基于改进CNN的起重机械滚动轴承故障诊断

贾子威 朱历平 杨明超

摘要：针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下，早期故障特征难以提取及有效识别的问题，提出一种改进卷积神经网络（CNN）的故障诊断方法。该方法首先应用短时傅里叶变换（STFT）将传感器采集到的一维振动信号转换为二维时频图，并将其作为改进卷积神经网络的输入，然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后，通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。

关键词：卷积神经网络;短时傅里叶变换;特征提取;故障诊断

中图分类号：TP181                                      文献标识码：A                                文章编号：1674-957X（2021）05-0131-03

0  引言

随着工业技术水平的不断发展，智能诊断方法在机械设备故障诊断中占據了举足轻重的地位。起重机械是工业场景和港口中装卸作业的主要机械设备，用于垂直提升或水平移动重物[1]。滚动轴承是起重机械中承受载荷并支撑轴系部件的重要零件之一，当滚动轴承突发故障时可能造成设备停机从而产生重大经济损失，严重时甚至会造成人员伤亡。由于起重机械工作环境比较复杂，滚动轴承早期故障呈现非平稳、非线性的特点，因此实现高精度故障诊断的关键在于复杂工况下敏感特征的有效提取[2]。

深度学习拥有强大的特征提取能力，可以在故障类别与故障特征之间建立复杂映射关系[3]，目前国内外诸多学者基于深度学习方法针对滚动轴承故障诊断中存在的问题展开了大量研究，提出了多种特征提取方法。例如，Ma S等首先提取了振动信号的时频特征，并对其进行解调后与深度残差网络进行融合，实现了不稳定工况下的智能故障诊断[4]。Zhao等提出一种改进深度残差网络，通过在传统方法中引入自适应阈值，解决了强噪声背景下故障特征难以提取的问题[5]。李小娟等提出一种深度度量学习方法，结合深度神经网络和深度度量学习模型的优势实现轴承故障分类识别[6]。以上研究主要以传感器采集到的一维振动信号为模型的输入，但研究表明卷积神经网络更适合应用在二维样本的特征信息提取中。本文提出一种改进CNN的故障诊断方法，该方法以经过STFT处理生成时频图为模型输入，采用多层结合局部特征学习模块代替CNN模型中的卷积层。

1  相关理论

1.1 短时傅里叶变换

短时傅里叶变换（STFT）在原始的非平衡信号上添加固定长度的窗函数，将非平稳信号分割成有限个平稳的时间段，对每个时间段里的信号进行傅里叶变换并得到最终结果[7]。其计算公式如下：

（1）

式中，t代表平移参数，h（t）为窗函数。

1.2 卷积神经网络

卷积神经网络（CNN）无需人工干预，是一种“端到端”结构，得益于其权值共享、局部感知等特性，可以用来处理复杂工况下的振动信号[8]。深度学习与浅层模型的不同之处在于隐藏层的添加，而在CNN中，隐藏层一般由卷积层、池化层和全连接层组成，CNN模型结构如图1所示。

其中，卷积层是CNN中实现特征提取的重要组成部分。卷积层利用卷积核对特征矩阵的感受野进行卷积计算，完成对输入数据的特征提取，并使用激活函数增强其非线性拟合能力[9]。卷积结果计算公式为：

（2）

式中：L表示第L层卷积层，*为卷积运算符合，W表示卷积核。

2  改进CNN故障诊断方法

随着隐藏层和神经元个数的增加，CNN模型在训练过程中很容易出现过拟合现象，针对这一问题本文在传统CNN模型的基础上进行改进，在其隐藏层中添加批归一化层组成局部特征学习模块。相比于传统CNN，改进后的模型可以利用批归一化层对卷积层提取到的特征进行归一化处理，进而提高模型稳定性。（图2）

本文通过大量对照实验确定模型超参数如下：第一个卷积层尺寸为64*64，卷积核为3*3、步长为1;第二个卷积层尺寸为32*32;第三个卷积层尺寸为16*16;全连接层大小为512，激活函数为ReLU非线性函数，计算公式为：

（3）

训练过程中每层权重随机初始化满足标准差为0.1，均值为0的正态分布，应用随机梯度下降法训练模型，权值更新公式为：

           （4）

式中，Di表示训练过程中输入的样本，ε表示学习率。使用STFT将振动信号转换为时频图后，利用改进后的CNN模型进行特征提取实现故障诊断，算法流程图如图3所示。

故障诊断步骤如下：

①对传感器采集到的振动数据进行预处理，并划分为训练集和测试集;

