基于變學(xué)習(xí)率多層感知機(jī)的軸承故障診斷方法

DOI：10.16661/j.cnki.1672-3791.2201-5042-6538

摘要：長(zhǎng)期以來(lái)，有效的智能故障診斷方法一直是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)的研究熱點(diǎn)?；趥鹘y(tǒng)的振動(dòng)的信號(hào)時(shí)頻域分析故障診斷系統(tǒng)存在一些不足，如計(jì)算特征向量復(fù)雜、對(duì)先驗(yàn)知識(shí)的過(guò)度依賴和無(wú)法實(shí)現(xiàn)根據(jù)故障信號(hào)的自學(xué)習(xí)能力。該文提出一種基于變學(xué)習(xí)率策略的多層感知機(jī)模型，在凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集對(duì)該模型進(jìn)行驗(yàn)證，得到了99.94%的高準(zhǔn)確率，證明該模型可以被用于軸承故障診斷領(lǐng)域。

關(guān)鍵字：深度學(xué)習(xí)??多層感知機(jī)??滾動(dòng)軸承 ?故障診斷

中圖分類(lèi)號(hào)：TH17???文獻(xiàn)標(biāo)識(shí)碼：A ??文章編號(hào)：1672-3791（2022）04（b）-0000-00

Bearing Fault Diagnosis Method Based on Variable Learning Rate Multilayer Perceptron

WANG Meng

（Tangshan Polytechnic College， Tangshan，?Hebei?Province，?063299 China）

Abstract：For a long time， effective intelligent fault diagnosis method has been the research hotspot of rotating machinery condition monitoring. There are some shortcomings in the traditional vibration signal time-frequency domain analysis fault diagnosis system. Such as eigenvectors computing is complex， over dependence on prior knowledge and inability to realize self-learning ability according to fault signals. This paper proposes a multi-layer perceptron （MLP） model based on variable learning rate strategy. The model is verified on the bearing data set of Case Western Reserve University. A high accuracy of 99.4% is obtained. It is proved that the model can be applied in the field of bearing fault diagnosis.

Key Words： Deep learning;?MLP;?Rolling bearing;?Fault diagnosis

現(xiàn)代工業(yè)的發(fā)展促使設(shè)備自動(dòng)化程度大幅度提高。智能制造產(chǎn)業(yè)升級(jí)需要不斷加強(qiáng)機(jī)械設(shè)備的可靠性和效率。高效的健康監(jiān)測(cè)系統(tǒng)被廣泛應(yīng)用在以滾動(dòng)軸承為典型的旋轉(zhuǎn)機(jī)械設(shè)備上。機(jī)器狀態(tài)監(jiān)測(cè)在工業(yè)中愈發(fā)重要，因?yàn)榭煽啃缘奶岣呖梢源蠓鶞p少機(jī)器故障，避免造成重大生產(chǎn)損失和安全事故。振動(dòng)信號(hào)的采集和使用在旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)領(lǐng)域中被廣泛應(yīng)用。通過(guò)分析比較機(jī)器在正常和故障條件下運(yùn)行產(chǎn)生的振動(dòng)信號(hào)，可以判斷軸承故障的工作狀態(tài)。雖然目前企業(yè)仍然廣泛采用對(duì)軸承振動(dòng)特征進(jìn)行聽(tīng)覺(jué)檢查，但是對(duì)于精密儀器的軸承部件，僅僅依靠人工方法進(jìn)行判斷缺乏說(shuō)服力，需要一個(gè)可靠、快速和具備自學(xué)習(xí)能力的軸承檢測(cè)方案。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）具有應(yīng)用于機(jī)器故障自動(dòng)檢測(cè)和診斷的潛力。多層感知器（Multi-Layer Perceptron，MLP）網(wǎng)絡(luò)是最常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。因?yàn)樯窠?jīng)網(wǎng)絡(luò)具備精度高、速度快、泛化能力強(qiáng)的突出優(yōu)點(diǎn)，目前神經(jīng)網(wǎng)絡(luò)系統(tǒng)被廣泛應(yīng)用于機(jī)器語(yǔ)言處理、計(jì)算機(jī)視覺(jué)和模式識(shí)別等科研領(lǐng)域。國(guó)內(nèi)眾多學(xué)者在不同的操作條件下采集振動(dòng)信號(hào)和轉(zhuǎn)速等軸承運(yùn)行數(shù)據(jù)。統(tǒng)計(jì)分析包括原始信號(hào)和預(yù)處理信號(hào)的特征，利用信號(hào)的時(shí)頻域特征進(jìn)行軸承工況分類(lèi)。

