基于改進一維卷積和雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的故障診斷方法

董永峰，孫躍華，高立超，韓 鵬，季海鵬

（1.河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300401；2.河北省數(shù)據(jù)驅(qū)動工業(yè)智能工程研究中心（河北工業(yè)大學(xué)），天津 300401；3.中信戴卡股份有限公司，河北秦皇島 066011；4.天津開發(fā)區(qū)精諾瀚海數(shù)據(jù)科技有限公司，天津 300401；5.河北工業(yè)大學(xué)材料科學(xué)與工程學(xué)院，天津 300401）

0 引言

隨著現(xiàn)代工業(yè)的迅速發(fā)展，“智能工廠”中的機械設(shè)備朝著集成化、復(fù)雜化方向蓬勃發(fā)展。滾動軸承作為旋轉(zhuǎn)機器中的部件得到廣泛應(yīng)用，伴隨機械設(shè)備的持續(xù)運行，軸承不可避免出現(xiàn)各式各樣的故障。據(jù)統(tǒng)計在旋轉(zhuǎn)機械的故障中，因軸承損壞造成的故障約占30%。造成故障的原因復(fù)雜多樣，滾動軸承的故障診斷是機械設(shè)備故障診斷與狀態(tài)監(jiān)測技術(shù)的重要內(nèi)容。因此，機械設(shè)備故障診斷對于提高工業(yè)生產(chǎn)效率和經(jīng)濟效益具有重要的意義。

基于信號處理的故障診斷方法在以數(shù)據(jù)驅(qū)動的方法中效果顯著，經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）最早是由Yadav 等提出的一種新型自適應(yīng)信號時頻域的處理技術(shù)，該方法將信號局部時變特征分解成若干固有模態(tài)分量（Intrinsic Mode Function，IMF）之和，突出非平穩(wěn)、非線性信號數(shù)據(jù)的物理特征。Gao 等針對EMD 過程中的經(jīng)驗?zāi)B(tài)混疊現(xiàn)象，利用互補經(jīng)驗?zāi)B(tài)分解（Complementary Ensemble EMD，CEEMD）對滾動軸承振動信號分解，獲取具有故障特征IMF 的奇異熵、能量熵和置換熵，提出熵融合的特征提取方法，借助核主成分分析（Kernal Principal Component Analysis，KPCA）和粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法實現(xiàn)滾動軸承的分類。Shifat 等使用連續(xù)小波變化（Continuous Wavelet Transform，CWT）在時頻域中分析集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）生成的IMF，以更好地定位故障頻率并提取一些指示電動機健康狀態(tài)的統(tǒng)計特征，診斷永磁無刷直流電動機的不同故障狀態(tài)。Xiang 等提出了概率主成分分析（Probabilistic PCA，PPCA）和光譜峰度（Skewness and Kurtosis，SK）融合方法實現(xiàn)滾動元件軸承故障檢測，通過對不同故障類型的滾動軸承和數(shù)值模擬進行實驗研究證明了該方法的有效性。傳統(tǒng)的基于信號特征提取的方法雖然取得不錯的進展，但仍存在對先驗知識要求高、收斂速度慢、診斷精度不夠等先天缺點。

深度神經(jīng)網(wǎng)絡(luò)是解決復(fù)雜系統(tǒng)診斷問題有效的模型，可直接對高度非線性、復(fù)雜、多維系統(tǒng)數(shù)據(jù)進行建模，挖掘數(shù)據(jù)與診斷目標的映射關(guān)系。張弘斌等利用連續(xù)小波變換提取轉(zhuǎn)子兩端軸承振動信號的時頻域特征，構(gòu)造3 類振動信號的單通道二維圖形樣本并進行融合，輸入卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）中實現(xiàn)特征提取和軸承故障信號的精確分類。隨著反饋神經(jīng)網(wǎng)絡(luò)在自然語言處理（Natural Language Processing，NLP）領(lǐng)域取得重大突破，范宇雪等將自適應(yīng)白噪聲的完整集合經(jīng)驗?zāi)B(tài)分解（Complete EEMD with Adaptive Noise，CEEMDAN）與傅里葉變換對信號進行分解后輸入雙向長短期記憶（Bidirectional Long Short-Term Memory，BiLSTM）神經(jīng)網(wǎng)絡(luò)實現(xiàn)對高速列車輪軸承的故障診斷。Hoang 等根據(jù)數(shù)據(jù)源設(shè)置有

