宮文峰 陳輝 張澤輝 張美玲 管聰 王鑫

摘要：卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）作為一種高效的深度學(xué)習(xí)算法已逐漸成為智能故障診斷領(lǐng)域研究的熱點。傳統(tǒng)CNN模型的全連接層結(jié)構(gòu)存在訓(xùn)練參數(shù)量過多的不足，使得模型訓(xùn)練和測試的時間較長。為此，提出了一種改進CNN的新方法用于滾動軸承故障的快速智能診斷。該方法引入全局均值池化技術(shù)代替?zhèn)鹘y(tǒng)CNN的全連接層部分，有效解決了傳統(tǒng)CNN模型參數(shù)量過多的問題，并運用數(shù)據(jù)增強、Dropout等深度學(xué)習(xí)訓(xùn)練技巧防止模型過擬合。最后將提出的方法應(yīng)用于滾動軸承故障實驗數(shù)據(jù)的智能診斷，并與傳統(tǒng)智能診斷算法進行對比驗證。結(jié)果顯示，改進的CNN算法的故障識別準(zhǔn)確率高達99.04%，在診斷準(zhǔn)確率及測試時間方面明顯優(yōu)于傳統(tǒng)CNN和其他智能算法。整個診斷過程無需任何手工特征提取，“端到端”的算法結(jié)構(gòu)具有較好的可操作性和通用性。

關(guān)鍵詞：故障診斷;滾動軸承;卷積神經(jīng)網(wǎng)絡(luò);全局均值池化;深度學(xué)習(xí)

中圖分類號：THl65⁺.3;TH133.33文獻標(biāo)志碼：A 文章編號：1004-4523（2020）02-0400-14

DOI：10.16385/j.cnki.issn.1004-4523.2020.02.021

引言

近年來，中國在先進航空發(fā)動機、高性能艦船推進電機和大型風(fēng)力發(fā)電機組等為代表的精密旋轉(zhuǎn)機械方面取得了突破性進展，滾動軸承作為旋轉(zhuǎn)機械中的核心支撐回轉(zhuǎn)部件，其運行精度和安全可靠性直接影響旋轉(zhuǎn)機械的總體性能。滾動軸承在復(fù)雜多變的載荷環(huán)境下長時問高速連續(xù)運轉(zhuǎn)，常因沖擊交變載荷、熱疲勞和機械磨損等影響而發(fā)生各種故障。從故障的演化機理可知，任何顯著性故障都是由早期微小故障累積演變而來的，微小故障對設(shè)備總體安全性影響較小且易于處理，但是其初期特征不明顯，診斷難度遠高于顯著故障，若處理不及時可能會快速發(fā)展為“物理目測級”顯著性故障，對系統(tǒng)造成重大安全影響。因此，研究滾動軸承早期微小故障的診斷方法極為必要，目前已得到國內(nèi)外學(xué)者的廣泛關(guān)注。

近年來，隨著機器學(xué)習(xí)研究的不斷興起，基于數(shù)據(jù)驅(qū)動的智能故障診斷方法逐漸成為故障診斷領(lǐng)域的主流應(yīng)用。傳統(tǒng)的智能故障診斷方法通常包含特征提取、特征選擇和故障分類三個步驟。特征提取是故障診斷的關(guān)鍵環(huán)節(jié)，目前常用的方法有小波變換法（WT）、譜分析法（sA）_9]、經(jīng)驗?zāi)B(tài)分解法（EMD）。和傅里葉變換法（FFT）等。特征選擇是在提取后的特征中剔除靈敏度低、效用低的特征，從而精減特征個數(shù)，常用的方法主要包括主元分析法（PCA）和獨立元分析法（ICA）等。故障分類是將精選的特征輸入故障分類器進行模式識別，通過反復(fù)迭代訓(xùn)練最終輸出故障分類結(jié)果，BP神經(jīng)網(wǎng)絡(luò)（BPNN）、支持向量機（sVM）和K近鄰法（KNN）已被廣泛用作后端的故障分類器，并取得了較好的效果。經(jīng)過多年的應(yīng)用驗證，以上三種算法因其淺層的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致特征提取能力較差，從而難以挖掘和提取故障數(shù)據(jù)更深層次的微小特征。業(yè)內(nèi)學(xué)者通常采用手工特征提取與淺層機器學(xué)習(xí)算法相結(jié)合的方法進行智能故障診斷，這種方法雖然有一定效果，但是仍然突顯出許多不足：一方面，特征選擇必須依賴于工程師的經(jīng)驗和專業(yè)知識完成，存在較大的主觀和盲目性;人工提取的故障特征不全面，反映微小故障的特征易被誤刪或被噪音掩蓋;另一方面，提取的特征主要用于解決特定故障問題，通用性差，且在大數(shù)據(jù)樣本環(huán)境下難以完成。產(chǎn)生上述缺陷的主要原因是現(xiàn)有的智能故障診斷算法中使用的網(wǎng)絡(luò)模型大多是淺層結(jié)構(gòu)，其特征提取能力較弱。

