胡向東，梁 川

(重慶郵電大學(xué) 自動(dòng)化學(xué)院，重慶 400065)

0 引言

隨著信息處理分析技術(shù)和傳感器技術(shù)的不斷發(fā)展與日益創(chuàng)新，故障診斷已經(jīng)發(fā)展成為一種多個(gè)學(xué)科交叉融合的新技術(shù)。故障診斷是通過(guò)測(cè)量設(shè)備的工作狀況并對(duì)其異常狀態(tài)做出技術(shù)判斷，為后續(xù)維修計(jì)劃提供參考依據(jù)[1]。因?yàn)榇嬖谳^多無(wú)法預(yù)測(cè)的狀況，工業(yè)生產(chǎn)的機(jī)械設(shè)備可能出現(xiàn)不同的問(wèn)題，引起系統(tǒng)功能故障，造成嚴(yán)重的工廠事故。滾動(dòng)軸承是機(jī)械設(shè)備的易損部件，其健康狀況對(duì)機(jī)械設(shè)備的性能、穩(wěn)定性和使用壽命有重大影響[2]。當(dāng)機(jī)械軸承出現(xiàn)故障時(shí)，會(huì)產(chǎn)生異于正常工作時(shí)的振動(dòng)信號(hào)，故障點(diǎn)不同，產(chǎn)生的信號(hào)特征也不相同，因此分析缺陷軸承的振動(dòng)信號(hào)來(lái)判斷軸承故障狀態(tài)，是一種科學(xué)的檢測(cè)、診斷方法[3]。

傳統(tǒng)的機(jī)械軸承智能診斷方法一般需要借助于快速傅里葉變換(FFT)、小波變換(WT)和經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)等現(xiàn)代信號(hào)處理技術(shù)[4]對(duì)采集到的信號(hào)進(jìn)行處理，然后經(jīng)過(guò)工程經(jīng)驗(yàn)獲取故障特征，進(jìn)而實(shí)現(xiàn)故障的判別。郭宇庭等[5]提出了一種基于小波變換的自適應(yīng)時(shí)頻特性的軸承故障診斷方法。但該方法只是比較了軸承正常與故障時(shí)的信號(hào)特征規(guī)律，并未得出確切的診斷結(jié)果。劉暢等[6]提出了一種改進(jìn)支持向量機(jī)的機(jī)械軸承故障診斷方法，雖然此方法能夠獲得不錯(cuò)的診斷準(zhǔn)確率，但是對(duì)技術(shù)人員的理論知識(shí)要求較高，并且其故障信號(hào)判別過(guò)程較為繁瑣，并未實(shí)現(xiàn)端到端的故障診斷。李繼猛等[7]提出一種融合經(jīng)驗(yàn)?zāi)B(tài)與奇異值分解的滾動(dòng)軸承故障診斷方法，該方法雖然特征提取精度較高，但是需要技術(shù)人員來(lái)進(jìn)行故障分辨，仍然存在一定的分辨誤差。傳統(tǒng)的軸承故障診斷方法在特征選取環(huán)節(jié)的好壞會(huì)直接影響診斷精度，因此依靠工程經(jīng)驗(yàn)提取振動(dòng)信號(hào)特征并不是最優(yōu)解。

