基于DCNN-SVM的滾動(dòng)軸承故障診斷方法研究*

張立智，徐衛(wèi)曉，井陸陽，譚繼文

(青島理工大學(xué) 機(jī)械與汽車工程學(xué)院，山東 青島 266520)

0 引言

滾動(dòng)軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用廣泛，是保證設(shè)備正常運(yùn)轉(zhuǎn)的關(guān)鍵部位之一[1]。由于大多機(jī)械設(shè)備在高速重載的情況下運(yùn)轉(zhuǎn)，使得滾動(dòng)軸承容易出現(xiàn)各種故障。因此，檢測滾動(dòng)軸承的狀態(tài)信息并進(jìn)行故障診斷，對(duì)大幅度減少維修成本和確保設(shè)備正常運(yùn)行具有重要意義。

近幾年，國內(nèi)外諸多學(xué)者利用深度學(xué)習(xí)模型對(duì)滾動(dòng)軸承進(jìn)行故障診斷。Guo等[2]使用深度自編碼模型對(duì)軸承故障進(jìn)行診斷，提取振動(dòng)信號(hào)的時(shí)域特征與頻域特征，再輸入到深度自編碼模型中進(jìn)行故障識(shí)別；Lu等[3]基于深度降噪編碼器模型對(duì)軸承進(jìn)行故障監(jiān)測，測試了模型在不同信噪比條件下對(duì)故障軸承的診斷精度，并討論了深度降噪編碼器的參數(shù)選擇問題；Janssens等[4]對(duì)軸承進(jìn)行故障監(jiān)測，先使用FFT對(duì)信號(hào)進(jìn)行預(yù)處理，再使用深度卷積模型提取振動(dòng)信號(hào)特征并得出診斷結(jié)果；Zhang等[5]采用深度卷積模型對(duì)故障軸承進(jìn)行診斷，直接處理振動(dòng)信號(hào)并結(jié)合區(qū)域適應(yīng)性方法，提高模型診斷效果。上述故障診斷研究中，大多需要對(duì)振動(dòng)信號(hào)進(jìn)行復(fù)雜的信號(hào)處理，處理方法存在固有缺陷。其次，深度學(xué)習(xí)在特征提取和表達(dá)方面表現(xiàn)出優(yōu)越的性能，但是難以達(dá)到很好的分類準(zhǔn)確度[6]，網(wǎng)絡(luò)泛化能力較差。為解決上述問題，本文直接對(duì)滾動(dòng)軸承原始信號(hào)進(jìn)行訓(xùn)練，降低了信號(hào)處理上的難度，并利用分類效果顯著的支持向量機(jī)進(jìn)行分類，相比經(jīng)典深度卷積模型和BP神經(jīng)網(wǎng)絡(luò)等方法提高了診斷準(zhǔn)確率。

1 深度卷積模型

深度卷積模型(Deep convolutional neural network，DCNN)是深度學(xué)習(xí)中的主要模型之一，在圖像處理、語音識(shí)別等領(lǐng)域取得了巨大突破[7]。DCNN具有較強(qiáng)的數(shù)據(jù)信息挖掘能力與信息融合能力[8]，在旋轉(zhuǎn)機(jī)械故障信號(hào)的“特征提取”與“多信息融合”兩個(gè)方面具有較大應(yīng)用潛力與研究前景。

深度卷積模型主要包含三類結(jié)構(gòu)層，分別是卷積層、池化層及全連接層[9]。如圖1所示，經(jīng)典深度卷積模型主要由二維卷積層與池化層組合成的小單元堆疊而成，在模型的最后再加上全連接層組成完整的一套信息提取及模式識(shí)別模型。

圖1 經(jīng)典深度卷積模型結(jié)構(gòu)圖

卷積層是深度卷積網(wǎng)絡(luò)中最為核心的部分，它通常是由多組二維濾波器組成。當(dāng)數(shù)據(jù)進(jìn)入卷積層后，與二維濾波器的權(quán)值進(jìn)行卷積運(yùn)算，卷積后的結(jié)果就是卷積層的輸出。假設(shè)輸入卷積層是X，屬于RA×B，A和B是輸入數(shù)據(jù)的維度。然后卷積層的輸出可以如下計(jì)算：

(1)

池化層又叫降采樣層，一般接在卷積層之后，與卷積層成對(duì)出現(xiàn)。輸出可以描述如下：

(2)

其中,Pcn是池化層第cn個(gè)輸出，輸出數(shù)是CN；S是池化層尺寸。

全連接層為深度卷積網(wǎng)絡(luò)的最后一層，由于采用傳統(tǒng)網(wǎng)絡(luò)的“全連接”模式而得名。假設(shè)任務(wù)是一個(gè)K-label問題，softmax回歸的輸出可以計(jì)算如下：

(3)

其中,θ(1),θ(2),…θ(k)是模型的參數(shù)，Oj是DCNN的最終結(jié)果。

2 DCNN-SVM模型

本文利用深度卷積模型對(duì)滾動(dòng)軸承信號(hào)進(jìn)行自適應(yīng)特征提取，之后輸入到SVM分類器中進(jìn)行分類，方法流程如圖2所示。利用DCNN對(duì)10類滾動(dòng)軸承信號(hào)進(jìn)行特征提取，自適應(yīng)提取10種特征，并對(duì)特征進(jìn)行主成分分析，根據(jù)PCA結(jié)果對(duì)DCNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，直到滿足要求為止。接著將提取的特征輸入到SVM分類器中，進(jìn)行故障識(shí)別。

