彭啟明，邵 星，，王翠香，皋 軍

（1.鹽城工學(xué)院 機(jī)械工程學(xué)院；2.鹽城工學(xué)院信息工程學(xué)院，江蘇鹽城 224051）

0 引言

軸承是機(jī)械設(shè)備的核心部件，直接關(guān)系其性能發(fā)揮。軸承故障輕則導(dǎo)致整機(jī)失效，降低生產(chǎn)效率，重則導(dǎo)致人員傷亡。軸承故障診斷可根據(jù)診斷結(jié)果及時(shí)提出解決方案，保證機(jī)械正常運(yùn)行，減少或消除機(jī)械故障事故?，F(xiàn)階段主流的軸承故障診斷方法分為基于特征工程的方法和基于深度學(xué)習(xí)的方法兩種?；谔卣鞴こ痰姆椒ㄖ饕ㄟ^(guò)對(duì)輸入信號(hào)進(jìn)行頻譜分析（Frequency Analysis）、經(jīng)驗(yàn)?zāi)B(tài)分析（Empirical Mode Decomposition，EMD）、小波變換（Wavelet Transform，WT）等處理后提取得到特征，再使用基于機(jī)器學(xué)習(xí)的分類(lèi)模型，如人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）、支持向量機(jī)（Support Vector Machine，SVM）、隱馬爾可夫模型（Hidden Markov Model，HMM）等對(duì)特征進(jìn)行分類(lèi)故障診斷。該類(lèi)方法的特征提取與分類(lèi)診斷過(guò)程分離，過(guò)度依賴(lài)人工經(jīng)驗(yàn)，誤差較大。深度學(xué)習(xí)由于其強(qiáng)大的特征提取能力和端到端的學(xué)習(xí)特點(diǎn)，能夠直接從原始軸承信號(hào)數(shù)據(jù)中提取故障特征并進(jìn)行分類(lèi)診斷，打破了特征工程方法的局限性，使得大量學(xué)者對(duì)其進(jìn)行深入研究。例如，Tamilselvan 等提出了一種基于深度置信網(wǎng)絡(luò)的故障診斷方法，打開(kāi)了深度學(xué)習(xí)在故障診斷領(lǐng)域應(yīng)用的大門(mén)，證實(shí)了基于深度學(xué)習(xí)的故障診斷方法的優(yōu)勢(shì)；Lu 等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的軸承故障診斷方法，雖然具有較高的診斷精度，但模型不夠穩(wěn)定；Zhang 等提出一種一維CNN 的深度學(xué)習(xí)模型，可以直接對(duì)軸承信號(hào)進(jìn)行故障診斷，但該模型需要大量數(shù)據(jù)進(jìn)行前期學(xué)習(xí)；曲建嶺等提出一種無(wú)需手動(dòng)提取特征的CNN，但其訓(xùn)練超參數(shù)過(guò)多，導(dǎo)致訓(xùn)練和診斷成本過(guò)高；李嫄源等提出一種SVM 與PSO 相結(jié)合的電機(jī)軸承故障診斷方法，但針對(duì)復(fù)雜的軸承分類(lèi)問(wèn)題容易陷入過(guò)擬合且泛化能力較差；宮文峰等提出一種改進(jìn)CNN 的軸承故障診斷方法，準(zhǔn)確率達(dá)99.04%，但無(wú)法在小數(shù)據(jù)集上進(jìn)行診斷。由于軸承大多時(shí)候處于正常運(yùn)轉(zhuǎn)狀態(tài)，真實(shí)故障數(shù)據(jù)樣本難以大量獲取，上述基于深度學(xué)習(xí)的軸承故障診斷方法雖然在一定條件下可取得較好效果，但在小樣本、低開(kāi)銷(xiāo)的情況下，模型的穩(wěn)定性、泛化性、魯棒性仍需進(jìn)一步提升。

