賈子威 朱歷平 楊明超

摘要：針對起重機(jī)械中的滾動軸承在高轉(zhuǎn)速、重載荷和強(qiáng)噪聲背景下，早期故障特征難以提取及有效識別的問題，提出一種改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的故障診斷方法。該方法首先應(yīng)用短時(shí)傅里葉變換（STFT）將傳感器采集到的一維振動信號轉(zhuǎn)換為二維時(shí)頻圖，并將其作為改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的輸入，然后利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力自適應(yīng)地提取故障特征。最后，通過CNN模型最后一層的Softmax層對提取到的特征進(jìn)行分類從而實(shí)現(xiàn)故障診斷的目的。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);短時(shí)傅里葉變換;特征提取;故障診斷

中圖分類號：TP181? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）05-0131-03

0? 引言

隨著工業(yè)技術(shù)水平的不斷發(fā)展，智能診斷方法在機(jī)械設(shè)備故障診斷中占據(jù)了舉足輕重的地位。起重機(jī)械是工業(yè)場景和港口中裝卸作業(yè)的主要機(jī)械設(shè)備，用于垂直提升或水平移動重物[1]。滾動軸承是起重機(jī)械中承受載荷并支撐軸系部件的重要零件之一，當(dāng)滾動軸承突發(fā)故障時(shí)可能造成設(shè)備停機(jī)從而產(chǎn)生重大經(jīng)濟(jì)損失，嚴(yán)重時(shí)甚至?xí)斐扇藛T傷亡。由于起重機(jī)械工作環(huán)境比較復(fù)雜，滾動軸承早期故障呈現(xiàn)非平穩(wěn)、非線性的特點(diǎn)，因此實(shí)現(xiàn)高精度故障診斷的關(guān)鍵在于復(fù)雜工況下敏感特征的有效提取[2]。

深度學(xué)習(xí)擁有強(qiáng)大的特征提取能力，可以在故障類別與故障特征之間建立復(fù)雜映射關(guān)系[3]，目前國內(nèi)外諸多學(xué)者基于深度學(xué)習(xí)方法針對滾動軸承故障診斷中存在的問題展開了大量研究，提出了多種特征提取方法。例如，Ma S等首先提取了振動信號的時(shí)頻特征，并對其進(jìn)行解調(diào)后與深度殘差網(wǎng)絡(luò)進(jìn)行融合，實(shí)現(xiàn)了不穩(wěn)定工況下的智能故障診斷[4]。Zhao等提出一種改進(jìn)深度殘差網(wǎng)絡(luò)，通過在傳統(tǒng)方法中引入自適應(yīng)閾值，解決了強(qiáng)噪聲背景下故障特征難以提取的問題[5]。李小娟等提出一種深度度量學(xué)習(xí)方法，結(jié)合深度神經(jīng)網(wǎng)絡(luò)和深度度量學(xué)習(xí)模型的優(yōu)勢實(shí)現(xiàn)軸承故障分類識別[6]。以上研究主要以傳感器采集到的一維振動信號為模型的輸入，但研究表明卷積神經(jīng)網(wǎng)絡(luò)更適合應(yīng)用在二維樣本的特征信息提取中。本文提出一種改進(jìn)CNN的故障診斷方法，該方法以經(jīng)過STFT處理生成時(shí)頻圖為模型輸入，采用多層結(jié)合局部特征學(xué)習(xí)模塊代替CNN模型中的卷積層。

1? 相關(guān)理論

1.1 短時(shí)傅里葉變換

短時(shí)傅里葉變換（STFT）在原始的非平衡信號上添加固定長度的窗函數(shù)，將非平穩(wěn)信號分割成有限個(gè)平穩(wěn)的時(shí)間段，對每個(gè)時(shí)間段里的信號進(jìn)行傅里葉變換并得到最終結(jié)果[7]。其計(jì)算公式如下：

（1）

式中，t代表平移參數(shù)，h（t）為窗函數(shù)。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）無需人工干預(yù)，是一種“端到端”結(jié)構(gòu)，得益于其權(quán)值共享、局部感知等特性，可以用來處理復(fù)雜工況下的振動信號[8]。深度學(xué)習(xí)與淺層模型的不同之處在于隱藏層的添加，而在CNN中，隱藏層一般由卷積層、池化層和全連接層組成，CNN模型結(jié)構(gòu)如圖1所示。

