基于VGG16迁移学习的轴承故障诊断方法

赵宇凯，徐高威，刘 敏

（同济大学 电子与信息工程学院，上海201804）

0 引言

传动装置是日常生活和工业生产当中最常用的机械装置之一，而传动装置的安全平稳运行离不开轴承的正常工作。在各种各样的工作环境下，轴承的工作状况是急剧变化的，对轴承故障的早期诊断可以有效预防安全问题的发生。然而，基于传统可靠性工程的诊断方法已经很难适应轴承类传动部件故障诊断的需求[1-2]；同时，随着物联网技术与大数据技术的飞速发展，越来越多的轴承状态监测数据被采集并存储下来[3]。因此，数据驱动的故障诊断方法在学术界与工业界被广泛研究与应用，如：陈彬强等[2]将分形小波变换和稀疏分类的方法应用到航天器传动机械零部件的故障诊断问题中，解决了数据稀缺的问题；于景洋等[4]提出1D卷积神经网络的滚动轴承诊断方法，可以对一维振动信号进行处理。然而，这些传统方法存在如下问题：1）需要对原始数据进行烦琐的预处理；2）需要大量的训练数据来对网络进行训练，训练时间长，人力物力耗费巨大。针对以上问题，康守强等[5]利用特征迁移的学习方法，针对变工况下的滚动轴承故障诊断问题提出基于变分模态分解的特征提取和迁移方法；张根保等[6]提出了一种用于轴承故障诊断的迁移学习模型，由栈式稀疏编码器和柔性最大值函数组成，当工况发生变化时只需要少量样本就可以重新执行诊断任务。

本文提出一种基于VGG16卷积神经网络的迁移学习方法，将在源域预训练过的VGG16网络应用到轴承故障数据集中。首先利用信号转化的处理方法，将原始一维振动信号转化为二维（224×224）灰度图像，再对单通道的灰度图像进行复制、叠加成为三通道（224×224×3）图像；然后将处理后的图片样本分为训练集和测试集，对训练集在预先训练过的网络当中进行微调，以达到网络最佳参数；最后通过测试集验证该模型的故障分类能力。

1 信号转图像方法

基于卷积神经网络的故障诊断方法很难直接对原始振动信号进行处理，因此，对原始数据进行预处理尤为重要。当前的数据预处理方法是通过时频分析对原始信号的特征进行提取，通常需要花费大量的时间，并且人工提取的特征对最终的分类结果影响很大。而本文设计一种直接的信号‒图像转换方法，无须依赖任何专家经验。

通常轴承故障数据采集的是时域信号，是一种一维矩阵的格式。要将原始的时域信号转换成为一个N×N像素数的图片格式，首先需要从连续的信号中随机取样，抽取N个长度为N的时间信号，组成一个二维矩阵L，经过对矩阵作0～255的归一化之后，即得到一个N×N像素的灰度图像格式。具体变换过程可表示为

其中round(·)函数返回是四舍五入的函数值。该方法对轴承正常情况下信号的转化过程如图1所示，一维的振动信号输出在MatLab上为振动波形式，经过该信号转化方法处理后，原来的振动信号被转化为相应大小的矩阵，再对矩阵进行归一化之后输出灰度图像格式。

图1 信号转图像处理方法Fig.1 Signal-to-image conversion method

2 卷积神经网络模型和迁移学习模型

2.1 卷积神经网络

卷积神经网络（Convolutional Neural Network,CNN）仿照生物的视知觉机制构建，是机器学习的代表算法之一[7]。CNN 的基本结构包括输入层、卷积层、池化层、全连接层和输出层，其中：卷积层和池化层可以多次叠加来提高网络性能；卷积层利用卷积核进行卷积操作，对输入样本的局部加权求和，提取输入的特征；池化层进行特征降维，减少学习量并降低网络复杂度[8]。在训练过程中，可以根据相应的需求自由调整卷积核的步长。经过多次卷积、池化操作之后，输入样本的特征能够被网络提取，再经由全连接层和输出层激活函数对结果进行分类。

2.2 VGG16卷积神经网络模型

VGG 卷积神经网络模型[9]是牛津大学在2014年提出的，在众多的VGG变形当中，VGG16在图像分类和目标检测任务中都表现良好，故本文选择使用VGG16卷积神经网络。该网络使用连续的3×3的卷积核代替原本较大的卷积核，并且通过增加网络深度使得对样本的学习更加深入。VGG16卷积神经网络结构如图2所示，通过反复叠加的卷积层（convolution layer）和池化层（pooling layer），共有13层卷积层和3层全连接层（fully connected layer），而池化层不计权重故不算在总层数之内。卷积层和池化层其实就是对输入图像的一种提取过程，多层卷积池化层相互堆叠，使得网络具有更大感受野的同时又能降低网络参数，并且通过ReLU 激活函数使得原本的单一线性变化变得多样化，学习能力也因此增强[10]。经由全连接层和输出层可以将样本进行分类处理，通过softmax 激活函数可以得到当前样本属于不同种类的概率分布[11]。

图2 VGG16卷积神经网络结构Fig.2 Structure chart of VGG16 convolutional neural network

2.3 VGG16迁移学习模型

迁移学习[12]是一种能够将从其他领域学习到的知识应用到所需研究领域的机器学习方法。当一个神经网络进行训练时，一般认为训练集和测试集是同分布的，并且需要成千上万个样本对该模型进行训练优化。因此即使样本足够，处理样本数据也是一个成本很高的过程；而迁移学习方法能够很好地弥补因为数据量不足或者训练时间过长而带来的问题。

