蔡華鋒，孫秋

（湖北工業(yè)大學(xué)電氣與電子工程學(xué)院，湖北 武漢 430068）

隨著工業(yè)設(shè)備的智能化發(fā)展，滾動(dòng)軸承作為機(jī)械設(shè)備中的重要組成部分，在集成度高的復(fù)雜運(yùn)行環(huán)境中往往會(huì)受到粉塵、腐蝕和潤(rùn)滑不足等惡劣環(huán)境的影響從而造成設(shè)備故障，特別是設(shè)備中的滾動(dòng)軸承發(fā)生故障后若未能及時(shí)預(yù)警和處理，將會(huì)造成重大的安全事故，給企業(yè)帶來(lái)極大的經(jīng)濟(jì)損失。因此，如何準(zhǔn)確且及時(shí)診斷出軸承的故障顯得尤為重要?；谏鲜鲈虮疚奶岢隽艘环N基于AVMD-TOTEO 與深度學(xué)習(xí)的軸承故障診斷方法。

1 本文方法

結(jié)合信號(hào)分解算法、信號(hào)分析算法和神經(jīng)網(wǎng)絡(luò)等技術(shù)，提出了基于AVMD-TOTEO 與深度學(xué)習(xí)的軸承故障診斷方法。該方法主要由故障信號(hào)處理和故障診斷模型兩個(gè)部分組成。

1.1 故障信號(hào)處理設(shè)計(jì)

在故障信號(hào)處理設(shè)計(jì)中，主要采用信號(hào)分解算法和信號(hào)分析算法，減少故障信號(hào)中的一些干擾，突出信號(hào)中的影響分量。基于AVMD-TOTEO 的故障信號(hào)處理流程如圖1 所示。

圖1 基于AVMD-TOTEO 的故障信號(hào)處理流程圖

圖1 中，將VMD 算法與峭度值相結(jié)合提出了一種自適應(yīng)的VMD 參數(shù)選擇方法，首先，在對(duì)VMD 算法的基本參數(shù)設(shè)置中，將懲罰因子設(shè)為2000，其他參數(shù)設(shè)為默認(rèn)值。之后，將分解個(gè)數(shù)K 從2 ～9 依次對(duì)故障信號(hào)進(jìn)行分解并重構(gòu)，利用峭度值對(duì)各個(gè)重構(gòu)信號(hào)進(jìn)行評(píng)估，并選擇峭度值最大的重構(gòu)信號(hào)作為故障信號(hào)。這種AVMD參數(shù)選擇方法的優(yōu)點(diǎn)是能夠在去除故障信號(hào)中部分干擾的同時(shí)，突出原有信號(hào)中的沖擊部分。最后將峭度值最大的重構(gòu)信號(hào)帶入TOTEO 算法中進(jìn)行信號(hào)分析，用于更好分辨信號(hào)的瞬時(shí)變化情況，檢測(cè)出信號(hào)中更多的瞬時(shí)沖擊成分，并放大故障信號(hào)中的沖擊部分，從而進(jìn)一步擴(kuò)大不同故障之間的差異性。

1.2 故障診斷模型設(shè)計(jì)

在故障診斷模型設(shè)計(jì)過(guò)程中，提出了一種GRU-CNNGAP 故障診斷模型，該模型結(jié)合了GRU 網(wǎng)絡(luò)在處理時(shí)間序列數(shù)據(jù)方面的獨(dú)特優(yōu)勢(shì)和CNN強(qiáng)大的特征提取能力。同時(shí)，利用一維GAP 層代替全連接層進(jìn)行模型參數(shù)壓縮和數(shù)據(jù)維度轉(zhuǎn)換，有效降低模型訓(xùn)練參數(shù)，提高故障診斷精度。

