沈 濤，李舜酩，辛 玉

(南京航空航天大學(xué) 能源與動(dòng)力學(xué)院,南京 210016)

0 引言

隨著當(dāng)代旋轉(zhuǎn)機(jī)械設(shè)備的高速，重載以及自動(dòng)化程度要求不斷提高，當(dāng)設(shè)備發(fā)生故障時(shí)，極易造成極大的經(jīng)濟(jì)損失，甚至導(dǎo)致重大事故的發(fā)生，因此對(duì)故障診斷方法的速度，效率和精確性等都有著越來越高的要求。

目前的故障診斷技術(shù)是利用檢測(cè)到的信息特征來判斷系統(tǒng)的工作狀態(tài)。一般將故障診斷方法分為以下幾種:基于模型的方法、基于信號(hào)的方法、基于知識(shí)的方法和組合式的方法[1]。其中傳統(tǒng)的信號(hào)處理和模型識(shí)別的方法，依托于專家經(jīng)驗(yàn)的診斷方法，難以檢測(cè)出結(jié)構(gòu)復(fù)雜的旋轉(zhuǎn)機(jī)械故障?；谀Ｐ偷姆椒ㄔ诠收显\斷方面有了一定的改進(jìn)和成果，在一定程度上彌補(bǔ)了人工數(shù)據(jù)統(tǒng)計(jì)的不足，但由于旋轉(zhuǎn)機(jī)械的特征提取困難，數(shù)學(xué)模型復(fù)雜，在故障診斷中仍有一定的局限性，已經(jīng)不能適應(yīng)智能制造的趨勢(shì)。

鑒于深度學(xué)習(xí)技術(shù)強(qiáng)大的數(shù)據(jù)表示學(xué)習(xí)和分析能力，基于深度學(xué)習(xí)的故障診斷方法引起了各行各業(yè)的廣泛關(guān)注[2]。通過多層非線性網(wǎng)絡(luò)訓(xùn)練，可以學(xué)習(xí)樣本的潛在特征，提高分類或預(yù)測(cè)能力。因此深度學(xué)習(xí)被認(rèn)為是機(jī)械設(shè)備大數(shù)據(jù)處理和故障診斷的有力工具，不僅為旋轉(zhuǎn)機(jī)械的故障診斷提供了一條新的方法與思路，而且提高了設(shè)備的安全性和可靠性，降低設(shè)備的維護(hù)成本[3]。本文將系統(tǒng)的介紹典型的深度學(xué)習(xí)模型，以及它們?cè)谛D(zhuǎn)機(jī)械故障診斷中的應(yīng)用，最后做出總結(jié)與展望。

1 國(guó)內(nèi)外研究現(xiàn)狀

2006年Hinton等人首次在Science[4]中提出了深度學(xué)習(xí)理論，引發(fā)了不同領(lǐng)域的研究浪潮。近年來，不僅是國(guó)外對(duì)深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械故障診斷中應(yīng)用有所建樹，國(guó)內(nèi)也越來越重視機(jī)械的智能故障診斷的發(fā)展?！笆濉笨茖W(xué)和技術(shù)發(fā)展規(guī)劃也將重大工程健康狀態(tài)的檢測(cè)、監(jiān)測(cè)以及診斷和處置列為重大科學(xué)問題。

現(xiàn)階段在面對(duì)旋轉(zhuǎn)機(jī)械的不同故障類型時(shí)，深度學(xué)習(xí)故障診斷方法不僅能夠克服了傳統(tǒng)振動(dòng)分析的不足，還能做到自適應(yīng)提取隱藏且復(fù)雜多變的故障信息，避免了人為干預(yù)所帶來的不確定性和復(fù)雜性，增強(qiáng)了識(shí)別過程的智能性[5]。而在應(yīng)用方面的研究，診斷對(duì)象小到簡(jiǎn)單的電動(dòng)機(jī)，大到復(fù)雜的航空發(fā)動(dòng)機(jī)。其本質(zhì)上是對(duì)旋轉(zhuǎn)機(jī)械中的轉(zhuǎn)子系統(tǒng)、齒輪箱和軸承等結(jié)構(gòu)的診斷來判斷工作狀況。

基于深度學(xué)習(xí)的故障診斷技術(shù)雖然極大促進(jìn)了故障診斷領(lǐng)域的發(fā)展，但為了進(jìn)一步提高旋轉(zhuǎn)機(jī)械的安全穩(wěn)定運(yùn)行，仍面臨著各種挑戰(zhàn)，需要更多更深入的研究。

