基于機(jī)器學(xué)習(xí)的軸承故障分類(lèi)方法研究

趙瑞祥， 郝如江

(石家莊鐵道大學(xué)機(jī)械工程學(xué)院，河北 石家莊 050043)

滾動(dòng)軸承作為一種標(biāo)準(zhǔn)件，被廣泛應(yīng)用于鐵路運(yùn)輸、電信技術(shù)、礦業(yè)工程、航空航天等各領(lǐng)域內(nèi)的機(jī)械設(shè)備，尤其在高速列車(chē)、鐵路列車(chē)行走部及齒輪箱中，其也是一種需要反復(fù)檢查的易損件。面對(duì)現(xiàn)代機(jī)械系統(tǒng)復(fù)雜性和高度集成性的特點(diǎn)[1-2]，很難做到省時(shí)省力且精準(zhǔn)的故障排查，傳統(tǒng)方法例如溫度法和油樣分析法還是依靠人為經(jīng)驗(yàn)[3]。傳統(tǒng)的故障診斷方法研究主要集中在提取準(zhǔn)確的時(shí)域、頻域及時(shí)頻域特征[4-5]。目前，機(jī)器學(xué)習(xí)在軸承故障診斷上的研究分支如圖1所示。

圖1 深度學(xué)習(xí)發(fā)展框架

韓曉亮[6]利用淺層卷積神經(jīng)網(wǎng)絡(luò)對(duì)凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)進(jìn)行了四分類(lèi)研究。劉穎等[7]對(duì)振動(dòng)信號(hào)進(jìn)行小波包能量分解提取故障特征，再將特征作為卷積層的輸入，區(qū)別于將信號(hào)直接作為輸入實(shí)現(xiàn)了高速和高準(zhǔn)確率診斷。畢鵬遠(yuǎn)[8]改進(jìn)了LSTM模型，在Conv-LSTM模塊與輸出之間添加了全連接層從而實(shí)現(xiàn)故障診斷。游達(dá)章[9]對(duì)一維振動(dòng)信號(hào)進(jìn)行了PCA降噪處理，再將信號(hào)轉(zhuǎn)為二維圖片作為卷積層的輸入。許子非[10]等利用不同尺寸和步幅的卷積核對(duì)一維信號(hào)進(jìn)行多尺度處理提取特征，而后利用神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行全連接。李霖等[11]先進(jìn)行維度轉(zhuǎn)換得到二維圖片，再對(duì)圖片紋理屬性進(jìn)行提取，利用支持向量機(jī)進(jìn)行分類(lèi)。吳晨芳等[11-12]在改進(jìn)LeNet-5模型基礎(chǔ)上，完成了對(duì)轉(zhuǎn)化為二維圖片的振動(dòng)信號(hào)的分類(lèi)任務(wù)，并進(jìn)行特征提取，利用支持向量機(jī)進(jìn)行分類(lèi)，并進(jìn)行了可視化及方法對(duì)比。

將振動(dòng)信號(hào)二維轉(zhuǎn)化實(shí)現(xiàn)故障診斷仍有以下不足：早期微弱故障無(wú)法準(zhǔn)確判定且二維圖片數(shù)據(jù)不易獲得，對(duì)保持架故障較難實(shí)現(xiàn)分類(lèi)；單一工況探究較多，在變轉(zhuǎn)速、變載荷或故障程度不同等復(fù)雜情況下該方法的有效性有待研究[13]。

本文將振動(dòng)信號(hào)轉(zhuǎn)化為二維圖片，并將圖片作為卷積層的輸入，實(shí)現(xiàn)了端到端的軸承故障診斷分類(lèi)。采用的數(shù)據(jù)為西安交通大學(xué)全壽命軸承測(cè)試數(shù)據(jù)集[14]，在訓(xùn)練集和驗(yàn)證集劃分時(shí)，通過(guò)對(duì)圖片中的像素進(jìn)行閾值設(shè)置，在全壽命圖集中篩選出故障圖片，從而實(shí)現(xiàn)對(duì)全壽命數(shù)據(jù)的故障分類(lèi)。

1 原理解析

1.1 卷積神經(jīng)網(wǎng)絡(luò)

