薛陽,雷文平,岳帥旭,徐向陽,王坤

(鄭州大學 振動工程研究所,鄭州 450001)

滾動軸承是重要的機械基礎(chǔ)件,是旋轉(zhuǎn)機械設備故障的主要來源[1],因軸承的故障比例占總故障的30%[2]。負載作為實際運行的一項重要指標,其變化會直接影響滾動軸承振動特征的改變[3],工廠的噪聲環(huán)境也會對信號提取產(chǎn)生干擾。而深度學習[4]具有強大的特征提取能力,并能對工業(yè)大數(shù)據(jù)時代[5]海量的監(jiān)測數(shù)據(jù)進行高效分析,因此可利用深度學習方法對變負載及噪聲工況下滾動軸承故障類型進行判別。

蘭州理工大學趙小強等提出改進Alexnet的滾動軸承變工況診斷方法[6],將一維時域信號橫向插樣構(gòu)建以改進Alexnet輸入的二維特征圖,保留了特征提取過程中信號的時序性和關(guān)聯(lián)性;安徽工業(yè)大學姜戰(zhàn)偉提出一種基于參數(shù)優(yōu)化的變分模態(tài)分解方法[7]對變工況滾動軸承時域信號處理,使其在變工況下滾動軸承多狀態(tài)分類中具有更高準確率。以上研究是基于一種模態(tài)信號,近年來也有學者利用多模態(tài)特征對轉(zhuǎn)子故障診斷開展了研究:長沙電力學院李錄平等針對汽輪發(fā)電機組碰磨故障,采用傅里葉和離散小波變換分別從定性和定量兩個方面[8]對汽輪發(fā)電機組動靜碰磨故障的典型特征進行了分析和研究;陳志強等將一維振動信號轉(zhuǎn)化為二維圖像提取特征[9],用深度學習進行齒輪箱的故障識別。

現(xiàn)有的故障分析主要基于振動信號的時域、頻域、時頻域3個模態(tài),當采用單一模態(tài)特征進行診斷分析時缺乏對其他模態(tài)的聯(lián)合提取;而當模態(tài)特征提取過多時則可能出現(xiàn)信號冗余,增加診斷的復雜程度且無法保證診斷的時效性。西南交通大學郭亮等利用3個維度的信息特征構(gòu)建網(wǎng)絡實現(xiàn)低層信息融合[10];然后通過深度堆疊稀疏自編碼器實現(xiàn)高層特征的提取;趙柄錫等對時域和時頻域特征聯(lián)合提取,對簡單轉(zhuǎn)子模型進行分析并實現(xiàn)故障診斷[11], Thirukovalluru等則提取了頻域和時頻域的低層特征[12],利用快速傅里葉變換將振動信號的功率譜分成均等的256份,計算每份功率譜能量占總信號能量的比例,形成相應的特征實現(xiàn)故障診斷。以上3項研究都將特征融合運用到轉(zhuǎn)子模型故障診斷中,但并未實際應用到變載荷及噪聲工況下的軸承工作環(huán)境中。基于此,本文提出一種針對特征分析的多模態(tài)融合[13]卷積神經(jīng)網(wǎng)絡(Multimodal fusion convolutional neural network, MF-CNN)模型,選取經(jīng)典軸承試驗臺數(shù)據(jù),對振動信號的時域、頻域兩種模態(tài)分別提取特征,再將不同模態(tài)特征融合進行故障診斷。

1 理論基礎(chǔ)

1.1 多模態(tài)特征融合

多模態(tài)融合(Multimodal fusion)負責聯(lián)合多個模態(tài)的信息,多模態(tài)的數(shù)據(jù)可以從給定的學習任務所考慮的每種模式中提取補充信息,與僅使用單一模式相比,可以產(chǎn)生更豐富的表現(xiàn)形式。融合可在3個層級進行:數(shù)據(jù)層、特征層和決策層[9],特征層融合示意如圖1所示。在軸承故障診斷中,不同域信號均為不同模態(tài),該研究選定時域、頻域兩種模態(tài)信息,分別提取出兩個模態(tài)特征,在特征層融合,實現(xiàn)診斷分類。

圖1 多模態(tài)融合-特征層融合示意圖

該網(wǎng)絡主要包含兩部分功能:1) 對時域和頻域兩個模態(tài)信息進行特征提取。特征提取層分別由2層卷積、2層池化、1層全連接、1層展平構(gòu)成,為了從大量時域樣本中獲取更多故障特征故選取了兩個大卷積核。2) 將提取結(jié)果用concatenate連接,實現(xiàn)多模態(tài)融合3個層級中的特征層融合。整個網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖2 MF-CNN模型結(jié)構(gòu)圖

