卷积神经网络在滚动轴承故障诊断中的应用

马海宁 何鑫 陈竞竞 汪卉

摘要：如今，滚动轴承在机械领域应用广泛，而滚动轴承是容易发生故障的零件。在滚动轴承故障诊断中，传统经验分析法受人工经验的影响局限性较大。鉴于此，文章设计了以长短时记忆（LongShort-Term Memory，LSTM）和卷积神经网络（Convolutional Neural Network，CNN）为基础的轴承故障诊断模型，通过故障数据对两种模型进行训练，在TensorFlow框架下，对LSTM和CNN两种不同方法进行了仿真对比。实验发现，基于CNN的轴承故障诊断模型在各方面性能都更为优异，准确率比基于LSTM的轴承故障诊断模型高出8%。实验结果表明，应用CNN模型能够提高滚动轴承故障诊断准确率，具有较高的应用价值。

关键词：滚动轴承;故障诊断;LSTM;CNN

中图法分类号：TP183文献标识码：A

Application of convolutional neural network in fault diagnosis ofrolling bearings

MA Haining，HEXin，CHENJingjing，WANG Hui

（School of Electrical and Control Engineering，ShenyangJianzhuUniversity，Shenyang 110168，China）

Abstract：In modern society， rolling bearings are widely used in the field of machinery，and rolling bearings are components prone to failure. In the fault diagnosis of rolling bearing， the traditional empirical analysis method is greatly limitedby manual experience. To solve this problem， this paper designs a bearing fault diagnosis model based on Long Short-Term Memory and Convolutional Neural Networks. The two models are trained using fault data of rolling bearings. Under the framework of TensorFlow，two different methods for LSTM and CNN are simulated and compared. Experiments show that the bearing fault diagnosis model based on CNN has better performance in all aspects， and the accuracy is 8% higher than that based on LSTM.The experimental results show that the application of the CNN model can improve the accuracy of rolling bearing fault diagnosis and has high application value.

Key words： rolling bearings， fault diagnosis，LSTM，CNN

1引言

滚动轴承在机械领域占据重要地位，受工作环境和负载变化等因素影响，滚动轴承极易受到磨损、冲击、震动、操作错误等影响导致损坏，从而带来重大损失。滚动轴承发生故障之后，較难确定故障产生的原因以及具体位置。传统的诊断方法很大程度上依赖人工干预和经验判断，无法准确、高效定位和识别故障点[1]。因此，优化轴承故障诊断网络模型，解决故障识别率低的问题，进行有效的故障诊断有重要意义。

2 LSTM 和 CNN 的基本原理

2.1长短时记忆网络的基本原理

长短时记忆（ Long Short?Term Memory，LSTM ）是一种可以持续很长时间的短期记忆模型，是递归神经网络的一个变种，其基本组成单元是神经元。不同的是，LSTM 为了解决梯度消失的问题，采用了节点激活法，理论上可以在任何时间段“记忆”，LSTM 是由 LSTM 神经元为基本组成单元的递归神经网络[2]。 LSTM 开创了人工神经元"门"的概念。LSTM 结构在隐藏层中包含由一个储蓄单元和几个门结构组成的神经元细胞或记忆单元，每个门类似于一个“正常”的人工神经元。典型的 LSTM 的基本神经单元如图1所示。

2.2卷积神经网络的基本原理

卷积神经网络（ Convolutional Neural Network， CNN）是一种前馈神经网络，由 Yann LeCun等[3]提出，灵感来自于动物视觉皮层细胞的感受机制。卷积神经网络能够解决大量的模型数据图像识别并检测提取有效信息，这是由于卷积神经网络学习特征的强大能力。CNN 还具有很强的容错性和鲁棒性，对缩放和扭曲不敏感。其基本结构如图2所示。这是一个拥有两个以上隐含层的卷积神经网络，也是一种深度神经网络，一般包括两部分：滤波级通常由卷积层和池化层组成，其主要功能是对输入数据进行过滤，以消除噪音和降低维度，并得到所需的特征;分类级可以进行分类处理，通常由一些全连接层组成。

3 LSTM 和 CNN 网络结构

3.1 LSTM 网络结构

本文设计的网络结构要能够处理每一个信号，因为滚动轴承的故障是成周期变化的[4]。长短时记忆既包含了长时记忆又包含了短时记忆，解决了循环神经网络的长期依赖问题。

LSTM 模型计算过程先输入上一时刻和当前时刻数据，通过三个门进行计算后再使用遗忘门和输入门进行记忆单元的更新，通过输出门将内部状态同步到外部。之后设计一个 Sequential 容器，该容器是可以自定义添加网络层。首先，设置 LSTM 层，该层以 Tanh 函数为激活函数，Sigmoid 函数作为用来循环时间步的函数，设置门控单元输出维度为32。其次，设置 Flatten 层。最后，设置全连接层，并通过Softmax函数为激活函数进行分类诊断。

