考慮滾動軸承故障位置與損傷程度的雙分支卷積神經網絡故障診斷方法

李中，盧春華，王星，班雙雙

(1.華北電力大學電子與通信工程系，保定 071003；2.華北電力大學河北省電力物聯網技術重點實驗室，保定 071003)

滾動軸承是一種將轉軸與軸座之間的滑動摩擦轉變為滾動摩擦的精密機械元件[1]，在維持機電設備的平穩運行中起到決定性的作用。滾動軸承常處于正常狀態運行，導致實際工作中難以獲取與待測數據相同特征的訓練數據[2]。充分發掘已知標簽的振動信號，從而檢測出潛在的新故障標簽具有重要的實際意義[3]。

基于數據驅動方法能充分挖掘振動信號與故障類型之間的映射關系，提取出通用特征進行故障診斷，得到了學者的廣泛的重視。基于數據驅動方法可以劃分為基于統計的分析方法、傳統機器學習方法和深度學習方法[4]。

統計分析方法是通過對研究對象的規模、速度、范圍、程度等數量關系，運用數學方式建立數學模型，揭示對象的變化規律和發展趨勢。為了從振動信號中提取出故障沖擊成分，余建波等[5]將改進形態濾波與固有時間尺度方法相結合應用到滾動軸承的故障診斷中。丁顯等[6]運用尺度空間方法對風電齒輪箱振動信號的傅里葉譜進行自動分割，通過無參數經驗小波對信號進行分解和重構完成振動信號故障特征提取。Wang等[7]提出了一種新的準則來量化振動信號的故障相關程度，提出一種新的經驗模態分解的加權和重構策略，以確保在早期階段準確提取故障特征。此外，其他時域頻域分析方法在滾動軸承故障診斷中均有廣泛應用，但在面對工況復雜的軸承振動信號時，模型往往需要重復構建具有較強的局限性。

傳統機器學習方法包括：支持向量機、反向傳播(back propagation,BP)神經網絡、貝葉斯分類器、集成學習、強化學習等[8]。馬晨佩等[9]利用麻雀搜索算法對支持向量機進行優化，相比于遺傳和粒子群優化方法，提高了診斷模型的診斷性能。韓松等[10]提出了一種基于主成分分析和支持向量機模型的滾動軸承故障診斷方法。機器學習一般由淺層網絡組成，在軸承的故障診斷中，依賴于基于先驗知識提取振動信號特征，采取多種優化算法與傳統機器學習方法相結合的形式，對研究人員的先驗知識要求較高，特征提取煩瑣且往往會丟失部分有效信息，診斷能力難以進一步提高，從而限制了該方法的應用和推廣。

深度學習可自適應提取原始數據的特征，避免了研究人員手動提取與選擇有效特征，其與傳統機器學習方法相比各方面均取得優異效果。軸承振動信號為一維時序信號，Ince等[11]通過一維卷積神經網絡將電機故障檢測的特征提取和分類相融合。祝道強等[12]基于一維卷積神經網絡完成滾動軸承的變負載故障診斷。這些端到端的方法雖然省去了人工特征提取，但一維時序信號在特征提取時容易造成特征丟失，然而卷積神經網絡在處理二維圖像上更具優勢。張立智等[13]對旋轉機械振動信號做短時傅里葉變換，以時頻圖方式輸入到二維深度卷積網絡,應用于滾動軸承與齒輪箱故障診斷中。李恒等[14]提出了短時傅里葉變換和卷積網絡相結合的故障診斷方法，實現端到端的故障識別。袁建虎等[15]對滾動軸承振動信號做連續小波變換，建立二維卷積神經網絡，實現滾動軸承的智能故障診斷。仝鈺等[16]利用格拉姆角差域對振動信號編碼，之后將其輸入到卷積神經網絡完成滾動軸承故障特征的提取與分類。Long等[17]將振動信號轉化為灰度圖，在基于LeNet-5模型基礎上對電機軸承數據、自吸離心泵數據集上完成分類。車暢暢等[18]將殘差收縮網絡模塊加入卷積神經網絡中完成滾動軸承灰度圖像的分類。肖雄等[19]結合AMSGrad算法訓練卷積網絡，提高了基于灰度圖的滾動軸承故障診斷精度，進而提出基于二維灰度圖及輔助分類生成對抗網絡的數據增強方法應用于電機軸承故障診斷[20]。

上述研究均采用單標簽對滾動軸承的故障信息進行標記，先驗知識利用不充分、故障診斷不精確，模型的診斷能力依賴于已有的故障標簽，面對新故障無法做出診斷，在先驗故障信息不充分和故障樣本不完備時會出現泛化能力不足問題，沒有充分發掘訓練數據的特征信息，難以檢測出訓練數據中潛在的新故障。

