王 敏, 鄧艾東, 馬天霆, 張宇劍, 薛 原

(1. 東南大學(xué) 能源與環(huán)境學(xué)院,南京 210096;2. 東南大學(xué) 大型發(fā)電裝備安全運(yùn)行與智能測(cè)控國(guó)家工程研究中心,南京 210096)

隨著生產(chǎn)力需求的高速增長(zhǎng)和科學(xué)技術(shù)的迭代升級(jí),大型旋轉(zhuǎn)設(shè)備逐漸向著智能化、精密化和集成化發(fā)展。軸承是現(xiàn)代旋轉(zhuǎn)設(shè)備的重要組成部分,是機(jī)械設(shè)備故障診斷的研究重點(diǎn)[1]。軸承損壞進(jìn)而導(dǎo)致設(shè)備發(fā)生故障、停機(jī),造成經(jīng)濟(jì)損失和人員傷亡[2]。因此,開(kāi)展軸承故障診斷研究對(duì)保障設(shè)備的安全穩(wěn)定運(yùn)行和減少生產(chǎn)事故具有重要意義。

針對(duì)滾動(dòng)軸承的故障診斷方法從一開(kāi)始的基于專(zhuān)家經(jīng)驗(yàn)和知識(shí)的故障判斷,逐漸發(fā)展到基于機(jī)理解析模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法。近幾十年來(lái),由于計(jì)算機(jī)技術(shù)的發(fā)展和人工智能的興起,基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的故障診斷方法受到了越來(lái)越多的關(guān)注,并被廣泛應(yīng)用于滾動(dòng)軸承的故障診斷,常見(jiàn)的機(jī)器學(xué)習(xí)方法如K-近鄰算法[3]、支持向量機(jī)(support vector machines, SVM)[4]和隨機(jī)森林[5]等,已經(jīng)取得了不錯(cuò)的進(jìn)展,但它們通常需要一定的專(zhuān)家知識(shí),泛化性能較差,很難滿足復(fù)雜工業(yè)環(huán)境的需求[6]。

深度學(xué)習(xí)可以自動(dòng)從信號(hào)中提取特征,相比前述方法降低了故障診斷對(duì)專(zhuān)業(yè)知識(shí)的依賴程度,通過(guò)歷史運(yùn)行數(shù)據(jù)就可以完成故障診斷任務(wù),減少人為因素對(duì)信號(hào)特征提取過(guò)程的影響,逐漸成為智能故障診斷發(fā)展的基礎(chǔ)。深度學(xué)習(xí)方法目前已在圖像識(shí)別、自然語(yǔ)言處理等方面取得了突出成果,尤其是在解決各種分類(lèi)問(wèn)題方面具有顯著優(yōu)勢(shì),因此也被越來(lái)越多的研究人員引入故障診斷領(lǐng)域[7]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)作為經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)模型之一,已經(jīng)成為故障診斷領(lǐng)域的研究熱點(diǎn)[8]。Eren等[9]將原始振動(dòng)信號(hào)作為輸入,并使用輕量自適應(yīng)的1D-CNN診斷軸承故障。試驗(yàn)表明,CNN提取的特征比人工特征具有更高的診斷精度。Gao等[10]使用一種基于擴(kuò)展的第一層寬核深度卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶的新型混合深度學(xué)習(xí)方法,以提高復(fù)雜環(huán)境中旋轉(zhuǎn)機(jī)械的故障診斷精度。Hao等[11]將ResNet用于軸承故障診斷,用全局平均池化層代替全連接層,解決了ResNet計(jì)算量大的問(wèn)題,試驗(yàn)表明改進(jìn)算法的故障診斷率可靠,訓(xùn)練時(shí)間縮短。Smith等[12]提出了一種基于CNN和信息融合的軸承故障診斷方法,利用CNN提取并融合電機(jī)電流多相特征,并用機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi)。Hasan等[13]提出基于1DCNN的微調(diào)網(wǎng)絡(luò)模型,該方法將振動(dòng)信號(hào)從時(shí)域轉(zhuǎn)換到頻域后輸入到網(wǎng)絡(luò)中完成變工況下的故障診斷。Szegedy等[14]提出了一種新的診斷框架,進(jìn)一步深入設(shè)計(jì)卷積網(wǎng)絡(luò)層模塊,并將其應(yīng)用于工況復(fù)雜變化情形下的故障診斷?？梢?jiàn),CNN具有強(qiáng)大的特征提取能力和有效的故障診斷能力。

