摘 要：針對(duì)包裝機(jī)故障信號(hào)受噪聲影響且樣本稀少導(dǎo)致傳統(tǒng)的診斷方法不能滿(mǎn)足實(shí)際場(chǎng)景應(yīng)用要求的問(wèn)題，提出一種新的軸承故障診斷方法。首先，利用連續(xù)小波變換（Continue Wavelet Transform，CWT）將振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像。其次，將其輸入深度網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。再次，利用極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）進(jìn)行故障分類(lèi)。最后，通過(guò)麻雀搜索算法（Sparrow Search Algorithm，SSA）對(duì)ELM進(jìn)行優(yōu)化。試驗(yàn)結(jié)果顯示，在強(qiáng)噪聲干擾且少樣本訓(xùn)練的情況下，所提方法的準(zhǔn)確率仍能夠達(dá)到98.91%，并且模型在不同的軸承數(shù)據(jù)集中的準(zhǔn)確率均達(dá)到98.92%，證明所提方法具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：故障診斷;深度學(xué)習(xí);特征提取;極限學(xué)習(xí)機(jī)

中圖分類(lèi)號(hào)：TP307 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

隨著生活質(zhì)量的提高，人們對(duì)產(chǎn)品的包裝要求也隨之提升，進(jìn)而對(duì)包裝機(jī)的可靠性和穩(wěn)定性提出了更高的要求。軸承的健康狀態(tài)直接影響包裝機(jī)設(shè)備的工作和運(yùn)行狀態(tài)。因此，建立一種特征提取能力強(qiáng)、泛化性能優(yōu)異的軸承故障診斷模型是當(dāng)前的研究熱點(diǎn)[1]。

目前，振動(dòng)分析是一種有效的軸承故障診斷方法，其主要包含故障信號(hào)的特征提取和分類(lèi)[2]。傳統(tǒng)的特征提取方法，如信號(hào)處理已被廣泛應(yīng)用，其結(jié)合深度學(xué)習(xí)可以得到較高的診斷準(zhǔn)確率。孫佳韻等[3]提出了經(jīng)驗(yàn)?zāi)B(tài)分解算法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的軸承故障診斷方法，提高了模型對(duì)故障特征的學(xué)習(xí)能力。但是，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)模型需要更多的訓(xùn)練參數(shù)和時(shí)間，其分類(lèi)層的分類(lèi)效果與機(jī)器學(xué)習(xí)算法的分類(lèi)效果相比，仍有一定的差距。

針對(duì)上述問(wèn)題，本文提出了一種融合深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）和麻雀搜索算法的優(yōu)化后的ELM 分類(lèi)模型，將其加入包裝機(jī)軸承故障診斷模型中。該模型既充分利用了深度學(xué)習(xí)優(yōu)秀的特征提取能力，又結(jié)合了ELM高效的分類(lèi)能力，并引入SSA對(duì)ELM的參數(shù)進(jìn)行尋優(yōu)，提升了模型在強(qiáng)噪聲干擾下的故障診斷能力。

1 軸承故障診斷方案（Bearing fault diagnosisscheme）

振動(dòng)分析應(yīng)用在包裝機(jī)的軸承故障診斷中，存在兩個(gè)關(guān)鍵問(wèn)題需要解決。首先，考慮到包裝機(jī)的工作環(huán)境及軸承的安裝位置，傳感器采集的振動(dòng)信號(hào)常常受到噪聲的干擾?，F(xiàn)有的一些方法必須依據(jù)先驗(yàn)的專(zhuān)業(yè)知識(shí)進(jìn)行一系列復(fù)雜的計(jì)算，包括濾波、噪聲抑制等，才能對(duì)軸承故障進(jìn)行診斷，例如常用的包絡(luò)調(diào)節(jié)法、模態(tài)分解法等，雖然它們可以捕捉許多軸承故障的特征頻率，但是有些特定故障模式可能在振動(dòng)信號(hào)中表現(xiàn)不明顯，特征頻率可能會(huì)受到其他頻率成分的掩蓋，導(dǎo)致故障特征難以準(zhǔn)確提取。因此，亟須研發(fā)一種有效的方法用來(lái)在強(qiáng)噪聲場(chǎng)景下準(zhǔn)確且快速地提取出軸承故障所固有的特征。此外，鑒于包裝機(jī)軸承故障信號(hào)的稀缺性，如何僅依靠少量的故障信號(hào)實(shí)現(xiàn)精準(zhǔn)的故障診斷，成為另一個(gè)亟須解決的問(wèn)題。

