中圖分類號 TQ051.21 文獻標志碼A 文章編號 0254-6094（2025）03-0455-08

往復壓縮機是用于壓縮和輸送氣體的機械設備，其種類多，用途廣，素有通用機械之稱[1]。尤其在對高壓介質(zhì)需求廣泛的石油化工生產(chǎn)工藝中，多級往復壓縮機優(yōu)越性突出，承擔著重要的生產(chǎn)任務[2]。然而，往復壓縮機結構復雜，激勵源眾多，故障發(fā)生率較高[3]。軸承作為其傳動系統(tǒng)的重要組成部件，長時間處于高速、重載、高溫、腐蝕的復雜惡劣工作環(huán)境中[4]，是往復壓縮機中故障率較高的關鍵零部件之一。一旦發(fā)生故障，將影響往復壓縮機的正常運行，甚至可能造成較大的事故和經(jīng)濟損失[5.6]。因此，有必要對往復壓縮機軸承進行狀態(tài)監(jiān)測與故障診斷，提前發(fā)現(xiàn)異常并進行調(diào)整，從而預防事故發(fā)生[7-9]。

隨著大數(shù)據(jù)時代的到來，以數(shù)據(jù)驅(qū)動為基礎的深度學習[10]，在圖像處理[11]和故障診斷[12，13]領域展現(xiàn)出了獨特的優(yōu)勢。它能夠利用深層結構，挖掘原始信號中隱藏的復雜關系，提高故障識別率。2017年，HUANGG等提出了密集連接網(wǎng)絡（DenseNet），設計了全新卷積網(wǎng)絡結構[14]，通過特征復用減少了訓練參數(shù)，提高了模型收斂速度。然而，該網(wǎng)絡在針對往復壓縮機進行軸承間隙故障診斷時存在以下問題：

a.時序特征提取不充分；

b.復雜工況下魯棒性差；

c.存在梯度爆炸的問題。

這些問題將導致軸承間隙故障診斷準確率下降，使得該網(wǎng)絡不能較好地適應對往復壓縮機軸承間隙故障的診斷。

為此，筆者構建了一個ViT-Dense-GRU模型，該模型內(nèi)部主要分為兩個并行模塊，一個是嵌套視覺變換器（VisionTransformer，ViT）的密集連接網(wǎng)絡（DenseNetwork，DenseNet）模塊，通過引入注意力機制，增加重要特征權重，抑制冗余特征權重，提高訓練效率，以便進行軸承振動信號特征的準確提?。涣硪粋€是門控循環(huán)單元（GatedRe-currentUnit，GRU）網(wǎng)絡模塊，通過門控機制，減少特征信息的丟失，實現(xiàn)時序特征的準確提取。最后，將兩部分特征進行融合，并輸入分類層中進行分類，以實現(xiàn)軸承間隙故障的準確診斷。

1智能網(wǎng)絡理論

1.1密集連接網(wǎng)絡

DenseNet是一種新型的卷積網(wǎng)絡結構，其主體由密集塊與過渡層兩部分組成。密集塊的輸出X_i 可表示為：

X_t=H_L[（X₁，X₂，X₃，…，X_L-1）]

其中， L 為網(wǎng)絡層數(shù)； H_ΔL 為非線性轉(zhuǎn)換函數(shù)，由批量歸一化層、激活函數(shù)和卷積層組成； X_L-1 為密集塊中第L-1層的輸出。

DenseNet具有全新的密集連接機制，在層與層之間加強了特征傳播，強調(diào)特征復用，減少了網(wǎng)絡參數(shù)量，縮短了模型收斂時間。然而，采用單一DenseNet進行軸承間隙故障診斷時，會出現(xiàn)時序特征提取不充分、復雜工況下魯棒性差及梯度爆炸等問題，極大地限制了DenseNet模型的實用性和泛化能力。

1.2 視覺Transformer網(wǎng)絡

ViT是一種基于注意力機制的網(wǎng)絡，通過將注意力聚焦到對象特征的不同位置，從而提升網(wǎng)絡的特征提取能力。相比其他注意力機制網(wǎng)絡，ViT因其較強的計算能力、較低的內(nèi)存占用和較少的訓練參數(shù)，被廣泛應用于視覺識別和圖像特征分類任務。該網(wǎng)絡通常有僅有編碼器、僅有解碼器和編碼器加解碼器3類。文中所提模型僅使用編碼器結構來進行特征提取和分類。

