衛(wèi)潔潔,楊喜旺,黃晉英,尹學(xué)慧,衛(wèi)曉潔
(中北大學(xué) a.計(jì)算機(jī)與控制工程學(xué)院;b.機(jī)械與動(dòng)力工程學(xué)院,太原 030051)
基于深度神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷
衛(wèi)潔潔a,楊喜旺a,黃晉英b,尹學(xué)慧b,衛(wèi)曉潔b
(中北大學(xué) a.計(jì)算機(jī)與控制工程學(xué)院;b.機(jī)械與動(dòng)力工程學(xué)院,太原 030051)
針對(duì)淺層神經(jīng)網(wǎng)絡(luò)方法依靠專家經(jīng)驗(yàn)和信號(hào)處理技術(shù)進(jìn)行人工提取大量滾動(dòng)軸承數(shù)據(jù)的特征變得越來越困難,而且神經(jīng)網(wǎng)絡(luò)淺層結(jié)構(gòu)限制了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜非線性關(guān)系的功能。結(jié)合深度學(xué)習(xí)在特征提取和處理大數(shù)據(jù)等優(yōu)勢,研究一種基于深度神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。該方法直接從原始數(shù)據(jù)中提取出有用特征,所提取的特征作為BP神經(jīng)網(wǎng)絡(luò)(BPNN)的輸入識(shí)別滾動(dòng)軸承的故障類別。通過對(duì)滾動(dòng)軸承正常狀態(tài),內(nèi)圈故障,外圈故障和滾珠故障四種狀態(tài)以及各個(gè)狀態(tài)的不同故障嚴(yán)重程度的分析, 實(shí)驗(yàn)結(jié)果表明所研究的的方法不僅僅能夠從原始信號(hào)中挖掘出有用的故障特征,還可以診斷出故障的嚴(yán)重程度,和BPNN相比具有更高的診斷準(zhǔn)確率。
深度學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò);滾動(dòng)軸承;智能故障診斷
滾動(dòng)軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用極為廣泛,是傳遞力矩及動(dòng)力的重要零部件,但因其工作環(huán)境惡劣,也是最容易損壞的零部件之一[1]。因此,對(duì)軸承進(jìn)行狀態(tài)監(jiān)測與故障診斷具有重要實(shí)踐意義。
為了全面的檢測滾動(dòng)軸承的健康狀況,用狀態(tài)監(jiān)測系統(tǒng)采集實(shí)時(shí)數(shù)據(jù),在機(jī)器長時(shí)間的運(yùn)轉(zhuǎn)中獲取大量的數(shù)據(jù)[2]。數(shù)據(jù)獲取通常比專家診斷分析要快[3],所以迫切的需要故障診斷方法分析大量的數(shù)據(jù)以及自動(dòng)的提供準(zhǔn)確的診斷結(jié)果。這種方法也叫智能故障診斷方法,比如ANN,支持向量機(jī)(SVM)等用來區(qū)分機(jī)械健康狀況[4-5]。基于智能診斷方法建立可靠的健康監(jiān)測系統(tǒng)是保證這些裝備安全運(yùn)行的必需舉措[6]。文獻(xiàn)[7]提出一種基于自適應(yīng)噪聲的完備經(jīng)驗(yàn)?zāi)B(tài)分解與IMF樣本熵結(jié)合的滾動(dòng)軸承故障特征提取方法。文獻(xiàn)[8]針對(duì)傳統(tǒng)解調(diào)分析難以提取軸承故障信息的這一特征,提出了一種變分模態(tài)分解與最大相關(guān)峭度解卷積相結(jié)合的滾動(dòng)軸承故障診斷方法。這些方法都是人工提取特征,取決于信號(hào)處理技術(shù)和診斷專家的先驗(yàn)知識(shí)。
自從《SCIENCE》的深度學(xué)習(xí)出現(xiàn),就吸引了學(xué)術(shù)界與工業(yè)界的研究者們的注意[9]。深度學(xué)習(xí)有潛力克服當(dāng)前智能診斷方法的缺陷:深度神經(jīng)網(wǎng)絡(luò)(DNN)能夠自動(dòng)的從原始數(shù)據(jù)中經(jīng)過多次非線性轉(zhuǎn)化提取特征,無需人工提取特征。本文通過深度學(xué)習(xí)的訓(xùn)練,研究了一種基于DNN方法的滾動(dòng)軸承故障診斷方法。DNN首先經(jīng)過無監(jiān)督學(xué)習(xí)進(jìn)行預(yù)訓(xùn)練,從不同故障問題采取的信號(hào)中自動(dòng)的挖掘故障特征,然后通過監(jiān)督算法進(jìn)行微調(diào),建立不同機(jī)械健康狀況和相應(yīng)原始信號(hào)之間非線性的映射關(guān)系。
