沈 濤，李舜酩

(南京航空航天大學 能源與動力學院，江蘇 南京 210016)

0 引言

隨著科技和生產(chǎn)力水平的日益增長，大量的復雜機械被運用到生活生產(chǎn)中去。當發(fā)生故障的旋轉(zhuǎn)機械具有復雜結(jié)構(gòu)時，極易造成無法挽回的損失。滾動軸承作為減少軸之間摩擦損失的重要零件，對精度有著較高的要求。與此同時，滾動軸承的運行狀況對機械設備的整體性能、穩(wěn)定性和壽命都有著巨大的影響。在不同的載荷情況下，滾動軸承各個部位出現(xiàn)的不同故障尺寸，都會造成一定的安全隱患或故障。為了防止各種可能的故障，常見方法是在機械系統(tǒng)運行時進行實時監(jiān)測。

隨著旋轉(zhuǎn)機械的精密度和復雜程度不斷提高，診斷效率和準確率等指標也越來越難達到，傳統(tǒng)診斷方法面臨著嚴峻考驗[1]。而且，傳統(tǒng)的信號處理和模型識別的方法需要專業(yè)知識和經(jīng)驗的積累，碰到結(jié)構(gòu)更加復雜的機械，判別故障特征就會存在一定困難。基于模型的故障診斷方法，雖然不需要人工數(shù)據(jù)的統(tǒng)計，但是針對一些結(jié)構(gòu)復雜的旋轉(zhuǎn)機械仍存在有一定的局限性，也相對難以提取明顯的故障特征。

深度學習技術(shù)對于海量的數(shù)據(jù)有著強大的學習、表示和分析能力[2]。在這個數(shù)據(jù)爆炸的年代，越來越多的行業(yè)領域也都利用深度學習技術(shù)處理著龐大的信息數(shù)據(jù)，故障診斷領域也不例外[3]。大量的故障數(shù)據(jù)通過深層網(wǎng)絡的訓練，充分學習故障的潛在特征，在故障的分類和預測方面都有顯著優(yōu)勢。因此，大量的研究人員利用深度學習這一工具在機械設備大數(shù)據(jù)處理和故障診斷中取得了不錯的成果，這不但為結(jié)構(gòu)復雜的機械提供了新的故障診斷方法，縮短了故障診斷的時間，而且設備的安全性得到了保證，降低設備的維護成本[4]。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks, CNN)在圖像識別分類方面首先得到了應用，取得了顯著的成功，因此許多研究人員也將其應用到機械的故障診斷領域。早期研究人員在將CNN的模型引入旋轉(zhuǎn)機械故障診斷領域中時，通常采用原始的CNN結(jié)構(gòu)，即構(gòu)造二維的訓練網(wǎng)絡樣本，提取的也是二維數(shù)據(jù)的特征并完成診斷。ZHANG等[5]受到此種方法啟發(fā)，將一維的振動信號通過轉(zhuǎn)換成二維的圖像，提出一種以信號圖像為輸入的CNN結(jié)構(gòu)，用于軸承故障的智能診斷。然而，在進行機械的故障信號采集時，往往選擇的是一維的振動信號，直接構(gòu)建一維的CNN理論上更加直接高效。對此，文獻[6]采用具有大尺寸卷積核的一維CNN來進行旋轉(zhuǎn)機械的故障診斷，也取得了不錯的效果。

然而，想要充分利用CNN來有效地提取各種復雜數(shù)據(jù)的隱藏特征，往往需要大量的數(shù)據(jù)樣本提供給模型進行訓練[7]，才能準確地得到不同狀態(tài)下的特征分布。旋轉(zhuǎn)機械發(fā)生故障時的樣本數(shù)據(jù)與正常時的數(shù)據(jù)相比較少，這使得訓練樣本比例變小，從而使得CNN的特征提取和診斷效果變差。同時傳統(tǒng)的CNN診斷模型無法及時調(diào)整模型參數(shù)，難以提取異常狀態(tài)下的故障特征信息，從而無法做出準確診斷分類[8]。

