康 濤，王 書，陳志剛，劉 菲，景騰飛

（1.北京航天萬源科技有限公司，北京 100176；2.北京航天拓撲高科技有限責(zé)任公司，北京 100176）

0 引言

旋轉(zhuǎn)機械設(shè)備廣泛應(yīng)用在航天、交通、工業(yè)制造和風(fēng)力發(fā)電等重要工程領(lǐng)域[1]，其在重大工程中扮演著不可或缺的角色，設(shè)備發(fā)生故障或者停機可能造成嚴重后果。旋轉(zhuǎn)機械設(shè)備中滾動軸承是其非常重要的零部件[2]，同時滾動軸承在惡劣工況下容易出現(xiàn)磨損、裂紋、斷裂等故障[3]。因此，采用故障診斷技術(shù)對滾動軸承狀態(tài)的準確識別，可以有效防止軸承故障引起的意外事故。傳統(tǒng)的故障診斷技術(shù)有：自回歸滑動平均模型（Autoregressive moving average model，ARMA）[4]、變分模態(tài)分解（Variational Mode Decomposition，VMD）[5]、小波分析[6]、概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）[7]等得到了廣泛的應(yīng)用。隨著大數(shù)據(jù)時代的到來，利用海量數(shù)據(jù)驅(qū)動軸承故障診斷算法成為近些年的研究熱點。其中基于深度學(xué)習(xí)算法的軸承故障診斷成為現(xiàn)階段的主流。主要手段如下：首先人為處理原始信號，然后將信號輸入到深度學(xué)習(xí)算法中，再通過分類器對故障識別。

然而上述介紹的故障診斷方法將故障診斷分割為信號預(yù)處理、特征提取、故障分類三個孤立的部分，無法將各個部分形成有效的耦合關(guān)系，可能導(dǎo)致在數(shù)據(jù)傳遞的過程中出現(xiàn)故障特征損失的情況發(fā)生。針對此問題，提出一種端到端的滾動軸承故障診斷模型，將三個步驟直接整合到一個模型中，直接將原始振動信號輸入模型中，經(jīng)過模型計算、算法處理后得到軸承故障類型。提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷模型。利用一維卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力，對原始信號提取特征。然后將提取的特征輸入到全連接，通過全連接層對特征分類得到故障識別。同時考慮到一維信號的特點，設(shè)計了大卷積核的診斷模型。減少了數(shù)據(jù)傳遞過程中故障特征損失。

1 一維卷積網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）是共享權(quán)重、局部特征提取、特征池化的多層神經(jīng)網(wǎng)絡(luò)[8]。其中共享權(quán)重可以使其泛化能力增強，局部特征提取使卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度得到了很大提高，特征池化降低特征維度放大特征明顯區(qū)域。卷積神經(jīng)網(wǎng)絡(luò)主要由前向傳播算法和反向傳播算法相結(jié)合，前向傳播算法用于接收輸入數(shù)據(jù)直至輸出產(chǎn)生誤差，反向傳播算法是將減少輸出層的誤差并同時更新權(quán)重。

卷積神經(jīng)網(wǎng)絡(luò)根據(jù)輸入類型不同，可以將其分為一維（1D）和二維（2D）卷積神經(jīng)網(wǎng)絡(luò)。本文采用一維卷積神經(jīng)網(wǎng)絡(luò)對原始一維振動信號處理，其中1D-CNN 包括隱含層、輸出層及輸入層，而隱含層包含一維卷積層（Convolutional Layers）、激活函數(shù)層（Activation Layers）以及池化層（Pooling Layers）等，隱含層主要用于接收輸入層的輸出并完成對數(shù)據(jù)特征的提取。

2 滾動軸承故障診斷模型實驗分析

2.1 數(shù)據(jù)描述

為驗證本文提出方法的有效性，試驗選用來自美國凱斯西儲大學(xué)的軸承數(shù)據(jù)集[9]。滾動軸承運行狀態(tài)可以分成四種分別為：健康、內(nèi)圈故障、外圈故障和滾珠故障，正常狀態(tài)時域如圖1 所示，內(nèi)圈故障時域如圖2 所示，外圈故障如圖3 所示，滾珠故障如圖4 所示，根據(jù)圖片很難分辨出故障類型。每種故障狀態(tài)包含三種故障尺寸：?。?.18 mm）、中（0.36 mm）和大（0.54 mm）。根據(jù)上述介紹軸承狀態(tài)共有10 種情況。

圖1 正常狀態(tài)

