田科位，董紹江，姜保軍，裴雪武，湯寶平，胡小林，趙興新

(1.重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院 重慶 400074；2.重慶大學(xué) 機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶 400030；3.重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心有限公司 重慶 400056；4.重慶長(zhǎng)江軸承股份有限公司 重慶 401336)

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵零部件之一，其健康狀態(tài)對(duì)整個(gè)機(jī)械設(shè)備的性能、穩(wěn)定性和使用壽命有巨大的影響[1]。在實(shí)際工作過(guò)程中，由于工作環(huán)境的變化和不可避免的噪聲干擾，很難提取和概括特征。因此，建立一種準(zhǔn)確、魯棒的滾動(dòng)軸承故障診斷模型具有重要意義。

基于數(shù)據(jù)驅(qū)動(dòng)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[2]。Qu等[3]利用雙樹復(fù)小波包變換與多分類器相結(jié)合的方法對(duì)滾動(dòng)軸承進(jìn)行了診斷；Ali等[4]使用經(jīng)驗(yàn)?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)，對(duì)軸承的故障診斷進(jìn)行了研究；史慶軍等[5]提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解和局部均值分解方法相結(jié)合，將特征量矩陣輸入到支持向量機(jī)實(shí)現(xiàn)軸承故障檢測(cè)。這些方法雖然擁有不錯(cuò)的性能，但是都極度的依賴于故障診斷專家的經(jīng)驗(yàn)和知識(shí)，而且針對(duì)不同類型的故障所使用的特征提取方法也不盡相同。

近年來(lái)，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺，語(yǔ)音識(shí)別和自然語(yǔ)言處理等多個(gè)領(lǐng)域都取得了巨大的成功。深度學(xué)習(xí)方法可以從振動(dòng)信號(hào)中自動(dòng)提取故障特征[6]，因此也被廣泛應(yīng)用在滾動(dòng)軸承故障診斷領(lǐng)域。Abdeljaber等[7]提出了一種自適應(yīng)一維深度神經(jīng)網(wǎng)絡(luò)模型，用來(lái)對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行檢測(cè)和定位結(jié)構(gòu)損傷；Liu等[8]利用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承的故障進(jìn)行分類，并采用基于門控遞歸單元的降噪自動(dòng)編碼器來(lái)提高故障分類的準(zhǔn)確性；Hao等[9]提出了一種基于一維卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的多傳感器方法，實(shí)現(xiàn)了軸承變負(fù)載的故障診斷。

以上這些模型在軸承故障診斷方面取得了不錯(cuò)的效果，但是沒有同時(shí)考慮到在實(shí)際的工業(yè)應(yīng)用中不可避免的噪聲干擾以及機(jī)械系統(tǒng)在載荷發(fā)生變化的問題?；谝陨显?，本文提出了一種基于改進(jìn)深度殘差網(wǎng)絡(luò)的軸承故障診斷方法。該模型在殘差神經(jīng)網(wǎng)絡(luò)殘差塊中引入了SENet結(jié)構(gòu)增強(qiáng)各個(gè)特征提取通道之間的聯(lián)系，提高在噪聲和變負(fù)載時(shí)故障特征的提取能力；同時(shí)使用激活函數(shù)LReLU和Dropout技巧提高模型抗干擾能力。此外，為了抑制模型的過(guò)度擬合，對(duì)原始訓(xùn)練樣本添加了噪聲。最后通過(guò)對(duì)比實(shí)驗(yàn)證明，該模型在噪聲環(huán)境和負(fù)載變化時(shí)仍有較高的故障識(shí)別精度。

1 殘差神經(jīng)網(wǎng)絡(luò)原理

He等[10]提出了殘差神經(jīng)網(wǎng)絡(luò)(residual neural network，Resnet)，Resnet的核心思想是引入殘差模塊(residual building block，RBB)來(lái)學(xué)習(xí)殘差，殘差學(xué)習(xí)有效解決了由于神經(jīng)網(wǎng)絡(luò)深度增加性能反而下降的問題。

1.1 卷積層

卷積層是使卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)與傳統(tǒng)的完全連接的神經(jīng)網(wǎng)絡(luò)不同的關(guān)鍵組件。卷積層中的卷積核運(yùn)算比完全連接層中的轉(zhuǎn)換矩陣具有更少的參數(shù)。輸入特征圖和卷積核之間的卷積(通過(guò)添加偏差項(xiàng))運(yùn)算可以表示為：

