王 冉，石如玉，胡升涵，魯文波，胡 雄

(1.上海海事大學(xué) 物流工程學(xué)院，上海 201306；2.北京?；问⒖萍加邢薰?上海分公司，上海 201100)

滾動(dòng)軸承作為機(jī)械系統(tǒng)的重要零件，廣泛應(yīng)用于風(fēng)機(jī)、發(fā)動(dòng)機(jī)等設(shè)備[1]。據(jù)統(tǒng)計(jì)，旋轉(zhuǎn)機(jī)械的故障中由于軸承損壞導(dǎo)致的故障約占30%。因此，對(duì)滾動(dòng)軸承進(jìn)行及時(shí)的故障診斷至關(guān)重要。

目前滾動(dòng)軸承的故障診斷主要是基于振動(dòng)信號(hào)的測(cè)量和分析。振動(dòng)信號(hào)由振動(dòng)傳感器采集后，對(duì)其通過(guò)一系列信號(hào)處理方法[2-4]進(jìn)行故障特征提取。最后采用機(jī)器學(xué)習(xí)方法對(duì)提取的特征進(jìn)行分類[5]。由于實(shí)際應(yīng)用中振動(dòng)信號(hào)的測(cè)量通常需要以接觸的方式進(jìn)行。在某些惡劣的測(cè)試環(huán)境情況下，很難在機(jī)器表面安裝加速度計(jì)等振動(dòng)傳感器。因此，發(fā)展基于非接觸式測(cè)量的故障診斷方法是非常必要的。

聲信號(hào)是設(shè)備振動(dòng)在空氣中傳播產(chǎn)生的，同樣包含了豐富的機(jī)器健康狀態(tài)信息，且可以通過(guò)非接觸式傳聲器獲取。目前聲學(xué)故障診斷(acoustics-based diagnosis,ABD)已經(jīng)得到了一定的應(yīng)用。Ao等[6]利用麥克風(fēng)采集列車軸承聲學(xué)信號(hào)進(jìn)行列車軸承路旁故障診斷。Li等[7]采用聲學(xué)和振動(dòng)信號(hào)數(shù)據(jù)融合的方法進(jìn)行齒輪箱故障診斷。然而，上述方法中，聲信號(hào)是由單個(gè)或少數(shù)幾個(gè)傳聲器測(cè)量，然后采用和振動(dòng)信號(hào)處理相似的方法進(jìn)行處理。單個(gè)測(cè)點(diǎn)的聲信號(hào)容易受到反射波、散射波和其他聲源輻射噪聲的干擾和污染，抗干擾能力差。同時(shí)，上述方法對(duì)測(cè)點(diǎn)位置敏感，難以對(duì)機(jī)器的缺陷部件進(jìn)行定位，只能用于簡(jiǎn)單設(shè)備的初步異常判斷。

隨著聲成像技術(shù)和低成本MEMS傳聲器陣列技術(shù)的發(fā)展，一些研究者嘗試將近場(chǎng)聲全息(near-field acoustic holography,NAH)和遠(yuǎn)場(chǎng)波束形成等聲學(xué)成像技術(shù)應(yīng)用于機(jī)械故障診斷。魯文波等[8]提出一種基于近場(chǎng)聲全息和灰度共生矩陣(gray-level co-occurrence matrix,GLCM)的齒輪箱故障診斷方法。Wang等[9]提出一種基于聲像圖和Gabor小波變換(Gabor wavelet transform，GWT)的軸承故障診斷方法。這些方法中的特征是人為設(shè)計(jì)提取的，提取這些特征需要大量的先驗(yàn)知識(shí)。