ViT編碼器結構示意圖如圖1所示。

ViT編碼器由多個相同的Transformer模塊堆疊組成，主要包含多頭自注意力層與前饋神經(jīng)網(wǎng)絡層（MLP）兩個子層。通過添加殘差連接和歸一化層，在網(wǎng)絡內(nèi)部將子層連接起來，從而增加網(wǎng)絡深度，提高模型精度。每個子層的輸出o表達式為：

其中， S（x） 為每個子層中的多頭自注意力函數(shù)和MLP函數(shù);LayerNorm為歸一化函數(shù)

自注意力機制是ViT網(wǎng)絡能夠有效提取全局特征信息的重要特性，分為單頭和多頭自注意力機制。注意力機制函數(shù)如下：

其中，attention為注意力機制函數(shù)；softmax為歸一化函數(shù)； Q，K，V 分別為查詢向量、鍵向量、值向量； d 為 Q，K 、V的維數(shù)。

由于單頭自注意力機制只能學習單一表征空間特性，會導致對當前位置信息的過度關注，影響全局信息的獲取，因此筆者采用多頭自注意力機制，對不同子空間的特征進行全面提取。多頭自注意力機制的計算式如下：

M（Q，K，V）=concat（H₁，H₂，…，H_h）=W^o

H_i=attention（Q_i，K_i，V_i），i=1，2，…，h

其中， concat 為拼接計算； H_i 為第 i 個注意力頭； W^o 為線性變換矩陣； h 為多頭注意力機制中的頭數(shù)。

前饋神經(jīng)網(wǎng)絡層包括全連接層、GELU激活函數(shù)和隨機失活層。在ViT中，GELU函數(shù)主要用于前饋層激活，計算式如下：

其中， erf 為高斯誤差函數(shù)。

ViT增強了模型的計算能力，并且內(nèi)存消耗和訓練參數(shù)較少。在本模型中，主要應用的是基于多頭自注意力機制的ViT編碼器模塊。利用該模塊，可以快速捕捉時序信號的全局敏感特征，極大地提高了訓練效率。

1.3門控循環(huán)單元

GRU是一種特殊的循環(huán)神經(jīng)網(wǎng)絡，它來源于長短期記憶網(wǎng)絡（LongShort-TermMemory，LSTM）。GRU與LSTM的相同點是，二者都通過引入門控機制捕捉輸入數(shù)據(jù)中的時序信息，從而更好地應對時間序列數(shù)據(jù)的特征提取任務；二者的區(qū)別在于，GRU將LSTM的輸入門與遺忘門合并為更新門，結構更加緊湊且簡潔。GRU結構簡圖如圖2所示。

圖2中 ，x_t?h_t-1 為GRU的輸入 ，y_t，h_t 為GRU的輸出。GRU包含兩個門：重置門與更新門。重置門通過控制當前輸入以及前一時刻隱藏狀態(tài)，對候選隱藏狀態(tài)的影響量進行調(diào)控；更新門通過控制新輸入以及上一時刻隱藏狀態(tài)，來確定是否更新到候選隱藏狀態(tài)。相關計算式如下：

z_t^j=σ_g（W_zx_t+U_zh_t-1）^j

h_t^j=（1-z_t^j）h_t-1^j+z_t^j-h_t

其中， 為更新門； σ_gσ_h 為sigmoid激活函數(shù)、Tanh激活函數(shù)； h_t-1 為上一時刻隱藏狀態(tài)； W_z?U_z 為更新門權重矩陣； W_r?U， 為重置門權重矩陣； ?_ht 為當前隱藏狀態(tài)； 為更新后隱藏狀態(tài)； W，U 為權重矩陣； r_t^j 為重置門；上角j為隱藏狀態(tài)的維度。

GRU通過門控機制能夠在大量訓練數(shù)據(jù)中保證準確率，加快運算速度，充分提取序列數(shù)據(jù)間的時間特性。與LSTM網(wǎng)絡相比，在有效解決標準循環(huán)神經(jīng)網(wǎng)絡的梯度消失和梯度爆炸問題的同時，具有更加簡練緊湊的結構，在融合網(wǎng)絡中具有更好的適用性。

2 ViT-Dense-GRU模型構建

針對單一DenseNet在面對往復壓縮機復雜工況時，出現(xiàn)識別率低、時序特征提取不充分、魯棒性差，從而導致軸承間隙故障特征提取不充分的問題，筆者提出并構建了ViT-Dense-GRU網(wǎng)絡模型（圖3）。

