修嘉蕓，谷玉海，任 斌，王紅軍

（1．北京信息科技大學(xué) 現(xiàn)代測控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100192；2．北京航天長征飛行器研究所，北京 100076）

滾動(dòng)軸承是一種應(yīng)用非常廣泛的機(jī)械零件，同時(shí)也是機(jī)器中最容易出現(xiàn)故障的零件之一，如果滾動(dòng)軸承出現(xiàn)故障，將對(duì)整個(gè)機(jī)械的正常運(yùn)行產(chǎn)生嚴(yán)重的影響。所以，能夠及時(shí)、準(zhǔn)確地識(shí)別滾動(dòng)軸承故障狀態(tài)，對(duì)保持機(jī)器運(yùn)轉(zhuǎn)的穩(wěn)定、安全具有重要意義［1－11］。近幾十年來，隨著對(duì)故障診斷理論研究的不斷深入，不同學(xué)者提出了各種故障診斷的研究方法，如BP神經(jīng)網(wǎng)絡(luò)［1］、概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）［2］、小波分析［3］、EMD［4］、集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empir icalmode decomposition，EEMD）［5］、奇異值分解（singular value decomposition，SVD）［6］等。目前基于機(jī)器學(xué)習(xí)的故障診斷方法主要有Logistic回歸［7］、支 持 向 量 機(jī) （support vector machine，SVM）［8］以及人工神經(jīng)網(wǎng)絡(luò)（artificial neural net work，ANN）［9］、模糊推斷［10］。

近幾年，隨著人工智能的快速發(fā)展，深度學(xué)習(xí)在圖像識(shí)別、語音識(shí)別等方向的應(yīng)用日益廣泛，同時(shí)深度學(xué)習(xí)在故障診斷領(lǐng)域的應(yīng)用越來越成為研究的熱點(diǎn)［12］。溫江濤等［13］采用隨機(jī)高斯矩陣的方法對(duì)軸承信號(hào)進(jìn)行變換域壓縮采集，并將處理后的信號(hào)作為深度神經(jīng)網(wǎng)絡(luò)的輸入實(shí)現(xiàn)故障的智能診斷與識(shí)別；張淑清等［14］采用結(jié)合雙樹復(fù)小波（dual tree complex wavelet transform，DTCWT）與深度信念網(wǎng)絡(luò)（deep belief network，DBN）的滾動(dòng)軸承故障診斷的方法，用DTCWT對(duì)信號(hào)進(jìn)行分解，將獲得的能量熵作為故障診斷的特征，利用DBN模型對(duì)故障類型進(jìn)行識(shí)別。

雖然深度學(xué)習(xí)在故障診斷領(lǐng)域已經(jīng)獲得了廣泛的應(yīng)用，但是由于深度學(xué)習(xí)需要大量的訓(xùn)練數(shù)據(jù)，所以在沒有足夠數(shù)據(jù)的情況下難以取得令人滿意的結(jié)果。并且由于卷積神經(jīng)網(wǎng)絡(luò)（convolu tional neural networks，CNN）的初衷是用來對(duì)二維圖片進(jìn)行分類的網(wǎng)絡(luò)，目前如何將一維時(shí)域振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像是基于卷積神經(jīng)網(wǎng)絡(luò)的研究熱點(diǎn)。如Chang等［15］針對(duì)局部弱特征信息，提出了一種基于變分模態(tài)分解（variationalmode decom position，VMD）、奇異值分解（singular value decom position，SVD）和CNN的行星齒輪特征提取與故障診斷方法，利用VMD將原始振動(dòng)信號(hào)分解為模態(tài)分量，將模態(tài)矩陣劃分為多個(gè)子矩陣，利用奇異值分解法將每個(gè)子矩陣中包含的局部特征信息提取為奇異值向量。根據(jù)各子矩陣的位置構(gòu)造對(duì)應(yīng)于當(dāng)前故障狀態(tài)的奇異值向量矩陣。最后，利用奇異值向量矩陣作為輸入訓(xùn)練CNN，實(shí)現(xiàn)了行星齒輪故障狀態(tài)的識(shí)別和分類。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地提取局部弱特征信息，準(zhǔn)確地識(shí)別不同的故障。Sheng等［16］提出了一種利用CNN直接對(duì)連續(xù)小波變換（continuous wavelet trans form，CWT）進(jìn)行分類的診斷方法。該方法利用小波變換對(duì)旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)進(jìn)行不同尺度的分解，從而形成小波變換。訓(xùn)練CNN進(jìn)行故障診斷，輸入CWTS。結(jié)果表明，該方法能較準(zhǔn)確地診斷故障。