非平穩(wěn)振動(dòng)信號(hào)直觀表達(dá)是條連續(xù)的過(guò)于密集的邊緣線，邊緣線較好的檢測(cè)算法如索貝爾算子，其計(jì)算過(guò)程非常接近卷積運(yùn)算過(guò)程，基本完全一致。邊緣檢測(cè)的實(shí)際效果在一定程度上解釋了運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)提取振動(dòng)信號(hào)特征的有效性。

避免過(guò)度依賴專(zhuān)業(yè)經(jīng)驗(yàn)知識(shí)和人為提取特征，實(shí)現(xiàn)端到端的輸出是卷積神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢(shì)。圖2為直接對(duì)一維振動(dòng)信號(hào)進(jìn)行卷積的模擬，圖3為對(duì)二維數(shù)據(jù)進(jìn)行卷積的過(guò)程圖。訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)一般由輸入層、卷積層、池化層、全連接層和輸出層組成。對(duì)于一些層數(shù)堆疊更深的模型，在特征提取的卷積層中更適合調(diào)用卷積模塊，多為卷積、池化、dropout層以及regularization所組成。

圖2 一維卷積 圖3 二維卷積

卷積層或者卷積模塊在一定程度上是特征提取的核心操作，可以將其理解為特征自動(dòng)提取，固定大小的卷積核通過(guò)對(duì)目標(biāo)的滑取，將特征以數(shù)據(jù)形式保存到一個(gè)尺寸更小的矩陣當(dāng)中，不同的數(shù)字代表提取到的不同局部特征，同時(shí)原有的數(shù)據(jù)一般也會(huì)變少，多次卷積之后就會(huì)得到更接近目標(biāo)的一組數(shù)據(jù)。二維卷積算子公式如下：

Q(x,y)=(R*K)(x,y)=∑a∑bR(x+a,y+b)K(a,b)

(1)

式中：Q(x,y)為卷積后的特征矩陣；R(x+a,y+b)為輸入圖片；K(a,b)為卷積核，一般a=b。

(2)

池化層作為對(duì)卷積層的一種補(bǔ)充或者優(yōu)化操作，池化層有助于更快地使特征矩陣尺寸減少，快捷地提取到有用的特征，對(duì)一定范圍內(nèi)的特征進(jìn)行比較、篩選和保留，也可能是局部取均值再保留。池化層使得CNN在提取特征時(shí)不受圖像旋轉(zhuǎn)、平移及縮放操作的影響[15]。池化層算子公式如下：

(3)

(4)

式中：Max[*]表示局部取最大值操作；Aver[*]表示局部取平均值操作。

卷積神經(jīng)網(wǎng)絡(luò)主要通過(guò)各層的不同組合實(shí)現(xiàn)訓(xùn)練分類(lèi)或仿真預(yù)測(cè)，但其監(jiān)督式的訓(xùn)練方式在大量的已標(biāo)簽的數(shù)據(jù)支撐下才顯示出優(yōu)勢(shì)。

1.2 技術(shù)路線

本文提出的基于LeNet-5模型的軸承故障診斷方法對(duì)西安交通大學(xué)全壽命軸承數(shù)據(jù)集[14]中的三種故障類(lèi)型進(jìn)行了故障分類(lèi)，故障診斷流程如圖4所示。

圖4 故障診斷流程

首先對(duì)振動(dòng)信號(hào)進(jìn)行歸一化操作，防止在早期故障轉(zhuǎn)折階段數(shù)據(jù)幅值相差較大的問(wèn)題；然后將數(shù)據(jù)批量轉(zhuǎn)化成圖片保存到特定故障類(lèi)型的文件夾內(nèi)，進(jìn)行特定類(lèi)別的標(biāo)簽處理，對(duì)標(biāo)簽進(jìn)行One-Hot轉(zhuǎn)換，將圖片進(jìn)行訓(xùn)練集和測(cè)試集的劃分。由于采用全壽命數(shù)據(jù)集，在劃分集合時(shí)需根據(jù)像素值對(duì)測(cè)試集進(jìn)行準(zhǔn)確劃分。輸入訓(xùn)練模型，調(diào)整網(wǎng)絡(luò)架構(gòu)、參數(shù)及超參數(shù)，最后通過(guò)測(cè)試集對(duì)模型進(jìn)行評(píng)估，輸出accuracy和loss曲線圖。