深度森林（Deep Forest）模型在小規(guī)模數(shù)據(jù)集上的性能優(yōu)于其他深度學(xué)習(xí)模型，且其超參數(shù)較少、計(jì)算開(kāi)銷(xiāo)較小。因此，本文基于深度森林模型，提出一種深度梯度下降森林（Deep SGD-Forest，DSGDF）模型用于軸承故障診斷。實(shí)驗(yàn)結(jié)果表明，該模型不僅繼承了深度森林模型魯棒性強(qiáng)、泛化性好、超參數(shù)較少等優(yōu)點(diǎn)，還避免了級(jí)聯(lián)結(jié)構(gòu)收斂速度慢的缺陷，實(shí)現(xiàn)了小樣本條件下高精度、低開(kāi)銷(xiāo)的有效診斷。

1 算法模型

1.1 深度森林模型

2017 年，Zhou 等首次提出深度森林模型，該模型由級(jí)聯(lián)森林結(jié)構(gòu)與多粒度掃描結(jié)構(gòu)兩部分組成，核心思想為對(duì)隨機(jī)森林算法進(jìn)行集成。其借鑒了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）中的逐層結(jié)構(gòu)（Layer-by-Layer），對(duì)前一層輸入的樣本數(shù)據(jù)和輸出結(jié)果數(shù)據(jù)進(jìn)行拼接操作后作為下一層的輸入數(shù)據(jù)。深度森林模型結(jié)構(gòu)簡(jiǎn)單、計(jì)算開(kāi)銷(xiāo)小，模型復(fù)雜度可自適應(yīng)伸縮，具有較強(qiáng)的魯棒性，在金融、醫(yī)學(xué)、交通運(yùn)輸、軍事等領(lǐng)域均有應(yīng)用，且針對(duì)不同數(shù)據(jù)類(lèi)型均取得了較好的實(shí)驗(yàn)效果。

1.2 DSGDF 模型

DSGDF 模型是基于深度森林模型改進(jìn)而來(lái)，在繼承了深度森林較少超參數(shù)、小樣本學(xué)習(xí)、魯棒性強(qiáng)、泛化性好等優(yōu)點(diǎn)的基礎(chǔ)上，通過(guò)集成梯度下降算法改善了級(jí)聯(lián)結(jié)構(gòu)收斂速度慢的問(wèn)題，使得計(jì)算和優(yōu)化開(kāi)銷(xiāo)變小。

1.2.1 梯度下降算法

梯度下降算法是一種優(yōu)化算法，其在訓(xùn)練數(shù)據(jù)時(shí)具有降低模型損失、提高訓(xùn)練速度和算法收斂速度等優(yōu)點(diǎn)，表示為：

式中，

α

為第n 次迭代學(xué)習(xí)率，α 為首次學(xué)習(xí)率，

μ

為衰減率，

λ

為第

n

次迭代學(xué)習(xí)步數(shù)，

λ

為總學(xué)習(xí)步數(shù)。

1.2.2 多粒度掃描結(jié)構(gòu)

多粒度掃描是增強(qiáng)表征學(xué)習(xí)能力的結(jié)構(gòu)。原始樣本數(shù)據(jù)通過(guò)不同尺度的小窗口進(jìn)行掃描，從而實(shí)現(xiàn)特征轉(zhuǎn)換，最終得到具有多樣性的表征向量。

為應(yīng)對(duì)軸承數(shù)據(jù)的固有特點(diǎn)，本文采用序列掃描的方式，過(guò)程如圖1 所示。原始輸入為

A

dim 樣本，使用

B

dim、步長(zhǎng)為1 的小窗口進(jìn)行滑動(dòng)采樣。通過(guò)一系列特征轉(zhuǎn)換后得到

C

=(

A

-

B

)∕1+1個(gè)

B

dim 特征子樣本向量。將其送入梯度下降森林和完全隨機(jī)森林中訓(xùn)練后得到每個(gè)森林的一個(gè)

