基于深度神经网络的滚动轴承故障诊断

卫洁洁，杨喜旺，黄晋英，尹学慧，卫晓洁

(中北大学 a.计算机与控制工程学院；b.机械与动力工程学院，太原 030051)

基于深度神经网络的滚动轴承故障诊断

卫洁洁a，杨喜旺a，黄晋英b，尹学慧b，卫晓洁b

(中北大学 a.计算机与控制工程学院；b.机械与动力工程学院，太原 030051)

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难，而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势，研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征，所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障，外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析, 实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征，还可以诊断出故障的严重程度，和BPNN相比具有更高的诊断准确率。

深度学习；深度神经网络；滚动轴承；智能故障诊断

0 引言

滚动轴承在旋转机械中应用极为广泛，是传递力矩及动力的重要零部件，但因其工作环境恶劣，也是最容易损坏的零部件之一[1]。因此，对轴承进行状态监测与故障诊断具有重要实践意义。

为了全面的检测滚动轴承的健康状况，用状态监测系统采集实时数据，在机器长时间的运转中获取大量的数据[2]。数据获取通常比专家诊断分析要快[3],所以迫切的需要故障诊断方法分析大量的数据以及自动的提供准确的诊断结果。这种方法也叫智能故障诊断方法，比如ANN，支持向量机(SVM)等用来区分机械健康状况[4-5]。基于智能诊断方法建立可靠的健康监测系统是保证这些装备安全运行的必需举措[6]。文献[7]提出一种基于自适应噪声的完备经验模态分解与IMF样本熵结合的滚动轴承故障特征提取方法。文献[8]针对传统解调分析难以提取轴承故障信息的这一特征,提出了一种变分模态分解与最大相关峭度解卷积相结合的滚动轴承故障诊断方法。这些方法都是人工提取特征，取决于信号处理技术和诊断专家的先验知识。

自从《SCIENCE》的深度学习出现，就吸引了学术界与工业界的研究者们的注意[9]。深度学习有潜力克服当前智能诊断方法的缺陷：深度神经网络(DNN)能够自动的从原始数据中经过多次非线性转化提取特征，无需人工提取特征。本文通过深度学习的训练，研究了一种基于DNN方法的滚动轴承故障诊断方法。DNN首先经过无监督学习进行预训练，从不同故障问题采取的信号中自动的挖掘故障特征,然后通过监督算法进行微调,建立不同机械健康状况和相应原始信号之间非线性的映射关系。

1 DNN简单介绍

DNN包含多隐层的深度结构，每一层从前一层进行非线性转变得到下一层，通过以下两个过程进行训练：①DNN的预训练经过逐层无监督方法，用自动编码器进行训练；②微调DNN用BP反向传播算法进行分类。

自动编码器是一种三层[10]的无监督神经网络，包含编码器和解码器两个部分，如图1所示。

图1 自动编码器

hm=fθ(xm)=sf(ωxm+b)

(1)

解码器定义了重构函数用gθ′表示，重构函数为：

(2)

(3)

DNN的输入层和第一隐层作为第一个自动编码器的编码器，在第一层自动编码器经过训练后通过公式(3)重构误差，编码网络的训练参数集被用来初始化DNN的第一隐含层。依此类推，直到第N层的自动编码器被训练初始化DNN的最后一层隐层。在DNN被预训练后，为了接近目标函数，用BP算法微调DNN参数缩小从原始数据计算的输出与健康状况标签的误差[11]。

2 基于DNN智能诊断方法

基于DNN，研究了智能诊断方法可以自动的从原始旋转机械信号中挖掘故障特征并用这些特征自动的分类机械的健康状况，如图2所示。

图2 DNN训练的流程图

所研究的方法包含以下四个步骤：

图3 预训练过程

(3)通过机械健康状况的数目y决定输出层的维数，从xi得到DNN的输出计算过程如下：

(4)

θN+1是输出层的参数集,用BP算法微调DNN参数。假设xi的输出目标是di，误差公式为：

(5)

θ={θ1,θ2,…θN+1}，参数集θ更新公式如下:

(6)

