趙瑞祥， 郝如江

(石家莊鐵道大學(xué)機械工程學(xué)院，河北 石家莊 050043)

滾動軸承作為一種標(biāo)準(zhǔn)件，被廣泛應(yīng)用于鐵路運輸、電信技術(shù)、礦業(yè)工程、航空航天等各領(lǐng)域內(nèi)的機械設(shè)備，尤其在高速列車、鐵路列車行走部及齒輪箱中，其也是一種需要反復(fù)檢查的易損件。面對現(xiàn)代機械系統(tǒng)復(fù)雜性和高度集成性的特點[1-2]，很難做到省時省力且精準(zhǔn)的故障排查，傳統(tǒng)方法例如溫度法和油樣分析法還是依靠人為經(jīng)驗[3]。傳統(tǒng)的故障診斷方法研究主要集中在提取準(zhǔn)確的時域、頻域及時頻域特征[4-5]。目前，機器學(xué)習(xí)在軸承故障診斷上的研究分支如圖1所示。

圖1 深度學(xué)習(xí)發(fā)展框架

韓曉亮[6]利用淺層卷積神經(jīng)網(wǎng)絡(luò)對凱斯西儲大學(xué)軸承數(shù)據(jù)進行了四分類研究。劉穎等[7]對振動信號進行小波包能量分解提取故障特征，再將特征作為卷積層的輸入，區(qū)別于將信號直接作為輸入實現(xiàn)了高速和高準(zhǔn)確率診斷。畢鵬遠[8]改進了LSTM模型，在Conv-LSTM模塊與輸出之間添加了全連接層從而實現(xiàn)故障診斷。游達章[9]對一維振動信號進行了PCA降噪處理，再將信號轉(zhuǎn)為二維圖片作為卷積層的輸入。許子非[10]等利用不同尺寸和步幅的卷積核對一維信號進行多尺度處理提取特征，而后利用神經(jīng)網(wǎng)絡(luò)對特征進行全連接。李霖等[11]先進行維度轉(zhuǎn)換得到二維圖片，再對圖片紋理屬性進行提取，利用支持向量機進行分類。吳晨芳等[11-12]在改進LeNet-5模型基礎(chǔ)上，完成了對轉(zhuǎn)化為二維圖片的振動信號的分類任務(wù)，并進行特征提取，利用支持向量機進行分類，并進行了可視化及方法對比。

將振動信號二維轉(zhuǎn)化實現(xiàn)故障診斷仍有以下不足：早期微弱故障無法準(zhǔn)確判定且二維圖片數(shù)據(jù)不易獲得，對保持架故障較難實現(xiàn)分類；單一工況探究較多，在變轉(zhuǎn)速、變載荷或故障程度不同等復(fù)雜情況下該方法的有效性有待研究[13]。

本文將振動信號轉(zhuǎn)化為二維圖片，并將圖片作為卷積層的輸入，實現(xiàn)了端到端的軸承故障診斷分類。采用的數(shù)據(jù)為西安交通大學(xué)全壽命軸承測試數(shù)據(jù)集[14]，在訓(xùn)練集和驗證集劃分時，通過對圖片中的像素進行閾值設(shè)置，在全壽命圖集中篩選出故障圖片，從而實現(xiàn)對全壽命數(shù)據(jù)的故障分類。

1 原理解析

1.1 卷積神經(jīng)網(wǎng)絡(luò)

非平穩(wěn)振動信號直觀表達是條連續(xù)的過于密集的邊緣線，邊緣線較好的檢測算法如索貝爾算子，其計算過程非常接近卷積運算過程，基本完全一致。邊緣檢測的實際效果在一定程度上解釋了運用卷積神經(jīng)網(wǎng)絡(luò)提取振動信號特征的有效性。

避免過度依賴專業(yè)經(jīng)驗知識和人為提取特征，實現(xiàn)端到端的輸出是卷積神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢。圖2為直接對一維振動信號進行卷積的模擬，圖3為對二維數(shù)據(jù)進行卷積的過程圖。訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)一般由輸入層、卷積層、池化層、全連接層和輸出層組成。對于一些層數(shù)堆疊更深的模型，在特征提取的卷積層中更適合調(diào)用卷積模塊，多為卷積、池化、dropout層以及regularization所組成。

圖2 一維卷積 圖3 二維卷積

卷積層或者卷積模塊在一定程度上是特征提取的核心操作，可以將其理解為特征自動提取，固定大小的卷積核通過對目標(biāo)的滑取，將特征以數(shù)據(jù)形式保存到一個尺寸更小的矩陣當(dāng)中，不同的數(shù)字代表提取到的不同局部特征，同時原有的數(shù)據(jù)一般也會變少，多次卷積之后就會得到更接近目標(biāo)的一組數(shù)據(jù)。二維卷積算子公式如下：