1.3 圖片樣本

原始振動(dòng)信號(hào)是一維數(shù)據(jù)，將一維振動(dòng)信號(hào)等間隔劃分，組成一個(gè)m行m列的矩陣[13]，生成目標(biāo)的圖片；為防止在早期故障轉(zhuǎn)折階段數(shù)據(jù)幅值相差較大，在此之前對(duì)數(shù)據(jù)進(jìn)行歸一化處理。生成過(guò)程如圖5所示，故障二維圖片如圖6所示。對(duì)圖片分別進(jìn)行均值濾波、高斯濾波、中值濾波和雙邊濾波預(yù)處理實(shí)驗(yàn)，通過(guò)比較最后選定中值濾波操作，其濾波效果如圖7所示。

為證明方法的有效性，對(duì)軸承外圈故障的振動(dòng)信號(hào)進(jìn)行了時(shí)頻分析，在0.76 s后可以發(fā)現(xiàn)明顯且

圖5 振動(dòng)信號(hào)生成樣本

間隔為0.147 s的振動(dòng)沖擊響應(yīng)，頻率也在合理范圍之內(nèi)。時(shí)域圖、頻域圖如圖8、圖9所示。

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)集簡(jiǎn)介

圖6 故障圖片

圖7 降噪預(yù)處理效果

圖8 外圈故障時(shí)域

圖9 外圈故障頻域

軸承加速壽命測(cè)試平臺(tái)如圖10所示，由交流電動(dòng)機(jī)、電動(dòng)機(jī)轉(zhuǎn)速控制器、轉(zhuǎn)軸、支撐軸承、液壓加載系統(tǒng)和測(cè)試軸承等組成?？烧{(diào)節(jié)的測(cè)試工況主要包括徑向力和轉(zhuǎn)速，其中徑向力由液壓加載系統(tǒng)產(chǎn)生，

作用于測(cè)試軸承的軸承座上，轉(zhuǎn)速由交流電機(jī)的轉(zhuǎn)速控制器來(lái)設(shè)置與調(diào)節(jié)。實(shí)驗(yàn)軸承為L(zhǎng)DK UER204滾動(dòng)軸承，故障軸承見(jiàn)圖11。

圖10 軸承加速壽命測(cè)試實(shí)驗(yàn)臺(tái)

選取部分?jǐn)?shù)據(jù)進(jìn)行診斷，在一定程度上，本文的診斷方法屬于不同工況下的診斷。

首先對(duì)內(nèi)圈故障和外圈故障進(jìn)行了二分類(lèi)實(shí)驗(yàn)，通過(guò)調(diào)整參數(shù)，觀察到模型對(duì)分類(lèi)有收斂和波動(dòng)減少的趨勢(shì)，然后將數(shù)據(jù)集中故障類(lèi)型進(jìn)行增加，但

圖11 故障軸承

原始的數(shù)字標(biāo)簽很難達(dá)到較為理想的效果，波動(dòng)較大不能用作診斷。分類(lèi)器對(duì)數(shù)據(jù)的默認(rèn)屬性是連續(xù)、有序的，但一個(gè)分類(lèi)問(wèn)題的標(biāo)簽是隨機(jī)、無(wú)序的。One-Hot編碼使數(shù)據(jù)稀疏，在分類(lèi)特征不大的情況下解決了分類(lèi)器和分類(lèi)數(shù)據(jù)之間的問(wèn)題，其使用M位狀態(tài)寄存器對(duì)M種類(lèi)別進(jìn)行編碼，特定的故障位置設(shè)為1，其余都為0。標(biāo)簽編碼和數(shù)據(jù)集情況如表1所示。

表1 One-Hot編碼

2.2 淺層機(jī)器學(xué)習(xí)模型

本模型是在LeNet-5模型基礎(chǔ)上建立的淺層網(wǎng)絡(luò)架構(gòu)的機(jī)器學(xué)習(xí)模型，原始模型共有7層，改進(jìn)模型如圖12所示。改進(jìn)的模型在層數(shù)、圖片尺寸及優(yōu)化器上做了調(diào)整。

