李中，盧春華，王星，班雙雙

(1.華北電力大學(xué)電子與通信工程系，保定 071003；2.華北電力大學(xué)河北省電力物聯(lián)網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，保定 071003)

滾動(dòng)軸承是一種將轉(zhuǎn)軸與軸座之間的滑動(dòng)摩擦轉(zhuǎn)變?yōu)闈L動(dòng)摩擦的精密機(jī)械元件[1]，在維持機(jī)電設(shè)備的平穩(wěn)運(yùn)行中起到?jīng)Q定性的作用。滾動(dòng)軸承常處于正常狀態(tài)運(yùn)行，導(dǎo)致實(shí)際工作中難以獲取與待測(cè)數(shù)據(jù)相同特征的訓(xùn)練數(shù)據(jù)[2]。充分發(fā)掘已知標(biāo)簽的振動(dòng)信號(hào)，從而檢測(cè)出潛在的新故障標(biāo)簽具有重要的實(shí)際意義[3]。

基于數(shù)據(jù)驅(qū)動(dòng)方法能充分挖掘振動(dòng)信號(hào)與故障類型之間的映射關(guān)系，提取出通用特征進(jìn)行故障診斷，得到了學(xué)者的廣泛的重視?；跀?shù)據(jù)驅(qū)動(dòng)方法可以劃分為基于統(tǒng)計(jì)的分析方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法[4]。

統(tǒng)計(jì)分析方法是通過對(duì)研究對(duì)象的規(guī)模、速度、范圍、程度等數(shù)量關(guān)系，運(yùn)用數(shù)學(xué)方式建立數(shù)學(xué)模型，揭示對(duì)象的變化規(guī)律和發(fā)展趨勢(shì)。為了從振動(dòng)信號(hào)中提取出故障沖擊成分，余建波等[5]將改進(jìn)形態(tài)濾波與固有時(shí)間尺度方法相結(jié)合應(yīng)用到滾動(dòng)軸承的故障診斷中。丁顯等[6]運(yùn)用尺度空間方法對(duì)風(fēng)電齒輪箱振動(dòng)信號(hào)的傅里葉譜進(jìn)行自動(dòng)分割，通過無(wú)參數(shù)經(jīng)驗(yàn)小波對(duì)信號(hào)進(jìn)行分解和重構(gòu)完成振動(dòng)信號(hào)故障特征提取。Wang等[7]提出了一種新的準(zhǔn)則來(lái)量化振動(dòng)信號(hào)的故障相關(guān)程度，提出一種新的經(jīng)驗(yàn)?zāi)B(tài)分解的加權(quán)和重構(gòu)策略，以確保在早期階段準(zhǔn)確提取故障特征。此外，其他時(shí)域頻域分析方法在滾動(dòng)軸承故障診斷中均有廣泛應(yīng)用，但在面對(duì)工況復(fù)雜的軸承振動(dòng)信號(hào)時(shí)，模型往往需要重復(fù)構(gòu)建具有較強(qiáng)的局限性。

傳統(tǒng)機(jī)器學(xué)習(xí)方法包括：支持向量機(jī)、反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器、集成學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等[8]。馬晨佩等[9]利用麻雀搜索算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化，相比于遺傳和粒子群優(yōu)化方法，提高了診斷模型的診斷性能。韓松等[10]提出了一種基于主成分分析和支持向量機(jī)模型的滾動(dòng)軸承故障診斷方法。機(jī)器學(xué)習(xí)一般由淺層網(wǎng)絡(luò)組成，在軸承的故障診斷中，依賴于基于先驗(yàn)知識(shí)提取振動(dòng)信號(hào)特征，采取多種優(yōu)化算法與傳統(tǒng)機(jī)器學(xué)習(xí)方法相結(jié)合的形式，對(duì)研究人員的先驗(yàn)知識(shí)要求較高，特征提取煩瑣且往往會(huì)丟失部分有效信息，診斷能力難以進(jìn)一步提高，從而限制了該方法的應(yīng)用和推廣。