盡管以上CNNs診斷模型在各自診斷領(lǐng)域均表現(xiàn)出可行性,但仍存在著以下幾個(gè)問(wèn)題:

(1) CNNs診斷模型為了降低網(wǎng)絡(luò)參數(shù)量,提高計(jì)算效率,通常使用單一的小尺度的卷積核,無(wú)法捕獲復(fù)雜振動(dòng)信號(hào)的多尺度特性。

(2) CNNs診斷模型中不同通道的特征圖對(duì)故障特征的識(shí)別程度有差異,并不是所有的特征圖都能很好地表達(dá)故障類(lèi)別特征,對(duì)通道的無(wú)差別利用導(dǎo)致了一定程度的特征冗余,這使得整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且造成算力浪費(fèi)。

(3) 振動(dòng)信號(hào)是一種時(shí)域信息,僅使用CNN無(wú)法獲得更豐富的多層次振動(dòng)信號(hào)特征。

針對(duì)上述問(wèn)題,考慮到滾動(dòng)軸承運(yùn)行工況復(fù)雜,提出一種基于雙注意力機(jī)制的多尺度卷積網(wǎng)絡(luò)(dual attention and multi-scale convolutional networks,DAMSCN)與改進(jìn)的雙向門(mén)控循環(huán)單元(bidirectional gated recurrent unit, BiGRU)組成的故障診斷模型 DAMSCN-BiGRU。該模型以原始振動(dòng)信號(hào)作為輸入,通過(guò)多尺度特征融合模塊(multi-scale feature fusion module,MSF)提取振動(dòng)信號(hào)的多尺度特征,然后通過(guò)注意力機(jī)制使模型專(zhuān)注于重點(diǎn)特征,接著利用改進(jìn)BiGRU捕獲振動(dòng)的信號(hào)的時(shí)域特征,最后通過(guò)Softmax層實(shí)現(xiàn)故障診斷。

1 卷積神經(jīng)網(wǎng)絡(luò)

受生物學(xué)神經(jīng)元結(jié)構(gòu)啟發(fā),Logistic單元被用來(lái)模擬神經(jīng)元,組成了人工神經(jīng)網(wǎng)絡(luò)。在此基礎(chǔ)上,卷積神經(jīng)網(wǎng)絡(luò)通過(guò)直接輸入原始數(shù)據(jù)圖像進(jìn)行特征提取,在圖像識(shí)別和模式分類(lèi)的任務(wù)中應(yīng)用最為廣泛。卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層以及輸出層組成,其中卷積層和池化層交叉堆疊用于輸入特征提取,而全連接層和輸出層進(jìn)行預(yù)測(cè)分類(lèi),在結(jié)構(gòu)上具有局部連接、權(quán)值共享和匯聚的特征,其結(jié)構(gòu)如圖1所示。

圖1 CNN結(jié)構(gòu)Fig.1 Diagram of CNN

1.1 多尺度卷積神經(jīng)網(wǎng)絡(luò)

近年來(lái),卷積神經(jīng)網(wǎng)絡(luò)在軸承故障診斷中得到了廣泛應(yīng)用。然而,單一尺度的卷積神經(jīng)網(wǎng)絡(luò)在卷積核尺寸過(guò)大時(shí)會(huì)丟失一些局部信息,在卷積核尺寸過(guò)小時(shí)又容易忽略全局特征。對(duì)于滾動(dòng)軸承來(lái)說(shuō),其故障特征頻率往往分布在不同尺度的振動(dòng)信號(hào)中,且這種差異還會(huì)受到工況變化以及環(huán)境噪聲的影響,為解決這個(gè)問(wèn)題,多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional neural networks, MSCNN)[15]通過(guò)使用不同尺寸的卷積核對(duì)數(shù)據(jù)進(jìn)行卷積提取多個(gè)尺度的特征,隨后將其進(jìn)行融合,以彌補(bǔ)各自尺度下對(duì)數(shù)據(jù)特征認(rèn)識(shí)的片面性。其結(jié)構(gòu)如圖2所示。

圖2 MSCNN結(jié)構(gòu)Fig.2 Diagram of MSCNN

卷積核尺度的不同意味著卷積過(guò)程中感受野窗口的不同,也就是說(shuō)可以得到粗粒度不同的特征。在MSCNN中,不同尺度的卷積核以并行的方式學(xué)習(xí)不同空間尺度上的故障特征。MSCNN結(jié)構(gòu)可以通過(guò)1×1和3×1的小卷積核提取高頻故障特征,利用7×1的大卷積核提取低頻故障特征。從多個(gè)不同感受野提取的特征具有捕獲全局和局部信息的能力。通過(guò)將多尺度特征進(jìn)行融合能夠得到豐富的表征軸承故障特征的信息。