C

*

E

的表征向量，最后將圖中每層森林產(chǎn)生的表征向量拼接在一起，得到最終樣本輸出并送入級(jí)聯(lián)森林結(jié)構(gòu)中進(jìn)行運(yùn)算。

1.2.3 級(jí)聯(lián)森林結(jié)構(gòu)

Fig.1 Multi-grained scanning process of mechanical bearing data圖1 機(jī)械軸承數(shù)據(jù)多粒度掃描過(guò)程

Fig.2 Comparison of DSGDF model and deep forest model圖2 深度梯度下降森林模型與深度森林模型比較

式中，

k

指

k

個(gè)類(lèi)別，

p

為第

k

個(gè)類(lèi)別的概率，

Gini

(

p

)為基尼系數(shù)。

基尼系數(shù)為該節(jié)點(diǎn)的判別依據(jù)，直到每個(gè)葉子節(jié)點(diǎn)只包含同一類(lèi)實(shí)例后停止運(yùn)算。然而，相關(guān)實(shí)驗(yàn)表明級(jí)聯(lián)森林的收斂速度較慢。針對(duì)該問(wèn)題，DSGDF 模型集成梯度下降算法，使級(jí)聯(lián)森林的每一層都由5個(gè)完全隨機(jī)森林和5個(gè)梯度下降算法組成，如圖2 右所示。為防止最后產(chǎn)生的結(jié)果發(fā)生過(guò)擬合現(xiàn)象，需經(jīng)過(guò)K 折交叉驗(yàn)證處理后輸入到下一層。當(dāng)級(jí)聯(lián)森林結(jié)構(gòu)擴(kuò)展到新的層級(jí)后，之前所有級(jí)聯(lián)結(jié)構(gòu)的效果將通過(guò)驗(yàn)證集評(píng)估，當(dāng)評(píng)估結(jié)果無(wú)法得到進(jìn)一步提升時(shí)則會(huì)自動(dòng)結(jié)束訓(xùn)練過(guò)程。因此，級(jí)聯(lián)森林結(jié)構(gòu)的層數(shù)與復(fù)雜度由訓(xùn)練過(guò)程自動(dòng)確定，省去了大量調(diào)參的開(kāi)銷(xiāo)，提高了收斂速度，可使其結(jié)構(gòu)保持穩(wěn)定收斂狀態(tài)。

1.2.4 算法實(shí)現(xiàn)步驟

輸入訓(xùn)練集T，測(cè)試集S，驗(yàn)證集M，N 為森林中子樹(shù)數(shù)目，T1 為多粒度掃描后的訓(xùn)練集。具體算法步驟為：

2 軸承故障診斷實(shí)驗(yàn)數(shù)據(jù)處理

2.1 軸承數(shù)據(jù)集來(lái)源

采用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集，其數(shù)據(jù)客觀、可信度高，是軸承故障診斷領(lǐng)域公認(rèn)的標(biāo)準(zhǔn)數(shù)據(jù)集。該數(shù)據(jù)集是以電機(jī)、轉(zhuǎn)矩傳感器、功率計(jì)、16 通道數(shù)據(jù)記錄儀、6203-2RS JEM SKF∕NTN 深溝球軸承以及電子控制設(shè)備為實(shí)驗(yàn)器械，使用電火花加工技術(shù)人為制造出軸承的故障數(shù)據(jù)，包含驅(qū)動(dòng)端加速度數(shù)據(jù)、風(fēng)扇端加速度數(shù)據(jù)、基本加速度數(shù)據(jù)和時(shí)間序列數(shù)據(jù)。具體參數(shù)：軸承直徑包括0.007、0.014、0.021 英尺，電機(jī)負(fù)載包括0、1、2、3 馬力，電機(jī)轉(zhuǎn)速包括1 797、1 772、1 750、1 730rpm（轉(zhuǎn)∕分），還包括軸承內(nèi)圈、外圈、滾動(dòng)體3 點(diǎn)鐘（直接位于受載區(qū)）、6 點(diǎn)鐘（正交與受載區(qū)）、12 點(diǎn)鐘（相對(duì)于受載區(qū)）方向，數(shù)字信號(hào)采樣頻率為12KHz、48KHz 的故障數(shù)據(jù)集以及各類(lèi)各方向軸承的健康數(shù)據(jù)集。