目前使用原始振動(dòng)信號(hào)特征進(jìn)行軸承故障診斷逐漸成為研究重點(diǎn)，許多學(xué)者利用深度學(xué)習(xí)直接挖掘信號(hào)潛在特征，通過(guò)深層次神經(jīng)網(wǎng)絡(luò)和批量訓(xùn)練樣本來(lái)提高分類準(zhǔn)確率[8]。張穎等[9]提出結(jié)合時(shí)頻圖像與卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方案，利用短時(shí)傅立葉變換獲得二維圖像，然后將其輸入到卷積神經(jīng)網(wǎng)絡(luò)，獲得了較好的故障診斷準(zhǔn)確率，但是該方法仍未實(shí)現(xiàn)端到端學(xué)習(xí)。Miao He等[10]利用可調(diào)濾波器大小的卷積核進(jìn)行振動(dòng)信號(hào)的分割，使用訓(xùn)練的離散傅里葉變換-逆離散傅里葉變換自編碼器來(lái)得到振動(dòng)信號(hào)譜平均值，并使用譜平均值重構(gòu)振動(dòng)信號(hào)，然后將重構(gòu)的振動(dòng)信號(hào)送入分類層進(jìn)行軸承故障診斷。該方法雖然在診斷的準(zhǔn)確率上表現(xiàn)不錯(cuò)，但是較為繁瑣，目前在工業(yè)現(xiàn)場(chǎng)部署還較為困難。

針對(duì)以上問(wèn)題，張偉[11]研究出直接在時(shí)域振動(dòng)信號(hào)進(jìn)行處理的卷積神經(jīng)網(wǎng)絡(luò)模型。該模型雖然對(duì)軸承的故障識(shí)別準(zhǔn)確率較高，但是模型魯棒性還有待提高，其超參數(shù)的選擇也需要多次實(shí)驗(yàn)才能確定。昝濤等[12]設(shè)計(jì)出多輸入層的診斷方案，提高了測(cè)試準(zhǔn)確率，但卻需要在卷積或池化層輸入低維的頻譜數(shù)據(jù)，過(guò)程繁瑣且未實(shí)現(xiàn)端到端的故障診斷。宮文峰等[13]提出一種使用全局均值池化技術(shù)代替?zhèn)鹘y(tǒng)CNN的全連接部分的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法，但對(duì)于內(nèi)圈的輕度缺陷檢測(cè)準(zhǔn)確率只有96%，仍還有提升的空間。

綜合以上分析，本文提出一種基于SE-ResNeXt的端到端故障診斷模型，不僅避免了繁瑣的振動(dòng)信號(hào)特征提取過(guò)程，很好地解決了軸承故障診斷準(zhǔn)確率低的問(wèn)題，而且模型魯棒性較好，實(shí)現(xiàn)了端到端的軸承故障診斷，具有良好的可操作性與通用性。本文所做的主要內(nèi)容如下：

(1)以441位數(shù)據(jù)點(diǎn)為一個(gè)樣本，使用滑動(dòng)窗口采樣法對(duì)原始的軸承振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行擴(kuò)增，根據(jù)數(shù)據(jù)集長(zhǎng)度獲取8 000個(gè)樣本并劃分5 600個(gè)訓(xùn)練集，2 400個(gè)測(cè)試集后隨機(jī)打散。

(2)選定壓縮率、組卷積分支數(shù)和殘差網(wǎng)絡(luò)參數(shù)，并將SEnet與ResNeXt進(jìn)行級(jí)聯(lián)，搭建易于拓展的SE-ResNeXt故障診斷模型。

(3)將本文所提模型與現(xiàn)有的深度學(xué)習(xí)算法進(jìn)行多次故障診斷實(shí)驗(yàn)，進(jìn)行可行性分析與有效性驗(yàn)證，并向測(cè)試數(shù)據(jù)中加入噪聲信號(hào)，進(jìn)行模型的魯棒性測(cè)試。

1 基于SE-ResNeXt的故障診斷方法

采用SE-ResNeXt模型對(duì)滾動(dòng)軸承進(jìn)行故障診斷的思路是先將一維信號(hào)進(jìn)行滑動(dòng)窗口采樣并標(biāo)準(zhǔn)化處理后作為輸入，利用SEnet網(wǎng)絡(luò)進(jìn)行特征重標(biāo)定，并級(jí)聯(lián)ResNeXt網(wǎng)絡(luò)對(duì)一維振動(dòng)信號(hào)進(jìn)行深層次的空間特征學(xué)習(xí)，最后利用Softmax函數(shù)完成故障分類。模型訓(xùn)練流程如圖1所示。

