丁頔　南國防

摘要：針對目前旋轉(zhuǎn)機(jī)械故障診斷存在運(yùn)算時(shí)間長、精度不高等問題，將CNN的特征提取能力和RNN時(shí)序處理能力相結(jié)合，提出了CNN＼|RNN融合分析法.該方法使用一維CNN網(wǎng)絡(luò)提取特征數(shù)據(jù)，剔除受環(huán)境噪音等因素影響的無效信息且依然具有時(shí)序性，再由處理時(shí)序數(shù)據(jù)精度較高的RNN對該特征數(shù)據(jù)進(jìn)行計(jì)算處理進(jìn)而對旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷.在測試集上的驗(yàn)證實(shí)驗(yàn)結(jié)果表明，該方法不需要手動(dòng)提取特征數(shù)據(jù)，運(yùn)算時(shí)間大約減少1/2，故障診斷精度提高約2%，具有可行性.

Abstract：Aimingattheproblemsofcurrentfaultdiagnosisofrotatingmachinerywithlongcalculationtimeandlowaccuracy，aCNN＼|RNNfusionanalysismethodwasproposedbycombiningthefeatureextractioncapabilityofCNNandtheprocessingcapabilityofRNNtiming.Aone＼|dimensionalCNNnetworkwasusedtoextractfeaturedata，whichremovedinvalidinformationaffectedbyenvironmentalnoiseandotherfactorsandstillhadtimeliness.Then，theRNNwithhighaccuracyofprocessingtime＼|seriesdatacalculatedthefeaturedataandthenappliedtothefaultdiagnosisofrotatingmachinery.Theexperimentalresultsonthetestsetshowedthatthemethoddidnotrequiremanualextractionoffeaturedata，thecomputingtimewasreducedbyabout1/2，andtheaccuracyoffaultdiagnosiswasincreasedbyabout2%.Thismethodhadfeasibility.

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);遞歸神經(jīng)網(wǎng)絡(luò);故障診斷;旋轉(zhuǎn)機(jī)械

Keywords：convolutionalneuralnetwork（CNN）;recurrentneuralnetwork（RNN）;faultdiagnosis;rotatingmachinery

0引言

隨著現(xiàn)代科技的發(fā)展，機(jī)械、機(jī)電設(shè)備的集成度越來越高且越來越復(fù)雜.當(dāng)設(shè)備發(fā)生故障的時(shí)候，集成化程度越高、精密度越高的設(shè)備，通過拆卸來判斷故障的發(fā)生位置就越困難.傳統(tǒng)的故障診斷方法需要建立設(shè)備模型，使用小波分析等方法，從業(yè)人員還需要有豐富的行業(yè)經(jīng)驗(yàn)和實(shí)踐經(jīng)歷，要求較高.

2006年深度學(xué)習(xí)理論被提出后，業(yè)界開始將深度學(xué)習(xí)法用于故障診斷[1-2].目前，主流的深度學(xué)習(xí)網(wǎng)絡(luò)模型有卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）模型兩種.H.Yu等[3]利用深度卷積模型對原始信號(hào)進(jìn)行處理，并使用適應(yīng)性方法進(jìn)行模型訓(xùn)練，在測試集上的準(zhǔn)確率為92.4%.莊雨璇等[4]使用e2e＼|LSTM準(zhǔn)確地識(shí)別了不同負(fù)載情況下的軸承故障類型和故障尺寸，準(zhǔn)確率達(dá)到98.55%.張青青[5]使用改進(jìn)的AlexNet對滾動(dòng)軸承變工況故障進(jìn)行診斷，準(zhǔn)確率達(dá)到了90.75%.A.Rai等[6-7]手動(dòng)提取時(shí)域、頻域信號(hào)，使用CNN進(jìn)行故障識(shí)別，準(zhǔn)確率可達(dá)93.5%.M.Jouin等[8-9]采用改進(jìn)的RNN對原始數(shù)據(jù)進(jìn)行訓(xùn)練，可進(jìn)一步提高故障診斷的準(zhǔn)確率.