2006年，Hinton等提出深度學(xué)習(xí)理論（DeepLearning，DL），DL利用深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本數(shù)據(jù)逐層特征提取，逐層貪婪學(xué)習(xí)數(shù)據(jù)與標(biāo)簽之問的內(nèi)在聯(lián)系，擺脫了對手工特征提取和專家經(jīng)驗的依賴，克服了傳統(tǒng)智能診斷方法的固有缺陷，目前已成功應(yīng)用于語音識別、圖像識別和自然語言處理等領(lǐng)域，近5年開始受到故障診斷領(lǐng)域?qū)W者的關(guān)注。Jia等提出了一種基于深度自編碼（DAE）的故障診斷方法對滾動軸承和行星齒輪箱進行了故障診斷，但是需要將原始數(shù)據(jù)轉(zhuǎn)變?yōu)轭l譜信號。Tamilselvan等提出了一種基于深度信念網(wǎng)絡(luò)（DBN）的故障診斷方法，分別對飛機發(fā)動機和電力變壓器進行了故障診斷。李巍華等將一個3層的DBN網(wǎng)絡(luò)應(yīng)用于軸承的故障診斷實驗中，但是軸承的故障采用切槽的方式模擬，故障特征屬于顯著性故障的范疇，難以體現(xiàn)對微小故障診斷的效果。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net-work，CNN）是深度學(xué)習(xí)的重要分支之一，它具有強大的特征提取能力，具備提取微小故障特征的潛力，目前主要應(yīng)用于圖像識別。近年來有部分學(xué)者將CNN應(yīng)用于故障診斷領(lǐng)域，文獻[11，21]分別將卷積神經(jīng)網(wǎng)絡(luò)用于滾動軸承和異步電機的故障診斷中，兩者雖然都用到了CNN算法，但是仍然需要用傳統(tǒng)的特征提取方法對原始振動數(shù)據(jù)進行特征提取，未能充分利用CNN強大的特征提取能力，限制了故障診斷效果的進一步提升。曲建嶺等提出了一種基于一維CNN的算法用于滾動軸承故障診斷，但是該CNN模型的全連接層的訓(xùn)練參數(shù)量過大，導(dǎo)致訓(xùn)練和測試時問較長，不利于故障的快速診斷。

針對以上不足，本文提出了一種改進的卷積神經(jīng)網(wǎng)絡(luò)算法，并將該算法用于軸承的微小故障智能診斷。該方法通過改進傳統(tǒng)的CNN模型結(jié)構(gòu)，設(shè)計了全局均值池化層代替全連接層結(jié)構(gòu)，極大地減少了模型訓(xùn)練參數(shù)量和計算時問，并運用數(shù)據(jù)增強、Dropout和批量歸一化等多種深度學(xué)習(xí)訓(xùn)練技巧防止模型過擬合，使得提出的方法更適用于故障的在線監(jiān)測和快速診斷?！岸说蕉恕钡乃惴ńY(jié)構(gòu)使整個診斷過程無需任何手工特征提取，擺脫了傳統(tǒng)方法過度依賴專家先驗知識的不足。最后將改進的CNN算法應(yīng)用于滾動軸承實驗數(shù)據(jù)集進行故障診斷，并與傳統(tǒng)的SVM，KNN，BP網(wǎng)絡(luò)和DNN算法對比分析，驗證了改進CNN算法的優(yōu)越性和有效性。

1卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋式神經(jīng)網(wǎng)絡(luò)，最早于1989年受靈長類動物視覺系統(tǒng)神經(jīng)元啟發(fā)而提出。CNN具有強大的特征提取能力，專門用于處理網(wǎng)狀結(jié)構(gòu)數(shù)據(jù)，它通過構(gòu)建多個能夠提取輸入數(shù)據(jù)特征的濾波器，并運用這些濾波器逐層提取隱藏在輸人數(shù)據(jù)中的代表特征，同時結(jié)合稀疏式連接和參數(shù)權(quán)共享機制在時問和空問上降維采樣精減數(shù)據(jù)維度，減少了訓(xùn)練參數(shù)量，有效避免算法過擬合。同時它對縮放、傾斜和平移等其他形式的變換具有不變性，因此得到廣泛的應(yīng)用。圖1為傳統(tǒng)的CNN模型的基本架構(gòu)。

如圖1所示，CNN模型一般主要由卷積層、激活層、池化層、全連接層和Softmax分類器組成。通過交替堆疊多個卷積、激活和池化組合即可構(gòu)建深層的CNN網(wǎng)絡(luò)。

1.1卷積層

卷積運算是CNN的核心模塊，它采用矩形的卷積核遍歷圖片上的每一個像素點，采用參數(shù)共享機制，同一輸入特征圖使用了相同的卷積核權(quán)重。輸入特征圖與卷積核相重合區(qū)域內(nèi)對應(yīng)點相乘后求和，再加上偏置，最后得到輸出特征圖中的一個值。卷積操作的數(shù)學(xué)形式為

1.3池化層

池化的主要目的是降維，由于卷積操作增加了輸出特征圖的個數(shù)，使得特征提取能力提升的同時輸出維度也急劇增加，容易造成維數(shù)災(zāi)難。池化的主要功能是在保持原有主要特征不丟失的基礎(chǔ)上最大限度地降低輸出特征圖的尺寸維度，既減少參數(shù)計算量又篩選了主要代表特征。CNN中應(yīng)用最多的是最大池化，方法是從池化核所對應(yīng)區(qū)域內(nèi)取出最大值作為代表值，它對紋理特征很敏感，其數(shù)學(xué)表達式為

經(jīng)過長期實踐發(fā)現(xiàn)：如圖1所示的傳統(tǒng)CNN模型中，由全連接層所帶入的參數(shù)量幾乎占據(jù)了CNN模型總參數(shù)量的80%-90%，這一問題將CNN通過池化降維減少訓(xùn)練參數(shù)量的優(yōu)勢抵消，尤其是包含多個隱層的全連接層，參數(shù)量將隨層數(shù)增加呈指數(shù)級增長，全連接層的結(jié)構(gòu)設(shè)計既占用了過多的計算資源，同時又容易引起模型計算過擬合;更重要的是，訓(xùn)練好的帶有全連接層的CNN模型因參數(shù)量過多使得用在故障在線診斷時測試耗時過長，不利于實時快速診斷。

2改進的CNN智能診斷算法

針對傳統(tǒng)CNN模型和現(xiàn)有淺層智能診斷算法的不足，本文提出了一種改進的CNN算法用于滾動軸承的微小故障智能診斷，如圖2所示。該方法采用多層CNN作為特征提取器，通過改進傳統(tǒng)CNN結(jié)構(gòu)，引入全局均值池化技術(shù)代替全連接層部分，減少模型的訓(xùn)練參數(shù)量和測試時問。提出的方法在整個故障診斷過程中無需對原始數(shù)據(jù)做任何的手工特征提取和特征變換操作，只需將滾動軸承的原始故障數(shù)據(jù)輸入改進的CNN模型，故障診斷結(jié)果自動輸出，“端到端”的算法結(jié)構(gòu)具有更好的可操作性和通用性。

如圖2所示，改進的CNN算法結(jié)構(gòu)中主要由輸入層、特征提取層和分類輸出層組成，其中特征提取層與傳統(tǒng)的CNN相類似，可包含多個依次堆疊的卷積層、激活層和池化層，在最后一組特征提取層的卷積層之后設(shè)計了全局均值池化層代替全連接層，然后連接Softmax分類器。改進的CNN智能故障診斷方法的基本流程如圖3所示。

