陳仁祥　黃鑫　楊黎霞　湯寶平　陳思楊　楊星

摘要：針對滾動軸承壽命特征提取與壽命階段智能識別問題，提出加噪樣本擴展深度稀疏自編碼神經(jīng)網(wǎng)絡的滾動軸承壽命階段識別方法。稀疏自編碼具有非監(jiān)督自動學習數(shù)據(jù)內(nèi)部結構特征的能力，但屬淺層網(wǎng)絡，特征提取能力有限且不具備分類能力。因此，將多個稀疏自編碼堆棧并添加分類層構建出集壽命特征自動提取與識別功能于一體的深度稀疏自編碼神經(jīng)網(wǎng)絡，通過無監(jiān)督逐層自學習與有監(jiān)督微調，完成壽命特征的自動提取與表達，并實現(xiàn)壽命階段智能識別。同時，為解決壽命樣本量不足導致的網(wǎng)絡過擬合，對原訓練樣本進行加噪擴展來訓練網(wǎng)絡，以抑制網(wǎng)絡過擬合并提高網(wǎng)絡的魯棒性。通過工程應用，證明了所提方法的可行性和有效性。

關鍵詞：故障診斷；滾動軸承；壽命階段；稀疏自編碼；神經(jīng)網(wǎng)絡

引言

滾動軸承的運行精度與狀態(tài)直接影響空間飛行器、精密數(shù)控機床等重大、精密裝備的運行精度與運行可靠性。國內(nèi)外已多次出現(xiàn)因軸承失效導致重大裝備失效的案例。如能監(jiān)測滾動軸承的性能衰退過程并對其壽命階段進行準確評估，則可預先制定維護策略，提高裝備運行可靠性，避免因軸承出現(xiàn)嚴重故障導致裝備停機、損壞。因此，對滾動軸承壽命進行評估顯得尤為重要，國內(nèi)外已開展了相關研究。

軸承的壽命是指在額定載荷下正常運行的轉數(shù)或小時數(shù)，因受到工作環(huán)境（溫度、濕度等）的影響，其壽命遠達不到額定壽命，也難以統(tǒng)計其運行總圈數(shù)。工程實踐中往往通過振動信號來反映其壽命衰退過程，從而進行壽命階段識別和評估，其中，壽命特征提取與識別是關鍵問題。目前，在進行壽命階段識別時，往往借鑒故障診斷方法，利用信號分析技術提取特征，再利用模式識別算法完成識別。這種方法雖取得了較好結果，但其過程均需要人工提取壽命特征，再輸入相應的分類器實現(xiàn)分類識別。壽命特征提取多依靠人為經(jīng)驗，相關特征量往往為故障診斷技術中使用的特征量，而當軸承僅處于不同壽命階段，只是運行精度下降而未出現(xiàn)典型故障（如點蝕）時，使用故障特征量代替壽命特征量進行壽命狀態(tài)表征是替代方法，缺少針對性。同時，軸承處于不同壽命階段的振動信號間差異遠小于處于不同故障形式的振動信號間的差異，壽命階段相差越小，相應振動信號間的差異越小，故障特征量對壽命階段的表征能力更有限。需要探尋更有效的壽命特征提取方法。

為了從數(shù)據(jù)本身中自動學習數(shù)據(jù)內(nèi)在結構特征，國內(nèi)外學者相繼提出了特征自學習方法。Liu、苗中華和朱會杰等采用稀疏編碼進行故障特征的自學習與故障診斷，解決了特征自學習問題，但稀疏編碼在特征位置變化和樣本不充足時學習困難，同時還需要設計合適的分類器才能實現(xiàn)智能診斷。孫文珺等采用稀疏自編碼提取感應電動機故障特征。雷亞國等利用深度神經(jīng)網(wǎng)絡來進行機械裝備健康監(jiān)測。為軸承壽命特征的自動學習提供了有益借鑒。