為提高滾動軸承多狀態分類的準確率以及對新故障的診斷能力，提出一種考慮滾動軸承故障位置與損傷程度的雙分支卷積神經網絡故障診斷方法。該方法基于滾動軸承的振動信號構建二維灰度圖像數據集，將現有的單一故障標簽細化為故障位置與損傷程度的雙標簽，建立雙分支的VGGNet(Visual Geometry Group Net)深度卷積神經網絡，每個分支獨立提取故障位置和損傷程度特征，實現在先驗知識缺失條件的滾動軸承的不同故障位置及損傷程度分類。

1 滾動軸承故障分析與預處理

1.1 滾動軸承故障分析

滾動軸承一般有內圈、外圈、滾動體和保持架組成，內圈與軸為緊配合，并與軸一同旋轉；外圈與軸承座孔或機械部件殼體配合，起支撐作用；滾動體借助于保持架均勻排列在內外圈之間[21]。滾動軸承在服役過程中可能由于裝配不當、潤滑不良、水分和異物侵入、腐蝕和過載而導致損壞，就會產生沖擊脈沖振動，因點蝕部分與滾動體發生沖擊接觸的位置不同，則振幅會發生周期性的變化。因自身結構、裝配工藝、運行環境等因素的影響，滾動軸承在服役過程中振動現象普遍存在，其中故障缺陷頻率計算公式如下[22]。

內圈故障振動頻率為

(1)

外圈故障振動頻率為

(2)

滾動體故障振動頻率為

(3)

式中：r為滾道半徑；n為軸承內圈轉速；d為滾珠直徑；D為軸承滾道節徑；α為軸承接觸角。

1.2 灰度圖像預處理

數據驅動故障診斷方法能充分發掘數據歷史數據中潛在的映射關系，因此數據預處理方法至關重要。為減輕工人特征提取的工作負擔，充分發揮卷積神經網絡在二維圖像處理中的優勢，將一維振動信號矩陣化為二維灰度圖像，轉化方法如圖1所示。

圖1 灰度圖轉化原理

(4)

式(4)中：ln為第n段序列；min(ln)為第n段列中的最小值；max(ln)為第n段列中的最大值；round()為四舍五入取整函數。

調整M大小可以獲取不同尺寸的灰度值矩陣，根據網絡結構和數據集大小，選取圖像尺寸為64×64。

(5)

灰度圖以下兩點優勢：①此方法最大限度地保留原始信號的時序特征；②預處理工作簡便，且無需提取新的參數指標，節省預處理時間的同時可降低研究人員對先驗知識的要求。

1.3 故障標記方法

傳統的機器學習與深度學習在滾動軸承故障診斷時，常采用單標簽(獨熱編碼)對故障類型進行標記。以美國凱斯西儲大學公開的滾動軸承實驗數據集為例，該數據集共10種狀態類型，1種正常與9種故障狀態。其中9種故障狀態為：0.18 mm的內圈故障、0.18 mm的外圈圈故障、0.18 mm的滾動體故障及0.36 mm和0.54 mm下的內圈、外圈與滾動體故障。獨熱編碼需要一個10位的向量對類別進行標記。

根據滾動軸承每種故障狀態中具有的故障位置(內圈、外圈、滾動體)和損傷程度(0.18、0.36、0.54 mm)兩種屬性，采用雙標簽方法，將每種狀態由原10位特征向量轉化為兩個4位的特征向量，故障位置分為：正常、內圈故障、外圈故障、滾動體故障，損傷程度分為：正常、損傷尺寸0.18 mm、損傷尺寸0.36 mm、損傷尺寸0.54 mm。結合雙分支卷積神經網絡，每個分支提取的特征由原來的10種至4種，使模型的自適應特征提取能力提高，進而提高故障診斷進度。

2 VGGNet網絡及改進

2.1 VGGNet模型

VGGNet是在AlexNet基礎上進一步發展的深度卷積網絡，整個網絡使用幾個較小卷積核(3*3)的卷積層來代替較大(5*5)卷積核的卷積層，通過卷積池化的交替運算實現特征提取，最后通過全連接層完成故障分類[23]。一方面減少了參數，另一方面等效于更多的非線性映射，提高了網絡的擬合能力。

2.2 VGGNet網絡改進

VGGNet具有小卷積核、參數量少、非線性擬合能力強的優點，可自動提取深層故障特征。因滾動軸承故障位置與損傷程度特征需要獨立提取，故對VGGNet網絡的結構和卷積網絡層數進行改進，使其能更好地挖掘故障信息。改進的VGGNet網絡結構如圖2所示。