改進(jìn)后的GRU-CNN 分類模型診斷過(guò)程如下：（1）以處理后的故障信號(hào)為輸入，通過(guò)數(shù)據(jù)融合、數(shù)據(jù)攔截和歸一化對(duì)數(shù)據(jù)進(jìn)行處理，生成GRU 層可讀的訓(xùn)練樣本。（2）GRU 層提取每個(gè)具有時(shí)間特征的訓(xùn)練樣本的特征，捕獲并記憶樣本中的相關(guān)特征，然后將內(nèi)存信息逐層傳輸?shù)捷^低的GRU 網(wǎng)絡(luò)。（3）利用CNN 層深度挖掘GRU層的輸出特征。通過(guò)構(gòu)建多個(gè)CNN 層，可以從特征數(shù)據(jù)中提取不同故障之間的微小差異，從而進(jìn)一步提高模型的診斷精度。（4）在CNN 層之后，使用1D-GAP 層代替?zhèn)鹘y(tǒng)的全連接層，在使用全局信息的同時(shí)，可以大大減少模型的參數(shù)數(shù)量，可以提高模型的訓(xùn)練和診斷速度。（5）通過(guò)設(shè)置Softmax 分類器，對(duì)一維GAP 層的輸出值進(jìn)行分類，給出診斷結(jié)果。GRU-CNN-GAP 模型的診斷邏輯流程圖如圖2 所示。

圖2 GRU-CNN-GAP 診斷模型邏輯流程圖

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)分析

為了驗(yàn)證該方法的有效性，本次實(shí)驗(yàn)采用了西安交通大學(xué)XJTU-SY 軸承數(shù)據(jù)集進(jìn)行分析。數(shù)據(jù)集中一共包含3 種工況，在每種工況下分別測(cè)試了5 個(gè)相同軸承的運(yùn)行情況，使用2 個(gè)單向加速度傳感器分別通過(guò)磁座固定于測(cè)試軸承的水平和豎直方向進(jìn)行信號(hào)采集，采樣頻率設(shè)置為25.6kHz，采樣間隔為1min，每次采樣時(shí)長(zhǎng)為1.28s，每個(gè)樣本有32768 個(gè)數(shù)據(jù)點(diǎn)。根據(jù)Tian Xue的研究，將Bearing1_1、Bearing1_4、Bearing2_2、Bearing2_3、Bearing3_3 和Bearing3_5 的最終樣本作為實(shí)驗(yàn)數(shù)據(jù)。由于軸承故障的數(shù)據(jù)集過(guò)于龐大而文章篇幅有限，無(wú)法對(duì)所有故障信號(hào)進(jìn)行分析，所以本文在實(shí)驗(yàn)中僅以Bearing1_4 中第一段水平端故障信號(hào)為例對(duì)數(shù)據(jù)進(jìn)行處理和分析。

在對(duì)故障信號(hào)處理前，需要先對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理，這樣在故障信號(hào)處理好后就可以直接將數(shù)據(jù)集作為輸入帶入故障診斷模型中進(jìn)行學(xué)習(xí)，否則，就會(huì)導(dǎo)致計(jì)算機(jī)內(nèi)在溢出而無(wú)法訓(xùn)練。在數(shù)據(jù)集預(yù)處理時(shí)需要先對(duì)故障數(shù)據(jù)集進(jìn)行數(shù)據(jù)截?cái)嗪蜆颖旧?。為了讓每組樣本中都能夠包含故障的有效信息，本文將電機(jī)轉(zhuǎn)動(dòng)一圈的點(diǎn)數(shù)作為參考來(lái)選擇合適的樣本長(zhǎng)度，通過(guò)采樣頻率和三種工況所對(duì)應(yīng)的轉(zhuǎn)速來(lái)計(jì)算出軸承每轉(zhuǎn)過(guò)一圈的點(diǎn)數(shù)范圍為640 ～732，同時(shí)為了獲得一定的數(shù)據(jù)充裕量，最終將每個(gè)訓(xùn)練樣本的長(zhǎng)度設(shè)置為1000 個(gè)數(shù)據(jù)點(diǎn)。

將訓(xùn)練樣本設(shè)置好后還需增加訓(xùn)練樣本的數(shù)量，用于提升模型的泛化能力。本次實(shí)驗(yàn)采用了滑動(dòng)窗口重疊采樣法進(jìn)行訓(xùn)練樣本生成，樣本生成公式如下：

式中，L 為新生成的樣本數(shù)量，l 為原始故障信號(hào)的數(shù)據(jù)點(diǎn)個(gè)數(shù)，W 為新的訓(xùn)練樣本長(zhǎng)度，B 為滑動(dòng)窗口的步長(zhǎng)，λ為采樣重疊率。此時(shí)，將滑動(dòng)窗口的步長(zhǎng)設(shè)為100，即采樣重疊率為90%，可以求出新生成的樣本數(shù)量為318.7。為了方便對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)和分析，取前300 個(gè)樣本作為訓(xùn)練和測(cè)試樣本，因此，經(jīng)過(guò)數(shù)據(jù)截?cái)嗖僮骱笊傻拿款惞收霞笮閇300,2,1000]，其中300 為樣本數(shù)量，2 為水平和豎直方向上的故障信號(hào)，1000 為單個(gè)樣本長(zhǎng)度。