上述研究都只是單獨(dú)使用CNN或者RNN進(jìn)行訓(xùn)練，不適用于旋轉(zhuǎn)機(jī)械的故障診斷.旋轉(zhuǎn)機(jī)械的故障數(shù)據(jù)具有明顯的時(shí)態(tài)性，CNN在處理該類型數(shù)據(jù)時(shí)，效率和精度都沒有RNN高.而RNN沒有特征提取能力，一般采用提取時(shí)域、頻域信號(hào)或者PCM方法作為預(yù)處理的一部分，而這兩種預(yù)處理方法均沒有CNN的提取效率高，并且在多工況狀態(tài)下還需要手動(dòng)調(diào)整相關(guān)參數(shù).鑒于此，本文擬將CNN與RNN相融合，先使用CNN高效提取特征數(shù)據(jù)集，再利用RNN模型對提取之后的特征數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而對軸承等旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷，以期達(dá)到減少人工提取時(shí)間，提高故障診斷效率和精度的目的.

1CNN＼|RNN融合法

1.1CNN＼|RNN融合法的思路

在針對軸承等旋轉(zhuǎn)機(jī)械的故障診斷中，對輸入信號(hào)數(shù)據(jù)集進(jìn)行處理以提取其中的有效部分是重要而又繁瑣的環(huán)節(jié)[8].這個(gè)環(huán)節(jié)需要工程師擁有多年的相關(guān)經(jīng)驗(yàn)才能處理好，否則可能導(dǎo)致數(shù)據(jù)獲取失敗，無法正確進(jìn)行故障診斷.而CNN能夠自動(dòng)提取數(shù)據(jù)集的特征，并進(jìn)行處理[10-14].傳統(tǒng)處理過程與CNN處理過程的比較如圖1所示.

雖然RNN需要手動(dòng)提取時(shí)域、頻域等特征信息，但是可以使用上一次計(jì)算的隱含層來進(jìn)行計(jì)算，從而提高權(quán)重計(jì)算的準(zhǔn)確性，適用于序列性比較強(qiáng)的數(shù)據(jù)，比如從0到1的故障診斷數(shù)據(jù).RNN單層計(jì)算流程如圖2所示.圖2中向量x是經(jīng)過特征提取后輸入的時(shí)域、頻域數(shù)據(jù);s表示隱藏層的值，其不僅受當(dāng)前輸入數(shù)據(jù)的影響，也受上次計(jì)算的隱藏層值的影響;權(quán)重矩陣W是隱藏層上一次的值，可作為這一次輸入的權(quán)重;U是輸入層到隱藏層的權(quán)重矩陣，與此相對應(yīng)的是V，它代表隱藏層到輸入層的權(quán)重矩陣;O表示輸入的時(shí)域、頻域數(shù)據(jù)經(jīng)過和上一次隱藏層數(shù)據(jù)聯(lián)合計(jì)算后的輸出數(shù)據(jù).

CNN適用于分層數(shù)據(jù)，能夠自動(dòng)提取數(shù)據(jù)特征;RNN適用于時(shí)態(tài)數(shù)據(jù)和其他類型的序列數(shù)據(jù)，計(jì)算耗時(shí)一般較CNN少.對于軸承故障診斷來說，相比于RNN，CNN能夠提取時(shí)域、頻域等特征，但是CNN無法將數(shù)據(jù)序列看成是一連串的具有時(shí)序的數(shù)據(jù).軸承故障數(shù)據(jù)表明了軸承從正常工作到出現(xiàn)故障是一個(gè)漸進(jìn)、連續(xù)的過程，CNN在計(jì)算過程中無法體現(xiàn)出這些時(shí)序的特征[15-16]，而RNN可以，所以本文將CNN與RNN進(jìn)行融合，先使用CNN進(jìn)行特征提取的預(yù)處理，處理之后的數(shù)據(jù)交給RNN進(jìn)行訓(xùn)練.

2驗(yàn)證實(shí)驗(yàn)

2.1數(shù)據(jù)來源

本次研究數(shù)據(jù)均來自美國西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心.實(shí)驗(yàn)平臺(tái)由電機(jī)、轉(zhuǎn)矩傳感器、功率計(jì)和電子控制設(shè)備構(gòu)成.軸承故障是使用電火花制造的，為了對這個(gè)影響進(jìn)行定量研究，實(shí)驗(yàn)中分別在單點(diǎn)驅(qū)動(dòng)端和風(fēng)扇端的軸承外圈3點(diǎn)鐘（直接位于受載區(qū)）、6點(diǎn)鐘（正交于受載區(qū)）、12點(diǎn)鐘方向布置故障.分別采集正常軸承、單點(diǎn)驅(qū)動(dòng)端和風(fēng)扇端故障數(shù)據(jù)用于故障診斷分析[22].

