宮文峰，陳 輝，WANG Danwei

(1.武漢理工大學(xué) 高性能艦船技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430063；2.桂林電子科技大學(xué)北海校區(qū) 海洋工程學(xué)院，廣西 北海 536000;3.新加坡南洋理工大學(xué) 電子與電氣工程學(xué)院ST Engineering-NTU聯(lián)合實(shí)驗(yàn)室，新加坡 639798)

0 引言

近十年來(lái)，我國(guó)在國(guó)產(chǎn)航空母艦、新一代戰(zhàn)略核潛艇和高性能電力推進(jìn)系統(tǒng)裝備等尖端技術(shù)研究方面取得了突破性進(jìn)展，中國(guó)已成為世界第一造船大國(guó)和世界航運(yùn)第一大國(guó)[1-3]。如今，新一代船舶正朝著智能化、自動(dòng)化和無(wú)人化方向快速發(fā)展[4]。在船舶中，旋轉(zhuǎn)機(jī)械是其重要的組成部分，在水面艦艇中包含有大量的旋轉(zhuǎn)機(jī)械，諸如：推進(jìn)電機(jī)、應(yīng)急發(fā)電機(jī)、主軸、齒輪箱、液壓泵以及各類(lèi)支撐軸承等，此類(lèi)旋轉(zhuǎn)機(jī)械通常需要長(zhǎng)時(shí)間連續(xù)工作在高溫、高壓、重載和變載荷的復(fù)雜工況下，且受潮濕、鹽堿等惡劣海況環(huán)境影響而易于發(fā)生各種故障[5-6]。船舶作為“獨(dú)立”航行于海上的復(fù)雜系統(tǒng)，一旦關(guān)鍵部件發(fā)生故障若不及時(shí)處理將嚴(yán)重影響船舶的正常運(yùn)行，甚至導(dǎo)致重大損失和災(zāi)難性后果[7]。因此，研究智能、高效和快速的故障診斷及風(fēng)險(xiǎn)預(yù)報(bào)技術(shù)，對(duì)保障船舶的安全穩(wěn)定運(yùn)行至關(guān)重要。

由船舶機(jī)械的故障產(chǎn)生和演變機(jī)理分析可知，任何顯著性故障都是由早期微小故障累積演變而成的[6]。在故障產(chǎn)生的初期，微小故障對(duì)機(jī)械系統(tǒng)的影響較小，自身狀態(tài)幅值低、故障特性不明顯，所造成的損失程度小、故障維護(hù)成本低[8]；然而，隨著時(shí)間的積累，微小故障的幅值逐漸增大，一旦超過(guò)臨界值就會(huì)快速增大或躍變?yōu)轱@著性故障，對(duì)系統(tǒng)造成重大影響且故障維修代價(jià)高昂，整個(gè)演變過(guò)程往往伴隨著振動(dòng)、噪聲、壓力、溫度和轉(zhuǎn)速等指標(biāo)的劇烈波動(dòng)和變化[8-9]。不同于陸路裝備，遠(yuǎn)洋船舶在海上突發(fā)故障時(shí)通常沒(méi)有足夠的時(shí)間和外部的技術(shù)援助，大型裝備又不可能遇到問(wèn)題就靠港修理，往往處于“孤立無(wú)援”的局面[10]。現(xiàn)行的針對(duì)陸路裝備的“事后維修”、“計(jì)劃維修”和“定時(shí)維護(hù)”的船舶運(yùn)維體系已經(jīng)越來(lái)越無(wú)法滿(mǎn)足現(xiàn)代航運(yùn)的發(fā)展要求，尤其是高度自動(dòng)化的智能船舶，傳統(tǒng)的根據(jù)經(jīng)驗(yàn)定期維護(hù)和更換部件的方法易造成故障誤判和資源浪費(fèi)，存在極大的安全隱患，而現(xiàn)有的狀態(tài)監(jiān)測(cè)系統(tǒng)多數(shù)僅對(duì)主要關(guān)鍵部件的過(guò)載、過(guò)流、過(guò)壓、高溫、偏載等進(jìn)行報(bào)警并執(zhí)行斷電或停機(jī)保護(hù)措施，并且這種基于閾值判斷故障有無(wú)的“粗放型”診斷方法只能辨識(shí)已經(jīng)惡化的重大顯著性故障，對(duì)早期微小故障的辨識(shí)卻“束手無(wú)策”[9-10]。為提高船舶故障診斷的智能化水平，避免早期微小故障發(fā)展到“物理目測(cè)級(jí)”顯著故障而造成重大風(fēng)險(xiǎn)事故，2020年3月，中國(guó)船級(jí)社最新發(fā)布的《智能船舶規(guī)范》[11]中已明確將狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)作為新一代智能船舶的關(guān)鍵運(yùn)維技術(shù)，面向“大數(shù)據(jù)”環(huán)境，尋求“視情與適情”的精準(zhǔn)動(dòng)態(tài)運(yùn)維方法，早期防患于未然[10-11]。