1.2 雙注意力機(jī)制

由于采集的振動(dòng)信號(hào)中含有環(huán)境噪聲、轉(zhuǎn)速等信息,為了讓模型重點(diǎn)學(xué)習(xí)與診斷識(shí)別信息強(qiáng)相關(guān)的特征,提高故障分類(lèi)效果,引入注意力機(jī)制用于軸承故障診斷。本文采用通道注意力和空間注意力級(jí)聯(lián)組成的雙注意力模(dual attention module, DAM)分別對(duì)每個(gè)變量特征從通道和空間兩個(gè)維度計(jì)算特征重要程度并分配權(quán)重,使故障診斷模型能有效區(qū)分和利用多尺度特征。

通道注意力(channelattention, CA)聚焦在有意義的輸入圖像,典型代表模型是壓縮和激勵(lì)網(wǎng)絡(luò)(squeeze-and-excitation networks,SE)。SE分為壓縮和激勵(lì)兩個(gè)部分,其中壓縮部分的目的是對(duì)全局空間信息進(jìn)行壓縮,然后在通道維度進(jìn)行特征學(xué)習(xí),形成各個(gè)通道的重要性,最后通過(guò)激勵(lì)部分對(duì)各個(gè)通道分配不同的權(quán)重。

CA模塊的結(jié)構(gòu)如圖3所示,由一個(gè)全局池化、兩個(gè)卷積層、一個(gè)ReLU激活函數(shù)和一個(gè)Sigmoid激活函數(shù)組成。全局池化采用平均池化,它的作用是在空間上把每個(gè)特征圖將維數(shù)從H×W×C壓縮至1×1×C,即把H×W壓縮為1×1 維,而卷積層和激活函數(shù)則是給不同通道的特征圖賦予不同權(quán)重值,得到各個(gè)通道的重要性。對(duì)于輸入特征集合M={m1,m2,…,mi,…,mc},其中mi∈R1×W代表某個(gè)長(zhǎng)度為W的特征圖。特征集合M首先經(jīng)過(guò)全局平均池化變?yōu)閆∈R1×c,即壓縮每個(gè)通道的空間特征,如式(1)所示

圖3 通道注意力結(jié)構(gòu)Fig.3 Channel attention structure

圖4 空間注意力結(jié)構(gòu)示意圖Fig.4 Diagram of spatial attention

(1)

輸入特征集合M被壓縮空間后變?yōu)閆,再經(jīng)過(guò)兩個(gè)卷積層和激活函數(shù)變?yōu)閆*,計(jì)算公式如下

Z*=δ{F2{σ[F1(Z)]}}

(2)

式中:F1、F2表示使用通道數(shù)為1,卷積核大小為1×1進(jìn)行卷積運(yùn)算;σ(·)為ReLU激活函數(shù);δ(·)為Sigmoid激活函數(shù);Z*為每個(gè)通道的重要程度,為每個(gè)通道賦予不同的權(quán)重值。Z*最終與輸入特征集合M相乘,得到新的特征集合,如式(3)所示

(3)

為了保留原始信息,利用殘差學(xué)習(xí)的思想,將殘差連接引入到通道注意力的計(jì)算中,增加進(jìn)一步優(yōu)化的可能性。公式描述為

Y=G+M

(4)

式中,Y為富含權(quán)重信息和原始信息的特征集合。

空間注意力基于通道的方向,聚焦特征圖上區(qū)域信息的重要性,是對(duì)通道注意力的補(bǔ)充。空間注意力模塊的輸入是通道注意力模塊的輸出,對(duì)輸入特征圖,在通道維度上分別進(jìn)行全局池化和平均池化,得到壓縮后的通道特征圖,然后按照通道拼接全局池化和平均池化的結(jié)果,得到維度H×W×2特征圖,最后進(jìn)行卷積和激活得到H×W×1的空間注意特征圖。其計(jì)算公式如下

Ms(F)=σ{f{[AvgPool(F);MaxPool(F)]}}=
σ(f([Favg;Fmax]))

(5)

式中:f為卷積操作;σ為ReLU激活函數(shù)。

1.3 雙向門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)

