基于CNN-BiLSTM的可解釋性軸承故障診斷*

劉之航，鐘玉華

(1.廣州城市理工學(xué)院汽車與交通工程學(xué)院，廣州 510800；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣州 510641)

0 引言

滾動(dòng)軸承是各類旋轉(zhuǎn)機(jī)械的基本零部件之一，當(dāng)機(jī)器停機(jī)時(shí)，約45%～55%的情況是由軸承發(fā)生故障而引起的。滾動(dòng)軸承廣泛應(yīng)用于各個(gè)行業(yè)中，如車輛與航空航天等，是整個(gè)設(shè)備保持平穩(wěn)運(yùn)行的基礎(chǔ)保障，因此對(duì)滾動(dòng)軸承進(jìn)行運(yùn)行狀態(tài)監(jiān)測(cè)和綜合評(píng)價(jià)具有極其重要的意義[1]。

現(xiàn)代狀態(tài)監(jiān)測(cè)技術(shù)已經(jīng)能夠?qū)崿F(xiàn)對(duì)復(fù)雜裝備進(jìn)行多測(cè)點(diǎn)、全壽命的數(shù)據(jù)采集，故使得機(jī)械健康監(jiān)測(cè)進(jìn)入了“大數(shù)據(jù)”時(shí)代，同時(shí)隨著深度學(xué)習(xí)等概念的提出，故障診斷已經(jīng)逐漸進(jìn)入智能化時(shí)代。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)等方法相比于傳統(tǒng)方法而言，其不需要太多先驗(yàn)知識(shí)，適用條件較為寬松，并可適用于建立復(fù)雜、困難的模型[2]，并且其先前被人詬病的“運(yùn)算量巨大、規(guī)則建立困難、學(xué)習(xí)時(shí)間冗長(zhǎng)”等缺點(diǎn)已經(jīng)隨著計(jì)算機(jī)硬件的發(fā)展而逐漸改正。

首先對(duì)于故障診斷問(wèn)題，朱文輝等[3]構(gòu)造了基于離散隱馬爾科夫模型(DHMM)和BP神經(jīng)網(wǎng)絡(luò)算法的智能診斷方法；為了提高診斷的精度，曲建嶺等[4]提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷算法，實(shí)現(xiàn)了自適應(yīng)特征提取和故障診斷；LIPTON等[5]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的自適應(yīng)特征提取故障診斷方法。以上研究以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行故障診斷的研究，可以較好地進(jìn)行分類任務(wù)，但沒(méi)有利用到時(shí)間序列的上下文信息，也沒(méi)有充分考慮網(wǎng)絡(luò)模型對(duì)噪聲的抵抗能力，有必要研究具有優(yōu)秀抗噪性和魯棒性的新結(jié)構(gòu)。……