目前，針對(duì)微小故障診斷的方法主要有基于解析模型、基于專(zhuān)家知識(shí)和基于機(jī)器學(xué)習(xí)算法3類(lèi)[12-14]。如今，隨著“互聯(lián)網(wǎng)+”和先進(jìn)數(shù)據(jù)采集技術(shù)在船舶機(jī)械上的普及和應(yīng)用，船舶狀態(tài)監(jiān)測(cè)領(lǐng)域已進(jìn)入“大數(shù)據(jù)”時(shí)代，使得基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)技術(shù)在故障診斷領(lǐng)域得到廣泛研究，比較有代表的支持向量機(jī)(Support Vector Machine, SVM)、K近鄰(K-Nearest Neighbor, KNN)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)等，已在故障診斷領(lǐng)域得到廣泛應(yīng)用[15-17]。然而，經(jīng)過(guò)大量的實(shí)際應(yīng)用發(fā)現(xiàn)，上述淺層機(jī)器學(xué)習(xí)算法仍存在兩個(gè)方面的不足：①因淺層的模型結(jié)構(gòu)過(guò)于簡(jiǎn)單，導(dǎo)致特征提取能力不足，難以有效辨識(shí)微小故障特征[6]；②淺層機(jī)器學(xué)習(xí)算法主要適用于小樣本數(shù)據(jù)，在處理大數(shù)據(jù)樣本時(shí)性能突顯不足[9]。為彌補(bǔ)該不足，業(yè)內(nèi)學(xué)者通常采用經(jīng)驗(yàn)?zāi)B(tài)分解、傅立葉變換和小波變換等信號(hào)處理技術(shù)先對(duì)原始數(shù)據(jù)進(jìn)特征提取[15-18]，然后再將提取的特征輸入淺層機(jī)器學(xué)習(xí)算法進(jìn)行模式分類(lèi)，此類(lèi)組合方法雖然取得了一定的效果，但是人工設(shè)計(jì)的特征具有較大的主觀盲目性，診斷精度依賴(lài)專(zhuān)家經(jīng)驗(yàn)[19]，對(duì)于反映微小故障的隱蔽特征易被噪音掩蓋和誤刪，且該操作費(fèi)時(shí)、費(fèi)力，尤其在處理多傳感器、多通道的高維度“大數(shù)據(jù)”時(shí)更加“力不從心”，嚴(yán)重影響診斷效果[19-20]。

為了更有效地提取隱藏于大數(shù)據(jù)中的微小故障特征，一種強(qiáng)大的深度學(xué)習(xí)(Deep Learning, DL)算法——卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)得到故障診斷領(lǐng)域?qū)W者的廣泛關(guān)注[3]。CNN采用深層網(wǎng)絡(luò)結(jié)構(gòu)，具有強(qiáng)大的特征提取能力，克服了傳統(tǒng)淺層機(jī)器學(xué)習(xí)算法的不足，具備辨識(shí)微小故障的潛力[9]。近5年來(lái)，CNN已得到業(yè)內(nèi)學(xué)者的廣泛關(guān)注[20-27]。CHEN等[21]較早地將CNN用于齒輪箱的振動(dòng)信號(hào)故障診斷中，首先采用統(tǒng)計(jì)特征和快速傅立葉變換分別對(duì)原始信號(hào)的時(shí)域和頻域進(jìn)行特征選擇，然后再用CNN進(jìn)行分類(lèi)。WANG等[22]采用快速傅里葉變換與CNN相結(jié)合的方法對(duì)電動(dòng)機(jī)進(jìn)行了故障診斷。李恒等[23]采用短時(shí)傅里葉變換和CNN對(duì)滾動(dòng)軸承進(jìn)行了故障診斷。以上研究雖然都用到了CNN算法，但是都仍然需要借用傳統(tǒng)的信號(hào)處理技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行特征操作，未能充分發(fā)揮CNN強(qiáng)大的特征提取能力，且限制了診斷效果的進(jìn)一步提升[19-20]。HOANG等[24]、宮文峰等[25]、XIA等[26]和WEN等[27]分別提出了直接采用原始數(shù)據(jù)輸入CNN進(jìn)行故障診斷的方法，然而上述文獻(xiàn)需要將原始的一維時(shí)間序列數(shù)據(jù)按照?qǐng)D像的數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)變?yōu)槎S特征圖，以符合2D-CNN的數(shù)據(jù)格式要求。此類(lèi)方法雖然可以減少傳統(tǒng)方法中人工提取選擇特征的繁瑣操作，但是仍存在兩點(diǎn)不足：①將一維序列轉(zhuǎn)變?yōu)槎S圖像的數(shù)據(jù)重構(gòu)操作破壞了原始數(shù)據(jù)的時(shí)間關(guān)聯(lián)特征，且沒(méi)有充足的理論證明該操作是合理的；②在處理多傳感器和多通道數(shù)據(jù)時(shí)需要建立多通道的二維卷積核來(lái)執(zhí)行多通道卷積運(yùn)算[9]，從而增加了2D-CNN模型的復(fù)雜度和運(yùn)算時(shí)間，不利于微小故障的快速診斷。