②对训练集的数据进行STFT，并将结果输入到改进CNN模型中;

③训练改进CNN模型;

④在训练好的CNN模型中输入测试集数据，得到测试结果;

⑤实验结果分析。

3  实验验证

本文实验数据由实验室搭建的滚动轴承故障模拟试验台上进行采集，使用电火花在SKF6205型深沟球轴承表面加工直径为0.178mm的损伤。转轴由电机驱动，将压电式加速度传感器安装在轴承支座上，驱动电机转速为35Hz。本实验共模拟了滚动轴承四种健康状态，分别为：轴承滚动子故障、轴承外圈故障、轴承内圈故障和正常工况下的健康状态。图4为振动信号时域图，图5为四种健康状态经过STFT处理后的时频图。

实验采样频率为10240Hz，每种健康状态的信号各采集100组，共400组，每组信号包含2048个样本点。从每种状态中随机选出80组作为训练集，其余20组作为测试集，经过STFT后输入到CNN中进行特征提取和模态识别，提取CNN模型最后一层全连接层并进行降维可视化即可得到其分类散点图。

在图6中，利用改进CNN提取到的四种特征按类聚集在一起，实现了完全分离，且各类之间聚集非常紧密，从而验证了改进CNN方法具有较强的特征提取能力，可以满足故障诊断的要求。为了验证所提出方法的稳定性和优越性，将原始CNN故障诊断结果与改进CNN模型进行对比。

由图7可知，原始CNN模型只将外圈故障全部分类正确，其他三类故障均有不同程度的误诊，最终的故障诊断结果不理想;在图8中，改进CNN模型只有少数部分内圈故障判定为正常状态，其余样本诊断结果均正确。为了消除偶然性因素影响，本文将每组实验重复进行十次并取平均值，测试结果与训练时间如表1所示。

上述實验表明，通过在原始CNN模型中添加局部特征学习模块，显著提高了模型的特征提取能力，改进后的CNN平均故障诊断率相比于原始CNN提高了10.25%;将包含更多特征信息的二维时频图作为模型的输入可以提高训练效率，改进CNN模型平均训练时间缩短了1562s。

4  结论

综上所述，本文提出一种改进CNN起重机械滚动轴承故障诊断方法，该方法通过在原始CNN模型中添加局部特征学习模块，有效解决了模型训练过程中存在的过拟合问题;结合STFT将采集到的滚动轴承振动信号转换为时频图，显著提高了模型的训练效率和精度，在故障诊断实验中获得了较高的准确率。

参考文献：

[1]赵鑫.起重机械风险评估方法与预防性检修策略研究[D].东北大学，2013.

[2]孟祥峰. 基于深度学习的滚动轴承的故障诊断及预测[D].电子科技大学，2020.

[3]宋志坤，徐立成，胡晓依，任海星，李强.基于改进型shapelets算法的动车组轴箱轴承故障诊断方法研究[J/OL].仪器仪表学报：1-11[2020-12-19].http：//kns.cnki.net/kcms/detail/11.2179.th.20201210.1116.004.html.

[4]MA S， CHU F， HAN A D. Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions[J].Mech Syst Signal Process， 2019，127：190-201.

[5]ZHAO M，ZHONG S， FU X，et al.Deep residual shrinkage networks for fault diagnosis[C]// IEEE Transactions on Industrial Informatics， 2019，DOI：10.1109/TII.2019.2943898.

[6]李小娟，徐增丙，熊文，王志刚，谭俊杰.基于深度度量学习的轴承故障诊断方法[J].振动与冲击，2020，39（15）：25-31.

[7]Liu Zongkai，Peng Chuan，Yang Xiaoqiang. Research and analysis of the wheeled vehicle load spectrum editing method based on short-time Fourier transform[J]. Proceedings of the Institution of Mechanical Engineers，2019，233（14）.

[8]曲建岭，余路，袁涛，田沿平，高峰.基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J].仪器仪表学报，2018，39（07）：134-143.

[9]任浩，屈剑锋，柴毅，唐秋，叶欣.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32（08）：1345-1358.