具體的往復壓縮機軸承間隙故障診斷流程如下：

a.通過數(shù)據(jù)預處理將振動信號轉(zhuǎn)換成時頻圖，形成特征向量并劃分為訓練集與驗證集，并將訓練集作為網(wǎng)絡的輸入。

b.訓練集先經(jīng)卷積池化操作，初步提取圖像特征。

c.初步提取的圖像特征按兩條路徑進行處理，第1條路徑，將圖像輸入3個嵌套注意力機制的ViT-DenseNet模塊中，利用結合注意力機制與密集連接機制的強大特征提取能力，增加重要特征的權重，進行軸承振動信號特征提取；第2條路徑，將圖像輸入3個串聯(lián)的GRU網(wǎng)絡模塊中，通過門控機制進行時序特征提取，減少特征信息的丟失。

d.將提取的軸承振動信號特征與時序特征組合成新的向量，輸入網(wǎng)絡完成時序-振動信號特征融合，并將融合特征輸入softmax分類層。

e.當模型的訓練輪次達到要求時，停止訓練，并輸出分類結果，完成故障診斷。

3 試驗及結果分析

3.1 數(shù)據(jù)集

以某天然氣公司的2D12型天然氣壓縮機為研究對象，開展多項模擬故障試驗，構建往復壓縮機模擬故障數(shù)據(jù)集。利用該數(shù)據(jù)集對文中所提軸承間隙故障診斷模型進行驗證。選用的數(shù)據(jù)為十字頭下端測點振動傳感器采集的信號，采樣頻率為 30kHz 。共選用4種工況的數(shù)據(jù)：健康狀態(tài)，二級氣缸連桿大頭軸承間隙大，二級氣缸連桿小頭軸承間隙大，二級十字頭間隙大。在健康狀態(tài)中，二級連桿大頭軸瓦間隙為 0.12～0.22mm ，二級連桿小頭軸瓦間隙為 0.06～0.12mm ，二級十字頭間隙為 0.25～0.39mm 將4種工況的數(shù)據(jù)按照每4096個點截斷為一個樣本的原則，打好標簽并進行標準化處理。選取的具體數(shù)據(jù)見表1。利用連續(xù)小波變換，將數(shù)據(jù)集的振動信號轉(zhuǎn)換成時頻圖形成特征向量并按照3：1的比例將其切分成訓練集與驗證集。最后，將時頻圖統(tǒng)一調(diào)整尺寸，并進行歸一化處理，對特征標簽進行one-hot編碼，用于后續(xù)的故障分類試驗。以二級大頭軸承間隙大數(shù)據(jù)為例，其兩個周期的振動信號時域圖、頻域圖以及連續(xù)小波變換處理后得到的時頻圖如圖4所示。

3.2 診斷結果與分析

經(jīng)過數(shù)據(jù)預處理后，從生成的時頻圖中選取1600張作為樣本，其中訓練集1200張，驗證集400張。將訓練集輸入到構建好的ViT-Dens-GRU網(wǎng)絡中進行模型訓練，然后使用訓練好的模型對驗證集開展故障分類性能測試。采用Adam優(yōu)化算法，批量設置為6，初始學習率設置為0.001，訓練輪次設置為50。

訓練過程中，模型在訓練集和驗證集上的準確率變化曲線如圖5所示。從圖5可以看出，該模型在訓練集與驗證集上的曲線變化具有高度的一致性，且訓練過程中模型的收斂速度快，沒有發(fā)生過擬合現(xiàn)象。圖5a中，模型在訓練集上的準確率在前5輪次訓練中快速提升，約15輪次后基本趨于穩(wěn)定，驗證集也隨之在15輪次左右趨于穩(wěn)定，二者準確率均達到 99.381% 。圖5b中，訓練集損失在前5輪次訓練中快速下降，約10輪次后基本趨于穩(wěn)定，驗證集也隨之在10輪次左右趨于穩(wěn)定，二者損失均穩(wěn)定在0.032。為降低模型訓練中隨機性的影響，后續(xù)進行多次重復試驗，結果均與上述一致。這表明，筆者所建模型在數(shù)據(jù)集訓練方面表現(xiàn)優(yōu)異，通過較少次數(shù)的訓練即可獲得高準確率和低損失，且具有很好的穩(wěn)定性。

壓縮機4種工況下的混淆矩陣如圖6所示。本試驗中，測試集共包含400個樣本，每類含100個樣本，圖中深色對角線代表每類故障診斷的準確率。可以看出，除了第2類存在個別分類錯誤外，其他類別故障預測的準確率均為 99.381% 。這表明，筆者構建的ViT-Dens-GRU網(wǎng)絡模型具有優(yōu)秀的故障分類能力。