針對(duì)以上問(wèn)題，本文提出一種基于改進(jìn)的1DCNN-GAP的深度學(xué)習(xí)新算法，用于船舶機(jī)械微小故障的快速診斷。該算法由輸入層、特征提取層、1D-GAP層和Softmax輸出層組成。首先，輸入層自動(dòng)對(duì)原始的多傳感器、多通道數(shù)據(jù)進(jìn)行融合和數(shù)據(jù)處理；其次，特征提取層對(duì)融合后的特征圖進(jìn)行特征提??；然后，1D-GAP層進(jìn)行降維減參和維度變換；最后，診斷結(jié)果由Softmax層自動(dòng)輸出。該算法的創(chuàng)新點(diǎn)主要有兩個(gè)方面：①引入一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimensional Convolutional Neural Network, 1D-CNN)處理多傳感器一維時(shí)間序列數(shù)據(jù)的融合問(wèn)題；②為減少現(xiàn)行CNN模型的參數(shù)量和檢測(cè)時(shí)間，設(shè)計(jì)了一維全局均值池化層(1D Global Average Pooling, 1D-GAP)來(lái)改進(jìn)傳統(tǒng)1D-CNN中2～3層的全連接層。改進(jìn)的算法具有更少的訓(xùn)練參數(shù)量和診斷時(shí)間，更加適合處理船舶機(jī)械的快速故障診斷問(wèn)題。整個(gè)診斷過(guò)程無(wú)需任何手工特征提取，“端到端”的算法結(jié)構(gòu)具有更加優(yōu)越的靈活通用性。

1 卷積神經(jīng)網(wǎng)絡(luò)

CNN最早是由圖靈獎(jiǎng)獲得者LECUN等[28]提出的一種基于卷積數(shù)學(xué)運(yùn)算為基礎(chǔ)的前饋式深度神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)全連接BP(back propagation)神經(jīng)網(wǎng)絡(luò)相比，CNN最大的優(yōu)點(diǎn)在于：①CNN設(shè)計(jì)了卷積和池化兩種特殊結(jié)構(gòu)的操作算子，將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中每一層的每一個(gè)神經(jīng)元在CNN中以卷積核(濾波器)來(lái)定義，具有強(qiáng)大的特征提取能力[9]；②CNN采用了稀疏式連接和參數(shù)權(quán)重共享機(jī)制，在時(shí)間和空間上降維采樣精減數(shù)據(jù)維度，減少模型訓(xùn)練參數(shù)量，提高圖像處理效率[6]；③CNN對(duì)圖像的縮放、旋轉(zhuǎn)、平穩(wěn)等位置操作具有自適應(yīng)性，因此，CNN在圖像識(shí)別領(lǐng)域中取得了顯著的應(yīng)用成效[22]。如圖1所示為CNN的基本框架結(jié)構(gòu)[3]，主要由卷積層、池化層和全連接層3個(gè)部分組成[25]。

(1)卷積操作

卷積是CNN中最核心的數(shù)學(xué)操作之一，主要用于特征提取，CNN中的卷積操作并非數(shù)學(xué)中的標(biāo)準(zhǔn)卷積計(jì)算，此處類(lèi)似于互相關(guān)運(yùn)算[29]。CNN的單通道卷積操作基本過(guò)程如圖2所示。

在圖2中，左側(cè)是一張[5×5×1]的單通道灰度圖像(5×5代表長(zhǎng)和寬，1代表1個(gè)通道)，中間是一個(gè)[3×3×1]的單通道卷積核，右側(cè)是經(jīng)卷積操作后得到的[3×3×1]的輸出特征圖，本例補(bǔ)零方式為“VALID”，步長(zhǎng)為1。在實(shí)際的計(jì)算機(jī)視覺(jué)或故障診斷應(yīng)用中，往往遇到的是多通道數(shù)據(jù)，如彩色照片具有RGB三個(gè)通道、旋轉(zhuǎn)機(jī)械具有數(shù)十個(gè)傳感器數(shù)據(jù)通道[25]。針對(duì)多通道數(shù)據(jù)，CNN將采用多通道的卷積核進(jìn)行卷積計(jì)算，多通道卷積操作的數(shù)學(xué)表達(dá)為[9]：

(1)

如圖3所示為多通道卷積操作的過(guò)程，可以看作是由3個(gè)傳感器的一維時(shí)間序列數(shù)據(jù)重構(gòu)為一個(gè)3層堆疊的特征圖。在圖3中，對(duì)于3通道的圖像，CNN需要構(gòu)建3通道的卷積核對(duì)其執(zhí)行多通道卷積操作，其中每一個(gè)卷積核通道分別對(duì)應(yīng)一個(gè)輸入圖像通道，并按照?qǐng)D2所示的單通道卷積計(jì)算方法，每個(gè)通道各自得到一張輸出特征圖，最后，將3個(gè)通道的輸出值累加后得到最終的一張輸出特征圖[29]。

(2)稀疏連接與參數(shù)權(quán)共享

稀疏連接與參數(shù)權(quán)共享是CNN能夠取得杰出的圖像識(shí)別速率的兩大利器[6]。如圖3所示，在多通道卷積操作中，每一個(gè)通道的卷積核權(quán)重均不同，但是同一個(gè)卷積核在遍歷整個(gè)圖像執(zhí)行卷積操作時(shí)的權(quán)重是相同的，此即為參數(shù)權(quán)共享的獨(dú)特之處[29]。另外，在每一次卷積運(yùn)算時(shí)，卷積核都只對(duì)圖像中的一個(gè)局部小區(qū)域進(jìn)行計(jì)算，并采用滑動(dòng)窗口以一定步長(zhǎng)遍歷整個(gè)圖像，完成整個(gè)圖像的特征提取，此即為CNN稀疏式連接的巧妙之處[25]。這兩項(xiàng)獨(dú)特的設(shè)計(jì)提高了CNN的計(jì)算效率，也為其在微小故障的快速診斷領(lǐng)域的應(yīng)用提供了條件。