2.2 軸承故障診斷流程

基于DSGDF 的軸承故障診斷流程如圖3 所示。

步驟1：使用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集中采樣頻率為12KHz，電機(jī)負(fù)載分別為0、1、2 馬力，故障直徑分別為0.007、0.014、0.021 英尺，6 點(diǎn)鐘方向的軸承內(nèi)圈、外圈、滾動(dòng)體風(fēng)扇端產(chǎn)生的9 組加速度故障數(shù)據(jù)，以及相對(duì)應(yīng)的1組軸承健康數(shù)據(jù)，共計(jì)10 組數(shù)據(jù)，10個(gè)樣本特征，約300 萬(wàn)個(gè)數(shù)據(jù)點(diǎn)樣本，具體如表1 所示。

Fig.3 Bearing fault diagnosis process based on DSGDF圖3 基于DSGDF 的軸承故障方法診斷流程

Table 1 Experimental data set表1 實(shí)驗(yàn)數(shù)據(jù)集

步驟2：對(duì)軸承健康數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)和降采樣處理，數(shù)據(jù)增強(qiáng)滑動(dòng)窗口時(shí)間長(zhǎng)度設(shè)置為2 048∕12 000，數(shù)據(jù)重疊部分比例為50%。將軸承健康數(shù)據(jù)增強(qiáng)為其他故障數(shù)據(jù)的2 倍，再對(duì)其進(jìn)行降采樣、隨機(jī)刪減，以防止因故障、健康數(shù)據(jù)不平衡而陷入局部最優(yōu)診斷。然后對(duì)所有數(shù)據(jù)進(jìn)行歸一化和獨(dú)熱編碼，得到有標(biāo)簽的數(shù)據(jù)樣本，并按照7∶2∶1 的比例劃分訓(xùn)練集、測(cè)試集和驗(yàn)證集。最終得到數(shù)據(jù)增強(qiáng)和0 類(lèi)數(shù)據(jù)采樣58 577 條，單個(gè)數(shù)據(jù)長(zhǎng)度為2 048個(gè)采樣點(diǎn)，重疊量為2 047，采樣點(diǎn)類(lèi)別數(shù)目為：［（0，5 864），（1，5 822），（2，5 850），（3，5 864），（4，5 857），（5，5 850），（6，5 878），（7，5 885），（8，5 850），（9，5 857）］。

步驟3：輸入訓(xùn)練集至DSGDF 的多粒度掃描結(jié)構(gòu)，步長(zhǎng)設(shè)置為1。通過(guò)一系列特征轉(zhuǎn)換后將產(chǎn)生的表征向量拼接在一起，送入級(jí)聯(lián)結(jié)構(gòu)進(jìn)行學(xué)習(xí)。

步驟4：設(shè)置級(jí)聯(lián)結(jié)構(gòu)中每層梯度下降森林和完全隨機(jī)森林的森林?jǐn)?shù)為5，完全隨機(jī)森林中子樹(shù)數(shù)目為80，計(jì)算當(dāng)前子樹(shù)的故障診斷效果并通過(guò)投票的方式選出每個(gè)森林的最優(yōu)診斷結(jié)果。

步驟5：分別計(jì)算當(dāng)前一層級(jí)聯(lián)結(jié)構(gòu)在訓(xùn)練集上的故障診斷率，模型在驗(yàn)證集上自動(dòng)評(píng)估是否需要擴(kuò)展下一層級(jí)聯(lián)結(jié)構(gòu)，若需要?jiǎng)t返回步驟4，若不需要?jiǎng)t立即停止訓(xùn)練。

