CNN-RNN融合法在旋轉機械故障診斷中的應用

丁頔　南國防

摘要：針對目前旋轉機械故障診斷存在運算時間長、精度不高等問題，將CNN的特征提取能力和RNN時序處理能力相結合，提出了CNN＼|RNN融合分析法.該方法使用一維CNN網絡提取特征數(shù)據，剔除受環(huán)境噪音等因素影響的無效信息且依然具有時序性，再由處理時序數(shù)據精度較高的RNN對該特征數(shù)據進行計算處理進而對旋轉機械進行故障診斷.在測試集上的驗證實驗結果表明，該方法不需要手動提取特征數(shù)據，運算時間大約減少1/2，故障診斷精度提高約2%，具有可行性.

Abstract：Aimingattheproblemsofcurrentfaultdiagnosisofrotatingmachinerywithlongcalculationtimeandlowaccuracy，aCNN＼|RNNfusionanalysismethodwasproposedbycombiningthefeatureextractioncapabilityofCNNandtheprocessingcapabilityofRNNtiming.Aone＼|dimensionalCNNnetworkwasusedtoextractfeaturedata，whichremovedinvalidinformationaffectedbyenvironmentalnoiseandotherfactorsandstillhadtimeliness.Then，theRNNwithhighaccuracyofprocessingtime＼|seriesdatacalculatedthefeaturedataandthenappliedtothefaultdiagnosisofrotatingmachinery.Theexperimentalresultsonthetestsetshowedthatthemethoddidnotrequiremanualextractionoffeaturedata，thecomputingtimewasreducedbyabout1/2，andtheaccuracyoffaultdiagnosiswasincreasedbyabout2%.Thismethodhadfeasibility.

關鍵詞：卷積神經網絡;遞歸神經網絡;故障診斷;旋轉機械

Keywords：convolutionalneuralnetwork（CNN）;recurrentneuralnetwork（RNN）;faultdiagnosis;rotatingmachinery

0引言

隨著現(xiàn)代科技的發(fā)展，機械、機電設備的集成度越來越高且越來越復雜.當設備發(fā)生故障的時候，集成化程度越高、精密度越高的設備，通過拆卸來判斷故障的發(fā)生位置就越困難.傳統(tǒng)的故障診斷方法需要建立設備模型，使用小波分析等方法，從業(yè)人員還需要有豐富的行業(yè)經驗和實踐經歷，要求較高.

2006年深度學習理論被提出后，業(yè)界開始將深度學習法用于故障診斷[1-2].目前，主流的深度學習網絡模型有卷積神經網絡（CNN）模型和遞歸神經網絡（RNN）模型兩種.H.Yu等[3]利用深度卷積模型對原始信號進行處理，并使用適應性方法進行模型訓練，在測試集上的準確率為92.4%.莊雨璇等[4]使用e2e＼|LSTM準確地識別了不同負載情況下的軸承故障類型和故障尺寸，準確率達到98.55%.張青青[5]使用改進的AlexNet對滾動軸承變工況故障進行診斷，準確率達到了90.75%.A.Rai等[6-7]手動提取時域、頻域信號，使用CNN進行故障識別，準確率可達93.5%.M.Jouin等[8-9]采用改進的RNN對原始數(shù)據進行訓練，可進一步提高故障診斷的準確率.

上述研究都只是單獨使用CNN或者RNN進行訓練，不適用于旋轉機械的故障診斷.旋轉機械的故障數(shù)據具有明顯的時態(tài)性，CNN在處理該類型數(shù)據時，效率和精度都沒有RNN高.而RNN沒有特征提取能力，一般采用提取時域、頻域信號或者PCM方法作為預處理的一部分，而這兩種預處理方法均沒有CNN的提取效率高，并且在多工況狀態(tài)下還需要手動調整相關參數(shù).鑒于此，本文擬將CNN與RNN相融合，先使用CNN高效提取特征數(shù)據集，再利用RNN模型對提取之后的特征數(shù)據進行訓練，進而對軸承等旋轉機械進行故障診斷，以期達到減少人工提取時間，提高故障診斷效率和精度的目的.

1CNN＼|RNN融合法

1.1CNN＼|RNN融合法的思路

在針對軸承等旋轉機械的故障診斷中，對輸入信號數(shù)據集進行處理以提取其中的有效部分是重要而又繁瑣的環(huán)節(jié)[8].這個環(huán)節(jié)需要工程師擁有多年的相關經驗才能處理好，否則可能導致數(shù)據獲取失敗，無法正確進行故障診斷.而CNN能夠自動提取數(shù)據集的特征，并進行處理[10-14].傳統(tǒng)處理過程與CNN處理過程的比較如圖1所示.