為了分析模型在軸承間隙故障診斷中的性能，將ViT-Dense-GRU網(wǎng)絡模型與其他4種模型（GRU網(wǎng)絡、DenseNet網(wǎng)絡、CNN-GRU網(wǎng)絡、Dense-GRU網(wǎng)絡）進行對比。采用相同的數(shù)據(jù)預處理方法，并選用相同的超參數(shù)，得到對比結果如圖7所示?？梢钥闯觯c其他4種模型相比，筆者所建模型的準確率可以達到 99.381% ，為5種模型中的最高值；損失可降至0.032，為5種模型中的最低值。另外，其他4種模型的準確率曲線及損失曲線，在前15訓練輪次均出現(xiàn)了不同程度的波動與振蕩，而筆者所建模型的曲線相對平穩(wěn)且波動較少?？梢?，ViT-Dense-GRU模型具有較高的準確率、較低的損失和較好的穩(wěn)定性，在軸承間隙故障診斷中性能優(yōu)異。

為驗證ViT-Dense-GRU模型在特征提取能力方面的性能，引入t分布隨機近鄰嵌入算法（t-SNE）。將測試集原始數(shù)據(jù)和5種模型的輸出特征降維，進行可視化之后形成6張圖片并作對比，結果如圖8所示?？梢钥闯觯斎藢邮菍υ驾S承間隙故障振動信號的t-SNE降維可視化，觀察到原始數(shù)據(jù)在未經(jīng)網(wǎng)絡模型分類計算時，雖然在二維空間上的分布是雜亂無章的，但具有一定可分性。在經(jīng)過5個網(wǎng)絡模型的分類訓練后，數(shù)據(jù)集得到了不同程度的數(shù)據(jù)聚類與分離。其中，4組對比模型都出現(xiàn)了分類邊界混雜、部分類內(nèi)部存在其他聚類簇、類內(nèi)數(shù)據(jù)點聚合程度不佳等問題。ViT-Dense-GRU模型的t-SNE結果最好，各類邊界清晰分明，不同類數(shù)據(jù)點間距大，且同類數(shù)據(jù)點聚合程度高。這表明，ViT-Dense-GRU模型的數(shù)據(jù)聚類與分離能力強，在壓縮機軸承間隙故障診斷中，與其他4種模型相比具有更好的泛化能力。

為驗證模型的魯棒性，在壓縮機數(shù)據(jù)集中添加不同強度的高斯白噪聲，引入信噪比（SNR）來評價噪聲的強弱程度，計算式如下：

其中， P_s 表示原始振動信號的高斯白噪聲信號能量， P_n 表示所添加的高斯白噪聲信號能量。

試驗中，分別在信噪比為-4、-2、0、2、4dB的5種噪聲條件下，開展ViT-Dense-GRU模型與4種對比模型的軸承間隙故障識別測試，得到準確率對比結果如圖9所示?？梢钥闯?，當信噪比下降，即噪聲強度逐漸上升時，測試的5種模型準確率均呈現(xiàn)逐步下降的趨勢。當信噪比為4dB時，5種模型準確率都達到 90% 以上，而ViT-Dense-GRU模型的準確率更是達到 99.334% ；當信噪比為0dB時，GRU模型與DenseNet模型準確率已經(jīng)跌至 80% 左右，其他3種模型的準確率仍維持在 90% 以上，而ViT-Dense-GRU模型依舊維持著 98.057% 的較高準確率；當信噪比為-4dB時，4種對比模型的準確率均已跌至 85% 以下，GRU模型與DenseNet模型甚至已經(jīng)跌至 60% 以下，此時只有ViT-Dense-GRU模型依I舊保持高于 95% 的準確率。為降低網(wǎng)絡模型訓練中隨機性的影響，后續(xù)進行多次重復試驗，結果均與上述一致。綜上，4種對比模型在強噪聲環(huán)境下，模型性能大幅下降，準確率受到極大影響，只有ViT-Dense-GRU模型性能受噪聲干擾較小，展現(xiàn)出較高的穩(wěn)定性和準確率，可見本模型具有更好的魯棒性。

4結論

4.1筆者所提ViT-Dense-GRU模型，采用ViT-DenseNet與GRU網(wǎng)絡并行的特征提取模式。經(jīng)過預處理的數(shù)據(jù)集輸入卷積池化層后，被分成了兩條路徑，一是將圖像輸入ViT-DenseNet模塊中，進行軸承振動信號特征提?。欢菍D像輸入GRU網(wǎng)絡模塊中進行時序特征提取。最后，將兩個模型提取的特征進行融合，將融合后的特征輸入softmax分類層中，輸出分類結果，完成軸承間隙故障診斷。