MSF能夠提取振動(dòng)信號(hào)的空域特征,為了捕獲振動(dòng)信號(hào)的時(shí)域特征,將GRU引入所提模型結(jié)構(gòu)。GRU的結(jié)構(gòu)如圖5中所示,GRU有兩個(gè)門(mén)控單元:重置門(mén)和更新門(mén),以調(diào)節(jié)輸入的信息流。重置門(mén)決定應(yīng)該重置的先前時(shí)間步的數(shù)量,而更新門(mén)決定要更新到當(dāng)前時(shí)間步的量。GRU的計(jì)算和更新過(guò)程可描述如下

圖5 GRU結(jié)構(gòu)Fig.5 Diagram of GRU

rt=σ(Wr·[ht-1,xt]+br)

(6)

ut=σ(Wu·[ht-1,xt]+bu)

(7)

(8)

(9)

單向GRU只能根據(jù)前一時(shí)間的信息預(yù)測(cè)當(dāng)前時(shí)間的輸出。而雙向GRU(BiGRU)可以考慮到未來(lái)狀態(tài)與當(dāng)前狀態(tài)的關(guān)系。其結(jié)構(gòu)如圖6所示,它由兩個(gè)相互疊加的GRU組成,輸出由兩個(gè)GRU的狀態(tài)決定。

圖6 BiGRU結(jié)構(gòu)Fig.6 Diagram of BiGRU

(10)

(11)

(12)

式中:U和W分別為隱藏狀態(tài)和輸入的權(quán)重矩陣;b為偏置項(xiàng); 箭頭為時(shí)間轉(zhuǎn)移的方向。

2 故障診斷模型DAMSCN-BiGRU

DAMSCN-BiGRU的總體結(jié)構(gòu)如圖7所示。由多尺度特征融合模塊MSF、雙注意力模塊DAM和改進(jìn)BiGRU的混合網(wǎng)絡(luò)組成。其中,MSF是對(duì)MSCNN的改進(jìn),改進(jìn)BiGRU用于捕獲時(shí)域信息,提取更豐富的特征。

圖7 DAMSCN-BiGRU結(jié)構(gòu)Fig.7 Diagram of DAMSCN-BiGRU

圖8 多尺度特征融合模塊(MSF)Fig.8 Multi-scale feature fusion module

圖9 DAM示意圖Fig.9 Diagram of DAM

首先,將軸承原始振動(dòng)信號(hào)作為模型的輸入,然后通過(guò)多尺度特征融合模塊經(jīng)歷特征提取、選擇和融合三個(gè)階段來(lái)提取多尺度特征并進(jìn)行融合。將融合的多尺度特征輸入DAM模塊,削弱冗余特征對(duì)模型性能的干擾,然后將高維多尺度特征進(jìn)行全局平均合并以降低維數(shù),再輸入BiGRU層提取時(shí)域特征。最后,將特征輸入到全連接層,以通過(guò)Softmax層進(jìn)行分類(lèi)。其中MSF模塊分為三個(gè)步驟進(jìn)行計(jì)算。

特征提取階段使用三組尺寸為1×k的一維卷積對(duì)原始輸入提取特征,以獲取不同尺度的時(shí)序特征,公式如下

hn=X(i)(n)

(13)

(14)

(15)

(16)

(17)

特征融合階段將權(quán)重與特征相乘并求和,完成特征自適應(yīng)融合。

(18)

DAM模塊由通道注意力和空間注意力級(jí)聯(lián)得到,將MSF的輸出通過(guò)卷積組提取特征作為模塊的輸入。

此外,在BiGRU層,為了聚焦重要時(shí)刻特征,添加注意力機(jī)制,改進(jìn)后的BiGRU示意圖,如圖10所示。

圖10 改進(jìn)BiGRUFig.10 Diagram of improved BiGRU

為了降低計(jì)算量和避免訓(xùn)練過(guò)程中神經(jīng)元死亡,本文對(duì)激活函數(shù)進(jìn)行了修正,主要公式如下

(19)

當(dāng)輸入x>0時(shí),輸出等于輸入,導(dǎo)數(shù)恒為1,保留了RELU函數(shù)計(jì)算簡(jiǎn)單,收斂速度快的特點(diǎn)。而當(dāng)x≤0時(shí),f(x)可微且非線性;f(x)無(wú)上界,而x→-∞時(shí)f(x)存在下界,使得模型擁有較強(qiáng)的抗干擾能力和正則性,同時(shí)避免了梯度消失的問(wèn)題。