雖然RNN需要手動提取時域、頻域等特征信息，但是可以使用上一次計算的隱含層來進行計算，從而提高權重計算的準確性，適用于序列性比較強的數(shù)據，比如從0到1的故障診斷數(shù)據.RNN單層計算流程如圖2所示.圖2中向量x是經過特征提取后輸入的時域、頻域數(shù)據;s表示隱藏層的值，其不僅受當前輸入數(shù)據的影響，也受上次計算的隱藏層值的影響;權重矩陣W是隱藏層上一次的值，可作為這一次輸入的權重;U是輸入層到隱藏層的權重矩陣，與此相對應的是V，它代表隱藏層到輸入層的權重矩陣;O表示輸入的時域、頻域數(shù)據經過和上一次隱藏層數(shù)據聯(lián)合計算后的輸出數(shù)據.

CNN適用于分層數(shù)據，能夠自動提取數(shù)據特征;RNN適用于時態(tài)數(shù)據和其他類型的序列數(shù)據，計算耗時一般較CNN少.對于軸承故障診斷來說，相比于RNN，CNN能夠提取時域、頻域等特征，但是CNN無法將數(shù)據序列看成是一連串的具有時序的數(shù)據.軸承故障數(shù)據表明了軸承從正常工作到出現(xiàn)故障是一個漸進、連續(xù)的過程，CNN在計算過程中無法體現(xiàn)出這些時序的特征[15-16]，而RNN可以，所以本文將CNN與RNN進行融合，先使用CNN進行特征提取的預處理，處理之后的數(shù)據交給RNN進行訓練.

2驗證實驗

2.1數(shù)據來源

本次研究數(shù)據均來自美國西儲大學軸承數(shù)據中心.實驗平臺由電機、轉矩傳感器、功率計和電子控制設備構成.軸承故障是使用電火花制造的，為了對這個影響進行定量研究，實驗中分別在單點驅動端和風扇端的軸承外圈3點鐘（直接位于受載區(qū)）、6點鐘（正交于受載區(qū)）、12點鐘方向布置故障.分別采集正常軸承、單點驅動端和風扇端故障數(shù)據用于故障診斷分析[22].

2.2樣本設置

本次實驗數(shù)據為深溝球軸承的12K驅動端故障數(shù)據，其提取范圍如下：故障深度為0.1778mm;故障位置分別為軸承外圈3點鐘、6點鐘、12點鐘方向;電機載荷分別為0.7kW，1.4kW，2.1kW，2.8kW.軸承轉一圈采樣400個點，從每一個故障時間序列數(shù)據選擇120000個采樣點.將400個采樣點作為1個樣本，所以一個故障時間序列有300個樣本.每種故障位置取1000個故障序列，總共3×105個樣本.驗證數(shù)據為1×105個樣本.

2.3結果與分析

為驗證本文方法在訓練精度和時間上的優(yōu)勢，將軸承故障數(shù)據分別輸入使用CNN處理和CNN＼|RNN融合法處理的網絡中進行計算，結果如圖4—圖8所示.

由圖4和圖5可知，在僅使用CNN的情況下，經過10次訓練，驗證損失率降低到15.1%，驗證精度達92.8%.由圖6和圖7可知，在使用CNN做特征提取、RNN做迭代計算的情況下，經過10次訓練，驗證損失率降至9.13%，驗證精度達98.18%.

由圖8可知，在負載分別為0.7kW，1.4kW，2.1kW，2.8kW時，CNN運算時間基本均為本文方法的2倍，由此證明了使用CNN＼|RNN融合法能夠大幅度減少計算所需時間.

為驗證本文方法針對軸承不同位置的故障均具有良好的泛化性，將軸承外圈3點鐘、6點鐘、12點鐘位置的故障數(shù)據和軸承內圈的故障數(shù)據分別使用CNN，RNN與本文方法進行訓練驗證.CNN，RNN與本文方法測試集精度的對比結果如圖9所示.

由圖9可知，在軸承外圈3點鐘、6點鐘、12點鐘位置和軸承內圈出現(xiàn)電火花故障的測試集下，CNN＼|RNN融合法的精度比單獨使用CNN或者RNN提高約2%，證明該方法在故障診斷實踐中具有可行性.