n

個分支的深度神經(jīng)網(wǎng)絡(luò)模型，每個分支由卷積層、批歸一化層、池化層組成實現(xiàn)故障軸承故障診斷，證明多分支模型比單傳感器具有更高的診斷性能。Tan 等設(shè)計一種新的單門聯(lián)合（Single Gated Unite，SGU）遞歸神經(jīng)網(wǎng)絡(luò)作為LSTM 神經(jīng)網(wǎng)絡(luò)的簡化策略，利用小波包分解提取特征作為雙向單門聯(lián)合的輸入實現(xiàn)軸承的故障診斷，減少達36%的網(wǎng)絡(luò)參數(shù)量，提高了故障診斷的時間效率。Liu 等提出彈性網(wǎng)絡(luò)和LSTM 相結(jié)合，并將彈性網(wǎng)絡(luò)的正則化項引入LSTM 結(jié)構(gòu)避免模型訓(xùn)練過程過擬合，實現(xiàn)了軸承剩余壽命預(yù)測。Zou 等將信號預(yù)處理技術(shù)EEMD 與LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)合，避免傳統(tǒng)EMD 經(jīng)驗?zāi)B(tài)混疊現(xiàn)象，完成對軸承狀態(tài)的智能分類與識別。陳偉等為實現(xiàn)滾動軸承不同故障類型的振動加速度信號的智能分類，將隨機搜索（Random Search，RS）與LSTM 神經(jīng)網(wǎng)絡(luò)相結(jié)合，以原始故障數(shù)據(jù)作為輸入，驗證所提算法具有較高的泛化能力和魯棒性。Qiao 等結(jié)合CNN 和LSTM 神經(jīng)網(wǎng)絡(luò)構(gòu)建了端到端軸承故障診斷模型，模型采用時頻雙輸入結(jié)構(gòu)，充分提取軸承振動數(shù)據(jù)的時空特征，實現(xiàn)了在強噪聲及可變負載工況下的軸承故障診斷。Hao 等提出了一種用于軸承故障診斷的 1DCNN-LSTM（one-Dimensional Convolutional and Bidirectional Long Short-Term Memory）網(wǎng)絡(luò)端到端解決方案，該方案直接從一維卷積層、池化層和LSTM層的多個傳感器測量的振動信號中提取時空特征，最后由輸出層完成軸承故障診斷進行分類。Qiu 等基于雙小波包變換技術(shù)，設(shè)計雙向長期記憶（Bidirectional Long Term Memory，Bi-LTM）神經(jīng)網(wǎng)絡(luò)，僅利用改進的長期記憶對滾動軸承特征數(shù)據(jù)進行處理得到故障診斷結(jié)果。Xia 等將多種傳感器采集到的信號進行融合并直接輸入到深度LSTM模型中，使用新收集的數(shù)據(jù)對模型參數(shù)進行微調(diào)，實現(xiàn)基于數(shù)據(jù)驅(qū)動的設(shè)備剩余使用壽命預(yù)測。

傳統(tǒng)基于LSTM 神經(jīng)網(wǎng)絡(luò)在故障診斷任務(wù)中取得顯著成就，但同時忽略了時序性數(shù)據(jù)的上下文信息的完整性。與此同時，基于傳統(tǒng)CNN 的軸承故障診斷不能充分挖掘時序性數(shù)據(jù)的上下文相關(guān)性，模型不能對時序性特征進行充分提取。針對以上問題，本文提出基于改進1DCNN 與BiLSTM 神經(jīng)網(wǎng)絡(luò)模型的雙通道模型融合的解決方案，并嘗試在各通道中引入改進的SENet（Squeeze and Excitation Network）模塊實現(xiàn)對特征通道的加權(quán)注意力機制。

本文的主要工作如下：

1）提出基于改進1DCNN-BiLSTM 雙通道模型，使用經(jīng)CEEMDAN 信號技術(shù)處理原始故障振動信號的時序性數(shù)據(jù)作為模型輸入，免去人工提取特征步驟。

2）使用BiLSTM 對數(shù)據(jù)的當前狀態(tài)及其前后時間序列信息特征進行充分提取。與此同時，另一通道使用1DCNN 對時序數(shù)據(jù)的局部非相關(guān)性信息進行提取。