式中，η是微调过程的学习速率，为了确保更新过程收敛[12]。

(4)将测试集输入到已训练好的DNN模型中，并记录每个隐含层的输出向量进行故障诊断。

3 基于栈式自动编码器的故障诊断

3.1 数据描述

轴承数据用西储大学[13]所提供的，数据包含了采样频率为12kHz的四种不同的负载下的数据：正常状况、内圈故障、外圈故障、滚珠故障。电动机驱动端故障的参数分别为0.18mm、0.36mm 和0.54mm。数据集的详细描述如表1所示。

表1 数据集详细描述

数据集包含1、2、3负荷下10种轴承的健康状况。每种健康状况下有100组信号，每组信号有1200个数据点。因此每个数据集1～3分别包含1000个样本，每个样本有1200个数据点。数据集A为1负荷下10种健康状况的1000个样本。数据集B包含1、2、3三种负荷下10种轴承健康状况，每个状况有300个样本(不同负荷下相同健康状况被视为一类)。因此数据集B包含3000个样本。

3.2 参数确定

输入层是由每组信号的1200个数据点组成，隐层层数是栈式自动编码器模型的重要参数，经过多次试验不同隐层节点数和隐层层数比较如表2所示，当隐层个数为4时，重构误差已接近于0，当隐层个数是输入层一半时，重构误差最小。因此每个隐层都取输入层的一半。

表2 不同隐层参数比较

根据表3所选取的参数，随机选取800个样本进行预训练DNN，这些样本也用来微调整个网络的参数，其他200个样本用来测试，每个数据集诊断试验做20次。数据集A用所提出的的方法得到诊断结果如图4a所示。为了对比，我们也用通常使用在旋转机械的智能诊断方法BPNN进行处理数据集，BPNN和DNN具有相同的结构也用相同的参数进行训练，在两个试验中，标注相同的数据集分别用来训练DNN和BPNN。用所研究的方法呈现的训练和测试的平均准确率从95%～100%，标准误差在4.7%。意味着所使用的方法不仅仅识别故障类型也能识别故障的严重程度。可以看到BPNN诊断的准确率与DNN差别很大，大多数准确率在70%左右。为了定量的比较所提出的方法与BPNN的结果，计算了每个数据集20次试验的平均准确率和误差，如表4所示。用BPNN方法的准确率较低和平均误差更大，表明了所研究的方法比BPNN的优越性。

表3 各个参数设置

图4 2个数据集对比

数据集DNN方法(准确率±误差)BPNN方法(准确率±误差)训练集准确率(%)测试集准确率(%)训练集准确率(%)测试集准确率(%)数据集A97．8±2．295．825±4．17565．55±34．4565．45±34．55数据集B95．626±4．3794．832±5．1773．15±26．8572．95±27．05

数据集B包含不同负荷下10种轴承健康状况的大量样本，诊断准确率如图4b所示表明了所研究的方法能够在不受负荷影响下诊断出轴承的故障。在这些试验中，DNN训练集与测试集的诊断准确率超过92%，甚至有些达到100%。图4a中数据集A的第18次试验和图4b中数据集B第8次试验用的两种方法效果一样，是由于随机初始化参数的缘故。数据集A的第12次试验和数据集B的第6次试验，用BPNN方法的两次试验结果都极其不好，测试的准确率为10%左右，在两次实验中，训练的网络在故障诊断中没有学到有用的信息，这两次试验的训练错误率如图5a和图5b所示，BPNN训练在错误率为0.6左右收敛，由于BPNN算法在迭代更新时产生梯度消失陷入了局部最优，导致不好的诊断准确率。所研究的方法可以自适应的从原始数据中提取出故障的特征，更具有鲁棒性，有效的克服了BPNN算法的缺陷，有助于更好的实现轴承的故障诊断。

图5 2个数据集的错误率图

4 结论

本文研究了将深度神经网络的一个模型应用到旋转机械滚动轴承的故障诊断中。通过实验证明了方法的有效性，结果表明：

(1)所研究的方法能够自适应的提取故障特征，摆脱了对专家诊断经验和复杂信号处理的依赖，成功的挖掘出所采集信号的原始数据特征和识别不同负荷下的故障。

(2)该模型与BPNN相比，深度神经网络有效克服了浅层BPNN的局部极值造成早期收敛问题，不仅仅可以诊断出故障，也可以诊断出故障的严重程度，显著的提升了故障识别效果和泛化能力。

(3)深度神经网络算法不受限于信号的周期性，增强了故障诊断方法的通用性。然而，参数的优化仍然是一个关键问题，将来的工作会在所建立模型进行优化参数。

[1] Sun H, He Z, Zi Y, et al. Multiwavelet transform and its applications in mechanical fault diagnosis-A review[J]. Mechanical Systems & Signal Processing, 2014, 43(1-2):1-24.

