楊如意

（國(guó)電內(nèi)蒙古東勝熱電有限公司，鄂爾多斯017000）

0 引言

電機(jī)軸承是電機(jī)的重要組成部分，廣泛應(yīng)用于電力生產(chǎn)等工業(yè)領(lǐng)域。如果設(shè)備出現(xiàn)故障，將影響系統(tǒng)運(yùn)行，甚至可能造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡。因此，對(duì)電機(jī)軸承進(jìn)行有效的故障診斷，不僅可以保證系統(tǒng)的高效運(yùn)行，而且可以及時(shí)發(fā)現(xiàn)和排除運(yùn)行故障，有效地預(yù)防重大事故的發(fā)生[1]。

電機(jī)軸承故障診斷技術(shù)是近年來出現(xiàn)的一門綜合技術(shù)，它包含了許多新的科學(xué)技術(shù)研究。其基本原理是在電機(jī)有負(fù)載或無負(fù)載的情況下，根據(jù)設(shè)備在運(yùn)行過程中產(chǎn)生的機(jī)械、電氣等各種信息來判斷電機(jī)是否發(fā)生故障或運(yùn)行良好。從而實(shí)現(xiàn)了對(duì)電機(jī)的狀態(tài)參數(shù)進(jìn)行檢測(cè)和分析，確定異常的存在，判斷故障的位置和原因，預(yù)測(cè)電機(jī)的未來狀態(tài)的功能[2]。軸承是旋轉(zhuǎn)電機(jī)中的一個(gè)易損部件，因?yàn)樗偸窃趷毫拥沫h(huán)境下工作，如沖擊、重載和高溫[3-4]。因此，軸承狀態(tài)監(jiān)測(cè)與故障診斷對(duì)于保證軸承的安全運(yùn)行，減少故障損失具有重要意義。在過去的幾十年中，為了從振動(dòng)、聲音、電流、溫度信號(hào)中提取有用的信息，許多技術(shù)，如小波分析[5-6]、隨機(jī)共振[7-9]、線性自回歸建模[10]，以及經(jīng)驗(yàn)?zāi)Ｊ椒纸鈁11-12]等在電機(jī)軸承故障診斷中相繼應(yīng)用。特別是從新興的先進(jìn)信號(hào)處理方法中獲益，其中振動(dòng)和聲音信號(hào)分析技術(shù)得到了迅速發(fā)展[5,12-13]。

本文通過殘差BiLSTM構(gòu)建深度神經(jīng)網(wǎng)絡(luò)故障模型，將其用于電機(jī)軸承故障診斷。殘差BiLSTM可以從軸承的振動(dòng)信號(hào)中學(xué)習(xí)和提取特征，通過Soft?max層便可實(shí)現(xiàn)故障分類。利用測(cè)試數(shù)據(jù)對(duì)故障識(shí)別的準(zhǔn)確性進(jìn)行了測(cè)試，并與其他機(jī)器學(xué)習(xí)算法進(jìn)行了故障識(shí)別率的比較，表明了本文提出的方法的優(yōu)越性。

1 BiLSTM和殘差連接

1.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）

LSTM單元結(jié)構(gòu)如圖1所示，其通過在RNN基礎(chǔ)上添加門控機(jī)制來解決RNN的長(zhǎng)期依賴問題。LSTM單元在時(shí)刻t的實(shí)際輸入包括t-1時(shí)刻的狀態(tài)ht-1和當(dāng)前輸入xt。通過4個(gè)完全連接的神經(jīng)元ft、gt、it和ot，3個(gè)門被用來完成記憶或遺忘信息的功能，其中遺忘門決定有多少先前的信息將被向前傳送，輸入門控制新輸入信息的方面，輸出門決定在這個(gè)時(shí)間步將輸出什么。就輸出而言，ht隨后作為輸入被送入下一時(shí)刻，可以被認(rèn)為是一個(gè)短期狀態(tài)，而ct則決定了較長(zhǎng)期的依賴性。整個(gè)計(jì)算如等式（1）-式（5）所示。

式中，gt為臨時(shí)記憶單元，ct是新的記憶單元，it為輸入門，ft為遺忘門，ot為輸出門，W和U為權(quán)重矩陣。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

