李曉峰，向輝，楊青樺

(1.重慶工商職業(yè)學院智能制造與汽車學院，重慶 401520；2.重慶青山工業(yè)有限責任公司，重慶 402761)

0 前言

齒輪箱是一種被廣泛應用的機械裝置，在航空航天裝備、交通運輸工具以及風力發(fā)電裝備等領域發(fā)揮了關鍵作用。然而由于其服役的工作環(huán)境惡劣且復雜，長時間的負荷運轉常常導致齒輪箱發(fā)生故障，嚴重時甚至會導致機器停機，造成巨大的經濟損失。因此，及時分析收集到的齒輪箱振動信號可以判斷齒輪箱是否發(fā)生異常，以便能及時發(fā)現(xiàn)問題，有效避免故障的持續(xù)惡化。

學者們提出了許多傳統(tǒng)技術來進行時域、頻域和時頻域的旋轉機械振動信號分析，基于振動信號的故障診斷方法較多且研究相對成熟。劉佳音等采用基于奇異值分解降噪方法結合功率譜圖實現(xiàn)了齒輪故障診斷。崔慧娟等將集合局部均值分解降噪特征向量與離散隱馬爾科夫模型結合，實現(xiàn)了風機齒輪箱故障診斷。金成功采用自適應白噪聲平均總體經驗模態(tài)分解濾除信號內的噪聲干擾，并結合能量熵和馬氏距離實現(xiàn)了齒輪故障診斷。雖然信號分析方法在機械故障診斷方面取得了較好成就，但需要專家知識篩選特征來實現(xiàn)故障診斷，過程繁瑣。

深度學習(DL)方法已經在機械故障診斷中發(fā)揮出優(yōu)良性能。徐活耀和陳里里利用提取的時域和時頻域特征構建高維特征向量，輸入堆棧稀疏自編碼器訓練，最終實現(xiàn)了滾動軸承故障診斷。葉壯和余建波將經驗模態(tài)分解得到的多個內稟模態(tài)函數(shù)組成灰度圖輸入到多通道加權卷積神經網(wǎng)絡，實現(xiàn)了齒輪箱故障診斷。HAO等將多傳感器軸承故障振動信號輸入一維卷積長短時記憶網(wǎng)絡。XIA等針對旋轉機械故障開發(fā)了一種基于多傳感器信息輸入卷積神經網(wǎng)絡 (Convolutional Neural Network，CNN) 的融合技術。張明德等基于多尺度卷積策略的卷積神經網(wǎng)絡，實現(xiàn)了滾動軸承故障診斷。WEN等提出基于一維振動信號轉換成二維圖像的LeNet-5新CNN故障診斷方法。宮文峰等將一維信號構造成二維拓撲結構，輸入改進CNN中診斷滾動軸承故障。這些模型在旋轉機械的故障診斷方面取得了較好效果，但均沒有考慮噪聲干擾的情況，難以保證精度。

本文作者提出一種噪聲干擾下基于二維特征圖和多尺度深度殘差收縮網(wǎng)絡(Two-dimensional Feature Map and Deep Residual Shrinkage Network，TM-DRSN) 的齒輪箱故障診斷方法,將原始一維信號轉換為二維特征圖集作為輸入層，采用TM-DRSN在二維尺度對特征圖進行自動故障特征提取和識別，并利用標準數(shù)據(jù)集對TM-MSDRSN方法進行分析驗證。

1 基于TM-DRSN的故障診斷方法

1.1 基于一維深度卷積神經網(wǎng)絡的故障診斷方法

LetNet、AlexNet、GoogleNet等經典卷積神經網(wǎng)絡(CNN)模型因其獨特的卷積結構、權值共享、稀疏鏈接等特點被廣泛用于圖像識別領域。CNN對特征有強大的學習能力和較高的泛化能力，近幾年有學者提出將CNN應用在故障診斷領域。與傳統(tǒng)的完全連接的深度神經網(wǎng)絡相比，CNN大大減少了可訓練參數(shù) (權重和偏差) 的數(shù)量，并且大多具有很高的計算復雜性。針對機械設備的故障診斷所采集到的振動信號，不同故障類型的特征在信號中所占的比重與位置不同，且伴隨著噪聲等因素，造成原始信號具有多尺度復雜性，影響故障診斷準確率。在使用卷積層與池化層交替連接構建的一維深度卷積神經網(wǎng)絡模型 (1D-DCNN) 提取故障特征時，通常添加批量歸一化 (Batch Normalization，BN)、修正線性單元 (Rectified Linear Unit，ReLU)、Dropout等技巧使得模型的泛化能力與診斷準確率提高。1D-DCNN結構如圖1所示。

圖1 一維深度卷積神經網(wǎng)絡結構示意

當振動信號中重要的細節(jié)故障特征大小有很大差別且伴有噪聲干擾時，選擇合適的卷積核來提取噪聲環(huán)境下不同大小的特征難度較大，最終會導致機械設備的故障診斷效果不佳。