3.2 CNN 网络结构

通常在处理图像样本时，CNN 网络性能会随着神经元数量、网络层数等参数的增加而提高。但随着神经元数量的不断增加，CNN 网络卷积运算速度也会相应放慢，从而降低网络效率[5]。因此设计的卷积神经网络基础模型如下：首先，是一个窗口大小为64×1，步长16×1的卷积层，该卷积层用于提取特征;接下来是窗口大小为2×1，缩小比例因数为2的池化层，越多的网络层非线性映射越多，可以抑制过拟合;接下来是全连接层，神经元数是32;最后输出层的激活函数为Softmax函数。

4轴承故障诊断实验

4.1数据来源

实验数据来自凯斯西储大学（ CWRU）滚动轴承数据中心的轴承故障诊断数据，该数据收集了正常轴承以及单点驱动端和风扇端缺陷的数据。对于驅动端轴承实验，以12K 个样本点/秒、48K 个样本点/秒为数据收集的速度。同时，以12K 个样本点/秒的速度收集所有风扇端轴承数据。数据集包括正常情况下的数据、采样频率为12kHz 的驱动端轴承故障数据、采样频率为48kHz 的驱动端轴承故障数据、风扇端故障数据。每类样本都有十几万个数据，实际使用时进行了自行抽样，划分为训练集、验证集、测试集。仿真所用的数据为部分轴承数据，即正常振动数据和滚动体、内圈、外圈故障在三种故障等级下的振动数据，共九种故障加上一种正常状态，即10组数据。

4.2诊断模型训练与测试

（1）LSTM 模型训练

首先，进行数据集的整理，整理完成后设置网络结构，为网络训练做准备。在网络结构设置中，网络每个 batch 包含128个样本，共记10组数据，每类样本数量为1000，同时将数据标准化，对 x 和 y 的训练数据和有效数据以及测试数据进行初始化。每类样本数量为1000，长度为2048，并且进行标准化，训练、验证、测试集划分比例为7：2：1。其次，构建 LSTM 网络模型并编译。最后，对模型进行训练，并评估模型。使用基于 LSTM 模型的轴承进行故障诊断模型进行故障诊断，训练和测试结果如表1所列。其中，全程故障诊断运行时间为10分钟左右;在测试集上，故障诊断准确率可以达到92.00%;损失率为17.23%。

（2）CNN 模型

数据进行预处理后，设置网络结构，其中网络结构是以128个样本为一批进行处理的，共有10类数据，每类样本数量为1000，数据进行标准化，训练参数设置和数据预处理，之后构建 CNN 网络模型并编译。

最后，对 CNN 模型进行训练，并评估模型。使用基于 CNN 的轴承故障检测模型进行故障检测，训练和测试结果如表2所列。其中，全程故障检测运行时间为2分钟左右，时间很短;在准确率方面识别率可以达到99.90%;损失率仅为1.22%。

5结论

本文探讨了深度学习网络在轴承故障诊断中的应用，采用 LSTM 和 CNN 两种网络原型设计了两种轴承故障诊断网络模型，在凯斯西储大学轴承数据中心完成了训练和测试。实验结果表明，当使用 LSTM 网络模型对滚动轴承进行故障诊断时，准确率相对较低，通过对比分析实验结果发现，应用 CNN 网络模型对滚动轴承故障诊断的准确率更高，可达到99.96%，训练用时更短，只需要2分钟。由此可知，CNN 网络模型可以带来更高的诊断效率和准确率。

参考文献：

[1]洪腾蛟，丁凤娟，王鹏，等.深度学习在轴承故障诊断领域的应用研究[ J].科学技术与工程，2021，21（22）：9203?9211.

[2]陈伟.深度学习在滚动轴承故障诊断中的应用研究[D].成都：西南交通大学，2018.

[3]舒陶.基于深度学习的滚动轴承故障诊断方法研究[D].广州：广东工业大学，2020.

[4]庄雨璇，李奇，杨冰如.基于 LSTM 的轴承故障诊断端到端方法[J].噪声与振动控制，2019，39（6）：187?193.

[5]许爱华，杜洋，袁涛.基于深度学习的电机轴承故障诊断研究[J].组合机床与自动化加工技术，2020（3）：45?48，54.

作者简介：

马海宁（1999—），本科，研究方向：机器学习、轴承故障诊断。