步驟6：在所有擴(kuò)展層中找出訓(xùn)練集上診斷率最高的一層作為訓(xùn)練集的最終診斷結(jié)果，模型學(xué)習(xí)結(jié)束。

步驟7：將測(cè)試集輸入至DSGDF 模型，循環(huán)步驟3-5，在所有擴(kuò)展層中找出測(cè)試集上診斷率最高的一層，并輸出該層的診斷結(jié)果作為最終軸承故障診斷率。

3 實(shí)驗(yàn)方法與結(jié)果分析

3.1 實(shí)驗(yàn)平臺(tái)

計(jì)算機(jī)硬件配置：Intel（R）Core（TM）i7-6700，3.40GHz處理器，16GB 內(nèi)存，8 核CPU。

計(jì)算機(jī)軟件配置：Windows7 X64 位操作系統(tǒng)，Pycharm操作平臺(tái)，Python3.5。

3.2 主要參數(shù)

如表2 所示，在級(jí)聯(lián)森林結(jié)構(gòu)部分設(shè)置5個(gè)梯度下降算法和5個(gè)完全隨機(jī)森林，其中每個(gè)森林內(nèi)存在80 顆決策樹(shù)，采用2 與10 折交叉驗(yàn)證。在多粒度掃描結(jié)構(gòu)部分設(shè)定掃描窗口大小為4，數(shù)據(jù)切片步長(zhǎng)為1，決策樹(shù)數(shù)量為101顆，每個(gè)節(jié)點(diǎn)的最小樣本數(shù)設(shè)置為0.1。

Table 2 Construction parameters of DSGDF表2 DSGDF 模型搭建參數(shù)

3.3 結(jié)果分析

3.3.1 穩(wěn)定性、泛化性分析

為確保所得數(shù)據(jù)的準(zhǔn)確性與合理性，本文實(shí)驗(yàn)均重復(fù)進(jìn)行10 次后取平均值作為最終結(jié)果?；谔卣鞴こ痰姆椒ú捎梦墨I(xiàn)［23］的特征提取方法后使用機(jī)器學(xué)習(xí)模型，如K 近鄰算法模型（KNN）、隨機(jī)森林算法模型（RF）、決策樹(shù)算法模型（DT）、樸素貝葉斯多項(xiàng)式算法模型（Bayes）進(jìn)行分類(lèi)診斷；基于深度學(xué)習(xí)的方法，如卷積神經(jīng)網(wǎng)絡(luò)算法模型（CNN）、長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）、經(jīng)典深度森林模型（DF）和深度梯度下降森林模型（D-SGDF）直接自動(dòng)提取特征后進(jìn)行分類(lèi)診斷。

將軸承數(shù)據(jù)集中0 馬力負(fù)載下的9 類(lèi)故障樣本、1 類(lèi)健康樣本按照7∶2∶1 的比例劃分成訓(xùn)練集、測(cè)試集和驗(yàn)證集，采用F1 值進(jìn)行模型的魯棒性驗(yàn)證，計(jì)算方式為：

F

1 值為精度與召回率的均值，其值為1 時(shí)最佳，值為0時(shí)最差，越接近1 說(shuō)明該診斷模型越穩(wěn)健。評(píng)價(jià)標(biāo)準(zhǔn)見(jiàn)表3。

Table 3 F1-score evaluation index parameter表3 F1-Score 評(píng)價(jià)指標(biāo)參數(shù)

由圖4 可知，RF 模型在基于特征工程的方法中表現(xiàn)最好，F(xiàn)1 值為0.8，但仍低于基于深度學(xué)習(xí)的方法。而DSGDF模型憑借其強(qiáng)大的特征提取能力與基于梯度下降樹(shù)的原理在10 種不同數(shù)據(jù)集診斷中F1 值均在0.98 以上，說(shuō)明該模型穩(wěn)定性強(qiáng)，魯棒性好，能適應(yīng)復(fù)雜的軸承故障診斷。

