陳志剛，高 鶴，劉 菲，楊志達

（北京航天拓撲高科技有限責任公司，北京 100176）

0 引言

滾動軸承是機械設備中常見的組件，從簡單的電風扇到復雜的機床上都有滾動軸承的應用。事實上，超過50%的機械缺陷與軸承故障有關，從而導致機器停產(chǎn)、停機、甚至造成人員的傷亡[1]。因此，滾動軸承故障診斷是機械故障診斷的一個重要方面，也是近些年來的研究熱點。近些年來，隨著學者們的不斷深入研究提出了各種故障診斷的方法。傳統(tǒng)的研究方法有：BP 神經(jīng)網(wǎng)絡[3]、概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network，PNN）[4]、小波分析[5]、EMD[6]、集合經(jīng)驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）[7]、奇異值分解（Singular value decomposition，SVD）[8]等得到了廣泛的應用。目前基于機器學習的故障診斷方法主要有，如Logistic 回歸[9]、支持向量機（Support Vector Machine，SVM）[10]以及人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）[11]、模糊推斷[12]。

人工智能的蓬勃發(fā)展，深度學習在圖像識別、語音識別等領域得到廣泛運用。反應軸承故障的振動信號在本質上與語音相同，都屬于對聲音信號進行分類，提出一種基于深度學習的滾動軸承故障診斷，首先使用一維卷積神經(jīng)網(wǎng)絡層（One Dimension Convolution Neural Networks，1D-CNN）提取特征，隨后使用門控循環(huán)單元網(wǎng)絡層（Gate Recurrent Unit，GRU）捕捉這些特征圖的時間動態(tài)，故障的分類取決于通過全連接層的最終GRU 單元的輸出。首先利用數(shù)據(jù)集通過對比實驗確定GRU 和CNN 的網(wǎng)絡結構和相關參數(shù)，從而確定整個目標域的網(wǎng)絡架構及參數(shù)。

1 基礎理論

1.1 一維卷積網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（Convolution Neural Networks，CNN）是共享權重、局部連接的多層神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡的構成主要包含隱含層、輸出層及輸入層。輸入層主要從圖像資源中獲取圖像的像素矩陣資源，隱含層主要用于接收輸入層的輸出并完成對圖像特征的提取，輸出層主要將隱含層的結果進行輸出。

卷積神經(jīng)網(wǎng)絡根據(jù)輸入類型不同，可以將其分為一維和二維卷積神經(jīng)網(wǎng)絡。其中，二維卷積神經(jīng)網(wǎng)絡主要用于圖像和視頻二維信號；一維卷積神經(jīng)網(wǎng)絡主要運用于自然語言處理等領域，適用于處理時間序列數(shù)據(jù)這種一維數(shù)據(jù)。采用一維卷積神經(jīng)網(wǎng)絡對數(shù)據(jù)集（長序列）進行特征提取。

1.2 門控循環(huán)網(wǎng)絡

GRU 由經(jīng)典的循環(huán)神經(jīng)網(wǎng)絡——長短期記憶網(wǎng)絡（Long Short—Term Memory，LSTM）優(yōu)化所得，具有更加簡單的結構、更少的參數(shù)、更好的收斂性。GRU 神經(jīng)網(wǎng)絡的整體結構主要包括：更新門和重復門。其中更新門主要用于控制前一時刻的狀態(tài)信息被帶入到當前狀態(tài)的程度，更新門的值越大說明前一時刻的狀態(tài)信息帶入越多；重置門用于控制忽略前一時刻的狀態(tài)信息的程度，重置門的值越小說明忽略得越多[13]。

2 滾動軸承故障診斷模型實驗分析

2.1 數(shù)據(jù)集描述

采用在凱斯西儲大學的公開實驗數(shù)據(jù)集作為實驗數(shù)據(jù)進行訓練與測試。將每種工況的數(shù)據(jù)分成4 種狀態(tài)：正常（N）、內圈故障（IF）、外圈故障（OF）和滾珠故障（BF）。其中將故障部分劃分為3 種尺寸：?。?.18 mm）、中（0.36 mm）和大（0.54 mm），所以根據(jù)不同狀態(tài)和故障尺寸有10 種情況，如表1 所示。

表1 故障類型分類

由于數(shù)據(jù)集中提供的原始振動信號是一條很長的一維數(shù)據(jù)，每種數(shù)據(jù)樣本數(shù)比較少。為獲得盡可能多的樣本，采用滑動窗口進行重疊采樣，為獲得更好的訓練效果，將獲得的樣本隨機打亂。每種故障類型采樣10 000 個樣本，每個樣本中2048 個數(shù)據(jù)點，并且將數(shù)據(jù)集中的80%作為訓練集用于訓練CNN—GRU網(wǎng)絡，剩下的20%作為測試集用于測試系統(tǒng)的性能。

2.2 網(wǎng)絡結構參數(shù)確定

通過比較不同CNN 和GRU 網(wǎng)絡的層數(shù)組合，選擇出最佳的深度學習模型，實驗對比結果見表2 和表3。

表2 為不同層數(shù)CNN 與GRU 單元組合時，在測試集中的類間平均準確率，由表2 可見當CNN 層數(shù)大于2 層時，網(wǎng)絡診斷準確率較高，均高于99%，這是由于隨著網(wǎng)絡層數(shù)的加深，深層的CNN 層能夠提取到較為抽象的特征，更有助于隨后連接的全連接層進行分類。表3 為對1000 個測試樣本進行分類所需時間，由表3 可見當GRU 層數(shù)較少時，分類所需的時間較短。按照分類時間短，分類準確率高這2 個條件對網(wǎng)絡層數(shù)進行選取，最后選出3 層CNN+1 層GRU 以及3 層CNN+2 層GRU 這2 種網(wǎng)絡結構，將這2 種結構進行對比發(fā)現(xiàn)，將GRU 的層數(shù)從1 層提升至2 層時，類間平均準確率上升了0.1%，但所需時間卻成倍上漲，因此，綜合分析各種元素，選取3 層CNN+1 層GRU 作為遷移前的網(wǎng)絡結構，最終整個模型的全部參數(shù)如表4 所示。

表2 測試集類間平均準確率

表3 測試集預測速度

表4 故障診斷網(wǎng)絡參數(shù)

2.3 實驗結果

使用上述數(shù)據(jù)集，對比所確立的模型以及訓練方式對網(wǎng)絡進行訓練，最終所得各類診斷準確率見表5，混淆矩陣如圖1 所示，混淆矩陣標識說明見表6。

表6 混淆矩陣標識說明

圖1 故障診斷混淆矩陣

表5 故障診斷實驗結果

由上述圖表可以看出，所提出的基于深度學習的故障診斷網(wǎng)絡，在美國凱斯西儲大學數(shù)據(jù)集中所進行的實驗，除在外圈故障小尺寸這一類中診斷效果相對較差為96%外，在各類之中診斷預測效果較為優(yōu)秀，均能達到100%，說明所設計診斷方法具有較高的使用價值。

3 結束語

提出了一種基于深度學習的智能故障診斷方法，在CNN 設計方法的基礎上，根據(jù)訓練要求設計了9 種CNN 網(wǎng)絡結構。通過實驗數(shù)據(jù)集測試，確定了一種最優(yōu)的CNN 網(wǎng)絡模型。所采用的基于一維卷積和門控循環(huán)單元的滾動軸承故障診斷方法整體上能夠達到99.6%的識別準確率，體現(xiàn)了網(wǎng)絡優(yōu)異的診斷能力，證明了所提出方法的可行性，為采用CNN 和GRU 進行故障診斷提供了新的思路，具有較好的技術應用前景。