深度學(xué)習(xí)方法可以自動(dòng)學(xué)習(xí)并處理大規(guī)模數(shù)據(jù)，已被引入到機(jī)械智能故障診斷中。Yao等[10]提出了一種基于聲信號(hào)和卷積神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷方法。Kumar等[11]提出了一種改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，將聲信號(hào)進(jìn)行小波變換得到的聲像圖來(lái)識(shí)別離心泵的缺陷。上述的基于深度學(xué)習(xí)的故障診斷方法均沒(méi)有提供模型決策結(jié)果的可解釋性說(shuō)明，缺乏工程上的物理解釋。深度學(xué)習(xí)的可解釋性探討在圖像領(lǐng)域研究較為豐富。文獻(xiàn)[12]通過(guò)類激活圖(class activation map,CAM)使得卷積神經(jīng)網(wǎng)絡(luò)有了定位能力。在CAM基礎(chǔ)上，文獻(xiàn)[13]提出了使用范圍更廣的梯度加權(quán)類激活圖(gradient-weighted class activation map，Grad-CAM)方法對(duì)模型學(xué)習(xí)的重點(diǎn)關(guān)注區(qū)域進(jìn)行可視化。目前基于深度學(xué)習(xí)的機(jī)械故障診斷方法雖然已經(jīng)取得了較高的識(shí)別精度，但對(duì)智能故障診斷決策結(jié)果的可解釋性說(shuō)明研究較少。張俊鵬等[14]對(duì)卷積神經(jīng)網(wǎng)絡(luò)在軸承故障診斷中的可解釋性進(jìn)行了探究，為卷積神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的工程應(yīng)用提供參考。

針對(duì)上述故障診斷方法中存在的不足，本文提出一種基于聲成像與卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承聲學(xué)故障診斷方法。首先使用波疊加法將傳聲器陣列獲取滾動(dòng)軸承輻射聲場(chǎng)進(jìn)行聲成像，然后將聲像輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類。為了對(duì)模型分類結(jié)果進(jìn)行可解釋性說(shuō)明，本文采用基于梯度加權(quán)的類激活圖[15]突出聲像圖中的重要區(qū)域，尋找模型重點(diǎn)關(guān)注區(qū)域與目標(biāo)類別之間的聯(lián)系，為模型的學(xué)習(xí)結(jié)果提供可解釋性說(shuō)明。

1 波疊加法原理

波疊加法(wave superposition method，WSM)可以精確地重建任意形狀聲源的聲輻射，且復(fù)雜度低、易于實(shí)現(xiàn)?；诓ǒB加法的聲場(chǎng)重建示意圖如圖1所示。將具有邊界S的任意形狀振動(dòng)體浸入密度為ρ、聲速為c的無(wú)界均勻流體介質(zhì)中，聲源面S的外部區(qū)域表示為E。假定等效的簡(jiǎn)單輻射源(單極子)連續(xù)分布在聲源面S內(nèi)部的虛擬面SV上。任意場(chǎng)點(diǎn)P和虛擬源Q的位置矢量分別表示為r和ro。O表示坐標(biāo)系的原點(diǎn)。由傳聲器陣列構(gòu)成的測(cè)量面H和重建面R均平行于x-y平面。

圖1 基于波疊加法的聲場(chǎng)重建示意圖Fig.1 Schematic diagram of sound field reconstruction based on wave superposition method

根據(jù)波疊加法[16]理論，任意形狀聲源的聲場(chǎng)可以用分布在虛擬表面SV上的一系列虛擬聲源等效地代替。因此，外部區(qū)域E的聲壓可以寫(xiě)成

(1)

式中：ω為角頻率;q(r0)為聲源強(qiáng)度;G為自由空間格林函數(shù)，其定義為

(2)

在實(shí)際應(yīng)用中，為了簡(jiǎn)單起見(jiàn)，等效聲源通常均勻分布在規(guī)則的虛擬曲面SV上，將SV離散為M個(gè)元素，并且假設(shè)每個(gè)元素的聲源強(qiáng)度q(r0)為常數(shù)，k=ω/c是波數(shù)。如果傳聲器陣列中的測(cè)量點(diǎn)數(shù)量為N，測(cè)量點(diǎn)的聲壓PH可以用矩陣形式表示為

PH=iωρGHVq

(3)

式中:PH=[p(r1),p(r2)，…，p(rN)]T;q為等效源強(qiáng);GHV為等效聲源強(qiáng)度與測(cè)量點(diǎn)聲壓相關(guān)聯(lián)的傳遞矩陣，其元素可根據(jù)式(2)計(jì)算。給定測(cè)量聲壓PH，可以通過(guò)將相應(yīng)的矩陣GHV取廣義逆矩陣來(lái)計(jì)算q。

