基于參數優化VMD和1D-CNN的滾動軸承故障診斷

李子國，石晴，劉繼超，馮思強，李敬兆

（1.安徽理工大學 計算機科學與工程學院，安徽 淮南 232001；2.淮北合眾機械設備有限公司，安徽 淮北 235037)

0 引 言

滾動軸承在旋轉機械系統中扮演著重要角色，其健康狀態決定著整個系統能否平穩高效地運行，而在實際的應用中滾動軸承長期處于高負載狀態，極易出現損壞，若不能及時檢修，將導致整個系統的工作性能下降，甚至會引起重大安全事故，因此對滾動軸承的健康狀態進行監測具有重大的現實意義。

滾動軸承的振動信號蘊含著豐富的狀態信息，能夠真實反映出軸承的運行狀態。丁嘉鑫等使用原始軸承振動信號的廣義復合多尺度加權排列熵作為特征向量，利用支持向量機對滾動軸承進行故障診斷。陳劍等采用改進的固有時間尺度分解算法將原始軸承振動信號分解為多個旋轉分量，利用有效分量的模糊熵構建特征矩陣，使用隨機森林作為多分類器進行狀態分類。上述研究均是通過人工提取特征結合傳統機器學習方法實現故障診斷，但是這類方法存在需要依據先驗知識、通用性較差等問題。

近年來，隨著深度學習技術的快速發展，基于卷積神經網絡（convolutional neural network,CNN）的故障診斷方法廣受研究者的青睞。該類方法以數據為驅動，將特征提取和狀態分類融為一體，構建一種端到端的智能診斷模型，從根本上克服了需要人工選取特征的問題。于洋等提出一種廣義S變換聯合CNN的故障診斷方法，使用廣義S變換將原始軸承振動信號轉換為時頻圖作為CNN的輸入，利用CNN卓越的自適應特征提取能力挖掘數據內部的隱含特征。徐培文等使用粒子群優化的多尺度一維卷積神經網絡（one dimensionalconvolutional neural network,1D-CNN）提取原始風機振動信號的多尺度特征，實現了風機基礎螺栓松動診斷。王琦等以原始軸承振動信號作為特征數據，使用一種改進的1D-CNN模型進行故障診斷。以上方法均能在各自的任務中取得較高的故障診斷準確率，證明CNN具有較強的自適應特征提取能力。但是在強噪聲的干擾下，軸承故障信號往往被噪聲所湮沒，直接使用原始軸承振動信號或原始軸承振動信號的時頻圖作為故障診斷的特征數據，CNN模型難以學到表達能力較強的特征。

變分模態分解（variational modal decomposition,VMD）算法是一種自適應、非遞歸的信號分解方法，具有堅實的理論基礎和較高的分解效率，并且能夠克服端點效應和抑制模態混疊。劉秀麗等使用VMD算法結合支持向量機實現了行星齒輪箱故障診斷。李翠省等將集合經驗模態分解和VMD算法相結合實現了高速列車輪對軸承故障診斷。陳鵬等使用VMD算法結合希爾伯特包絡譜分析實現了軸承故障特征頻率的提取。

綜合上述分析，本文提出一種基于參數優化VMD和1D-CNN的滾動軸承故障診斷方法。該方法首先使用哈里斯鷹算法對VMD的參數進行優化，并根據所得的最佳參數對原始軸承振動信號進行VMD分解；其次考慮到軸承故障信號具有周期沖擊性以及與原始振動信號具有相關性，依據加權稀疏峭度最大原則優選模態分量；最后將最佳分量作為特征數據輸入到改進的1D-CNN模型進行故障診斷。

1 變分模態分解算法原理

2 哈里斯鷹算法優化VMD參數

研究表明，參數和對VMD算法的分解結果有著重要的影響，若想得到理想的分解結果，需要選取合適的和，然而和的選取是不規律的，即采用定參的方法不能得到最優的參數組合。為了獲得最優的參數組合，本文使用哈里斯鷹算法對參數[，]進行優化設置。