深度學(xué)習(xí)可自適應(yīng)提取原始數(shù)據(jù)的特征，避免了研究人員手動(dòng)提取與選擇有效特征，其與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比各方面均取得優(yōu)異效果。軸承振動(dòng)信號(hào)為一維時(shí)序信號(hào)，Ince等[11]通過一維卷積神經(jīng)網(wǎng)絡(luò)將電機(jī)故障檢測(cè)的特征提取和分類相融合。祝道強(qiáng)等[12]基于一維卷積神經(jīng)網(wǎng)絡(luò)完成滾動(dòng)軸承的變負(fù)載故障診斷。這些端到端的方法雖然省去了人工特征提取，但一維時(shí)序信號(hào)在特征提取時(shí)容易造成特征丟失，然而卷積神經(jīng)網(wǎng)絡(luò)在處理二維圖像上更具優(yōu)勢(shì)。張立智等[13]對(duì)旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)做短時(shí)傅里葉變換，以時(shí)頻圖方式輸入到二維深度卷積網(wǎng)絡(luò),應(yīng)用于滾動(dòng)軸承與齒輪箱故障診斷中。李恒等[14]提出了短時(shí)傅里葉變換和卷積網(wǎng)絡(luò)相結(jié)合的故障診斷方法，實(shí)現(xiàn)端到端的故障識(shí)別。袁建虎等[15]對(duì)滾動(dòng)軸承振動(dòng)信號(hào)做連續(xù)小波變換，建立二維卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)滾動(dòng)軸承的智能故障診斷。仝鈺等[16]利用格拉姆角差域?qū)φ駝?dòng)信號(hào)編碼，之后將其輸入到卷積神經(jīng)網(wǎng)絡(luò)完成滾動(dòng)軸承故障特征的提取與分類。Long等[17]將振動(dòng)信號(hào)轉(zhuǎn)化為灰度圖，在基于LeNet-5模型基礎(chǔ)上對(duì)電機(jī)軸承數(shù)據(jù)、自吸離心泵數(shù)據(jù)集上完成分類。車暢暢等[18]將殘差收縮網(wǎng)絡(luò)模塊加入卷積神經(jīng)網(wǎng)絡(luò)中完成滾動(dòng)軸承灰度圖像的分類。肖雄等[19]結(jié)合AMSGrad算法訓(xùn)練卷積網(wǎng)絡(luò)，提高了基于灰度圖的滾動(dòng)軸承故障診斷精度，進(jìn)而提出基于二維灰度圖及輔助分類生成對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法應(yīng)用于電機(jī)軸承故障診斷[20]。

上述研究均采用單標(biāo)簽對(duì)滾動(dòng)軸承的故障信息進(jìn)行標(biāo)記，先驗(yàn)知識(shí)利用不充分、故障診斷不精確，模型的診斷能力依賴于已有的故障標(biāo)簽，面對(duì)新故障無(wú)法做出診斷，在先驗(yàn)故障信息不充分和故障樣本不完備時(shí)會(huì)出現(xiàn)泛化能力不足問題，沒有充分發(fā)掘訓(xùn)練數(shù)據(jù)的特征信息，難以檢測(cè)出訓(xùn)練數(shù)據(jù)中潛在的新故障。

為提高滾動(dòng)軸承多狀態(tài)分類的準(zhǔn)確率以及對(duì)新故障的診斷能力，提出一種考慮滾動(dòng)軸承故障位置與損傷程度的雙分支卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法。該方法基于滾動(dòng)軸承的振動(dòng)信號(hào)構(gòu)建二維灰度圖像數(shù)據(jù)集，將現(xiàn)有的單一故障標(biāo)簽細(xì)化為故障位置與損傷程度的雙標(biāo)簽，建立雙分支的VGGNet(Visual Geometry Group Net)深度卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)分支獨(dú)立提取故障位置和損傷程度特征，實(shí)現(xiàn)在先驗(yàn)知識(shí)缺失條件的滾動(dòng)軸承的不同故障位置及損傷程度分類。