Fig.4 F1 scores of various diagnostic models comparison圖4 各類(lèi)診斷模型F1 值比較

在實(shí)際的機(jī)械設(shè)備運(yùn)行中，軸承負(fù)載不一。為準(zhǔn)確驗(yàn)證DSGDF 模型的泛化性能，分別采用0、1、2 馬力負(fù)載下的軸承數(shù)據(jù)集進(jìn)行故障診斷，驗(yàn)證其在不同負(fù)載工況下的故障診斷能力。故障診斷正確率如表4 所示。

由表4 可知，DSGDF 模型對(duì)軸承故障診斷的平均正確率為99.35%。為進(jìn)一步驗(yàn)證該模型在其他負(fù)載條件下的泛化能力，引入負(fù)載為1 馬力、2 馬力的軸承數(shù)據(jù)集，進(jìn)行與0 馬力相同配置的故障診斷試驗(yàn)。結(jié)果表明，在1 馬力、2馬力負(fù)載狀況下，DSGDF 模型的平均故障診斷正確率均達(dá)99%以上，具有良好的泛化能力。

3.3.2 故障診斷效果與開(kāi)銷(xiāo)驗(yàn)證

選取0 馬力負(fù)載下，采樣頻率為12KHz，軸承內(nèi)圈、外圈、滾動(dòng)體風(fēng)扇端加速度的9 組故障數(shù)據(jù)以及相對(duì)應(yīng)的1組軸承健康數(shù)據(jù)，共10 組數(shù)據(jù)，10個(gè)樣本特征，約300 萬(wàn)個(gè)數(shù)據(jù)點(diǎn)樣本。數(shù)據(jù)預(yù)處理按照“2.2”節(jié)步驟2 進(jìn)行，得到級(jí)聯(lián)結(jié)構(gòu)在訓(xùn)練集上的學(xué)習(xí)效果如圖5 所示?？梢钥闯觯珼SGDF 模型在50 次訓(xùn)練時(shí)準(zhǔn)確率達(dá)90%以上，在約160 次訓(xùn)練時(shí)準(zhǔn)確率達(dá)99.58%且收斂維持穩(wěn)定的學(xué)習(xí)效果。該模型在測(cè)試集上的最終診斷效果如圖6 所示，在數(shù)據(jù)集0～9上的診斷率最低為99.32%，最高為99.58%，平均診斷率為99.53%，具有較高的故障診斷精準(zhǔn)率。

Table 4 Accuracy of fault diagnosis of different load bearings with DSGDF表4 DSGDF 模型在不同負(fù)載下的軸承故障診斷正確率 單位：%

Fig.5 Learning effect of cascade structure on training set圖5 級(jí)聯(lián)結(jié)構(gòu)在訓(xùn)練集上的學(xué)習(xí)效果

Fig.6 Diagnostic effect of DSGDF method on the test set圖6 DSGDF 模型在測(cè)試集上的診斷效果

在診斷開(kāi)銷(xiāo)方面，為控制單一開(kāi)銷(xiāo)變量，各模型診斷效果忽略不計(jì)。圖7 為各模型診斷300 萬(wàn)個(gè)數(shù)據(jù)點(diǎn)的時(shí)間開(kāi)銷(xiāo)，其中DT 的診斷時(shí)間最長(zhǎng)，為6h，基于特征工程的方法診斷開(kāi)銷(xiāo)普遍大于基于深度學(xué)習(xí)的方法。DSGDF 模型表現(xiàn)出色，診斷開(kāi)銷(xiāo)最少且相較DF 模型開(kāi)銷(xiāo)降低了0.73h。