圖1 模型訓(xùn)練流程圖

1.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

為測(cè)試所提模型對(duì)軸承故障診斷的可行性和魯棒性，本文采用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)[14]進(jìn)行故障仿真實(shí)驗(yàn)。故障軸承振動(dòng)信號(hào)來(lái)源于如圖2的仿真實(shí)驗(yàn)平臺(tái)，左邊為三相感應(yīng)電機(jī)用于產(chǎn)生驅(qū)動(dòng)力，中間的扭轉(zhuǎn)傳感器用于測(cè)量扭矩和轉(zhuǎn)速，右側(cè)為測(cè)力計(jì)用于產(chǎn)生不同負(fù)載，測(cè)試軸承型號(hào)為SKF6205，安置在驅(qū)動(dòng)端。

圖2 軸承故障試驗(yàn)臺(tái)

實(shí)驗(yàn)為人工采用電火花在軸承的內(nèi)圈、外圈和滾動(dòng)體上加工出尺寸為0.007英寸、0.014英寸、0.021英寸的單點(diǎn)故障，用來(lái)表示不同的故障損壞程度，實(shí)驗(yàn)共有9種不同的損傷狀態(tài)和1種健康狀態(tài)。所產(chǎn)生的信號(hào)使用16通道數(shù)據(jù)記錄儀進(jìn)行收集，采樣頻率為12 kHz，電機(jī)載荷有4種，分別為0、1、2、3 hp(1 hp=0.746 kW)。

1.2 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)在采樣頻率12 kHz，0 hp負(fù)載下進(jìn)行測(cè)試，該負(fù)載對(duì)應(yīng)的轉(zhuǎn)速為1 797 rpm，因?yàn)樵颊駝?dòng)信號(hào)有限，本文使用了一種固定步長(zhǎng)的滑動(dòng)窗口采樣算法進(jìn)行數(shù)據(jù)擴(kuò)增，如圖3所示。

圖3 滑動(dòng)窗口采樣算法偽代碼

本文設(shè)定的滑動(dòng)窗口大小w=441，滑動(dòng)步長(zhǎng)為150，并且按照7：3劃分訓(xùn)練集與測(cè)試集，采樣后的數(shù)據(jù)集組成如表1所示。

表1 軸承數(shù)據(jù)集

因一維振動(dòng)信號(hào)幅值較為分散，在劃分訓(xùn)練集和測(cè)試集后，使用批標(biāo)準(zhǔn)化方法將數(shù)據(jù)進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換后將數(shù)據(jù)變?yōu)榫禐?，方差為1的標(biāo)準(zhǔn)正態(tài)分布，使得模型更能學(xué)到數(shù)據(jù)之間的規(guī)律，并加快梯度收斂速度，其計(jì)算公式為：

(1)

1.3 SE-ResNeXt軸承故障診斷模型

因在生產(chǎn)過(guò)程中，軸承設(shè)備一般處于較為惡劣的環(huán)境中，對(duì)滾動(dòng)軸承故障的準(zhǔn)確診斷較為困難，且噪聲的干擾會(huì)嚴(yán)重影響故障診斷的精度。本節(jié)提出一種SE-ResNeXt網(wǎng)絡(luò)的軸承故障診斷模型，該模型首先使用一維卷積神經(jīng)網(wǎng)絡(luò)層對(duì)輸入的原始故障振動(dòng)信號(hào)進(jìn)行初步特征提取，利用特征重標(biāo)定層擴(kuò)大模型感受野，增強(qiáng)模型的抗噪聲能力，并級(jí)聯(lián)ResNeXt網(wǎng)絡(luò)進(jìn)行深層次的空間特征學(xué)習(xí)，使用全局平均池化將特征信號(hào)轉(zhuǎn)為一維向量展平，最后使用Softmax函數(shù)進(jìn)行故障分類。為優(yōu)化模型訓(xùn)練過(guò)程，實(shí)驗(yàn)網(wǎng)絡(luò)均采用Relu作為激活函數(shù)，為防止過(guò)擬合現(xiàn)象的發(fā)生，將傳統(tǒng)的全連接層替換為全局平均池化層，對(duì)模型的參數(shù)進(jìn)行縮減，增強(qiáng)模型的泛化能力。SE-ResNeXt模型結(jié)構(gòu)如圖4所示。