(4)

最后，重構(gòu)面R上各場(chǎng)點(diǎn)的聲壓PR可重構(gòu)為

PR=iωρGRVq

(5)

式中，GRV為重建點(diǎn)與虛源點(diǎn)的聲場(chǎng)傳遞矩陣，可通過(guò)將重建點(diǎn)的位置代入式(2)求出。隨后，重建面的重構(gòu)聲壓可以表示為二維聲像。

2 基于聲成像與CNN的滾動(dòng)軸承故障診斷方法

本文所提方法流程圖如圖2所示，整體上可以劃分為離線訓(xùn)練和故障診斷兩個(gè)階段。具體步驟如下：①聲信號(hào)獲取，采用傳聲器陣列獲取滾動(dòng)軸承在不同運(yùn)行狀態(tài)下的聲信號(hào)；②使用波疊加法對(duì)采集的聲信號(hào)進(jìn)行聲成像，選擇外圈故障頻率、內(nèi)圈故障頻率、滾動(dòng)體故障頻率作為重建頻率；③將通過(guò)波疊加法獲取的軸承不同狀態(tài)下的聲像圖劃分為訓(xùn)練集和測(cè)試集兩部分，訓(xùn)練集用來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；④使用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集聲像圖進(jìn)行故障診斷。

圖2 基于聲成像和卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承聲學(xué)故障診斷方法流程圖Fig.2 Flow chart of acoustic fault diagnosis method of rolling bearing based on acoustic imaging and convolutional neural network

在完成模型訓(xùn)練之后，為了驗(yàn)證模型分類結(jié)果的可信度，本文采用梯度加權(quán)的類激活圖算法對(duì)模型重點(diǎn)關(guān)注區(qū)域與目標(biāo)類別之間的聯(lián)系進(jìn)行可視化，將聲像圖中對(duì)網(wǎng)絡(luò)決策結(jié)果的貢獻(xiàn)程度以類激活圖的形式進(jìn)行展示。基于WSM的聲成像技術(shù)已在第1章進(jìn)行了介紹，接下來(lái)分別對(duì)基于CNN模型的聲像故障診斷過(guò)程及基于Grad-CAM的特征可視化方法進(jìn)行介紹。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

本文方法中使用的卷積神經(jīng)網(wǎng)絡(luò)借鑒了常用的LeNet-5模型，并在其基礎(chǔ)上做了如下兩點(diǎn)改進(jìn)：①在每個(gè)卷積層后面都先進(jìn)行批歸一化處理再使用激活函數(shù)，有利于加快模型的訓(xùn)練速度，提高模型的泛化能力；②使用全局平均池化層(global average pool,GAP)代替全連接層，減少模型的參數(shù)量，有助于減小網(wǎng)絡(luò)訓(xùn)練的時(shí)間，且使網(wǎng)絡(luò)不易出現(xiàn)過(guò)擬合。改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示，包括卷積層、池化層、全局平均池化層三類。

(1)卷積層。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心構(gòu)建塊。本方法中，模型的輸入是不同運(yùn)行狀態(tài)下軸承的二維空間聲像，輸出特征計(jì)算如式(6)所示

(6)

(2)池化層。卷積層之后利用池化層來(lái)對(duì)特征圖進(jìn)行降維處理，本文采用最大池化，計(jì)算公式為

(7)

(3)全局平均池化層。全局平均池化是對(duì)最后一層池化后的特征圖進(jìn)行全局求平均值。網(wǎng)絡(luò)輸出的標(biāo)簽是不同類型的軸承故障聲像圖各自對(duì)應(yīng)的標(biāo)簽。

各層神經(jīng)網(wǎng)絡(luò)的詳細(xì)參數(shù)如表1所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)的詳細(xì)參數(shù)Tab.1 The detailed parameters of convolutional neural network