(1)

式中：xi是輸特征圖的第i個(gè)通道；yj是輸出特征圖的第j個(gè)通道；k是卷積核；b是偏置項(xiàng)；Mj是用于計(jì)算輸出特征圖第j個(gè)通道的集合。

1.2 批量歸一化

批量歸一化(batch normalization，BN)是針對(duì)內(nèi)部協(xié)方差偏移問題而提出的一種歸一化方法。與一般的標(biāo)準(zhǔn)化方法不同，批量標(biāo)準(zhǔn)化是嵌入在深度神經(jīng)網(wǎng)絡(luò)內(nèi)部層與層之間的一種運(yùn)算。BN的計(jì)算過(guò)程表示為：

(2)

(3)

(4)

yi=γzi+β

(5)

式中：xi和yi分別表示批處理中第i個(gè)觀測(cè)值的輸入和輸出特征；Nbatch是分類任務(wù)中每個(gè)批次樣本的個(gè)數(shù)；γ和β是兩個(gè)可訓(xùn)練的參數(shù)，可以自適應(yīng)學(xué)習(xí)到更合適的特征分布；ε是接近零的常量。

1.3 激活函數(shù)ReLU

ReLU作為最常見的激活函數(shù)，解決了S型局部梯度爆炸和梯度消失的問題，加速了神經(jīng)網(wǎng)絡(luò)的收斂。ReLU的算法如下：

y=max(0,x)

(6)

式中：x和y分別是ReLU激活函數(shù)的輸入和輸出。

1.4 殘差模塊的基本原理

殘差模塊(residual building block，RBB)是Resnet的核心，RBB通過(guò)使用快捷連接跳過(guò)卷積層塊來(lái)實(shí)現(xiàn)，避免了梯度爆炸和消失，有助于構(gòu)造更深的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，改善故障診斷的最終性能。

卷積層塊F(x)的執(zhí)行路徑為“輸入x→BN層→激活函數(shù)ReLU→卷積層→BN層→激活函數(shù)ReLU→卷積層→輸出F(x)”[10]。當(dāng)卷積層塊的輸入與輸出維度相同時(shí)快捷連接的輸出值就為輸入值x，殘差模塊的最終輸出結(jié)果如式(7)所示；當(dāng)輸入與輸出的維度不同時(shí)，快捷連接需要使用一個(gè)卷積核大小為1×1的卷積層來(lái)匹配輸出結(jié)果的維度，從而得到快捷連接的輸出H(x)，最終輸出結(jié)果如式(8)所示。

y=F(x)+x

(7)

y=F(x)+H(x)

(8)

2 改進(jìn)軸承故障診斷模型的建立

2.1 改進(jìn)激活函數(shù)LReLU

ReLU作為最常見的的激活函數(shù)，當(dāng)輸入的一維滾動(dòng)軸承振動(dòng)信號(hào)為負(fù)時(shí)，它會(huì)舍去這類振動(dòng)信號(hào)，削弱了模型對(duì)軸承故障的識(shí)別能力。對(duì)此，本文方法采用LReLU作為激活函數(shù)來(lái)解決當(dāng)輸入為負(fù)時(shí)ReLU產(chǎn)生的問題[11]。具體算法如式(9)：

(9)

式中：x和y分別是LReLU激活函數(shù)的輸入和輸出；α是根據(jù)實(shí)際經(jīng)驗(yàn)來(lái)取值，文獻(xiàn)[11]通過(guò)大量的實(shí)驗(yàn)證明了α取值范圍在0～0.5時(shí)效果達(dá)到最佳。

2.2 擠壓與激勵(lì)網(wǎng)絡(luò)結(jié)構(gòu)

Hu等[12]提出了擠壓和激勵(lì)(SENet)網(wǎng)絡(luò)結(jié)構(gòu)，它可以通過(guò)自動(dòng)獲得每個(gè)通道的重要性，增強(qiáng)各個(gè)通道之間的聯(lián)系，從而達(dá)到提升模型性能的目的。該結(jié)構(gòu)的核心是擠壓(Squeeze)和激勵(lì)(Exctation)兩大操作。

Squeeze操作是對(duì)輸入的特征圖進(jìn)行全局池化，將每個(gè)特征圖壓縮為一個(gè)具有全局感受野的實(shí)數(shù)。具體算法如式(10)所示：