Q(x,y)=(R*K)(x,y)=∑a∑bR(x+a,y+b)K(a,b)

(1)

式中：Q(x,y)為卷積后的特征矩陣；R(x+a,y+b)為輸入圖片；K(a,b)為卷積核，一般a=b。

(2)

池化層作為對卷積層的一種補充或者優(yōu)化操作，池化層有助于更快地使特征矩陣尺寸減少，快捷地提取到有用的特征，對一定范圍內(nèi)的特征進行比較、篩選和保留，也可能是局部取均值再保留。池化層使得CNN在提取特征時不受圖像旋轉(zhuǎn)、平移及縮放操作的影響[15]。池化層算子公式如下：

(3)

(4)

式中：Max[*]表示局部取最大值操作；Aver[*]表示局部取平均值操作。

卷積神經(jīng)網(wǎng)絡(luò)主要通過各層的不同組合實現(xiàn)訓(xùn)練分類或仿真預(yù)測，但其監(jiān)督式的訓(xùn)練方式在大量的已標(biāo)簽的數(shù)據(jù)支撐下才顯示出優(yōu)勢。

1.2 技術(shù)路線

本文提出的基于LeNet-5模型的軸承故障診斷方法對西安交通大學(xué)全壽命軸承數(shù)據(jù)集[14]中的三種故障類型進行了故障分類，故障診斷流程如圖4所示。

圖4 故障診斷流程

首先對振動信號進行歸一化操作，防止在早期故障轉(zhuǎn)折階段數(shù)據(jù)幅值相差較大的問題；然后將數(shù)據(jù)批量轉(zhuǎn)化成圖片保存到特定故障類型的文件夾內(nèi)，進行特定類別的標(biāo)簽處理，對標(biāo)簽進行One-Hot轉(zhuǎn)換，將圖片進行訓(xùn)練集和測試集的劃分。由于采用全壽命數(shù)據(jù)集，在劃分集合時需根據(jù)像素值對測試集進行準(zhǔn)確劃分。輸入訓(xùn)練模型，調(diào)整網(wǎng)絡(luò)架構(gòu)、參數(shù)及超參數(shù)，最后通過測試集對模型進行評估，輸出accuracy和loss曲線圖。

1.3 圖片樣本

原始振動信號是一維數(shù)據(jù)，將一維振動信號等間隔劃分，組成一個m行m列的矩陣[13]，生成目標(biāo)的圖片；為防止在早期故障轉(zhuǎn)折階段數(shù)據(jù)幅值相差較大，在此之前對數(shù)據(jù)進行歸一化處理。生成過程如圖5所示，故障二維圖片如圖6所示。對圖片分別進行均值濾波、高斯濾波、中值濾波和雙邊濾波預(yù)處理實驗，通過比較最后選定中值濾波操作，其濾波效果如圖7所示。

為證明方法的有效性，對軸承外圈故障的振動信號進行了時頻分析，在0.76 s后可以發(fā)現(xiàn)明顯且

圖5 振動信號生成樣本

間隔為0.147 s的振動沖擊響應(yīng)，頻率也在合理范圍之內(nèi)。時域圖、頻域圖如圖8、圖9所示。

2 實驗驗證

2.1 數(shù)據(jù)集簡介

圖6 故障圖片

圖7 降噪預(yù)處理效果

圖8 外圈故障時域

圖9 外圈故障頻域

軸承加速壽命測試平臺如圖10所示，由交流電動機、電動機轉(zhuǎn)速控制器、轉(zhuǎn)軸、支撐軸承、液壓加載系統(tǒng)和測試軸承等組成。可調(diào)節(jié)的測試工況主要包括徑向力和轉(zhuǎn)速，其中徑向力由液壓加載系統(tǒng)產(chǎn)生，

作用于測試軸承的軸承座上，轉(zhuǎn)速由交流電機的轉(zhuǎn)速控制器來設(shè)置與調(diào)節(jié)。實驗軸承為LDK UER204滾動軸承，故障軸承見圖11。

圖10 軸承加速壽命測試實驗臺

選取部分?jǐn)?shù)據(jù)進行診斷，在一定程度上，本文的診斷方法屬于不同工況下的診斷。

首先對內(nèi)圈故障和外圈故障進行了二分類實驗，通過調(diào)整參數(shù)，觀察到模型對分類有收斂和波動減少的趨勢，然后將數(shù)據(jù)集中故障類型進行增加，但