2 典型深度模型介紹

2.1 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)(DBN) 是由Hinton[6]提出的一種概率生成模型。DBN應(yīng)用于非監(jiān)督學(xué)習(xí)中可對(duì)待處理的信號(hào)進(jìn)行降維，從而提取特征；應(yīng)用于監(jiān)督學(xué)習(xí)中可作為分類器。DBN由若干個(gè)受限玻爾茲曼機(jī)(RBM)和Softmax回歸層組成如圖所示。其中V代表顯層，h代表隱層，W代表權(quán)重。其基本結(jié)構(gòu)如圖1所示。

圖1 DBN基本結(jié)構(gòu)示意圖

深度置信網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的優(yōu)點(diǎn)在于可以適用于一維振動(dòng)信號(hào)數(shù)據(jù)，而且在樣本較少的情況下也能實(shí)現(xiàn)不錯(cuò)的性能。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由LeCun等人[7]提出，是受動(dòng)物視覺皮層細(xì)胞感受機(jī)理啟發(fā)而建立的一種前饋神經(jīng)網(wǎng)絡(luò)[8]，最早是應(yīng)用于大規(guī)模的圖像分類識(shí)別中。其基本的網(wǎng)絡(luò)結(jié)構(gòu)和旋轉(zhuǎn)機(jī)械的故障診斷相結(jié)合如圖2所示。由一個(gè)輸入層，兩組交替出現(xiàn)的卷積層和池化層，以及全連接層組成。

圖2 CNN基本結(jié)構(gòu)示意圖

其中卷積層中每一個(gè)特征圖都對(duì)應(yīng)一個(gè)卷積核，這些卷積核通過一組權(quán)重來卷積前一層的輸入并組成一組特征輸出，成為下一層的輸入[9]。經(jīng)過兩組卷積層和池化層后，會(huì)接一個(gè)全連接層。全連接層后接一個(gè)隱藏層，最后由Softmax回歸層完成分類，可有效的用于故障的診斷與識(shí)別[10]。

CNN設(shè)計(jì)之初就是為了解決大規(guī)模的圖像識(shí)別分類問題，在圖像識(shí)別分類領(lǐng)域的應(yīng)用也最為成功。由于卷積神經(jīng)網(wǎng)絡(luò)的局部連接、權(quán)值共享以及池化操作等形成了具有很強(qiáng)的特征學(xué)習(xí)能力，并且具有很強(qiáng)的魯棒性和容錯(cuò)能力，使模型對(duì)平移、扭曲、縮放具有一定程度的不變性。它還可以用于輸入一維的數(shù)據(jù)用于語音識(shí)別[11]和自然語言的處理[12]。

在最開始的研究中，許多研究人員將CNN的模型引入旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域中時(shí)，采用原始的CNN結(jié)構(gòu)，即構(gòu)造二維的訓(xùn)練網(wǎng)絡(luò)樣本，提取的也是二維數(shù)據(jù)的特征并完成診斷。而旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)是一維信號(hào)，相對(duì)應(yīng)的構(gòu)建一維的卷積神經(jīng)網(wǎng)絡(luò)也成了研究的重點(diǎn)。

對(duì)此，文獻(xiàn)[13]將采用大尺寸卷積核的一維卷積神經(jīng)網(wǎng)絡(luò)與小尺寸卷積核的一維卷積神經(jīng)網(wǎng)絡(luò)以及經(jīng)典二維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，最終的診斷精度結(jié)果以及可視化散點(diǎn)圖顯示帶有大尺寸卷積核的一維卷積核神經(jīng)網(wǎng)絡(luò)模型(1D-CNN)的效果最優(yōu)。文獻(xiàn)[14]提出了基于一維深度卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型，通過和傳統(tǒng)診斷方法對(duì)比，分析了深度卷積模型在診斷精度和診斷魯棒性的表現(xiàn)，證明了該模型的優(yōu)勢(shì)。

2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一類處理序列數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)，在自然語言處理中應(yīng)用較多。由Schmidhuber提出，并經(jīng)過了許多研究人員的改良[15]。與其他神經(jīng)網(wǎng)絡(luò)不同，RNN網(wǎng)絡(luò)在層間的神經(jīng)元也建立連接，簡(jiǎn)單來說其神經(jīng)元的輸出可以在下一個(gè)時(shí)間戳直接作用到自身。

RNN相比經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)多了一個(gè)循環(huán)圈，這個(gè)圈就代表著神經(jīng)元的輸出在下一個(gè)時(shí)間戳還會(huì)返回，來作為輸入的一部分。RNN可以被看作是對(duì)同一神經(jīng)網(wǎng)絡(luò)的多次賦值，第i層神經(jīng)元在t時(shí)刻的輸入，除了(i-1)層神經(jīng)元在該時(shí)刻的輸出外，還包括其自身在(t-1)時(shí)刻的輸出，如果我們按時(shí)間點(diǎn)將RNN展開，結(jié)構(gòu)圖如圖3所示。

