一種改進一維卷積神經網絡的軸承故障診斷方法

潘琳鑫，鞏永旺，晏生蓮

（鹽城工學院 信息工程學院，江蘇 鹽城 224051）

0 引言

滾動軸承是旋轉機械設備中最重要的零部件之一，在維持運動精度和提高機械效率上發揮重要作用，在復雜機械裝備中有著廣泛應用［1］。軸承故障診斷方法研究是維護機械設備正常運作的關鍵，傳統的故障診斷方法包括噪聲分析［2］、油樣分析［3］和振動信號分析［4］等。然而，隨著科技的進步，機械設備檢測的精度大幅度提升，采集到的數據變得越來越復雜和抽象［5］，傳統故障診斷方法已不能滿足人們對于故障診斷時效性和準確率的要求。因此，高效的故障診斷方法愈來愈受到研究人員的重視。

近些年，深度學習具有突出的特征提取能力，并被普遍應用于軸承故障診斷，如卷積神經網絡（Convolutional Neural Network，CNN）、深度置信網絡和堆棧自編碼網絡等深度學習方法在故障診斷方面取得一系列研究成果［6］。Gao 等［7］提出一種新的優化自適應深度置信網絡，通過分析滾動軸承的振動信號，驗證了所提方法在故障診斷方面具有較高的診斷精度和較好的收斂性。師詩［8］提出一種改進的深度堆棧自編碼神經網絡的故障診斷模型，在滾動軸承數據集上進行試驗，驗證了所提方法在故障分類方面具有較高的準確率，并且在損失值方面有較大提升。

卷積神經網絡作為深度學習的重要方法之一，以其局部連接和全局共享等特點，同樣在故障診斷方面有著廣泛應用［9］。例如，趙小強等［10］提出一種改進卷積神經網絡的滾動軸承故障診斷方法，通過引入注意力機制，使得模型在診斷準確率方面有所提升。陳仁祥等［11］將卷積神經網絡模型和小波變換相結合，分別對故障的類別、缺陷大小和不同工況進行測試，驗證了所提方案的可行性。高佳豪等［12］將去除噪聲的方法和卷積神經網絡相結合，并基于齒輪箱的數據集進行試驗，提升了故障診斷準確率。張弛等［13］將支持向量機和卷積神經網絡的優勢聯系起來，利用支持向量機分類，利用卷積神經網絡提取特征，提高了網絡模型識別準確率。徐衛鵬等［14］建立了一種由池化層和多級交替卷積層組成的軸承故障診斷模型，利用一維卷積神經網絡模型直接讀取振動信號進行故障識別試驗。

以上基于卷積神經網絡的軸承故障診斷模型和方法在一定程度上提高了診斷準確率，但存在模型訓練準確率不高和過擬合問題。基于此，本文提出一種基于改進一維卷積神經網絡的軸承故障診斷方法。該方法將批量歸一化用于數據處理，采用Dropout 的方法抑制數據過擬合問題，通過調節模型參數提升卷積神經網絡模型準確率和泛化能力，該方法不需要人工提取特征，模型直接對輸入信號進行訓練，可以發揮卷積神經網絡的特征學習能力，提高模型通用性。

1 相關理論

1.1 經典一維卷積神經網絡

卷積神經網絡是一種具有卷積結構的深度神經網絡，是深度學習的代表算法之一，被普遍使用于計算機視覺和語言處理等多個領域［15］。在經典卷積神經網絡中，其卷積核是二維的，主要是將特征圖中的寬和高兩個方向同時進行滑窗操作，常用于計算機視覺和圖像處理領域。一維卷積神經網絡與二維卷積神經網絡類似，其輸入的是一維數據，卷積和池化操作后的輸出也是一維的，主要應用于序列模型和自然語言處理領域。一維卷積神經網絡相比于二維卷積神經網絡，具有更少的參數量，可以降低二維卷積神經網絡對于大規模數據集的依賴。一維卷積神經網絡主要由輸入層、卷積層、池化層、全連接層和輸出層組成［16］，其結構如圖1所示。