在圖3中包含了訓(xùn)練過程和測試過程2個階段。在模型的訓(xùn)練過程中，首先將Softmax函數(shù)與CNN組合，通過Softmax函數(shù)進行誤差反向傳播，使損失函數(shù)J（ω）最小化，完成CNN模型參數(shù)的訓(xùn)練;在模型的測試階段，同樣采用已訓(xùn)練好的CNN模型對新故障數(shù)據(jù)進行特征提取，得到新故障數(shù)據(jù)的稀疏低維代表特征向量，最后再把該低維特征數(shù)據(jù)輸入給Softmax分類器完成最終的故障分類，直接輸出故障診斷的結(jié)果。該算法的具體的實現(xiàn)步驟如下：

1）獲取滾動軸承的原始數(shù)據(jù)信號（如振動、噪聲信號），用于訓(xùn)練CNN模型;

2）將采集的故障數(shù)據(jù)進行規(guī)范化、歸一化和數(shù)據(jù)格式標(biāo)準(zhǔn)化;

3）將數(shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集;

4）設(shè)計CNN模型結(jié)構(gòu)，初始化參數(shù);

5）用訓(xùn)練集數(shù)據(jù)對CNN模型進行預(yù)訓(xùn)練，反復(fù)執(zhí)行前向傳播和反向傳播迭代計算過程，進行調(diào)參，并用驗證集數(shù)據(jù)驗證訓(xùn)練后的模型診斷準(zhǔn)確率是否滿足實際要求，滿足執(zhí)行步驟6，否則跳轉(zhuǎn)到步驟4，修改模型參數(shù)，直到獲取合適的模型超參數(shù)和訓(xùn)練參數(shù)為止，并保存相對最佳的模型;

6）最后把測試集數(shù)據(jù)輸入到已訓(xùn)練的CNN模型中，最終得到軸承故障診斷的分類結(jié)果。

改進的CNN算法的基本組成單元如下。

2.1輸入數(shù)據(jù)層

輸入層用于對獲取的原始數(shù)據(jù)進行必要的標(biāo)準(zhǔn)化及格式歸整等操作，將原始數(shù)據(jù)轉(zhuǎn)化為CNN模型可訓(xùn)練的類型。通常輸人CNN模型的原始數(shù)據(jù)格式是二維像素網(wǎng)格數(shù)據(jù)（如圖像數(shù)據(jù)）或三維立體數(shù)據(jù)（如CT掃描或彩色視頻數(shù)據(jù)）。對于滾動軸承采集的一維時問序列故障振動信號可通過數(shù)據(jù)重構(gòu)法轉(zhuǎn)化為二維的輸人特征圖形式。

2.2特征提取層

特征提取層由傳統(tǒng)CNN的卷積層、激活層和池化層組成，并且根據(jù)診斷對象的需要通過交替堆疊多個卷積層、激活層和池化層即可構(gòu)建深層的特征提取層。具體的卷積層、激活層和池化層見1.1，1.2，1.3節(jié)所示，此處不再贅述。

2.3全局均值池化層

全局均值池化層是用來解決全連接網(wǎng)絡(luò)參數(shù)過多而提出的新技術(shù)，與池化層操作相類似，全局均值池化是對最后一層卷積操作輸出的特征圖取全局平均值。在CNN的故障診斷應(yīng)用中，最終輸入到Softmax分類器的維度數(shù)即是故障類別的個數(shù)，由于本文改進的CNN中將全局均值池化層直接與Softmax分類器連接，而全局均值池化層的前一層是CNN的卷積層，因此對于n分類問題，可將CNN中的最后一個卷積層的卷積核的輸出維度設(shè)置為n，從而得到n個輸出特征圖，再采用n個全局均值池化核，每個池化核的大小和步長與輸出特征圖的尺寸相同，然后求取每個池化核對應(yīng)的平均值，使每一張?zhí)卣鲌D生成一個值，即可得到n個與全連接層輸出效果同等的值，最后輸入到Softmax分類器中。全局均值池化的數(shù)學(xué)表達式為