其中，卷積層是CNN中實(shí)現(xiàn)特征提取的重要組成部分。卷積層利用卷積核對特征矩陣的感受野進(jìn)行卷積計(jì)算，完成對輸入數(shù)據(jù)的特征提取，并使用激活函數(shù)增強(qiáng)其非線性擬合能力[9]。卷積結(jié)果計(jì)算公式為：

（2）

式中：L表示第L層卷積層，*為卷積運(yùn)算符合，W表示卷積核。

2? 改進(jìn)CNN故障診斷方法

隨著隱藏層和神經(jīng)元個(gè)數(shù)的增加，CNN模型在訓(xùn)練過程中很容易出現(xiàn)過擬合現(xiàn)象，針對這一問題本文在傳統(tǒng)CNN模型的基礎(chǔ)上進(jìn)行改進(jìn)，在其隱藏層中添加批歸一化層組成局部特征學(xué)習(xí)模塊。相比于傳統(tǒng)CNN，改進(jìn)后的模型可以利用批歸一化層對卷積層提取到的特征進(jìn)行歸一化處理，進(jìn)而提高模型穩(wěn)定性。（圖2）

本文通過大量對照實(shí)驗(yàn)確定模型超參數(shù)如下：第一個(gè)卷積層尺寸為64*64，卷積核為3*3、步長為1;第二個(gè)卷積層尺寸為32*32;第三個(gè)卷積層尺寸為16*16;全連接層大小為512，激活函數(shù)為ReLU非線性函數(shù)，計(jì)算公式為：

（3）

訓(xùn)練過程中每層權(quán)重隨機(jī)初始化滿足標(biāo)準(zhǔn)差為0.1，均值為0的正態(tài)分布，應(yīng)用隨機(jī)梯度下降法訓(xùn)練模型，權(quán)值更新公式為：

? ? ? ? ? ?（4）

式中，Di表示訓(xùn)練過程中輸入的樣本，ε表示學(xué)習(xí)率。使用STFT將振動信號轉(zhuǎn)換為時(shí)頻圖后，利用改進(jìn)后的CNN模型進(jìn)行特征提取實(shí)現(xiàn)故障診斷，算法流程圖如圖3所示。

故障診斷步驟如下：

①對傳感器采集到的振動數(shù)據(jù)進(jìn)行預(yù)處理，并劃分為訓(xùn)練集和測試集;

②對訓(xùn)練集的數(shù)據(jù)進(jìn)行STFT，并將結(jié)果輸入到改進(jìn)CNN模型中;

③訓(xùn)練改進(jìn)CNN模型;

④在訓(xùn)練好的CNN模型中輸入測試集數(shù)據(jù)，得到測試結(jié)果;

⑤實(shí)驗(yàn)結(jié)果分析。

3? 實(shí)驗(yàn)驗(yàn)證

本文實(shí)驗(yàn)數(shù)據(jù)由實(shí)驗(yàn)室搭建的滾動軸承故障模擬試驗(yàn)臺上進(jìn)行采集，使用電火花在SKF6205型深溝球軸承表面加工直徑為0.178mm的損傷。轉(zhuǎn)軸由電機(jī)驅(qū)動，將壓電式加速度傳感器安裝在軸承支座上，驅(qū)動電機(jī)轉(zhuǎn)速為35Hz。本實(shí)驗(yàn)共模擬了滾動軸承四種健康狀態(tài)，分別為：軸承滾動子故障、軸承外圈故障、軸承內(nèi)圈故障和正常工況下的健康狀態(tài)。圖4為振動信號時(shí)域圖，圖5為四種健康狀態(tài)經(jīng)過STFT處理后的時(shí)頻圖。