圖11 故障軸承

原始的數(shù)字標(biāo)簽很難達到較為理想的效果，波動較大不能用作診斷。分類器對數(shù)據(jù)的默認屬性是連續(xù)、有序的，但一個分類問題的標(biāo)簽是隨機、無序的。One-Hot編碼使數(shù)據(jù)稀疏，在分類特征不大的情況下解決了分類器和分類數(shù)據(jù)之間的問題，其使用M位狀態(tài)寄存器對M種類別進行編碼，特定的故障位置設(shè)為1，其余都為0。標(biāo)簽編碼和數(shù)據(jù)集情況如表1所示。

表1 One-Hot編碼

2.2 淺層機器學(xué)習(xí)模型

本模型是在LeNet-5模型基礎(chǔ)上建立的淺層網(wǎng)絡(luò)架構(gòu)的機器學(xué)習(xí)模型，原始模型共有7層，改進模型如圖12所示。改進的模型在層數(shù)、圖片尺寸及優(yōu)化器上做了調(diào)整。

圖12 訓(xùn)練網(wǎng)絡(luò)模型

為了改善模型的收斂速度和精度，同時兼顧硬件性能，分別對迭代次數(shù)、卷積核大小、輸入尺寸、學(xué)習(xí)率、層數(shù)和優(yōu)化器類型等參數(shù)和超參數(shù)進行了實驗，常用的卷積核尺寸為3*3,5*5,7*7。經(jīng)過多次驗證，不同卷積層使用了不同尺寸的卷積核，整個模型架構(gòu)中的步長都為1。池化層一般使用最大池化和平均池化，本文均應(yīng)用最大池化。

為防止模型出現(xiàn)過擬合問題，使用了過擬合優(yōu)化方法，添加了Dropout層并在一些層內(nèi)添加了正則化操作。但經(jīng)過多次試驗，本文隨機地將一定比例的神經(jīng)元節(jié)點權(quán)值失活，效果更佳。正則化操作雖有改觀但不太明顯。

原始的LeNet-5模型使用梯度下降算法(SGD)對模型參數(shù)進行優(yōu)化，訓(xùn)練模型不容易收斂，損失函數(shù)loss和精度accuracy有很大波動且最終結(jié)果偏差很大。經(jīng)過簡單的定量對比，最后選擇了Adam優(yōu)化器。Adam是一種自適應(yīng)矩估計算法，可以使步長自適應(yīng)到合適長度，不會因為步長太長而在極值點附近徘徊。算法詳細流程見圖13。但使用Adam算法后，驗證集的準(zhǔn)確率和損失函數(shù)值和訓(xùn)練集的指標(biāo)依舊存在可觀察到的數(shù)值差，匯總結(jié)果如表2所示。故根據(jù)迭代次數(shù)對學(xué)習(xí)率進行了自適應(yīng)調(diào)整。

圖13 Adam優(yōu)化器流程

表2 實驗結(jié)果

本文所提方法最終的故障診斷結(jié)果如圖14、15所示。驗證集前期的accuracy和loss曲線均存在波動，考慮到不同工況下故障樣本個別類型訓(xùn)練數(shù)量太少，通過對訓(xùn)練集數(shù)據(jù)的少量填補，在一定程度上緩和了波動的趨勢和頻率。

3 結(jié)論

本文針對傳統(tǒng)方法中依賴專家經(jīng)驗和人為提取

圖14 accuracy曲線

圖15 loss曲線

特征的不足，提出了一種基于淺層機器學(xué)習(xí)模型的端到端的故障診斷方法，并將其應(yīng)用于全壽命軸承數(shù)據(jù)集中進行驗證。經(jīng)過反復(fù)實驗，得出以下結(jié)論：

(1)基于二維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型能夠?qū)崿F(xiàn)對故障軸承端到端的診斷，將機械振動與圖像處理進行了有效結(jié)合。

(2)改進的Adam自適應(yīng)矩估計算法、動態(tài)學(xué)習(xí)率的調(diào)整和過擬合優(yōu)化三者結(jié)合的軸承故障診斷方法能夠較好地完成故障診斷。

雖然所提方法能夠完成軸承故障診斷的故障識別任務(wù)，但目前實驗的分類故障較少且沒有對復(fù)合故障進行實驗，模型的泛化性能有待檢驗，由于有中間轉(zhuǎn)換環(huán)節(jié)且對早期故障并沒有精準(zhǔn)的訓(xùn)練和測試，因此還不能實現(xiàn)狀態(tài)在線實時監(jiān)測。