圖3 RNN基本結(jié)構(gòu)示意圖

RNN適用于處理序列數(shù)據(jù)以進(jìn)行預(yù)測(cè)，但卻受到短期記憶的影響。所以就有了諸如長(zhǎng)短期記憶(LSTM)和門控循環(huán)單元(GRU)這種使用稱為門的機(jī)制來緩解短期記憶的影響。門結(jié)構(gòu)可以調(diào)節(jié)流經(jīng)序列鏈的信息流。LSTM和GRU正在被用于最先進(jìn)的深度學(xué)習(xí)應(yīng)用，如語音識(shí)別，自然語言理解和故障診斷等。

2.4 自動(dòng)編碼器以及其變體

2.4.1 自編碼器

自編碼器(AE)分為兩個(gè)部分：編碼器和解碼器。它是Rumelhart[16]提出的一個(gè)典型的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層、隱藏層和輸出層。文獻(xiàn)[17]提出自編碼網(wǎng)絡(luò)可看作是傳統(tǒng)的多層感知器的變種，其基本想法是將輸入信號(hào)經(jīng)過多層神經(jīng)網(wǎng)絡(luò)后重構(gòu)原始的輸入，通過非監(jiān)督學(xué)習(xí)的方式分析輸入信號(hào)的潛在結(jié)構(gòu)，將中間層的響應(yīng)作為潛在的特征表示。

其基本結(jié)構(gòu)如圖4所示。

圖4 AE基本結(jié)構(gòu)示意圖

結(jié)構(gòu)中輸入信號(hào)為x，在編碼層先將其線性變化為z，然后再施加非線性變換，公式表達(dá)這一過程為式(1):

a=f(z)=f(wx+b)

(1)

(2)

自動(dòng)編碼機(jī)可以通過級(jí)聯(lián)和逐層訓(xùn)練的方式組成深層的結(jié)構(gòu)，其中只需要將前一層中隱含層的輸出作為當(dāng)前層的輸入。

在自編碼器的框架下，很多研究者通過引入正則約束的方式開發(fā)了很多變種模型。棧式自編碼正是一種由多層自編碼構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型。文獻(xiàn)[18]就提出了一種基于棧式降噪自編碼網(wǎng)絡(luò)的故障診斷方法，采取逐層貪婪編碼的方式進(jìn)行預(yù)訓(xùn)練，實(shí)現(xiàn)高維深層故障特征的自適應(yīng)提取和挖掘，再使用反向傳播算法對(duì)模型進(jìn)行監(jiān)督式微調(diào)。

2.4.2 降噪自編碼器

降噪自編碼器(DAE)是由Vincent等人[19]從魯棒性著手提出的。在日常的研究中發(fā)現(xiàn)對(duì)于部分被遮擋或損壞的圖像，仍然可以進(jìn)行準(zhǔn)確的識(shí)別。DAE正是受此啟發(fā)所提出的。因此，降噪自編碼器的主要研究目標(biāo)是：隱層表達(dá)對(duì)被局部損壞的輸入信號(hào)的魯棒性。

通過對(duì)原始輸入信號(hào)人為的加入一些純高斯噪聲，也或者是隨機(jī)丟棄輸入層的某個(gè)特征使干凈信號(hào)發(fā)生局部損壞，再將這個(gè)損壞的信號(hào)通過傳統(tǒng)的自編碼得到輸出。其中干凈輸入信號(hào)x，加噪后的損壞輸入信號(hào)。降噪自編碼器的基本結(jié)構(gòu)如圖5所示。

圖5 DAE基本結(jié)構(gòu)示意圖

近些年，通過Vincent等人進(jìn)一步努力，由深度信念網(wǎng)絡(luò)得到啟發(fā)，將降噪自編碼器得結(jié)構(gòu)進(jìn)行堆疊，提出了一種堆疊式降噪自編碼網(wǎng)絡(luò)(SDAE)，并應(yīng)用于圖像分類領(lǐng)域[20]。

2.4.3 稀疏自編碼器

一些研究者將稀疏表示的思想引入自編碼，提出了稀疏編碼器(SAE)[21-22]。自編碼器最初提出是基于降維的思想，但是當(dāng)隱層節(jié)點(diǎn)比輸入節(jié)點(diǎn)多時(shí)，自編碼器就會(huì)失去自動(dòng)學(xué)習(xí)樣本特征的能力，此時(shí)就需要對(duì)隱層節(jié)點(diǎn)進(jìn)行一定的約束。因此在自編碼的基礎(chǔ)上對(duì)每層神經(jīng)元做了正則化，在自編碼器隱層添加稀疏性約束函數(shù)，來增強(qiáng)自編碼機(jī)輸出的稀疏性，使得模型神經(jīng)元數(shù)量較大時(shí)仍可以得到較好的隱層特征。