圖4 SE-ResNeXt模型結(jié)構(gòu)

接下來(lái)分別介紹網(wǎng)絡(luò)的各個(gè)部分。

1)CNN+SEnet網(wǎng)絡(luò)層：

原始振動(dòng)信號(hào)經(jīng)過(guò)批標(biāo)準(zhǔn)化后首先輸入到一維卷積層，一維卷積層采用8個(gè)尺寸為3的濾波器，滑動(dòng)步長(zhǎng)為1，初步提取振動(dòng)信號(hào)特征。利用卷積層權(quán)值共享的特點(diǎn)能夠減少網(wǎng)絡(luò)參數(shù)，避免由于參數(shù)過(guò)多造成的過(guò)擬合現(xiàn)象，并降低系統(tǒng)所需內(nèi)存。一維卷積層的卷積計(jì)算公式為：

(2)

ReLU(x)=max(0,x)

(3)

將經(jīng)過(guò)卷積后得到的向量采用最大池化進(jìn)行稀疏，其能夠選取特征圖中的最大值，簡(jiǎn)化網(wǎng)絡(luò)參數(shù)加速模型訓(xùn)練，最大池化公式為：

(4)

Squeeze-and-Excitation Networks(SEnet網(wǎng)絡(luò))[15]是胡杰團(tuán)隊(duì)于2017年提出的新型網(wǎng)絡(luò)結(jié)構(gòu)，并利用該模型獲得了ImageNet 2017競(jìng)賽圖像分類任務(wù)的冠軍。本課題利用該網(wǎng)絡(luò)作為特征重標(biāo)定層，通過(guò)損失函數(shù)值去學(xué)習(xí)特征權(quán)重，調(diào)整有效的特征信息權(quán)重大，從而優(yōu)化模型達(dá)到更好的訓(xùn)練效果，SEnet網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 SEnet網(wǎng)絡(luò)結(jié)構(gòu)

在振動(dòng)信號(hào)數(shù)據(jù)經(jīng)過(guò)卷積與池化層后，將其輸入到SEnet網(wǎng)絡(luò)進(jìn)行特征重標(biāo)定，自適應(yīng)獲取每個(gè)特征通道的重要程度。SEnet網(wǎng)絡(luò)主要包含Squeeze(壓縮)和Excitation(激勵(lì))兩個(gè)部分。

Squeeze操作：數(shù)據(jù)X經(jīng)過(guò)Ftr卷積池化轉(zhuǎn)換后得到圖5中的第二個(gè)模塊U，其中H，W1，C代表張量的長(zhǎng)度、寬度以及通道數(shù)。模塊U經(jīng)過(guò)Fsq操作變?yōu)?*1*C的輸出，其公式為：

(5)

式中，zc為壓縮操作后的輸出量，uc(i,j)為c通道中第i行第j列的輸出值。經(jīng)過(guò)Squeeze操作進(jìn)行特征映射后，原始的多維信號(hào)特征被映射為一個(gè)數(shù)值，該數(shù)值具有全局感受野，這使得靠近輸入的層也能獲得全局感受野，增強(qiáng)了模型的泛化能力。

Excitation操作：通過(guò)壓縮操作得到的結(jié)果為zc，將W1與zc進(jìn)行全連接操作，如公式(6)所示。

s=Fex(zc,W)=σ(g(zc,W))=σ(W2δ(W1zc))