3 試驗(yàn)研究及分析

3.1 數(shù)據(jù)集描述

試驗(yàn)使用的滾動(dòng)軸承數(shù)據(jù)集由凱斯西儲(chǔ)大學(xué)的軸承數(shù)據(jù)中心提供。測(cè)試平臺(tái)使用16通道采樣頻率為12 kHz的數(shù)據(jù)記錄儀采集振動(dòng)信號(hào),并使用扭矩傳感器測(cè)量負(fù)載和速度。測(cè)試平臺(tái)示意圖如圖11所示。本文試驗(yàn)在Windows 10的64位操作系統(tǒng)下進(jìn)行,內(nèi)存為16 GB,處理器為Intel(R)Core(TM) i7-12700 CPU。所用深度學(xué)習(xí)框架為T(mén)ensorFlow和Keras,編程語(yǔ)言為Python 3.6。

圖11 CWRU滾動(dòng)軸承測(cè)試平臺(tái)示意圖Fig.11 CWRU rolling bearing test platform

試驗(yàn)中使用電機(jī)驅(qū)動(dòng)端型號(hào)為SKF6205的滾動(dòng)軸承在負(fù)載為0.75 kW、1.50 kW、2.25 kW時(shí)采集的振動(dòng)信號(hào)。通過(guò)電火花加工技術(shù)對(duì)軸承進(jìn)行單點(diǎn)損傷加工,數(shù)據(jù)包含正常狀態(tài)(Normal State)及三種不同故障狀態(tài),內(nèi)圈(Inner Race),外圈(Outer Race)以及滾動(dòng)體(Ball)的振動(dòng)信號(hào)四種狀態(tài),每種故障狀態(tài)又存在三種尺寸的損傷,分別為0.18 mm、0.36 mm和0.54 mm,因此每種負(fù)載下總共有10種軸承狀態(tài)。試驗(yàn)中對(duì)每種負(fù)載下的每個(gè)樣本取2 048個(gè)樣本點(diǎn)的振動(dòng)信號(hào)作為試驗(yàn)數(shù)據(jù),其中每種負(fù)載的訓(xùn)練集為1 200個(gè)樣本,測(cè)試集為300個(gè)樣本。試驗(yàn)數(shù)據(jù)詳細(xì)信息如表1所示。

表1 試驗(yàn)數(shù)據(jù)詳細(xì)信息Tab.1 Details of the test data

3.2 恒定工況下故障診斷結(jié)果與分析

首先驗(yàn)證模型DAMSCN-BiGRU在恒定工況上故障診斷的有效性,分別使用BP網(wǎng)絡(luò)、1DCNN、MSCNN、DAMSCNN、BiGRU進(jìn)行比較。表2展示了各模型在不同負(fù)載下的精度,DAMSCN-BiGRU的診斷精度分別為99.2%、99.9%和99.9%。其診斷精度分別比BP神經(jīng)網(wǎng)絡(luò)高27.9%、40.9%、32.9%。結(jié)果表明,基于淺層網(wǎng)絡(luò)的軸承故障診斷方法的性能不如基于深層網(wǎng)絡(luò)的軸承故障診斷方法?；跁r(shí)域特征的BiGRU平均診斷精度為92.4%,總體不如基于空域特征的深度學(xué)習(xí)方法。在恒定工況下,基于混合網(wǎng)絡(luò)的DAMSCN-BiGRU優(yōu)于其他模型,能夠?qū)崿F(xiàn)對(duì)軸承振動(dòng)信號(hào)的故障精確診斷。

表2 不同負(fù)載下模型診斷精度Tab.2 Model diagnostic accuracy under different loads 單位:%

為進(jìn)一步證明DAMSCN-BiGRU的有效性,將0.75 kW、1.50 kW、2.25 kW的軸承振動(dòng)數(shù)據(jù)組合起來(lái),構(gòu)造一個(gè)新的混合負(fù)載數(shù)據(jù)集。各模型在混合負(fù)載測(cè)試集上的可視化診斷結(jié)果,如圖12所示。DAMSCN-BiGRU在迭代的初始階段就達(dá)到99%診斷精度,經(jīng)過(guò)六次迭代后能夠穩(wěn)定保持100%診斷精度。MSCNN和1DCNN經(jīng)過(guò)不斷迭代,診斷精度也能達(dá)到100%,但不如DAMSCN-BiGRU穩(wěn)定。BiGRU和BP模型的總體診斷精度低于95%。證明了DAMSCN-BiGRU在恒定工況下故障診斷任務(wù)中的有效性。