2.2 故障信號(hào)處理

在對(duì)原始數(shù)據(jù)預(yù)處理后，首先采用所提出的AVMD方法對(duì)Bearing1_4中第一段水平端故障信號(hào)進(jìn)行處理，不同重構(gòu)信號(hào)所對(duì)應(yīng)的峭度值如圖3 所示。

圖3 不同重構(gòu)信號(hào)所對(duì)應(yīng)的峭度值

從圖3 可以看出，當(dāng)分解個(gè)數(shù)K 設(shè)置為2 時(shí)，信號(hào)重構(gòu)后的峭度值最大，并且能夠在消除部分干擾的同時(shí)最大限度地保留故障信號(hào)的沖擊信號(hào)，此時(shí)經(jīng)過(guò)AVMD處理后的重構(gòu)信號(hào)如圖4 所示。

圖4 AVMD 處理后的重構(gòu)信號(hào)

通過(guò)觀察可以發(fā)現(xiàn)，經(jīng)過(guò)AVMD 處理后的重構(gòu)信號(hào)將部分干擾去除，并將主要的沖擊信號(hào)保留，從而增強(qiáng)了原始信號(hào)的故障特征。之后利用改進(jìn)的TOTEO 算法對(duì)重構(gòu)后的故障信號(hào)進(jìn)行信號(hào)分析，TOTEO 分析后的信號(hào)如圖5 所示。

圖5 TOTEO 信號(hào)分析結(jié)果

從圖5 可以看出，TOTEO 算法將沖擊信號(hào)中較強(qiáng)的部分進(jìn)一步放大，同時(shí)，對(duì)沖擊信號(hào)較弱的部分進(jìn)一步縮小，這樣可以放大故障信號(hào)的特征，從而擴(kuò)大各種故障之間的差異性。將Bearing1_4 中第一段水平端故障信號(hào)處理好后，利用相同的方法對(duì)其他故障信號(hào)水平和豎直方向的故障信號(hào)進(jìn)行處理，將處理過(guò)程中信號(hào)的峭度值記錄并進(jìn)行比較，比較結(jié)果如圖6 所示。

圖6 不同故障類型的峭度均值比較

圖6 將不同故障信號(hào)處理中AVMD、AVMD-TEO 和AVMD-TOTEO 時(shí)刻的峭度值進(jìn)行了比較，從圖中可以看出，經(jīng)過(guò)AVMD 處理后的故障信號(hào)峭度均值變化較小，這使得各個(gè)故障間的信號(hào)特征并不明顯，而經(jīng)過(guò)AVMD-TEO 處理后的故障信號(hào)，他們的峭度均值得到了不同程度的增強(qiáng)，這是由于TEO 算法能夠充分反映原始信號(hào)的頻率、幅值以及能量的變化情況。在此基礎(chǔ)上，本文提出的AVMDTOTEO 方法則將噪聲頻率干擾進(jìn)一步降低，同時(shí)增強(qiáng)了故障信號(hào)的沖擊特征，使峭度值增大，從而進(jìn)一步擴(kuò)大了故障之間的差異性，提高了故障診斷模型的檢測(cè)精度。

最終，故障信號(hào)處理后生成的每類新的故障集大小為[300,2,1000]。從每類故障集中，隨機(jī)的選取80%作為訓(xùn)練集，20%作為測(cè)試集，同時(shí)采用Min-Max 函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，用于加快梯度下降求得最優(yōu)解的速度。新生成的軸承故障數(shù)據(jù)集如表1 所示。

