基于深度學習的滾動軸承故障診斷方法研究

摘要：當前隨著我國科學技術(shù)水平的不斷提升，旋轉(zhuǎn)機械設(shè)備的復雜程度越來越高，在對旋轉(zhuǎn)機械設(shè)備進行監(jiān)測時，使用了很多大數(shù)據(jù)技術(shù)。而滾動軸承作為旋轉(zhuǎn)機械設(shè)備的重要組成部件，一旦出現(xiàn)了故障，不僅會影響旋轉(zhuǎn)機械設(shè)備的正常使用，還會對人們的生命安全造成嚴重的威脅。所以必須要基于深度學習，對滾動軸承的故障進行高效的診斷。本文則通過分析深度學習的相關(guān)理論，探究滾動軸承故障診斷的方法。

關(guān)鍵詞：深度學習;滾動軸承;旋轉(zhuǎn)機械設(shè)備;故障診斷

引言：旋轉(zhuǎn)機械設(shè)備在使用的過程中旋轉(zhuǎn)速度相對較快，并且經(jīng)常會在高負荷的狀態(tài)下運行，如果出現(xiàn)了故障，將會造成嚴重的經(jīng)濟損失。在旋轉(zhuǎn)機械設(shè)備中，滾動軸承的故障頻率相對較高，所以負責檢修的工作人員必須要明確滾動軸承的常見故障，并且基于深度學習，采取科學合理的診斷措施。

一、深度學習相關(guān)理論分析

1.自動編碼器分析

自動編碼器屬于無監(jiān)督學習類型，因為其學習能力較強，所以不需要標簽數(shù)據(jù)，即可以完成數(shù)據(jù)內(nèi)部特征的學習過程。目前我國常用的自動編碼器有稀疏自編碼器、欠完備自編碼器以及去噪自編碼器等，通過不同類型自動編碼器的使用，可以有效提升故障診斷效率。在使用自動編碼器的過程中，我們不僅需要明確輸出和輸入的數(shù)據(jù)，還需要發(fā)現(xiàn)隱藏層所需要獲得的相關(guān)特征。欠完備自編碼器的主要特征是，輸入層的神經(jīng)元數(shù)大于中間層的神經(jīng)元數(shù)，因此要保證在自編碼器使用的過程中，獲取輸入數(shù)據(jù)中的顯著特征。因為其具有較強的特征提取能力，所以目前在故障診斷的過程中得到了廣泛的應(yīng)用。稀疏自編碼器的實際使用原理是通過增加稀疏懲罰，進而提取數(shù)據(jù)分布的特性。去噪自編碼器的使用原理是通過人為的方式添加噪聲，進而能夠?qū)υ嫉臄?shù)據(jù)進行重新構(gòu)造。通過去噪自編碼器的使用，可以有效的降低環(huán)境噪聲對數(shù)據(jù)特征提取過程的影響。

2.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析

目前在深度學習模型中，使用效果最好的是卷積神經(jīng)網(wǎng)絡(luò)模型，這種模型在使用時取得了良好的效果，并且目前廣泛應(yīng)用在各類機械設(shè)備的故障檢測過程中。卷積神經(jīng)網(wǎng)絡(luò)的主要組成結(jié)構(gòu)，有輸入層、池化層、卷積層以及輸出層和全連接層等，不同的組成結(jié)構(gòu)按照一定的順序排列使用，可以完成故障檢測流程。卷積層是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的重要組成部分，其主要的功能是進行卷積運算。在計算的過程中必須要設(shè)置不同數(shù)量的卷積核，進而生成對應(yīng)數(shù)量的矩陣，完成數(shù)據(jù)的輸入和計算。由于輸入數(shù)據(jù)和矩陣的深度需要保持一致，所以必須要按照輸入數(shù)據(jù)，設(shè)置不同尺寸的矩陣。在卷積層后連接的是池化層，利用池化層，可以減小卷積層對應(yīng)的矩陣尺寸，進而不斷提高計算的速率。同時，還可以降低模型占有的儲存空間。目前常見的池化措施有，隨機池化措施、最大值池化措施以及均值池化措施等。利用全連接層，能夠有效的將不同層級之間的數(shù)據(jù)進行全面連接，進而保障使數(shù)據(jù)信息能夠形成整體化的系統(tǒng)。在全連接層的最后一層中是輸出層，利用輸出層能夠?qū)?shù)據(jù)輸出到顯示設(shè)備中。