3）將基于改進的SENet 模塊對特征數(shù)據(jù)通道的加權(quán)，同時作用于兩個不同通道，有效剔除噪聲干擾相關(guān)特征。

4）將雙通道模型提取的數(shù)據(jù)特征融合，實現(xiàn)對數(shù)據(jù)特征的合并提取并在輸出層實現(xiàn)故障信號的分類。

1 改進的1DCNN-BiLSTM 模型

1.1 CEEMDAN信號處理

CEEMDAN 是為了避免EMD 集合平均時固有模態(tài)分量對齊問題，而在CEEMD 的過程中自適應(yīng)添加白噪聲以減小模態(tài)效應(yīng)的分解過程，可以達到濾波去噪，降低迭代次數(shù)的目的。算法步驟如下：

1）對原始故障時序信號

X

(

t

)添加自適應(yīng)白噪聲進行一階EMD，如式（1）～（2）所示：

2）將第一階固有模態(tài)分量從原始故障時序信號中剔除得到剩余分量

r

(

t

)，接著在

r

(

t

)中添加自適應(yīng)白噪聲經(jīng)EMD得到IMF分量

F

(

n

(

t

))，對其再進行一階EMD，如式（3）～（5）所示：

3）重復(fù)上述兩步，得到第

k

個剩余分量

r

(

t

)，對剩余分量加入白噪聲進行一階EMD，如式（6）～（7）所示：

1.2 BiLSTM神經(jīng)網(wǎng)絡(luò)原理結(jié)構(gòu)

LSTM 神經(jīng)網(wǎng)絡(luò)是一種適用于處理時序性數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，通過在其細胞單元中通過引入“門”結(jié)構(gòu)，實現(xiàn)對細胞結(jié)構(gòu)信息的選擇性刪除與添加，解決循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在反向傳播過程中易出現(xiàn)的“梯度消失”和“梯度爆炸”等問題。

LSTM 神經(jīng)單元的三個“門”結(jié)構(gòu)具體包括：遺忘門、輸入門和輸出門。遺忘門接收上一細胞單元的輸出

h

并結(jié)合當前時刻細胞單元的輸入

x

來決定保護或控制信息的繼續(xù)傳遞；輸入門決定了哪些信息加入到細胞狀態(tài)中：首先通過一個輸入門操作決定更新哪些信息，接著通過tanh 層得到新的細胞狀態(tài)

C

′，這些信息被用于更新到細胞信息中。輸出門決定了哪些信息可作為當前細胞狀態(tài)的輸出：首先通過上一細胞單元的輸出

h

結(jié)合當前時刻細胞單元的輸入

x

經(jīng)過輸出門的Sigmoid 激活得到判斷條件，決定部分細胞狀態(tài)作為輸出。細胞狀態(tài)經(jīng)過tanh 層得到范圍為（-1，1）的向量，將其與輸出門判斷條件相乘的結(jié)果作為該LSTM 細胞單元的輸出。

然而BiLSTM 神經(jīng)網(wǎng)絡(luò)的隱藏層實現(xiàn)正向計算和反向計算兩個過程，可為網(wǎng)絡(luò)提供數(shù)據(jù)上下文信息，BiLSTM 的更新過程如式（14）～（16）所示：

1.3 1DCNN 原理結(jié)構(gòu)

CNN 通過局部連接和共享權(quán)值的方式對輸入數(shù)據(jù)進行卷積、池化運算以提取相關(guān)特征。其中一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）廣泛應(yīng)用于傳感器數(shù)據(jù)的時間序列分析、具有固定長度周期的音頻信號數(shù)據(jù)分析和自然語言處理領(lǐng)域。傳感器采集的機械部件運行狀態(tài)的振動加速度信號多為時序性數(shù)據(jù)，采用1DCNN 對重構(gòu)后的時序信號沿時間軸正方向進行局部特征的提取，從整體數(shù)據(jù)集固定長度的片段中提取特征。

在1DCNN 中濾波器沿著時序數(shù)據(jù)的時間軸單個維度進行滑動計算，卷積層計算如式（17）所示：

其中：

X

表示輸入數(shù)據(jù)向量；

W

表示卷積核權(quán)重矩陣；

b

為參與計算的偏置向量；

f

(·)表示卷積計算的激活函數(shù)ReLU（Rectified Linear Unit），從整體一維數(shù)據(jù)集中固定長度（濾波器尺寸大小）提取有效特征。