1.2 基于一維深度殘差收縮網(wǎng)絡的故障診斷方法

針對CNN現(xiàn)有淺層智能診斷算法的不足，ZHAO等基于深度殘差網(wǎng)絡(Deep Residual Network，DResNet)和擠壓激勵網(wǎng)絡結構(Squeeze-and-Excitation Network，SENet),提出了深度殘差收縮網(wǎng)絡(Deep Residual Shrinkage Network，DRSN)。1D-DRSN中采用全局平均池化 (Global Average Pooling，GAP) 提高模型的運算速度，結構如圖2所示。

圖2 一維殘差收縮模塊結構

DRSN的本質是將SENet中各個特征通道的加權替換成各個特征通道的軟閾值化，即:

(1)

式中：為輸入特征;為輸出特征;為閾值，即正參數(shù)。軟閾值化能更加靈活地設置特征取值區(qū)間，最終得到更優(yōu)的模型。1D-DRSN將原始信號直接作為輸入，針對含噪聲或復雜數(shù)據(jù)旋轉機械振動信號的學習效果較佳，可為診斷領域提供參考。

1.3 基于二維特征圖和深度殘差收縮網(wǎng)絡(TM-DRSN)的故障診斷方法

DRSN融合了DResNet、SENet及軟閾值的優(yōu)點，構建出的深度神經網(wǎng)絡模型可以自適應地去除噪聲，避免了過度依賴于專家經驗的信號處理等繁瑣過程。為得到便于DRSN輸入的二維特征圖，同時保留一維振動信號的關聯(lián)性和時序性，首先將振動信號按橫向插樣構建為二維特征圖，以包含1024點的振動信號為例，數(shù)據(jù)點為時間序列，振動信號1024點按順序依次插入32行32列的二維矩陣中，進而得到滿足模型輸入的二維特征圖。本文作者提出一種針對噪聲環(huán)境下齒輪箱振動信號的TM-DRSN方法，實現(xiàn)了故障診斷。圖3所示為基于二維特征圖的深度殘差收縮網(wǎng)絡模型結構圖。TM-DRSN主要通過多個殘差收縮模塊提取故障特征，輸入層為二維特征圖。該方法采用二維卷積核實現(xiàn)故障特征的自動提取， DRSN的第一特征提取層為寬卷積核層，殘差收縮模塊選用小卷積核提取特征。為增強模型的抗噪聲干擾能力，引入融合了Sigmoid 和ReLU 的 ELU 激活函數(shù)。在TM-DRSN模型訓練中，采用ADAM自適應學習率算法優(yōu)化參數(shù)，采用交叉熵損失函數(shù)Softmax作為分類器實現(xiàn)故障診斷。

圖3 基于二維特征圖的深度殘差收縮網(wǎng)絡模型結構

2 基于TM-DRSN的齒輪箱故障診斷結果

2.1 TM-DRSN模型結構設計和參數(shù)設置

本文作者所提的TM-DRSN模型共有13層模型，包括1個輸入層 (樣本數(shù)據(jù)輸入維度為32×64)、1個卷積層、8個殘差收縮模塊 (包含2個卷積層和1個軟閾值模塊)、1個Dropout層、1個GAP層、1個Softmax層。在Windows10計算機中基于Python-Tensorflow搭建深度殘差收縮網(wǎng)絡模型。模型訓練時設置mini-batch為50，學習率為0.001，循環(huán)迭代輪數(shù)為3 000，Dropout率為0.5。TM-DRSN模型的具體結構參數(shù)設置如表1所示。

表1 TM-DRSN模型的參數(shù)設置

2.2 試驗系統(tǒng)和數(shù)據(jù)集制作

試驗數(shù)據(jù)來自Spectra Quest振動試驗系統(tǒng)。在試驗中，研究了在兩種不同轉速和負載配置運行條件下齒輪和軸承的故障，設置為20 Hz-0 V和30 Hz-2 V。8個通道分別采集電動機的振動和扭矩、行星齒輪箱和減速齒輪箱的在、、三軸上的振動。本文作者選取了行星齒輪箱在30 Hz-2 V工況下軸的振動數(shù)據(jù)，5種故障類型分別為健康、齒根裂紋、表面磨損、缺齒和斷齒。文中在獲得信號數(shù)據(jù)集時采用重疊采樣方法，即將一維振動信號切分為每類故障1 000個樣本，每個樣本包含2 048個數(shù)據(jù)點，得到的數(shù)據(jù)集G30-2包含5 000個樣本。試驗中選取80%樣本作為訓練集，20%作為測試集。

