理論將任務命題不確定程度通過集合形式展現，通過合成規則融合命題可能性，可以處理不同數據來源不確定信息，在多源信息融合領域廣泛應用。D-S 證據理論針對數據不確定性有定量描述，故障數據受運行狀態影響表現為不全面性，1D-CNN+LSTM 故障診斷法操作包括初步診斷與融合決策故障診斷階段。故障診斷法著重完成決策級證據融合故障診斷。根據滾軸故障形式設為輕中重度內外圈故障，定義故障集合為D-S 證據理論識別框架，根據Softmax 分類器輸出結果為證據，表示待識別特征與故障匹配度。多個證據對應信任度m（Ai)確定后，得出融合多源數據信息不同故障信任度。不確定性描述待識別特征為Ai 類故障不確定度。圖4 為基于D-S 證據理論的1D-CNN+LSTM 故障診斷流程圖。

圖4 基于D-S 證據理論的1D-CNN+LSTM 故障診斷流程圖

Dempster 合成規則含有交換律，數學表達式為{m1⊕m2=m2⊕m1，m1⊕m2⊕m3=(m1⊕m2)+m3,Dempster 合成規則具備極化性質，表明證據合成后可彌補單源數據隨機性。多個mass 函數正交，對信任結論信任結論不確定度小。設mi(Θ）為單源不確定性，數學描述公式a)?i∈{1,2,…，n},mi(Θ)=0→m(Θ)=0。利用證據理論對不同傳感器故障信號融合得到概率分配BPA，提出方法基于可信度分配判別標準分類決策。提出方法認為判別滾軸故障信任概率不低于門限值。選取CWRU 提供電機基座端不同損傷度振動加速度故障數據集為原始輸入數據，數據樣本分為輕中重度內外圈滾動體故障，沒類故障包含1797r/min,1730r/min 轉速振動信號采集。電機振動信號采樣頻率為12kHz，選取故障類別數據中250樣本2500 個樣本數據，傳入3 個1D-CNN+LSTM 診斷子網絡模型初步診斷分類，實現決策級融合診斷。

實驗將選取測試結果為故障診斷結果，將CWRU 數據源輸入并列的1D-CNN+LSTM 診斷子網絡初步特特征提取，訓練深度學習網絡對原始振動信號處理。深度學習診斷子網絡初步診斷后，不同數據源表征故障存在偏差。根據合成步驟對網絡輸出結果融合分析，由于數據源不同存在矛盾數據，網絡1 中故障類型為O1,診斷結果為B2。綜合分析網絡故障模式表征，經過D-S 證據理論融合診斷準確率達99.99%。基于1D-CNN+LSTM 神經網絡故障診斷中，構建相互獨立故障診斷子網絡具有獨特優勢。圖5 為其他模型與WT-DSCNN 準確率和參數量對比圖。利用D-S 證據理論對初步診斷子網絡結果融合分析，綜合考量自診斷網絡識別準確度，保證合成診斷保持魯棒性。

圖5 其他模型和WT-DSCNN 準確率和參數量對比圖

為驗證提出方法有效性，設置對比實驗，MF-FC 是多個fire 模塊構成，F-GAP 是單個fire 模塊與GAP 構成。F-FC 是單個fire 模塊與FC 構成，CNN-GAP 是卷積層-GAP 層組成。CNN-FC 是卷積層-FC 構成。全連接網絡模型參數眾多，使用t-SNE 對結果可視化研究。WT-DSCNN 易于區分故障狀態類別樣本。CNN-GAG 在不同故障類型深度不能很好的區分。WT-DSCNN 是參數個數最少的網絡，可實現高速監測設備運行狀態。