為了減少因?yàn)樵O(shè)備故障帶來(lái)的損失，及時(shí)發(fā)現(xiàn)包裝機(jī)的故障，本文采用了一種云邊協(xié)同的包裝機(jī)軸承故障診斷方案，其流程如圖1所示。首先，邊緣主機(jī)通過(guò)傳感器收集包裝機(jī)的軸承振動(dòng)信號(hào)，將其上傳至云端服務(wù)器。其次，采用人工方式依據(jù)包裝機(jī)的實(shí)際情況二次確定故障標(biāo)簽，輸入模型進(jìn)行訓(xùn)練。最后，將訓(xùn)練好的模型移植到邊緣主機(jī)進(jìn)行包裝機(jī)軸承的狀態(tài)識(shí)別，并在必要時(shí)進(jìn)行控制。此方案通過(guò)公開(kāi)數(shù)據(jù)集訓(xùn)練的模型配合包裝機(jī)軸承數(shù)據(jù)進(jìn)行遷移訓(xùn)練，可在前期解決包裝機(jī)軸承故障信息稀缺的問(wèn)題，并且隨著故障樣本的增多，模型的準(zhǔn)確率也會(huì)隨之提高。

同時(shí)，本文提出了DCNN-SSA-ELM 模型。其中，深度學(xué)習(xí)用于消除傳統(tǒng)方法中手動(dòng)提取特征的需求，降低了人工干預(yù)的成本，并且可以捕捉更加深層的故障特征，能夠適應(yīng)多種類(lèi)型的數(shù)據(jù)[4]。ELM的訓(xùn)練速度非常快，盡管訓(xùn)練過(guò)程使用了隨機(jī)權(quán)重，但是仍具有較強(qiáng)的泛化能力，相比于其他算法模型，同樣降低了人工干預(yù)的成本。雖然ELM 的泛化性較好，但是其結(jié)果通常不是最優(yōu)的，這也是隨機(jī)確定權(quán)重的一個(gè)缺點(diǎn)。通過(guò)SSA尋找ELM權(quán)重參數(shù)的最優(yōu)解，可以最大限度地提升模型的故障診斷能力。SSA采用種群分組、種群遷移和個(gè)體采樣等策略，使算法具有較強(qiáng)的多樣性和全局搜索能力，并且具有較高的收斂速度和精度，能夠在較短的時(shí)間內(nèi)找到較優(yōu)解。

2 算法介紹（Algorithm introduction）

2.1 深度卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）[5]是深度學(xué)習(xí)中的典型算法，具備卷積運(yùn)算和深度結(jié)構(gòu)。CNN主要由輸入層、卷積層、池化層、全連接層和輸出層組成。模型流程涵蓋卷積層、池化層等的處理，并通過(guò)分類(lèi)器進(jìn)行結(jié)果識(shí)別分類(lèi)。在訓(xùn)練過(guò)程中，CNN根據(jù)訓(xùn)練樣本進(jìn)行權(quán)重優(yōu)化，運(yùn)用反向傳播和梯度下降法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法相同。

經(jīng)典的深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）包括視覺(jué)幾何組（VGG）[6]和殘差網(wǎng)絡(luò)（ResNet）[7]等。VGG基于CNN進(jìn)行優(yōu)化，模型在圖像分類(lèi)領(lǐng)域廣泛應(yīng)用，其采用深層網(wǎng)絡(luò)結(jié)構(gòu)和小卷積核、池化域，既保證了感受視野，又減少了參數(shù)量。通過(guò)交替的多個(gè)卷積層與非線性激活層，能夠更好地提取深層特征。ResNet基于VGG模型進(jìn)行改進(jìn)，引入殘差單元以解決深層網(wǎng)絡(luò)引發(fā)的退化問(wèn)題，使網(wǎng)絡(luò)能夠更深入地學(xué)習(xí)特征。

2.2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（ELM）[8]是一種廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)速度快，它的結(jié)構(gòu)分為輸入層、隱藏層和輸出層，如圖2所示。極限學(xué)習(xí)機(jī)中的輸入權(quán)重w 與偏置b 是隨機(jī)確定的，且隱藏層和輸出層之間的連接權(quán)重不需要迭代調(diào)整，而是直接輸出結(jié)果。因此，極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度很快，而且具有良好的泛化能力。