3結語

本文將CNN的特征提取能力與RNN的時序處理能力相結合，提出了CNN＼|RNN融合法，并將其應用于軸承類旋轉機械的故障診斷.該方法先使用CNN進行數(shù)據處理，提取相應特征并過濾無效信息，處理后的數(shù)據再經RNN網絡進行計算.在測試集上的驗證實驗表明，將CNN與RNN結合之后，減少了大約1/2的計算時間，故障診斷精度提高約2%，該方法在實踐中是可行的.因為實驗設備限制，本文未對現(xiàn)實中機械故障發(fā)生的時序性進行研究.下一步將對振動故障從0到1的時序數(shù)據進行研究，以實現(xiàn)根據當前數(shù)據預測可能發(fā)生故障的概率，從而及時采取措施，避免安全事故的發(fā)生.

參考文獻：

[1]陳長征，張省，虞和濟.基于神經網絡的旋轉機械故障診斷研究[J].機械強度，2000，22（2）：104.

[2]任浩，屈劍鋒，柴毅，等.深度學習在故障診斷領域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345.

[3]YUH，HATZIVASSILOGLOUV.Towardsansweringopinionquestions：Separatingfactsfromopinionsandidentifyingthepolarityofopinionsentences[C]∥ProceedingsofConferenceonEmpiricalMethodsinNaturalLanguageProcessing.Sapporo：ACL，2003：129.

[4]莊雨璇，李奇，楊冰如，等.基于LSTM的軸承故障診斷端到端方法[J].噪聲與振動控制，2019，39（6）：187.

[5]張青青.基于改進AlexNet的滾動軸承變工況故障診斷研究[D].蘭州：蘭州理工大學，2019.

[6]RAIA，UPADHYAYSH.Areviewonsignalprocessingtechniquesutilizedinthefaultdiagnosisofrollingelementbearings[J].TribologyInternational，2016，96：289.

[7]WANGL，WANGZG，LIUS.Aneffectivesmultivariatetimeseriesclassificationapproachusingechostatenetworkandadaptivedifferentialevolutionalgorithm[J].ExpertSystemswithApplications，2016，43：237.

[8]JOUINM，GOURIVEAUR，HISSELD，etal.Particlefilter＼|basedprognostics：Review，discussionandperspectives[J].MechanicalSystemsandSignalProcessing，2015，72/73：194.

[9]趙光權，葛強強，劉小勇，等.基于DBN的故障特征提取及診斷方法研究[J].儀器儀表學報，2016，37（9）：1946.

[10]李巍華，單外平，曾雪瓊.基于深度信念網絡的軸承故障分類識別[J].振動工程學報，2016，29（2）：340.

[11]劉輝海，趙星宇，趙洪山，等.基于深度自編碼網絡模型的風電機組齒輪箱故障檢測[J].電工技術學報，2017，32（17）：156.

[12]時培明，梁凱，趙娜，等.基于深度學習特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J].中國機械工程，2017，28（9）：1056.

[13]李巍華，單外平，曾雪瓊.基于深度信念網絡的軸承故障分類識別[J].振動工程學報，2016，29（2）：340.

[14]侯文擎，葉鳴，李巍華.基于改進堆疊降噪自編碼的滾動軸承故障分類[J].機械工程學報，2018，54（7）：87.

[15]HEK，ZHANGX，RENS，etal.Delvingdeepintorectifiers：Surpassinghuman＼|levelperformanceonimagenetclassification[C]∥2015IEEEInternationalConferenceonComputerVision（ICCV）.Piscataway：IEEEConferencePublications，2015：14.

[16]張倩.基于共振解調原理和轉速階比譜分析的滾動軸承故障診斷方法研究[D].杭州：浙江大學，2012：37.

[17]EL＼|THALJII，JANTUNENE.Asummaryoffaultmodellingandpredictivehealthmonitoringofrollingelementbearings[J].MechanicalSystemsandSignalProcessing，2015，60/61：252.

[18]VINYALSO，TOSHEVA，BENGIOS，etal.Showandtell：Aneuralimagecaptiongenerator[C]∥Proceedingsofthe2015IEEEConferenceonComputerVisionandPatternRecognition.Piscataway：IEEEConferencePublications，2015：47.

[19]石鑫，朱永利.深度學習神經網絡在電力變壓器故障診斷中的應用[J].電力建設，2015，36（12）：116.

[20]吳國文，肖翱.基于深度學習神經網絡的齒輪箱故障識別研究[J].網絡安全技術與應用，2016（12）：162.

[21]侯榮濤，周子賢，趙曉平，等.基于堆疊稀疏自編碼的滾動軸承故障診斷[J].軸承，2018（3）：49.

[22]張西寧，向宙，唐春華.一種深度卷積自編碼網絡及其在滾動軸承故障診斷中的應用[J].西安交通大學學報，2018，52（7）：6.