(10)

式中：xi代表輸入為尺寸為H×W的第i個(gè)特征圖。

Exctation操作主要是由兩個(gè)全連接層和2個(gè)激活函數(shù)組成，可以幫助捕獲通道相關(guān)性，生成對(duì)應(yīng)通道的權(quán)重。算法如式(11)所示：

yi=Fex(Fsq(xi),ω)=σ(ω2δ(ω1Fsq(xi)))

(11)

式中：ω1表示第一個(gè)全連接層計(jì)算；ω2表示第二個(gè)全連接層計(jì)算；Fsq(xi)表示Squeeze操作過(guò)后的輸出值；δ表示激活函數(shù)ReLU；σ為Sigmoid函數(shù)具體算法如式(12)：

(12)

式中：x表示經(jīng)過(guò)2次全連接計(jì)算的輸出值。

2.3 交叉熵?fù)p失函數(shù)

交叉熵?fù)p失函數(shù)Softmax一般作為最后輸出層的激活函數(shù)，它將神經(jīng)網(wǎng)絡(luò)的輸出值固定在(0,1)之間以表示不同事件發(fā)生的概率，文獻(xiàn)[13]詳細(xì)介紹了交叉熵的執(zhí)行過(guò)程。算法如式(13)所示：

(13)

式中：Nclass表示分類任務(wù)所涉及的的類別，xj表示上一層的第j個(gè)輸出；yj表示神經(jīng)網(wǎng)絡(luò)的第j個(gè)預(yù)測(cè)值。

2.4 全局平局池化

全局平均池化(global average pooling，GAP)是一種對(duì)特征圖求平均值的操作，可以大大減少神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的參數(shù)，加快神經(jīng)網(wǎng)絡(luò)的計(jì)算速度，詳細(xì)計(jì)算過(guò)程見參考文獻(xiàn)[14]。

2.5 改進(jìn)的殘差模塊

如圖1(a)，(b)分別為兩種改進(jìn)的殘差模塊RBB-1和RBB-2。改進(jìn)的核心部分是在殘差模塊的第二個(gè)卷積層之后添加了分支SENet結(jié)構(gòu)，生成了對(duì)應(yīng)通道的權(quán)重，最后通過(guò)與第二個(gè)卷積層的輸出結(jié)果相乘；與此同時(shí)將LReLU作為激活函數(shù)。

圖1 改進(jìn)的殘差模塊Fig.1 Improved Residual building block

2.6 改進(jìn)深度殘差神經(jīng)網(wǎng)絡(luò)模型

本文所提改進(jìn)深度殘差神經(jīng)網(wǎng)絡(luò)軸承故障診斷模型結(jié)構(gòu)如圖2所示。首先在原始信號(hào)樣本中添加了噪聲信號(hào)作為輸入，增大樣本的同時(shí)還可以避免網(wǎng)絡(luò)參數(shù)過(guò)多引起的過(guò)擬合問題，提高模型的魯棒性[15]；然后信號(hào)依次經(jīng)過(guò)卷積層、最大池化層、改進(jìn)的殘差塊、Dropout、全局平均池化，最終通過(guò)Softmax輸出故障類別，進(jìn)而得出診斷結(jié)果。

圖2 改進(jìn)深度殘差網(wǎng)絡(luò)網(wǎng)絡(luò)模型Fig.2 Improve the network model of deep residual network

圖2中改進(jìn)的殘差堆疊塊由4個(gè)改進(jìn)殘差模塊堆疊而成，加深了神經(jīng)網(wǎng)絡(luò)模型的深度，能夠更好的提取故障信號(hào)深層次的特征。Dropout增加了模型的抗干擾能力。最后使用全局平均池化來(lái)代替全連接層，減少模型訓(xùn)練時(shí)的參數(shù)，加快了模型的計(jì)算速度。

3 實(shí)驗(yàn)驗(yàn)證

針對(duì)在實(shí)際應(yīng)用中機(jī)械系統(tǒng)負(fù)載變化和噪聲的干擾，本節(jié)設(shè)置不同的實(shí)驗(yàn)對(duì)本文方進(jìn)行驗(yàn)證，并與不同的方法進(jìn)行對(duì)比，證明了本文方法的優(yōu)越性。

