凌靜

摘要：本文提出了一種基于堆棧稀疏自編碼器（SSAE）的滾動(dòng)軸承故障類別的自動(dòng)識(shí)別方法。將原始軸承信號(hào)進(jìn)行截?cái)嗵幚恚缺Ａ袅擞杏眯畔?，又?jǐn)U充了樣本數(shù)量，有利于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。采用雙層SAE神經(jīng)網(wǎng)絡(luò)模型，結(jié)合softmax分類器，完成對(duì)軸承故障類別的自動(dòng)識(shí)別，通過對(duì)比實(shí)驗(yàn)表明，本文所提方法穩(wěn)定有效，且準(zhǔn)確率高。

關(guān)鍵詞：堆棧稀疏自編碼器;滾動(dòng)軸承;神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：TH165.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-957X（2021）01-0143-03

0? 引言

作為現(xiàn)代制造業(yè)的重要組成部分，軸承在大多數(shù)旋轉(zhuǎn)機(jī)械的可靠運(yùn)行中起著至關(guān)重要的作用。機(jī)械設(shè)備的安全性和穩(wěn)定性由滾動(dòng)軸承的性能所直接影響[1]，但是由于經(jīng)常在各種復(fù)雜工況下，軸承容易發(fā)生滾動(dòng)體變形和裂縫等各種缺陷，不僅可能會(huì)造成經(jīng)濟(jì)損失，甚至?xí)戆踩[患。因此如何實(shí)現(xiàn)對(duì)滾動(dòng)軸承的故障檢測和識(shí)別具有重要的意義。

從某種意義上講，滾動(dòng)軸承故障診斷可視為一個(gè)故障模式識(shí)別過程，通常軸承的故障診斷包含兩個(gè)主要步驟：特征提取和故障識(shí)別[2]。特征提取主要是采用某種數(shù)學(xué)變換，一般根據(jù)經(jīng)驗(yàn)選擇數(shù)學(xué)變換居多，將采集到的原始信號(hào)變換成低維特征空間的新的向量，多種變換得到的多個(gè)新向量組成特征向量，從而能夠更簡潔且更突出的表達(dá)故障的特征信息。故障識(shí)別是一種將提取到的特征向量輸入到設(shè)計(jì)合理的模式分類器來進(jìn)行模式識(shí)別的方法。趙洪山等[3]提出了基于奇異值分解和變分模態(tài)分解的特征提取方法，他采用標(biāo)準(zhǔn)模糊C均值聚類（fuzzy C means clustering，F(xiàn)CM）對(duì)滾動(dòng)軸承進(jìn)行故障的識(shí)別。鄭近德等[4]引入多尺度排列熵（MPE）的概念，利用其對(duì)機(jī)械故障診斷中滾動(dòng)軸承故障進(jìn)行特征提取，再結(jié)合支持向量機(jī)（SVM）對(duì)滾動(dòng)軸承進(jìn)行故障類別的識(shí)別。胥永剛等[5]提出一種基于支持向量機(jī)（SVM）和雙樹復(fù)小波包變換的故障類別識(shí)別方法，先從各個(gè)頻帶分量中提取能量特征參數(shù)，再將其輸入到支持向量機(jī)中來進(jìn)行滾動(dòng)軸承的故障類別識(shí)別。雖然傳統(tǒng)的方法在滾動(dòng)軸承故障類別識(shí)別方面取得了巨大的成就，但是軸承故障類別的識(shí)別精度高低與故障特征的提取是否有效息息相關(guān)，針對(duì)復(fù)雜且大量的故障特征，為了從中篩選出有效的特征，人工選擇特征面臨著巨大的挑戰(zhàn)。

近年來，深度學(xué)習(xí)方法在軸承的故障診斷方面提供了新方法和新思路，大大優(yōu)于其他方法[6]。深度學(xué)習(xí)的特點(diǎn)在于它能夠從訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)低層特征，并通過多層網(wǎng)絡(luò)結(jié)構(gòu)的非線性變換逐步形成更加抽象的高層特征，換言之，其可以自動(dòng)提取有效特征。因此人工選擇故障特征不夠較為有效的缺點(diǎn)可以由深度學(xué)習(xí)的理論從根本上彌補(bǔ)，通過自動(dòng)提取有效特征，在提高軸承故障類別的識(shí)別精度方面較為可觀。湯芳等[7]提出了一種基于稀疏自編碼（SAE）的深度神經(jīng)網(wǎng)絡(luò)，它是一種無監(jiān)督學(xué)習(xí)的方法，利用SAE自動(dòng)提取信號(hào)的有效特征，然后用于滾動(dòng)軸承故障識(shí)別。