1.4 改進的SENet模塊

近幾年，注意力機制被廣泛應(yīng)用于深度學(xué)習(xí)研究。Momenta 在ImageNet 2017 挑戰(zhàn)賽中奪冠的網(wǎng)絡(luò)架構(gòu)SENet即自適應(yīng)學(xué)習(xí)不同特征通道的重要程度，并依據(jù)重要程度賦予有用特征較高權(quán)重，抑制對當前任務(wù)目標影響不大的特征。

本文對SENet 中的SE 模塊進行改進，在改進的SE 模塊中，基于特征通道的注意力機制思想表示為：在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計算操作后新建“旁路分支”。首先，進行Squeeze 操作，將二維特征圖進行數(shù)據(jù)維度壓縮變成一個實數(shù)，即進行全局感受野的池化操作，特征通道數(shù)不變；接著，進行Excitation 操作，獲取不同特征通道的重要程度，并逐通道與原始特征實現(xiàn)加權(quán)乘法。本文采用先降維后升維的Bottleneck 結(jié)構(gòu)中全連接層+Sigmoid 函數(shù)來實現(xiàn)學(xué)習(xí)到不同通道的重要程度。

由于SE 模塊的通用性，意味著可將其嵌入其他網(wǎng)絡(luò)架構(gòu)中。特征數(shù)據(jù)經(jīng)過變換，CNN 中因參與計算的卷積核個數(shù)不同而發(fā)生通道維數(shù)變化，BiLSTM 因記憶神經(jīng)單元數(shù)目不同而發(fā)生特征通道維數(shù)變化，從而產(chǎn)生新的特征信號

U

。在圖1 中，通道維數(shù)由

d

變?yōu)?p>d

，即為此時特征通道數(shù)。首先通過將通道中所有特征值取全局平均值；然后經(jīng)Sigmoid 激活函數(shù)得到每個通道的權(quán)重；最終不同通道乘上不同權(quán)重，實現(xiàn)對關(guān)鍵特征通道域的注意力機制。具體計算過程如下所示：

圖1 通道注意力機制Fig.1 Channel attention mechanism

2 基于改進1DCNN-BiLSTM的故障診斷模型

本文構(gòu)建改進的1DCNN-BiLSTM 雙通道模型框架如圖2中的Model1 所示。模型由輸入層、特征提取模塊、融合分類層組成，借助改進的SENet 模塊中實現(xiàn)注意力機制，同時作用于1DCNN 和BiLSTM 兩個通道對神經(jīng)網(wǎng)絡(luò)中的特征矩陣通道維度方向進行權(quán)重分配。接著構(gòu)建無SENet 模塊的1DCNN-BiLSTM 雙通道模型Model2，與Model1 對比以驗證SENet 模塊的有效性。最后分別構(gòu)建加入改進SENet 模塊的1DCNN 單通道模型Model3 和BiLSTM 單通道模型Model4，驗證雙通道模型特征提取對比傳統(tǒng)單通道模型的有效性及優(yōu)化效果。

圖2 構(gòu)建的4種模型框架結(jié)構(gòu)Fig.2 Four kinds of constructed model frame work structures

2.1 輸入層

2.2 特征提取模塊

特征提取模塊設(shè)計兩個通道，原始時序數(shù)據(jù)經(jīng)CEEMDAN、歸一化處理后同時輸入雙通道模塊進行數(shù)據(jù)特征提取。Channel1 為棧型雙向長短期記憶（stacked BiLSTM）神經(jīng)網(wǎng)絡(luò)模型，調(diào)整BiLSTM 網(wǎng)絡(luò)的記憶單元數(shù)目和神經(jīng)網(wǎng)絡(luò)的層數(shù)，實現(xiàn)對不同維度信號特征的提取；Channel4 設(shè)置為一維卷積模型，調(diào)整一維卷積核數(shù)目實現(xiàn)對信號不同尺度特征的提取；Channel2、Channel3 分別在Channel1、Channel4基礎(chǔ)上加入改進的SENet 模塊對參數(shù)傳遞過程中的不同維度特征進行權(quán)重計算。最終通過融合層將雙通道提取到的特征進行融合，由分類層的Softmax 分類器實現(xiàn)軸承不同位置、不同程度故障的分類。