由上述分析可以看出，現(xiàn)行的2D-CNN算法是一種基于二維或三維圖像的數(shù)據(jù)框架，在處理多通道數(shù)據(jù)時(shí)其復(fù)雜度和參數(shù)量將隨著輸入圖像的通道數(shù)的增加而呈指數(shù)級(jí)增漲[9]。然而，在實(shí)際的船舶旋轉(zhuǎn)機(jī)械故障監(jiān)測(cè)系統(tǒng)中，每一個(gè)監(jiān)測(cè)對(duì)象往往包含振動(dòng)、噪聲、轉(zhuǎn)速和溫度等多個(gè)監(jiān)測(cè)指標(biāo)，每一個(gè)指標(biāo)又包含多個(gè)傳感器測(cè)點(diǎn)，而每個(gè)測(cè)點(diǎn)均可獲得一個(gè)連續(xù)的長(zhǎng)時(shí)間一維時(shí)間序列數(shù)據(jù)[6]，2D-CNN模型在處理這些多通道一維時(shí)間序列數(shù)據(jù)時(shí)將會(huì)導(dǎo)致模型的運(yùn)算速率急劇下降，消耗巨大計(jì)算資源的同時(shí)又無(wú)法滿(mǎn)足診斷實(shí)時(shí)性要求。因此，直接將2D-CNN算法套用在旋轉(zhuǎn)機(jī)械上進(jìn)行多傳感器故障診斷應(yīng)用仍存在諸多問(wèn)題。近3年，在語(yǔ)音識(shí)別領(lǐng)域出現(xiàn)了一種新興的一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)，1D-CNN相比2D-CNN更適用于處理一維時(shí)間序列數(shù)據(jù)[29]。JIA等[30]、曲建嶺等[31]和ZHANG等[32]分別嘗試將1D-CNN用于旋轉(zhuǎn)機(jī)械的故障診斷中，但是這些1D-CNN算法仍沿用了傳統(tǒng)2D-CNN框架中2～3層的全連接層作為分類(lèi)判別層，全連接層的參數(shù)量幾乎占據(jù)了整個(gè)CNN模型總參數(shù)量的80%～90%[33]，從而使1D-CNN模型因總參數(shù)量過(guò)多而導(dǎo)致模型測(cè)試時(shí)間過(guò)長(zhǎng)，不利于微小故障的快速診斷。

2 改進(jìn)的1DCNN-GAP智能診斷算法

針對(duì)以上問(wèn)題，本文提出一種基于改進(jìn)的1DCNN-GAP的深度學(xué)習(xí)新算法，用于船舶機(jī)械在多傳感器監(jiān)測(cè)環(huán)境下的故障快速診斷。改進(jìn)的1DCNN-GAP算法結(jié)構(gòu)如圖4所示，主要由輸入層、特征提取層、1D全局均值池化層和Softmax分類(lèi)輸出層組成。該方法首先引入1D-CNN處理多傳感器、多通道一維時(shí)間序列數(shù)據(jù)融合問(wèn)題；然后對(duì)現(xiàn)行1D-CNN的結(jié)構(gòu)進(jìn)行改進(jìn)，通過(guò)設(shè)計(jì)一個(gè)1D-GAP層來(lái)代替?zhèn)鹘y(tǒng)1D-CNN中2～3層的全連接層，從而減少1D-CNN模型的總參數(shù)量和診斷等待時(shí)間。相比傳統(tǒng)2D-CNN算法，提出的1DCNN-GAP算法具有以下3方面的優(yōu)勢(shì)：①提出的方法更適合于對(duì)多傳感器、多通道數(shù)據(jù)進(jìn)行融合和處理，該方法省去了傳統(tǒng)2D-CNN中對(duì)多通道二維特征圖數(shù)據(jù)重構(gòu)的繁瑣過(guò)程，具有更高的處理效率;②提出的方法極大地減少了1D-CNN的模型參數(shù)量，通過(guò)設(shè)計(jì)1D-GAP層代替2～3層的全連接層，可減少多達(dá)90%的參數(shù)量，有效提高了算法的診斷速度;③提出的方法在解決“大數(shù)據(jù)”環(huán)境下的多傳感器故障診斷問(wèn)題時(shí)具備更好的實(shí)效性，整個(gè)診斷過(guò)程無(wú)需任何手工特征提取，端到端的算法結(jié)構(gòu)具有更加優(yōu)越的普適性和可操作性。