2.2 基于梯度加權(quán)類激活圖的特征可視化

基于梯度加權(quán)類激活圖的特征可視化方法可以對(duì)神經(jīng)網(wǎng)絡(luò)的分類結(jié)果作出合理的解釋。該方法結(jié)合神經(jīng)網(wǎng)絡(luò)輸出的特征圖來(lái)計(jì)算類激活圖，如圖3所示，建立特征與目標(biāo)類別相關(guān)的二維分?jǐn)?shù)網(wǎng)格。每個(gè)網(wǎng)格所對(duì)應(yīng)的分?jǐn)?shù)都代表該位置對(duì)分類結(jié)果的重要程度，分?jǐn)?shù)越高的地方代表模型越加關(guān)注該區(qū)域。其計(jì)算過(guò)程如下：

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及基于Grad-CAM的特征可視化過(guò)程Fig.3 Structure of the proposed convolutional neural network and feature visulization process using Grad-CAM

(1)獲得訓(xùn)練后的CNN模型對(duì)應(yīng)任意類別c的類激活圖。第k個(gè)特征圖對(duì)應(yīng)類別c的權(quán)重為

(8)

(2)求得所有特征圖對(duì)應(yīng)目標(biāo)類別的權(quán)重后，將權(quán)重與對(duì)應(yīng)的特征圖進(jìn)行加權(quán)求和。并且將Relu函數(shù)應(yīng)用于特征圖的線性組合

(9)

3 試驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)集介紹

為了驗(yàn)證所提方法的有效性，在上海交通大學(xué)機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室的半消聲室中進(jìn)行了滾動(dòng)軸承故障診斷試驗(yàn)。試驗(yàn)裝置如圖4所示。試驗(yàn)臺(tái)由一臺(tái)機(jī)組、試驗(yàn)軸承、傳聲器陣列、三個(gè)參考傳聲器(標(biāo)號(hào)1、2、3)和數(shù)據(jù)采集系統(tǒng)組成。傳聲器陣列由12個(gè)具有均勻5 cm間距的傳聲器組成。測(cè)量面高出軸承試驗(yàn)臺(tái)上表面5 cm。測(cè)量面與試驗(yàn)軸承之間的距離約為10 cm。采用線型傳聲器陣列在測(cè)量面上逐步掃描的方法進(jìn)行聲信號(hào)的采集。線陣搭載在一臺(tái)異步電機(jī)上進(jìn)行自動(dòng)掃描，異步電機(jī)掃描步距為5 cm，步數(shù)為18步，最終獲得一個(gè)85 cm×55 cm的測(cè)量網(wǎng)格。

圖4 試驗(yàn)平臺(tái)Fig.4 Experiment platform

試驗(yàn)軸承的類型是GB6203型滾動(dòng)軸承，其結(jié)構(gòu)參數(shù)如表2所示。本文研究了三種典型的軸承故障類型，包括外圈故障(outer race fault，ORF)、內(nèi)圈故障(inner race fault,IRF)和滾動(dòng)體故障(rolling ball fault，RBF)。為了模擬不同的故障嚴(yán)重程度，采用電火花加工技術(shù)對(duì)軸承內(nèi)圈、外圈、滾動(dòng)體的局部點(diǎn)蝕缺陷進(jìn)行了處理。對(duì)于ORF和IRF有S、M、L三種不同的損傷尺寸，分別為3.5 mm×0.5 mm×0.5 mm，3.5 mm×1.0 mm×0.5 mm，3.5 mm×1.5 mm×0.5 mm。RBF損傷尺寸為3.5 mm×0.5 mm×0.5 mm。綜上所述，本文主要研究了8種故障類型，包括7種故障類型和一種正常狀態(tài)(normal condition,NC)。圖5展示了內(nèi)圈、外圈兩種故障下的試驗(yàn)軸承。

表2 GB6203滾動(dòng)軸承參數(shù)Tab.2 Parameters of GB6203 rolling bearing

圖5 試驗(yàn)軸承Fig.5 Experimental bearings

數(shù)據(jù)采集系統(tǒng)記錄了8種故障類型下滾動(dòng)軸承的聲信號(hào)。數(shù)據(jù)采樣頻率為4 096 Hz。對(duì)于每種故障類型，在5種不同的載荷下收集聲信號(hào)，共獲得40個(gè)記錄。每個(gè)載荷下每種故障類型有45個(gè)樣本，每個(gè)樣本的數(shù)據(jù)長(zhǎng)度為16 384個(gè)點(diǎn)。

