深度學習在軸承故障診斷領域的應用研究

洪騰蛟, 丁鳳娟， 王 鵬 ， 馮 定*， 凃憶柳

(1.長江大學機械工程學院， 荊州 434023； 2.湖北省油氣鉆完井工具工程技術研究中心， 荊州 434023；3.南京林業大學機械電子工程學院， 南京 210037)

設備的高效運轉是建立在精準的故障診斷和及時的保養維修的基礎上，根據故障診斷的結果能夠判斷出設備的運轉狀態，便于及時對故障設備進行維修和保養[1-2]。隨著產品更新換代速度的加快和生產效率的提高，工農業生產對故障診斷的高效性、便捷性和精確性提出了更高的要求。目前常用的故障診斷方法有：直接觀察法、專家系統法、振動噪聲測試法等。傳統的故障診斷方法很大程度上依賴于人工干預和經驗值判斷，無法準確高效定位和識別故障點、故障類型以及故障程度，尤其是對早期故障的發生缺乏預警能力，給工農業生產帶來了較大的風險，甚至影響到作業工人的生命安全[3-4]。近年來，隨著研究的縱深和應用面的擴展，深度學習技術取得了諸多重大突破，其具有的強大的特征提取能力和優異的學習訓練能力引起了軸承故障診斷領域學者的大量關注和研究[5]。深度學習技術能夠在海量多維的測量數據中不依賴人工標記故障特征，自動提取有效參數進行學習，以訓練優化網絡模型，降低環境干擾和工況變化所引起的故障診斷不準確和故障程度辨識率低的問題，促進軸承故障診斷技術向著自動化和智能化方向發展。基于此，主要概述深度置信網絡(deep belief network, DBN)、卷積神經網絡(convolutional neural network, CNN)和自編碼器(auto encoders, AE) 三種典型的深度學習模型，并論述了深度學習在軸承故障診斷領域的應用進展。最后討論了深度學習在軸承故障診斷領域所存在的問題及未來的發展趨勢。

1 深度學習

深度學習(deep learning)由Geoffrey Hinton教授在2006年提出[6-7]，屬于機器學習的分支，也是人工智能研究領域的前沿趨勢之一，具有強大的數據處理能力和特征提取與分類能力，廣泛應用于設備故障診斷、語言識別、圖形圖像處理等領域[8-9]。相較于淺層神經網絡不易處理復雜函數和自然信號以及模型泛化能力的不足，深度學習具有深層自主學習能力和強大的模型診斷與自我泛化能力有效彌補了傳統方法對人工經驗的依賴性[10-11]。深度學習的本質，是在機器學習和神經網絡專家系統框架中構建大量的隱含層[12]，并通過海量的數據訓練學習，構建出深層非線性網絡結構用以逼近復雜函數，從而提取出所需要的模型特征來提升分類和預測的準確性，具備從少數樣本數據學習中直達本質特征的能力。區別于傳統的淺層學習，深度學習具有以下特點。

(1)強調了模型架構的層次深度[13]。深度學習與傳統的淺層學習具有一定的相似性，二者都是采用分層學習結構，包括輸入層、隱含層和輸出層。其主要區別在于，深度學習在隱含層中設置了多層次、多維度的隱含節點用以訓練和學習，并將前一層的訓練結果作為下一層的輸入樣本，通過逐層訓練和學習有效提高了模型的精確性。

(2)突出了特征學習的重要性。深度學習神經網絡將分類器與特征學習結合到一起，有效減少了手工設計與提取特征的工作量，系統可自動提取、學習特征信息，并對特征進行逐層組合、變換，將原空間的樣本特征變換到新的特征空間，以實現分類、識別和預測的功能[14]。同時由于特征的提取與學習經歷了多層次、多維度的泛化過程，其特征表達能力得到了有效提升，能夠表達大規模數據和復雜問題。