稀疏表達(dá)包含了輸入信號(hào)大部分主要特征，在保證模型重建精度的基礎(chǔ)上，極大地降低了數(shù)據(jù)的維度，使模型的性能得到了很大的提升。An也正是采用一種無監(jiān)督的稀疏濾波學(xué)習(xí)方法[23]。即使在轉(zhuǎn)速波動(dòng)情況下，該模型對(duì)旋轉(zhuǎn)機(jī)械故障診斷具有較強(qiáng)的魯棒性。后來An研究了權(quán)值矩陣的多重相關(guān)性[24]，提出了一種更適合信號(hào)特征提取的方法，進(jìn)一步提高了診斷的準(zhǔn)確性。

2.5 生成式對(duì)抗網(wǎng)絡(luò)及其變體

隨著深度學(xué)習(xí)的進(jìn)一步發(fā)展，鑒于以往的生成模型不能很好地泛化生成結(jié)果，研究者們提出了一系列新的生成模型。Goodfellow等人在2014年從“零和博弈”中受到啟發(fā)，并提出了生成式對(duì)抗網(wǎng)絡(luò)(GAN)[25]。

圖6 GAN基本結(jié)構(gòu)示意圖

GAN中的生成器與判別器可被視作對(duì)抗博弈中的雙方。生成器的目標(biāo)是生成需要的數(shù)據(jù)，但是需要注意的是這里的數(shù)據(jù)只是仿真數(shù)據(jù)。判別器再來判別生成數(shù)據(jù)的真實(shí)性，最終模型的目標(biāo)則是得到一個(gè)判別器都不能判別的需要數(shù)據(jù)。這種突出的生成能力不僅可以生成各種不同類型的數(shù)據(jù)，還對(duì)各種半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的發(fā)展起到了推動(dòng)作用。

GAN模型的實(shí)質(zhì)就是尋找零和博弈的一個(gè)納什均衡解，即對(duì)抗雙方的損失函數(shù)都依賴于對(duì)方的參數(shù)，卻又沒有影響到對(duì)方參數(shù)的能力，目的是為了提高判斷的準(zhǔn)確性。

2.5.1 堆積生成對(duì)抗網(wǎng)絡(luò)

堆積生成對(duì)抗網(wǎng)絡(luò)(StackGAN)在結(jié)構(gòu)上是串聯(lián)多個(gè)GAN模型來實(shí)現(xiàn)的，這一點(diǎn)和棧式自編碼的方法相似。

圖7 StackGAN基本結(jié)構(gòu)示意圖

2.5.2 深度卷積對(duì)抗網(wǎng)絡(luò)

深度卷積對(duì)抗網(wǎng)絡(luò)(DCGAN)是GAN發(fā)展早期比較典型的一類改進(jìn)。它是卷積神經(jīng)網(wǎng)絡(luò)(CNN)和對(duì)抗網(wǎng)絡(luò)結(jié)合起來，將CNN的思想融入對(duì)抗模型中；將生成器中的全連接層用反卷積層代替，如圖8所示。

圖8 DCGAN的基本結(jié)構(gòu)示意圖

在圖像生成的任務(wù)中已取得了很好的效果[26]，使用GAN進(jìn)行圖像生成任務(wù)時(shí)，默認(rèn)的網(wǎng)絡(luò)結(jié)構(gòu)一般都與DCGAN類似的設(shè)置。

2.5.3 條件生成對(duì)抗網(wǎng)絡(luò)

條件生成式對(duì)抗網(wǎng)絡(luò)(CGAN)是一種帶有條件約束的GAN，在GAN的網(wǎng)絡(luò)結(jié)構(gòu)中引入條件變量c，使用變量c對(duì)模型中的生成器G和判別器D增加條件，以引導(dǎo)數(shù)據(jù)的生成。

生成器接收隱變量z與條件變量c，生成出的樣本G(z|c)與在條件變量c控制下的真實(shí)樣本x聯(lián)系在一起，用于判別器的訓(xùn)練，具體結(jié)構(gòu)如圖9所示。

圖9 CGAN的基本結(jié)構(gòu)示意圖

CGAN的目標(biāo)函數(shù)為：

minGmaxDV(D,G)=Ex[logD(x│c)]+Ez[log(1-D(G(z|c)))]

(3)

ACGAN是在CGAN的基礎(chǔ)上改進(jìn)。它在判別器D的真實(shí)數(shù)據(jù)x也加入了類別c的信息，進(jìn)一步告訴G網(wǎng)絡(luò)該類的樣本結(jié)構(gòu)如何，從而生成更好的類別模擬。