圖12 訓(xùn)練網(wǎng)絡(luò)模型

為了改善模型的收斂速度和精度，同時(shí)兼顧硬件性能，分別對(duì)迭代次數(shù)、卷積核大小、輸入尺寸、學(xué)習(xí)率、層數(shù)和優(yōu)化器類(lèi)型等參數(shù)和超參數(shù)進(jìn)行了實(shí)驗(yàn)，常用的卷積核尺寸為3*3,5*5,7*7。經(jīng)過(guò)多次驗(yàn)證，不同卷積層使用了不同尺寸的卷積核，整個(gè)模型架構(gòu)中的步長(zhǎng)都為1。池化層一般使用最大池化和平均池化，本文均應(yīng)用最大池化。

為防止模型出現(xiàn)過(guò)擬合問(wèn)題，使用了過(guò)擬合優(yōu)化方法，添加了Dropout層并在一些層內(nèi)添加了正則化操作。但經(jīng)過(guò)多次試驗(yàn)，本文隨機(jī)地將一定比例的神經(jīng)元節(jié)點(diǎn)權(quán)值失活，效果更佳。正則化操作雖有改觀但不太明顯。

原始的LeNet-5模型使用梯度下降算法(SGD)對(duì)模型參數(shù)進(jìn)行優(yōu)化，訓(xùn)練模型不容易收斂，損失函數(shù)loss和精度accuracy有很大波動(dòng)且最終結(jié)果偏差很大。經(jīng)過(guò)簡(jiǎn)單的定量對(duì)比，最后選擇了Adam優(yōu)化器。Adam是一種自適應(yīng)矩估計(jì)算法，可以使步長(zhǎng)自適應(yīng)到合適長(zhǎng)度，不會(huì)因?yàn)椴介L(zhǎng)太長(zhǎng)而在極值點(diǎn)附近徘徊。算法詳細(xì)流程見(jiàn)圖13。但使用Adam算法后，驗(yàn)證集的準(zhǔn)確率和損失函數(shù)值和訓(xùn)練集的指標(biāo)依舊存在可觀察到的數(shù)值差，匯總結(jié)果如表2所示。故根據(jù)迭代次數(shù)對(duì)學(xué)習(xí)率進(jìn)行了自適應(yīng)調(diào)整。

圖13 Adam優(yōu)化器流程

表2 實(shí)驗(yàn)結(jié)果

本文所提方法最終的故障診斷結(jié)果如圖14、15所示。驗(yàn)證集前期的accuracy和loss曲線均存在波動(dòng)，考慮到不同工況下故障樣本個(gè)別類(lèi)型訓(xùn)練數(shù)量太少，通過(guò)對(duì)訓(xùn)練集數(shù)據(jù)的少量填補(bǔ)，在一定程度上緩和了波動(dòng)的趨勢(shì)和頻率。

3 結(jié)論

本文針對(duì)傳統(tǒng)方法中依賴專(zhuān)家經(jīng)驗(yàn)和人為提取

圖14 accuracy曲線

圖15 loss曲線

特征的不足，提出了一種基于淺層機(jī)器學(xué)習(xí)模型的端到端的故障診斷方法，并將其應(yīng)用于全壽命軸承數(shù)據(jù)集中進(jìn)行驗(yàn)證。經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，得出以下結(jié)論：

(1)基于二維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型能夠?qū)崿F(xiàn)對(duì)故障軸承端到端的診斷，將機(jī)械振動(dòng)與圖像處理進(jìn)行了有效結(jié)合。

(2)改進(jìn)的Adam自適應(yīng)矩估計(jì)算法、動(dòng)態(tài)學(xué)習(xí)率的調(diào)整和過(guò)擬合優(yōu)化三者結(jié)合的軸承故障診斷方法能夠較好地完成故障診斷。

雖然所提方法能夠完成軸承故障診斷的故障識(shí)別任務(wù)，但目前實(shí)驗(yàn)的分類(lèi)故障較少且沒(méi)有對(duì)復(fù)合故障進(jìn)行實(shí)驗(yàn)，模型的泛化性能有待檢驗(yàn)，由于有中間轉(zhuǎn)換環(huán)節(jié)且對(duì)早期故障并沒(méi)有精準(zhǔn)的訓(xùn)練和測(cè)試，因此還不能實(shí)現(xiàn)狀態(tài)在線實(shí)時(shí)監(jiān)測(cè)。