針對上述問題，本文從故障診斷模型的結(jié)構(gòu)入手，構(gòu)建了一種基于CNN-LSTM的故障診斷混合模型。鑒于長短記憶網(wǎng)絡(Long Short Term Memory networks, LSTM)可以從數(shù)據(jù)不同位置所學習樣本隱藏特征的特點，將其與CNN結(jié)構(gòu)相結(jié)合，構(gòu)建診斷模型來彌補單一CNN模型的缺點，在小樣本數(shù)據(jù)中也能充分提取振動信號的內(nèi)在特征。采用學習率可以自適應的優(yōu)化算法——Adam(adaptive momentum)算法，動態(tài)調(diào)整模型參數(shù)，并在卷積過程中執(zhí)行批量標準化(Batch Normalization, BN)操作，用于激活函數(shù)之前來規(guī)范不同網(wǎng)絡層的數(shù)據(jù)，還采用Dropout來抑制過擬合。最后，通過與傳統(tǒng)的深度學習方法進行對比，分析證明了批標準化的CNN-LSTM方法在診斷效率和精度方面都有較好的表現(xiàn)。

1 深度學習模型簡介

1.1 卷積神經(jīng)網(wǎng)絡(CNN)

卷積神經(jīng)網(wǎng)絡(CNN)由LECUN等[9]提出，是受動物視覺皮層細胞感受機理啟發(fā)而建立的一種前饋神經(jīng)網(wǎng)絡[10]。設計的最初目的就是為了解決大規(guī)模圖像的分類、識別和檢測等問題，在圖像識別分類領域的應用也最為廣泛和成功。這全歸功于CNN強大的特征學習能力，并且它還具有很強的容錯性和魯棒性，使構(gòu)建的網(wǎng)絡模型對平移、縮放、扭曲具有一定的不變性。

其基本結(jié)構(gòu)如圖1所示。CNN作為一種深層神經(jīng)網(wǎng)絡，一般包括濾波級和分類級兩個部分。濾波級包括卷積層和池化層，主要的作用是對輸入的數(shù)據(jù)進行過濾消噪和降維，篩選所需要的特征；分類級起到分類等作用，一般由若干個全連接層組成。

其中卷積層包含若干個特征圖，一個卷積核對應一個特征圖。卷積核通過一組權(quán)重來將上一層的輸入卷積后組成新的特征輸出，作為下一層的輸入[11]。數(shù)據(jù)經(jīng)過若干的卷積和池化操作后，最后接一個全連接層，再由Softmax或sigmoid等函數(shù)完成分類，因此可有效地用于故障的診斷與識別[12]。

許多研究人員將CNN應用到機械的故障診斷領域中時，采用原始的CNN結(jié)構(gòu)，即構(gòu)造二維的訓練網(wǎng)絡樣本，提取的也是二維數(shù)據(jù)的特征并完成診斷。然而，旋轉(zhuǎn)機械的故障診斷一般采集的是一維的振動信號，一維的卷積神經(jīng)網(wǎng)絡也更適合用于機械的故障診斷，還可以用于輸入一維的數(shù)據(jù)用于自然語言的處理[13]。

1.2 長短記憶網(wǎng)絡(LSTM)

1.2.1 循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network, RNN)由Schmidhuber提出，并經(jīng)過了許多研究人員的改良[14]，該網(wǎng)絡用于處理序列數(shù)據(jù)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡不能共享從數(shù)據(jù)不同位置所學習到的特征這一問題，常被應用到自然語言處理中。與其他神經(jīng)網(wǎng)絡相比，RNN網(wǎng)絡比以往的神經(jīng)網(wǎng)絡多出了一個循環(huán)的圈，層間的神經(jīng)元互相連接。

假定一個輸入序列x1:T=(x1,x2,…,xt,…,xT)，根據(jù)如下公式實時跟新帶反饋的隱藏層活性值ht：

ht=f(ht-1,xt)。

(1)