3 深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械零部件故障診斷中的應(yīng)用

旋轉(zhuǎn)機(jī)械的故障診斷是近些年來國(guó)內(nèi)外研究比較廣泛的領(lǐng)域，是發(fā)展比較成熟的故障診斷技術(shù)，具有一定的代表性，因此旋轉(zhuǎn)機(jī)械是故障診斷的重點(diǎn)研究對(duì)象。本文又以旋轉(zhuǎn)機(jī)械中最基本的轉(zhuǎn)子系統(tǒng)、齒輪箱和軸承為對(duì)象討論基于深度學(xué)習(xí)的故障診斷方法。

3.1 基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷

滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械的支承元件，不僅使用范圍十分廣泛，而且品種繁多、要求嚴(yán)格。它的質(zhì)量和性能也十分重要，是旋轉(zhuǎn)機(jī)械不可或缺的部件，其故障診斷顯得尤為重要。近期存在的幾個(gè)突出問題的研究。

1)針對(duì)如何提高滾動(dòng)軸承故障診斷的準(zhǔn)確率和算法訓(xùn)練的效率問題：

對(duì)此問題有關(guān)研究提出了一種深度信念網(wǎng)絡(luò)(DBN)與粒子群優(yōu)化支持向量機(jī)(PSO-SVM)的滾動(dòng)軸承故障診斷方法[27]。該方法不僅提高了診斷準(zhǔn)確率，而且大大縮短了訓(xùn)練時(shí)間。還有在不均衡數(shù)據(jù)集下基于深度對(duì)抗網(wǎng)絡(luò)的故障診斷方法[28]，此方法不僅建立適合軸承故障診斷的深度卷積神經(jīng)網(wǎng)絡(luò)模型，還引入Focal損失函數(shù)增強(qiáng)診斷的準(zhǔn)確性。

2)針對(duì)滾動(dòng)軸承故障樣本較少的問題：

為了保持故障診斷的準(zhǔn)確性，同時(shí)減少標(biāo)簽樣本數(shù)量，研究表明動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率的SAE可以一定程度上解決該問題[29]。但在上述的傳統(tǒng)的監(jiān)督方法中，模型訓(xùn)練還是需要大量的人工標(biāo)注樣本，對(duì)此有關(guān)研究提出一種基于聚類和疊層自動(dòng)編碼器的滾動(dòng)軸承故障診斷新方法[30]，此方法不僅取消了人工標(biāo)定樣本的初始步驟，也是做到了更加智能。文獻(xiàn)[31]則是充分利用了GAN生成模型和半監(jiān)督學(xué)習(xí)的能力，將其應(yīng)用于滾動(dòng)軸承的故障診斷，解決了樣本數(shù)據(jù)不足和標(biāo)記的問題。

3)針對(duì)滾動(dòng)軸承復(fù)雜時(shí)變工況下的故障診斷問題：

為解決此類問題有關(guān)研究將變分模式分解(VMD)、希爾伯特變換(HT)和深信網(wǎng)絡(luò)(DBN)結(jié)合起來用于滾動(dòng)軸承的故障診斷[32]，取得了一定的成效。文獻(xiàn)[33]則利用內(nèi)斯特羅夫動(dòng)量(NM)對(duì)深度信念網(wǎng)絡(luò)(DBN)進(jìn)行優(yōu)化，它能穩(wěn)定有效地改善模型訓(xùn)練過程中的收斂性，提高DBN的泛化能力。在軸承故障類型和程度診斷方面表現(xiàn)出了更令人滿意的性能。

4)針對(duì)滾動(dòng)軸承中復(fù)合故障的識(shí)別：

有相關(guān)的研究表明基于雙樹復(fù)小波包(DTCWPT)的自適應(yīng)深信網(wǎng)絡(luò)(DBN)方法[34]和一種基于深層小波卷積自編碼器(DWCAE)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)的軸承故障診斷方法[35]，能夠提取復(fù)合故障中的特征信號(hào)，并做到不同故障類型的有效識(shí)別。

5)針對(duì)大型機(jī)械中滾動(dòng)軸承振動(dòng)信號(hào)非線性、低信噪比和高維度的問題：

針對(duì)此問題有關(guān)研究提出將卷積降噪自編碼器和深度卷積網(wǎng)絡(luò)(CNN)相結(jié)合的滾動(dòng)軸承故障診斷方法[36]和一種基于改進(jìn)堆疊降噪自編碼器的故障診斷方法[37]。兩種方法的實(shí)驗(yàn)結(jié)果都表明在故障診斷過程中，遇到振動(dòng)信號(hào)非線性、低信噪比和高維度的問題時(shí)，診斷的準(zhǔn)確度較高、時(shí)間復(fù)雜度較低。