3.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源及其設(shè)置

實(shí)驗(yàn)采用的軸承數(shù)據(jù)來(lái)自美國(guó)凱斯西儲(chǔ)大學(xué)(Case Western Reserve University,CWRU)[16]，實(shí)驗(yàn)軸承的型號(hào)為SKF6205電機(jī)軸承，信號(hào)的采樣頻率為12 kHz。實(shí)驗(yàn)軸承具有球體故障，內(nèi)圈故障和外圈故障三種故障類型，每種故障類型的故障直徑分別為0.177 8 mm，0.355 6 mm和0.533 4 mm，最終形成包含正常狀態(tài)在內(nèi)的十類故障。在本文實(shí)驗(yàn)中，通過(guò)重疊采樣的方式增大樣本集，每種故障的樣本數(shù)量為500，每個(gè)數(shù)據(jù)樣本包含2 048個(gè)數(shù)據(jù)點(diǎn)，按1、2和3 hp負(fù)載制作成分別包含5 000個(gè)數(shù)據(jù)樣本的數(shù)據(jù)集A、B、C。數(shù)據(jù)集D為A、B、C的并集。按照比例4∶1無(wú)交集的將每個(gè)數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于模型的測(cè)試。

3.2 模型結(jié)構(gòu)參數(shù)設(shè)置

仿真實(shí)驗(yàn)使用的深度學(xué)習(xí)框架為Tensorflow，編程語(yǔ)言為Python，在windows7中運(yùn)行。實(shí)驗(yàn)過(guò)程采用Adam優(yōu)化算法更新網(wǎng)絡(luò)訓(xùn)練參數(shù)，迭代次數(shù)為3 000，每個(gè)批次的樣本數(shù)量為50，學(xué)習(xí)率設(shè)置為0.001，衰減率為0.9，Dropout為0.5，激活函數(shù)為L(zhǎng)ReLU。本文的模型參數(shù)設(shè)置如表1。

表1 模型參數(shù)設(shè)置Tab.1 Model parameter setting

3.3 實(shí)驗(yàn)結(jié)果及分析

本小節(jié)分別使用構(gòu)建好的數(shù)據(jù)集A、B、C、D進(jìn)行實(shí)驗(yàn)。由于在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中權(quán)值的初始化是隨機(jī)的。為了避免實(shí)驗(yàn)結(jié)果受其影響，每個(gè)模型在每個(gè)數(shù)據(jù)集上重復(fù)做五次實(shí)驗(yàn)，然后取其平均值。

3.3.1 全局平均池化與全連接層運(yùn)行時(shí)間對(duì)比

本文模型采用全局平均池化代替了全連接層。實(shí)驗(yàn)選取選取數(shù)據(jù)集D進(jìn)行作為訓(xùn)練，訓(xùn)練輪數(shù)設(shè)置為3 000 輪，訓(xùn)練時(shí)間如表2所示。

表2 訓(xùn)練時(shí)間對(duì)比Tab.2 Training time comparison

從表2看出，訓(xùn)練輪數(shù)同時(shí)為3 000輪時(shí)，由于全局平均池化減少了模型計(jì)算的參數(shù)量，訓(xùn)練時(shí)間較全連接層減少了14.3 s。

3.3.2 噪聲環(huán)境下故障診斷性能分析

在實(shí)際的工作環(huán)境中，傳感器所測(cè)得的振動(dòng)信號(hào)不可避免的會(huì)受到噪聲的污染，造成振動(dòng)信號(hào)中的故障信息被掩蓋。如圖3所示，可以看出在原始信號(hào)中加入了信噪比為-4 db的高斯白噪聲后幅值發(fā)生了改變，原始信號(hào)中的故障特征被嚴(yán)重淹沒，很難從復(fù)合信號(hào)中識(shí)別出原始信號(hào)的故障類型。對(duì)此，本小節(jié)選取數(shù)據(jù)集D進(jìn)行實(shí)驗(yàn)，通過(guò)在測(cè)試樣本中添加不同信噪比的高斯白噪聲進(jìn)行測(cè)試。

圖3 原始信號(hào)、噪聲信號(hào)及信噪比為-4 db的復(fù)合信號(hào)Fig.3 The composite signal with the original signal,noise signal and SNR of -4 dB