DNN包含多隱層的深度結(jié)構(gòu),每一層從前一層進(jìn)行非線性轉(zhuǎn)變得到下一層,通過以下兩個(gè)過程進(jìn)行訓(xùn)練:①DNN的預(yù)訓(xùn)練經(jīng)過逐層無監(jiān)督方法,用自動(dòng)編碼器進(jìn)行訓(xùn)練;②微調(diào)DNN用BP反向傳播算法進(jìn)行分類。
自動(dòng)編碼器是一種三層[10]的無監(jiān)督神經(jīng)網(wǎng)絡(luò),包含編碼器和解碼器兩個(gè)部分,如圖1所示。
圖1 自動(dòng)編碼器
hm=fθ(xm)=sf(ωxm+b)
(1)
解碼器定義了重構(gòu)函數(shù)用gθ′表示,重構(gòu)函數(shù)為:
(2)
(3)
DNN的輸入層和第一隱層作為第一個(gè)自動(dòng)編碼器的編碼器,在第一層自動(dòng)編碼器經(jīng)過訓(xùn)練后通過公式(3)重構(gòu)誤差,編碼網(wǎng)絡(luò)的訓(xùn)練參數(shù)集被用來初始化DNN的第一隱含層。依此類推,直到第N層的自動(dòng)編碼器被訓(xùn)練初始化DNN的最后一層隱層。在DNN被預(yù)訓(xùn)練后,為了接近目標(biāo)函數(shù),用BP算法微調(diào)DNN參數(shù)縮小從原始數(shù)據(jù)計(jì)算的輸出與健康狀況標(biāo)簽的誤差[11]。
基于DNN,研究了智能診斷方法可以自動(dòng)的從原始旋轉(zhuǎn)機(jī)械信號(hào)中挖掘故障特征并用這些特征自動(dòng)的分類機(jī)械的健康狀況,如圖2所示。
圖2 DNN訓(xùn)練的流程圖
所研究的方法包含以下四個(gè)步驟:
圖3 預(yù)訓(xùn)練過程
(3)通過機(jī)械健康狀況的數(shù)目y決定輸出層的維數(shù),從xi得到DNN的輸出計(jì)算過程如下:
(4)
θN+1是輸出層的參數(shù)集,用BP算法微調(diào)DNN參數(shù)。假設(shè)xi的輸出目標(biāo)是di,誤差公式為:
(5)
θ={θ1,θ2,…θN+1},參數(shù)集θ更新公式如下:
(6)
式中,η是微調(diào)過程的學(xué)習(xí)速率,為了確保更新過程收斂[12]。
(4)將測試集輸入到已訓(xùn)練好的DNN模型中,并記錄每個(gè)隱含層的輸出向量進(jìn)行故障診斷。
軸承數(shù)據(jù)用西儲(chǔ)大學(xué)[13]所提供的,數(shù)據(jù)包含了采樣頻率為12kHz的四種不同的負(fù)載下的數(shù)據(jù):正常狀況、內(nèi)圈故障、外圈故障、滾珠故障。電動(dòng)機(jī)驅(qū)動(dòng)端故障的參數(shù)分別為0.18mm、0.36mm 和0.54mm。數(shù)據(jù)集的詳細(xì)描述如表1所示。
表1 數(shù)據(jù)集詳細(xì)描述
數(shù)據(jù)集包含1、2、3負(fù)荷下10種軸承的健康狀況。每種健康狀況下有100組信號(hào),每組信號(hào)有1200個(gè)數(shù)據(jù)點(diǎn)。因此每個(gè)數(shù)據(jù)集1~3分別包含1000個(gè)樣本,每個(gè)樣本有1200個(gè)數(shù)據(jù)點(diǎn)。數(shù)據(jù)集A為1負(fù)荷下10種健康狀況的1000個(gè)樣本。數(shù)據(jù)集B包含1、2、3三種負(fù)荷下10種軸承健康狀況,每個(gè)狀況有300個(gè)樣本(不同負(fù)荷下相同健康狀況被視為一類)。因此數(shù)據(jù)集B包含3000個(gè)樣本。
輸入層是由每組信號(hào)的1200個(gè)數(shù)據(jù)點(diǎn)組成,隱層層數(shù)是棧式自動(dòng)編碼器模型的重要參數(shù),經(jīng)過多次試驗(yàn)不同隱層節(jié)點(diǎn)數(shù)和隱層層數(shù)比較如表2所示,當(dāng)隱層個(gè)數(shù)為4時(shí),重構(gòu)誤差已接近于0,當(dāng)隱層個(gè)數(shù)是輸入層一半時(shí),重構(gòu)誤差最小。因此每個(gè)隱層都取輸入層的一半。
表2 不同隱層參數(shù)比較