3.2 基于深度學(xué)習(xí)的齒輪箱故障診斷

機(jī)械設(shè)備中大部分部件都是旋轉(zhuǎn)機(jī)械，尤其是齒輪箱屬于易磨損部件，其運(yùn)行狀態(tài)不僅影響該機(jī)器設(shè)備本身的安全穩(wěn)定運(yùn)行，故障嚴(yán)重時(shí)不僅會(huì)造成重大的經(jīng)濟(jì)損失，甚至是人員傷亡，因此這要求機(jī)械的故障診斷方法更加智能高效。

近期存在的幾個(gè)突出問題的研究：

1)針對(duì)齒輪振動(dòng)信號(hào)的非線性、非平穩(wěn)性且數(shù)據(jù)量大等問題

有關(guān)基于ELMD能量熵與PSO-SAE的齒輪故障診斷方法[38]的研究表明能夠解決此類問題，并且考慮到了齒輪發(fā)生不同的故障，進(jìn)而導(dǎo)致不同頻帶內(nèi)的信號(hào)能量值發(fā)生改變。文獻(xiàn)[39]構(gòu)建了1-DCNN齒輪箱診斷模型，具有很高的泛化能力，可通過增加CNN層組數(shù)量來達(dá)到較高的準(zhǔn)確率。此外，還可以直接將時(shí)域或者頻域作為低層輸入信息構(gòu)建深度學(xué)習(xí)故障診斷模型[40]，可以有效地削弱人為因素的干擾，不僅能夠在保證診斷效果，還能降低計(jì)算復(fù)雜度和所需要的存儲(chǔ)空間。

2)針對(duì)在齒輪故障診斷時(shí)，單傳感器可靠性和容錯(cuò)性不佳的問題：

齒輪箱有著的復(fù)雜結(jié)構(gòu)以及故障時(shí)獲取信號(hào)的困難，單個(gè)傳感器并不能有效地獲取有效的故障振動(dòng)特征，研究表明一種基于多個(gè)傳感器信息融合及堆棧降噪自編碼(SDAE)的齒輪故障診斷方法[41]在噪聲環(huán)境下準(zhǔn)確率衰減較小，并且抗干擾能力較強(qiáng)。此方法在單個(gè)傳感器失效的情況下，診斷準(zhǔn)確率還能高于正常狀態(tài)下單一信號(hào)SDAE診斷方法。

3)針對(duì)齒輪故障診斷模型建立中的樣本不均衡問題：

針對(duì)樣本不均衡的問題，文獻(xiàn)[42]研究了一種基于生成式對(duì)抗網(wǎng)絡(luò)(GAN)的故障診斷方法，并將其應(yīng)用于行星齒輪箱。通過實(shí)驗(yàn)表明在診斷樣本信息不足的情況下，GAN診斷模型仍可以達(dá)到診斷精度。

3.3 基于深度學(xué)習(xí)的轉(zhuǎn)子系統(tǒng)故障診斷

轉(zhuǎn)子系統(tǒng)種類繁多，具體到設(shè)備如電動(dòng)機(jī)、發(fā)電機(jī)、壓縮機(jī)和發(fā)動(dòng)機(jī)等。它們廣泛應(yīng)用于電力、石化、航空和航天等重要行業(yè)。

轉(zhuǎn)子系統(tǒng)故障的常見形式：轉(zhuǎn)子不對(duì)中，轉(zhuǎn)子不平衡，動(dòng)靜摩擦等，其中轉(zhuǎn)子不對(duì)中時(shí)引起絕大多數(shù)故障的原因。不對(duì)中故障會(huì)導(dǎo)致轉(zhuǎn)子系統(tǒng)在運(yùn)轉(zhuǎn)過程中將產(chǎn)生一系列有害于機(jī)械的連鎖動(dòng)態(tài)反應(yīng)，如引起聯(lián)軸器偏轉(zhuǎn)、軸的彎曲變形和油膜失穩(wěn)等。

近期對(duì)幾個(gè)典型轉(zhuǎn)子系統(tǒng)的故障診斷研究。

1)針對(duì)不同電機(jī)故障診斷方法的研究：

針對(duì)永磁同步中電機(jī)匝間短路和永磁體失磁故障時(shí)，存在數(shù)據(jù)處理復(fù)雜、特征獨(dú)立單一和樣本不足等因素引起的診斷偏差問題，文獻(xiàn)[43]提出一種基于深度學(xué)習(xí)變分自編碼網(wǎng)絡(luò)(VAE)及稀疏自編碼網(wǎng)絡(luò)(SAE)的故障診斷方法。實(shí)現(xiàn)構(gòu)建豐富、多樣、更具魯棒性的訓(xùn)練集合，更加高效的對(duì)電機(jī)匝間短路及失磁故障的診斷。