由于上述基于深度學(xué)習(xí)的故障診斷具有2個(gè)限制，即：海量訓(xùn)練數(shù)據(jù)、訓(xùn)練數(shù)據(jù)集內(nèi)的樣本為類似于圖片的二維數(shù)據(jù)。因此，本文中提出一種基于遷移學(xué)習(xí)和長短期記憶網(wǎng)絡(luò)（long short term memory，LSTM）的滾動(dòng)軸承故障診斷，構(gòu)建一種CNN與LSTM結(jié)合的深度學(xué)習(xí)網(wǎng)絡(luò)，將訓(xùn)練數(shù)據(jù)輸入，對(duì)此網(wǎng)絡(luò)中的相關(guān)參數(shù)進(jìn)行訓(xùn)練。然后對(duì)此網(wǎng)絡(luò)進(jìn)行fine tune調(diào)參，調(diào)整全連接層與soft max層的相關(guān)參數(shù)，從而完成整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)框架。

1 故障診斷模型

滾動(dòng)軸承故障在時(shí)域圖中一般是周期性的，然而每種軸承故障時(shí)域圖周期是不確定的，因此，所提出的網(wǎng)絡(luò)應(yīng)該能夠處理這種長度可變的信號(hào)。故提出一種CNN和LSTM相結(jié)合的混合式深度學(xué)習(xí)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)架構(gòu)見圖1，相關(guān)參數(shù)見表1。結(jié)構(gòu)的第1層到第6層是與池化層連接的卷積層，而第7層是LSTM層。在網(wǎng)絡(luò)的最后是一系列全連接層，用于預(yù)測輸出。卷積層有助于提取空間特征圖，隨后的LSTM層有助于模型捕捉這些特征圖中存在的時(shí)間動(dòng)態(tài)［17］。故障的分類取決于通過全連接層的最終LSTM單元的輸出。

由于心電圖數(shù)據(jù)比較容易獲得，故首先使用心電圖對(duì)圖1所示模型進(jìn)行預(yù)訓(xùn)練，然后將訓(xùn)練后的模型中的前面的卷積層的參數(shù)固定，將滾動(dòng)軸承故障數(shù)據(jù)輸入整個(gè)網(wǎng)絡(luò)，只調(diào)整后面網(wǎng)絡(luò)中的全連接層，最后得到完整的網(wǎng)絡(luò)模型。

圖1 CNN LSTM網(wǎng)絡(luò)架構(gòu)框圖

表1 CNN LSTM模型相關(guān)參數(shù)

2 實(shí)驗(yàn)分析

2．1 實(shí)驗(yàn)數(shù)據(jù)描述

心電圖實(shí)驗(yàn)數(shù)據(jù)來源于PhysioNet公共數(shù)據(jù)集［18］，滾動(dòng)軸承故障實(shí)驗(yàn)數(shù)據(jù)來源于美國凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的軸承數(shù)據(jù)集［19］。其中，在心電圖實(shí)驗(yàn)數(shù)據(jù)中，共記錄47名受試者的48份心電圖。麻省理工學(xué)院波黑分校的每一段記錄都以360 Hz的頻率數(shù)字化，并附有1組在R峰呈現(xiàn)的節(jié)拍標(biāo)簽。這些標(biāo)簽由多個(gè)心臟病專家獨(dú)立標(biāo)注，并通過相互協(xié)商解決診斷上的差異。將不間斷的心律失常節(jié)拍序列按照對(duì)應(yīng)的心律失常類型進(jìn)行劃分，每個(gè)節(jié)段只有1個(gè)心電圖節(jié)拍類型，相關(guān)參數(shù)如表2所示。由于不同節(jié)段之間的樣本長度不同，為了使模型的輸入長度標(biāo)準(zhǔn)化并減少不必要的訓(xùn)練時(shí)間，將較長的片段從末尾任意截短到每個(gè)1 000個(gè)采樣點(diǎn)，不足1 000個(gè)采樣點(diǎn)的片段用零填充。累計(jì)共截短2 963段，補(bǔ)零13 535段。