表1 新的軸承故障數(shù)據(jù)集

2.3 搭建GRU-CNN-GAP 故障診斷模型

在對(duì)GRU-CNN-GAP 故障診斷模型設(shè)計(jì)過(guò)程中，設(shè)置不同的超參數(shù)會(huì)對(duì)診斷結(jié)果造成影響，因此，本文對(duì)診斷模型的網(wǎng)絡(luò)層數(shù)、神經(jīng)元個(gè)數(shù)和訓(xùn)練次數(shù)等超參數(shù)進(jìn)行反復(fù)調(diào)參實(shí)驗(yàn)，最終建立了一個(gè)包含2 層GRU 和3 層1D-CNN 的故障診斷模型，其中將GRU 層的神經(jīng)元個(gè)數(shù)設(shè)置為256 和128，將1D-CNN 層的輸出維度設(shè)置為64、32和6。故障診斷模型首先采用2 個(gè)GRU 層用于對(duì)具有時(shí)間序列的訓(xùn)練樣本進(jìn)行特征提取，捕獲并記憶樣本中的相關(guān)特征。然后將提取到的記憶特征再輸入3 個(gè)1D-CNN 層對(duì)特征進(jìn)行深度挖掘，將不同故障之間的微小差異從數(shù)據(jù)中提取出來(lái)，從而進(jìn)一步提升模型的診斷精度。在CNN層之后，采用1D-GAP 層代替全連接層，能夠在防止模型訓(xùn)練過(guò)擬合的同時(shí)，大幅度減小模型的參數(shù)量，進(jìn)一步提升模型的訓(xùn)練和診斷速度。最后，通過(guò)Softmax 層完成軸承故障分類。故障診斷模型的超參數(shù)如表2 所示。

表2 GRU-CNN-GAP 故障診斷模型超參數(shù)

同時(shí)，為了提升模型的訓(xùn)練效果，在實(shí)驗(yàn)中采用了mini-batch 小批訓(xùn)練法和Adam 優(yōu)化器對(duì)模型進(jìn)行訓(xùn)練，將每次投入模型的樣例個(gè)數(shù)Batch size 設(shè)置為4，將迭代次數(shù)設(shè)置為200 次。模型訓(xùn)練的誤差曲線如圖7 所示，可以看出模型在訓(xùn)練200 次后基本收斂穩(wěn)定，并且未出現(xiàn)過(guò)擬合問(wèn)題。

圖7 訓(xùn)練誤差曲線

2.4 實(shí)驗(yàn)結(jié)果與對(duì)比分析

訓(xùn)練好故障診斷模型后，將測(cè)試集帶入設(shè)計(jì)好的模型中進(jìn)行故障診斷，為了驗(yàn)證方法的可行性和優(yōu)越性，本文分別將所提出的方法與改進(jìn)前和最新的故障診斷模型進(jìn)行比較。為驗(yàn)證方法的可行性首先進(jìn)行消融實(shí)驗(yàn)，將所提出的方法與GRU、GRU-CNN 和GRU-CNN-GAP 進(jìn)行對(duì)比分析，其中GRU-CNN 是在原始模型的基礎(chǔ)上去掉GAP 層，用一個(gè)Flatten 層和三個(gè)全連接層進(jìn)行替代，將全連接層的神經(jīng)元個(gè)數(shù)分別設(shè)置為128、64 和6，而GRU-CNN-GAP 模型則是在原有模型不變的情況下進(jìn)行訓(xùn)練和測(cè)試，兩種模型的訓(xùn)練集和測(cè)試集均來(lái)自原始的軸承故障數(shù)據(jù)集。在評(píng)估方法中，采用時(shí)間指標(biāo)和準(zhǔn)確性指標(biāo)對(duì)診斷結(jié)果進(jìn)行評(píng)估。在時(shí)間方面，主要觀察診斷模型的訓(xùn)練時(shí)間和測(cè)試時(shí)間。在準(zhǔn)確性方面，評(píng)價(jià)指標(biāo)主要有精確率(P)和調(diào)和均值(F1)，數(shù)學(xué)表達(dá)式為：

式中，TP 為真正類；FP 為假正類；TN 為真負(fù)類；FN 為假負(fù)類。通過(guò)計(jì)算就可以得到以上2 種評(píng)價(jià)指標(biāo)。各個(gè)模型的診斷結(jié)果如表3 所示。