圖2 DCNN-SVM模型流程圖

為了驗(yàn)證DCNN-SVM模型的有效性，使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)這兩種故障診斷中最為常見的模型進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比實(shí)驗(yàn)流程圖如圖3所示。對(duì)照實(shí)驗(yàn)1中經(jīng)典深度卷積模型參數(shù)與DCNN-SVM模型中DCNN參數(shù)相同；對(duì)照實(shí)驗(yàn)2中直接將原始信號(hào)輸入到BP神經(jīng)網(wǎng)絡(luò)中；對(duì)照實(shí)驗(yàn)3與4，先人工提取15種特征，并分別輸入到BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)中進(jìn)行故障識(shí)別，其中支持向量機(jī)參數(shù)與DCNN-SVM模型中SVM參數(shù)相同；對(duì)照實(shí)驗(yàn)2與3的BP神經(jīng)網(wǎng)絡(luò)參數(shù)相同。

圖3 對(duì)比實(shí)驗(yàn)流程圖

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)系統(tǒng)建立

為了驗(yàn)證DCNN-SVM模型在特征提取與故障識(shí)別中的效果，利用凱斯西儲(chǔ)大學(xué)的滾動(dòng)軸承故障診斷公開實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。選取滾動(dòng)軸承10種狀態(tài)：正常、內(nèi)圈點(diǎn)蝕直徑0.007英寸、內(nèi)圈點(diǎn)蝕直徑0.014英寸、內(nèi)圈點(diǎn)蝕直徑0.021英寸、滾珠點(diǎn)蝕直徑0.007英寸、滾珠點(diǎn)蝕直徑0.014英寸、滾珠點(diǎn)蝕直徑0.021英寸、外圈點(diǎn)蝕直徑0.007英寸、外圈點(diǎn)蝕直徑0.014英寸、外圈點(diǎn)蝕直徑0.021英寸。

每種狀態(tài)下電機(jī)轉(zhuǎn)速分別為1797rpm、1772rpm、1750rpm、1730rpm。采樣頻率為12kHz，每種電機(jī)轉(zhuǎn)速下采樣長度為12kHz個(gè)數(shù)據(jù)點(diǎn)，每種狀態(tài)得到4×12k個(gè)數(shù)據(jù)點(diǎn)。本實(shí)驗(yàn)選取1000個(gè)數(shù)據(jù)點(diǎn)作為一組數(shù)據(jù)樣本，每類故障得到480組數(shù)據(jù)，共得到4800組數(shù)據(jù)。選取其中83%為訓(xùn)練樣本，17%為測試樣本。為提高結(jié)果統(tǒng)計(jì)性，每類模型的訓(xùn)練與測試將進(jìn)行10次，10次測試樣本的平均診斷正確率作為最終結(jié)果。

經(jīng)過調(diào)試后選擇的DCNN-SVM模型參數(shù)如表1所示。

表1 DCNN-SVM模型參數(shù)選擇

3.2 實(shí)驗(yàn)結(jié)果分析

在對(duì)比實(shí)驗(yàn)設(shè)計(jì)中，人工特征的選擇為均值、均方根值、方根幅值、絕對(duì)平均值、歪度、峭度、方差、最大值、最小值、峰值這10個(gè)有量綱指標(biāo)，波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)這5個(gè)無量綱指標(biāo)，共15個(gè)人工特征類型[10]。接著輸入到BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)中進(jìn)行分類。DCNN-SVM模型診斷結(jié)果與對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。

表2 DCNN-SVM模型及其對(duì)照方法的平均測試診斷正確率

DCNN-SVM模型與經(jīng)典深度卷積模型10次實(shí)驗(yàn)診斷結(jié)果如圖4所示。

分析上述實(shí)驗(yàn)結(jié)果，不難看出本文提出的DCNN-SVM模型能夠有效地提取故障特征并進(jìn)行故障狀態(tài)的識(shí)別。本文提出的方法具有最高的平均診斷精度 99.25%，比人工特征提取及其他各類常用模型均有更好的故障診斷效果。

圖4 診斷精度最高的兩種方法的10次實(shí)驗(yàn)結(jié)果

為進(jìn)一步驗(yàn)證DCNN-SVM模型自適應(yīng)提取特征的能力，本實(shí)驗(yàn)采用主成分分析PCA對(duì)自適應(yīng)提取的特征、人工提取特征以及原始輸入數(shù)據(jù)進(jìn)行分析[11]，分析結(jié)果如圖5所示。

(a) 原始輸入數(shù)據(jù)

(b) 本文提出方法自適應(yīng)提取的特征

(c) 人工提取的特征 圖5 原始輸入數(shù)據(jù)與特征數(shù)據(jù)的PCA結(jié)果

由PCA結(jié)果可以看出DCNN-SVM模型的自適應(yīng)提取的特征要優(yōu)于人工提取的特征。PCA結(jié)果從提取特征分類能力的角度也證明了DCNN-SVM模型能夠有效地自適應(yīng)提取特征，進(jìn)而基于提取的有效特征對(duì)設(shè)備進(jìn)行準(zhǔn)確的故障診斷。

4 結(jié)束語

(1)DCNN-SVM模型能夠很好的對(duì)滾動(dòng)軸承信號(hào)進(jìn)行自適應(yīng)特征提取，特征提取效果優(yōu)于本文中給出的人工特征提取方法。

(2)本文采用的SVM方法的分類效果優(yōu)于DCNN中softmax分類器的分類效果。DCNN-SVM模型對(duì)滾動(dòng)軸承的故障診斷效果較經(jīng)典深度卷積模型更優(yōu)。