基于深度学习的轴承故障诊断方法研究

邹涵铭 闵琳 朱询询 张奕婷 祁玉梅

（苏州城市学院轨道交通工程系 江苏省苏州市 215104）

1 引言

旋转机械是工业领域中普遍应用的机械设备，对社会经济发展具有重要意义。机器意外故障会造成相当大的经济损失甚至人员伤亡。因此，众多研究人员提出了各种故障诊断方法，以监测旋转机械的运行状态，提高其安全性和可靠性，其中故障特征提取是故障诊断的关键，而提取特征的质量直接决定了诊断的准确性。常见的有小波变换、经验模态分解[等特征提取方法。虽然这些方法在特征提取和故障诊断方面取得了很大的成功，但它们都需要大量的人力来提取判别特征，这些判别特征耗时且需要丰富的专业知识。此外，提取出的不同特征可能导致诊断结果的不同，这是不稳定的，实际生产中亟需一种智能化快速精确判断轴承故障的方法。

深度学习是机器学习的一大突破，它具有强大的数据表达能力，可以充分利用其深度网络架构自动提取样本的高级特征。与传统的特征提取方法相比，深度学习方法更节省时间，且不需要人为干预。目前，深度学习已成功应用于语音识别、计算机视觉、自然语言处理等领域。这些成果充分说明了深度学习方法自动特征的学习能力。近年来，深度学习被广泛应用于故障特征提取和故障诊断。胡茑庆等采用深度卷积神经网络(Deep Convolutional Neural Network，DCNN)对齿轮箱进行自动故障特征提取和故障诊断。Tamilselvan等利用深度信念网络 (Deep Belief Network，DBN)自动提取特征，成功地对飞机和电力变压器进行故障诊断。Jia等的成功地将基于自编码器(Autoencoder，AE)的深度神经网络(Deep Neural Network，DNN)用于轴承和行星齿轮箱故障特征提取和故障诊断。Shao等提出了一种基于AE的特征提取和故障检测方法。在识别故障类型的同时，曲建岭等提出了一种基于一维卷积神经网络（ACNN-FD）的故障诊断方法，用于自动提取轴承故障特征，进而诊断出故障类型和故障严重程度。随着大数据运用不断加深，计算机硬件水平不断提高，深度学习方法将继续深入发展且被更为广泛地应用，在工业领域有着良好的前景。

衡量利用深度学习方法自动提取到的特征，最重要的一个方面是这些特征能否探索输入中更有用的信息，避免冗余并且具有代表性，即稀疏性。为此，本文提出了一种基于堆叠稀疏自动编码器（SAE）的网络，用于旋转机械故障特征的自动提取和故障诊断。SAE的惩罚项有助于挖掘更抽象、更稀疏、更具有代表性的特征。由于轴承是旋转机械的重要部件，直接影响旋转机械的运行状态，最后通过实验和与轴承数据集的对比验证了该深度学习方法的有效性和优越性。

2 堆叠SAE深度网络简介

2.1 SAE

AE是一种无监督特征学习神经网络，它主要由三部分组成：输入层、隐藏层、输出层。输入层与隐藏层构成了一种类似编码器的网络，目的在于提取特征；隐藏层与输出层则构成一种类似解码器的网络，目的在于利用学习到的特征重建输入。传统的CNN训练是需要样本数据和标签数据的，即需要告诉神经网络正确的结果是什么，这称为有监督的学习。无监督学习，就是无须告诉神经网络什么是正确的。网络的学习的关键在于不断输入样本，并且要求学习的输出尽量接近输入样本，实现这个功能需要代价函数。这里的无监督学习的核心原理就是要让网络自动地学习到样本的特征。

SAE的训练过程旨在自动学习原始输入的更稀疏、更有代表性的特征。参数初始化后，利用BP算法最小化算法的总体代价函数。SAE不断更新参数，直到达到最大迭代。神经网络权重W1、W2和偏置b1和b2可以在训练过程中同时学习，并达到最佳状态，最终得到一个训练良好的SAE。

2.2 堆叠SAE深度网络

将U个SAE进行堆叠，构建具有U个隐含层的堆叠型SAE深度网络，输出层加入softmax分类器进行分类，如图1所示。

图1：堆叠SAE深度网络结构

堆叠SAE深度网络的训练包括自下而上的预训练和自上而下的微调两个主要过程，这两个过程保证了所得到的参数集更加有效。预训练旨在提前训练SAE和softmax分类器来学习相关的每个模型,得到一组最佳初始化参数。微调事实上是一种有监督的调整，微调的目的是调整每一层网络参数，获得最优的参数集，建立最合适的学习特征和理想标签之间的关系。首先，使用BP算法逐层对每一个单独的SAE进行预训练，直到SAE训练良好为止。然后，通过监督学习可以很好地训练softmax分类器。最后，利用BP算法对整个网络进行有监督微调，在学习到的特征和标签之间建立最合适的关系。