表2 心電圖片段及相應(yīng)的樣本參數(shù)

滾動(dòng)軸承數(shù)據(jù)試驗(yàn)平臺(tái)包含1個(gè)2 hp的電機(jī)（左側(cè)）（1 hp＝746 W）、1個(gè)轉(zhuǎn)矩傳感器（中間）、1個(gè)負(fù)載電機(jī)以及其他相關(guān)元件，采用電火花加工技術(shù)在軸承上布置了單點(diǎn)故障，損傷直徑為了0．177 8 mm，損傷深度為2．794 mm。具體的軸承故障類型和實(shí)驗(yàn)結(jié)果如表3所示。

表3 軸承故障類型和實(shí)驗(yàn)結(jié)果

2．2 實(shí)驗(yàn)數(shù)據(jù)處理

使用python語言和Tensorflow框架數(shù)據(jù)進(jìn)行處理，計(jì)算機(jī)的硬件和軟件具體配置如表4、5所示。

表4 硬件配置環(huán)境參數(shù)

表5 軟件配置環(huán)境參數(shù)

首先用心電圖片段數(shù)據(jù)對(duì)整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，為了進(jìn)一步加快訓(xùn)練過程，對(duì)輸入數(shù)據(jù)Z值進(jìn)行歸一化，消除偏移效應(yīng)，并對(duì)心電信號(hào)幅度進(jìn)行標(biāo)準(zhǔn)化［20］。這改善了網(wǎng)絡(luò)中的梯度下降，從而有助于加快收斂速度。對(duì)數(shù)據(jù)以交叉驗(yàn)證的方式進(jìn)行訓(xùn)練，將數(shù)據(jù)十等分，對(duì)心電圖各節(jié)段進(jìn)行隨機(jī)混合。90%的心電圖片段用于訓(xùn)練CNN LSTM網(wǎng)絡(luò)，剩下的10%用于測試系統(tǒng)的性能。為了監(jiān)控訓(xùn)練過程，防止模型過度擬合，在每個(gè)訓(xùn)練周期結(jié)束時(shí)，使用本次訓(xùn)練中剩下20%的未訓(xùn)練數(shù)據(jù)來驗(yàn)證模型的性能。訓(xùn)練后此網(wǎng)絡(luò)類間平均準(zhǔn)確率為98．42%，網(wǎng)絡(luò)模型的訓(xùn)練和驗(yàn)證曲線如圖2所示。

圖2 網(wǎng)絡(luò)模型的訓(xùn)練和驗(yàn)證曲線

然后將此網(wǎng)絡(luò)的卷積層和LSTM層的參數(shù)固定，將軸承數(shù)據(jù)輸入進(jìn)行訓(xùn)練，只改變連接此網(wǎng)絡(luò)LSTM層的2個(gè)全連接層的權(quán)重以及最后的全連接層的分類類別與數(shù)量。按照與上一步驟中相同數(shù)據(jù)分配方式進(jìn)行訓(xùn)練，經(jīng)過100輪epoch后最終的類間平均準(zhǔn)確率為97．56%，訓(xùn)練準(zhǔn)確率曲線如圖3所示，驗(yàn)證準(zhǔn)確率曲線如圖4所示。