3.2 WSM聲成像獲取軸承聲像樣本

將數(shù)據(jù)集中的每一個(gè)樣本，利用波疊加法通過(guò)聲場(chǎng)重建獲得不同運(yùn)行狀態(tài)軸承的聲像樣本。選擇軸承試驗(yàn)臺(tái)上表面距離測(cè)量面5 cm處作為重建面，將重建面劃分為18×12個(gè)重建點(diǎn)的矩形網(wǎng)格。18×12個(gè)虛擬單極子作為等效源均勻地排列在在重建面下方0.05 m處的虛擬平面上。

試驗(yàn)中，軸的旋轉(zhuǎn)頻率fr約為12 Hz。ORF、IRF和RBF的故障特征頻率分別為fo=36.6 Hz，fb=47.8 Hz，fi=59.4 Hz。由于機(jī)械系統(tǒng)的聲信號(hào)是由振動(dòng)引起的，因此，在聲學(xué)成像中選擇這三個(gè)故障特征頻率作為WSM中的重建頻率。圖5展示了不同軸承故障類型下三個(gè)故障特征頻率重建的部分聲像圖。

在圖6中，為了更直觀地展示聲源定位結(jié)果，從俯視圖來(lái)看，將重建的聲像圖與軸承試驗(yàn)臺(tái)示意圖(白線)重疊，其中顏色的深淺代表了聲壓級(jí)的高低，顏色越淺代表聲壓級(jí)越高，反之顏色越深代表聲壓級(jí)越低。可以看出，聲像圖中的熱點(diǎn)幾乎都在(0.275 m，0.125 m)位置，與試驗(yàn)軸承的位置一致。此外，坐標(biāo)(0.275 m，0.225 m)周圍的聲壓級(jí)也很高。這主要是因?yàn)檩椛涞穆暡ê头瓷涞穆暡ㄔ谶@個(gè)區(qū)域是重疊的。這些重建的聲像圖可以幫助定位和識(shí)別主要的噪聲源，直觀地反映輻射聲場(chǎng)的空間分布。

圖6 在不同軸承故障類型下以三個(gè)特征頻率重建的聲像圖Fig.6 Acoustic image reconstructed with three characteristic frequencies under different bearing fault types

3.3 軸承故障診斷試驗(yàn)結(jié)果分析

在訓(xùn)練階段，整個(gè)數(shù)據(jù)集有1 800個(gè)樣本共包含8種故障類型。從中隨機(jī)抽取1 500個(gè)樣本作為訓(xùn)練集，同時(shí)保證每種故障類型的樣本數(shù)量相同。剩下的300個(gè)樣本作為測(cè)試集。選取交叉熵作為損失函數(shù)，Adam算法作為優(yōu)化器。其學(xué)習(xí)率為3×10-4，epoch的總數(shù)設(shè)置為400，批量大小為150個(gè)，為了防止過(guò)擬合，這里在每層卷積后添加dropout，并設(shè)置其值為0.3。

在測(cè)試階段，為了避免偶然誤差，我們選取了10次試驗(yàn)結(jié)果的分類精度如表3所示。可以看出所提出的方法在10次試驗(yàn)中均取得了良好的診斷效果。最大準(zhǔn)確度為99.33%，最低準(zhǔn)確度為98.33%，平均準(zhǔn)確度為99 %。

表3 卷積神經(jīng)網(wǎng)絡(luò)模型的10次試驗(yàn)測(cè)試集精度Tab.3 The accuracy of the 10 experiments test set of the improved convolutional neural network model

為了詳細(xì)顯示每種故障類型的診斷結(jié)果，取10次隨機(jī)試驗(yàn)中某一次試驗(yàn)結(jié)果進(jìn)行展示，測(cè)試集精度的混淆矩陣如圖7所示。可以看出，除了故障類型2(IRF-S)和故障類型4(IRF-M)中有少量樣本分類錯(cuò)誤之外，其他測(cè)試樣本均取得100%的分類精度，說(shuō)明模型具有較高的分類精度。

