基于數(shù)據(jù)融合的滾動軸承故障診斷方法

李鳳娟 彭 成 蔣金元

（ 湖南工業(yè)大學(xué)，湖南 株洲412007）

滾動軸承是工業(yè)生產(chǎn)中最常見、最基礎(chǔ)的零件，長期處在持續(xù)高負(fù)荷工作狀態(tài)，發(fā)生故障的概率占到旋轉(zhuǎn)機械設(shè)備故障的70%，提高滾動軸承故障診斷的準(zhǔn)確率能夠顯著降低設(shè)備故障失效的可能性，以維護設(shè)備性能，提升其使用壽命。近年來，針對滾動軸承故障診斷的研究已有很多成果。胡愛軍等[1]提出選用拉普拉斯分?jǐn)?shù)自動選取時域、頻域以及時頻域的敏感特征，運用基于優(yōu)化核極限學(xué)習(xí)機的方法實現(xiàn)多種工況條件下的滾動軸承故障診斷。魏樂等[2]提出改進的深度信念網(wǎng)絡(luò)用于故障診斷，加入Dropout 技術(shù)和Adam 優(yōu)化器提升診斷性能。

用單一的診斷方法可能會導(dǎo)致診斷結(jié)果出現(xiàn)偏差，致使最后的識別準(zhǔn)確率不高，用多種方法對滾動軸承故障信號數(shù)據(jù)進行分析并融合多種結(jié)果能夠避免方法的固有缺陷，得到高精度的識別結(jié)果。為此，提出一種基于數(shù)據(jù)融合的故障診斷方法，分別利用LSTM 和CNN 訓(xùn)練挖掘傳感器信號數(shù)據(jù)的深層故障特征，然后運用D-S 證據(jù)理論對訓(xùn)練的數(shù)據(jù)進行融合輸出診斷結(jié)果，并通過實驗驗證方法的有效性。

1 基本理論

1.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的前饋型神經(jīng)網(wǎng)絡(luò)，能夠直接從原始信號數(shù)據(jù)中通過交替和堆疊卷積層和池化層來自主學(xué)習(xí)抽象特征表示[3]，非常適合滾動軸承的故障診斷。

CNN 是包含卷積層、池化層和全連接層的深層網(wǎng)絡(luò)模型，卷積層通過多個卷積核在局部感受野內(nèi)對輸入的圖像數(shù)據(jù)做卷積運算，以實現(xiàn)對整個圖像平移不變的多特征提取。卷積操作完成后輸入到池化層，通過池化策略將經(jīng)過卷積后的局部特征映射，縮短特征映射圖的長度，從而達到減少模型參數(shù)數(shù)量，約簡特征圖尺寸的目的。經(jīng)過卷積和池化的多次操作交替堆疊后輸入到全連接層，目的是將二維特征映射圖轉(zhuǎn)換成一維輸出向量，然后將結(jié)果輸入到頂層分類器(通常為Softmax)分類，通過實際的輸出結(jié)果與理想狀態(tài)之間存在的誤差來更新網(wǎng)絡(luò)。

1.2 長短時記憶網(wǎng)絡(luò)(LSTM)

LSTM 是在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)基礎(chǔ)上改進的一種用于處理時序數(shù)據(jù)的深層訓(xùn)練模型，對當(dāng)下時刻的輸出造成影響的不僅有該時刻的輸入，還有以前時刻的輸出，對具有前后強關(guān)聯(lián)的數(shù)據(jù)的分析非常有優(yōu)勢，目前在故障診斷領(lǐng)域也有很多關(guān)于LSTM的研究[4]。

同時，LSTM 通過引入“門”結(jié)構(gòu)來調(diào)整每一時刻關(guān)于不同時間點輸出信息量的大小，保證每一循環(huán)結(jié)構(gòu)能自主捕獲相異時間跨度的依賴關(guān)系，解決了RNN 的長期時間依賴性問題。