其中h0=0。

RNN的基本結(jié)構(gòu)如圖2所示，其中“延時器”為一個虛擬單元，用來記錄神經(jīng)元的最近若干次的活性值。

研究人員們在進行循環(huán)神經(jīng)網(wǎng)絡的學習訓練過程中還發(fā)現(xiàn)了一些問題，首當其沖的是訓練過程中發(fā)生梯度消失或梯度爆炸問題。一般隨著網(wǎng)絡層數(shù)的增加，問題也變得越來越嚴重。

在模型的訓練過程中，誤差從輸出層反向傳播的迭代，在后面的每一層都要乘以該層激活函數(shù)的導數(shù)。如果導數(shù)小于1，網(wǎng)絡層數(shù)的增加使得梯度更新信息會朝著指數(shù)衰減的方式急劇減少甚至消失。模型無法從訓練數(shù)據(jù)中獲得權(quán)值更新，損失幾乎保持不變，使得訓練變得很困難，這就是梯度消失。如果導數(shù)大于1，隨著網(wǎng)絡層數(shù)的增加梯度更新將會朝著指數(shù)爆炸的方式增加，模型更新過程中的損失發(fā)生明顯變化，訓練學習過程也變得不穩(wěn)定，這就是梯度爆炸。

其實梯度爆炸和梯度消失問題都是因為網(wǎng)絡太深，網(wǎng)絡權(quán)值更新不穩(wěn)定造成的，本質(zhì)上是因為梯度反向傳播中的連乘效應。目前，比較有效的方式是通過改進模型或優(yōu)化方法來緩解循環(huán)網(wǎng)絡發(fā)生的梯度爆炸和梯度消失。針對這些問題，研究者們嘗試對循環(huán)神經(jīng)網(wǎng)絡進行改進。開始研究人員發(fā)現(xiàn)使用非飽和的激活函數(shù)，同時直接選取合適的參數(shù)，就能解決此類問題。然而，這種方式需要給定合適的參數(shù)，這就需要足夠的人工經(jīng)驗，限制了模型的廣泛應用。

1.2.2 長短記憶網(wǎng)絡(LSTM)

針對循環(huán)網(wǎng)絡的梯度消失和爆炸的問題，已經(jīng)有了一些很好的解決方案。將門控的機制加入到循環(huán)單元中，這種帶門控機制的網(wǎng)絡被稱為基于門控單元的循環(huán)神經(jīng)網(wǎng)絡(Gated RNN)[15]。主要是通過有選擇地添加和刪除數(shù)據(jù)信息，起到控制信息數(shù)據(jù)的流通作用。

為克服上述問題，本文用到的具有門控單元的循環(huán)神經(jīng)網(wǎng)絡是長短期記憶網(wǎng)絡(LSTM)。LSTM作為RNN的一個變體主要改進有兩個方面：

(1)LSTM網(wǎng)絡相對于RNN引入一個新的內(nèi)部狀態(tài)ct∈RD，在向外部狀態(tài)ht∈RD輸送信息的同時，還起到循環(huán)信息的傳遞作用。內(nèi)部狀態(tài)ct在每次經(jīng)過時間段t時，就會記錄一次到當前時刻的歷史信息。

內(nèi)部狀態(tài)ct通過下面公式表示：

(2)

ht=ot⊙tanh(ct)。

(3)

(4)

(2)引入門控單元。門作為數(shù)字電路中的二值變量{0，1}，0是不讓任何的數(shù)據(jù)通過，表示閉的狀態(tài)；1是沒有限制的通過信息，表示開的狀態(tài)。在LSTM網(wǎng)絡中的門控單元在上式中也與體現(xiàn)，式中的ft,it和ot分別為遺忘門、輸入門和輸出門。

LSTM網(wǎng)絡中的門控機制就是起到以一定的比例來通過信息的作用。3個門的計算方式為：

it=σ(Wixt+Uiht-1+bi),

(5)

ft=σ(Wfxt+Ufht-1+bf),

(6)

ot=σ(Woxt+Uoht-1+bo)。

(7)

