基于深度遷移學(xué)習(xí)的礦井通風(fēng)機軸承故障診斷

王克定，李敬兆，石晴，胡迪

(1.安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001；2.淮北合眾機械設(shè)備有限公司，安徽淮北 235000)

0 前言

礦井通風(fēng)機作為煤礦大型旋轉(zhuǎn)機械設(shè)備之一，其正常運行是礦山安全生產(chǎn)的前提[1-2]。而軸承作為旋轉(zhuǎn)機械最關(guān)鍵的部件，常受磨損和環(huán)境因素影響，故障發(fā)生率較高[3]。因此，研究軸承故障診斷方法對于保障煤礦機械設(shè)備的高效運行具有重要意義。

近年來，基于深度學(xué)習(xí)的故障診斷方法因?qū)收闲畔⒆蕴崛∨c分類特性，且不依賴專門知識和專家經(jīng)驗，成為軸承故障診斷領(lǐng)域的主流方法[4-5]。其中，CNN網(wǎng)絡(luò)因極大簡化診斷步驟被廣泛使用，雷春麗等[6]提出采用馬爾科夫轉(zhuǎn)移場編碼方式將原始一維振動信號轉(zhuǎn)換為二維特征圖形，輸入CNN網(wǎng)絡(luò)中進(jìn)行滾動軸承故障診斷；丁承君等[7]結(jié)合變模態(tài)分解與深度CNN網(wǎng)絡(luò)實現(xiàn)滾動軸承故障類別以及損傷程度的精準(zhǔn)判定；DING、 HE[8]利用小波包能量作為CNN網(wǎng)絡(luò)的輸入，實現(xiàn)對軸承故障診斷；陳保家等[9]提出一種CNN網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)結(jié)合的深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于滾動軸承故障診斷。上述深度學(xué)習(xí)模型依靠對深層次特征的自提取與識別分類，在軸承故障診斷中獲得較高的診斷準(zhǔn)確率，但深度學(xué)習(xí)模型需要大量有標(biāo)簽數(shù)據(jù)作為支撐，且訓(xùn)練集與測試集要滿足同分布[10]。然而，煤礦大型旋轉(zhuǎn)機械設(shè)備在實際運行過程中故障數(shù)據(jù)獲取困難，導(dǎo)致有標(biāo)簽故障數(shù)據(jù)較少。因此利用小樣本重新訓(xùn)練深度學(xué)習(xí)模型未必能取得較好的診斷效果。

為了解決上述問題，遷移學(xué)習(xí)(Transfer Learning，TL)在故障診斷方面得到了廣泛關(guān)注，遷移學(xué)習(xí)旨在通過源域的可轉(zhuǎn)移特征信息，建立與目標(biāo)域共享的特征信息，彌補目標(biāo)域樣本不足的缺點[11]。因此，本文作者綜合深度學(xué)習(xí)模型與遷移學(xué)習(xí)(TL)的優(yōu)點，先構(gòu)建一種CNN-BiGRU-RF的深度學(xué)習(xí)模型，利用源域充足樣本訓(xùn)練取得高精度分類效果；再引入遷移學(xué)習(xí)，完成模型參數(shù)遷移，并利用少量目標(biāo)域有標(biāo)簽數(shù)據(jù)微調(diào)模型參數(shù)，得到適用于目標(biāo)域的故障診斷模型，在缺乏大量負(fù)樣本的條件下實現(xiàn)目標(biāo)域故障識別。

1 CNN-BiGRU-RF診斷算法

1.1 CNN網(wǎng)絡(luò)

CNN網(wǎng)絡(luò)是深度學(xué)習(xí)經(jīng)典模型之一，主要包括卷積層、池化層、全連接層[12]。其中卷積層以卷積核為核心，通過卷積核的卷積計算，自提取輸入信號隱含的空間特征信息，卷積計算過程如下：

(1)

池化層是對經(jīng)卷積層提取的空間特征信息進(jìn)行降維，并突出明顯的特征信息。文中采用最大池化作為池化方式，其計算過程為

(2)