2.3 基于TM-DRSN的故障診斷方法驗證

2.3.1 TM-DRSN的高級特征可視化

為分析TM-DRSN對原始特征的學習能力，將原始特征與高級特征用T-隨機鄰近嵌入 (T-SNE)算法進行二維可視化，結果如圖4所示。

圖4 測試樣本的特征分布

由圖4可知：原始特征的散點圖顯示的5種故障類型相互之間均有交叉，無法識別其具體故障類型；隨著TM-DRSN模型層數(shù)增加，每一層故障特征可分割性逐漸增強，說明深度網(wǎng)絡結構的必要性，最后經過Softamx層實現(xiàn)故障有效分類。

2.3.2 TM-DRSN模型的有效性驗證

為證明TM-DRSN模型的優(yōu)勢，在無噪聲環(huán)境下進行試驗。使用文獻[18]和[19]中的方法、1D-DCNN、1D-DResNet、1D-DRSN和TM-DRSN分析相同的數(shù)據(jù)集,并比較故障診斷結果。1D-DResNet和1D-DRSN的結構與TM-DRSN相同，參考表1，不同的是前兩者的第一卷積層均采用1×88大卷積核提取故障特征，步長設置為1×8，殘差塊和殘差收縮模塊中卷積核大小均為1×4。1D-DCNN的結構參數(shù)見表2，不同方法的診斷結果見表3。

表2 文中提出的CNN模型參數(shù)

表3 不同模型的診斷正確率 單位:%

由表3可以看出:當采用G30-2數(shù)據(jù)集進行試驗時，文獻[18]和[19]中方法的正確率分別為94.14%、99.02%和95.80%，其他方法1D-DCNN、1D-DResNet和1D-DRSN的診斷正確率分別為99.79%、99.93%和99.95%，而本文作者所提TM-DRSN方法的診斷正確率為99.97%，接近100%。相較之下，文中方法得到的故障診斷率更高，表現(xiàn)出更好的故障診斷能力，驗證了TM-DRSN方法的有效性。

2.3.3 MSDRSN模型的抗噪聲能力驗證

在測試樣本中加入SNR為0～10 dB的高斯白噪聲模擬強噪聲干擾環(huán)境，結果如表4所示。

表4 不同模型的診斷正確率 單位:%

由表4可知：當采用4種方法對G30-2數(shù)據(jù)集進行抗噪聲能力試驗時，不同模型表現(xiàn)出的診斷能力有較大不同。當采用1D-DCNN模型進行訓練和測試時，在SNR=0環(huán)境下的診斷正確率僅為46.83%，1D-DResNet和1D-DRSN的診斷正確率稍有提升，分別為53.85%和57.93%。主要原因為1D-DCNN模型網(wǎng)絡層數(shù)較淺，不能很好地提取到高級故障特征；而1D-DResNet在其基礎上添加了殘差塊，加深了特征提取層數(shù)；1D-DRSN在1D-DResNet的基礎上引入軟閾值化模塊，從而對含噪聲或復雜數(shù)據(jù)的齒輪箱振動信號學習效果更佳，可得到更高的診斷正確率。TM-DRSN模型在1D-DRSN的基礎上作進一步改進，基于橫向插樣法將一維數(shù)據(jù)樣本構建成便于DRSN輸入的二維特征圖，并且在TM-DRSN輸入層構建寬卷積核層作為第一特征提取層。采用TM-DRSN在二維尺度對特征圖進行自動故障特征提取，得到的故障診斷正確率為93.50%。隨著SNR增加，4種方法的故障診斷正確率提升，并且在SNR的增長區(qū)間內，正確率從小到大始終為1D-DRSN、1D-DResNet、1D-DRSN、TM-DRSN。當SNR=10 dB時，TM-DRSN的診斷正確率最高，為99.89%，結果表明了TM-DRSN方法的有效性和優(yōu)越性，且在噪聲干擾下具有極高的故障診斷能力。

3 結論

(1)本文作者提出了一種噪聲干擾下基于二維特征圖和深度殘差收縮網(wǎng)絡的齒輪箱故障診斷方法。該方法基于橫向插樣法將一維數(shù)據(jù)構建成二維特征圖作為DRSN的輸入層，將多個殘差收縮模塊引入深度卷積神經網(wǎng)絡中作為特征提取層，得到的TM-DRSN方法可以自動提取原始信號的高階特征，實現(xiàn)了真正意義上的智能化診斷。

(2)利用齒輪箱標準數(shù)據(jù)集進行試驗驗證，與1D-DCNN、1D-DResNet、1D-DRSN以及其他3種現(xiàn)有方法相比，TM-DRSN方法可以取得更高的診斷正確率，表明了該智能診斷方法的有效性。利用G30-2數(shù)據(jù)集在噪聲環(huán)境下進行測試試驗，當SNR=0時，TM-DRSN方法的診斷正確率為93.50%，SNR=10 dB時的診斷正確率為99.89%，與其他深度學習診斷方法相比，其診斷效果有較大提升，驗證了TM-DRSN方法具有較強的抗噪聲干擾能力。