2.2樣本設(shè)置

本次實(shí)驗(yàn)數(shù)據(jù)為深溝球軸承的12K驅(qū)動(dòng)端故障數(shù)據(jù)，其提取范圍如下：故障深度為0.1778mm;故障位置分別為軸承外圈3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘方向;電機(jī)載荷分別為0.7kW，1.4kW，2.1kW，2.8kW.軸承轉(zhuǎn)一圈采樣400個(gè)點(diǎn)，從每一個(gè)故障時(shí)間序列數(shù)據(jù)選擇120000個(gè)采樣點(diǎn).將400個(gè)采樣點(diǎn)作為1個(gè)樣本，所以一個(gè)故障時(shí)間序列有300個(gè)樣本.每種故障位置取1000個(gè)故障序列，總共3×105個(gè)樣本.驗(yàn)證數(shù)據(jù)為1×105個(gè)樣本.

2.3結(jié)果與分析

為驗(yàn)證本文方法在訓(xùn)練精度和時(shí)間上的優(yōu)勢，將軸承故障數(shù)據(jù)分別輸入使用CNN處理和CNN＼|RNN融合法處理的網(wǎng)絡(luò)中進(jìn)行計(jì)算，結(jié)果如圖4—圖8所示.

由圖4和圖5可知，在僅使用CNN的情況下，經(jīng)過10次訓(xùn)練，驗(yàn)證損失率降低到15.1%，驗(yàn)證精度達(dá)92.8%.由圖6和圖7可知，在使用CNN做特征提取、RNN做迭代計(jì)算的情況下，經(jīng)過10次訓(xùn)練，驗(yàn)證損失率降至9.13%，驗(yàn)證精度達(dá)98.18%.

由圖8可知，在負(fù)載分別為0.7kW，1.4kW，2.1kW，2.8kW時(shí)，CNN運(yùn)算時(shí)間基本均為本文方法的2倍，由此證明了使用CNN＼|RNN融合法能夠大幅度減少計(jì)算所需時(shí)間.

為驗(yàn)證本文方法針對軸承不同位置的故障均具有良好的泛化性，將軸承外圈3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘位置的故障數(shù)據(jù)和軸承內(nèi)圈的故障數(shù)據(jù)分別使用CNN，RNN與本文方法進(jìn)行訓(xùn)練驗(yàn)證.CNN，RNN與本文方法測試集精度的對比結(jié)果如圖9所示.

由圖9可知，在軸承外圈3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘位置和軸承內(nèi)圈出現(xiàn)電火花故障的測試集下，CNN＼|RNN融合法的精度比單獨(dú)使用CNN或者RNN提高約2%，證明該方法在故障診斷實(shí)踐中具有可行性.

3結(jié)語

本文將CNN的特征提取能力與RNN的時(shí)序處理能力相結(jié)合，提出了CNN＼|RNN融合法，并將其應(yīng)用于軸承類旋轉(zhuǎn)機(jī)械的故障診斷.該方法先使用CNN進(jìn)行數(shù)據(jù)處理，提取相應(yīng)特征并過濾無效信息，處理后的數(shù)據(jù)再經(jīng)RNN網(wǎng)絡(luò)進(jìn)行計(jì)算.在測試集上的驗(yàn)證實(shí)驗(yàn)表明，將CNN與RNN結(jié)合之后，減少了大約1/2的計(jì)算時(shí)間，故障診斷精度提高約2%，該方法在實(shí)踐中是可行的.因?yàn)閷?shí)驗(yàn)設(shè)備限制，本文未對現(xiàn)實(shí)中機(jī)械故障發(fā)生的時(shí)序性進(jìn)行研究.下一步將對振動(dòng)故障從0到1的時(shí)序數(shù)據(jù)進(jìn)行研究，以實(shí)現(xiàn)根據(jù)當(dāng)前數(shù)據(jù)預(yù)測可能發(fā)生故障的概率，從而及時(shí)采取措施，避免安全事故的發(fā)生.