式中：L為池化局部區(qū)域長度。

全連接層通常與Softmax分類器組合使用，進(jìn)一步計算經(jīng)卷積池化后的特征信息，實現(xiàn)故障分類。

1.2 BiGRU網(wǎng)絡(luò)

因軸承的一維時序信號各數(shù)據(jù)點之間存在隱藏的相互依賴關(guān)系，而傳統(tǒng)CNN網(wǎng)絡(luò)更多的是提取空間特征，忽略了時間依賴特征。因此，文中結(jié)合BiGRU網(wǎng)絡(luò)捕捉軸承數(shù)據(jù)在時間序列前后的特征信息，提取更深層次、更全面的特征，達(dá)到更好的識別效果。

BiGRU網(wǎng)絡(luò)在結(jié)構(gòu)上由2個運算方向相反的門控循環(huán)單元(GRU)組成[13]，如圖1所示。BiGRU網(wǎng)絡(luò)的輸出是由2個GRU運算結(jié)果共同決定，具體運算過程如下：

圖1 BiGRU結(jié)構(gòu)

(3)

(4)

(5)

1.3 RF分類器

隨機森林算法由BREIMAN提出，它是由多個決策樹組成的集成分類器模型。利用Bootstrap重采樣方法訓(xùn)練決策樹，構(gòu)建關(guān)聯(lián)度小的決策樹，然后利用決策樹得到樣本的分類結(jié)果，最終結(jié)果由每顆決策樹投票決定[14]。

相比傳統(tǒng)CNN網(wǎng)絡(luò)中采用的Softmax分類器，RF分類器只有2個參數(shù)，對參數(shù)不敏感，避免了復(fù)雜的梯度計算操作；同時對于含噪信號具有較好的降噪效果且各決策樹之間關(guān)聯(lián)性小，不容易過擬合，對小樣本具有更好的分類效果。

1.4 CNN-BiGRU-RF診斷模型設(shè)計

傳統(tǒng)CNN網(wǎng)絡(luò)對于時間特征利用不充分，以及Softmax分類層僅對最終分類結(jié)果做一次符合概率分布的操作，導(dǎo)致分類效果不理想，無法進(jìn)一步提高故障分類精度[15]。因此文中將CNN網(wǎng)絡(luò)與BiGRU網(wǎng)絡(luò)對軸承特征深層次的提取能力和RF分類器針對小樣本較好的分類效果相結(jié)合，提出一種CNN-BiGRU-RF深度學(xué)習(xí)模型用于軸承故障診斷。

模型結(jié)構(gòu)如圖2所示，它由兩層卷積與池化交替，可實現(xiàn)軸承數(shù)據(jù)空間特征深層次的提取與降維，其中考慮到輸入的軸承數(shù)據(jù)為一維時序信號，卷積層采用不同尺寸的卷積核，以便于提取軸承更多的特征信息；再經(jīng)BiGRU層進(jìn)一步提取時間序列上的特征信息，為了避免BiGRU層發(fā)生過擬合現(xiàn)象，引入Dropout技術(shù)，保證輸出稀疏度；然后采用全連接層實現(xiàn)特征的展平操作，作為RF分類器的輸入特征向量；最后利用RF分類器實現(xiàn)故障分類。模型結(jié)構(gòu)相關(guān)參數(shù)設(shè)置如表1所示。

表1 模型參數(shù)設(shè)置

圖2 CNN-BiGRU-RF結(jié)構(gòu)

2 CNN-BiGRU-RF遷移診斷流程

遷移學(xué)習(xí)主要利用源域的有標(biāo)簽且充足的數(shù)據(jù)建立一個學(xué)習(xí)模型，將源域?qū)W習(xí)知識遷移至目標(biāo)域，實現(xiàn)目標(biāo)域無標(biāo)簽數(shù)據(jù)分類[16]。因此，在負(fù)樣本稀少的情況下，引入遷移學(xué)習(xí)對于礦井通風(fēng)機軸承故障診斷具有很好的適用性。

文中將CNN-BiGRU-RF深度學(xué)習(xí)模型與遷移學(xué)習(xí)結(jié)合，提出一種基于深度遷移學(xué)習(xí)的礦井通風(fēng)機軸承故障診斷方法，其遷移診斷框架如圖3所示，具體診斷流程如下：