通過文獻分析可知，典型的深度學習模型主要有深度置信網絡(DBN)、卷積神經網絡(CNN)和自編碼器(AE)[15-17]。其中，DBN是多層節點深度學習網絡，能將低層數據特征逐層抽象為高層特征表示，無需人工提取特征，提高了學習過程的智能化和精確化，使用大量無標簽數據通過逐層貪婪算法對樣本進行訓練，然后再使用少量有標簽數據對整個網絡進行微調(fine-tune)，得到整個神經網絡的最大概率數據，能用于有監督學習，也能用于無監督學習。其模型結構如圖1所示。

圖1 DBN結構

CNN是深度學習網絡的另一種模型，其模型結構如圖2所示，包含多個隱層，能通過逐層的特征傳遞，將低層特征變換到高層特征，以實現特征的學習和表達[18]。通過研究可知，隱含層的數量越多，其模型精度越高[19]，和神經網絡一樣都是有監督學習算法，需要使用有標簽的數據作為網絡訓練的樣本，然后用學習得到的模型對待測數據進行預測，廣泛應用于語音識別[20]、圖像處理[21]、行為檢測[22]、文本分類[23]等領域，具有強大的分類能力。

圖2 CNN結構

AE[24]分為兩個部分：編碼器和解碼器，它是一個典型的無監督三層神經網絡結構，如圖3所示，包括輸入層、隱藏層和輸出層。自編碼器通過對誤差函數的重構來復現輸入數據進而降維并提高特征提取的準確性[25]。在自編碼器的框架下，學者開發了變種模型，如降噪自編碼器、堆疊降噪自編碼器、棧式自編碼器、稀疏自編碼器等。

圖3 AE結構

2 深度學習在軸承故障診斷領域的應用

軸承結構簡潔、相對摩阻小、啟動性能好，是旋轉設備的關鍵部件，廣泛應用于各類裝置中，為工農業生產提供了重要支撐和保障[26]，但由于工作環境和負載變化等因素影響，極易引起軸承故障[27]，給生產作業和經濟發展帶來重大損失，因此對其進行及時有效的故障診斷具有重要意義[28-30]。

傳統的故障診斷方法[31-32]大多集中在淺層學習方面，通過人工提取特征、降維來進行故障診斷[33]。對于多維復雜的故障問題處理能力不足，特征的提取與分類主要依賴人工，缺乏有效的無標簽樣本學習能力，診斷精度較低，且對數據處理的硬件設備要求較高，體積龐大。