4.2采用2D12型天然氣往復壓縮機軸承模擬故障數(shù)據(jù)集進行性能對比分析研究。結果表明，筆者所提模型準確率高達 99.381% ，損失降低至0.032，與其他4種對比模型相比優(yōu)勢明顯。

4.3對測試集數(shù)據(jù)添加-4、-2、0、2、4dB5種信噪比的白噪聲進行魯棒性測試，筆者所提模型均能保持高于 95% 的準確率，而4種對比模型隨著噪聲加強，最終準確率都跌至 85% 以下。

參考文獻

[1]WU W，LI C，ZHU Z，et al.A new method for reciprocating compressor fault diagnosis based on indicator diagram feature extraction[J].Proceedings of the Institution ofMechanical Engineers，Part A：Journal ofPower and Energy，2023，237（6） ：1337-1347.

[2]趙海洋.往復壓縮機軸承間隙故障診斷與狀態(tài)評估 方法研究［D].哈爾濱：哈爾濱工業(yè)大學，2014

[3］李穎.往復壓縮機滑動軸承間隙復合故障診斷方法 研究[D].大慶：東北石油大學，2019.

[4］陳祝云.基于深度遷移學習的機械設備智能診斷方 法研究［D].廣州：華南理工大學，2020.

[5]SHAO H，JIANG H，ZHAO H，et al.A novel deep autoencoder feature learning method for rotating machinery fault diagnosis [J].Mechanical Systems and Signal Processing，2017，95：187-204.

[6]LI Y，XU M，ZHAO H，et al.Hierarchical fuzzy entropy and improved support vector machine based binary tree approach forrolling bearing faultdiagnosis [J]. Mechanism and Machine Theory，2016，98：114-132.

[7]雷亞國，賈峰，孔德同，等.大數(shù)據(jù)下機械智能故障診 斷的機遇與挑戰(zhàn)[J]．機械工程學報，2018，54（5）： 94-104.

[8]HE M，HE D.Deep learning based approach for bearing fault diagnosis[J].IEEE Transactions on Industry Applications，2017，53（3）：3057-3065.

[9]文成林，呂菲亞，包哲靜，等.基于數(shù)據(jù)驅(qū)動的微小故 障診斷方法綜述[J]．自動化學報，2016，42（9）： 1285-1299.

[10]雷亞國，賈峰，周昕，等.基于深度學習理論的機械 裝備大數(shù)據(jù)健康監(jiān)測方法［J].機械工程學報， 2015，51（21）：49-56.

[11]KUMAR S，PANDEY A，SATWIK K SR，et al.Deep 1- earning framework for recognition of cattle using muzzle point image pattern [J].Measurement，2018， 116：1-17.

[12]ZHANG T，LIU S，WEI Y，et al.A novel feature adaptiveextraction method based on deep learning for bearing fault diagnosis [J].Measurement，2O21，185： 110030.

[13]CHOUDHARY A，MIAN T，F(xiàn)ATIMA S.Convolutional neural network based bearing fault diagnosis of rotatingmachineusingthermalimages[J]. Measurement，2021，176：109196.

[14]HUANG G，LIU Z，VAN DER MAATEN L，et al.Denselyconnected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and

Pattern Recognition.2017：4700-4708.

（收稿日期：2024-07-25，修回日期：2025-05-12）

Fault Diagnosis Method for the Bearing Clearance of Reciprocating Compressor Bearings Based on ViT-Dense-GRU

WANG Jin-dong，YUAN Yu， ZHAO Hai-yang，WEN Hao-dong （School ofMechanical Scienceand Engineering，NortheastPetroleumUniversity）

AbstractConsidering low recognition rate，insufficient temporal feature extraction and poor robustness of single dense network（DenseNet） while facing complex working conditions of reciprocating compressrs，and which leads to insuficient feature extraction of bearing clearance faults，a ViT-Dense-GRU bearing clearance faults diagnosis model based on DenseNet，Vision Transformer（ViT）and Gated Recurrent Unit （GRU）was proposed. Making use of the bearing clearance fault data set of 2D12 natural gas reciprocating compressor compare and analyze the proposed model with four comparison models shows that，the accuracy of the proposed model is as high as 99.381% ，the loss is reduced to O.O32，and the robustness test effect is the best，which realizes the accurate identification of the bearing clearance fault of the reciprocating compressor.

Key Words reciprocating compressor，bearing，DenseNet，ViT，GRU，fault diagnosis