李鳳娟 彭 成 蔣金元

（ 湖南工業(yè)大學(xué)，湖南 株洲412007）

滾動(dòng)軸承是工業(yè)生產(chǎn)中最常見(jiàn)、最基礎(chǔ)的零件，長(zhǎng)期處在持續(xù)高負(fù)荷工作狀態(tài)，發(fā)生故障的概率占到旋轉(zhuǎn)機(jī)械設(shè)備故障的70%，提高滾動(dòng)軸承故障診斷的準(zhǔn)確率能夠顯著降低設(shè)備故障失效的可能性，以維護(hù)設(shè)備性能，提升其使用壽命。近年來(lái)，針對(duì)滾動(dòng)軸承故障診斷的研究已有很多成果。胡愛(ài)軍等[1]提出選用拉普拉斯分?jǐn)?shù)自動(dòng)選取時(shí)域、頻域以及時(shí)頻域的敏感特征，運(yùn)用基于優(yōu)化核極限學(xué)習(xí)機(jī)的方法實(shí)現(xiàn)多種工況條件下的滾動(dòng)軸承故障診斷。魏樂(lè)等[2]提出改進(jìn)的深度信念網(wǎng)絡(luò)用于故障診斷，加入Dropout 技術(shù)和Adam 優(yōu)化器提升診斷性能。

用單一的診斷方法可能會(huì)導(dǎo)致診斷結(jié)果出現(xiàn)偏差，致使最后的識(shí)別準(zhǔn)確率不高，用多種方法對(duì)滾動(dòng)軸承故障信號(hào)數(shù)據(jù)進(jìn)行分析并融合多種結(jié)果能夠避免方法的固有缺陷，得到高精度的識(shí)別結(jié)果。為此，提出一種基于數(shù)據(jù)融合的故障診斷方法，分別利用LSTM 和CNN 訓(xùn)練挖掘傳感器信號(hào)數(shù)據(jù)的深層故障特征，然后運(yùn)用D-S 證據(jù)理論對(duì)訓(xùn)練的數(shù)據(jù)進(jìn)行融合輸出診斷結(jié)果，并通過(guò)實(shí)驗(yàn)驗(yàn)證方法的有效性。

1 基本理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的前饋型神經(jīng)網(wǎng)絡(luò)，能夠直接從原始信號(hào)數(shù)據(jù)中通過(guò)交替和堆疊卷積層和池化層來(lái)自主學(xué)習(xí)抽象特征表示[3]，非常適合滾動(dòng)軸承的故障診斷。

CNN 是包含卷積層、池化層和全連接層的深層網(wǎng)絡(luò)模型，卷積層通過(guò)多個(gè)卷積核在局部感受野內(nèi)對(duì)輸入的圖像數(shù)據(jù)做卷積運(yùn)算，以實(shí)現(xiàn)對(duì)整個(gè)圖像平移不變的多特征提取。卷積操作完成后輸入到池化層，通過(guò)池化策略將經(jīng)過(guò)卷積后的局部特征映射，縮短特征映射圖的長(zhǎng)度，從而達(dá)到減少模型參數(shù)數(shù)量，約簡(jiǎn)特征圖尺寸的目的。經(jīng)過(guò)卷積和池化的多次操作交替堆疊后輸入到全連接層，目的是將二維特征映射圖轉(zhuǎn)換成一維輸出向量，然后將結(jié)果輸入到頂層分類器(通常為Softmax)分類，通過(guò)實(shí)際的輸出結(jié)果與理想狀態(tài)之間存在的誤差來(lái)更新網(wǎng)絡(luò)。

1.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)

LSTM 是在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)基礎(chǔ)上改進(jìn)的一種用于處理時(shí)序數(shù)據(jù)的深層訓(xùn)練模型，對(duì)當(dāng)下時(shí)刻的輸出造成影響的不僅有該時(shí)刻的輸入，還有以前時(shí)刻的輸出，對(duì)具有前后強(qiáng)關(guān)聯(lián)的數(shù)據(jù)的分析非常有優(yōu)勢(shì)，目前在故障診斷領(lǐng)域也有很多關(guān)于LSTM的研究[4]。

同時(shí)，LSTM 通過(guò)引入“門(mén)”結(jié)構(gòu)來(lái)調(diào)整每一時(shí)刻關(guān)于不同時(shí)間點(diǎn)輸出信息量的大小，保證每一循環(huán)結(jié)構(gòu)能自主捕獲相異時(shí)間跨度的依賴關(guān)系，解決了RNN 的長(zhǎng)期時(shí)間依賴性問(wèn)題。