其中：xt表示前時刻的輸入，ht-1表示上一時刻的外部狀態(tài);σ(·)為激活函數(shù)Logistic。

LSTM正在被應用于各種領域，如情感分類[16]，觸覺識別[17]和故障診斷等。

2 構(gòu)建故障診斷模型

近年來深度學習技術(shù)應用發(fā)展迅速，研究人員對改進各種深度模型做了較多的研究之外，也嘗試了融合多種模型和算法。模型間彼此揚長補短帶來的更好效果，也吸引了大量的關(guān)注。CNN和RNN的組合已經(jīng)有了一定的研究應用，這種組合結(jié)構(gòu)在語音識別[18]和情緒檢測[19]等多個領域都取得了可喜的研究成果。

本文將深度學習模型應用到旋轉(zhuǎn)機械的故障診斷中，針對傳統(tǒng)CNN模型需要大量訓練樣本的缺陷，在CNN結(jié)構(gòu)中適當加入了LSTM結(jié)構(gòu)，構(gòu)建一種針對滾動軸承故障的CNN-LSTM診斷模型。振動數(shù)據(jù)首先通過該模型的前端卷積池化層，實現(xiàn)重要故障特征的提取，再輸入到LSTM層完成隱藏時序規(guī)律特征的挖掘，從而更全面地獲取時序上下文的數(shù)據(jù)信息，而且LSTM獨有的門控機制大大降低了梯度爆炸或消失問題的發(fā)生。該模型不僅解決了傳統(tǒng)CNN模型在小樣本訓練數(shù)據(jù)診斷中的劣勢，使其在少量數(shù)據(jù)中就能充分提取振動信號的內(nèi)在特征，還使得模型具備一定的長距離時序數(shù)據(jù)的信息挖掘能力，可以從數(shù)據(jù)不同位置所學習樣本的隱藏特征，從而更好地實現(xiàn)故障識別與診斷。

2.1 CNN-LSTM模型結(jié)構(gòu)

本文提出的一種針對滾動軸承故障診斷的CNN-LSTM網(wǎng)絡模型，基本結(jié)構(gòu)如圖4所示。

由圖4可知，該網(wǎng)絡模型包括輸入層、CNN層、LSTM層、全連接層和Softmax分類層。其中CNN層、全連接層和Softmax層的具體參數(shù)如表1所示。

表1 CNN-LSTM模型的部分參數(shù)

故障特征的提取主要由兩部分組成：

(1)卷積特征提取層，首先構(gòu)建一個基礎的CNN結(jié)構(gòu)。采集到的原始振動信號作為輸入，先經(jīng)過卷積層，激活函數(shù)選用ReLU函數(shù)，并通過最大值池化進行降維采樣，然后再通過同樣的卷積和池化操作生成若干的特征映射。

(2)將得到的特征映射沿時間軸切分，輸入至LSTM層。該層的激活函數(shù)選用Tanh函數(shù)，用于循環(huán)時間步的函數(shù)選用sigmoid函數(shù)。

故障特征提取完成后，F(xiàn)latten層將數(shù)據(jù)展平輸入到全連接層進行綜合特征的提取。最后是一個全連接輸出層，激活函數(shù)選用Softmax，可以實現(xiàn)多種滾動軸承故障的分類。

2.2 優(yōu)化模型

振動信號通過CNN-LSTM模型的輸出和它的目標值應具有一定的一致性，采用交叉熵損失函數(shù)作為目標函數(shù)，用來衡量預測的神經(jīng)網(wǎng)絡的輸出概率分布和目標類概率分布的相似性。目標的概率分布用p(x)表示，預測分布則用q(x)表示，p(x)和q(x)的交叉熵損失函數(shù)可定義為

(8)

為了最小化損失函數(shù)，往往使用隨機梯度下降法SGD(stochastic gradient descent)就可以將淺層的神經(jīng)網(wǎng)絡收斂到一個全局最優(yōu)的點。然而，本文構(gòu)建的深度學習模型參數(shù)較多，如果使用SDG訓練，選擇的參數(shù)很可能出現(xiàn)只得到局部最優(yōu)解的問題。因此，為了使模型達到盡可能好的效果，采用一種學習率可以自適應的優(yōu)化算法——Adam算法。它能根據(jù)訓練數(shù)據(jù)不斷迭代地更新神經(jīng)網(wǎng)絡權(quán)值，可以避免局部最優(yōu)動態(tài)的調(diào)整每個參數(shù)的學習率。