因?yàn)槎鄬痈兄獧C(jī)在信號(hào)分析上有良好表現(xiàn)，它可以高質(zhì)量提取信號(hào)特征。該文把多層感知機(jī)模型進(jìn)行適當(dāng)改造，并添加了變學(xué)習(xí)率策略優(yōu)化其學(xué)習(xí)步長(zhǎng)，將其作用于軸承等一維序列信號(hào)分類(lèi)。該文提出了一種基于多層感知機(jī)網(wǎng)絡(luò)的軸承智能檢測(cè)模型。該模型由四層感知機(jī)網(wǎng)絡(luò)層逐次拼接而成，從多個(gè)維度提取軸承信號(hào)的特征。模型尾部的支持向量機(jī)（Support Vector Machine， SVM）完成最終的軸承工況分類(lèi)任務(wù)。

1多層感知機(jī)算法原理

多層感知機(jī)由輸入層節(jié)點(diǎn)、一個(gè)或多個(gè)隱藏層的計(jì)算節(jié)點(diǎn)和輸出層節(jié)點(diǎn)組成。其中，輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)取決于系統(tǒng)輸入和輸出變量的數(shù)量，隱藏層的數(shù)量和每個(gè)隱藏層中的節(jié)點(diǎn)數(shù)會(huì)影響整個(gè)網(wǎng)絡(luò)的泛化能力。對(duì)于包含節(jié)點(diǎn)數(shù)量比較少的多層感知機(jī)，其性能可能不夠穩(wěn)定并且缺乏泛化能力。然而，如果隱藏節(jié)點(diǎn)太多，則可能會(huì)形成過(guò)擬合現(xiàn)象，對(duì)于新的數(shù)據(jù)同樣泛化能力弱。多層感知機(jī)的結(jié)構(gòu)如圖1所示。

信號(hào)依據(jù)網(wǎng)絡(luò)模型結(jié)構(gòu)，在各個(gè)網(wǎng)絡(luò)層之間傳遞次序的如圖2所示。

2 變學(xué)習(xí)率策略

使用標(biāo)準(zhǔn)最速下降法，學(xué)習(xí)率在整個(gè)訓(xùn)練過(guò)程中保持不變。該算法的性能對(duì)學(xué)習(xí)率的適當(dāng)設(shè)置非常敏感。如果學(xué)習(xí)速率設(shè)置得太高，算法可能會(huì)振蕩并變得不穩(wěn)定。如果學(xué)習(xí)速率太小，算法將花費(fèi)太長(zhǎng)時(shí)間來(lái)收斂。在訓(xùn)練前確定學(xué)習(xí)率的最佳設(shè)置是很困難的。事實(shí)上，隨著訓(xùn)練過(guò)程的不斷進(jìn)行，最佳學(xué)習(xí)速率在訓(xùn)練過(guò)程中會(huì)發(fā)生變化。如果我們?cè)试S學(xué)習(xí)速率在訓(xùn)練過(guò)程中發(fā)生變化，則最速下降算法的性能可以得到改善。自適應(yīng)學(xué)習(xí)速率將嘗試在保持學(xué)習(xí)穩(wěn)定的同時(shí)保持盡可能大的學(xué)習(xí)步長(zhǎng)。學(xué)習(xí)速率響應(yīng)于局部誤差面的復(fù)雜性。

所以，該文采用了階梯式變化學(xué)習(xí)率的策略。隨著訓(xùn)練批次的進(jìn)行，逐步縮小學(xué)習(xí)率的步長(zhǎng)。以避免訓(xùn)練產(chǎn)生振蕩，促進(jìn)訓(xùn)練模型穩(wěn)定逼近最優(yōu)解。該文采用的起始學(xué)習(xí)率LR=0.01，學(xué)習(xí)率變化策略如表1所示：

3 實(shí)驗(yàn)結(jié)果

3.1實(shí)驗(yàn)數(shù)據(jù)描述

該文采用在軸承檢測(cè)領(lǐng)域廣泛使用的美國(guó)凱斯西儲(chǔ)大學(xué)開(kāi)源的試驗(yàn)臺(tái)軸承數(shù)據(jù)對(duì)所提出的變學(xué)習(xí)率多層感知機(jī)模型進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

試驗(yàn)臺(tái)采集了正常軸承、驅(qū)動(dòng)端缺陷和風(fēng)扇端缺陷的振動(dòng)信號(hào)。信號(hào)采樣頻率是12?kHz。軸承包括三個(gè)軸承故障類(lèi)型，由滾動(dòng)體故障（roller fault，RF），外圈故障（outer race fault，OF）和內(nèi)圈故障（inner race fault，IF）。每個(gè)故障類(lèi)型包含三種不同的損傷尺寸，損傷尺寸為0.18?mm、0.36?mm、0.54?mm。使用電火花加工的方式分別模擬滾動(dòng)體、外圈、內(nèi)圈上各三種不同程度的故障，共有九種故障工況。外加一種正常的工作狀態(tài)，共有十種類(lèi)型的工況。實(shí)驗(yàn)數(shù)據(jù)信息如表2所示。