1 滾動(dòng)軸承故障分析與預(yù)處理

1.1 滾動(dòng)軸承故障分析

滾動(dòng)軸承一般有內(nèi)圈、外圈、滾動(dòng)體和保持架組成，內(nèi)圈與軸為緊配合，并與軸一同旋轉(zhuǎn)；外圈與軸承座孔或機(jī)械部件殼體配合，起支撐作用；滾動(dòng)體借助于保持架均勻排列在內(nèi)外圈之間[21]。滾動(dòng)軸承在服役過程中可能由于裝配不當(dāng)、潤(rùn)滑不良、水分和異物侵入、腐蝕和過載而導(dǎo)致?lián)p壞，就會(huì)產(chǎn)生沖擊脈沖振動(dòng)，因點(diǎn)蝕部分與滾動(dòng)體發(fā)生沖擊接觸的位置不同，則振幅會(huì)發(fā)生周期性的變化。因自身結(jié)構(gòu)、裝配工藝、運(yùn)行環(huán)境等因素的影響，滾動(dòng)軸承在服役過程中振動(dòng)現(xiàn)象普遍存在，其中故障缺陷頻率計(jì)算公式如下[22]。

內(nèi)圈故障振動(dòng)頻率為

(1)

外圈故障振動(dòng)頻率為

(2)

滾動(dòng)體故障振動(dòng)頻率為

(3)

式中：r為滾道半徑；n為軸承內(nèi)圈轉(zhuǎn)速；d為滾珠直徑；D為軸承滾道節(jié)徑；α為軸承接觸角。

1.2 灰度圖像預(yù)處理

數(shù)據(jù)驅(qū)動(dòng)故障診斷方法能充分發(fā)掘數(shù)據(jù)歷史數(shù)據(jù)中潛在的映射關(guān)系，因此數(shù)據(jù)預(yù)處理方法至關(guān)重要。為減輕工人特征提取的工作負(fù)擔(dān)，充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)在二維圖像處理中的優(yōu)勢(shì)，將一維振動(dòng)信號(hào)矩陣化為二維灰度圖像，轉(zhuǎn)化方法如圖1所示。

圖1 灰度圖轉(zhuǎn)化原理

(4)

式(4)中：ln為第n段序列；min(ln)為第n段列中的最小值；max(ln)為第n段列中的最大值；round()為四舍五入取整函數(shù)。

調(diào)整M大小可以獲取不同尺寸的灰度值矩陣，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)集大小，選取圖像尺寸為64×64。

(5)

灰度圖以下兩點(diǎn)優(yōu)勢(shì)：①此方法最大限度地保留原始信號(hào)的時(shí)序特征；②預(yù)處理工作簡(jiǎn)便，且無(wú)需提取新的參數(shù)指標(biāo)，節(jié)省預(yù)處理時(shí)間的同時(shí)可降低研究人員對(duì)先驗(yàn)知識(shí)的要求。

1.3 故障標(biāo)記方法

傳統(tǒng)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)在滾動(dòng)軸承故障診斷時(shí)，常采用單標(biāo)簽(獨(dú)熱編碼)對(duì)故障類型進(jìn)行標(biāo)記。以美國(guó)凱斯西儲(chǔ)大學(xué)公開的滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)集為例，該數(shù)據(jù)集共10種狀態(tài)類型，1種正常與9種故障狀態(tài)。其中9種故障狀態(tài)為：0.18 mm的內(nèi)圈故障、0.18 mm的外圈圈故障、0.18 mm的滾動(dòng)體故障及0.36 mm和0.54 mm下的內(nèi)圈、外圈與滾動(dòng)體故障。獨(dú)熱編碼需要一個(gè)10位的向量對(duì)類別進(jìn)行標(biāo)記。