針對(duì)電機(jī)中的滾動(dòng)軸承缺陷，有關(guān)研究提出的解決方法:采用創(chuàng)新的離散小波變換(DWT)進(jìn)行特征提取，再采用正交模糊鄰域判別分析(OFNDA)進(jìn)行特征約簡(jiǎn)，最后通過動(dòng)態(tài)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)預(yù)測(cè)元件的狀態(tài)，并在不同的運(yùn)行條件下對(duì)故障進(jìn)行分類[44]。文獻(xiàn)[45]則是構(gòu)建了一個(gè)疊層自動(dòng)編碼網(wǎng)絡(luò)，通過引入稀疏約束對(duì)輸入數(shù)據(jù)進(jìn)行壓縮和約簡(jiǎn)的方式，使網(wǎng)絡(luò)能夠準(zhǔn)確提取輸入數(shù)據(jù)的故障特征，并通過引入隨機(jī)噪聲提高網(wǎng)絡(luò)的故障識(shí)別能力。此外，為了提高特征標(biāo)簽的魯棒性，相關(guān)研究表明在SAE的輸入端加入腐敗因子，然后利用從SAE中學(xué)習(xí)到的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器，最終能夠有效識(shí)別異步電動(dòng)機(jī)的故障[46]。

2)針對(duì)發(fā)電機(jī)故障診斷方法的研究：

為實(shí)現(xiàn)風(fēng)電機(jī)組發(fā)電機(jī)部件的故障診斷，文獻(xiàn)[47]通過分析風(fēng)機(jī)監(jiān)控與采集(SCADA)數(shù)據(jù)，設(shè)計(jì)了基于深度自編碼(DAE)網(wǎng)絡(luò)和XGBoost的故障診斷算法。故障檢測(cè)算法需要對(duì)不同風(fēng)電機(jī)組設(shè)置不同參數(shù)，通過DAE獲取SCADA數(shù)據(jù)的重構(gòu)值來預(yù)測(cè)故障和提取故障樣本。然后通過XGBoost模型來識(shí)別并分類故障。

3)針對(duì)發(fā)動(dòng)機(jī)故障診斷方法的研究：

發(fā)動(dòng)機(jī)氣路系統(tǒng)的故障診斷研究方面，文獻(xiàn)[48]在結(jié)合深度置信網(wǎng)絡(luò)(DBN)、采樣與集成技術(shù)的基礎(chǔ)上，提出了基于不均衡樣本驅(qū)動(dòng)的發(fā)動(dòng)機(jī)故障診斷模型。也有相關(guān)研究提出了一種基于主元分析與深度置信網(wǎng)絡(luò)相結(jié)合的發(fā)動(dòng)機(jī)氣路系統(tǒng)故障診斷新方法[49]。

針對(duì)發(fā)動(dòng)機(jī)故障中參數(shù)非線性強(qiáng)且易受噪聲影響的問題，文獻(xiàn)[50]提出一種改進(jìn)降噪自編碼的發(fā)動(dòng)機(jī)氣路診斷方法。該方法在降噪自編碼器(DAE)基礎(chǔ)上，采用改進(jìn)螢火蟲算法(FA)優(yōu)化的徑向基(RBF)神經(jīng)網(wǎng)絡(luò)，并引入慣性權(quán)重與自適應(yīng)光強(qiáng)因子的改進(jìn)FA來優(yōu)化RBF網(wǎng)絡(luò)從而得到螢火蟲徑向基(FRBF)網(wǎng)絡(luò)。通過實(shí)驗(yàn)證明，此方法診斷精度高且算法性能穩(wěn)定、魯棒性優(yōu)。

4 總結(jié)與展望

4.1 總結(jié)

在復(fù)雜的旋轉(zhuǎn)機(jī)械故障診斷中，傳統(tǒng)的故障診斷方法，往往不能滿足對(duì)高階、非線性、自適應(yīng)特征提取的要求；而基于深度學(xué)習(xí)的故障診斷方法，得益于它的特征學(xué)習(xí)優(yōu)勢(shì)和強(qiáng)大的聚類分析能力，所建立的智能故障診斷模型更加自動(dòng)化和高效。不同的深度學(xué)習(xí)模型具有不同的優(yōu)缺點(diǎn)，如表1所示。

由表1可以得知，不同種的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)都有各自不完善的地方。而在對(duì)典型深度學(xué)習(xí)模型的改進(jìn)上，研究者們有著各種各樣的方法。其本質(zhì)就是充分發(fā)揮各神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，并且通過各種方法彌補(bǔ)或者避免不足之處。