隨著深度學習、傳感器技術和數據融合研究在故障診斷領域的快速發展，使得實時采集軸承狀態信息成為可能，為其高精度故障診斷提供了切實可行的途徑。自深度學習引入到軸承故障診斷領域以來，取得了大量的研究成果，相比淺層神經網絡，深度學習有著更高的效率和準確性[34]。萬齊楊等[35]提出一種基于深度卷積自編碼器的軸承故障診斷方法，首先采用小波變換構造出不同狀態下振動信號的時頻域圖，然后使用深度卷積自編碼器對時頻圖進行去噪，最后利用卷積神經網絡對去噪后的時頻圖進行故障分類。結果表明在高噪聲環境下，所提出的故障診斷方法比CNN、堆疊降噪自編碼器兩種深度學習方法具有更高的故障識別率。吳小龍等[36]使用傳統的深度神經網絡(deep neural networks, DNN)中被廣泛用于無監督學習的去噪自編碼器進行特征提取，然后對傳統的DNN中的去噪自編碼器進行稀疏化處理，使得特征的提取更加合理、準確，并在DNN中引入核函數運算，形成多核結構，進一步提高深度神經網絡在軸承故障診斷中可靠性、穩定性和診斷精度。Sun等[37]從軸承受力分析、結構優化、環境件構造等角度對軸承的故障診斷展開研究，通過故障數據采集、特征提取與融合，建立了軸承有限元模型，并設置了試驗驗證，改善了軸承徑向載荷不均、滾子損壞和保持架應力集中的不良狀況。馮定等[38]通過提取高造斜率井眼軌跡控制工具懸臂軸承故障特征和故障類型，結合其作業特點分析了懸臂軸承的失效原因，并給出了推薦使用的軸承型號。杜小磊等[39]提出一種基于改進深層小波自編碼器的軸承故障智能診斷方法，該方法改進小波自編碼器的損失函數并引入收縮項限制，再將多個小波自編碼器進行堆疊構成深層小波自編碼器，并引入“跨層”連接緩解梯度消失現象，最后利用大量無標簽數據對網絡進行無監督預訓練并利用少量帶標簽數據對模型參數有監督微調，結果表明該方法能有效地對軸承進行多種故障類型和故障程度的識別，特征提取能力和識別能力優于人工神經網絡、深度信念網絡、深度自編碼器等方法。宮文峰等[40]提出一種改進CNN新方法用于滾動軸承故障的快速智能診斷，引入全局均值池化技術代替傳統CNN全連接層部分，并運用數據增強、Dropout等深度學習訓練技巧，該方法能有效解決傳統CNN模型參數量過多的問題，提高了故障識別準確率并縮短了計算耗時。祝道強等[41]提出了一種基于一維卷積神經網絡的變負載適應軸承診斷模型，卷積結構使用小卷積核層堆疊的興衰形式，訓練時對輸入層進行均勻分布失活率的隨機失活，以提高網絡的變負載適應能力，且采用全局平均池化降低模型計算量和減輕過擬合程度，研究結果表明所提出的模型泛化能力強，能夠在變負載環境下實現準確、穩定的軸承故障診斷。李濤等[42]提出一種基于粒子群優化(partical swarm optimization, PSO)算法的自適應CNN故障診斷方法，并將其應用于滾動軸承故障診斷，提高了故障診斷的精度和迭代速度。羅金等[43]提出一種基于總體平均經驗模態分解(ensemble empirical mode decomposition, EEMD)和堆疊稀疏自編碼(stacked sparse auto-encoder, SSAE)的滾動軸承故障診斷方法，將振動信號分解后選取大峭度值分量作為敏感故障特征，再提取其時域和頻域特征構建數據集輸入診斷模型進行學習訓練，研究表明該方法訓練耗時短，故障識別率高。顧鑫等[44]提出一種CNN與極限學機(extreme learning machine, ELM)相結合的滾動軸承自適應故障診斷方法，該方法首先通過卷積層和池化層提取低階特征來訓練神經網絡以合成高階特征，然后用于極限學習機的故障分類，能夠縮短模型訓練時間，提高模型的識別率和魯棒性。周奇才等[45]提出了基于改進堆疊式循環神經網絡(ISRNN)的軸承故障診斷模型，如圖4所示，通過門控循環單元解決了堆疊式循環神經網絡梯度消失的問題，結果表明該模型在可靠性與泛化能力方面有了一定的提高。