圖7 試驗(yàn)1分類結(jié)果的混淆矩陣Fig.7 Confusion matrix of the classification results of the first experiment

為了進(jìn)一步驗(yàn)證基于聲成像與卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法的抗干擾能力，在滾動(dòng)軸承聲場(chǎng)重建得到的聲像圖中加入一定的隨機(jī)噪聲，然后對(duì)加噪后的聲像圖進(jìn)行故障診斷。當(dāng)SNR=10 dB時(shí)，滾動(dòng)軸承4種狀態(tài)下在36.6 Hz處的重建聲像如圖8所示。

從圖8中可以看出，受隨機(jī)噪聲的影響，軸承聲像局部像素點(diǎn)處的聲壓級(jí)大小發(fā)生了變化，導(dǎo)致聲像的紋理細(xì)節(jié)產(chǎn)生了無(wú)規(guī)則的變化，但是聲像整體反映的聲場(chǎng)空間分布特征基本保持不變，仍然可以從中挖掘出軸承不同狀態(tài)下的聲場(chǎng)分布規(guī)律。

圖8 SNR=10 dB時(shí)滾動(dòng)軸承不同狀態(tài)下的聲像Fig.8 Acoustic images with SNR=10 dB of bearings in different operating conditions

對(duì)加噪后的聲像圖進(jìn)行故障診斷，同樣的，為了避免偶然誤差，選取10次試驗(yàn)結(jié)果的分類精度如表4所示?？梢钥闯鏊岢龅姆椒ㄔ?0次試驗(yàn)中均取得了良好的診斷效果。診斷準(zhǔn)確率最大為95.66%，最低為92.98%，平均準(zhǔn)確率為94.13 %。上述結(jié)果說(shuō)明基于聲像的故障診斷方法具有較強(qiáng)的魯棒性。

表4 SNR=10 dB時(shí)10次試驗(yàn)測(cè)試集精度Tab.4 The accuracy of the 10 experiments test set of the SNR=10 dB

3.4 方法對(duì)比

為了驗(yàn)證所提方法相比現(xiàn)有的基于聲像特征提取的聲學(xué)故障診斷方法的優(yōu)越性，這里與以下兩種常用的方法進(jìn)行分類精度對(duì)比。在利用波疊加法將聲信號(hào)獲取聲像圖之后，方法1從重建的聲像圖中提取基于灰度共生矩陣的4個(gè)方向(0°，45°，90°和135°)的紋理特征；方法2從重建的聲像圖中采用Gabor小波變換提取特征。最后都使用支持向量機(jī)對(duì)兩種方法所提取特征進(jìn)行分類。為了方便，下文記兩種方法為WSM+GLCM+SVM和WSM+GWT+SVM。

兩種方法的分類結(jié)果如圖9所示。根據(jù)對(duì)比可知，本文所提出的方法平均診斷準(zhǔn)確率(99.13%)高于WSM + GWT + SVM和WSM + GLCM + SVM。且能消除人工特征提取的不便。同時(shí)WSM + GWT + SVM方法的分類精度要遠(yuǎn)遠(yuǎn)高于WSM + GLCM + SVM方法，這意味著聲像的GLCM特征對(duì)于軸承故障診斷來(lái)說(shuō)是無(wú)效的，而通過(guò)GWT獲得的Gabor特征更有效。以上比較表明，盡管基于聲成像和聲像特征提取的方法可以克服測(cè)量位置選擇的困難并實(shí)現(xiàn)聲源識(shí)別，但是它們的診斷結(jié)果仍然嚴(yán)重依賴于選擇的聲像特征提取方法。

圖9 基于兩種聲像特征提取的ABD方法的分類精度Fig.9 Classification accuracy of ABD method based on two types of acoustic image feature extraction