2.1 哈里斯鷹算法

2.2 適應度函數的選擇

在使用HHO算法進行參數優化時，需要確立一個適應度函數作為參數的評價準則。加權稀疏峭度綜合考慮了IMF分量中周期性沖擊信號的強弱以及IMF分量與原始信號的相關程度，其計算公式為：

其中，Spa和Kur分別為IMF分量的稀疏度和峭度，Cor為IMF分量和原始信號的相關系數，WSK為IMF分量的加權稀疏峭度。

滾動軸承振動信號經VMD算法分解后，若IMF分量包含較多的故障信息，此IMF分量的加權稀疏峭度將會較大。因此，本文將VMD算法分解后的局部極大加權稀疏峭度作為優化算法的適應度函數，局部極大加權稀疏峭度越大適應度越高。

2.3 參數優化流程

以局部極大加權稀疏峭度最大化為搜索目標，使用HHO算法優化VMD參數[，]的過程如圖1所示。其具體步驟為：

圖1 HHO 算法優化VMD 參數的流程圖

step1：確定哈里斯鷹種群規模、最大迭代次數，隨機初始化每個哈里斯鷹的位置[，]；

step2：根據哈里斯鷹所在的位置，對原始軸承振動信號進行VMD分解，并求出哈里斯鷹的局部極大加權稀疏峭度；

step3：根據局部極大稀疏峭度的大小，確定最優個體；

step4：更新逃逸能量，然后根據逃逸能量和隨機因子選擇哈里斯鷹的位置更新策略，進行位置更新；

step5：判斷是否達到迭代結束條件：若達到，輸出最優參數組合[，]，若未達到，則返回第2步繼續執行。

3 網絡模型結構設計

3.1 卷積神經網絡

典型的卷積神經網絡由輸入層、卷積層、池化層、全連接層、輸出層構成，前一層的輸出作為后一層的輸入，逐級提取有效特征。卷積層通過對輸入數據做卷積運算提取數據特征；池化層的作用是對卷積層所輸出的特征圖進行降維，去除冗余信息，保留主要特征；全連接層主要負責對卷積池化所提取的特征進行再次提取和整合。由于全連接層的每一個神經元都與上一層所有的神經元相互連接，因此需要訓練大量的參數。為了減少模型參數和降低模型出現過擬合的風險，本文使用一個卷積層和全局均值池化（global average pooling, GAP）操作代替全連接層。全局均值池化的數學模型為：

3.2 卷積注意力模塊

由于不同的特征對故障診斷結果有著不同程度的貢獻，因此本文在網絡模型結構中引入卷積注意力模塊（convolutional block attention module, CBAM），以實現特征差異化學習。CBAM依次使用通道注意力模塊和空間注意力模塊來突出有效特征，抑制無用特征，其結構如圖2所示。

圖2 卷積注意力模塊結構圖

3.3 本文所提模型

本文所設計的1D-CNN模型如圖3所示。該模型以一維振動信號的最佳分量為輸入，首先使用3個連續的“卷積+池化”塊提取最佳分量的深層次特征，并在最后一個“卷積+池化”塊后加入卷積注意力模塊，增強模型的特征差異化學習能力，其次使用一個卷積層再次提取特征和轉換數據維度，并用全局平均池化操作整合特征信息，利用Softmax進行分類，實現滾動軸承的故障診斷。

圖3 本文所提模型結構圖

4 滾動軸承故障診斷流程

本文所提出的基于參數優化VMD和1D-CNN的滾動軸承故障診斷流程如圖4所示。首先使用哈里斯鷹算法優化VMD參數，獲得最佳參數組合，并依據最佳參數組合對采集到的滾動軸承振動信號進行VMD分解；其次計算各IMF分量的加權稀疏峭度，并選擇加權稀疏峭度最大的IMF分量作為改進的1D-CNN模型的輸入；最后通過改進的1D-CNN模型提取最佳分量的特征進行故障診斷。