圖12 各模型診斷結(jié)果Fig.12 Figure of the diagnosis results of models

3.3 變工況下故障診斷結(jié)果與分析

工況變化是常見(jiàn)的生產(chǎn)需求,為了模擬軸承設(shè)備工況變化情形,通過(guò)設(shè)工況的負(fù)載A-B為一組變工況診斷任務(wù),表示源工況是從電機(jī)負(fù)載為A的軸承狀態(tài)信號(hào)中采集,目標(biāo)工況是從電機(jī)負(fù)載為B的軸承狀態(tài)信號(hào)中采集。六組變工況任務(wù)詳細(xì)描述,如表3所示。

表3 變工況任務(wù)詳細(xì)描述Tab.3 Detailed description of the variable condition task

為了驗(yàn)證本文所提模型在變工況任務(wù)下的診斷能力,用不同工況下的數(shù)據(jù)分別進(jìn)行訓(xùn)練和測(cè)試。在圖13中對(duì)源工況和目標(biāo)工況時(shí)域信號(hào)的數(shù)據(jù)分布差異進(jìn)行可視化。

圖13 源工況和目標(biāo)工況時(shí)域信號(hào)可視化結(jié)果Fig.13 Time domain signal difference between source and target operating conditions

可以看出不同工況中相同軸承狀態(tài)的軸承時(shí)域信號(hào)幅值變化有較強(qiáng)的隨機(jī)性,且數(shù)據(jù)分布因負(fù)載和速度的變化而存在周期性差異,導(dǎo)致故障診斷模型在變工況下泛化能力急劇下降。

將BiGRU、1DCNN、MSCNN和DAMSCNN與DAMSCN-BiGRU在變工況任務(wù)下做比較,試驗(yàn)結(jié)果如表4和圖14所示。多尺度卷積能有效彌補(bǔ)單一尺度卷積的不足,提高故障診斷精度。然而,在變工況任務(wù)中1DCNN和MSCNN的表現(xiàn)相似,這說(shuō)明MSCNN雖然能夠提取源工況的豐富的特征卻無(wú)法完全應(yīng)用到目標(biāo)工況。DAM模塊能夠使DAMSCNN專(zhuān)注于故障特征,弱化工況敏感的冗余特征,因此診斷性能與MSCNN相比提升顯著。本文模型在所有對(duì)比模型中表現(xiàn)最好,平均診斷精度達(dá)到98.3%,比僅使用單一網(wǎng)絡(luò)結(jié)構(gòu)的BiGRU和MSCNN分別高出17.6%和12.1%。這是由于DAMSCN-BiGRU結(jié)合了二者捕獲空域和時(shí)域特征的能力,在變工況情形下具有更強(qiáng)的泛化性和魯棒性。

表4 變工況任務(wù)試驗(yàn)結(jié)果Tab.4 Details of the test data 單位:%

圖14 變工況任務(wù)試驗(yàn)結(jié)果Fig.14 Figure of the diagnosis results of models

為進(jìn)一步分析DAMSCN-BiGRU在變工況下的特征提取能力,使用t-SNE對(duì)各模型的輸出層特征進(jìn)行可視化展示,如圖15所示。t-SNE能夠?qū)⒏呔S數(shù)據(jù)降低至2維,其中,數(shù)字和顏色代表樣本的類(lèi)別,具體可在表1中找到類(lèi)別的詳細(xì)信息。不同顏色的點(diǎn)越分離,同種顏色的點(diǎn)越聚集,代表模型對(duì)不同故障類(lèi)型的可識(shí)別程度越高。觀察發(fā)現(xiàn),MSCNN雖然能將不同故障類(lèi)型分離,但同一類(lèi)型故障特征較為分散,這是由于在變工況下多尺度融合后的特征冗余現(xiàn)象更加突出,對(duì)模型的學(xué)習(xí)造成干擾。因此,MSCNN在變工況下診斷性能反而不如1DCNN。添加DAM模塊后的MSCNN同一故障特征顯著聚集,特征重疊現(xiàn)象減少。與其他模型相比DAMSCN-BiGRU能夠通過(guò)學(xué)習(xí)源工況的信息使目標(biāo)工況不同故障類(lèi)型特征匯聚在一起,幾乎沒(méi)有離散點(diǎn),表明DAMSCN-BiGRU在變工況下能夠有效區(qū)分目標(biāo)工況的故障特征,具有良好的泛化性。

圖15 t-SNE可視化結(jié)果Fig.15 Feature classification map for t-SNE visualization

3.4 抗噪性能分析

工業(yè)生產(chǎn)中滾動(dòng)軸承的運(yùn)行條件經(jīng)常變化,傳感器采集到的振動(dòng)信號(hào)包含環(huán)境噪聲,而且在軸承故障發(fā)生早期,振動(dòng)特征表現(xiàn)不明顯,噪聲對(duì)振動(dòng)信號(hào)的干擾不可忽視,因此針對(duì)滾動(dòng)軸承的故障診斷模型需要具備穩(wěn)定可靠的抗噪聲干擾能力。工程中,通常使用信噪比衡量信號(hào)與背景噪聲的強(qiáng)弱,用于比較信號(hào)的強(qiáng)度與背景噪聲的強(qiáng)度,其定義式如下