多次參數(shù)迭代更新后，各層的數(shù)據(jù)分布會變化的非常明顯。為便于后續(xù)處理，進而提升模型的性能，通常會將數(shù)據(jù)集拉回到同一分布上。如果深層網(wǎng)絡想要需要達到這一要求，需不停地調(diào)整參數(shù)去適應不同數(shù)據(jù)的分布變化，然而參數(shù)的變化會給模型訓練帶來困難。針對此類問題，IOFFE等[20]在2015年ICML會議上提出批標準化(BN)。其原理是在訓練過程中將每層神經(jīng)元輸入值的分布轉(zhuǎn)換到正態(tài)分布上去，使得訓練數(shù)據(jù)在方差和均值不斷迭代變化的情況下也能夠保持標準化，減少內(nèi)部協(xié)方差的偏移。梯度變大從而避免產(chǎn)生梯度消失問題，大大加快深度神經(jīng)網(wǎng)絡的學習收斂速度，縮短訓練時間，增強泛化能力。

本文在構(gòu)建的CNN-LSTM網(wǎng)絡中添加BN操作，在兩次卷積過程中都進行批量標準化。目的是用來規(guī)范神經(jīng)網(wǎng)絡結(jié)構(gòu)中數(shù)據(jù)的分布，然后經(jīng)過ReLU激活函數(shù)得到卷積層的輸出。同時采用dropout[21]技術(shù)來防止過擬合。

2.3 數(shù)據(jù)增強

本文針對訓練過程中的樣本數(shù)據(jù)進行增強處理，原始的軸承振動信號中選取一定比例用來訓練的樣本數(shù)據(jù)時，對選取的相鄰訓練樣本都設置一個重疊量。如圖5所示，如果有一段原始的軸承故障信號，利用上述方法每次選取的訓練樣本長度為1 024，偏移量為1，則重疊的數(shù)據(jù)點有1 023個。假定這段信號有10 000個數(shù)據(jù)點，因此可以制作出至多7 953個樣本數(shù)據(jù)，可以很好地滿足深層神經(jīng)網(wǎng)絡的訓練要求，達到提高了網(wǎng)絡泛化性的目的。

3 試驗驗證

3.1 數(shù)據(jù)描述

本文選用凱斯西儲大學(Case Western Reserve University, CWRU)的滾動軸承數(shù)據(jù)集進行試驗驗證，CWRU軸承故障診斷模型試驗臺和所使用軸承如圖6所示。選擇數(shù)據(jù)的采樣頻率為48 kHz，軸承類型為深溝球軸承。利用電火花對軸承的內(nèi)外圈以及滾動體進行加工，模擬真實的軸承故障，共分為4種健康狀況：內(nèi)圈故障、外圈故障、滾動體故障和正常狀況。其中每種位置的故障還有3種不同的故障程度：0.007 inch、0.014 inch和0.021 inch，加起來一共10類工況。該試驗的樣本數(shù)據(jù)有4種不同負荷狀態(tài)：0、1、2和3 hp，根據(jù)負荷狀態(tài)將樣本分為A、B、C和D四組數(shù)據(jù)集。軸承的每種健康狀態(tài)均有1 000個樣本數(shù)據(jù)，每個樣本使用2 048個數(shù)據(jù)點進行診斷，具體如表2所示。

表2 軸承數(shù)據(jù)集參數(shù)

數(shù)據(jù)集負荷/hp樣本個數(shù)故障位置故障直徑/inch標簽A/B/C/D0/1/2/31 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 0001 000/1 000/1 000/1 000滾珠內(nèi)圈外圈正常0.00700.01410.02120.00730.01440.02150.00760.01470.021809