通過對SENet 模塊進行改進，即選擇一維全局平均池化代替用于處理圖片分類任務(wù)的二維全局平局池化。改進模塊內(nèi)部結(jié)構(gòu)如圖3 所示，首先對輸入數(shù)據(jù)進行一維全局平均池化操作得到一個標量，即進行Squeeze 操作；接著通過兩個全連接層得到（0，1）內(nèi)的權(quán)重值，兩層激活函數(shù)分別取ReLU與Sigmoid。原始通道中的每個元素值與對應(yīng)通道權(quán)重相乘，得到新的Feature Map，即進行Excitation 操作。1DCNN 與BiLSTM 神經(jīng)網(wǎng)絡(luò)均可通過先Squeeze 后Excitation 操作實現(xiàn)特征矩陣的優(yōu)化，最終得到加權(quán)后的特征Feature Recalibration。

圖3 改進SENet模塊Fig.3 Improved SENet module

在上述構(gòu)建模型的各Channel 中加入Dropout 層防止模型出現(xiàn)過擬合，與此同時，在Channel1、Channel3 中引入批歸一化BN（Batch Normalization）層，作用于stacked BiLSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)傳遞過程中，以提升模型收斂速度從而降低模型的訓(xùn)練時間。

2.3 融合分類層

對于Model1 和Model2 雙通道模型，將雙Channel 組合提取到的特征經(jīng)全連接（FC）層后輸入融合層進行融合，進而為分類層的輸入提供更多分類特征參數(shù)依據(jù)。分類層將融合后的樣本特征向量作為輸入，采用Softmax 分類器得到故障軸承振動加速度時序信號屬于各類別的概率分布，如式（23）所示：

其中：

m

代表分類層輸出層單元個數(shù)，即故障信號類別數(shù)目。

2.4 改進的1DCNN-BiLSTM模型訓(xùn)練

改進的雙通道模型訓(xùn)練過程模型具體參數(shù)如表1 所示，記錄訓(xùn)練過程中驗證集精度最高時刻訓(xùn)練出的模型參數(shù)作為訓(xùn)練模型的最終參數(shù)。

表1 模型訓(xùn)練過程的參數(shù)Tab 1 Description of parameters of model training process

采用獨熱編碼對故障類別進行標記，分類層采用Softmax 多分類器得到故障樣本分別為

m

類不同故障的概率分布，采用交叉熵代價函數(shù)作為模型的驗證損失函數(shù)，如式（24）所示：

其中：

i

（

i

=0，1，…，

n

）表示故障樣本；

n

表示樣本總數(shù)；

a

表示期望輸出；

y

表示神經(jīng)元的實際輸出。

比較Softmax 多分類器的輸出預(yù)測概率分布與目標類別概率分布的相似度得到模型的診斷精度。

3 實驗與結(jié)果分析

3.1 實驗平臺

本文實驗操作系統(tǒng)為64 位，設(shè)備信息：Windows 10 CPU為Intel Core i5-8265U，運行內(nèi)存16 GB，深度學(xué)習(xí)框架采用TensorFlow+Keras，編程語言選擇Python3.5。

3.2 數(shù)據(jù)描述

實驗數(shù)據(jù)來源于美國凱斯西儲大學(xué)軸承數(shù)據(jù)中心的滾動軸承故障振動數(shù)據(jù)集。驅(qū)動端采用型號為6205-2RS JEM SKF 深溝球軸承，風(fēng)扇端采用型號為6203-2RS JEM SKF 深溝球軸承。電火花加工技術(shù)分別對置于驅(qū)動端和風(fēng)扇端的滾動軸承內(nèi)圈（Inner Raceway，IR）、外圈（Outer Raceway，OR）、滾動體（Ball，BO）3 個軸承位置布置等級的單點損傷。3 種故障直徑分別設(shè)置0.007 inch、0.014 inch、0.021 inch（1 inch=2.54 cm），3種故障深度分別設(shè)置0.011 inch、0.050 inch、0.150 inch，4 種不同負載（0 kN、1 kN、2 kN、3 kN）。由放置在驅(qū)動端、風(fēng)扇端和基座的加速度傳感器分別以12 kHz、48 kHz 的頻率對軸承振動數(shù)據(jù)進行采集，獲取正常樣本文件8 個、外圈故障樣本文件53 個、內(nèi)圈故障樣本文件23和滾動體故障樣本文件11 個。