(20)

式中:Psignal為信號(hào)功率;Pnoise為噪聲功率;Asignal為信號(hào)幅度;Anoise為噪聲幅度。

本文試驗(yàn)使用信噪比從-10～10 dB的高斯白噪聲來(lái)模擬實(shí)際工業(yè)生產(chǎn)中的環(huán)境噪聲,將其加入到原始振動(dòng)信號(hào)中得到含噪聲的模擬信號(hào),為了驗(yàn)證DAMSCN-BiGRU模型的抗噪能力,對(duì)比了傳統(tǒng)機(jī)器學(xué)習(xí)模型SVM,和其他深度學(xué)習(xí)模型:深度神經(jīng)網(wǎng)絡(luò)DNN、深度殘差收縮網(wǎng)絡(luò)(deep residual shrinkage network,DRSN)、第一層寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks with wide first-layer kernel,WDCNN)以及基于訓(xùn)練干擾的卷積神經(jīng)網(wǎng)絡(luò)(convolution neural networks with training interference,TICNN),同時(shí)分別對(duì)深度學(xué)習(xí)模型進(jìn)行優(yōu)化,其中DNN中添加Dropout層,TICNN和WDCNN引入AdaBN,DRSN使用降噪編碼器來(lái)提高各模型的抗噪聲干擾能力。試驗(yàn)結(jié)果如圖16和表5所示。

表5 不同噪聲強(qiáng)度下各模型測(cè)試結(jié)果

圖16 不同噪聲強(qiáng)度下各模型分類(lèi)精度Fig.16 Classification accuracy of each model under different noise intensities

圖17 注意力機(jī)制對(duì)模型抗噪性能影響Fig.17 Influence of attention mechanism on anti-noise performance of the model

進(jìn)一步驗(yàn)證注意力機(jī)制對(duì)噪聲環(huán)境下模型診斷性能的影響,使用未添加注意力模塊的MSCNN-BiGRU模型進(jìn)行消融試驗(yàn)。試驗(yàn)數(shù)據(jù)為10次測(cè)試結(jié)果平均值,由試驗(yàn)結(jié)果可知,隨著噪聲強(qiáng)度增大,各個(gè)模型的準(zhǔn)確率明顯下降,然而本文所提模型在-10 dB的強(qiáng)噪聲條件下仍有著較高的準(zhǔn)確率(85.3%),在所有噪聲強(qiáng)度下高出五種故障診斷型,且當(dāng)信號(hào)強(qiáng)度大于噪聲強(qiáng)度時(shí)能夠穩(wěn)定保持在96%以上的準(zhǔn)確率。

通過(guò)消融試驗(yàn)可知,添加雙注意力機(jī)制的網(wǎng)絡(luò)可有效抑制噪聲干擾,對(duì)模型的抗噪聲性能起到了正向增益。分析結(jié)果驗(yàn)證了DAMSCN-BiGRU模型具有較好的抗噪性能和穩(wěn)定性。

3.5 模型復(fù)雜度評(píng)估

時(shí)間復(fù)雜度和空間復(fù)雜度是衡量模型的兩個(gè)重要指標(biāo),時(shí)間復(fù)雜度反映了算法的運(yùn)行速度,決定了模型的訓(xùn)練及預(yù)測(cè)時(shí)間?？臻g復(fù)雜度決定了模型的參數(shù)數(shù)量,主要衡量算法臨時(shí)占用存儲(chǔ)空間的大小。模型的參數(shù)越多,訓(xùn)練模型所需的數(shù)據(jù)量就越大,當(dāng)數(shù)據(jù)集較小時(shí),容易導(dǎo)致模型的訓(xùn)練過(guò)擬合。一般用模型計(jì)算量(FLOPS)和訪存量來(lái)度量時(shí)間和空間復(fù)雜度。主要計(jì)算公式如下

FLOPs=(2×Ci×K2-1)×H×W×Co+
(2I-1)O

(21)

式中:Ci為輸入特征圖通道數(shù);K為過(guò)卷積核尺寸;H、W、Co為輸出特征圖的高度,寬度和通道數(shù);I為全連接層輸入層的維度;O為輸出層的維度。