Fig.1 1D convolutional neural network architecture圖1 一維卷積神經網絡結構

卷積層是卷積神經網絡的核心，主要作用是提取輸入的特征信息，由卷積單元組成，通過感受野對有規律的移動輸入信息，并提取對應區域的特征。低卷積層只能提取到低級特征，深卷積層能夠提取深層的特征［17］。在卷積層中，卷積核對前一層的輸出進行卷積運算，并輸出卷積結果，其數學模型為［18］

1.2 批量歸一化方法

批量歸一化（Batch Normalization，BN）［20］類似于一種對數據標準化操作，其主要是利用小批量數據，取其均值和標準差，通過不斷調整神經網絡中的輸出，從而使得整個網絡輸出的數值更加穩定。在卷積神經網絡中添加BN層的目的是提升訓練速度，以提高網絡性能。因為將網絡中某一層的輸入進行歸一化處理，會影響到本層網絡所學習到的特征，因此引入可學習的參數γ和β，通過變換重構，可以恢復到本層學習的特征。BN 算法過程分為正向傳播和反向傳播，其正向傳播的過程分為5 個步驟，如圖2所示。

其中，對數據進行標準化的公式為：

Fig.2 BN forward propagation process圖2 BN正向傳播過程

在反向傳播過程中，采用鏈式求導求γ、β及其他權值，γ為尺度系數，β為移動因子。

1.3 Dropout 方法

Dropout 方法是指在卷積神經網絡中，按照一定的隨機概率（比如～Bernoulli(p)）臨時丟棄神經元，由于是隨機丟棄策略，因此每一次都是對不同的網絡進行訓練，可抑制模型過擬合問題。

圖3 為使用Dropout 方法前后的神經網絡對比示意圖，黑圈代表被臨時丟棄的神經單元。

Fig.3 Neural net(aw) ork comparison before (abn) d after using Dropout method圖3 使用Dropout方法前后的神經網絡對比

Dropout 方法工作流程為：首先以一定的概率隨機臨時刪除神經網絡中的神經單元，然后在沒有被刪除的神經元上依照隨機梯度下降法更新參數，接著重復這一過程，恢復被刪除掉的神經單元，再按照隨機概率臨時刪除神經單元，利用梯度下降更新參數。

2 改進的一維卷積神經網絡模型

為增加經典一維卷積神經網模型的泛化能力和解決模型的過擬合問題，在模型中嵌入批量歸一化法和神經網絡Dropout 的方法，提出一個改進的一維卷積神經網絡模型。模型采用Google 的Tensorflow 和Keras 工具箱搭建，其結構如圖4 所示。該模型包括輸入層、特征提取層、全連接層和輸出層。其中，特征提取層包含卷積子層、批量歸一化子層、Sigmoid 激活子層和最大值池化子層等。

Fig.4 Improved 1D convolutional neural network model圖4 改進的一維卷積神經網絡模型

改進的一維卷積神經網絡模型的工作流程如圖5 所示。首先直接輸入原始的振動信號，在特征提取層中，卷積層共6 層，第一層卷積核采用大卷積核，可以獲得更大的感受野，降低噪聲影響；之后5 層采用小卷積核，減少參數量，降低計算時間；在卷積操作后，加入批量歸一化層，增強模型泛化能力，再在全連接層中采用Dropout 方法，以抑制過擬合現象和增強模型泛化能力；最后采用Adam 優化器更新權重，增加模型的運算能力。

Fig.5 Improved 1D convolutional neural network process圖5 改進的一維卷積神經網絡流程

3 實驗與結果分析

3.1 實驗數據集

實驗數據采用美國凱斯西儲大學軸承數據中心的4組數據集（記為A-D）［21］，分別對應在0、1、2 和3 馬力電機負載工況條件下記錄的軸承振動加速度信號，軸承的運行狀態包括正常狀態，內圈故障，外圈故障和滾動體故障，且每種故障類型又分為3 種損傷直徑：0.007inch，0.014inch和0.021inch。因此，每組數據集共有9 種損傷狀態和1 種正常狀態等10 種狀態，其標簽分別為0～9，實驗數據集的具體描述如表1 所示。實驗時首先將每組實驗數據集混合并打亂順序，然后將數據集按照7：2：1 的比例劃分為訓練集、驗證集和測試集；接著對數據進行批量歸一化操作，最后進行卷積神經網絡訓練，并將訓練和測試的結果進行對比分析，驗證本文方法的有效性和優越性。