受上述深度學(xué)習(xí)的啟發(fā)，在軸承故障識(shí)別研究中，本文提出了一種基于堆棧稀疏自編碼器（SSAE）結(jié)合softmax分類器的方法。堆疊兩層SAE構(gòu)成本文所需的SSAE，從第二層SAE的隱含層中提取特征，輸入到softmax分類器中，最后實(shí)驗(yàn)結(jié)果表明，該方法對(duì)軸承故障分類識(shí)別有較好的分類效果。

1? 堆棧稀疏自編碼器

1.1 自編碼器

自編碼器是一個(gè)神經(jīng)網(wǎng)絡(luò)，它由輸入層、隱含層以及輸出層構(gòu)成。從輸入層到隱含層可以看做是一個(gè)編碼的過程，而從隱含層到輸出層可以看做是一個(gè)解碼過程，編碼和解碼的計(jì)算公式如下：

式（1）和式（2）中，f和g分別是編碼函數(shù)和解碼函數(shù)。sf和sg分別是編碼激活函數(shù)和解碼激活函數(shù)，本文選用的是Sigmod函數(shù)，w和■為權(quán)重矩陣，兩者互為共軛關(guān)系，另外，p和q分別是編碼和解碼過程中的偏置向量。結(jié)合自編碼器的輸入和輸出，通過反向傳播算法對(duì)權(quán)重矩陣和偏置向量等參數(shù)進(jìn)行更新，迭代多次將會(huì)逐步更新多次，從而使模型更優(yōu)。圖1是自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)圖。

1.2 堆棧稀疏自編碼器

堆棧式稀疏自編碼器（SSAE）是由多個(gè)稀疏自編碼器（SAE）堆疊構(gòu)成的，和不同的分類器進(jìn)行連接構(gòu)成了不同的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型[8]。對(duì)堆棧式稀疏自編碼器進(jìn)行訓(xùn)練，得到該層SAE的隱含層相應(yīng)的特征，輸入到激活函數(shù)得到下一個(gè)SAE的輸入，經(jīng)過多次迭代之后，完成對(duì)SSAE的訓(xùn)練。本文選擇了兩層SAE構(gòu)成SSAE，并將第二層SAE的隱含層提取出來輸入到Softmax分類器中，來實(shí)現(xiàn)對(duì)信用卡客戶信用度的分類識(shí)別。其中softmax的輸出為概率分布，且可以得到屬于每個(gè)類別的概率，輸出概率之和為1，輸出概率計(jì)算如式（3），分類器模型結(jié)構(gòu)如圖2所示。

2? 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)描述

本文采用的數(shù)據(jù)來源于paderborn大學(xué)實(shí)驗(yàn)室，對(duì)6203型滾動(dòng)軸承以高分辨率和采樣率同步測量得到的軸承振動(dòng)信號(hào)，數(shù)據(jù)樣本總共分為三類：健康軸承、人為損壞的軸承和由加速壽命測試而造成損壞的軸承。采樣條件有四種：T1、T2、T3和T4。T1表示轉(zhuǎn)數(shù)900rpm、轉(zhuǎn)矩0.7Nm和徑向力1000N的采樣條件;T2表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.1Nm和徑向力1000N的采樣條件;T3表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.7Nm和徑向力400N的采樣條件;T4表示轉(zhuǎn)數(shù)1500rpm、轉(zhuǎn)矩0.7Nm和徑向力1000N的采樣條件。

2.2 實(shí)驗(yàn)流程

本文對(duì)于原始信號(hào)首先采取的是數(shù)據(jù)截?cái)嗵幚?，將一維原始信號(hào)依次截成每個(gè)樣本信號(hào)為2048個(gè)點(diǎn)的新樣本信號(hào)。每個(gè)原始信號(hào)樣本點(diǎn)數(shù)都達(dá)到了25萬個(gè)點(diǎn)，樣本長度過大，采取截?cái)嗖僮?，既?duì)樣本長度進(jìn)行了縮減，又對(duì)樣本數(shù)量進(jìn)行了擴(kuò)充，圖3是各類別截?cái)嘀蟮男盘?hào)圖;接著根據(jù)標(biāo)簽將數(shù)據(jù)分類并進(jìn)行one-hot編碼。截?cái)嘀蟮玫叫聵颖緮?shù)據(jù)有3000個(gè)，分為訓(xùn)練集2100個(gè)，測試集900個(gè)，將訓(xùn)練集輸入到SSAE中進(jìn)行訓(xùn)練，從SSAE中的隱藏層提取出特征，放入softmax分類器中，再利用反向傳播算法更新模型參數(shù)，迭代多次之后得到訓(xùn)練完成的網(wǎng)絡(luò)模型。