圖4 滾動軸承故障診斷流程圖

5 實驗與結果分析

5.1 實驗數據

本文使用美國西儲大學提供的軸承振動信號作為實驗數據。軸承型號：6205-2RS JEM SKF，故障程度：0.178 mm、0.356 mm、0.533 mm，采樣頻率：12 kHz。為模擬實際應用場景的噪聲環境，向軸承振動信號中加入不同信噪比的高斯白噪聲，分別形成0 dB、2 dB、4 dB、6 dB、8 dB的含噪信號，同時在每種信噪比下制作一個數據集。考慮到數據樣本過少會引起模型過擬合，采用重疊采樣的方法對軸承振動信號進行分割，每個數據樣本包含2 048個采樣點，每個數據集包含4種運行狀態下的軸承振動信號，分別為正常狀態、內圈故障、外圈故障和滾動體故障。

5.2 實驗環境

本實驗所采用的軟硬件環境如表1所示。

表1 實驗環境參數

5.3 抗噪性能驗證

為了驗證本文所提方法的抗噪性能，將與以下兩種經典的智能診斷方法進行對比。第一種方法：使用原始軸承振動信號的時頻圖作為特征數據，采用深度殘差網絡進行軸承狀態識別。第二種方法：直接使用原始軸承振動信號作為特征數據，利用自編碼器網絡提取特征與診斷。分別在每種信噪比下對以上三種方法進行實驗，在不同信噪比下的故障診斷準確率如圖5所示。

圖5 不同診斷方法在測試集上的準確率

由圖5可知，本文所提方法的故障診斷性能優于兩種對比方法。當信噪比較高時三種方法的故障診斷準確率差距較小，都能以較高的準確率識別出軸承的運行狀態。但是隨著信噪比的降低，兩種對比方法的故障診斷準確率和本文所提方法的故障診斷準確率差距越來越大，本文所提方法的故障診斷準確率隨著信噪比的降低小幅度下降，而兩種對比方法的故障診斷準確率隨著信噪比的降低下降速度較快，在信噪比為0 dB時，兩種對比方法的故障診斷準確率分別為91.61%和90.58%，而本文所提方法的故障診斷準確率仍能達到94.83%。

5.4 最佳分量有效性驗證

為了驗證最佳分量的表達能力，現分別使用信噪比為4 dB的原始軸承振動信號和其對應的最佳分量作為特征數據對1D-CNN模型進行訓練，1D-CNN模型在測試集上的故障診斷準確率如表2所示。

表2 故障診斷準確率

由表1可知，使用最佳分量作為特征數據，1D-CNN模型在測試集上有著更高的故障診斷準確率，說明使用參數優化的VMD所得到的最佳分量，包含了更少的冗余信息，并且還保留了原始的故障特征。

5.5 模型改進有效性驗證

為了驗證本文所改進的1D-CNN模型與傳統1D-CNN模型相比具有更高的故障診斷準確率，現使用4 dB下的最佳分量對改進的1D-CNN模型和傳統1D-CNN模型進行訓練與測試。傳統1D-CNN模型的結構與改進的1D-CNN模型相比，最大的區別在于前者不包含注意力模塊和GAP層。兩種模型在測試集上的故障診斷準確率如表3所示。

表3 兩種模型的故障診斷準確率

由表3可知，在相同的特征數據下，改進的1D-CNN模型在測試集上的故障診斷準確率更高，說明改進的1D-CNN模型具有更強的泛化性能。

6 結 論

本文針對強噪聲干擾下滾動軸承故障難以診斷的問題，提出一種基于參數優化VMD融合1D-CNN的滾動軸承故障診斷方法。該方法使用原始軸承振動信號的最佳分量作為特征數據，利用改進的1D-CNN進行故障診斷，經試驗證明得出以下結論：

（1）通過參數優化VMD所得到的最佳分量與原始軸承振動信號相比有著更強的表達能力，能使1D-CNN模型學到更加有效的特征。

（2）在1D-CNN模型中引入CBAM模塊和GAP操作，能夠提升模型的泛化性能，使模型具有更高故障診斷準確率。