1.2 特征提取層

以CNN為框架構(gòu)建的特征提取層是兩個由2層卷積層、2層池化層、全連接層及分類層組成的多層網(wǎng)絡,擁有大卷積核的卷積層和池化層穿插排列,用relu激活函數(shù)進行特征的非線性處理,分別對時域、頻域信號進行全面特征提取。二次卷積得到的特征被第一個全連接層分類,利用最大池化方法減少特征參數(shù),之后將得到的時域、頻域兩模態(tài)的多維特征分別展平到一維作為特征融合層的輸入。整個特征提取層通過對同一原始信號的兩種模態(tài)分別逐層學習,實現(xiàn)不同模態(tài)下隱含固有特征的提取。

1.2.1 卷積層

本網(wǎng)絡中的卷積層使用大卷積核對輸入信號局部區(qū)域進行卷積以提取特征,即

(1)

為了克服梯度彌散現(xiàn)象,卷積后利用relu函數(shù)進行非線性變換,即

al(i,j)=f(yl(i,j))

(2)

式中:f表示激活函數(shù);al(i,j)表示卷積層的激活值。

1.2.2 池化層

本網(wǎng)絡在卷積層和全連接層后添加池化層,采用最大值池化法來減少神經(jīng)網(wǎng)絡參數(shù)個數(shù)及數(shù)據(jù)尺寸:

(3)

式中:al(i,t)表示上一層的激活值;Wp表示池化寬度;pl(i,j)表示池化結(jié)果。

1.2.3 全連接層

全連接層對提取到的特征進行分類。本網(wǎng)絡中第一個全連接層加在第二次卷積之后,第二個全連接層加在特征融合層后進行分類，即

(4)

1.3 特征融合層

訓練集數(shù)據(jù)D可以表示為

D={(t1,s1,y1)(t2,s2,y2)…(tn,sn,yn)}

(5)

式中:ti、si分別為預處理后放入CNN的時域信號和頻域信號;yi表示由one-hot編碼組成的圖像標簽。

在特征融合層用concatenate函數(shù)將兩種模態(tài)的特征融合,接入全連接層和softmax激活函數(shù)完成時域、頻域特征的融合,即

(6)

式中:gD是ti、θD的函數(shù),表示時域信號經(jīng)過特征提取層處理所得結(jié)果;gI是si、θI的函數(shù),表示頻域信號特征提取結(jié)果;S表示softmax激活函數(shù);WD表示softmax層的權(quán)重;L表示交叉熵損失函數(shù)。

2 實驗驗證分析

2.1 數(shù)據(jù)的來源

實驗驗證所采用的CWRU軸承數(shù)據(jù)集來自凱斯西儲大學軸承試驗臺[14]。選取的驅(qū)動端深溝球軸承型號為SKF6205。實驗采用了0～3 HP這4種負載下的滾動軸承故障數(shù)據(jù),采樣頻率為12 kHz,數(shù)據(jù)樣本數(shù)量為6 000個,包含了滾動軸承正常狀態(tài)、內(nèi)圈故障、外圈故障和滾動體故障及不同故障程度共10種狀態(tài),每種狀態(tài)樣本為2 000個,樣本采樣長度為2 048。

為擴大樣本數(shù)量,對原數(shù)據(jù)集進行重疊采樣,各數(shù)據(jù)集間的數(shù)據(jù)不重復使用,得到0 HP、1 HP、2 HP、3 HP這4種負載下不同故障類型樣本個數(shù)各400個,共16 000個。

本次實驗共構(gòu)建了4組數(shù)據(jù)集,每組數(shù)據(jù)集又分為訓練集和測試集兩部分,訓練集由單一載荷下的數(shù)據(jù)構(gòu)成,測試集由另外3種載荷下的數(shù)據(jù)構(gòu)成[15]。如數(shù)據(jù)集D1/023就表示用1 HP負載下的數(shù)據(jù)作為訓練集,0 HP、2 HP及3 HP負載下的數(shù)據(jù)作為測試集。數(shù)據(jù)集的構(gòu)成如表1所示。

表1 實驗數(shù)據(jù)集組成

2.2 實驗對比分析

本實驗特設置對照組,用傳統(tǒng)的單模態(tài)時域CNN、頻域CNN與本研究提出的時頻MF-CNN共同實驗,得到各方法實驗的準確率和損失,分析時域+頻域特征的MF-CNN網(wǎng)絡與單模態(tài)CNN對變工況滾動軸承故的診斷能力和適應性。