3 基于堆叠SAE的故障诊断方法

本文提出的基于SAE的堆叠诊断方法流程图如图2所示。采集到的信号首先通过快速傅里叶变换(Fast Fourier Transform，FFT)进行时域信号到频域的变换，然后将数据集随机分为训练和测试两个数据集，前者和后者分别负责训练和验证所构建的基于SAE的堆叠诊断网络。

图2：基于堆叠SAE的诊断网络诊断流程图

4 验证实验

4.1 数据的介绍

为验证本文提出方法的有效性，需要用已知且稳定的轴承故障数据集进行实验验证。轴承实验台及轴承故障数据由凯斯西储大学提供。通过实验台将轴承缺陷人为设置在宽0.20 mm的内圈、外圈和滚动元件表面。实验数据采样频率为10 kHz，数据采样点为1024，将实验所得4类轴承数据，分别为内圈故障(Inner Race Fault，IF)、外圈故障(Outer Race Fault，OF)、球故障(Ball Fault，BF)和正常状态(Normal condition，N)，标记为1、2、3、4，进而得到4类健康状态数据集。

每个健康状况数据集包含600个样本，其中随机抽取300个样本作为训练集，其余300个样本作为数据集。

4.2 验证结果与分析

首先采用FFT对采集到的时域信号进行频域变换，选取频域内的数据点为1024，由于振幅谱的前512个点与后512个点完全对称，因此只将前512个点作为诊断网络的输入，所以网络的输入大小为512。表1给出了所构建的SAE堆叠网络的详细参数。每个SAE、softmax分类器和调整过程的迭代数分别设置为8000、8000、8000、10000、10000。在实验环境比较理想从而保证数据的有效采集下，该方法对所有的测试样本均能正确诊断，测试精度达到了100%。

表1：诊断网络的详细参数

为了进一步证明所提方法在代表性特征自动提取和故障诊断方面的优越性，采用了与堆叠SAE网络结构相同的堆叠AE网络和ANN作比较，该ANN只有一个隐藏层，由50个神经元组成。另外也比较了输入的不同对诊断精度的影响。详细的测试精度如表2所示。前三种方法采用频谱，其余方法直接对原始时域信号进行处理。通过观察发现，在相同的输入条件下，无论是时域输入还是频域输入，堆叠SAE诊断网络和AE诊断网络的性能都优于ANN。在处理原始时域信号时，其优越性尤为显著，充分验证了深度学习方法在自动提取更有判别性的、对分类有用的高级特征方面的优越性。此外，在相同的输入条件下，基于堆叠SAE的诊断网络的性能优于基于堆叠的AE诊断网络，这充分说明了SAE由于其稀疏惩罚项比AE在挖掘更稀疏、更有代表性的特征方面的优越性。同时，对频谱进行处理的方法优于对原始时域信号进行处理的方法，说明频谱是很好的低层特征，能够帮助网络进一步提取更有代表性和有用的特征。总体而言，在本实验运用到的几类方法中，本文提出的基于叠加SAE的故障诊断方法表现最佳。

表2：不同方法测试精度表

此外，利用主成分分析方法将提取的特征可视化，更加能够直观对比几种方法在特征提取的差异与优劣程度，如图3所示。在图3(b)和3(c)中，深度学习网络更能挖掘出代表轴承相同健康状况的特征，且不同的健康状况比图3(a)中的分离得更好，这充分展示了深度学习方法的自动特征学习能力。在图3(b)中，一些代表IF和BF的特征混合在一起，而在图3(c)中，代表四种健康状况的所有特征都很好地分离了，这充分体现了SAE在提取比AE更稀疏、更有代表性的特征方面的优势。总体来说，基于堆叠SAE的诊断网络可以自动提取更稀疏、更有代表性的特征，尽可能多地保留输入的有用信息，足够有效地进行故障分类。

图3：特征可视化

5 结论与展望

本文提出了一种基于堆叠SAE网络的旋转机械故障特征自动稀疏提取与诊断方法。首先证明了频谱作为一种良好的低层特征，相较于起时域信号，更能够帮助网络提取出更具有代表性、更有效的特征。其次，将频谱作为诊断网络的输入，利用轴承数据集进行了实验分析和比较，验证了该方法的有效性。最后，结果充分显示了相较于浅层结构的ANN神经网络，本文的深度学习方法具有更好的自动提取特征能力，能够让特征提取与故障诊断实现一体化，也验证了SAE在提取更稀疏、更有代表性特征方面的优越性。本文的深度学习研究、故障提取与分析和相关结论可有效帮助解决滚动轴承故障诊断相关的问题，实际运用中，可单独针对某一类故障进行快速定性诊断。