根據(jù)滾動(dòng)軸承每種故障狀態(tài)中具有的故障位置(內(nèi)圈、外圈、滾動(dòng)體)和損傷程度(0.18、0.36、0.54 mm)兩種屬性，采用雙標(biāo)簽方法，將每種狀態(tài)由原10位特征向量轉(zhuǎn)化為兩個(gè)4位的特征向量，故障位置分為：正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障，損傷程度分為：正常、損傷尺寸0.18 mm、損傷尺寸0.36 mm、損傷尺寸0.54 mm。結(jié)合雙分支卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)分支提取的特征由原來(lái)的10種至4種，使模型的自適應(yīng)特征提取能力提高，進(jìn)而提高故障診斷進(jìn)度。

2 VGGNet網(wǎng)絡(luò)及改進(jìn)

2.1 VGGNet模型

VGGNet是在AlexNet基礎(chǔ)上進(jìn)一步發(fā)展的深度卷積網(wǎng)絡(luò)，整個(gè)網(wǎng)絡(luò)使用幾個(gè)較小卷積核(3*3)的卷積層來(lái)代替較大(5*5)卷積核的卷積層，通過卷積池化的交替運(yùn)算實(shí)現(xiàn)特征提取，最后通過全連接層完成故障分類[23]。一方面減少了參數(shù)，另一方面等效于更多的非線性映射，提高了網(wǎng)絡(luò)的擬合能力。

2.2 VGGNet網(wǎng)絡(luò)改進(jìn)

VGGNet具有小卷積核、參數(shù)量少、非線性擬合能力強(qiáng)的優(yōu)點(diǎn)，可自動(dòng)提取深層故障特征。因滾動(dòng)軸承故障位置與損傷程度特征需要獨(dú)立提取，故對(duì)VGGNet網(wǎng)絡(luò)的結(jié)構(gòu)和卷積網(wǎng)絡(luò)層數(shù)進(jìn)行改進(jìn)，使其能更好地挖掘故障信息。改進(jìn)的VGGNet網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

Input為輸入層；None為默認(rèn)圖像通道；Conv2d為二維卷積層；Activation為激活層；BN(Batch Normalization，BN)為批量歸一化層；MaxPooling2D為最大池化層；GlobalAveragePooling2D為最大平均池化層；Layer為進(jìn)行一組卷積池化操作運(yùn)算，共計(jì) 6層；Dense為全連接層；Category_output為故障位置輸出層；Size_output為損傷尺寸輸出層

改進(jìn)的網(wǎng)絡(luò)主要分為如下3點(diǎn)。

(1)對(duì)應(yīng)于故障位置和損傷尺寸雙標(biāo)簽，將原VGGNet網(wǎng)絡(luò)單分支結(jié)構(gòu)改為雙分支結(jié)構(gòu)，加強(qiáng)對(duì)故障數(shù)據(jù)的特征提取能力。

(2)建立雙分支的同時(shí)，不可避免的增加了網(wǎng)絡(luò)的訓(xùn)練參數(shù)。優(yōu)化上層網(wǎng)絡(luò)結(jié)構(gòu)，引入BN，解決因網(wǎng)絡(luò)加深而導(dǎo)致的訓(xùn)練收斂慢的問題，從而省去網(wǎng)絡(luò)擬合過程中dropout、L2正則項(xiàng)參數(shù)的選擇問題。

(3)為降低信息損失，每個(gè)分支的最后池化層采用全局平均池化，其余池化層采用原模型的最大池化層。同時(shí)去掉一個(gè)全連接層，進(jìn)一步減少網(wǎng)絡(luò)參數(shù)，防止模型訓(xùn)練過擬合。