3.5 分類結(jié)果的可解釋性

上述試驗(yàn)結(jié)果及對(duì)比分析驗(yàn)證了本文所設(shè)計(jì)的CNN模型能夠自適應(yīng)地從不同狀態(tài)的軸承聲像中學(xué)習(xí)到不同故障的特征，進(jìn)而辨別不同的故障類型，具有較高的診斷精度。然而，和目前常用的基于深度學(xué)習(xí)的故障診斷方法一樣，CNN模型類似一個(gè)“黑盒子”，分類結(jié)果缺乏可解釋性。本文通過(guò)Grad-CAM算法，對(duì)用于軸承聲像故障診斷中CNN模型的分類結(jié)果進(jìn)行可解釋性分析。圖10顯示了不同軸承故障類型的聲像圖經(jīng)過(guò)Grad-CAM算法后獲得的類激活圖。類激活圖使用漸變的色調(diào)顯示，顏色越深代表模型在此處的激活程度越大，也就是說(shuō)該區(qū)域?qū)ψ罱K分類的影響越大。與圖6表示的聲像圖不同，類激活圖中的熱點(diǎn)表現(xiàn)的是模型對(duì)聲像樣本的關(guān)注度。圖中白線是軸承試驗(yàn)臺(tái)的俯視圖。

圖10 軸承不同故障和正常狀態(tài)聲像圖的類激活圖Fig.10 Class activation diagrams of different fault and normal state sound images of bearings

從圖10中可以看出，類激活圖顏色較深的部分都在坐標(biāo)(0.275 m，0.125 m)附近，也就是在試驗(yàn)臺(tái)上軸承位置附近，說(shuō)明對(duì)模型分類結(jié)果貢獻(xiàn)最大的部分來(lái)自軸承。對(duì)于3種不同類型的故障以及正常狀態(tài)下的軸承聲像圖，聲像樣本訓(xùn)練得到的CNN診斷模型對(duì)輸入樣本激活程度較大的部分均集中在聲源附近，該部分的信息對(duì)于網(wǎng)絡(luò)的分類結(jié)果具有較高的權(quán)重，說(shuō)明網(wǎng)絡(luò)識(shí)別該類別重點(diǎn)關(guān)注區(qū)域在聲源附近。上述結(jié)果和實(shí)際情況一致，在本試驗(yàn)中，主要聲源位置即軸承附近的聲場(chǎng)分布中含有較多的故障特征信息，表明訓(xùn)練得到的CNN模型關(guān)注到了聲源附近的聲場(chǎng)分布。此外，如圖10(d)所示，正常狀態(tài)下的類激活圖中權(quán)重分布較為分散，這也和實(shí)際中軸承正常狀態(tài)下聲場(chǎng)能量分布較為分散的情況一致。綜合上述分析結(jié)果可以得出結(jié)論：本方法的分類結(jié)果具有較高的可信度。

4 結(jié) 論

本文針對(duì)現(xiàn)有的軸承聲學(xué)故障診斷方法的不足，提出了一種基于聲成像與卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承聲學(xué)故障診斷方法，并對(duì)其可解釋性進(jìn)行了探討分析。主要結(jié)論如下：

(1)基于波疊加法的聲成像方法有利于充分利用聲場(chǎng)的空間分布信息進(jìn)行軸承故障診斷，且能夠?qū)β曉催M(jìn)行定位。

(2)聲像圖與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合可以有效地解決人工特征提取困難、需要大量先驗(yàn)知識(shí)的問(wèn)題，并且與其他兩種基于聲學(xué)故障診斷的常用方法進(jìn)行對(duì)比時(shí)，具有較高的分類精度。

(3)對(duì)卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行了可解釋性分析，驗(yàn)證了模型分類結(jié)果的可信度。

綜上，本文提出了一種基于聲成像與卷積神經(jīng)網(wǎng)絡(luò)的非接觸式智能診斷方法，并初步驗(yàn)證了該方法分類結(jié)果的可解釋性。該方法不僅可以用于文中的滾動(dòng)軸承故障診斷，未來(lái)還能推廣應(yīng)用到其他類型的機(jī)械設(shè)備中，并且和降噪等信號(hào)處理方法結(jié)合用于更復(fù)雜的應(yīng)用場(chǎng)景。該方法有望在振動(dòng)測(cè)量受限的場(chǎng)合作為振動(dòng)診斷技術(shù)的一種替代或有益補(bǔ)充。