1.2 雙向LSTM

雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-direction LSTM，BiL?STM）已被成功廣泛應(yīng)用于自然語(yǔ)言處理和圖像處理，它是正向LSTM和反向LSTM的組合，其結(jié)構(gòu)如圖2所示，每個(gè)隱藏層神經(jīng)元保存兩個(gè)信息矩陣：A和A*，其中A參與正向計(jì)算，A*則參與反向計(jì)算，兩個(gè)信息矩陣共同決定最終輸出值y。進(jìn)行正向計(jì)算時(shí)，隱藏層神經(jīng)元St和St-1相關(guān)；反向運(yùn)算時(shí)，隱藏層神經(jīng)元相關(guān)。

圖2 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)

BiLSTM模型從兩個(gè)方向提取歷史數(shù)據(jù)特征，因此在處理時(shí)間序列數(shù)據(jù)時(shí)優(yōu)于單一LSTM模型。BiLSTM采用標(biāo)準(zhǔn)的LSTM網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行順序和倒序計(jì)算，得到兩種不同的外部狀態(tài)，然后通過一個(gè)全連接層得到最終結(jié)果。正向和反向LSTM的單元結(jié)構(gòu)和工作原理均相同，只是輸入的數(shù)據(jù)流不同。在正向LSTM中輸入的數(shù)據(jù)流是一個(gè)正向序列，而在反向LSTM中輸入的數(shù)據(jù)流是一個(gè)反向序列。在訓(xùn)練過程中，需要對(duì)逆序輸出結(jié)果進(jìn)行反轉(zhuǎn)，然后才能將其輸入到全連接層。

1.3 殘差鏈接

He等[15]于2016年在論文中提出了殘差連接網(wǎng)絡(luò)（ResNet），其以構(gòu)建殘差塊（Residual block）的方式大大加深了網(wǎng)絡(luò)層次，其結(jié)構(gòu)如圖3所示。x為殘差塊輸入，H（x）為輸出，F(xiàn)（x）為映射函數(shù)。

圖3殘差塊結(jié)構(gòu)

若有L個(gè)殘差塊依次堆疊連接，以x（l）作為第l個(gè)殘差塊的輸入，x（l+1）為殘差塊的輸出?？汕蠼獾玫降贚個(gè)殘差塊的輸出如下所示：

從式（6）可知，殘差方式連接的深度網(wǎng)絡(luò)的特征是各層殘差特征的累加和，由此確保了l+1層比l層具備更多的特征信息。

2 基于ResBiLSTM的軸承故障診斷

2.1 ResBiLSTM診斷模型

當(dāng)神經(jīng)網(wǎng)絡(luò)隱藏層逐漸加深時(shí)，容易出現(xiàn)梯度消失和梯度彌散的現(xiàn)象，而殘差連接能夠在深度網(wǎng)絡(luò)中抑制這兩種情況，同時(shí)也減少了深度網(wǎng)絡(luò)模型參數(shù)量，提升網(wǎng)絡(luò)訓(xùn)練效率，利于網(wǎng)絡(luò)高效提取更高層次的數(shù)據(jù)特征。BiLSTM能夠有效提取時(shí)序數(shù)據(jù)特征，本文將兩者結(jié)合，構(gòu)建了殘差BiLSTM（ResBiLSTM）診斷模型如圖4所示，模型包括BiLSTM層和兩個(gè)殘差單元，其共同完成軸承時(shí)序故障數(shù)據(jù)特征提取，隨后將特征送入Softmax層完成故障分類，網(wǎng)絡(luò)中加入了批標(biāo)準(zhǔn)化（BN）和隨機(jī)丟棄（dropout），進(jìn)一步增強(qiáng)模型訓(xùn)練效率和泛化能力。

圖4診斷模型結(jié)構(gòu)

2.2 實(shí)驗(yàn)設(shè)施

本文的實(shí)驗(yàn)數(shù)據(jù)來自美國(guó)凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心[14]。電機(jī)軸承振動(dòng)信號(hào)由圖5所示的實(shí)驗(yàn)系統(tǒng)測(cè)量。該系統(tǒng)由電機(jī)（左）、測(cè)功機(jī)（右）和相關(guān)控制電路組成，軸承型號(hào)為SKF。實(shí)驗(yàn)人員使用電火花機(jī)床在軸承的內(nèi)圈、外圈和滾珠分別引入直徑范圍從0.007英寸到0.040英寸的故障，將有故障的軸承重新安裝到測(cè)試電動(dòng)機(jī)中，實(shí)驗(yàn)人員在外殼上放置一個(gè)16通道加速度計(jì)進(jìn)行數(shù)據(jù)采集，記錄了0到3馬力（電動(dòng)機(jī)速度為1720到1797 RPM）的振動(dòng)數(shù)據(jù)，采樣頻率分別為12 kHz和48 kHz。