1.3 D-S 證據(jù)理論

D-S 證據(jù)理論發(fā)展于Bayes 推理，通過(guò)對(duì)不確定信息進(jìn)行融合分析，能夠較好地描述多源數(shù)據(jù)之間的置信程度，用于滾動(dòng)軸承故障診斷方法能有效提升其準(zhǔn)確率。

針對(duì)一個(gè)命題的全部互不相容事件的集合定義為識(shí)別框架Θ，其內(nèi)部每個(gè)假設(shè)的初始概率分配值稱為mass 函數(shù)，且滿足：

每個(gè)假設(shè)存在一個(gè)信任區(qū)間[Bel(A),Pl(A)]來(lái)表示該假設(shè)的確定程度。Bel(A)稱為信任函數(shù)，Pl(A)稱為似然函數(shù)，計(jì)算公式如下：

Dempster 合成規(guī)則通過(guò)對(duì)識(shí)別框架內(nèi)的有限個(gè)mass 函數(shù)進(jìn)行融合分析，最終計(jì)算出識(shí)別框架內(nèi)每個(gè)假設(shè)各自的信任區(qū)間，獲得綜合診斷結(jié)果。假定識(shí)別框架內(nèi)存在有限個(gè)假設(shè)：1,2，……,n，其mass 函數(shù)分別為：m1,m2,……,mn,記K 為歸一化常數(shù)，合成式則為：

2 滾動(dòng)軸承故障診斷方法

2.1 故障診斷流程

本文采用基于CNN、LSTM 和D-S 證據(jù)理論的故障診斷方法，主要的操作流程如下：

（1）選取振動(dòng)信號(hào)數(shù)據(jù)，劃分樣本后，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理；

（2）將數(shù)據(jù)集的80%劃分為訓(xùn)練集，20%作為測(cè)試集；

（3）分析數(shù)據(jù)集和故障基本類型，由此確定網(wǎng)絡(luò)相應(yīng)的輸入和輸出節(jié)點(diǎn)，將訓(xùn)練數(shù)據(jù)集分別輸入并列的CNN 和LSTM 訓(xùn)練，確定最優(yōu)的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)，得出各自初步故障分類結(jié)果；

（4）將初步的分類結(jié)果輸入D-S 證據(jù)理論，根據(jù)上述的合成公式對(duì)數(shù)據(jù)進(jìn)行融合分析，得出最后的綜合診斷結(jié)果，完成整個(gè)滾動(dòng)軸承故障診斷的模型訓(xùn)練；

（5）利用測(cè)試集對(duì)訓(xùn)練好的故障診斷模型測(cè)試，驗(yàn)證其診斷效果。

2.2 實(shí)驗(yàn)數(shù)據(jù)

本文采用西儲(chǔ)大學(xué)軸承驅(qū)動(dòng)端數(shù)據(jù)集，包含正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障共四種類型，劃分樣本后對(duì)其進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，80%劃作訓(xùn)練集，20%劃作測(cè)試集。

3 實(shí)驗(yàn)結(jié)果和分析

將劃分好的訓(xùn)練集傳入診斷模型進(jìn)行訓(xùn)練并調(diào)整，然后利用測(cè)試集對(duì)其驗(yàn)證。通過(guò)故障診斷方法測(cè)試最終應(yīng)得到不同故障類型的分類結(jié)果，用交叉熵?fù)p失和識(shí)別準(zhǔn)確率來(lái)判斷該方法的有效性，上圖列出故障診斷準(zhǔn)確率。

看圖能夠得出，針對(duì)滾動(dòng)軸承不同的故障類型，通過(guò)該方法能達(dá)到較高的識(shí)別準(zhǔn)確率，在迭代次數(shù)超大約80 次后，診斷準(zhǔn)確率能穩(wěn)定在99.67%，證明了該方法的有效性。

4 結(jié)論

本文結(jié)合目前滾動(dòng)軸承故障診斷的研究趨勢(shì)，以提高滾動(dòng)軸承的故障診斷準(zhǔn)確率為目標(biāo)，提出了一種基于CNN、LSTM和D-S 證據(jù)理論的滾動(dòng)軸承故障診斷方法，利用CNN、LSTM的強(qiáng)大深度學(xué)習(xí)能力，學(xué)習(xí)數(shù)據(jù)的深層特征表示，通過(guò)D-S 證據(jù)理論對(duì)CNN 及LSTM的輸出結(jié)果進(jìn)行融合分析，確定最終的診斷結(jié)果，有效避免因數(shù)據(jù)單一造成的偏差，提高滾動(dòng)軸承故障診斷的準(zhǔn)確率，實(shí)驗(yàn)驗(yàn)證了該診斷方法的有用性。