本文基于12 kHz 的采樣頻率對驅(qū)動端IR、OR 和BO 故障位置的3 種不同故障直徑共9 類故障、每類樣本以時間步長為100 劃分為1 000 個數(shù)據(jù)樣本進行故障診斷實驗，9 類軸承故障實驗樣本信息如表2 所示。將CEEMDAN 后重構(gòu)、歸一化預(yù)處理后的信號數(shù)據(jù)集及對應(yīng)類別標簽隨機劃分為訓(xùn)練集1 和測試集（7∶3），并將訓(xùn)練集1 進一步隨機劃分為訓(xùn)練集2、驗證集2（9∶1）用于對模型當前訓(xùn)練結(jié)果的評估。將預(yù)處理后的時序信號數(shù)據(jù)分別輸入到本節(jié)構(gòu)建的4 種不同結(jié)構(gòu)模型中進行特征提取與參數(shù)訓(xùn)練。

表2 9類軸承故障實驗樣本信息Tab 2 Experimental sample information of 9 bearing faults

將正常振動信號數(shù)據(jù)與9 類不同故障位置、故障程度的振動加速度信號進行可視化，如圖4 所示。軸承故障振動數(shù)據(jù)表現(xiàn)出周期性特點且振幅明顯高于正常振動數(shù)據(jù)。內(nèi)圈、外圈、滾動體3 種不同故障位置、同一故障位置不同故障直徑的振動信號之間存在周期和振幅差異。軸承滾動體位置3 種故障直徑振動數(shù)據(jù)、內(nèi)圈位置故障直徑為0.14 inch 的信號周期性、振幅大小等直觀性特征較其他故障信號弱；內(nèi)圈位置不同故障直徑的信號振幅差異較大。

圖4 正常、故障軸承振動加速度信號Fig.4 Normal and faulty bearing vibration acceleration signals

9 類原始振動故障信號按時間步長1 000 分別進行CEEMDAN 信號預(yù)處理后生成多個IMF 分量，以驅(qū)動端內(nèi)圈故障深度為0.007 信號數(shù)據(jù)（BO_07）經(jīng)CEEMDAN 分解為例進行可視化，如圖5 所示。分解完成后先通過濾波去噪（過濾前2 個高頻信號分量），再對剩余有效IMF 數(shù)據(jù)重構(gòu)。

圖5 BO_07信號CEEMDAN分解Fig.5 CEEMDAN decomposition of BO_07 signal

3.3 模型參數(shù)

本文依次構(gòu)建四種不同結(jié)構(gòu)模型實現(xiàn)對軸承的對比故障診斷實驗。Model1 為改進的SENet 模塊同時作用于1DCNN 通道和stacked BiLSTM 通道的1DCNN-BiLSTM 雙通道模型，Model2 為不添加SENet 的1DCNN-BiLSTM 雙通道模型，Model3 為1DCNN構(gòu)成的傳統(tǒng)單通道模型，Model4 為stacked BiLSTM 構(gòu)成傳統(tǒng)單通道模型。單/雙通道時間序列分類模型的Channel 中各層參數(shù)信息描述如表3 所示。原始驅(qū)動端振動信號樣本同時包含驅(qū)動端、風(fēng)扇端、基座加速度數(shù)據(jù)，增加了時序性信號數(shù)據(jù)的維度。當SENet 模塊作用于1DCNN 層后時，經(jīng)16 個卷積核計算后產(chǎn)生16 個新通道特征，即將數(shù)據(jù)特征一個通道的信息分解為16 個卷積核上的信號分量。核函數(shù)上的分量對關(guān)鍵信息的貢獻度存在差異。

表3 時間序列分類模型參數(shù)Tab 3 Parameters of time series classification model

當SENet 模塊作用于BiLSTM 層后時，第一層BiLSTM 網(wǎng)絡(luò)實現(xiàn)對輸入序列高層次特征學(xué)習(xí)，批歸一化過程之后利用注意力機制分別對第一層BiLSTM 各神經(jīng)單元分配注意力權(quán)重，求解后作為下一BiLSTM 網(wǎng)絡(luò)層的輸入。