參考文獻(xiàn)：

[1]陳長征，張省，虞和濟(jì).基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷研究[J].機(jī)械強(qiáng)度，2000，22（2）：104.

[2]任浩，屈劍鋒，柴毅，等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345.

[3]YUH，HATZIVASSILOGLOUV.Towardsansweringopinionquestions：Separatingfactsfromopinionsandidentifyingthepolarityofopinionsentences[C]∥ProceedingsofConferenceonEmpiricalMethodsinNaturalLanguageProcessing.Sapporo：ACL，2003：129.

[4]莊雨璇，李奇，楊冰如，等.基于LSTM的軸承故障診斷端到端方法[J].噪聲與振動(dòng)控制，2019，39（6）：187.

[5]張青青.基于改進(jìn)AlexNet的滾動(dòng)軸承變工況故障診斷研究[D].蘭州：蘭州理工大學(xué)，2019.

[6]RAIA，UPADHYAYSH.Areviewonsignalprocessingtechniquesutilizedinthefaultdiagnosisofrollingelementbearings[J].TribologyInternational，2016，96：289.

[7]WANGL，WANGZG，LIUS.Aneffectivesmultivariatetimeseriesclassificationapproachusingechostatenetworkandadaptivedifferentialevolutionalgorithm[J].ExpertSystemswithApplications，2016，43：237.

[8]JOUINM，GOURIVEAUR，HISSELD，etal.Particlefilter＼|basedprognostics：Review，discussionandperspectives[J].MechanicalSystemsandSignalProcessing，2015，72/73：194.

[9]趙光權(quán)，葛強(qiáng)強(qiáng)，劉小勇，等.基于DBN的故障特征提取及診斷方法研究[J].儀器儀表學(xué)報(bào)，2016，37（9）：1946.

[10]李巍華，單外平，曾雪瓊.基于深度信念網(wǎng)絡(luò)的軸承故障分類識(shí)別[J].振動(dòng)工程學(xué)報(bào)，2016，29（2）：340.

[11]劉輝海，趙星宇，趙洪山，等.基于深度自編碼網(wǎng)絡(luò)模型的風(fēng)電機(jī)組齒輪箱故障檢測[J].電工技術(shù)學(xué)報(bào)，2017，32（17）：156.

[12]時(shí)培明，梁凱，趙娜，等.基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識(shí)別的齒輪智能故障診斷[J].中國機(jī)械工程，2017，28（9）：1056.

[13]李巍華，單外平，曾雪瓊.基于深度信念網(wǎng)絡(luò)的軸承故障分類識(shí)別[J].振動(dòng)工程學(xué)報(bào)，2016，29（2）：340.

[14]侯文擎，葉鳴，李巍華.基于改進(jìn)堆疊降噪自編碼的滾動(dòng)軸承故障分類[J].機(jī)械工程學(xué)報(bào)，2018，54（7）：87.

[15]HEK，ZHANGX，RENS，etal.Delvingdeepintorectifiers：Surpassinghuman＼|levelperformanceonimagenetclassification[C]∥2015IEEEInternationalConferenceonComputerVision（ICCV）.Piscataway：IEEEConferencePublications，2015：14.

[16]張倩.基于共振解調(diào)原理和轉(zhuǎn)速階比譜分析的滾動(dòng)軸承故障診斷方法研究[D].杭州：浙江大學(xué)，2012：37.

[17]EL＼|THALJII，JANTUNENE.Asummaryoffaultmodellingandpredictivehealthmonitoringofrollingelementbearings[J].MechanicalSystemsandSignalProcessing，2015，60/61：252.

[18]VINYALSO，TOSHEVA，BENGIOS，etal.Showandtell：Aneuralimagecaptiongenerator[C]∥Proceedingsofthe2015IEEEConferenceonComputerVisionandPatternRecognition.Piscataway：IEEEConferencePublications，2015：47.

[19]石鑫，朱永利.深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].電力建設(shè)，2015，36（12）：116.

[20]吳國文，肖翱.基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的齒輪箱故障識(shí)別研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016（12）：162.

[21]侯榮濤，周子賢，趙曉平，等.基于堆疊稀疏自編碼的滾動(dòng)軸承故障診斷[J].軸承，2018（3）：49.

[22]張西寧，向宙，唐春華.一種深度卷積自編碼網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào)，2018，52（7）：6.