Input為輸入層；None為默認圖像通道；Conv2d為二維卷積層；Activation為激活層；BN(Batch Normalization，BN)為批量歸一化層；MaxPooling2D為最大池化層；GlobalAveragePooling2D為最大平均池化層；Layer為進行一組卷積池化操作運算，共計 6層；Dense為全連接層；Category_output為故障位置輸出層；Size_output為損傷尺寸輸出層

改進的網絡主要分為如下3點。

(1)對應于故障位置和損傷尺寸雙標簽，將原VGGNet網絡單分支結構改為雙分支結構，加強對故障數據的特征提取能力。

(2)建立雙分支的同時，不可避免的增加了網絡的訓練參數。優化上層網絡結構，引入BN，解決因網絡加深而導致的訓練收斂慢的問題，從而省去網絡擬合過程中dropout、L2正則項參數的選擇問題。

(3)為降低信息損失，每個分支的最后池化層采用全局平均池化，其余池化層采用原模型的最大池化層。同時去掉一個全連接層，進一步減少網絡參數，防止模型訓練過擬合。

2.3 基于雙分支VGGNet的滾動軸承故障診斷模型

所提出的考慮滾動軸承故障位置與損傷程度的雙分支卷積神經網絡故障診斷流程如圖3所示。具體步驟如下。

圖3 診斷流程圖

步驟1數據選取。獲取謀滾動軸承的所有狀態振動信號，包括常、內圈不同損傷程度、外圈不同損傷程度、滾動體不同損傷程度。選取全狀態類型與部分故障狀態，劃分訓練集與測試集，驗證模型的診斷精度及潛在新標簽的檢測能力。

步驟2數據預處理。對原一維軸承振動信號作灰度圖像處理，構建二維圖像數據集，作為改進VGGNet卷積神經網絡的輸入。

步驟3雙分支卷積神經網絡。構建雙分支卷積神經網絡，對每一類故障數據采用雙標簽二值化處理，獨立提取每一類故障的故障位置特征和損傷程度特征。

步驟4多狀態識別。首先采用灰度圖像處理把一維振動信號轉為二維灰度值矩陣；然后將故障位置和損傷程度進行多標簽二值化；之后由雙分支卷積神經網絡分別自適應提取圖片的特征，獨立完成特征的學習和分類，通過Softmax函數建立映射關系完成故障診斷。

3 實驗驗證

3.1 實驗數據

實驗采用凱斯西儲大學(Case Western Reserve University, CWUR)提供的滾動電機軸承數據集[24]。該實驗室采用電火花加工技術在軸承的內圈(inner race fault, IF)、外圈(outer race fault, OF)以及滾動體(roller fault, RF)上布置了單點故障，故障直徑分別為0.18、0.36、0.54 mm，通過16通道的數據記錄儀采集了4種不同工況的振動信號，驅動端采樣頻率為12 kHz和48 kHz，風扇端采樣頻率為12 kHz。

選取相同工況的采樣頻率為48 kHz的驅動端振動信號，每種故障類型均采集連續的4 096個點作為一個灰度圖樣本，獨立隨機采樣2 000次。最終數據集為10種狀態類型，其中1種正常(normal, NO)和9種異常共計10 000個樣本，樣本采用多標簽二值化方法，將NO、IF、OF、RF和0、0.18、0.36、0.54 mm獨立編碼，每個樣本尺寸為64×64，圖4為實驗樣本圖。實驗按照4∶1隨機劃分訓練集和測試集，表1為實驗樣本數量與標簽。

圖4 實驗樣本圖

表1 實驗樣本數量與標簽

3.2 實驗結果

實驗環境為Keras深度學習框架，Win10操作系統，AMD Ryzen 5 2600X Six-Core Processor 3.60 GHz處理器，NVIDIA GeForce GTX 1660，16 G內存，Python 3.7.4。按照2.1節中所述方法構建模型，網絡超參數設置為：批大小batch=16，迭代次數epoch=50，學習率α=0.001。

圖5為模型的損失值和準確率收斂曲線，可以看出，在10個epoch后，兩條網絡均基本完全收斂。故障位置分支分類準確率從76.82%增長至99.71%，損失值從0.933 2降低至0.011 7。損傷程度分支分類準確率從80.06%增長至99.94%，訓練誤差從0.605 4減低至0.003 8。

圖5 模型訓練曲線

測試集的驗證結果如圖6所示，故障位置分支在第20epoch后，準確率達99.40%，損傷程度分支在第10epoch后，準確率達99.15%，且此后均趨于穩定，由此可證明所提出的雙分支VGGNet模型能有效提取故障位置與損傷程度兩種特征，將原單一故障標簽細化為雙標簽方法可行且有效。