3.4 結(jié)果對比分析

為驗證改進1DCNN-BiLSTM 雙通道模型的有效性和適應(yīng)性，對4 種構(gòu)建的模型進行對比實驗，9 類故障識別率如圖6 所示。

圖6 軸承故障診斷分類混淆矩陣Fig.6 Confusion matrix of bearing fault diagnosis classification

對4 類模型進行重復(fù)實驗取平均值，以避免模型診斷結(jié)果偶然性。對比Model1、Model3 及Model4 的訓(xùn)練過程曲線，如圖7 所示。3 種模型的診斷精度如圖8 所示。

圖7 Model1、Model3、Model4的訓(xùn)練過程Fig.7 Training processes of Model1，Model3，Model4

圖8 三種單/雙通道模型結(jié)果對比Fig.8 Comparison of results of three one-/dual-channel models

實驗結(jié)果顯示Model1 在測試集上表現(xiàn)最佳，損失下降到0.109 2，診斷精度最高達到96.87%。將基于通道的注意力機制單獨作用于Model3、Model4 時，其在測試集上的平均損失分別為0.187 3、0.144 1，平均診斷精度分別為94.56%、95.22%。證實此改進的1DCNN-BiLSTM 雙通道模型較傳統(tǒng)單通道能更好挖掘軸承故障數(shù)據(jù)的時序相關(guān)性特征和局部區(qū)域的振動弱周期性規(guī)律。不加任何注意力機制的Model2平均診斷精度達到96.68%，損失值下降到0.116 2。

將加入改進SENet 模塊的Model1 與Model2 進行收斂速度對比實驗。訓(xùn)練過程中訓(xùn)練集、驗證集診斷精度曲線如圖9 所示，驗證損失收斂趨勢對比如圖10 所示。添加注意力機制的Model1 訓(xùn)練

Epoch

=15 次后達到相對穩(wěn)定，未加入注意力機制的Model2 訓(xùn)練

Epoch

=30 次后處于較穩(wěn)定狀態(tài)。由于添加SENet 模塊后，模型訓(xùn)練賦予了針對分類任務(wù)的關(guān)鍵特征通道較高的權(quán)重，改進的Model1 訓(xùn)練收斂速度有明顯提升。

圖9 Model1、Model2訓(xùn)練集與驗證集診斷精度曲線Fig.9 Training and validation diagnosis accuracy curves of Model1 and Model2

圖10 Model1、Model2模型訓(xùn)練收斂情況Fig.10 Training convergence conditions of Modle1 and Model2

經(jīng)重復(fù)對比實驗，本文構(gòu)建的改進模型通過引入基于通道注意力機制，并將其同時作用于1DCNN 通道和stacked BiLSTM 通道時有最高的測試診斷精度達到96.87%，相對不加入SENet 模塊的雙通道模型Model2 而言，模型訓(xùn)練的收斂速度有顯著提升。證明改進的SENet 模塊針對CNN、LSTM神經(jīng)網(wǎng)絡(luò)中不同記憶單元輸出權(quán)值的重要程度高低賦予權(quán)重，過濾噪聲等冗余信息影響、更快實現(xiàn)信號數(shù)據(jù)特征的提取從而加快模型收斂。

4 結(jié)語

本文提出了一種基于改進的1DCNN-BiLSTM 雙通道軸承故障診斷模型。在本文方法中，將原始振動加速度信號經(jīng)過CEEMDAN 信號預(yù)處理后同時刻、等量、同分布輸入雙通道特征提取模塊，分別提取信號數(shù)據(jù)的時序性相關(guān)性特征、局部非相關(guān)性空間特征和弱周期性規(guī)律，并通過融合層將其連接起來實現(xiàn)高效的軸承故障診斷。通過改進模型結(jié)構(gòu)并加入通道注意力機制，證實同時添加改進的SENet 模塊的1DCNN-BiLSTM 雙通道模型優(yōu)于傳統(tǒng)單通道模型，能夠快速過濾信號夾雜的噪聲等冗余信息、更快學(xué)習(xí)時序性數(shù)據(jù)關(guān)鍵特征信息，最高獲得96.87%的診斷精度。因此改進的雙通道模型可作為軸承故障診斷的解決方案，可有效識別故障位置、故障嚴重程度等信息從而實現(xiàn)軸承典型故障的精確定位，有助于工業(yè)部件生產(chǎn)、質(zhì)檢、運行過程的管理。