如圖5所示為該診斷算法的基本流程。首先，原始的多傳感器一維時(shí)間序列故障數(shù)據(jù)直接輸入到1DCN-GAP診斷模型，輸入層自動(dòng)對(duì)其進(jìn)行數(shù)據(jù)融合和數(shù)據(jù)處理；其次，特征提取層的多個(gè)1D卷積層和1D池化層對(duì)融合后的二維特征圖進(jìn)行深度特征提?。蝗缓?，再由1D-GAP層執(zhí)行降維減參和維度變換操作；最后，Softmax分類(lèi)器對(duì)1D-GAP層的輸出結(jié)果作歸一化處理，并自動(dòng)輸出最終的診斷結(jié)果和誤分類(lèi)信息。

2.1 輸入層

輸入層用于接收多通道原始故障數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行數(shù)據(jù)融合、數(shù)據(jù)規(guī)范化和樣本生成等操作，將原始數(shù)據(jù)處理成1DCNN-GAP模型可訓(xùn)練的樣本格式。

(1)多通道數(shù)據(jù)融合

在實(shí)際的故障監(jiān)測(cè)系統(tǒng)中，每個(gè)故障類(lèi)型往往都由多個(gè)類(lèi)型或多個(gè)測(cè)點(diǎn)的傳感器同時(shí)進(jìn)行數(shù)據(jù)采集[9]。因此，首先要對(duì)這些數(shù)據(jù)進(jìn)行融合，假設(shè)有n種故障類(lèi)型，每種故障有m個(gè)監(jiān)測(cè)傳感器，每個(gè)傳感器采集l個(gè)數(shù)據(jù)點(diǎn)，從而可以構(gòu)建一個(gè)[n,m,l]的多維張量矩陣原始故障數(shù)據(jù)集，如圖6所示。

(2)數(shù)據(jù)標(biāo)準(zhǔn)化

原始的故障數(shù)據(jù)中通常包含許多量級(jí)大小不一的數(shù)據(jù)雜點(diǎn)，這種量級(jí)差異化將導(dǎo)致CNN模型訓(xùn)練過(guò)程難以收斂，且易于出現(xiàn)模型過(guò)擬合問(wèn)題[6]，為了減少量級(jí)差異化對(duì)模型訓(xùn)練過(guò)程的影響，本文采用均值規(guī)范化處理，數(shù)學(xué)表達(dá)為[25]：

(2)

2.2 特征提取層

特征提取層是1DCNN-GAP算法的核心模塊，主要由多組1D卷積層和1D池化層堆疊組成。每一個(gè)1D卷積層均通過(guò)構(gòu)建多個(gè)多通道的1D卷積核提取樣本中的多個(gè)特征要素。與2D-CNN算法不同的是：在1D-CNN算法中，所有1D卷積核僅沿著特征圖的長(zhǎng)度方向進(jìn)行滑移遍歷整個(gè)特征圖[29]。如圖4所示，1D卷積核的寬度始終設(shè)計(jì)為與被執(zhí)行卷積操作的特征圖的寬度相等，例如：在第一卷積層中，卷積層1的卷積核為[a×t×s]，其中a表示卷積核的長(zhǎng)度(此數(shù)值可調(diào)參);t表示卷積核的寬度(此數(shù)值由傳感器通道數(shù)決定);s表示該卷積層的輸出通道數(shù)，即第一卷積層要提取的特征個(gè)數(shù)。具體的卷積和池化操作介紹可參見(jiàn)文獻(xiàn)[29]～文獻(xiàn)[32]，此處不再贅述。

2.3 一維全局均值池化層

1D-GAP層是1DCNN-GAP算法的獨(dú)特組成部分。全局均值池化技術(shù)最早由LIN等[33]提出，通過(guò)設(shè)計(jì)一個(gè)2D-GAP層用于解決2D-CNN中全連接層參數(shù)量過(guò)多的問(wèn)題[6]。在2D-GAP的基礎(chǔ)上，經(jīng)大量實(shí)驗(yàn)研究，本文設(shè)計(jì)了一個(gè)1D-GAP層用于替代現(xiàn)行1D-CNN算法中的Flatten層和2～3層的全連接層部分。1D-GAP與普通1D池化相類(lèi)似，其特別之處在于1D-GAP的池化核的尺寸與被池化操作的特征圖縱向尺寸完全相同。1D-GAP的數(shù)學(xué)表達(dá)可寫(xiě)為：

(3)

2.4 Softmax輸出層

在1D-GAP層之后，采用Softmax函數(shù)作為輸出層，用于對(duì)1D-GAP的輸出結(jié)果作歸一化計(jì)算。Softmax函數(shù)是一種經(jīng)典的邏輯回歸方法，常用于多分類(lèi)，其數(shù)學(xué)表達(dá)式[20]為：

Yi=Softmax(Xi)=

(4)

(5)

3 實(shí)驗(yàn)驗(yàn)證

為評(píng)估和驗(yàn)證本文提出的1DCNN-GAP算法對(duì)機(jī)械微小故障快速診斷的實(shí)效性和準(zhǔn)確性，以最常用的支撐部件滾動(dòng)軸承作為實(shí)驗(yàn)對(duì)象，通過(guò)運(yùn)用提出的1DCNN-GAP方法對(duì)滾動(dòng)軸承在多傳感器和多種負(fù)載工況下的監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷驗(yàn)證。

3.1 故障實(shí)驗(yàn)