2.3 實(shí)驗(yàn)結(jié)果與分析

通過堆棧稀疏自編碼器與softmax分類器網(wǎng)絡(luò)模型訓(xùn)練，完成了對(duì)軸承故障的分類預(yù)測模型的建立，將測試集輸入到預(yù)測模型中，得到總的準(zhǔn)確率達(dá)到了72.9%。實(shí)驗(yàn)結(jié)果的混淆矩陣如圖4所示。

圖4中，橫坐標(biāo)表示軸承故障的實(shí)際類別，縱坐標(biāo)表示軸承故障的預(yù)測類別，標(biāo)簽‘1’、‘2’和‘3’分別表示了健康標(biāo)簽、人為損壞標(biāo)簽和加速壽命測試損壞標(biāo)簽，在所有健康測試樣本中，預(yù)測錯(cuò)誤率僅為4.9%;總的準(zhǔn)確率達(dá)到72.9%。

為了驗(yàn)證本文方法的有效性，另外還分別采用BP模型[9]和SSAE結(jié)合BP模型與本文方法進(jìn)行了對(duì)比性的實(shí)驗(yàn)。同樣利用訓(xùn)練集進(jìn)行模型的訓(xùn)練，測試集輸入到訓(xùn)練好的模型中，得到的結(jié)果為：BP模型的預(yù)測準(zhǔn)確率為52.2%，SSAE結(jié)合BP模型的的預(yù)測準(zhǔn)確率為64.6%。準(zhǔn)確率均低于本文所提方法的72.9%。綜上表明，本文所提方法在軸承故障的分類識(shí)別上具有良好的穩(wěn)定性和準(zhǔn)確性。

3? 結(jié)論

本文提出了一種基于堆棧稀疏自編碼器（SSAE）的深度學(xué)習(xí)識(shí)別模型，對(duì)軸承的故障類型進(jìn)行分類。結(jié)果表明：

①采用堆棧稀疏自編碼器（SSAE）模型結(jié)合softmax分類器，對(duì)軸承故障數(shù)據(jù)進(jìn)行模型訓(xùn)練，能夠自動(dòng)對(duì)數(shù)據(jù)的自變量進(jìn)行維度的轉(zhuǎn)換且不失數(shù)據(jù)的有效信息，同時(shí)能夠減少后段模型（softmax）的參數(shù)數(shù)量級(jí)。

②經(jīng)過實(shí)驗(yàn)對(duì)比得出，本文所提的基于SSAE的深度學(xué)習(xí)方法，在軸承故障的分類識(shí)別上，比傳統(tǒng)的機(jī)器學(xué)習(xí)方法（如BP），具有更好的穩(wěn)定性和準(zhǔn)確性。

參考文獻(xiàn)：

[1]王曉鳳.齒輪箱中圓錐滾子軸承游隙的應(yīng)用問題研究[J].科技傳播，2014：66-67.

[2]胡德強(qiáng).滾動(dòng)軸承故障診斷方法綜述[J].內(nèi)燃機(jī)與配件，2019：151-153.

[3]趙洪山，郭雙偉，高奪.基于奇異值分解和變分模態(tài)分解的軸承故障特征提取[J].振動(dòng)與沖擊，2016，35（22）：183-188.

[4]鄭近德，程軍圣.多尺度排列熵及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].中國機(jī)械工程，2013，24（19）：2641-2646.

[5]胥永剛，孟志鵬，陸明.基于雙樹復(fù)小波包變換和SVM的滾動(dòng)軸承故障診斷方法[J].航空動(dòng)力學(xué)報(bào)，2014，29（01）：67-73.

[6]Wu， X.W.， D. Sahoo， and S.C.H. Hoi， Recent advances in deep learning for object detection[J]. Neurocomputing， 2020. 396： p. 39-64.

[7]湯芳，劉義倫，龍慧.稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J].機(jī)械科學(xué)與技術(shù)，2018，37（03）：352-357.

[8]杜燦誼，林祖勝，張紹輝.參數(shù)優(yōu)化SAE方法及在軸承故障診斷的應(yīng)用[J].控制工程，2019，26（5）：957-964.

[9]任君蘭.基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障信號(hào)診斷[J].內(nèi)燃機(jī)與配件，2019（2）：35-37.