實(shí)驗(yàn)采樣頻率為10240Hz，每種健康狀態(tài)的信號各采集100組，共400組，每組信號包含2048個(gè)樣本點(diǎn)。從每種狀態(tài)中隨機(jī)選出80組作為訓(xùn)練集，其余20組作為測試集，經(jīng)過STFT后輸入到CNN中進(jìn)行特征提取和模態(tài)識別，提取CNN模型最后一層全連接層并進(jìn)行降維可視化即可得到其分類散點(diǎn)圖。

在圖6中，利用改進(jìn)CNN提取到的四種特征按類聚集在一起，實(shí)現(xiàn)了完全分離，且各類之間聚集非常緊密，從而驗(yàn)證了改進(jìn)CNN方法具有較強(qiáng)的特征提取能力，可以滿足故障診斷的要求。為了驗(yàn)證所提出方法的穩(wěn)定性和優(yōu)越性，將原始CNN故障診斷結(jié)果與改進(jìn)CNN模型進(jìn)行對比。

由圖7可知，原始CNN模型只將外圈故障全部分類正確，其他三類故障均有不同程度的誤診，最終的故障診斷結(jié)果不理想;在圖8中，改進(jìn)CNN模型只有少數(shù)部分內(nèi)圈故障判定為正常狀態(tài)，其余樣本診斷結(jié)果均正確。為了消除偶然性因素影響，本文將每組實(shí)驗(yàn)重復(fù)進(jìn)行十次并取平均值，測試結(jié)果與訓(xùn)練時(shí)間如表1所示。

上述實(shí)驗(yàn)表明，通過在原始CNN模型中添加局部特征學(xué)習(xí)模塊，顯著提高了模型的特征提取能力，改進(jìn)后的CNN平均故障診斷率相比于原始CNN提高了10.25%;將包含更多特征信息的二維時(shí)頻圖作為模型的輸入可以提高訓(xùn)練效率，改進(jìn)CNN模型平均訓(xùn)練時(shí)間縮短了1562s。

4? 結(jié)論

綜上所述，本文提出一種改進(jìn)CNN起重機(jī)械滾動軸承故障診斷方法，該方法通過在原始CNN模型中添加局部特征學(xué)習(xí)模塊，有效解決了模型訓(xùn)練過程中存在的過擬合問題;結(jié)合STFT將采集到的滾動軸承振動信號轉(zhuǎn)換為時(shí)頻圖，顯著提高了模型的訓(xùn)練效率和精度，在故障診斷實(shí)驗(yàn)中獲得了較高的準(zhǔn)確率。

參考文獻(xiàn)：

[1]趙鑫.起重機(jī)械風(fēng)險(xiǎn)評估方法與預(yù)防性檢修策略研究[D].東北大學(xué)，2013.

[2]孟祥峰. 基于深度學(xué)習(xí)的滾動軸承的故障診斷及預(yù)測[D].電子科技大學(xué)，2020.

[3]宋志坤，徐立成，胡曉依，任海星，李強(qiáng).基于改進(jìn)型shapelets算法的動車組軸箱軸承故障診斷方法研究[J/OL].儀器儀表學(xué)報(bào)：1-11[2020-12-19].http：//kns.cnki.net/kcms/detail/11.2179.th.20201210.1116.004.html.

[4]MA S， CHU F， HAN A D. Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions[J].Mech Syst Signal Process， 2019，127：190-201.

[5]ZHAO M，ZHONG S， FU X，et al.Deep residual shrinkage networks for fault diagnosis[C]// IEEE Transactions on Industrial Informatics， 2019，DOI：10.1109/TII.2019.2943898.

[6]李小娟，徐增丙，熊文，王志剛，譚俊杰.基于深度度量學(xué)習(xí)的軸承故障診斷方法[J].振動與沖擊，2020，39（15）：25-31.

[7]Liu Zongkai，Peng Chuan，Yang Xiaoqiang. Research and analysis of the wheeled vehicle load spectrum editing method based on short-time Fourier transform[J]. Proceedings of the Institution of Mechanical Engineers，2019，233（14）.

[8]曲建嶺，余路，袁濤，田沿平，高峰.基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承自適應(yīng)故障診斷算法[J].儀器儀表學(xué)報(bào)，2018，39（07）：134-143.

[9]任浩，屈劍鋒，柴毅，唐秋，葉欣.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（08）：1345-1358.