本文采用美國(guó)凱斯西儲(chǔ)大學(xué)提供的電機(jī)軸承故障數(shù)據(jù)[25]。如圖7所示為滾動(dòng)軸承故障實(shí)驗(yàn)臺(tái)，該實(shí)驗(yàn)臺(tái)上共布置了3個(gè)振動(dòng)加速度傳感器[34]，分別安裝在電動(dòng)機(jī)的驅(qū)動(dòng)端、風(fēng)扇端的機(jī)罩外殼的12點(diǎn)位置處以及基底上，如圖7所示[9]。故障軸承用于支撐電機(jī)主軸，軸承型號(hào)為6205-2RS JEM深溝球軸承[6]。該實(shí)驗(yàn)包含9種故障類(lèi)型和1個(gè)正常狀態(tài)，9種故障分別是在軸承的滾珠、內(nèi)圈和外圈上采用電火花加工技術(shù)植入的3個(gè)故障等級(jí)的點(diǎn)蝕凹坑，凹坑直徑分別為：0.18 mm、0.36 mm和0.53 mm，尺寸的不同代表故障從微小到顯著的遞增[25]。

該實(shí)驗(yàn)共包含1～3馬力3種負(fù)載工況，本實(shí)驗(yàn)選用1馬力工況作為驗(yàn)證實(shí)驗(yàn)，2～3馬力工況作為遷移泛化實(shí)驗(yàn)。本實(shí)驗(yàn)所有數(shù)據(jù)的采樣頻率均為12 kHz，采樣時(shí)間為10 s。為便于分析，本實(shí)驗(yàn)截取前10萬(wàn)個(gè)數(shù)據(jù)點(diǎn)構(gòu)建故障數(shù)據(jù)集。提出的1DCNN-GAP模型的輸入層將自動(dòng)進(jìn)行數(shù)據(jù)處理，主要包括：

首先，對(duì)每個(gè)故障類(lèi)型的[100 000×2]的2通道數(shù)據(jù)進(jìn)行均值標(biāo)準(zhǔn)化數(shù)據(jù)處理，每個(gè)通道的數(shù)據(jù)點(diǎn)按照式(2)轉(zhuǎn)變?yōu)?～1之間的數(shù)值。

其次，對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行數(shù)據(jù)截取，生成用于1DCNN-GAP模型訓(xùn)練的故障樣本。按照文獻(xiàn)[6]所述的方法，每類(lèi)故障的每個(gè)樣本長(zhǎng)度設(shè)置為500個(gè)采樣點(diǎn)，從而每種健康狀態(tài)包含200個(gè)樣本。

最后，劃分?jǐn)?shù)據(jù)集。將每個(gè)故障類(lèi)型的200樣本隨機(jī)的劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集[6]。訓(xùn)練集和測(cè)試集的比例分別為70%和30%[26]，最終得到的軸承故障數(shù)據(jù)集如表1所示。在表1中，每個(gè)故障樣本均為一個(gè)[500×2]的矩陣。

表1 滾動(dòng)軸承2通道故障數(shù)據(jù)集

3.2 基準(zhǔn)模型

為驗(yàn)證本文提出的改進(jìn)1DCNN-GAP算法相對(duì)傳統(tǒng)2D-CNN算法的優(yōu)越性和可行性，本實(shí)驗(yàn)首先給出一個(gè)參考基準(zhǔn)模型。文獻(xiàn)[9]詳細(xì)地對(duì)比了不同超參數(shù)下的模型診斷性能，并給出了一個(gè)性能較優(yōu)的具有2個(gè)全連接層(Fully Connected layer, FC)的2DCNN-FC模型,用于診斷軸承故障多通道數(shù)據(jù)。本實(shí)驗(yàn)采用文獻(xiàn)[9]所述的2D-CNN-FC算法作為基準(zhǔn)對(duì)比模型，其模型超參數(shù)如表2所示。該模型包含2個(gè)2D卷積層、2個(gè)2D池化層和2個(gè)全連接層，該模型的總參數(shù)量為143 978個(gè)，2層的全連接參數(shù)量為124 298個(gè)，占總參數(shù)量的86.3%。在該模型中，每個(gè)[500×2]的故障樣本均采用數(shù)據(jù)重構(gòu)[24]的方法轉(zhuǎn)變?yōu)閇25×20×2]的2層堆疊的二維特征圖。

表2 傳統(tǒng)的2DCNN-FC故障診斷模型超參數(shù)

3.3 建立的1DCNN-GAP故障診斷模型

本實(shí)驗(yàn)基于前期的研究[6]，經(jīng)調(diào)參測(cè)試，建立了1DCNN-GAP故障診斷模型，詳細(xì)超參數(shù)如表3所示，其基本構(gòu)架結(jié)構(gòu)如圖8所示，該模型由3個(gè)1D卷積層、2個(gè)1D池化層、1個(gè)1D全局均值池化層和Softmax輸出層組成，3個(gè)卷積層神經(jīng)元個(gè)數(shù)分別為64、32和10，該模型的總參數(shù)量為7 594個(gè)，參數(shù)量計(jì)算方法參見(jiàn)文獻(xiàn)[3]。

表3 改進(jìn)的1DCNN-GAP診斷模型超參數(shù)