為了檢驗(yàn)本文網(wǎng)絡(luò)模型改進(jìn)部分的效果，設(shè)置了三個(gè)變量。變量一設(shè)置為使用的激活函數(shù)為ReLU；變量二設(shè)置為沒有使用Dropout技巧；變量三設(shè)置為不添加SENet網(wǎng)絡(luò)模塊，實(shí)驗(yàn)結(jié)果如圖4所示?？梢姡總€(gè)改進(jìn)部分都提升了本文模型在噪聲環(huán)境中軸承故障識(shí)別的準(zhǔn)確率。其中SENet網(wǎng)絡(luò)模塊的添加起到了最關(guān)鍵的作用，在信噪比為-4 db的強(qiáng)噪聲環(huán)境中軸承故障識(shí)別率提升了7.19%。

圖4 改進(jìn)部分在噪聲環(huán)境的故障識(shí)別準(zhǔn)確率Fig.4 Improve the fault identification accuracy in noisy environment

為了驗(yàn)證本文模型具有較好的抗干擾能力，分別與傳統(tǒng)Resnet(參數(shù)設(shè)置與本文模型相同)、TICNN[17]、WDCNN[18]三種模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如圖5所示，本文模型的故障識(shí)別準(zhǔn)確率均為最高。在SNR=-4 db環(huán)境中Resnet、TICNN及WDCNN的識(shí)別準(zhǔn)確率分別為80.43%、82.05%和92.65%，而本文模型為93.4%，對(duì)比其他三種模型分別提高了12.97%，10.9%和0.75%。

圖5 不同模型在噪聲環(huán)境中的故障識(shí)別準(zhǔn)確率Fig.5 Fault identification accuracy of different models in noisy environment

為進(jìn)一步分析本文模型在噪聲環(huán)境中，不同位置的故障識(shí)別準(zhǔn)確率對(duì)診斷結(jié)果的影響，表3展示了在SNR=0 db環(huán)境中，不同位置的故障識(shí)別準(zhǔn)確率?？梢?，本文模型對(duì)正常狀態(tài)下的軸承識(shí)別率達(dá)到了100%；軸承內(nèi)圈故障和外圈故障的識(shí)別率都達(dá)到了99%以上；而滾珠故障的識(shí)別準(zhǔn)確率稍遜，是由于0.355 6 mm滾珠損傷的故障識(shí)別率僅為96.88%，降低了對(duì)滾珠故障的識(shí)別準(zhǔn)確率，影響了最終的診斷結(jié)果。

表3 不同位置的故障識(shí)別準(zhǔn)確率Tab.3 Fault identification accuracy of different locations

3.3.3 負(fù)載變化時(shí)故障診斷性能分析

在實(shí)際的工作環(huán)境中，滾動(dòng)軸承的工作負(fù)載發(fā)生改變是不可避免的。圖6顯示了不同負(fù)載下的時(shí)域圖，從中可以看出不同負(fù)載振動(dòng)信號(hào)的幅值和相位都有所差異。深度學(xué)習(xí)是一種通過(guò)訓(xùn)練大量數(shù)據(jù)，達(dá)到自適應(yīng)提取特征的方法，當(dāng)負(fù)載發(fā)生變化時(shí)相同類型的故障特征減少，導(dǎo)致深度學(xué)習(xí)診斷模型的診斷性能降低。

圖6 不同負(fù)載的振動(dòng)信號(hào)Fig.6 Vibration signals of different loads

為了體現(xiàn)本文方法在負(fù)載變化時(shí)具有較好的軸承故障識(shí)別準(zhǔn)確率，分別與Resnet(參數(shù)設(shè)置與本文模型相同)、TICNN、WDCNN的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析。負(fù)載變化是指在1、2和3 hp對(duì)應(yīng)數(shù)據(jù)集A、B、C中，用一種數(shù)據(jù)集做訓(xùn)練樣本，另外兩種數(shù)據(jù)集作為測(cè)試樣本，例如A→B，A→C表示用數(shù)據(jù)集A作為訓(xùn)練樣本，數(shù)據(jù)集B、C進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果如圖7所示。