(6)

(7)

2)ResNeXt網(wǎng)絡(luò)層：

ResNeXt是ResNet和Inception的重構(gòu)網(wǎng)絡(luò)，將殘差和多尺度思想相融合，既避免了因?yàn)榫W(wǎng)絡(luò)模型過(guò)深而帶來(lái)的梯度彌散現(xiàn)象，又利用多尺度學(xué)習(xí)信號(hào)特征。該模型不需要多次實(shí)驗(yàn)設(shè)計(jì)復(fù)雜的Inception結(jié)構(gòu)細(xì)節(jié)，而是選用一致的拓?fù)浣Y(jié)構(gòu)共享超參數(shù)，通過(guò)基數(shù)來(lái)改變控制組卷積的分支數(shù)量，極大地提高了模型的可擴(kuò)展性。

將經(jīng)過(guò)特征重標(biāo)定后的振動(dòng)信號(hào)輸入到ResNeXt網(wǎng)絡(luò)層，該網(wǎng)絡(luò)平行堆疊相同拓?fù)浣Y(jié)構(gòu)的殘差塊，減少超參數(shù)，便于模型的移植。ResNeXt的單個(gè)殘差塊在低維嵌入上實(shí)施一系列變換，再將輸出數(shù)據(jù)通過(guò)相加的方式聚合，ResNet與ResNeXt基本模塊的結(jié)構(gòu)對(duì)比如圖6所示。

圖6 ResNet和ResNeXt模塊結(jié)構(gòu)對(duì)比

左圖為常見(jiàn)的ResNet網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)深度較深或參數(shù)較多時(shí)，模型訓(xùn)練梯度可能會(huì)發(fā)生彌散現(xiàn)象，本文采用殘差結(jié)構(gòu)優(yōu)化信息傳遞路徑，避免梯度彌散現(xiàn)象的發(fā)生。圖6中右圖為改進(jìn)的ResNeXt網(wǎng)絡(luò)，拆分-轉(zhuǎn)換-合并的形式可表示為：

(8)

其中：Ti為相同的拓?fù)浣Y(jié)構(gòu)，c為一個(gè)模塊中所具有的相同分支的數(shù)目，通常將c稱為基數(shù)，c的取值可以是任意數(shù)。ResNeXt網(wǎng)絡(luò)既可以對(duì)信號(hào)的空間特征進(jìn)行更加深層次的學(xué)習(xí)，又可以利用多尺度結(jié)構(gòu)提高模型性能。

3)故障分類層：

在經(jīng)過(guò)ResNeXt模型提取信號(hào)特征后，利用全局平均池化將向量展平為一維，最后使用全連接層的Softmax函數(shù)將輸出進(jìn)行特征轉(zhuǎn)換，完成軸承故障診斷。Softmax函數(shù)如式9所示。p(i)為第i個(gè)樣本的概率值，且0

(9)

本文采用交叉熵?fù)p失函數(shù)進(jìn)行網(wǎng)絡(luò)優(yōu)化，損失函數(shù)定義如式(10)所示，式中n為每個(gè)訓(xùn)練批次的大小，k代表分類的類別數(shù)，k=[0,1,…,9]，Y代表輸出的概率分布，P代表真實(shí)的故障標(biāo)簽。

(10)

2 實(shí)驗(yàn)及結(jié)果分析

為測(cè)試模型的診斷準(zhǔn)確率，本實(shí)驗(yàn)在采樣頻率為12 kHz，0hp負(fù)載的條件下進(jìn)行了測(cè)試實(shí)驗(yàn)，該負(fù)載對(duì)應(yīng)的轉(zhuǎn)速為1 797 rpm，實(shí)驗(yàn)數(shù)據(jù)共包含5 600條訓(xùn)練數(shù)據(jù)，2 400條測(cè)試數(shù)據(jù)，仿真實(shí)驗(yàn)采用Python的深度學(xué)習(xí)框架keras來(lái)實(shí)現(xiàn)；仿真平臺(tái)為Inteli7-6700CPU3.40 GHz，24 G內(nèi)存，Win1 064位操作系統(tǒng)；不采用GPU加速。實(shí)驗(yàn)參數(shù)：輸入一維信號(hào)長(zhǎng)度為441，采用Adam優(yōu)化器進(jìn)行梯度下降，最大迭代次數(shù)200，每批次訓(xùn)練樣本256。