在該模型中，2通道的輸入樣本[500×2]經(jīng)過(guò)第1卷積層處理后的輸出為[500×64]，此處的64代表提取64個(gè)特征；第1池化層采用了[2×1]的池化核，通過(guò)池化層1處理后的輸出為[250×64]，池化層僅壓縮特征圖尺寸，不改變通道數(shù)；依次交替執(zhí)行卷積和池化運(yùn)算，經(jīng)卷積層3處理后的輸出為[50×10]；然后，1D-GAP層采用10個(gè)1D-GAP池化核，每個(gè)1D-GAP池化核分別對(duì)50個(gè)元素值計(jì)算得到1個(gè)全局平均值，從而，1D-GAP層的輸出為[1×10]；最后，由Softmax分類(lèi)器輸出最終的分類(lèi)診斷結(jié)果。

本實(shí)驗(yàn)采用Adam自適應(yīng)學(xué)習(xí)率梯度下降優(yōu)化算法[6]對(duì)模型各層參數(shù)進(jìn)行迭代訓(xùn)練，運(yùn)用批量歸一化和Dropout深度學(xué)習(xí)訓(xùn)練技巧[9]改善過(guò)擬合問(wèn)題，mini-batch的樣本數(shù)為64個(gè)，迭代100次。最終1DCNN-GAP算法和傳統(tǒng)2D-CNN-FC算法的診斷結(jié)果如表4所示，表4中采用精確率、召回率和F1均值[6]對(duì)診斷結(jié)果進(jìn)行評(píng)估。為進(jìn)一步定位和顯示診斷錯(cuò)誤的樣本數(shù)量和位置，本文引入多分類(lèi)混淆矩陣[25]對(duì)診斷結(jié)果進(jìn)行量化，如圖9所示。

表4 故障診斷結(jié)果評(píng)估數(shù)據(jù)

對(duì)比表2～表4可知，傳統(tǒng)的2DCNN-FC算法的模型總參數(shù)量為143 978個(gè)、訓(xùn)練時(shí)間為305.17 s、測(cè)試時(shí)間為0.475 s、精確率為99.03%，而改進(jìn)的1DCNN-GAP算法的模型總參數(shù)量?jī)H為7 594個(gè)、訓(xùn)練時(shí)間為244.91 s、測(cè)試時(shí)間僅為0.266 s、精確率為99.84%。由此可見(jiàn)，提出的算法相比傳統(tǒng)的2D-CNN可減少多達(dá)90%的模型參數(shù)量，診斷速度可提升44%，且診斷精確率略有提升，說(shuō)明提出的算法更加適合于故障的快速診斷和實(shí)時(shí)檢測(cè)。從圖9可以看出，600個(gè)故障樣本中，傳統(tǒng)的2D-CNN算法存在6個(gè)樣本被誤判，且在不同故障等級(jí)和不同故障位置方面存在混淆；而改進(jìn)的1DCNN-GAP算法僅有1個(gè)樣本被誤判，誤判的樣本真實(shí)標(biāo)簽為故障6，被誤判為故障3，屬于同一故障等級(jí)的不同故障位置之間的混淆，然而對(duì)微小故障的識(shí)別率為100%，對(duì)正常樣本與故障樣本之間的辨識(shí)率為100%，由此可見(jiàn)，提出的1DCNN-GAP算法具有更加優(yōu)越的故障診斷性能。

3.4 與其他智能診斷算法的對(duì)比

本文進(jìn)一步將提出的1DCNN-GAP算法與當(dāng)前主流的支持向量機(jī)(SVM)、K近鄰(KNN)和深度BP神經(jīng)網(wǎng)絡(luò)(Deep BP Neural Network, DNN)[25]等主流的機(jī)器學(xué)習(xí)智能算法進(jìn)行綜合對(duì)比驗(yàn)證，對(duì)比實(shí)驗(yàn)仍然采用表1中故障數(shù)據(jù)集。在傳統(tǒng)的診斷方法中，通常將人工特征提取與機(jī)器學(xué)習(xí)算法相結(jié)合[35-37]。XIA等[26]采用了14個(gè)特征提取算子從原始數(shù)據(jù)中提取特征信息，包含10個(gè)時(shí)域特征和4個(gè)頻域特征。本實(shí)驗(yàn)按照同樣的方法對(duì)表1中的數(shù)據(jù)提取波峰、峭度和裕度指數(shù)等14個(gè)特征指標(biāo)[6]，然后將提取的14個(gè)特征數(shù)據(jù)分別輸入到SVM和KNN算法進(jìn)行故障分類(lèi)，實(shí)驗(yàn)結(jié)果如表5所示。