2.3 麻雀搜索算法

麻雀搜索算法（SSA）是根據(jù)麻雀的覓食行為而提出的群智能優(yōu)化算法[9]，麻雀被分為3類(lèi)：發(fā)現(xiàn)者、跟隨者和警戒者。

在D 維解空間內(nèi)，每只麻雀的位置X 和適應(yīng)度f(wàn) 如公式（1）和公式（2）所示：

X=（x1，x2，…，xD ） （1）

fi=f（x1，x2，…，xD ） （2）

每代發(fā)現(xiàn)者的位置更新公式如公式（3）所示，若確定周?chē)踩瑒t進(jìn)行廣泛搜索，若發(fā)現(xiàn)危險(xiǎn)，則迅速遠(yuǎn)離。

其中：Xti+，j1 表示種群中第t代中第i個(gè)個(gè)體的第j維的位置。

itermax 表示最大迭代次數(shù)。a 是0～1的隨機(jī)數(shù)。R2 和ST 分別是預(yù)警值和安全值。隨機(jī)變量Q 服從正態(tài)分布。L 表示1×d 的矩陣，其中每個(gè)元素都為1。

跟隨者會(huì)觀察發(fā)現(xiàn)者的位置，其位置更新描述如公式（4）所示：

其中：XtP+1 是目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)值，Xworst則表示當(dāng)前全局最差值。矩陣A 的大小和L 一樣，但其中的元素隨機(jī)賦值為1或-1，A+ 如公式（5）所示：

A+ =AT（AAT）-1 （5）

還有占一定比例的麻雀用于偵察預(yù)警，如公式（6）所示：

其中：Xbest 是當(dāng)前的全局最優(yōu)值，β 是均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)，K 是-1～1的一個(gè)隨機(jī)數(shù)，fi 是當(dāng)前適應(yīng)度值。fg 和fw 分別是當(dāng)前全局最佳和當(dāng)前全局最差的適應(yīng)度值，ε 為常數(shù)。

2.4 連續(xù)小波變換

CWT[10]是WT的一種，在使用CWT做時(shí)頻分析時(shí)，可以在時(shí)間分辨率和頻率分辨率之間取得很好的平衡。因此，本文采用CWT將原始時(shí)域信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像，其數(shù)學(xué)表達(dá)式如公式（7）所示：

其中：α 和β 分別表示比例因子和平移參數(shù)，x（t）為原始時(shí)域信號(hào)，φ 為小波函數(shù)，*為復(fù)共軛算子。

2.5 改進(jìn)的DCNN-SSA-ELM 故障診斷流程

首先，利用CWT將軸承的原始振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像。

其 次，輸入圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，保存訓(xùn)練好的模型的參數(shù)，使用ELM 替代深度卷積神經(jīng)網(wǎng)絡(luò)模型的全連接層，對(duì)軸承故障進(jìn)行分類(lèi)。圖3是CNN-ELM模型結(jié)構(gòu)示意圖，圖中CNN為特征提取器，ELM為分類(lèi)器。

最后，通過(guò)引入SSA優(yōu)化算法對(duì)ELM的權(quán)值w 和偏置b進(jìn)行尋優(yōu)，使得ELM的分類(lèi)效果達(dá)到最優(yōu)且穩(wěn)定。

3 試驗(yàn)驗(yàn)證（Experimental verification）

為了驗(yàn)證所提方法的有效性，本小節(jié)研究了兩個(gè)實(shí)例，分別使用CWRU（Case Western Reserve University）軸承數(shù)據(jù)集[11]和帕德博恩大學(xué)軸承數(shù)據(jù)集[12]。所有試驗(yàn)?zāi)Ｐ投际峭ㄟ^(guò)Python 3.8和Pytorch實(shí)現(xiàn)的，在Ubuntu 18.04上運(yùn)行，使用3090 24 GB的GPU。