2.3 基于雙分支VGGNet的滾動(dòng)軸承故障診斷模型

所提出的考慮滾動(dòng)軸承故障位置與損傷程度的雙分支卷積神經(jīng)網(wǎng)絡(luò)故障診斷流程如圖3所示。具體步驟如下。

圖3 診斷流程圖

步驟1數(shù)據(jù)選取。獲取謀滾動(dòng)軸承的所有狀態(tài)振動(dòng)信號(hào)，包括常、內(nèi)圈不同損傷程度、外圈不同損傷程度、滾動(dòng)體不同損傷程度。選取全狀態(tài)類型與部分故障狀態(tài)，劃分訓(xùn)練集與測(cè)試集，驗(yàn)證模型的診斷精度及潛在新標(biāo)簽的檢測(cè)能力。

步驟2數(shù)據(jù)預(yù)處理。對(duì)原一維軸承振動(dòng)信號(hào)作灰度圖像處理，構(gòu)建二維圖像數(shù)據(jù)集，作為改進(jìn)VGGNet卷積神經(jīng)網(wǎng)絡(luò)的輸入。

步驟3雙分支卷積神經(jīng)網(wǎng)絡(luò)。構(gòu)建雙分支卷積神經(jīng)網(wǎng)絡(luò)，對(duì)每一類故障數(shù)據(jù)采用雙標(biāo)簽二值化處理，獨(dú)立提取每一類故障的故障位置特征和損傷程度特征。

步驟4多狀態(tài)識(shí)別。首先采用灰度圖像處理把一維振動(dòng)信號(hào)轉(zhuǎn)為二維灰度值矩陣；然后將故障位置和損傷程度進(jìn)行多標(biāo)簽二值化；之后由雙分支卷積神經(jīng)網(wǎng)絡(luò)分別自適應(yīng)提取圖片的特征，獨(dú)立完成特征的學(xué)習(xí)和分類，通過Softmax函數(shù)建立映射關(guān)系完成故障診斷。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用凱斯西儲(chǔ)大學(xué)(Case Western Reserve University, CWUR)提供的滾動(dòng)電機(jī)軸承數(shù)據(jù)集[24]。該實(shí)驗(yàn)室采用電火花加工技術(shù)在軸承的內(nèi)圈(inner race fault, IF)、外圈(outer race fault, OF)以及滾動(dòng)體(roller fault, RF)上布置了單點(diǎn)故障，故障直徑分別為0.18、0.36、0.54 mm，通過16通道的數(shù)據(jù)記錄儀采集了4種不同工況的振動(dòng)信號(hào)，驅(qū)動(dòng)端采樣頻率為12 kHz和48 kHz，風(fēng)扇端采樣頻率為12 kHz。

選取相同工況的采樣頻率為48 kHz的驅(qū)動(dòng)端振動(dòng)信號(hào)，每種故障類型均采集連續(xù)的4 096個(gè)點(diǎn)作為一個(gè)灰度圖樣本，獨(dú)立隨機(jī)采樣2 000次。最終數(shù)據(jù)集為10種狀態(tài)類型，其中1種正常(normal, NO)和9種異常共計(jì)10 000個(gè)樣本，樣本采用多標(biāo)簽二值化方法，將NO、IF、OF、RF和0、0.18、0.36、0.54 mm獨(dú)立編碼，每個(gè)樣本尺寸為64×64，圖4為實(shí)驗(yàn)樣本圖。實(shí)驗(yàn)按照4∶1隨機(jī)劃分訓(xùn)練集和測(cè)試集，表1為實(shí)驗(yàn)樣本數(shù)量與標(biāo)簽。

圖4 實(shí)驗(yàn)樣本圖

表1 實(shí)驗(yàn)樣本數(shù)量與標(biāo)簽

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)環(huán)境為Keras深度學(xué)習(xí)框架，Win10操作系統(tǒng)，AMD Ryzen 5 2600X Six-Core Processor 3.60 GHz處理器，NVIDIA GeForce GTX 1660，16 G內(nèi)存，Python 3.7.4。按照2.1節(jié)中所述方法構(gòu)建模型，網(wǎng)絡(luò)超參數(shù)設(shè)置為：批大小batch=16，迭代次數(shù)epoch=50，學(xué)習(xí)率α=0.001。