圖4 驗(yàn)證準(zhǔn)確率曲線

2．3 與傳統(tǒng)方法對(duì)比測試

為證明本文的方法比傳統(tǒng)故障診斷方法更能有效地識(shí)別軸承的故障類別，將本文的方法和參考文獻(xiàn)［21］中采用BP和PNN方法的分類準(zhǔn)確率進(jìn)行對(duì)比，結(jié)果如表6所示。

表6 類間平均準(zhǔn)確率 %

通過表6可以看出，本文中提出的基于LSTM與遷移學(xué)習(xí)的滾動(dòng)軸承故障診斷方法能夠?qū)崿F(xiàn)很高的準(zhǔn)確率。在正常狀態(tài)圖片的正確分類準(zhǔn)確率最高，準(zhǔn)確率為100%，這是由于正常狀態(tài)下的滾動(dòng)軸承的特征非常明顯，容易被1 D卷積神經(jīng)網(wǎng)絡(luò)的分類器識(shí)別。其中內(nèi)圈故障和滾動(dòng)故障狀態(tài)下的故障相似度較高，在識(shí)別過程中混淆相對(duì)較多，準(zhǔn)確率相對(duì)較低，但也達(dá)到了96%以上?？傮w故障分類準(zhǔn)確率達(dá)到了97．69%，能夠有效地檢測各類故障。然而傳統(tǒng)的BP和PNN方法無論是在單項(xiàng)故障識(shí)別效果還是整體故障識(shí)別效果都略遜色于本文中所提出的基于LSTM＋遷移學(xué)習(xí)的滾動(dòng)軸承故障診斷方法。

BP與PNN測試結(jié)果較差主要是由訓(xùn)練樣本不足所導(dǎo)致的，這也是深度學(xué)習(xí)的缺點(diǎn)之一，隨著網(wǎng)絡(luò)層深度的增加，需要的訓(xùn)練集數(shù)據(jù)量呈指數(shù)型增長，而本文中所設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)中采用的CNN與LSTM都有權(quán)重共用的結(jié)構(gòu)，這使得訓(xùn)練集數(shù)據(jù)需求量減少。更重要的原因是，本文中使用了一種基于遷移學(xué)習(xí)的訓(xùn)練方式，先將此網(wǎng)絡(luò)結(jié)構(gòu)在與目標(biāo)域訓(xùn)練集有相似特征和相同分布的心電圖數(shù)據(jù)集中進(jìn)行預(yù)訓(xùn)練，然后用目標(biāo)域數(shù)據(jù)即少量的軸承振動(dòng)數(shù)據(jù)對(duì)幾個(gè)特定的網(wǎng)絡(luò)層進(jìn)行訓(xùn)練，這在一定程度上相當(dāng)于增加了訓(xùn)練集數(shù)據(jù)量，因此本文中所提出的方法能夠獲得一個(gè)較高的準(zhǔn)確率。

3 結(jié)論

提出了一種基于LSTM與遷移學(xué)習(xí)結(jié)合的智能故障診斷方法，將普通卷積核轉(zhuǎn)化為特定的一維卷積核，并加入長短期記憶網(wǎng)絡(luò)，以遷移學(xué)習(xí)的方式進(jìn)行訓(xùn)練。實(shí)驗(yàn)證明：采用的基于LSTM與遷移學(xué)習(xí)的滾動(dòng)軸承故障診斷方法整體上能夠達(dá)到96．69%的識(shí)別準(zhǔn)確率，高于傳統(tǒng)的BP方法的識(shí)別準(zhǔn)確率73．7%和PNN 方法的識(shí)別準(zhǔn)確率93 7%，體現(xiàn)了較好魯棒性和準(zhǔn)確性。說明所采用方法具有可行性，為小樣本訓(xùn)練數(shù)據(jù)集采用CNN等深度學(xué)習(xí)方式進(jìn)行故障診斷提供了新的思路，在可用的故障振動(dòng)數(shù)據(jù)量較少的情況下，運(yùn)用本文中所述方式同樣可以對(duì)故障進(jìn)行分類診斷，并且能夠保持一個(gè)較高的準(zhǔn)確率。