3.1 基于CWRU軸承數(shù)據(jù)集的試驗(yàn)驗(yàn)證

3.1.1 數(shù)據(jù)集描述

數(shù)據(jù)由軸承在4種不同負(fù)載下（0 hp、1 hp、2 hp、3 hp）運(yùn)行的數(shù)據(jù)組成。采樣頻率為12 kHz。該數(shù)據(jù)集中的軸承故障類(lèi)別分別為內(nèi)圈缺陷、滾動(dòng)體缺陷和外圈缺陷，其中每種故障又有3種不同的直徑（7 mil、14 mil、21 mil）。因此，CWRU軸承數(shù)據(jù)集的標(biāo)簽有10個(gè)類(lèi)，其中包括9個(gè)故障類(lèi)和1個(gè)正常類(lèi)。對(duì)于不同軸承故障類(lèi)的每種故障直徑，在不變換數(shù)據(jù)的情況下，分別從每個(gè)負(fù)載中選取30 720個(gè)采樣點(diǎn)，分為30個(gè)樣本，即一種故障類(lèi)別有120個(gè)樣本，并將其按照4∶1的比例分為訓(xùn)練集和測(cè)試集。CWRU軸承數(shù)據(jù)集分類(lèi)如表1所示。利用CWT將一維的軸承振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像，每張圖的大小為64×64，以此作為模型的輸入。

3.1.2 模型試驗(yàn)

在深度卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練中，使用了3種不同的模型結(jié)構(gòu)（CNN、ResNet18、VGG16）。為了提高模型的特征提取能力，首先對(duì)模型進(jìn)行訓(xùn)練，其中VGG16的模型批處理大小設(shè)置為80，學(xué)習(xí)率設(shè)置為0.01，迭代20次。CNN 和ResNet18批處理大小設(shè)置為40，學(xué)習(xí)率設(shè)置為0.01，迭代40次。將訓(xùn)練好的模型的全連接層及之后的網(wǎng)絡(luò)層替換為ELM 和SVM進(jìn)行訓(xùn)練，其中ELM的隱藏層節(jié)點(diǎn)數(shù)設(shè)置為3 000，SVM核函數(shù)選取RBF核函數(shù)，懲罰參數(shù)設(shè)置為1。所有試驗(yàn)在相同條件下重復(fù)10次，以最后的平均準(zhǔn)確率作為評(píng)價(jià)指標(biāo)。在訓(xùn)練完成之后，將每個(gè)DCNN模型全連接層之前提取的特征進(jìn)行歸一化，并利用t分布隨機(jī)鄰近插入（T-SNE）[13]對(duì)提取的特征可視化，各個(gè)模型的聚類(lèi)效果如圖4所示。

從圖4中可以看出，CNN在一些故障類(lèi)型中的聚類(lèi)并不明顯，在此模型的基礎(chǔ)上改進(jìn)的VGG16和ResNet18則具有了明顯的聚類(lèi)效果。采用VGG16和ResNet18提取特征，不同故障類(lèi)型相互遠(yuǎn)離，同一種類(lèi)型也不分散。由此可見(jiàn)，利用DCNN作為特征提取器是完全可行的。3種不同的深度學(xué)習(xí)模型以及融合ELM 和SVM 之后的模型的故障診斷結(jié)果如表2所示。

從表2中的數(shù)據(jù)可以看出，無(wú)論選擇哪種DCNN模型結(jié)構(gòu)，在替換了ELM之后，與原本的Softmax分類(lèi)器相比，最高準(zhǔn)確率都得到了提升。此結(jié)果證明了將ELM作為故障分類(lèi)器是具有優(yōu)勢(shì)的。其中，當(dāng)VGG16作為ELM 特征提取器后，最高準(zhǔn)確率從原來(lái)的99.17%提升到99.58%，并且結(jié)合ELM 的模型故障診斷準(zhǔn)確率均高于替換成SVM 的模型，也證明了ELM在分類(lèi)問(wèn)題上具有優(yōu)越性。

模型的穩(wěn)定性也是考量模型性能的重要指標(biāo)。從表2中的數(shù)據(jù)可以看出模型結(jié)合ELM的最大準(zhǔn)確率和最小準(zhǔn)確率的差值比模型結(jié)合其余兩個(gè)分類(lèi)器的差值更大，這也證明了前文中提到的ELM輸出不穩(wěn)定的問(wèn)題。