根據(jù)表3所選取的參數(shù),隨機(jī)選取800個(gè)樣本進(jìn)行預(yù)訓(xùn)練DNN,這些樣本也用來微調(diào)整個(gè)網(wǎng)絡(luò)的參數(shù),其他200個(gè)樣本用來測試,每個(gè)數(shù)據(jù)集診斷試驗(yàn)做20次。數(shù)據(jù)集A用所提出的的方法得到診斷結(jié)果如圖4a所示。為了對(duì)比,我們也用通常使用在旋轉(zhuǎn)機(jī)械的智能診斷方法BPNN進(jìn)行處理數(shù)據(jù)集,BPNN和DNN具有相同的結(jié)構(gòu)也用相同的參數(shù)進(jìn)行訓(xùn)練,在兩個(gè)試驗(yàn)中,標(biāo)注相同的數(shù)據(jù)集分別用來訓(xùn)練DNN和BPNN。用所研究的方法呈現(xiàn)的訓(xùn)練和測試的平均準(zhǔn)確率從95%~100%,標(biāo)準(zhǔn)誤差在4.7%。意味著所使用的方法不僅僅識(shí)別故障類型也能識(shí)別故障的嚴(yán)重程度。可以看到BPNN診斷的準(zhǔn)確率與DNN差別很大,大多數(shù)準(zhǔn)確率在70%左右。為了定量的比較所提出的方法與BPNN的結(jié)果,計(jì)算了每個(gè)數(shù)據(jù)集20次試驗(yàn)的平均準(zhǔn)確率和誤差,如表4所示。用BPNN方法的準(zhǔn)確率較低和平均誤差更大,表明了所研究的方法比BPNN的優(yōu)越性。
表3 各個(gè)參數(shù)設(shè)置
圖4 2個(gè)數(shù)據(jù)集對(duì)比
數(shù)據(jù)集DNN方法(準(zhǔn)確率±誤差)BPNN方法(準(zhǔn)確率±誤差)訓(xùn)練集準(zhǔn)確率(%)測試集準(zhǔn)確率(%)訓(xùn)練集準(zhǔn)確率(%)測試集準(zhǔn)確率(%)數(shù)據(jù)集A97.8±2.295.825±4.17565.55±34.4565.45±34.55數(shù)據(jù)集B95.626±4.3794.832±5.1773.15±26.8572.95±27.05
數(shù)據(jù)集B包含不同負(fù)荷下10種軸承健康狀況的大量樣本,診斷準(zhǔn)確率如圖4b所示表明了所研究的方法能夠在不受負(fù)荷影響下診斷出軸承的故障。在這些試驗(yàn)中,DNN訓(xùn)練集與測試集的診斷準(zhǔn)確率超過92%,甚至有些達(dá)到100%。圖4a中數(shù)據(jù)集A的第18次試驗(yàn)和圖4b中數(shù)據(jù)集B第8次試驗(yàn)用的兩種方法效果一樣,是由于隨機(jī)初始化參數(shù)的緣故。數(shù)據(jù)集A的第12次試驗(yàn)和數(shù)據(jù)集B的第6次試驗(yàn),用BPNN方法的兩次試驗(yàn)結(jié)果都極其不好,測試的準(zhǔn)確率為10%左右,在兩次實(shí)驗(yàn)中,訓(xùn)練的網(wǎng)絡(luò)在故障診斷中沒有學(xué)到有用的信息,這兩次試驗(yàn)的訓(xùn)練錯(cuò)誤率如圖5a和圖5b所示,BPNN訓(xùn)練在錯(cuò)誤率為0.6左右收斂,由于BPNN算法在迭代更新時(shí)產(chǎn)生梯度消失陷入了局部最優(yōu),導(dǎo)致不好的診斷準(zhǔn)確率。所研究的方法可以自適應(yīng)的從原始數(shù)據(jù)中提取出故障的特征,更具有魯棒性,有效的克服了BPNN算法的缺陷,有助于更好的實(shí)現(xiàn)軸承的故障診斷。
圖5 2個(gè)數(shù)據(jù)集的錯(cuò)誤率圖
本文研究了將深度神經(jīng)網(wǎng)絡(luò)的一個(gè)模型應(yīng)用到旋轉(zhuǎn)機(jī)械滾動(dòng)軸承的故障診斷中。通過實(shí)驗(yàn)證明了方法的有效性,結(jié)果表明:
(1)所研究的方法能夠自適應(yīng)的提取故障特征,擺脫了對(duì)專家診斷經(jīng)驗(yàn)和復(fù)雜信號(hào)處理的依賴,成功的挖掘出所采集信號(hào)的原始數(shù)據(jù)特征和識(shí)別不同負(fù)荷下的故障。
(2)該模型與BPNN相比,深度神經(jīng)網(wǎng)絡(luò)有效克服了淺層BPNN的局部極值造成早期收斂問題,不僅僅可以診斷出故障,也可以診斷出故障的嚴(yán)重程度,顯著的提升了故障識(shí)別效果和泛化能力。
(3)深度神經(jīng)網(wǎng)絡(luò)算法不受限于信號(hào)的周期性,增強(qiáng)了故障診斷方法的通用性。然而,參數(shù)的優(yōu)化仍然是一個(gè)關(guān)鍵問題,將來的工作會(huì)在所建立模型進(jìn)行優(yōu)化參數(shù)。
[1] Sun H, He Z, Zi Y, et al. Multiwavelet transform and its applications in mechanical fault diagnosis-A review[J]. Mechanical Systems & Signal Processing, 2014, 43(1-2):1-24.
