高噪聲下改進卷積神經網絡軸承故障診斷

唐治堯，李剛,2,3，李德蒼,2,3

（1.蘭州交通大學 機電技術研究所；2.甘肅省物流及運輸裝備信息化工程技術研究中心；3.甘肅省物流與運輸裝備行業技術中心，甘肅 蘭州 730070）

1 前言

滾動軸承作為大型旋轉機械設備的重要零件，被廣泛地用于航空發動機、風力發電、鐵路行業大型設備中，對旋轉機械的穩定性起著重要作用。在強噪聲背景下，滾動軸承引起的振動信號特征雜亂難以識別，導致故障發生的概率增大。因此，研究在強噪聲背景下的軸承故障診斷有重要意義。

近年來，深度學習被廣泛用于圖像識別、圖像分類、語義分割，并一直以來是研究的熱點，深度卷積是近年來發展迅速的一種深度學習方法，利用深度卷積神經網絡學習實現端到端滾動軸承故障診斷。陳偉等通過Dropout 對數據集進行預處理，“損壞”訓練數據，通過不同擴張率空洞卷積進行擴充多尺度卷積，利用CNN模塊進行特征提取。Chen 等將水平和垂直方向振動信號融合成二維矩陣，再利用深層卷積神經網絡進行軸承故障診斷。

以上方法證明了卷積神經網絡在軸承故障診斷方向的可行性，然而，以上方法都未考慮旋轉機械在復雜環境中的強噪聲問題，振動信號在強噪聲的影響下所采集的振動信號在多個尺度上特征頻率變化大，具有不確定性，耦合性復雜特性。針對高噪聲下振動信號的特征具有復雜特性提出了改進卷積神經網絡滾動軸承故障診斷方法，該方法在深度卷積神經網絡的基礎架構上嵌入了門控循環單元，解決了神經網絡結構中梯度爆炸問題，利用深度卷積神經網絡進行特征提取，將提取的數據集輸入注意力機制和SVM 分類器中進行特征分類，通過實驗驗證所提神經網絡架構中嵌入門控循環單元的優越性。

2 卷積神經網絡架構及算法模型

2.1 卷積神經網絡（CNN）的基本模型

卷積神經網絡是一種有監督的深度學習模型。卷積神經網絡有局部感受野、權值共享、時間或空間采樣的重要特點，卷積神經網絡主要有卷積層、批標準化層、激活層、池化層、全連接層、目標函數等幾個部分。

卷積層的功能是利用權值矩陣（卷積核）對圖像進行特征提取，通過卷積層中眾多卷積核對輸入信號的局部感受野以一定的步長進行卷積運算，提取相應的特征和表征，新特征的每個值即代表著卷積核所覆蓋的一小片區域內數據的一個特征。卷積過程如式（1）所示。

2.2 門控循環單元（GRU）基本模型

門控循環單元（GRU）是為了緩解循環神經網絡中長時記憶和反向傳播中梯度爆炸的一種神經網絡，如圖1 所示，一個經典的門控循環單元由重置門rt，更新門zt，隱藏狀態ht，σ 表示激活函數中的sigmoid 函數，sigmoid 函數用來控制信號的通斷。

圖1 神經網絡模型架構

在時間步t時刻，重置門rt控制需要遺忘信息的程度，重置門rt計算過程如式（2）所示。

式中，Wr為權重矩陣；ht-1為上一時刻隱藏狀態信息，Xt為輸入信號特征。

更新門zt控制前一刻隱藏狀態的信息和當前新信息的比例，更新門zt計算過程如式（3）所示。

式中，Wz為權重比重。

重置門rt通過整合過去的輸出和當前輸入判斷過去信息的重要性，得到備選狀態，備選過程計算過程如式（4）所示。

式中，Wh為權重比重。最后當前時刻輸出的信息為ht，輸出信息ht的計算過程如式（5）。

（3）益生素類產品還可以用于疾病，最大限度地發揮動物生產潛能，預防重于治療。益生素類產品是一種微生物制劑，可以有效促進動物的生長，同時提升機體的抗病性，降低染病幾率[3]。另外，可提高飼料利用率，改善飼養環境，提高養豬的經濟效益。

2.3 注意力機制

注意力機制能夠自動聚焦于輸入中的相關信息，自動從若干特征中選出對當前任務有重要意義的權重。注意力機制中的權重矩陣是通過訓練得到，可以提升網絡的自適應性，降低超參數選擇的難度。注意力機制的加權求和c 的計算過程如式（6）。

式中，ai為注意力權重分配；hi為隱藏層輸出。

2.4 SVM 分類器

針對滾動軸承樣本數量較少，引入小樣本分類更加準確的SVM 分類器，SVM 是建立在統計學習理論和結構風險最小化原理基礎上的機器學習算法，通過定義適當的核函數實現非線性變換將輸入空間變換到線性可分的高維空間，最終找到高維空間的最優線性超平面。