3.其他相關(guān)參數(shù)分析

原始的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，主要是輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的線性關(guān)系。由于目前很多神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中出現(xiàn)的較為復雜的非線性關(guān)系，所以必須要使用激活函數(shù)，進行數(shù)據(jù)特征的分析和學習。在深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，學習率屬于超參數(shù)，決定了反向傳播的步長，如果步長較小，則必須使用迭代多次的方式進行彌補，如果步長過大，則可能會大于最優(yōu)的數(shù)值，進而降低深度網(wǎng)絡(luò)模型使用效率。因此要根據(jù)梯度下降的參數(shù)，進行學習率的設(shè)計。如果其學習率較小，可能會導致?lián)p失梯度下降過慢，進而增加了收斂的時間，影響模型的使用效率。所以為了使模型獲得更好的表現(xiàn)，必須要根據(jù)參數(shù)，尋找最合適的學習率。由于在進行深度學習模型應(yīng)用的過程中，所掌握的數(shù)據(jù)相對較少，所以可能會出現(xiàn)過擬合現(xiàn)象。同時因為在模型結(jié)構(gòu)設(shè)計的過程中，復雜程度越來越高，也可能會影響深度學習模型的使用效果，所以必須要通過正則化參數(shù)，對其進行控制。

二、滾動軸承故障診斷措施

1.堆疊自編碼網(wǎng)絡(luò)的應(yīng)用

利用多個自編碼器進行堆疊，進而可以完成深度學習的目的。在進行數(shù)據(jù)輸入的過程中，必須要通過自編碼器獲得相應(yīng)的維度數(shù)據(jù)特征。因為利用自編碼器進行深度學習，屬于無監(jiān)督形式，所以必須要針對不同的維度輸入不同的數(shù)據(jù)表達方式。將堆疊自編碼網(wǎng)絡(luò)應(yīng)用在滾動軸承的故障診斷過程中，要提取其最原始的數(shù)據(jù)。為了設(shè)計出適合不同網(wǎng)絡(luò)結(jié)構(gòu)的編碼器類型，事先對滾動軸承中的相關(guān)故障數(shù)據(jù)特征進行分析，進而保障提高故障診斷準確率。其主要的工作流程如下所示，首先要針對深度堆疊自編碼器進行選擇，并且設(shè)計出合適的模型，選擇合適的參數(shù)，然后要對模型進行前向模擬訓練，通過前向訓練，對反向傳播中相關(guān)的模型及參數(shù)進行更新，通過循環(huán)往復的訓練方式，使模型的使用效率達到最優(yōu)化。最后把測試完成后的數(shù)據(jù)，輸入到事先已經(jīng)檢測合格的模型中，利用分類計算，提高數(shù)據(jù)處理準確率。

2.卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

目前在計算機視覺領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛。其中最主要的特征是卷積層和池化層的相關(guān)操作。在進行二維數(shù)據(jù)處理的過程中，因為其具有較強的優(yōu)勢，所以目前在軸承故障診斷中得到廣泛的使用。通過時頻變化，可以將故障信號轉(zhuǎn)化為圖像信息，增加故障數(shù)據(jù)的清晰度。其主要包含以下幾個流程，首先是對信息進行采集，利用事先安裝好的傳感器收集原始信號，然后將采集到的信息作為傳輸數(shù)據(jù)，輸入到處理模型中。其次要對信號進行預處理操作，對所有數(shù)據(jù)進行統(tǒng)一處理，降低波動的范圍。最后進行模型訓練操作，由于輸入的是二維圖像，所以要保證其訓練的時間和深度網(wǎng)絡(luò)的大小成正比關(guān)系。同時要對網(wǎng)絡(luò)進行測試和訓練，提高數(shù)據(jù)預處理效率。

結(jié)束語

隨著工業(yè)水平的不斷提升，機械設(shè)備逐漸向智能化的方向發(fā)展，尤其是在現(xiàn)代工業(yè)的發(fā)展進程中，旋轉(zhuǎn)機械設(shè)備得到了廣泛的使用，并且其智能化水平也在逐漸提升。滾動軸承作為旋轉(zhuǎn)機械設(shè)備的重要組成部件，要采取合理的故障處理措施，提高滾動軸承使用效果。

參考文獻：

[1]劉闖.基于深度學習滾動軸承故障診斷算法研究[D].導師：郝潤芳;曲根峰.太原理工大學，2021.

[2]鄭秋梅.基于深度學習的滾動軸承故障診斷與剩余壽命預測研究[D].導師：趙娟.青島理工大學，2021.

[3]施文銳.基于深度學習的滾動軸承早期故障診斷研究[D].導師：馬新娜;成彬.石家莊鐵道大學，2021.

[4]楊位偉.基于深度學習的滾動軸承故障診斷與剩余壽命預測方法研究[D].導師：于忠清.青島大學，2021.

[5]蔣金元.基于深度學習的滾動軸承故障診斷與預測方法研究[D].導師：彭成.湖南工業(yè)大學，2021.

[6]陳志剛，高鶴，劉菲，楊志達.基于深度學習的滾動軸承故障診斷方法[J].設(shè)備管理與維修，2021，（07）：144-146.

課題：（基于深度學習的滾動軸承故障診斷方法研究、教育廳、2021J0775）。

作者簡介：馬石飛（1989.11），男，漢，云南曲靖人，云南經(jīng)濟管理學院講師，主要研究方向為機械工程及自動化。