為了更進一步縮短網(wǎng)絡模型的訓練時間，更快地收斂到最優(yōu)解，對每段信號x都做線性歸一化處理，使結(jié)果映射到[0,1]之間，具體的函數(shù)表達式如式(9)所示：

(9)

利用所構(gòu)建的CNN-LSTM網(wǎng)絡模型對數(shù)據(jù)集A、B、C和D進行訓練。計算目標函數(shù)值，然后在訓練過程中更新模型的權(quán)值，最后利用訓練后的模型對用來測試的輸入信號進行診斷分類。

3.2 參數(shù)選擇

進行模型訓練時，Adam算法的學習率設為0.001。為抑制過擬合，在全連接層使用Dropout，Dropout率設為0.2。由于批標準化強大的泛化能力，將每一層的訓練迭代次數(shù)設置為15次，學習率為1E-4。LSTM層的神經(jīng)元數(shù)目、訓練樣本集的占比和批尺寸的大小還需要進行研究選擇。

首先，對LSTM層的神經(jīng)元數(shù)目進行探討。LSTM層的神經(jīng)元數(shù)目，即該層輸出的數(shù)據(jù)維度對CNN-LSTM模型的訓練起到很大的影響。本文選用數(shù)據(jù)集A進行測試，為了消除隨機性的影響，每組試驗分別進行20次，由于不同的神經(jīng)元數(shù)目所需要的訓練時間差別不大，不作參考。不同神經(jīng)元數(shù)目的測試準確率如圖7所示，隨著LSTM的神經(jīng)元數(shù)目增多準確率也在降低，明顯看出當LSTM層的神經(jīng)元數(shù)目只有在32時，測試準確率達到較高水平且誤差最小，測試準確率穩(wěn)定在95%～100%之間，而其余的準確率波動過大不宜作為該層的參數(shù)。因此，為了保證更好的診斷結(jié)果和較小的誤差，LSTM層的神經(jīng)元數(shù)目設置為32。

然后，針對訓練樣本比例進行選擇對比。同樣，為了消除隨機性的影響，選用數(shù)據(jù)集A進行20次測試，診斷的平均測試準確率等結(jié)果如圖8所示。顯然，隨著訓練樣本量占比的增加，診斷準確率不斷提高，但花費的時間幾乎呈線性增加。當訓練樣本百分比增加到30%時，測試準確率開始趨于穩(wěn)定，之后準確率幾乎保持不變，而且耗時也相對較短。因此，為了在分類準確率和花費時間之間進行權(quán)衡，我們在接下來的實驗中使用了30%作為訓練樣本的百分比。

最后研究了訓練批尺寸大小的選擇。同樣的數(shù)據(jù)次數(shù)設置，不同批次大小的診斷結(jié)果如圖9所示?？梢钥闯觯S著批尺寸的減小，測試準確率越高，標準差也越小。與之相反的，訓練的平均時間隨著批尺寸數(shù)的減少呈指數(shù)增長。明顯當批尺寸等于64時，花費的時間也較短，測試準確率達到較高水平，所以選擇64作為批尺寸大小。

3.3 診斷結(jié)果

根據(jù)上文的參數(shù)設置，針對數(shù)據(jù)集A-D的20次平均測試準確率如圖10所示，可以看出多種負荷下的平均測試準確率均在98%上下波動，這說明本文提出的批標準化的CNN-LSTM診斷方法可以較為準確地診斷出不同載荷狀況下軸承的10種健康狀態(tài)。

為了探究批標準化操作對CNN-LSTM模型的優(yōu)化作用，將本文方法與未添加BN的CNN-LSTM模型進行對比分析，參數(shù)設置與提出的方法相同。在相同迭代步數(shù)的前提下驗證未加BN的CNN-LSTM模型的效果，由此得到兩種方法的平均測試準確率和訓練時間如表3所示。顯然，未加BN的CNN-LSTM模型的準確率均在94%左右，其性能不如加BN后的CNN-LSTM模型，相差了四個百分點。