為了使ELM的輸出穩(wěn)定，需要使ELM 隨機(jī)確定的權(quán)值和偏差更確定，又要確保確定的參數(shù)使ELM的分類(lèi)效果最優(yōu)。于是，本文在原有模型中加入麻雀搜索算法，利用SSA對(duì)ELM的參數(shù)進(jìn)行優(yōu)化。其中，麻雀數(shù)量設(shè)為20只，發(fā)現(xiàn)者比例為80%，預(yù)警值為0.7，意識(shí)到危險(xiǎn)的麻雀占20%。每次試驗(yàn)迭代20次，重復(fù)10次試驗(yàn)，試驗(yàn)結(jié)果如表3所示。從表3中的數(shù)據(jù)可以看出，引入SSA之后，模型的準(zhǔn)確率得到了提升，并且模型診斷效果變得穩(wěn)定，其中基于VGG16和ResNet18的模型準(zhǔn)確率都達(dá)到了100%。

為了模擬包裝機(jī)軸承實(shí)際運(yùn)行時(shí)存在的各種噪聲干擾，并驗(yàn)證強(qiáng)噪聲環(huán)境下本文所提方法的有效性，試驗(yàn)設(shè)置了4種噪聲等級(jí)，向原始振動(dòng)信號(hào)中添加均值為0的具有不同標(biāo)準(zhǔn)差的高斯白噪聲。噪聲等級(jí)設(shè)置如表4所示。

根據(jù)之前的試驗(yàn)，可以得出VGG16-SSA-ELM 的診斷綜合效果最好，為了驗(yàn)證不同噪聲等級(jí)下該模型的診斷效果，選取其他模型進(jìn)行對(duì)比，其中LeNet的模型參數(shù)與前文CNN的參數(shù)相同，每個(gè)模型均取最優(yōu)準(zhǔn)確率，試驗(yàn)結(jié)果如表5所示。

從表5中的數(shù)據(jù)可以看出，隨著噪聲等級(jí)的增加，VGG16-SSA-ELM診斷能力表現(xiàn)優(yōu)秀，平均診斷準(zhǔn)確率高于改進(jìn)前的VGG16-ELM模型1.33百分點(diǎn)，高于VGG16模型1.58百分點(diǎn)。與其他深度神經(jīng)網(wǎng)絡(luò)及傳統(tǒng)模型相比，也有2.91百分點(diǎn)～4.16百分點(diǎn)的提升。驗(yàn)證了改進(jìn)的VGG16-SSA-ELM 在提升強(qiáng)噪聲場(chǎng)景下的故障診斷準(zhǔn)確率上的成效。

3.2 基于帕德博恩大學(xué)軸承數(shù)據(jù)集的試驗(yàn)

3.2.1 數(shù)據(jù)集介紹

為了評(píng)估本文所提方法的遷移能力，采用帕德博恩大學(xué)軸承數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。帕德博恩大學(xué)軸承數(shù)據(jù)集是從6203軸承上采集的，采樣頻率為64 kHz。本文選取了其中的正常和真實(shí)的損傷軸承振動(dòng)數(shù)據(jù)，分為3種健康狀態(tài)（正常、外圈損壞、內(nèi)圈損壞）。與CWRU數(shù)據(jù)集處理方法相同，從數(shù)據(jù)集中的不同軸承狀態(tài)中采集樣本，每個(gè)樣本包含1 024個(gè)采樣點(diǎn)，每個(gè)故障類(lèi)別共有100個(gè)樣本，并將其按照1∶4的比例分為訓(xùn)練集和測(cè)試集（表6）。利用CWT將這些樣本轉(zhuǎn)換為二維時(shí)頻圖像，每張圖的大小為64×64。

3.2.2 試驗(yàn)驗(yàn)證

本次試驗(yàn)的DCNN模型沿用CWRU數(shù)據(jù)集所訓(xùn)練的模型，用來(lái)提取軸承的故障特征。ELM的模型結(jié)構(gòu)不變，SSA搜索算法的參數(shù)設(shè)置不變，試驗(yàn)步驟相同，各個(gè)模型的故障診斷準(zhǔn)確率如表7所示。從表7中的數(shù)據(jù)可以看到，訓(xùn)練完成之后，CNN-ELM的平均準(zhǔn)確率達(dá)到了88.17%，ResNet18-ELM的平均準(zhǔn)確率達(dá)到了92.33%，VGG16-ELM 的平均準(zhǔn)確率達(dá)到了94.67%。加入優(yōu)化算法SSA后，模型的診斷能力得到了提升，平均準(zhǔn)確率提高了4.50百分點(diǎn)～6.83百分點(diǎn)。再次證明了SSA對(duì)DCNN-ELM模型是具有優(yōu)化效果的。圖5中顯示的是DCNN-ELM加入SSA算法前后最好的診斷效果的混淆矩陣圖，從圖中可以明顯看出，SSA對(duì)故障分類(lèi)的提升效果。通過(guò)分析試驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)，將CWRU數(shù)據(jù)集訓(xùn)練的DCNN模型與ELM結(jié)合后，在帕德博恩大學(xué)軸承數(shù)據(jù)集上也有較高的故障診斷準(zhǔn)確率，這也證明了所提模型具有較強(qiáng)的遷移能力。

