基于深度學習的滾動軸承故障診斷方法

陳志剛，高 鶴，劉 菲，楊志達

（北京航天拓撲高科技有限責任公司，北京 100176）

0 引言

滾動軸承是機械設備中常見的組件，從簡單的電風扇到復雜的機床上都有滾動軸承的應用。事實上，超過50%的機械缺陷與軸承故障有關，從而導致機器停產、停機、甚至造成人員的傷亡[1]。因此，滾動軸承故障診斷是機械故障診斷的一個重要方面，也是近些年來的研究熱點。近些年來，隨著學者們的不斷深入研究提出了各種故障診斷的方法。傳統的研究方法有：BP 神經網絡[3]、概率神經網絡（Probabilistic Neural Network，PNN）[4]、小波分析[5]、EMD[6]、集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）[7]、奇異值分解（Singular value decomposition，SVD）[8]等得到了廣泛的應用。目前基于機器學習的故障診斷方法主要有，如Logistic 回歸[9]、支持向量機（Support Vector Machine，SVM）[10]以及人工神經網絡（Artificial Neural Network，ANN）[11]、模糊推斷[12]。

人工智能的蓬勃發展，深度學習在圖像識別、語音識別等領域得到廣泛運用。反應軸承故障的振動信號在本質上與語音相同，都屬于對聲音信號進行分類，提出一種基于深度學習的滾動軸承故障診斷，首先使用一維卷積神經網絡層（One Dimension Convolution Neural Networks，1D-CNN）提取特征，隨后使用門控循環單元網絡層（Gate Recurrent Unit，GRU）捕捉這些特征圖的時間動態，故障的分類取決于通過全連接層的最終GRU 單元的輸出。首先利用數據集通過對比實驗確定GRU 和CNN 的網絡結構和相關參數，從而確定整個目標域的網絡架構及參數。

1 基礎理論

1.1 一維卷積網絡

卷積神經網絡（Convolution Neural Networks，CNN）是共享權重、局部連接的多層神經網絡。卷積神經網絡的構成主要包含隱含層、輸出層及輸入層。輸入層主要從圖像資源中獲取圖像的像素矩陣資源，隱含層主要用于接收輸入層的輸出并完成對圖像特征的提取，輸出層主要將隱含層的結果進行輸出。

卷積神經網絡根據輸入類型不同，可以將其分為一維和二維卷積神經網絡。其中，二維卷積神經網絡主要用于圖像和視頻二維信號；一維卷積神經網絡主要運用于自然語言處理等領域，適用于處理時間序列數據這種一維數據。采用一維卷積神經網絡對數據集（長序列）進行特征提取。

1.2 門控循環網絡

GRU 由經典的循環神經網絡——長短期記憶網絡（Long Short—Term Memory，LSTM）優化所得，具有更加簡單的結構、更少的參數、更好的收斂性。GRU 神經網絡的整體結構主要包括：更新門和重復門。其中更新門主要用于控制前一時刻的狀態信息被帶入到當前狀態的程度，更新門的值越大說明前一時刻的狀態信息帶入越多；重置門用于控制忽略前一時刻的狀態信息的程度，重置門的值越小說明忽略得越多[13]。

2 滾動軸承故障診斷模型實驗分析

2.1 數據集描述

采用在凱斯西儲大學的公開實驗數據集作為實驗數據進行訓練與測試。將每種工況的數據分成4 種狀態：正常（N）、內圈故障（IF）、外圈故障（OF）和滾珠故障（BF）。其中將故障部分劃分為3 種尺寸：小（0.18 mm）、中（0.36 mm）和大（0.54 mm），所以根據不同狀態和故障尺寸有10 種情況，如表1 所示。

表1 故障類型分類

由于數據集中提供的原始振動信號是一條很長的一維數據，每種數據樣本數比較少。為獲得盡可能多的樣本，采用滑動窗口進行重疊采樣，為獲得更好的訓練效果，將獲得的樣本隨機打亂。每種故障類型采樣10 000 個樣本，每個樣本中2048 個數據點，并且將數據集中的80%作為訓練集用于訓練CNN—GRU網絡，剩下的20%作為測試集用于測試系統的性能。

2.2 網絡結構參數確定

通過比較不同CNN 和GRU 網絡的層數組合，選擇出最佳的深度學習模型，實驗對比結果見表2 和表3。

表2 為不同層數CNN 與GRU 單元組合時，在測試集中的類間平均準確率，由表2 可見當CNN 層數大于2 層時，網絡診斷準確率較高，均高于99%，這是由于隨著網絡層數的加深，深層的CNN 層能夠提取到較為抽象的特征，更有助于隨后連接的全連接層進行分類。表3 為對1000 個測試樣本進行分類所需時間，由表3 可見當GRU 層數較少時，分類所需的時間較短。按照分類時間短，分類準確率高這2 個條件對網絡層數進行選取，最后選出3 層CNN+1 層GRU 以及3 層CNN+2 層GRU 這2 種網絡結構，將這2 種結構進行對比發現，將GRU 的層數從1 層提升至2 層時，類間平均準確率上升了0.1%，但所需時間卻成倍上漲，因此，綜合分析各種元素，選取3 層CNN+1 層GRU 作為遷移前的網絡結構，最終整個模型的全部參數如表4 所示。

表2 測試集類間平均準確率

表3 測試集預測速度

表4 故障診斷網絡參數

2.3 實驗結果

使用上述數據集，對比所確立的模型以及訓練方式對網絡進行訓練，最終所得各類診斷準確率見表5，混淆矩陣如圖1 所示，混淆矩陣標識說明見表6。

表6 混淆矩陣標識說明

圖1 故障診斷混淆矩陣

表5 故障診斷實驗結果

由上述圖表可以看出，所提出的基于深度學習的故障診斷網絡，在美國凱斯西儲大學數據集中所進行的實驗，除在外圈故障小尺寸這一類中診斷效果相對較差為96%外，在各類之中診斷預測效果較為優秀，均能達到100%，說明所設計診斷方法具有較高的使用價值。

3 結束語

提出了一種基于深度學習的智能故障診斷方法，在CNN 設計方法的基礎上，根據訓練要求設計了9 種CNN 網絡結構。通過實驗數據集測試，確定了一種最優的CNN 網絡模型。所采用的基于一維卷積和門控循環單元的滾動軸承故障診斷方法整體上能夠達到99.6%的識別準確率，體現了網絡優異的診斷能力，證明了所提出方法的可行性，為采用CNN 和GRU 進行故障診斷提供了新的思路，具有較好的技術應用前景。