表2 CNN-LSTM方法與未加BN診斷結(jié)果對比

此外，為了進一步反應出CNN-LSTM模型的優(yōu)勢，將測試結(jié)果與同樣批標準化的CNN模型、相同神經(jīng)元數(shù)目的LSTM模型進行對比驗證，各結(jié)構(gòu)參數(shù)如圖11所示。

本文計算了這幾種方法的平均測試準確率和訓練時間，如表4所示?？梢钥闯觯珻NN-LSTM方法的測試準確率穩(wěn)定在95%～100%之間，4個數(shù)據(jù)集的平均準確率在98%處上下浮動，明顯優(yōu)于其他方法。另外，在訓練時間上，CNN-LSTM方法的平均訓練時間穩(wěn)定在35 s左右，而對比LSTM模型的時間均在幾分鐘以上，大大縮短了訓練時間。

表4 CNN-LSTM方法與其他方法診斷結(jié)果的對比

4 數(shù)據(jù)可視化

為了進一步研究模型的結(jié)構(gòu)和學習過程，采用可視化技術(shù)探索實現(xiàn)特征提取的關(guān)鍵步驟，清晰表示出深層神經(jīng)網(wǎng)絡層間的關(guān)系，分析構(gòu)建模型的性能。

選取數(shù)據(jù)集A的診斷過程進行可視化，使用T-SNE(T-Stochastic Neighbor Embedding)算法[22]實現(xiàn)輸出各層的特征，并進行降維可視化。如圖12所示，剛輸入模型的數(shù)據(jù)明顯雜亂無章，通過兩個卷積層進行特征提取后，輸入數(shù)據(jù)的一部分特征被有效地分離和聚集，從而表明卷積層能夠有效地提取故障特征。然而，因為小樣本的緣故，有幾個特性在CNN層輸出中保持不分離，所以需要下一層LSTM層進一步提取了樣本數(shù)據(jù)的時序特征。從圖12d可以看出，該模型對滾動軸承的10類故障特征提取與分類十分明顯，表明該模型能夠有效學習不同故障的特征，實現(xiàn)診斷分類。

本文使用了4組不同數(shù)據(jù)集進行了診斷，它們輸入到模型后效果的可視化如圖13所示?？梢钥闯?，在不同負荷下仍然具有較好的特征提取效果，最后都能實現(xiàn)較好的故障分類。

5 結(jié)束語

本文針對滾動軸承的故障診斷問題提出一種批標準化的CNN-LSTM診斷方法。通過對CWRU軸承數(shù)據(jù)集進行驗證研究，體現(xiàn)了該方法的快速和準確性，并得到以下結(jié)論：

(1)該方法相較于傳統(tǒng)的信號處理、神經(jīng)網(wǎng)絡和支持向量機等故障診斷方法，不僅擁有更高的準確率，還有更好的診斷效率。無需對原始的振動信號進行復雜的預處理，即可實現(xiàn)端到端的快速智能診斷。

(2)深層網(wǎng)絡為達到最小的訓練誤差，進行層層特征提取和迭代，往往需要過長的訓練時間。為了提高模型的訓練效率，在卷積層中規(guī)范不同網(wǎng)絡層的數(shù)據(jù)，激活函數(shù)前執(zhí)行批標準化操作。準確率也比未添加BN的CNN-LSTM診斷方法提高了近4%。

(3)該模型充分利用了CNN的特征提取能力，在此基礎上加入LSTM結(jié)構(gòu)加強了時序處理能力，能夠準確識別CWRU軸承數(shù)據(jù)集的10種不同故障狀態(tài)。對比傳統(tǒng)的深度學習模型，不僅提高了診斷的精度，還縮短了訓練的時間。

在旋轉(zhuǎn)機械實際運行中，軸承大多數(shù)情況下都能正常運作，但出現(xiàn)故障時，從發(fā)生到結(jié)束時間很短，其實際的轉(zhuǎn)速也是隨著時間不斷變化，所以很難采集到理想足量的定轉(zhuǎn)速故障振動數(shù)據(jù)，即小樣本和時變轉(zhuǎn)速工況問題。未來，將重點研究如何提高在這些工況下的軸承故障診斷效率與準確性。