為了驗(yàn)證遷移模型在噪聲影響下的診斷優(yōu)勢(shì)，對(duì)帕德博恩大學(xué)軸承數(shù)據(jù)集添加同樣等級(jí)的高斯白噪聲，并對(duì)VGG16-SSA-ELM與其改進(jìn)前的模型進(jìn)行對(duì)比試驗(yàn)。由于CWRU數(shù)據(jù)集訓(xùn)練的模型最后的全連接層輸出結(jié)果是10，若直接用于帕德博恩大學(xué)軸承數(shù)據(jù)集的故障診斷，則達(dá)不到理想的診斷效果。因此，需要將VGG16模型最后的全連接層輸出結(jié)果改為3，并且凍結(jié)全連接層之前的所有層，對(duì)全連接層進(jìn)行重新訓(xùn)練，訓(xùn)練時(shí)VGG16模型的批處理數(shù)改為20，迭代次數(shù)改為40次，其余參數(shù)不變。試驗(yàn)結(jié)果如表8所示。

從表8中可明顯看到，盡管VGG16-ELM 模型中的ELM模型在訓(xùn)練期間采用隨機(jī)權(quán)重，然而在各種噪聲水平下，其準(zhǔn)確率均達(dá)到了97%以上，平均準(zhǔn)確率也達(dá)到了98%。這也證明了ELM 模型在泛化方面的強(qiáng)大能力。而且，VGG16-ELM模型的平均準(zhǔn)確率比VGG模型的平均準(zhǔn)確率提升了0.92百分點(diǎn)。在經(jīng)過(guò)SSA優(yōu)化后，故障診斷的準(zhǔn)確率達(dá)到了98.92%。與Softmax層的訓(xùn)練不同，ELM 僅需計(jì)算隨機(jī)生成的權(quán)重和偏置，不需要進(jìn)行諸如反向傳播等迭代過(guò)程，這使得ELM更加適用于模型遷移，有助于降低網(wǎng)絡(luò)復(fù)雜度并縮短訓(xùn)練時(shí)間。值得強(qiáng)調(diào)的是，使用的訓(xùn)練數(shù)據(jù)是基于少樣本原則，如果能夠獲得更多的故障數(shù)據(jù)，模型準(zhǔn)確率也將相應(yīng)提升。

4 結(jié)論（Conclusion）

本文設(shè)計(jì)了一個(gè)云邊協(xié)同的包裝機(jī)軸承的故障診斷方案，并指出方案中軸承故障診斷存在噪聲干擾以及樣本稀缺的問(wèn)題。針對(duì)這些問(wèn)題本文提出了DCNN-SSA-ELM 故障診斷模型，在CWRU數(shù)據(jù)集和帕德博恩大學(xué)軸承數(shù)據(jù)集上進(jìn)行了多次對(duì)比試驗(yàn)，得到以下結(jié)論。

（1）本文建立DCNN-ELM 模型，對(duì)振動(dòng)信號(hào)進(jìn)行連續(xù)小波變換，將一維的軸承振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像并輸入模型訓(xùn)練。在相同數(shù)據(jù)集的情況下進(jìn)行試驗(yàn)對(duì)比，結(jié)果表明VGG16與ResNet18能夠更好地提取軸承的故障信息，并且在融合了ELM之后，模型的最高準(zhǔn)確率得到了進(jìn)一步的提升。