Bytes=Ci×K2×Co+Co+2×Ci+
Ti×To+To

(22)

式(22)第一項(xiàng)是卷積層參數(shù)量,第二項(xiàng)為BN層參數(shù)量,第三項(xiàng)為全連接層參數(shù)量,其中Ti為輸入向量的長(zhǎng)度,To為輸出向量的長(zhǎng)度。本模型以及經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型的計(jì)算量和訪存量對(duì)比,如表6所示。

表6 模型復(fù)雜度對(duì)比Tab.6 Comparison of model complexity

可以看出,相比于經(jīng)典的小卷積核神經(jīng)網(wǎng)絡(luò)模型,本文所提模型在加入大尺寸卷積核之后,通過(guò)對(duì)多尺度特征融合模塊的優(yōu)化,消耗更少的內(nèi)存訪問(wèn),具有更高的FLOPS,在保證模型優(yōu)異性能的同時(shí)實(shí)現(xiàn)更快的執(zhí)行速度和更低的延時(shí)。

4 結(jié) 論

針對(duì)故障診斷模型在變工況下診斷性能降低問(wèn)題,提出了一種新的滾動(dòng)軸承故障診斷模型DAMSCN-BiGRU。通過(guò)混合的網(wǎng)絡(luò)結(jié)構(gòu),利用MSCNN提取空域特征,引入通道注意力和空間注意力組成雙注意力DAM模塊去除多尺度融合特征中的冗余特征,采用改進(jìn)的BiGRU提取時(shí)域特征。其主要優(yōu)勢(shì)與特點(diǎn)如下:

(1) 設(shè)計(jì)的多尺度特征提取與融合模塊能充分捕獲振動(dòng)信號(hào)的多尺度特征,同時(shí)在保證充分提取信號(hào)特征的前提下,減少了網(wǎng)絡(luò)堆疊層數(shù),降低了模型參數(shù)量和計(jì)算次數(shù),提高計(jì)算效率。

(2) 融入雙向門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò),最大限度上利用振動(dòng)信號(hào)的時(shí)域信息。

(3) 模型多處使用注意力機(jī)制,有效去除冗余特征,提高故障分類(lèi)效果。

經(jīng)過(guò)凱斯西儲(chǔ)大學(xué)公開(kāi)數(shù)據(jù)集驗(yàn)證,在恒定工況下DAMSCN-BiGRU能夠達(dá)到接近100%的診斷精度。與其他模型相比,DAMSCN-BiGRU在六組變工況任務(wù)中的診斷性能是最好的,平均診斷精度達(dá)到98.2%,在強(qiáng)噪聲干擾下診斷準(zhǔn)確率能保持在85%以上。試驗(yàn)結(jié)果有效表明DAMSCN-BiGRU在變工況任務(wù)和強(qiáng)噪聲下具有良好的泛化性和魯棒性,對(duì)滾動(dòng)軸承智能故障診斷系統(tǒng)的發(fā)展提供了新思路。

在實(shí)際工程項(xiàng)目中,應(yīng)首先對(duì)電廠歷史運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理,提取有效的正常和故障狀態(tài)數(shù)據(jù),將其按照工況劃分?jǐn)?shù)據(jù)集,用以訓(xùn)練本模型學(xué)習(xí)軸承各種狀態(tài)下的振動(dòng)特征,然后將各個(gè)工況下訓(xùn)練好的模型與其他機(jī)器學(xué)習(xí)算法結(jié)合用于在線智能故障診斷,一般方法是采集運(yùn)行數(shù)據(jù),經(jīng)過(guò)數(shù)據(jù)清洗和特征提取后作為本模型的輸入,通過(guò)模型輸出結(jié)果判斷軸承狀態(tài),實(shí)現(xiàn)故障診斷功能。

雖然DAMSCN-BiGRU在變工況下取得了有效的診斷結(jié)果,但仍有一些不足:

(1) 所提模型僅使用MSCNN對(duì)軸承振動(dòng)信號(hào)進(jìn)行多尺度特征提取,但沒(méi)有考慮MSCNN-BiGRU對(duì)模型的影響。因此,后續(xù)研究的會(huì)對(duì)MSCNN-BiGRU組合模型進(jìn)行嘗試。

(2) 實(shí)際工程環(huán)境中各類(lèi)故障隨機(jī)發(fā)生,樣本數(shù)據(jù)缺失,不平衡的情況不可避免,為了更好地貼合實(shí)際,后續(xù)將考慮采用數(shù)量不平衡的故障數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試。