由圖7可知本文模型在負(fù)載變化的故障識(shí)別率均達(dá)到了94.38%以上，而Resnet，TICNN和WDCNN的最低識(shí)別率分別為93.6%、89.2%、88.3%。TICNN和WDCNN在不同跨負(fù)載下的故障識(shí)別率波動(dòng)范圍很大，例如C→B中WDCNN模型的故障識(shí)別率達(dá)到了99.99%，而在C→A中的識(shí)別率僅僅只有88.3%，說(shuō)明WDCNN網(wǎng)絡(luò)模型的泛化能力稍遜。本文模型在跨負(fù)載測(cè)試時(shí)的整體平均識(shí)別率達(dá)到了98.11%，相對(duì)Resnet，TICNN和WDCNN三種模型分別提高了1.83%、2.61%、2.21%。這說(shuō)明本文模型具有更好的泛化能力。

圖7 負(fù)載變化時(shí)故障識(shí)別準(zhǔn)確率Fig.7 Fault identification accuracy when load changes

3.3.4 負(fù)載變化時(shí)的抗噪性分析

針對(duì)滾動(dòng)軸承工作時(shí)，同時(shí)伴隨著負(fù)載的變化和噪聲干擾的問題。本小節(jié)設(shè)置了兩個(gè)實(shí)驗(yàn)對(duì)本文模型進(jìn)行驗(yàn)證。實(shí)驗(yàn)一設(shè)置為用兩種負(fù)載的數(shù)據(jù)樣本同時(shí)輸入模型進(jìn)行訓(xùn)練，另一負(fù)載下的數(shù)據(jù)樣本進(jìn)行測(cè)試，例如AB→C表示用數(shù)據(jù)集A和B同時(shí)輸入模型進(jìn)行訓(xùn)練，再用數(shù)據(jù)集C進(jìn)行測(cè)試。實(shí)驗(yàn)二設(shè)置為用一種負(fù)載的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，另外兩種負(fù)載的數(shù)據(jù)樣本分別進(jìn)行測(cè)試，例如A→B，A→C表示用數(shù)據(jù)集A進(jìn)行訓(xùn)練，數(shù)據(jù)集B，C進(jìn)行測(cè)試。

在實(shí)驗(yàn)一中，分別使用本文模型、Resnet和卷積膠囊[19]模型的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果如表4所示。

從表4可知，在信噪比相同的噪聲環(huán)境中，本文模型在負(fù)載變化時(shí)的軸承故障平均識(shí)別準(zhǔn)確率均大于Resnet和卷積膠囊模型。特別是在SNR=-4 db的強(qiáng)噪聲環(huán)境中，本文模型的軸承故障平均識(shí)別準(zhǔn)確率達(dá)到了92.18%相較于Resnet和卷積膠囊網(wǎng)絡(luò)分別提高了9.4%、6.63%。在SNR為-4～4 db，負(fù)載發(fā)生變化時(shí)，本文模型對(duì)軸承故障的平均識(shí)別率達(dá)到了97.36%，相較于Resnet和卷積膠囊模型提高了4.04%、2.36%。表明本文模型能提取更細(xì)微的特征，在信號(hào)受到噪聲干擾和負(fù)載變化時(shí)擁有較好的故障識(shí)別準(zhǔn)確率。

表4 負(fù)載變化時(shí)不同模型在不同信噪比測(cè)試信號(hào)的準(zhǔn)確率Tab.4 Accuracy rate of different MODELS testing signals with different SNR when load changes %

在實(shí)驗(yàn)二中，使用Resnet模型的實(shí)驗(yàn)結(jié)果與本文模型進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果如圖8中(a)，(b)所示。

圖8中-4、-2、0、2、4表示測(cè)試時(shí)加入高斯白噪聲的信噪比。在負(fù)載變化相同情況下，本文模型在信噪比-4～4 db的噪聲環(huán)境中，軸承故障平均識(shí)別率均高于Resnet模型。以負(fù)載變化A→B為例進(jìn)行分析，本文模型的平均識(shí)別率達(dá)到了97.78%，相較于Resnet模型提高了2.03%。在信噪比為-4 db的強(qiáng)噪聲環(huán)境中，本文模型的軸承故障識(shí)別準(zhǔn)確率達(dá)到了92.27%，而Resnet模型的識(shí)別準(zhǔn)確率僅有87.51%，相比之下提高了4.76%。同時(shí)本文模型同時(shí)在負(fù)載變化和-4 db到4 db噪聲環(huán)境下的整體平均識(shí)別準(zhǔn)確率達(dá)到了95.02%，相較于Resnet網(wǎng)絡(luò)模型相比提高了3.5%。