（2）本文又采用SSA對(duì)ELM進(jìn)行參數(shù)尋優(yōu)，在DCNN模型參數(shù)不變的情況下進(jìn)行不同強(qiáng)度的噪聲條件下的對(duì)比試驗(yàn)，結(jié)果表明SSA-ELM的分類(lèi)性能更佳且十分穩(wěn)定。將在CWRU數(shù)據(jù)集上訓(xùn)練的DCNN模型的參數(shù)保留，融合SSA-ELM 后在帕德博恩大學(xué)軸承數(shù)據(jù)集進(jìn)行故障診斷對(duì)比試驗(yàn)，結(jié)果表明DCNN-SSA-ELM的泛化性能優(yōu)于未優(yōu)化的ELM分類(lèi)模型且其抗噪聲干擾的能力更強(qiáng)。本文所提方法能夠有效識(shí)別軸承故障，對(duì)包裝機(jī)的故障維修與預(yù)防具有一定的實(shí)用價(jià)值。

參考文獻(xiàn)（References）

[1] 郗濤，葛增元，王莉靜. 基于參數(shù)優(yōu)化的VMD與DBN的滾動(dòng)軸承故障診斷[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)，2022（12）：57-61.

[2] 瞿紅春，周大鵬，賈柏誼，等. 基于全矢包絡(luò)融合雙層降噪處理的軸承故障特征提取[J]. 噪聲與振動(dòng)控制，2023，43（1）：135-140，184.

[3] 孫佳韻，戰(zhàn)衛(wèi)俠，孫顯彬，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的端到端低速重載軸承故障診斷方法[J]. 制造業(yè)自動(dòng)化，2023，45（12）：194-198.

[4] 李彥夫，韓特. 基于深度學(xué)習(xí)的工業(yè)裝備PHM研究綜述[J].振動(dòng)、測(cè)試與診斷，2022，42（5）：835-847，1029.

[5] 盧緒祥，劉順順，陳向民，等. 基于聲發(fā)射及WST-CNN協(xié)同的滑動(dòng)軸承潤(rùn)滑狀態(tài)識(shí)別[J]. 振動(dòng)與沖擊，2023，42（22）：71-77，229.

[6] 王玉靜，夏林，康守強(qiáng)，等. 基于多源域異構(gòu)模型遷移的滾動(dòng)軸承故障診斷方法[J]. 振動(dòng)與沖擊，2023，42（24）：257-266.

[7] 謝澤文，陳裕成，柴琴琴，等. 改進(jìn)殘差網(wǎng)絡(luò)的逆變器開(kāi)路電路故障診斷[J]. 福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，52（1）：45-52.

[8] 蘭朝鳳，宋博文，郭小霞. 基于改進(jìn)極限學(xué)習(xí)機(jī)的水輪機(jī)運(yùn)轉(zhuǎn)狀態(tài)識(shí)別[J]. 振動(dòng)與沖擊，2023，42（1）：132-138.

[9] XU J，YAN H Z，DING Q，et al. Sparrow search algorithm appliedto temperature control in PEM fuel cell systems[J].International journal of hydrogen energy，2022，47（94）：39973-39986.

[10] 陳代俊，陳里里，董紹江. 基于VMD-CWT-CNN的滾動(dòng)軸承故障診斷[J]. 機(jī)械強(qiáng)度，2023，45（6）：1280-1285.

[11] 劉杰，李長(zhǎng)杰，趙昕，等. 基于多特征融合與GSA-SVM的滾動(dòng)軸承故障診斷[J]. 傳感技術(shù)學(xué)報(bào)，2023，36（10）：1607-1614.

[12] 張英杰，張彩華，陸碧良，等. 基于類(lèi)別域自適應(yīng)的滾動(dòng)軸承故障診斷[J]. 振動(dòng)與沖擊，2023，42（24）：117-126.

[13] 鄭惠萍，王卓，彭立強(qiáng)，等. 基于改進(jìn)CEEMDAN和t-SNE的故障特征提取方法[J]. 機(jī)床與液壓，2023，51（19）：216-222.

作者簡(jiǎn)介：

汝 欣（1989-），女，博士，講師。研究領(lǐng)域：智能紡織裝備技術(shù)，紡織CAD。

孟金鑫（1998-），男，碩士生。研究領(lǐng)域：智能制造與車(chē)間信息化技術(shù)。

李建強(qiáng)（1990-），男，博士生。研究領(lǐng)域：智能算法，智能制造與車(chē)間信息化技術(shù)。

彭來(lái)湖（1980-），男，博士，副教授。研究領(lǐng)域：智能制造與車(chē)間信息化技術(shù)，智能裝備與嵌入式控制技術(shù)。

基金項(xiàng)目：浙江省科技計(jì)劃項(xiàng)目（2022C01065）