圖5軸承測(cè)試系統(tǒng)

故障數(shù)據(jù)包括驅(qū)動(dòng)端（DE）軸承故障數(shù)據(jù)以及風(fēng)扇端（FE）軸承故障數(shù)據(jù)，本文選擇軸承驅(qū)動(dòng)端的振動(dòng)信號(hào)用于AE的訓(xùn)練，使用的是12 kHz頻率下獲得的數(shù)據(jù)，其中選取數(shù)據(jù)包括4種工作狀態(tài)，不同工作狀態(tài)故障直徑、電機(jī)轉(zhuǎn)速情況如表1所示。

表1不同工作狀態(tài)故障信息

利用采集的數(shù)據(jù)繪制軸承振動(dòng)信號(hào)的曲線，如圖6所示。

圖6軸承振動(dòng)信號(hào)曲線

從圖6可以看出，雖然波形可以提前指示故障的相關(guān)脈沖，但在某些情況下（尤其是發(fā)生滾珠故障時(shí)），它具有特別大的噪聲干擾，不利于故障診斷，需要采用能從故障信號(hào)中提取有用特征的先進(jìn)方法才能對(duì)故障進(jìn)行有效識(shí)別。

3 仿真分析

本文在準(zhǔn)備好故障數(shù)據(jù)后，基于TensorFlow 2.0中的Sequential、Layers等類構(gòu)建了ResBiLSTM，將ResBiLSTM得到的數(shù)據(jù)特征送至Softmax分類器進(jìn)行訓(xùn)練，最終得到電機(jī)軸承的故障類型輸出。對(duì)表1中的4種不同工作狀態(tài)進(jìn)行了仿真分析。每種工作狀態(tài)選擇3000組數(shù)據(jù)作為訓(xùn)練集，選擇1000組數(shù)據(jù)作為測(cè)試集。AE的故障診斷結(jié)果如圖7和圖8所示，圖7表示第一種和第二種工作狀態(tài)，圖8表示第三種和第四種工作狀態(tài)，其中1表示正常工作，2表示內(nèi)圈故障，3表示外圈故障，4表示滾珠故障。

圖7工作狀態(tài)1和2診斷結(jié)果

圖8工作狀態(tài)3和4診斷結(jié)果

從圖7和圖8可以看出，不同工況下的1000個(gè)測(cè)試數(shù)據(jù)中，故障診斷正確率均在98%以上，實(shí)驗(yàn)結(jié)果表明，所構(gòu)造的ResBiLSTM對(duì)電機(jī)軸承故障具有較高的識(shí)別能力。并將所提出的方法與深度卷積神經(jīng)網(wǎng)絡(luò)、LSTM和SVM算法進(jìn)行了比較，同樣是在四種不同工作狀態(tài)下進(jìn)行軸承故障診斷，多次運(yùn)行（20次）的診斷結(jié)果的平均值繪制如表2所示。從表2中可以看出，ResBiLSTM的故障診斷效果明顯優(yōu)于SVM，略優(yōu)于深度CNN和LSTM，進(jìn)一步驗(yàn)證了Res?BiLSTM的有效性。

表2不同算法診斷對(duì)比

4 結(jié)語(yǔ)

本文結(jié)合殘差連接和BiLSTM的優(yōu)勢(shì)，構(gòu)建了深度ResBiLSTM網(wǎng)絡(luò)，以ResBiLSTM完成軸承時(shí)序故障數(shù)據(jù)故障特征提取，將其送入Softmax層完成故障分類，通過與CNN、LSTM以及SVM算法對(duì)比可知，本文所采取方法更有效。注意力機(jī)制可將更多計(jì)算能力分配重要的輸入信息，突出有用的輸入和特征，后續(xù)可嘗試將ResBiLSTM與注意機(jī)制相結(jié)合，進(jìn)一步增強(qiáng)網(wǎng)絡(luò)特征提取能力，提升網(wǎng)絡(luò)故障辨識(shí)率。