3 改進卷積神經網絡滾動軸承故障診斷

改進卷積神經網絡模型架構設計。

針對1024 維滾動軸承故障時域信號，在特征提取模塊，設計了三層卷積層和池化層來提取特征信息，為了增加感受野，在卷積層中引入空洞卷積；在分類器模塊，引入了GRU 通路和注意力機制，GRU 擅長從時序信號中提取信息，但當時序信號超過200 時容易出現“遺忘”，因此，本文引入注意力機制，在對數據進行壓縮的同時緩解GRU 過程中“遺忘”的問題；最后將處理好的數據輸入到全連接層和SVM 分類器中，實現軸承故障的分類。神經網絡模型架構如圖1 所示。

對于整個CNN-GRU-A-SVM 模型，優化器采用Adam優化器，學習率為0.001，衰減率為0.9，每迭代1000次進行衰減。采用的損失函數為交叉熵損失函數，mini-batch=100，Dropout=0.75，最終選用10 次實驗結果的平均值作為結果。

表1 網絡模型參數

4 試驗仿真和結果分析

4.1 實驗環境

基于Python-Tensorflow 環境下搭建網絡模型，實驗設備為inter-i5-6300CPU，NVIDIA GTX 950M，inter-i5-6300CPU 圖形處理器。

4.2 實驗數據集及時域分析

實驗的數據集來自美國凱斯西儲大學軸承研究所采集的滾動軸承，驗證模型的有效性和可行性，實驗裝置臺由電機、扭矩傳感器、加速度傳感器和其他未顯示的幾部分構成。本實驗所用的信號采集于電機驅動端軸承，驅動端軸承為深溝球軸承，軸承型號為SKF6205，采樣率為12kHz、電機平均轉速為1797rpm，負載為0 ～3hp 采用電火花加工，實驗數據建模表如表2 所示。

表2 實驗數據集

4.3 振動信號添加噪聲

為了研究模型在高噪聲下的自適應性，將信噪比不同的高斯白噪聲添加到信號中。信噪比大小為信號的功率比噪聲的功率，信噪比計算公式如式（7），信噪比的單位為分貝（dB）：

式中，Psignal和PNoise分別指原始信號和噪聲的平均功率。在真實環境中噪聲不可避免，不僅工作環境中滾動軸承會受到噪聲的污染，零件之間的相互碰撞和摩擦也會產生噪聲，要檢驗一個算法的優劣性，也必須考慮噪聲的影響。

4.4 實驗結果及分析

為了客觀地比較各種方法在高噪聲下的自適應性，實驗依次使用基于人工濾波的BPNN+EMD+Hilbert 包絡譜方法和SVM+EMD+Hilbert 包絡譜方法、FFT-DNN 網絡、WDCNN 網絡在不同信噪比下測試數據準確率進行比較。其中，基于人工濾波的方法采用EMD 算法分解所得的前5個本征模態函數的Hilbert 包絡譜。

提出的算法和其他算法在CWRU 數據集數據不同信噪比測試數據的對比如圖2 所示，從圖中可以看出，所提算法明顯優于其他算法。相比表現最好的WDCNN算法，所提算法的分類準確度的最大高于WDCNN 算法24.7%。基于人工濾波的BPNN+EMD+Hilbert 包絡譜和SVM+EMD+Hilbert 包絡譜由于自身端點問題，處理噪聲能力不佳，隨著噪聲的增加，分類準確率急速下降，所提算法分類準確度最大高于兩種算法分別為35.2%和37.6%。FFT-DNN 表現相對較差，當噪聲水平較低時分類結果較高，當噪聲增加到-4dB 后，算法的分類準確度幾乎不變。

圖2 不同方法在CWRU 數據集上不同信噪比測試數據對比

對比不同實驗方法在數據集上不同信噪比下的測試數據，提出的算法中GRU 能夠更好地利用卷積神經網絡特征提取，從而大幅度提高分類準確度。

5 結語

（1）提出了一種改進卷積神經網絡的對滾動軸承故障狀態進行識別。

（2）引入注意力機制提高神經網絡的自適應性。通過消融實驗，在WDCNN 的基礎上結合GRU 網絡和SVM分類器，確定最終的軸承診斷的神經網絡模型。

（3）改進卷積神經網絡模型在不同噪聲工況下顯示出良好的識別準確率，所提算法識別準確率在不同程度的噪聲下比WDCNN 算法、BPNN+EMD+Hilbert 包絡譜、SVM+EMD+Hilbert 包絡譜、FFT-DNN 有較大提升，對于高噪聲下滾動軸承的診斷有一定的工程價值。