圖4 改進堆疊式循環神經網絡模型結構

針對傳統軸承故障診斷過多依賴于人工經驗、自動識別程度低且成本高昂的缺陷，Janssens等[46]建立了基于卷積神經網絡的軸承狀態監測特征學習模型，該模型能夠從海量數據中自主學習有用特征用于軸承故障診斷，并針對軸承外環故障、潤滑失效、轉子不平衡以及軸承正常4種工況進行了試驗，結果表明其故障診斷準確率達到了93.61%。許愛華等[47]提出基于卷積神經網絡的電機軸承故障診斷算法，使用原始診斷數據作為網絡模型的輸入對其進行訓練，根據振動數據的特點和試驗對比選擇模型的結構和參數，進而通過深層次網絡結構的卷積操作以實現對原始振動數據的特征提取，最后在輸出端利用Softmax分類器進行分類，該方法能夠克服故障診斷算法對人工干預和專家經驗的依賴，并提高故障診斷的準確率。單外平等[48]采用DBN，直接從原始數據對軸承故障進行智能識別。無需人工提取特征，降低了傳統特征提取過程的操作難度和不確定性，結果表明DBN能夠直接通過原始數據對軸承故障進行高效識別，運用該方法的故障識別率接近100%。針對復雜工況下從非線性非平穩振動信號中難以提取故障特征的問題，Li等[49]通過引入拉普拉斯變換細化故障特征，基于層次模熵(hierarchical fuzzy entropy, HFE)方法和改進的支持向量機二叉樹(improved support vector machine based binary tree, ISVM-BT)診斷軸承故障，試驗表明該方法能夠有效識別不同類別和不同程度的滾動軸承故障。Ding等[50]在傳統卷積自編碼網絡的基礎上提出一種一維多尺度卷積自動編碼的診斷模型，該模型首先使用并行、不同尺度的卷積核和反卷積核對輸入信號進行特征提出和重構，然后將多尺度卷積核所提取得到的特征圖作為分類器的輸入，最后用帶標簽的數據對全模型的參數進行微調。研究結果表明一維多尺度卷積自動編碼模型對滾動軸承故障數據有更好的識別效果。李小娟等[51]提出一種基于歐式距離的深度度量學習的軸承故障診斷方法，實現對不同類型和嚴重程度的軸承故障的分類識別，結果表明所建立的深度度量網絡模型能夠在不依賴信號處理技術和工程實踐經驗的情況下有效地對軸承故障進行高精度診斷，診斷結果優于傳統DBN故障診斷方法以及常用時域統計特征結合支持向量機(support vector machine, SVM)分類的故障診斷方法。韓濤等[52]利用多小波變換(multi-wavelet transform, MWT)方法對滾動軸承的振動信號進行后處理，得到多小波系數分支構造特征圖以建立CNN分類器組模型，從而實現對滾動軸承復合故障的智能診斷。劉慧斌等[53]利用卷積神經網絡能夠自動提取故障特征的特性，提出端到端的深度卷積神經網絡自動提取故障特征進行多故障分析的軸承故障診斷方法，算法模型如圖5所示，相較于傳統的人工故障特征提取方法能夠有效提高故障診斷精度和故障點定位精度。

圖5 端到端深度卷積神經網絡

鑒于現有軸承故障診斷模型環境適應性差、噪聲干擾嚴重、故障樣本少以及特征參數設置難的問題，Zhang等[54]將包絡譜的稀疏度與峭度值引入到移不變K均值奇異值分解字典學習算法(shift-invariantK-means singular value decomposition, SI-K-SVD)中用于迭代次數和模式長度的選取，提出最優參數移不變奇異值分解字典學習算法(optimal parameter shift-invariantK-means singular value decomposition, OP-SI-K-SVD)，并通過仿真與臺架試驗驗證了OP-SI-K-SVD算法相較于經驗模態分解、小波變換和K均值奇異值分解算法在齒輪箱軸承早期故障診斷中具有更高的診斷準確性和特征提取能力。昝濤等[55]設計了一種具有多輸入層的卷積神經網絡來優化軸承故障診斷模型的抗噪聲干擾性能，提高診斷模型的魯棒性。該模型以原始信號為初始輸入層，充分發揮網絡模型多輸入層和自動學習原始信號特征的優勢，提升模型的識別精度、收斂特性和泛化能力。趙小強等[56]針對傳統軸承故障診斷方法自適應性差的缺點，提出一種改進Alexnet的滾動軸承變工況故障診斷方法，該方法直接從原始數據中提取深層數據特征，能夠在變工況、強噪聲的環境中自適應地對軸承進行高精度故障診斷。Kang等[57]提出了一種基于多域特征相對補償距離和局部線性嵌入的滾動軸承狀態評估方法，構造了多域特征向量和距離補償指標，有效地消除了振動信號的相關性和冗余性，提高了軸承故障診斷的效率和精度。涂小衛等[58]提出一種快速傅里葉變換(FFT)+深度置信網絡(DBN)+參數尋優的牽引系統電機軸承故障診斷方法，完成了無監督特征提取與有監督微調網絡模型的構建，解決了網絡參數設置難的問題，并有效提高了電機軸承故障識別準確度。譚俊杰等[59]采用核函數映射和無監督學習的深度置信網絡開展軸承故障診斷研究，提高了源域和目標域的相似性，改善了訓練樣本不足而導致模型精度低的缺陷，并通過試驗驗證了該方法具有較高的診斷精度。王金瑞等[60]針對轉速波動工況下的軸承故障診斷提出了根據轉速信息提取頻域樣本進行訓練的深度學習網絡模型，利用平移和縮放參數處理轉速波動引起的頻移和幅變，減輕了模型內部協變量轉移現象，加快了模型收斂。結果表明，該方法能夠在轉速波動工況下實現軸承故障的準確識別。Wang等[61]通過初始化深度卷積神經網絡并采用粒子群尋優等方法構建了自適應卷積神經網絡模型，提高了模型的高效性和魯棒性。莊雨璇等[62]針對現有診斷模型的應用環境泛化能力不足的缺陷，提出一種基于長短時記憶網絡的端到端故障診斷模型e2e-LSTM(end-to-end long short term memory network)，直接利用時域振動信號對軸承的運行狀態進行診斷，模型架構如圖6所示。結果表明該模型環境適應性強，能夠一次性識別多種軸承故障以及故障尺寸。