[2] C Q Shen, D Wang, F R Kong, et al. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and ageneric support vector regressive classifier[J]. Measurement,2013,46(4):1551-1564.
[3] 雷亞國,賈峰,周昕,等. 基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 機(jī)械工程學(xué)報(bào),2015,51(21):49-56.
[4] Gautam C, Ravi V. Counter propagation auto-associative neural network based data imputation[J]. Information Sciences, 2015, 325(C):288-299.
[5] Jegadeeshwaran R,V Sugumaran. Fault diagnosis of automobile hydraulic brake system using statistical features and support vector machines[J]. Mechanical Systems & Signal Processings,2015,52-53(1):436-446.
[6] 雷亞國,何正嘉.混合智能故障診斷與預(yù)示技術(shù)的應(yīng)用進(jìn)展[J].振動(dòng)與沖擊,2011,30(9):129-135.
[7] 謝志謙,孫虎兒,劉樂,等. 基于CEEMDAN樣本熵與SVM的滾動(dòng)軸承故障診斷[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2017(3):96-100 .
[8] 王建國,陳帥,張超. VMD與MCKD在軸承故障診斷中的應(yīng)用與研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2017(5): 69-72,76.
[9] G E Hinton, R R Salakhutdinov.Reducing the dimensionality of data with neural networks[J].Science,2006,313:504-507.
[10] G E Hinton, R S Zemel.Autoencoders, minimum description length, and Helmholtz free energy[J].Adv. Neural Inf. Process. Syst.,1994,6:3-10.
[11] R B Palm.Prediction as a candidate for learning deep hierarchical models of data[D].Technical University of Denmark, Palm, 2012.
[12] Y S Wang, G Q Shen, Y F Xing.A sound quality model for objective synthesis evaluation of vehicle interior noise based on artificial neural network,Mech. Syst[J].Signal Process,2014,45:255-266.
[13] X S Lou, K A Loparo.Bearing fault diagnosis based on wavelet transform and fuzzy inference[J].Mech. Syst. Signal Process, 2004,18:1077-1095.
RollingBearingFaultDiagnosisBasedontheDeepNeuralNetworks
WEI Jie-jiea,YANG Xi-wanga,HUANG Jin-yingb, YIN Xue-huib,WEI Xiao-jieb
(a. School of Computer and Control Engineering;b.School of Mechanical and Dynamic Engineering,North University of China, Taiyuan 030051,China)
Shallow neural network method which rely on expert experience and signal processing technology for artificial extraction the characteristics of big rolling bearing data is becoming more and more difficult,what’s more, shallow structure limits that the neural network learn the function of the complex nonlinear relationship. Based on the advantages of feature extraction and big data processing, a new method of rolling bearing fault diagnosis based on deep neural network is studied.The method directly extract the useful characteristics from the original data, the extracted features can be as the BP neural network input to identify rolling bearing fault categories.Through the analysis of the four kinds of state of the normal state , the inner race failure, the outer race fault and the ball failure, and the severity of the different faults of the rolling bearings in each state, experimental results show that the research of the method not only can dig out useful fault feature from original signal, also can diagnose the fault severity, compared with BPNN has higher diagnostic accuracy.
deep learning;deep neural network;rolling bearing fault;intelligent fault diagnosis
1001-2265(2017)11-0088-04
10.13462/j.cnki.mmtamt.2017.11.023
2017-07-04;
2017-07-30
衛(wèi)潔潔(1993—),女,山西運(yùn)城人,中北大學(xué)碩士研究生,研究方向?yàn)樯疃葘W(xué)習(xí)與機(jī)械故障診斷,(E-mail)913623895@qq.com。
TH133.3;TP183
A
(編輯李秀敏)
找檢測儀器,請(qǐng)上
QC檢測儀器網(wǎng)
WWW.QCtester.com
微信號(hào):qctest