3.2 實(shí)驗(yàn)參數(shù)設(shè)置

該文利用編程語(yǔ)言Python3.8，基于Pytorch1.9框架，在Jupyter環(huán)境下搭建基于變學(xué)習(xí)率策略的多層感知機(jī)網(wǎng)絡(luò)。設(shè)置全部振動(dòng)信號(hào)的60%為訓(xùn)練集，另外40%為測(cè)試集。采用分類(lèi)交叉熵?fù)p失函數(shù)（Cross?Entropy?Loss， CEL）。模型按照以下方法設(shè)置超參數(shù)：訓(xùn)練批次=200，每個(gè)訓(xùn)練批次數(shù)據(jù)=512，初始學(xué)習(xí)率=0.01。

該故障診斷模型的準(zhǔn)確率變化如圖3所示，損失函數(shù)值變化如圖4所示。當(dāng)模型在前20次出現(xiàn)了一次比較大的波動(dòng)，具體原因是前面學(xué)習(xí)率比較高，訓(xùn)練模型優(yōu)化時(shí)產(chǎn)生振蕩。在前30次訓(xùn)練過(guò)程中，訓(xùn)練收斂速度比較快，模型快速達(dá)到99%以上的準(zhǔn)確率，訓(xùn)練損失值在0.1以下。之后訓(xùn)練進(jìn)入了瓶頸期，雖然模型的準(zhǔn)確率還在不斷提升，損失函數(shù)值也在不斷下降，但是訓(xùn)練速度明顯變慢。最終模型的訓(xùn)練準(zhǔn)確率達(dá)到99.94%，理論上可以應(yīng)用在實(shí)際的軸承故障診斷工作中去。

試驗(yàn)結(jié)果說(shuō)明，采用基于變學(xué)習(xí)率策略的多層感知機(jī)網(wǎng)絡(luò)模型提取出的故障特征在支持向量機(jī)分類(lèi)器中可以準(zhǔn)確快速判斷軸承的工作狀態(tài)。該方法訓(xùn)練得到的模型具有較高的分類(lèi)準(zhǔn)確率，并且不需要依靠已有知識(shí)自動(dòng)提取故障特征。

4 結(jié)論

該文提出的基于變學(xué)習(xí)率策略的多層感知機(jī)網(wǎng)絡(luò)模型，可以在提取軸承信號(hào)特征后配合支持向量機(jī)分類(lèi)器準(zhǔn)確判斷其工況。該方法訓(xùn)練得到的模型具有較高的準(zhǔn)確率，基于變學(xué)習(xí)率策略的多層感知機(jī)網(wǎng)絡(luò)結(jié)構(gòu)，具備優(yōu)秀的特征提取能力。該文提出方法的局限性包括：首先，只能判斷已經(jīng)給出的具體工況，無(wú)法識(shí)別未定義的其他工況類(lèi)型。其次，該模型中全連接層參數(shù)量大訓(xùn)練時(shí)間較長(zhǎng)。后續(xù)的工作中可以考慮對(duì)算法進(jìn)一步改進(jìn)使之能夠應(yīng)用于在線軸承故障診斷儀上，并且能夠縮短訓(xùn)練時(shí)間。

參考文獻(xiàn)

[1] 劉偉，單雪垠，李雙喜，等.基于并行1DCNN的滾動(dòng)軸承故障診斷研究[J].機(jī)電工程，2021，38（12）：1572-1578.

[2] 王萌，曾艷，劉金童，等.基于FFT和全連接層特征提取的軸承故障診斷（英文）[J].機(jī)床與液壓，2020，48（24）：188-196.

[3] 金國(guó)強(qiáng).基于深度學(xué)習(xí)的復(fù)雜工況下端到端的滾動(dòng)軸承故障診斷算法研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2020.

[4] 趙勇，徐華東，包偉華，等.基于多層感知機(jī)的過(guò)程變量趨勢(shì)診斷方法研究及應(yīng)用[J].流體測(cè)量與控制，2021，2（5）：1-4.

[5] 張金豹.基于全壽命數(shù)據(jù)的滾動(dòng)軸承運(yùn)行狀態(tài)評(píng)估和剩余壽命預(yù)測(cè)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

[6] 王萌，曾艷，彭飛，等.基于余弦下降學(xué)習(xí)率的卷積網(wǎng)絡(luò)軸承故障診斷[J].工業(yè)技術(shù)與職業(yè)教育，2020，18（3）：4-8.

基金項(xiàng)目：唐山工業(yè)職業(yè)技術(shù)學(xué)院院級(jí)課題《基于深度學(xué)習(xí)的軸承故障診斷方法研究》（項(xiàng)目編號(hào)：YJKT202105）。

作者簡(jiǎn)介：王萌（1985—），男，碩士，講師，研方向?yàn)樯疃葘W(xué)習(xí)工業(yè)故障診斷。