3.2 實驗結果分析

在訓練卷積神經網絡模型的過程中，由于輸入的振動信號有噪聲，并且訓練數據不足，會出現過擬合情況。本文采用Dropout 的方法抑制過擬合，在選取Dropout 參數時，做了3 組實驗，參數分別取0.2、0.3、0.5，迭代次數為50次，訓練集準確率如圖6所示。

Table 1 Experimental data set description表1 實驗數據集描述

Fig.6 Diagnostic accuracy of the training set圖6 訓練集的診斷準確率

從圖6 可以看出，在Dropout=0.2 和0.3 時，訓練集準確率均在99%以上，而Dropout=0.5 時，訓練集準確率只有94%左右。但相比于Dropout=0.2 時，Dropout=0.3 時的準確率數值波動較小，因此Dropout的參數選用0.3。

在訓練時，增加網絡層數，可以提升特征學習能力。本實驗采用了6 層卷積層和池化層。利用Adam 算法更新參數，批次設置為512，迭代200 次，學習率為0.001。模型參數取值如表2所示。

Table 2 1D convolutional neural network model parameters表2 一維卷積神經網絡模型參數

在訓練卷積神經網絡模型后，觀測準確率與損失函數值大小，準確率能夠度量模型效果，準確率越高，說明模型訓練效果越好，損失函數主要描述模型訓練誤差，當準確率逐漸增長，損失函數值逐漸減小，說明該模型擬合越好。

實驗訓練結果和驗證結果分別如圖7 和圖8 所示。當迭代次數達70 次，模型基本收斂，訓練集平均準確率保持在99%以上，驗證集平均準確率達99.5%，說明改進后的一維卷積神經網絡模型具有很好的診斷效果。

Fig.7 Model training results圖7 模型訓練結果

Fig.8 Model validation results圖8 模型驗證結果

一維卷積神經網絡模型改進前后在4 組不同數據上的軸承故障診斷準確率比較如表3 所示。測試集樣本為1 000 個，樣本長度為1 024。從表3 可以看出，在4 種不同的數據集上，本文方法模型測試的準確率均高于經典的一維卷積神經網絡模型，且本文方法在不同數據集上測試集的準確率差別小于經典一維卷積神經網絡方法。由此可見，改進后的模型在軸承故障診斷性能上優于經典的一維卷積神經網絡，且模型的穩定性和泛化能力更好。

Table 3 Comparison of fault diagnosis accuracy under different data sets表3 不同數據集下故障診斷的準確率比較

為了進一步驗證所提方法的故障診斷效果，將本文方法與其他基于卷積神經網絡的故障診斷方法進行比較，故障診斷準確率如圖9 所示。可以看出，本文方法準確率高于其他模型準確率，具有更好的診斷效果。

Fig.9 Fault identification accuracy of each method圖9 各方法故障識別準確率

4 結語

本文針對經典一維卷積神經網絡故障診斷準確率不高和泛化能力較差的情況，提出了改進一維卷積神經網絡的軸承故障診斷方法。該方法可以直接作用于原始的一維信號，不需要進行任何的人工特征提取，實現了端對端的檢測，具有很好的實用性。第一個卷積層采用大卷積核，可以得到更大的感受野，之后采用小卷積核，減少模型參數量和計算量。利用批量歸一化的方法處理數據，使得模型收斂速度變快，并減少運行時間。在前向傳播過程中，利用Dropout 的方法，對模型中的神經元按照一定比例隨機丟棄，可以有效抑制過擬合問題。實驗結果表明，該方法相較于改進前的一維卷積神經網絡模型和其他故障診斷模型，可以達到更高的準確率。

但是本文方法由于網絡模型較大，需要較大運行內存和較高硬件需求，因此運行效率略有下降。下一步工作重點是優化模型流程與參數，在不影響故障準確率的情況下，提升模型效率。