Fig.7 Cost comparison of various diagnostic methods圖7 各類(lèi)診斷方法開(kāi)銷(xiāo)比較

3.3.3 小樣本數(shù)據(jù)故障診斷效果驗(yàn)證

采用4 種不同類(lèi)型的小樣本平均故障診斷精準(zhǔn)率驗(yàn)證軸承故障診斷方法的性能，結(jié)果如表5 所示?！? 類(lèi)”表示在訓(xùn)練模型時(shí)有1 類(lèi)健康樣本和4 類(lèi)故障樣本，且每類(lèi)樣本含有1 000個(gè)數(shù)據(jù)點(diǎn)，其余依此類(lèi)推。當(dāng)使用5 類(lèi)樣本訓(xùn)練模型時(shí)，KNN、DT 這類(lèi)基于特征工程的方法診斷正確率最低；基于深度學(xué)習(xí)的方法，如CNN、LSTM 的診斷正確率嚴(yán)重受樣本個(gè)數(shù)影響。使用20 類(lèi)樣本數(shù)據(jù)時(shí)，CNN 的診斷正確率相較使用5 類(lèi)樣本數(shù)據(jù)時(shí)提高了25.51%，LSTM 提高了34.00%?；跇?shù)的3 類(lèi)模型RF、DF、DSGDF 受樣本數(shù)據(jù)影響較小，在小樣本數(shù)據(jù)為5 類(lèi)時(shí)，RF 診斷正確率為83.24%，DF 診斷正確率為93.32%，DSGDF 診斷正確率為98.00%，且DSGDF 在各類(lèi)小樣本數(shù)據(jù)集診斷中均表現(xiàn)出色。

實(shí)驗(yàn)結(jié)果表明，訓(xùn)練樣本數(shù)量會(huì)在一定程度上影響模型的訓(xùn)練效果，可能有以下兩個(gè)原因：①對(duì)于大多數(shù)基于特征工程的方法來(lái)說(shuō)，較少的樣本數(shù)據(jù)會(huì)導(dǎo)致其無(wú)法多樣性分割信號(hào)間隔，精準(zhǔn)率不高；②對(duì)于大多數(shù)基于深度學(xué)習(xí)的方法來(lái)說(shuō)，當(dāng)樣本數(shù)據(jù)較少時(shí)，超參數(shù)較多的深度學(xué)習(xí)方法會(huì)產(chǎn)生嚴(yán)重的過(guò)擬合現(xiàn)象。

Table 5 Accuracy of fault diagnosis for small sample data of various methods表5 各類(lèi)方法小樣本數(shù)據(jù)故障診斷正確率 單位：%

4 結(jié)語(yǔ)

本文提出一種基于DSGDF 模型的軸承故障診斷方法，其通過(guò)集成深度森林模型與梯度下降算法，克服了現(xiàn)階段基于深度學(xué)習(xí)模型的軸承故障診斷方法超參數(shù)多、診斷開(kāi)銷(xiāo)大、無(wú)法診斷小樣本的短板，為軸承故障診斷提供了新思路。通過(guò)理論分析、實(shí)驗(yàn)驗(yàn)證得出以下結(jié)論：①DSGDF模型所需超參數(shù)較少，平均診斷F1 值在0.98 左右，證明該模型具有良好的魯棒性與穩(wěn)定性；②通過(guò)多負(fù)載變化實(shí)驗(yàn)以及開(kāi)銷(xiāo)驗(yàn)證，發(fā)現(xiàn)DSGDF 模型具有良好的泛化性與小開(kāi)銷(xiāo)特性；③DSGDF 模型每類(lèi)診斷只含有1 000個(gè)數(shù)據(jù)點(diǎn)，適用于小樣本故障診斷。然而，本文在實(shí)驗(yàn)過(guò)程中僅在CPU上對(duì)DSGDF 模型進(jìn)行實(shí)驗(yàn)驗(yàn)證，未使用GPU 加速，這將是下一步研究的重點(diǎn)。