圖6 模型驗證曲線

為了進一步驗證所提出模型的診斷效果，將本文方法與其他傳統單標簽方法進行對比：文獻[14]中對振動信號進行短時傅里葉變換，將時頻特征圖輸入改變網絡參數的卷積神經網絡(convolutional neural networks，CNN)中進行故障診斷；文獻[15]使用小波時頻圖和卷積網絡相結合方法實現滾動軸承故障診斷；文獻[16]利用格拉姆角差域圖輸入卷積神經網絡，完成滾動軸承診斷分析。文獻[17]將一維信號轉換成灰度圖并結合CNN進行滾動軸承故障診斷。文獻[18]將灰度圖輸入到深度殘差網絡中用于故障診斷。綜合對比上述方法在CWUR數據集下的診斷結果如圖7所示，對比文獻[14-18]中均將滾動軸承的故障位置和故障程度通過一個標簽進行標記，對每種故障采取雙標簽編碼，提出考慮滾動軸承故障位置與損傷程度的雙分支卷積神經網絡模型，進一步證明雙分支結構的特征提取能力更強，具有更高的診斷精度。

圖7 各方法識別準確率對比

3.3 抗噪性能測試

滾動軸承在服役過程中受一定程度的外界噪聲干擾，為測試所提出模型的抗噪性能和泛化能力，在原樣本上添加了不同方差的高斯白噪聲。定義方差σ=0.01和方差σ=0.02兩種噪聲等級，分別測試了A(訓練集無噪聲，測試集含噪聲)與B(訓練集含噪聲，測試集含噪聲)兩種條件下模型的診斷精度，表2分別給出了故障位置與損傷程度分支的識別準確率。

表2 抗噪性能測試

通過對比分析表2可知，在A組實驗中由于訓練集中樣本未添加噪聲，而測試集為含噪聲樣本，位置和損傷程度分支的診斷精度分別下降約5%，仍然保持了較高的識別精度。在B組實驗中，訓練樣本總數不變，其中包含1/2的原始樣本，1/4的σ=0.01的噪聲樣本，1/4的σ=0.02的噪聲樣本，可發現在兩種不同等級噪聲情況下，故障位置和損傷程度分支的診斷精度較4.2節的準確率分別下降約1%和2%。由此可證明，雙分支卷積神經網絡模型具有良好的抗噪性能與泛化能力。

3.4 先驗知識缺失條件下的故障診斷性能測試

為驗證所提出模型對潛在新故障的檢測能力，設置Ⅰ、Ⅱ、Ⅲ組不同的先驗知識，選取數據如表3所示。在Ⅰ、Ⅱ、Ⅲ組不同訓練集的條件下，測試模型在已有訓練集條件下對潛在未知新故障類型的檢測能力。每組實驗中訓練集中包含4種故障類型，測試集為當前訓練集下潛在的新故障類型。為了使模型充分學習故障位置和損傷程度特征，每組分別選取兩組帶有相同故障的樣本。如在組別Ⅰ中，訓練集故障為0.18 mm內圈故障、0.18 mm外圈故障、0.36 mm滾動體故障、0.54 mm滾動體故障，測試集為0.18 mm滾動體故障。

表3 實驗數據

測試結果如圖8所示，實驗結果表明，所提出的雙分支卷積神經網絡模型能有效地提取滾動軸承的故障位置和損傷程度特征，兩條分支分別給出了故障位置與損傷程度的診斷概率。在三組實驗中均以90%以上的概率檢測出訓練集中潛在的新故障類型，解決現有軸承故障診斷方法中對標簽的依賴問題，所致模型診斷能力完全取決于訓練集中已有的標簽對新標簽無法做出識別的情況。所提方法充分發掘故障信息中的故障位置和損傷程度特征，能夠有效檢測出當前訓練數據下的潛在新故障類型。

圖8 新故障檢測結果

4 結論

針對現有基于深度學習的滾動軸承故障診斷方法中，沒有充分考慮故障位置和故障程度兩種因素的問題，提出一種雙分支卷積神經網絡滾動軸承故障診斷方法，得出如下結論。

(1)考慮軸承故障診斷中故障位置和程度兩種因素，提出一種雙標簽滾動軸承故障標記方法，每類故障以故障位置標簽和故障程度標簽進行標記，相較于傳統的單一故障標簽，故障信息表征能力更強同時降低特征提取難度。

(2)提出一種雙分支卷積神經網絡滾動軸承故障診斷方法，通過雙標簽標記方法充分發掘故障位置和程度與振動數據間的映射關系。標準數據集上的診斷實驗結果表明，相比其他深度學習方法，所提方法的診斷精度更高，抗噪性能良好。

(3)仿真分析表明，在故障樣本不完備條件下，所提方法能夠實現新故障樣本的診斷，且精度較高，給先驗知識不充分條件下的故障診斷問題提供了新方法。