圖2 內(nèi)圈故障

圖3 外圈故障

圖4 滾珠故障

2.2 構(gòu)建數(shù)據(jù)集

提升模型對樣本的泛化效果，試驗采取重疊采樣的操作對數(shù)據(jù)集進行增強，實現(xiàn)模型魯棒性的提升。重疊采樣如圖5 所示。數(shù)據(jù)集具體信息見表1。

表1 數(shù)據(jù)集信息

圖5 重疊采樣

2.3 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)確定

為了使1D-CNN 診斷模型具有效果更佳的診斷效果，需對其模型結(jié)構(gòu)進行設(shè)計。常見的二維卷積神經(jīng)網(wǎng)絡(luò)，比如ResNet[10]和VGGnet[11]采用堆疊式的3×3的卷積核，可以實現(xiàn)少參數(shù)大感受野的效果，從而防止過擬合現(xiàn)象。但是對于一維振動信號采用堆疊式3×1的卷積結(jié)構(gòu)，以6 個權(quán)值為代價，只得到5×1的感受野，反而將上述優(yōu)勢變成了劣勢。因此根據(jù)一維振動信號的特點，將1D-CNN 診斷模型的第一層設(shè)計為大卷積核，其作用提取短時特征。其余的卷積層為3×1的小卷積核，減少模型參數(shù)防止過擬合現(xiàn)象。

為了選擇合適的第一層卷積核的參數(shù)，通過對比實驗進行比較分析，設(shè)計三種1D-CNN 診斷模型。這三種模型的第一層卷積核分別為32×1、64×1、128×1，每個模型共有4 層卷積核池化層，除了第一層外，剩下的卷積核均為3×1，全連接層為10 個輸出對應(yīng)著軸承的10 種狀態(tài)。模型對比實驗結(jié)果見表2。

表2 模型對比實驗

由表2 可以看出，隨著卷積核尺寸的增加，模型在測試集中的準確率隨之提高，當(dāng)卷積核尺寸由32 增加到64 時，準確率由96.01%提升到99.33%，提高了3.46%，計算時間變化不大，當(dāng)卷積核尺寸由64 增加到128 時，準確率提升不多，僅提升0.44%，但由于計算參數(shù)的增加，計算所消耗的時間增加了0.02 s，對網(wǎng)絡(luò)準確率提升不高，卻造成了比較多的資源消耗，因此選擇64×1 作為第一層卷積核的尺寸。具體診斷網(wǎng)絡(luò)模型參數(shù)見表3。

表3 故障診斷網(wǎng)絡(luò)參數(shù)

2.4 實驗結(jié)果

使用上述數(shù)據(jù)集，對比所確立的模型進行訓(xùn)練。訓(xùn)練過程中，全連接層使用Dropout 防止過擬合問題，Dropout 比率設(shè)置為0.2，Adam 算法的學(xué)習(xí)率為0.001。為了保證模型的可靠性，在訓(xùn)練工程中，每個數(shù)據(jù)集迭代60 次。為了直觀地觀察模型對每種故障的識別情況，采用混淆矩陣表示實驗結(jié)果如圖6 所示，圖中行表示實際分類，列表示預(yù)測分類。其中在混淆矩陣中，0～9 分別代表不同的類別，具體混淆矩陣標識說明見表4。

表4 混淆矩陣標識說明

圖6 故障診斷混淆矩陣

根據(jù)混淆矩陣圖可以看出，所提出的基于1D-CNN的故障診斷網(wǎng)絡(luò)，在美國凱斯西儲大學(xué)數(shù)據(jù)集中所進行的實驗，在同故障尺寸之間容易發(fā)生混淆，例如對于故障尺寸為0.36 mm 中內(nèi)圈故障（標識4）和外圈故障（標識6）發(fā)生混淆。雖然發(fā)生了混淆，但是每種故障識別準確率都高于97%。并且模型的類間平均準確率為99.33%，可以滿足對軸承故障的準確識別。

3 結(jié)束語

提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的端到端軸承故障診斷模型，直接將原始信號輸入，減少了數(shù)據(jù)傳遞中特征損失。針對一維原始振動信號特點，在CNN 設(shè)計方法的基礎(chǔ)上，設(shè)計了三種第一層大卷積核模型，通過實驗數(shù)據(jù)集測試，確定了一種最優(yōu)的CNN 網(wǎng)絡(luò)模型。通過實驗美國凱斯西儲大學(xué)數(shù)據(jù)集驗證，所提模型的類間平均準確率為99.33%，測試時間為0.03 s。實現(xiàn)了快速識別高準確率的診斷性能，證明了所提出方法的可行性，具有較好的技術(shù)應(yīng)用前景。