1.3 D-S 證據(jù)理論

D-S 證據(jù)理論發(fā)展于Bayes 推理，通過對不確定信息進行融合分析，能夠較好地描述多源數(shù)據(jù)之間的置信程度，用于滾動軸承故障診斷方法能有效提升其準(zhǔn)確率。

針對一個命題的全部互不相容事件的集合定義為識別框架Θ，其內(nèi)部每個假設(shè)的初始概率分配值稱為mass 函數(shù)，且滿足：

每個假設(shè)存在一個信任區(qū)間[Bel(A),Pl(A)]來表示該假設(shè)的確定程度。Bel(A)稱為信任函數(shù)，Pl(A)稱為似然函數(shù)，計算公式如下：

Dempster 合成規(guī)則通過對識別框架內(nèi)的有限個mass 函數(shù)進行融合分析，最終計算出識別框架內(nèi)每個假設(shè)各自的信任區(qū)間，獲得綜合診斷結(jié)果。假定識別框架內(nèi)存在有限個假設(shè)：1,2，……,n，其mass 函數(shù)分別為：m1,m2,……,mn,記K 為歸一化常數(shù)，合成式則為：

2 滾動軸承故障診斷方法

2.1 故障診斷流程

本文采用基于CNN、LSTM 和D-S 證據(jù)理論的故障診斷方法，主要的操作流程如下：

（1）選取振動信號數(shù)據(jù)，劃分樣本后，對數(shù)據(jù)進行標(biāo)準(zhǔn)化預(yù)處理；

（2）將數(shù)據(jù)集的80%劃分為訓(xùn)練集，20%作為測試集；

（3）分析數(shù)據(jù)集和故障基本類型，由此確定網(wǎng)絡(luò)相應(yīng)的輸入和輸出節(jié)點，將訓(xùn)練數(shù)據(jù)集分別輸入并列的CNN 和LSTM 訓(xùn)練，確定最優(yōu)的網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)，得出各自初步故障分類結(jié)果；

（4）將初步的分類結(jié)果輸入D-S 證據(jù)理論，根據(jù)上述的合成公式對數(shù)據(jù)進行融合分析，得出最后的綜合診斷結(jié)果，完成整個滾動軸承故障診斷的模型訓(xùn)練；

（5）利用測試集對訓(xùn)練好的故障診斷模型測試，驗證其診斷效果。

2.2 實驗數(shù)據(jù)

本文采用西儲大學(xué)軸承驅(qū)動端數(shù)據(jù)集，包含正常、內(nèi)圈故障、外圈故障、滾動體故障共四種類型，劃分樣本后對其進行標(biāo)準(zhǔn)化預(yù)處理，80%劃作訓(xùn)練集，20%劃作測試集。

3 實驗結(jié)果和分析

將劃分好的訓(xùn)練集傳入診斷模型進行訓(xùn)練并調(diào)整，然后利用測試集對其驗證。通過故障診斷方法測試最終應(yīng)得到不同故障類型的分類結(jié)果，用交叉熵?fù)p失和識別準(zhǔn)確率來判斷該方法的有效性，上圖列出故障診斷準(zhǔn)確率。

看圖能夠得出，針對滾動軸承不同的故障類型，通過該方法能達到較高的識別準(zhǔn)確率，在迭代次數(shù)超大約80 次后，診斷準(zhǔn)確率能穩(wěn)定在99.67%，證明了該方法的有效性。

4 結(jié)論

本文結(jié)合目前滾動軸承故障診斷的研究趨勢，以提高滾動軸承的故障診斷準(zhǔn)確率為目標(biāo)，提出了一種基于CNN、LSTM和D-S 證據(jù)理論的滾動軸承故障診斷方法，利用CNN、LSTM的強大深度學(xué)習(xí)能力，學(xué)習(xí)數(shù)據(jù)的深層特征表示，通過D-S 證據(jù)理論對CNN 及LSTM的輸出結(jié)果進行融合分析，確定最終的診斷結(jié)果，有效避免因數(shù)據(jù)單一造成的偏差，提高滾動軸承故障診斷的準(zhǔn)確率，實驗驗證了該診斷方法的有用性。