圖8 噪聲環(huán)境下負(fù)載變化時(shí)不同模型的軸承故障識(shí)別準(zhǔn)確率Fig.8 Diagnosis results of different models under variable load noise environment

通過(guò)實(shí)驗(yàn)一和實(shí)驗(yàn)二在噪聲環(huán)境中進(jìn)行不同的跨負(fù)載實(shí)驗(yàn)可得:本文模型在噪聲環(huán)境和負(fù)載變化時(shí)仍具有較高的故障識(shí)別準(zhǔn)確率，說(shuō)明本文模型具有較好的抗干擾能力和泛化能力。

3.3.4 本文模型實(shí)驗(yàn)結(jié)果可視化

本小節(jié)選用t-SNE(t-distributed stochastic neighbor embedding)算法，分別將卷積層、殘差堆疊快和GAP中的高維數(shù)據(jù)降低到二維進(jìn)行可視化，展示本文模型訓(xùn)練過(guò)程中特征提取過(guò)程。由于篇幅有限，僅展示在SNR=0 db時(shí)通過(guò)1 hp負(fù)載下的數(shù)據(jù)進(jìn)行訓(xùn)練好的模型，使用2 hp負(fù)載下的1 000個(gè)數(shù)據(jù)樣本進(jìn)行測(cè)試的特征分布可視化圖。

由圖9可以看出，隨著網(wǎng)絡(luò)層數(shù)的深入，特征變得越來(lái)越可分割，特別是在通過(guò)改進(jìn)殘差堆疊塊Block1之后，各類特征點(diǎn)的分布有了顯著的變化，使得各個(gè)類別的特征點(diǎn)的分布有了明顯的區(qū)分，說(shuō)明改進(jìn)的殘差堆疊塊具有較強(qiáng)的故障識(shí)別能力。從最后的GAP層可以看出，本文模型通過(guò)1 hp負(fù)載下的數(shù)據(jù)樣本訓(xùn)練得到的模型，在SNR=0 db的噪聲環(huán)境中使用2 hp負(fù)載下的數(shù)據(jù)樣本進(jìn)行測(cè)試，仍具有較好的軸承故障識(shí)別能力，驗(yàn)證了本文模型在噪聲環(huán)境中和負(fù)載變化時(shí)具有較好的故障分類能力。

圖9 測(cè)試樣本的特征分布圖Fig.9 Feature distribution of test samples

4 結(jié) 論

針對(duì)滾動(dòng)軸承在負(fù)載變化、噪聲環(huán)境中故障診斷準(zhǔn)確率低、抗噪性能及泛化能力弱的問題，提出了一種改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)方法。本文得出的結(jié)論如下：

(1)本文構(gòu)建了一種基于殘差神經(jīng)網(wǎng)絡(luò)與SENet相結(jié)合的改進(jìn)深度殘差神經(jīng)網(wǎng)絡(luò)軸承故障診斷模型。通過(guò)在殘差塊中添加SENet網(wǎng)絡(luò)結(jié)構(gòu)，使模型關(guān)注與目標(biāo)相關(guān)的特征通道并弱化其他無(wú)關(guān)的特征通道，從而達(dá)到提升模型性能的目的。使用全局平均池化代替了全連接層，加快了模型的訓(xùn)練速度。在訓(xùn)練過(guò)程中，為了抑制過(guò)擬合，對(duì)訓(xùn)練樣本進(jìn)行了加噪處理，同時(shí)使用了LReLU函數(shù)和Dropout技巧來(lái)提升了模型的抗干擾能力。

(2)采用了軸承數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)驗(yàn)證。在信噪比為-4～4 db的噪聲環(huán)境中，本文模型的故障識(shí)別準(zhǔn)確率均高于其他方法，在SNR=-4 db的高噪聲環(huán)境中，本文模型的識(shí)別率也達(dá)到了93.4%；在負(fù)載變化實(shí)驗(yàn)中，本文模型的整體平均識(shí)別率達(dá)到了98.11%；在軸承負(fù)載變化時(shí)的抗噪性分析實(shí)驗(yàn)中，通過(guò)兩個(gè)實(shí)驗(yàn)證明本文模型的故障識(shí)別準(zhǔn)確率均達(dá)到了最高，表明了本文模型具有較好的抗干擾能力和泛化能力。