Xu就卷積神經(jīng)網(wǎng)絡(luò)存在的一些弊端提出了一種新的寬感受野自適應(yīng)快速卷積神經(jīng)網(wǎng)絡(luò)模型[51]。該模型在環(huán)境噪聲和工作負(fù)載變化時(shí)具有較高的診斷精度和魯棒性。文獻(xiàn)[52]提出一種新型DSCNN-GRU網(wǎng)絡(luò)，該模型降低了一維卷積結(jié)構(gòu)參數(shù)，并加入門控機(jī)制以便更好地捕捉故障特征。針對(duì)堆疊式循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失的問題，文獻(xiàn)[53]提出了一種改進(jìn)的深度循環(huán)神經(jīng)網(wǎng)絡(luò)(DRNN)方法，即通過門控循環(huán)單元解決該問題來提高診斷的準(zhǔn)確率。也有相關(guān)研究就上述問題提出基于改進(jìn)堆疊式循環(huán)神經(jīng)網(wǎng)絡(luò)的軸承故障診斷模型[54]。Wang考慮到堆疊式自動(dòng)編碼器(SAE)的缺點(diǎn)，引入了深度神經(jīng)網(wǎng)絡(luò)(DNN)[55]，可以減少訓(xùn)練時(shí)間、快速提取故障特征。Xu提出了一種可再生融合故障診斷網(wǎng)絡(luò)(RFFDN)的深度學(xué)習(xí)模型[56]，該模還能在非平衡采樣條件下提取出變速度下的域不變特征，并能準(zhǔn)確地對(duì)新的故障進(jìn)行分類。這些融合方法的目的都是為了在故障診斷中達(dá)到更好的效果。

再比如上文所說自編碼器(AE)和生成式對(duì)抗網(wǎng)絡(luò)(GAN)及其變體還在不停的改進(jìn)中。為獲取隱層準(zhǔn)確的稀疏度，縮減訓(xùn)練時(shí)間，研究者們?cè)谙∈枳跃幋a器的基礎(chǔ)上提出k-稀疏自編碼器，此方法丟棄非線性激活函數(shù)，利用排序算法或ReLU函數(shù)選取k個(gè)最大激活值。Qian考慮到稀疏濾波(SF)實(shí)現(xiàn)的稀疏性是不規(guī)則的，對(duì)此提出了一種簡(jiǎn)單，快速的監(jiān)督特征提取算法，稱為監(jiān)督正則稀疏濾波 (SRSF)[57]。此算法是將一種新的參數(shù)化稀疏標(biāo)簽矩陣(PSLM)融合到特征矩陣中，對(duì)稀疏性進(jìn)行規(guī)則化，從而實(shí)現(xiàn)監(jiān)督特征提取。

深度學(xué)習(xí)本身有著非常迅速的發(fā)展，各種算法思想相互融合，揚(yáng)長(zhǎng)補(bǔ)短。未來深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械的故障診斷中的應(yīng)用會(huì)越來越高效準(zhǔn)確。

4.2 展望

1)在信號(hào)獲取方面，向多種信息融合的趨勢(shì)發(fā)展，在故障特征提取方面也趨于多種特征提取技術(shù)融合診斷方向的研究。

2)在故障診斷模型方面，由于各方面因素的干擾，實(shí)測(cè)信號(hào)中往往包含各種噪聲干擾，從信噪比低的信號(hào)中提取需要的特征對(duì)于高效的故障診斷至關(guān)重要。然而，過度去噪或去噪不足會(huì)使原始的信號(hào)失真，降低故障診斷效率甚至準(zhǔn)確度。因此，對(duì)于深度學(xué)習(xí)故障診斷模型的魯棒性未來將展開進(jìn)一步的研究。

3)單一的深度學(xué)習(xí)模型通過增加深度來提高模型效果的方法會(huì)出現(xiàn)梯度消失問題、計(jì)算過于復(fù)雜、準(zhǔn)確率不高等問題，不能進(jìn)一步使得診斷更精確可靠且高效。因此融合多種模型和算法，彼此揚(yáng)長(zhǎng)補(bǔ)短會(huì)帶來更好的診斷效果，成為深度學(xué)習(xí)在故障診斷領(lǐng)域研究的重點(diǎn)。

5 結(jié)束語

旋轉(zhuǎn)機(jī)械的傳統(tǒng)診斷方法在速度，效率和精確性等方面都有一定的欠缺。深度學(xué)習(xí)模型可以學(xué)習(xí)樣本中的潛在特征，提供更好的表示和分類能力。因此，本文首先介紹了深度學(xué)習(xí)的幾種典型神經(jīng)網(wǎng)絡(luò)模型，然后在此基礎(chǔ)上對(duì)其在旋轉(zhuǎn)機(jī)械故障診斷上的應(yīng)用進(jìn)行具體對(duì)比分析。最后就目前該領(lǐng)域的發(fā)展情況進(jìn)行總結(jié)，歸納出現(xiàn)存的一些問題和不足，并進(jìn)行合理的展望。