表5 5種算法測(cè)試集精確率結(jié)果 %

對(duì)比表5可以明顯看出，SVM、KNN、DNN和2DCNN-FC的診斷精確率分別為93.94%、92.91%、94.79%和99.03%，而1DCNN-GAP算法精確率高達(dá)99.84%。通過(guò)對(duì)比5種算法的結(jié)果可以看出，提出的1DCNN-GAP算法具有更加優(yōu)越的診斷性能，也可以看出，深度學(xué)習(xí)算法的診斷性能明顯優(yōu)于淺層的機(jī)器學(xué)習(xí)算法。以上3種對(duì)比算法的模型超參數(shù)分別為：SVM采用的懲罰系數(shù)C=10.0，核函數(shù)為高斯徑向基核函數(shù)，松弛變量ξ=0.1；KNN采用Minkowski距離，k=10，葉子結(jié)點(diǎn)為30；DNN采用了5層網(wǎng)絡(luò)，隱含層神經(jīng)元結(jié)點(diǎn)個(gè)數(shù)分別為512、256、128、64、10(輸出層)，采用Tanh激活函數(shù)和Softmax分類(lèi)器，采用Adam優(yōu)化器，訓(xùn)練500輪。本文所有實(shí)驗(yàn)均采用Tensorflow 1.10版和Python 3.6軟件。

3.5 不同負(fù)載工況的遷移實(shí)驗(yàn)

為了評(píng)估所提算法在應(yīng)對(duì)不同負(fù)載工況時(shí)的故障診斷遷移泛化性能，本實(shí)驗(yàn)進(jìn)一步對(duì)滾動(dòng)軸承在2馬力和3馬力兩種負(fù)載工況下的故障數(shù)據(jù)進(jìn)行測(cè)試，遷移實(shí)驗(yàn)采用與1馬力工況完全相同的診斷模型超參數(shù)和數(shù)據(jù)處理方法，實(shí)驗(yàn)結(jié)果如表6所示。對(duì)比表6可以看出，本文提出的1DCNN-GAP算法對(duì)2馬力和3馬力兩種負(fù)載工況下的診斷精確率結(jié)果分別為99.51%和99.34%。以上實(shí)驗(yàn)表明，本文提出的1DCNN-GAP算法具有優(yōu)越的遷移泛化性能，在不同負(fù)載工況下同樣取得了較高的診斷精確率。

表6 遷移實(shí)驗(yàn)故障診斷結(jié)果 %

3.6 特征提取可視化

CNN具有強(qiáng)大的非線(xiàn)性特征映射能力，然而其特征提取過(guò)程一直被視為黑箱子操作[9]。為了進(jìn)一步揭示建立的1DCNN-GAP診斷模型對(duì)原始故障數(shù)據(jù)進(jìn)行逐層提取特征的效果，本實(shí)驗(yàn)引入流形學(xué)習(xí)中的t-SNE[36]技術(shù)對(duì)CNN各層的輸出特征數(shù)據(jù)進(jìn)行降維可視化。本實(shí)驗(yàn)以1馬力負(fù)載故障測(cè)試集的600個(gè)樣本作為輸入，采用t-SNE技術(shù)降維至三維空間進(jìn)行可視化輸出，如圖10所示。從圖10a～圖10f看出，圖10a為600個(gè)原始故障樣本分布，10種故障類(lèi)型分布散亂無(wú)序，經(jīng)過(guò)卷積層1、卷積層2、卷積層3、1D-GAP層和Softmax層的處理后，逐步按故障類(lèi)別聚集在一起。圖10充分闡釋了1DCNN-GAP算法逐層學(xué)習(xí)和提取特征的機(jī)理過(guò)程，表明所提算法具有優(yōu)越特征映射能力。

4 結(jié)束語(yǔ)

本文提出一種基于改進(jìn)1DCNN-GAP的深度學(xué)習(xí)新算法，用于解決船舶旋轉(zhuǎn)機(jī)械在多傳感器監(jiān)測(cè)環(huán)境下的故障快速診斷問(wèn)題。該方法引入1D-CNN算法解決多傳感器一維時(shí)間序列數(shù)據(jù)的融合問(wèn)題，并針對(duì)現(xiàn)行1D-CNN算法的模型參數(shù)量過(guò)多的不足，提出了采用1D全局均值池化層代替2～3個(gè)全連接隱含層的改進(jìn)方法。通過(guò)將提出的算法對(duì)滾動(dòng)軸承在不同負(fù)載工況下采集的2通道故障數(shù)據(jù)進(jìn)行診斷，結(jié)果表明，改進(jìn)的1DCNN-GAP算法相比傳統(tǒng)的2D-CNN模型的參數(shù)量可減少90%，診斷速度可提升40%以上；針對(duì)1馬力、2馬力和3馬力3種負(fù)載的診斷精確率分別為99.84%、99.5%和99.33%，診斷效果明顯優(yōu)于主流的SVM、KNN、DNN和2D-CNN。采用t-SNE技術(shù)對(duì)1DCNN-GAP的特征映射能力進(jìn)行可視化，闡釋了其逐層特征提取的機(jī)理過(guò)程。所提方法無(wú)需任何的手工特征操作，“端到端”的算法結(jié)構(gòu)具有優(yōu)越的普適性和通用性，更適用于船舶旋轉(zhuǎn)機(jī)械在多傳感器監(jiān)測(cè)環(huán)境下的故障快速診斷和實(shí)時(shí)檢測(cè)。未來(lái)，作者團(tuán)隊(duì)將繼續(xù)在基于深度學(xué)習(xí)的船舶機(jī)電裝備時(shí)變轉(zhuǎn)速工況微小故障診斷與風(fēng)險(xiǎn)等級(jí)評(píng)估方向開(kāi)展持續(xù)性研究。