[2] C Q Shen, D Wang, F R Kong, et al. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and ageneric support vector regressive classifier[J]. Measurement,2013,46(4):1551-1564.

[3] 雷亚国,贾峰,周昕,等. 基于深度学习理论的机械装备大数据健康监测方法[J]. 机械工程学报,2015,51(21):49-56.

[4] Gautam C, Ravi V. Counter propagation auto-associative neural network based data imputation[J]. Information Sciences, 2015, 325(C):288-299.

[5] Jegadeeshwaran R,V Sugumaran. Fault diagnosis of automobile hydraulic brake system using statistical features and support vector machines[J]. Mechanical Systems & Signal Processings,2015,52-53(1):436-446.

[6] 雷亚国，何正嘉.混合智能故障诊断与预示技术的应用进展[J].振动与冲击，2011,30(9):129-135.

[7] 谢志谦,孙虎儿,刘乐,等. 基于CEEMDAN样本熵与SVM的滚动轴承故障诊断[J]. 组合机床与自动化加工技术, 2017(3):96-100 .

[8] 王建国,陈帅,张超. VMD与MCKD在轴承故障诊断中的应用与研究[J]. 组合机床与自动化加工技术,2017(5): 69-72,76.

[9] G E Hinton, R R Salakhutdinov.Reducing the dimensionality of data with neural networks[J].Science,2006,313:504-507.

[10] G E Hinton, R S Zemel.Autoencoders, minimum description length, and Helmholtz free energy[J].Adv. Neural Inf. Process. Syst.,1994,6:3-10.

[11] R B Palm.Prediction as a candidate for learning deep hierarchical models of data[D].Technical University of Denmark, Palm, 2012.

[12] Y S Wang, G Q Shen, Y F Xing.A sound quality model for objective synthesis evaluation of vehicle interior noise based on artificial neural network,Mech. Syst[J].Signal Process,2014,45:255-266.

[13] X S Lou, K A Loparo.Bearing fault diagnosis based on wavelet transform and fuzzy inference[J].Mech. Syst. Signal Process, 2004,18:1077-1095.

RollingBearingFaultDiagnosisBasedontheDeepNeuralNetworks

WEI Jie-jiea,YANG Xi-wanga,HUANG Jin-yingb, YIN Xue-huib,WEI Xiao-jieb

(a. School of Computer and Control Engineering;b.School of Mechanical and Dynamic Engineering,North University of China, Taiyuan 030051,China)

Shallow neural network method which rely on expert experience and signal processing technology for artificial extraction the characteristics of big rolling bearing data is becoming more and more difficult,what’s more, shallow structure limits that the neural network learn the function of the complex nonlinear relationship. Based on the advantages of feature extraction and big data processing, a new method of rolling bearing fault diagnosis based on deep neural network is studied.The method directly extract the useful characteristics from the original data, the extracted features can be as the BP neural network input to identify rolling bearing fault categories.Through the analysis of the four kinds of state of the normal state , the inner race failure, the outer race fault and the ball failure, and the severity of the different faults of the rolling bearings in each state, experimental results show that the research of the method not only can dig out useful fault feature from original signal, also can diagnose the fault severity, compared with BPNN has higher diagnostic accuracy.

deep learning;deep neural network;rolling bearing fault;intelligent fault diagnosis

1001-2265(2017)11-0088-04

10.13462/j.cnki.mmtamt.2017.11.023

2017-07-04；

2017-07-30

卫洁洁(1993—)，女，山西运城人，中北大学硕士研究生，研究方向为深度学习与机械故障诊断，(E-mail)913623895@qq.com。

TH133.3;TP183

A

(编辑李秀敏)

找检测仪器，请上

QC检测仪器网

WWW.QCtester.com

微信号：qctest