圖6 e2e-LSTM的模型框架圖

近年來，深度學習在故障診斷領域發展勢頭迅猛，成果頗豐，隨著其在軸承故障診斷的研究深入，對于軸承狀態的實時追蹤與評價取得了較好的效果，其快速迭代和收斂特性更能適應科技高速發展與產品快速更新換代的要求，與大數據融合方面也有著更高的契合度，為軸承故障診斷的自動化與智能化提供了有效的途徑。但現有研究大多處于理論分析與室內試驗階段，與實際工程應用尚有距離，且隨著未來軸承應用場景的多樣化與復雜化，高效、多維、準確的特征抓取、學習與分類，與傳統故障診斷方法的有效融合、向不同類型軸承故障診斷領域延伸，故障精確定位、以及如何構建更加安全、穩定的故障診斷模型來鞏固軸承在工農業生產中的重要作用等方面的研究也要有所突破。

3 存在的問題

深度學習應用于軸承故障診斷領域的目的是試圖通過尋求可量測的特征向量來判斷軸承處于何種狀態，進而實現工農業系統的故障檢測、診斷與識別匹配等。基于深度學習的故障診斷策略是模擬人類思維的學習以及推理過程，通過有效的特征提取、選擇和分類識別處理診斷信息，模擬人類專家，以靈活的診斷策略對監測對象的運行狀態和故障信息做出智能判斷和決策。隨著科技的發展和研究的深入，基于深度學習的故障診斷技術尚存在一些挑戰性的問題有待進一步研究。

(1)故障診斷深度學習模型本身的準確性不夠高，無法快速準確地識別軸承運行狀況。深度學習模型訓練耗時，驗證過程較為復雜，這就要求所建立的深度學習模型準確、高效，提取的特征直觀、完備。

(2)深度學習在復雜性、多元性故障診斷領域的應用尚待研究。由于診斷對象日趨復雜，復合故障和系統故障呈現出多因素耦合作用、傳遞路徑復雜的狀態，使得獲取準確、有效的特征信息越來越困難，導致單一故障診斷方法難以有效溯源故障成因。如何應對新出現的故障識別與診斷問題亟待解決。

(3)深度學習故障診斷模型與傳統故障診斷模型混合協同作業研究較少。如何針對不同故障和模型的特點，取長補短，實現不同模型間的相互融合與協同作業，對復雜工況下的軸承故障診斷工作而言是非常關鍵的。