圖5為模型的損失值和準(zhǔn)確率收斂曲線，可以看出，在10個(gè)epoch后，兩條網(wǎng)絡(luò)均基本完全收斂。故障位置分支分類準(zhǔn)確率從76.82%增長(zhǎng)至99.71%，損失值從0.933 2降低至0.011 7。損傷程度分支分類準(zhǔn)確率從80.06%增長(zhǎng)至99.94%，訓(xùn)練誤差從0.605 4減低至0.003 8。

圖5 模型訓(xùn)練曲線

測(cè)試集的驗(yàn)證結(jié)果如圖6所示，故障位置分支在第20epoch后，準(zhǔn)確率達(dá)99.40%，損傷程度分支在第10epoch后，準(zhǔn)確率達(dá)99.15%，且此后均趨于穩(wěn)定，由此可證明所提出的雙分支VGGNet模型能有效提取故障位置與損傷程度兩種特征，將原單一故障標(biāo)簽細(xì)化為雙標(biāo)簽方法可行且有效。

圖6 模型驗(yàn)證曲線

為了進(jìn)一步驗(yàn)證所提出模型的診斷效果，將本文方法與其他傳統(tǒng)單標(biāo)簽方法進(jìn)行對(duì)比：文獻(xiàn)[14]中對(duì)振動(dòng)信號(hào)進(jìn)行短時(shí)傅里葉變換，將時(shí)頻特征圖輸入改變網(wǎng)絡(luò)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)中進(jìn)行故障診斷；文獻(xiàn)[15]使用小波時(shí)頻圖和卷積網(wǎng)絡(luò)相結(jié)合方法實(shí)現(xiàn)滾動(dòng)軸承故障診斷；文獻(xiàn)[16]利用格拉姆角差域圖輸入卷積神經(jīng)網(wǎng)絡(luò)，完成滾動(dòng)軸承診斷分析。文獻(xiàn)[17]將一維信號(hào)轉(zhuǎn)換成灰度圖并結(jié)合CNN進(jìn)行滾動(dòng)軸承故障診斷。文獻(xiàn)[18]將灰度圖輸入到深度殘差網(wǎng)絡(luò)中用于故障診斷。綜合對(duì)比上述方法在CWUR數(shù)據(jù)集下的診斷結(jié)果如圖7所示，對(duì)比文獻(xiàn)[14-18]中均將滾動(dòng)軸承的故障位置和故障程度通過一個(gè)標(biāo)簽進(jìn)行標(biāo)記，對(duì)每種故障采取雙標(biāo)簽編碼，提出考慮滾動(dòng)軸承故障位置與損傷程度的雙分支卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步證明雙分支結(jié)構(gòu)的特征提取能力更強(qiáng)，具有更高的診斷精度。

圖7 各方法識(shí)別準(zhǔn)確率對(duì)比

3.3 抗噪性能測(cè)試

滾動(dòng)軸承在服役過程中受一定程度的外界噪聲干擾，為測(cè)試所提出模型的抗噪性能和泛化能力，在原樣本上添加了不同方差的高斯白噪聲。定義方差σ=0.01和方差σ=0.02兩種噪聲等級(jí)，分別測(cè)試了A(訓(xùn)練集無(wú)噪聲，測(cè)試集含噪聲)與B(訓(xùn)練集含噪聲，測(cè)試集含噪聲)兩種條件下模型的診斷精度，表2分別給出了故障位置與損傷程度分支的識(shí)別準(zhǔn)確率。

表2 抗噪性能測(cè)試

通過對(duì)比分析表2可知，在A組實(shí)驗(yàn)中由于訓(xùn)練集中樣本未添加噪聲，而測(cè)試集為含噪聲樣本，位置和損傷程度分支的診斷精度分別下降約5%，仍然保持了較高的識(shí)別精度。在B組實(shí)驗(yàn)中，訓(xùn)練樣本總數(shù)不變，其中包含1/2的原始樣本，1/4的σ=0.01的噪聲樣本，1/4的σ=0.02的噪聲樣本，可發(fā)現(xiàn)在兩種不同等級(jí)噪聲情況下，故障位置和損傷程度分支的診斷精度較4.2節(jié)的準(zhǔn)確率分別下降約1%和2%。由此可證明，雙分支卷積神經(jīng)網(wǎng)絡(luò)模型具有良好的抗噪性能與泛化能力。