2.1 參數(shù)設(shè)置

雖然本文提出的SE-ResNeXt模型使用了組卷積的概念，簡(jiǎn)化了超參數(shù)的選取，但是卷積和池化層仍然需要進(jìn)行參數(shù)的設(shè)定，經(jīng)過(guò)多次重復(fù)性實(shí)驗(yàn)，最后得到了如表2的參數(shù)設(shè)置與模型結(jié)構(gòu)。

表2 模型參數(shù)

2.2 故障診斷試驗(yàn)

圖7為SE-ResNeXt網(wǎng)絡(luò)迭代200次的訓(xùn)練與測(cè)試準(zhǔn)確率曲線圖，其中模型輸入為原始一維振動(dòng)信號(hào)數(shù)據(jù)，圖中可以看到本文所提模型在迭代大約120輪后訓(xùn)練準(zhǔn)確率已達(dá)到99.2左右，雖有較小波動(dòng)但是后續(xù)逐漸趨于平穩(wěn)，證明了所提模型能夠較好的完成滾動(dòng)軸承的故障診斷與分類。

圖7 SE-ResNeXt模型訓(xùn)練準(zhǔn)確率曲線

本文采取的軸承故障診斷評(píng)估指標(biāo)有準(zhǔn)確率(Accuracy)：所有正確分類的樣本與所有樣本之比；召回率(Recall)：實(shí)際正常的

樣本與預(yù)測(cè)為正常樣本之比；F1(F1-Score)：準(zhǔn)確率與召回率的調(diào)和平均，其對(duì)應(yīng)公式為：

(11)

(12)

(13)

式中,TN代表將正常樣本正確分類的樣本數(shù)；TP代表將故障樣本正確分類的樣本數(shù)；FN代表錯(cuò)誤分類故障樣本數(shù)；FP代表錯(cuò)誤分類正常樣本數(shù)。利用上述指標(biāo)對(duì)SE-ResNeXt模型診斷實(shí)驗(yàn)結(jié)果的評(píng)價(jià)如表3所示。

表3 SE-ResNeXt模型分類結(jié)果

在未使用模型時(shí)，模型訓(xùn)練用時(shí)為456 s，利用模型復(fù)用技術(shù)，該網(wǎng)絡(luò)調(diào)用已訓(xùn)練完畢的模型，進(jìn)行故障診斷，得到的平均準(zhǔn)確率為99.25%，重構(gòu)時(shí)間為2.16 s。在本次實(shí)驗(yàn)中，我們采用了NIN、Inception-V1、VGG16、1DCNN四種模型與SE-ResNeXt進(jìn)行了十分類對(duì)比測(cè)試，實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 十次實(shí)驗(yàn)的平均測(cè)試準(zhǔn)確率

為進(jìn)一步分析模型的診斷分類效果，將模型訓(xùn)練的0 hp負(fù)載數(shù)據(jù)在全連接層進(jìn)行T-SNE技術(shù)的特征降維，然后將二維特征向量進(jìn)行可視化，結(jié)果如圖9所示。降維可視化表明，在未進(jìn)行分類時(shí)，各種故障特征雜糅在一起，難以區(qū)分，經(jīng)過(guò)SE-ResNeXt模型訓(xùn)練后在全連接層已經(jīng)具有較為明顯的十類分布。