(4)深度學習故障診斷特征的高效準確提取與識別需要重點關注。特征提取是故障診斷的關鍵步驟，也是進行正確故障檢測和分離的前提。如何有效剝離干擾信息，直達故障特征，減小樣本訓練量和模型層數，縮短模型訓練耗時，進行高效有序、精確的小樣本模型訓練是一個極具挑戰的課題。

(5)海量多維訓練樣本的融合統一研究不夠。現代工農業生產系統的復雜性造成了訓練樣本數據的海量、多源以及時間與空間尺度上的多維性，如何將深度學習與分散不統一的訓練數據相結合，構建易于訓練，可自適應協調多源海量數據融合的訓練模型也是一個值得研究的方向。

4 發展趨勢

隨著深度學習研究在軸承故障診斷領域的不斷發展與進步，提高深度學習模型的準確性、深入復雜故障診斷領域、與傳統診斷模型協同作業、故障特征的高效準確提取、多維數據樣本融合統一，以及提高深度學習故障診斷模型的魯棒性，必將給故障診斷的實時性與準確性帶來質的飛躍。根據現有研究可知，基于深度學習的軸承故障診斷模型訓練方法主要包括有監督學習、無監督學習、半監督混合學習等。在訓練數據方面，目前有標簽的數據特征學習占有重要位置，然而在故障診斷的實際應用中，故障數據往往呈現出無標簽、多維度，并且數據量巨大的特性，掌握這些海量數據的標簽是十分困難的事情。在不遠的將來，隨著數據采集和存儲技術的發展，無數據標簽的特征學習，將會越來越被重視，如何自動、智能的為數據添加標簽將是未來研究的熱點。此外，研究高精度、高效率的硬件設備，配合深度學習的海量數據儲存、分類及運行，能夠使深度學習性能更好地發揮出來。綜上所述，深度學習在軸承故障診斷領域的研究重點和發展趨勢有以下幾個方面。

(1)軸承故障診斷深度學習模型特征參數提取的準確性和故障診斷精度亟待提高。在復雜環境、噪聲干擾和變載荷工況下確保軸承故障診斷的準確性和高效性是保障軸承安全有效運行的重要前提。

(2)深度學習故障診斷領域的新方法、新工藝、新材料需要加大研究力度。通過對軸承故障的深入研究，縮短模型訓練耗時、故障診斷耗時、提高軸承使用壽命以及對傳感器硬件和數據融合精度的研究，降低故障診斷的軟硬件成本，更好地為生產建設服務。

(3)基于深度學習的軸承故障診斷應用范圍亟須拓展。現有研究大多針對金屬材料滾動軸承的故障診斷，對于塑料軸承、鉸支軸承以及可承載軸向力的滑動軸承、PDC(polycrystalline diamond compact)鑲嵌軸承等特種軸承和專用軸承故障診斷研究較少。與此同時，還需要加大其工程運用力度，做到理論聯系實際并指導實際。

(4)不同的軸承故障診斷方法融合機制亟待建立。現有診斷方法大多只針對特定的故障種類，且新方法與傳統方法分裂獨立，不夠全面系統。因此亟須建立覆蓋范圍廣、辨識程度高的軸承故障診斷方法的有機融合機制。

(5)減少人工操作工作量，促進軸承故障診斷向著智能化發展。當前工農業生產逐漸向著自動化和智能化過渡，因此軸承的故障診斷也應該向著自適應檢測與診斷方向發展，同時減少人工工作量和人為因素也是降本增效、提高安全性的有效途徑。

(6)加大深度學習在軸承早期故障檢測與狀態評判方面的研究。當前，軸承故障診斷主要集中在故障發生之后，甚至是軸承功能已經喪失或局部喪失后的階段，此時危害與損失已經無法挽回。因此，加大軸承早期故障的監測研究，做到防患于未然，也是非常有必要的。