3.4 先驗(yàn)知識(shí)缺失條件下的故障診斷性能測(cè)試

為驗(yàn)證所提出模型對(duì)潛在新故障的檢測(cè)能力，設(shè)置Ⅰ、Ⅱ、Ⅲ組不同的先驗(yàn)知識(shí)，選取數(shù)據(jù)如表3所示。在Ⅰ、Ⅱ、Ⅲ組不同訓(xùn)練集的條件下，測(cè)試模型在已有訓(xùn)練集條件下對(duì)潛在未知新故障類型的檢測(cè)能力。每組實(shí)驗(yàn)中訓(xùn)練集中包含4種故障類型，測(cè)試集為當(dāng)前訓(xùn)練集下潛在的新故障類型。為了使模型充分學(xué)習(xí)故障位置和損傷程度特征，每組分別選取兩組帶有相同故障的樣本。如在組別Ⅰ中，訓(xùn)練集故障為0.18 mm內(nèi)圈故障、0.18 mm外圈故障、0.36 mm滾動(dòng)體故障、0.54 mm滾動(dòng)體故障，測(cè)試集為0.18 mm滾動(dòng)體故障。

表3 實(shí)驗(yàn)數(shù)據(jù)

測(cè)試結(jié)果如圖8所示，實(shí)驗(yàn)結(jié)果表明，所提出的雙分支卷積神經(jīng)網(wǎng)絡(luò)模型能有效地提取滾動(dòng)軸承的故障位置和損傷程度特征，兩條分支分別給出了故障位置與損傷程度的診斷概率。在三組實(shí)驗(yàn)中均以90%以上的概率檢測(cè)出訓(xùn)練集中潛在的新故障類型，解決現(xiàn)有軸承故障診斷方法中對(duì)標(biāo)簽的依賴問題，所致模型診斷能力完全取決于訓(xùn)練集中已有的標(biāo)簽對(duì)新標(biāo)簽無(wú)法做出識(shí)別的情況。所提方法充分發(fā)掘故障信息中的故障位置和損傷程度特征，能夠有效檢測(cè)出當(dāng)前訓(xùn)練數(shù)據(jù)下的潛在新故障類型。

圖8 新故障檢測(cè)結(jié)果

4 結(jié)論

針對(duì)現(xiàn)有基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷方法中，沒有充分考慮故障位置和故障程度兩種因素的問題，提出一種雙分支卷積神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法，得出如下結(jié)論。

(1)考慮軸承故障診斷中故障位置和程度兩種因素，提出一種雙標(biāo)簽滾動(dòng)軸承故障標(biāo)記方法，每類故障以故障位置標(biāo)簽和故障程度標(biāo)簽進(jìn)行標(biāo)記，相較于傳統(tǒng)的單一故障標(biāo)簽，故障信息表征能力更強(qiáng)同時(shí)降低特征提取難度。

(2)提出一種雙分支卷積神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法，通過雙標(biāo)簽標(biāo)記方法充分發(fā)掘故障位置和程度與振動(dòng)數(shù)據(jù)間的映射關(guān)系。標(biāo)準(zhǔn)數(shù)據(jù)集上的診斷實(shí)驗(yàn)結(jié)果表明，相比其他深度學(xué)習(xí)方法，所提方法的診斷精度更高，抗噪性能良好。

(3)仿真分析表明，在故障樣本不完備條件下，所提方法能夠?qū)崿F(xiàn)新故障樣本的診斷，且精度較高，給先驗(yàn)知識(shí)不充分條件下的故障診斷問題提供了新方法。