圖9 T-SNE特征可視化

2.3 模型魯棒性實(shí)驗(yàn)

在實(shí)際的工業(yè)生產(chǎn)中，機(jī)械設(shè)備的滾動(dòng)軸承往往處于較為復(fù)雜的環(huán)境條件下，實(shí)驗(yàn)測(cè)量所得到的振動(dòng)信號(hào)并不都是純凈的，經(jīng)常夾雜著許多的噪聲。因此為了進(jìn)一步的測(cè)試模型的魯棒性，使用1 hp的正常數(shù)據(jù)進(jìn)行訓(xùn)練，并在測(cè)試數(shù)據(jù)中加入不同強(qiáng)度的高斯白噪聲，評(píng)估模型在不同信噪比下的性能。

以正常振動(dòng)信號(hào)與外圈故障0.007英寸的振動(dòng)信號(hào)為例，加入10 dB與20 dB的噪聲信號(hào)，信噪比的定義如式(14)所示。

(14)

式中,Asignal為信號(hào)的幅度，Anoise為噪聲幅度，實(shí)驗(yàn)十次取平均值，測(cè)試結(jié)果如表4所示。

表4 模型抗噪聲實(shí)驗(yàn)結(jié)果 %

由表中的數(shù)據(jù)可知，模擬真實(shí)工業(yè)生產(chǎn)環(huán)境，添加不同的噪聲信號(hào)后，模型的檢測(cè)準(zhǔn)確率有所下降，且噪聲越大，對(duì)模型的影響越大。多次實(shí)驗(yàn)所測(cè)得的結(jié)果是SE-ResNeXt模型診斷準(zhǔn)確率最高。分析1DCNN的抗噪聲能力不錯(cuò)是其采用了卷積神經(jīng)網(wǎng)絡(luò)，提取的特征具有平移不變的特點(diǎn)，增加了模型的魯棒性，但因?yàn)槠洳⑽催M(jìn)行特征重標(biāo)定，模型感受野有限且學(xué)習(xí)深度不夠從而導(dǎo)致模型的準(zhǔn)確率較低。VGG16僅僅依靠堆疊較深層次的卷積網(wǎng)絡(luò)，雖然模型在噪聲較小的情況下準(zhǔn)確率較高，但是由于感受野有限，導(dǎo)致模型的魯棒性欠佳。

3 結(jié)束語(yǔ)

本文首先介紹了常用的軸承故障診斷方法，然后在相關(guān)研究的基礎(chǔ)上，提出了一種基于SE-ResNeXt網(wǎng)絡(luò)的軸承故障診斷方法，該方法直接從原始一維振動(dòng)信號(hào)提取特征進(jìn)行學(xué)習(xí)，通過(guò)設(shè)計(jì)相應(yīng)的網(wǎng)絡(luò)參數(shù)完成最優(yōu)診斷模型的構(gòu)建，從而實(shí)現(xiàn)了端到端的軸承故障診斷。

實(shí)驗(yàn)結(jié)果表明：與目前常用的深度學(xué)習(xí)算法相比，本文所提模型具有更好地檢測(cè)準(zhǔn)確率，利用模型復(fù)用技術(shù)，可以在較短時(shí)間內(nèi)實(shí)現(xiàn)故障的快速診斷。工業(yè)生產(chǎn)中的噪聲會(huì)嚴(yán)重影響模型的診斷準(zhǔn)確性，本文所提模型可減小噪聲對(duì)診斷結(jié)果的影響，提高在噪聲影響下的診斷準(zhǔn)確率。

在將來(lái)的工作中，本文將針對(duì)以下兩個(gè)方面進(jìn)行更加深入的探索：

1)研究數(shù)據(jù)類別高度不平衡的滾動(dòng)軸承故障檢測(cè)算法。

2)在保持高準(zhǔn)確率的情況下，探索故障檢測(cè)時(shí)間較短的深度學(xué)習(xí)算法。