表3 消融實(shí)驗(yàn)結(jié)果對(duì)比

表3 中，采用時(shí)間指標(biāo)和準(zhǔn)確性指標(biāo)對(duì)結(jié)果進(jìn)行評(píng)估。首先，在訓(xùn)練和測(cè)試時(shí)間方面，GRU-CNN-GAP 模型與GRU-CNN 模型在訓(xùn)練時(shí)間上減少了79.591 秒，在測(cè)試時(shí)間中又減少了0.054 秒，這是由于GRU-CNN 模型在末端采用了3 個(gè)全連接層導(dǎo)致模型的網(wǎng)絡(luò)層數(shù)和參數(shù)總量明顯增加，從而延長(zhǎng)了模型的訓(xùn)練和測(cè)試時(shí)間，而采用GAP 層代替?zhèn)鹘y(tǒng)的全連接層，能夠大幅度減小模型的參數(shù)量，進(jìn)一步提升模型的訓(xùn)練和診斷速度。其次，在診斷準(zhǔn)確率方面，GRU-CNN 模型的均值為94.98%，而本文設(shè)計(jì)的GRU-CNN-GAP 模型，將GAP 層代替全連接層后均值已經(jīng)提升至96.09%，從而說(shuō)明本文設(shè)計(jì)的GRU-CNN-GAP 模型可以獲得更高的特征提取能力和故障識(shí)別率。而相與GRU-CNN-GAP 模型，基于AVMD-TOTEO與深度學(xué)習(xí)的故障診斷方法則是將均值進(jìn)一步提升至98.06%，原因是在輸入層中通過(guò)AVMD-TOTEO 方法對(duì)故障信號(hào)中的沖擊信號(hào)進(jìn)行保留和放大，從而擴(kuò)大了故障之間的差異性，這種差異性進(jìn)一步提升了模型的故障識(shí)別率。

為了進(jìn)一步驗(yàn)證所提出方法的優(yōu)越性，本次實(shí)驗(yàn)又將所提出的方法與Tian Xue 提出的MobileNetV2-FSK診斷模型、楊慧提出的ICNN-BiGRU 診斷模型、呂淵提出的MLP-PPO 診斷模型和Zhijian Wang 提出的NKHKELM 診斷模型進(jìn)行比較分析。故障診斷模型中的每個(gè)參數(shù)都根據(jù)文章中的值進(jìn)行設(shè)置。診斷結(jié)果如表4 所示。 ※

表4 不同軸承故障診斷模型對(duì)比

從診斷結(jié)果可以看出，采用最新的MobileNetV2-FSK 模型、ICNN-BiGRU 模型、MLP-PPO 模型和NKH-KELM模型能夠?qū)⒐收显\斷準(zhǔn)確率提升至95.41%、96.15%、96.21%和96.62%，而本文所提出的軸承故障診斷方法相比于其他4 個(gè)模型，在診斷準(zhǔn)確率方面分別增加了2.65%、1.91%、1.85%和1.44。同時(shí)，又在調(diào)和均值中分別增加了2.72%、1.95%、1.89%和1.47%。實(shí)驗(yàn)結(jié)果表明，本文提出的基于AVMD-TOTEO 與深度學(xué)習(xí)故障診斷方法具與其他診斷模型相比，具有一定的優(yōu)越性。

3 結(jié)語(yǔ)

本文提出一種基于AVMD-TOTEO 與深度學(xué)習(xí)的軸承故障診斷方法，其主要貢獻(xiàn)如下。

（1）提出了一種用于擴(kuò)大故障信號(hào)特征的方法。首先利用AVMD 算法選擇合適的分解個(gè)數(shù)后對(duì)信號(hào)進(jìn)行重構(gòu)，在去除故障信號(hào)部分干擾的同時(shí)突出其中的沖擊信號(hào)，之后利用TOTEO 算法對(duì)重構(gòu)信號(hào)進(jìn)行分析，從而進(jìn)一步增強(qiáng)故障之間的差異性。

（2）提出了一種GRU-CNN-GAP 故障診斷模型。將傳統(tǒng)GRU-CNN 模型中的全連接層用1D-GAP 層進(jìn)行替代，能夠在防止模型訓(xùn)練過(guò)擬合的同時(shí)，大幅度減小模型的參數(shù)量，進(jìn)一步提升模型的訓(xùn)練和診斷速度。

（3）將所提出的故障診斷方法最新的幾種軸承故障診斷模型進(jìn)行比較，比較結(jié)果顯示，所提出的方法不僅能夠提升故障診斷準(zhǔn)確率，還可以提高訓(xùn)練和診斷速度，與其他故障診斷模型相比，本方法具有更加優(yōu)越的診斷性能。

在未來(lái)的工作中，計(jì)劃將一些改進(jìn)的分解算法與其他優(yōu)化算法相結(jié)合，進(jìn)一步擴(kuò)大故障之間的差異性。此外，將會(huì)對(duì)所提出的故障診斷模型進(jìn)行改進(jìn)，以提高模型的可遷移性。