VGG16卷积神经网络是一个对图像进行提取并不断深入提炼的过程，它具有很深的网络结构。起初的卷积层只对图像的特征进行提取，而网络层较深时才处理特定的任务[13]。因此在迁移学习过程当中，可以应用已经在源域预先训练过的模型，保留较低层的权重，只对高层进行重新训练并微调相关参数。因为与源域数据分布不同的特点，需要利用目标域数据集对模型进行微调，去掉原来的顶层并添加新的输出层，加入softmax 函数对新的问题进行分类。图3所示即为一个对模型进行迁移的过程，通过对模型当中在源域（自然图像）训练的权重进行迁移，再利用目标域（任务数据）进行微调，大大简化了模型在新领域问题当中的训练过程。

图3 卷积神经网络模型迁移Fig.3 Model transfer of CNN

3 实验验证

3.1 实验数据集说明

本文的实验数据集1来自凯斯西储大学的轴承数据库[14]，其实验装置如图4所示，测试台由2 HP（1HP=735W）电机、扭矩传感器、测力计和控制电子组成。测试轴承支撑电机轴，采用电火花加工将单点故障人为引入实验轴承，使用加速度计收集振动数据，使用扭矩传感器收集速度和功率数据。故障数据集分别在12 kHz 和48 kHz 采样率下的驱动端和风扇端处产生，又各自分成不同位置（内圈、外圈、滚动体）、不同故障直径（0.007、0.014、0.021、0.028英寸）、不同负载（0、1、2、3HP）下的实验数据。

图4 凯斯西储大学的轴承实验装置Fig.4 The bearing test bench in Case Western Reserve University

实验数据集2来自辛辛那提大学的IMS轴承数据库[15]，其实验装置通过1个主轴将4个轴承连接在一起，用交流电机将轴承转速保持在2000 r/m in，每个轴承配备一个对应的加速度计记录轴承数据。测试数据一共分为3组，每组都记录4个轴承从测试开始直到轴承失效的振动信号，轴承故障分为内圈、外圈、滚动体3类。

如表1所示，为了保证轴承数据的多工况条件，本实验选择了数据集1当中轴承故障直径为0.007英寸、不同负载条件下，正常、内圈故障、滚动体故障和外圈故障的轴承振动信号；并从每组数据中通过我们的预处理方法选择出500个样本组成训练集，同时另选出500个样本组成测试集，共计2000个样本的训练集和2000个样本的测试集。除此之外，本实验还使用相同的方法从数据集2中相同故障状态下挑选了相同样本数量的训练集和测试集，以验证不同工况条件下VGG16故障分类的准确率。

表1 实验数据集Table 1 Experimental data set

3.2 数据预处理

图5所示为数据集1当中0 HP负载下、故障直径为0.007英寸的轴承振动信号，经过信号‒图像转换后所产生的灰度图像。VGG16网络的输入格式为224×224×3，像素为224×224，故选择N为224。经过转换的振动信号是单通道的灰度图像，要经过复制才能成为VGG16网络的输入格式。

图5下半部分以正常轴承的灰度图像为例，将转换好的灰度图像进行复制、叠加成为VGG16网络可输入的三通道格式。

图5 数据预处理Fig.5 Data preprocessing

3.3 实验和结果

模型应用过程中，首先对训练集在VGG16网络中进行微调，训练出新的网络层参数之后利用测试集进行验证。训练过程中参数选择迭代次数为10代，每一次的梯度下降样本数（batch_size）为50，每一轮训练结束后都进行验证，最后由测试集测试模型的分类准确率。如表2所示，另外选取了一维CNN 和支持向量机（Support Vector Machines, SVM）这2种比较经典的故障诊断方法与本文方法进行比较。

表2 轴承故障诊断准确率Table2 Bearing fault diagnosis results单位：%

本文将实验分成了9组，依次是0 HP、1 HP、2HP、3HP、IMS这5组四分类任务，以及0～1HP、0～2 HP、0～3 HP、0～3 HP+IMS这4组多分类任务。从这9组实验结果来看，VGG16与CNN、SVM相比，平均准确率分别高出2.4和5.8个百分点。从图6可以看出：当面对四分类任务时，VGG16和CNN 都能保持非常高的诊断准确率，SVM 的准确率要相对低一些；而随着分类种类增多，任务变得复杂，3种算法的准确率都有所下降，但VGG16只下降了0.4个百分点，而CNN 和SVM的准确率分别下降了9.6和12.2个百分点。

图6 3种诊断方法的准确率曲线Fig.6 Accuracy curve for three diagnosticmethods

由上述实验结果可知，VGG16在不同工况条件下均能轻松完成故障的分类任务，且当分类任务变得更加复杂时依然能够保持性能的优越。

4 结束语

本文针对轴承故障诊断任务，提出基于VGG16迁移学习的诊断方法，主要创新点如下：

1）提出了一种高效快捷的信号转图像处理方法，将原本的一维振动信号转换为灰度图像信号，大大降低了信号特征提取的复杂度；

2）设计了一种可用于轴承故障诊断的VGG16迁移学习模型，将完成预训练的VGG16卷积神经网络模型中的浅层结构与权重保留，并用目标任务中的数据集对VGG16模型较高层结构中的权重进行微调，微调后的VGG16模型直接用于对轴承故障类型进行分类。

应用本文所提出的方法分别对凯斯西储大学的轴承故障数据集和辛辛那提大学的IMS轴承数据集进行了实验验证，结果表明，在实际应用中，本文提出的信号转图像处理方法具有良好的特征提取能力，设计的VGG16迁移学习模型能够在不同工况条件下和多分类任务中保持良好的算法性能。