對4個數(shù)據(jù)集的原始信號添加高斯白噪聲,信噪比范圍從25 dB開始遞減至17 dB,間隔為1 dB。在無噪聲及不同噪聲強度下用時域CNN、頻域CNN和MF-CNN這3種方法分別做20次重復實驗,對每種噪聲條件下不同數(shù)據(jù)集和方法得到的20次實驗結(jié)果取平均值,繪制成折線圖如圖3～圖6所示。

圖3 D0/123實驗結(jié)果

圖4 D1/023實驗結(jié)果

圖5 D2/013實驗結(jié)果

圖6 D3/012實驗結(jié)果

通過折線圖可以直觀看出,在無噪聲及信噪比大于17 dB的噪聲條件下,4個數(shù)據(jù)集實驗MF-CNN的準確率均大于80%,且大幅高于時域CNN、頻域CNN準確率,具有良好的診斷能力。當信噪比降低至17 dB時,MF-CNN準確率仍高于單模態(tài)CNN,但僅在D2/013數(shù)據(jù)集準確率高于80%,其他3個數(shù)據(jù)集準確率均降低于80%,認為該噪聲條件下不具備診斷能力。

將4個數(shù)據(jù)集用3種方法在18～25 dB這8種信噪比下診斷的準確率取平均值,繪制成柱狀圖如圖7所示。

圖7 不同信噪比下平均準確率

從圖7中可以看出,對D0/123、D1/023、D2/013、D3/012這4個數(shù)據(jù)集,MF-CNN的準確率比時域CNN分別高9.1%、8.8%、7.1%、24.6%,MF-CNN的準確率比頻域CNN分別高15.1%、10.5%、26.8%、18.1%,MF-CNN的準確率均高于兩種單模態(tài)CNN,其中D3/012數(shù)據(jù)集下MF-CNN準確率比時域CNN高24.6%,比頻域CNN高18.1%。

D3/012數(shù)據(jù)集以3 HP重載荷工況下的數(shù)據(jù)作為訓練集,以0 HP(無載荷)、1 HP和2 HP(輕載荷)下的數(shù)據(jù)作為測試集,實現(xiàn)從已知故障類型的低負載數(shù)據(jù)到未知故障類型高負載數(shù)據(jù)的診斷。該數(shù)據(jù)集負載變化跨度大,該組診斷的實現(xiàn)對變工況下滾動軸承故障診斷的研究具有代表性意義。D3/012數(shù)據(jù)集在3種方法下實驗所得準確率如表2所示。

表2 D3/012實驗準確率

表3表明,在無噪聲情況下MF-CNN準確率最高,時域CNN和頻域CNN也有較強的診斷能力。當開始以信噪比25 dB施加高斯白噪聲,時域CNN和頻域CNN的準確率相較于無噪聲條件分別降低15.3%和13.7%,MF-CNN準確率仍在90%以上。隨著噪聲增強,單模態(tài)CNN準確率急劇下降,信噪比達到24 dB時,時域CNN準確率降低至67.0%,已不具備診斷能力,此時MF-CNN準確率為87.3%;信噪比達到21 dB時,頻域CNN準確率降低至67.7%,不具備診斷能力,此時MF-CNN為86.6%,仍能較好地進行診斷。信噪比達到18 dB時,MF-CNN準確率為83.7%,仍具備較好的診斷能力,比時域CNN高出28.1%,比頻域CNN高出23%。

3 結(jié)論

本文以實際工程應用為背景,對噪聲及變負載下滾動軸承故障診斷展開研究,建立時域-頻域多模態(tài)卷積神經(jīng)網(wǎng)絡模型MF-CNN,并以傳統(tǒng)的單模態(tài)卷積神經(jīng)網(wǎng)絡模型(時域CNN、頻域CNN)為對照,用凱斯西儲大學滾動軸承實驗數(shù)據(jù)進行實驗。

實驗證明在4種方式的變載荷及信噪比大于17 dB的噪聲條件下,本研究提出的MF-CNN準確率比單時域CNN和頻域CNN方法平均提升10%以上。在由重載荷向輕載荷變化的工況下提升更為明顯,在該工況下給信號添加信噪比25dB高斯白噪聲,時域CNN和頻域CNN已不具備診斷能力,而該工況下信噪比為18 dB時MF-CNN仍能保持較高的準確率,因此該方法對在噪聲下由重載荷向輕載荷變化的工況診斷能力更為突出,比傳統(tǒng)單模態(tài)方法的有更大提高。該方法為噪聲及變載荷工況下滾動軸承的故障診斷提供了新的思路。