圖3 遷移診斷框架

(1)源域數(shù)據(jù)預(yù)訓(xùn)練模型。對數(shù)據(jù)進(jìn)行批量分割處理，構(gòu)建數(shù)據(jù)樣本，按照一定比例隨機劃分為訓(xùn)練集和測試集。將源域數(shù)據(jù)訓(xùn)練集輸入到CNN-BiGRU-RF模型中，使用網(wǎng)格搜索法尋找模型最優(yōu)初始參數(shù)，并通過CNN層自提取軸承數(shù)據(jù)空間特征、BiGRU層學(xué)習(xí)軸承數(shù)據(jù)時間特征、RF分類器進(jìn)行故障分類。訓(xùn)練期間采用時序反向傳播算法(Back Propagation Through Time，BPTT)隨時間反向更新模型參數(shù)，直至預(yù)訓(xùn)練完畢，保存預(yù)訓(xùn)練模型參數(shù)，為下一步的模型遷移做準(zhǔn)備。

(2)目標(biāo)域數(shù)據(jù)微調(diào)模型。將預(yù)訓(xùn)練模型參數(shù)遷移至目標(biāo)域模型中，凍結(jié)CNN層及BiGRU層參數(shù)，即CNN層及BiGRU層參數(shù)不隨迭代訓(xùn)練而改變。然后利用少量目標(biāo)域有標(biāo)簽數(shù)據(jù)輸入預(yù)訓(xùn)練模型中，對模型全連接層及分類層的參數(shù)進(jìn)行微調(diào)，通過BPTT算法反向更新模型結(jié)構(gòu)參數(shù)，減少模型對目標(biāo)域數(shù)據(jù)診斷的誤差。經(jīng)目標(biāo)域數(shù)據(jù)微調(diào)完成后，保存微調(diào)后的模型參數(shù)。

(3)測試模型分類效果。經(jīng)目標(biāo)域數(shù)據(jù)微調(diào)后的模型已經(jīng)具備對無標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)分類識別的能力。將目標(biāo)域的測試集輸入到微調(diào)后的模型中，經(jīng)RF分類器進(jìn)行故障分類，通過輸出結(jié)果驗證模型對于目標(biāo)域樣本的故障診斷性能。

3 實驗驗證與結(jié)果分析

實驗基于PyCharm 2020.1.2中的PyTorch框架，硬件環(huán)境CPU為i7-12700F，GPU為Nvidia GeForce RTX 2080 @8GB GDDR6。首先，利用MATLAB對軸承數(shù)據(jù)進(jìn)行降噪和預(yù)處理；然后，將處理好的數(shù)據(jù)輸入到模型中，使用GPU加速訓(xùn)練。

3.1 數(shù)據(jù)集來源

源域數(shù)據(jù)集來源于美國凱斯西儲大學(xué)滾動軸承試驗臺，分別在0、735、1 470 W工況下獲取驅(qū)動端軸承振動數(shù)據(jù)，表示為數(shù)據(jù)集A、B、C，每個數(shù)據(jù)集均包括內(nèi)圈、外圈、滾動體故障以及正常狀態(tài)4種類型的樣本，取2 048個數(shù)據(jù)點作為一個樣本長度，各狀態(tài)均有1 000組樣本，共有4 000組，按照8∶2劃分訓(xùn)練集和測試集。

目標(biāo)域數(shù)據(jù)表示為數(shù)據(jù)集D，來源于淮南丁集煤礦通風(fēng)機，現(xiàn)場實驗如圖4所示。在礦井通風(fēng)機長期運行過程中，獲取通風(fēng)機軸承正常狀態(tài)、內(nèi)圈故障、外圈故障及滾動體故障等4種軸承數(shù)據(jù)，所有故障數(shù)據(jù)均在詢問現(xiàn)場工作人員后劃分。礦井通風(fēng)機運行環(huán)境復(fù)雜，設(shè)備所采集的數(shù)據(jù)中會含有大量噪聲，采用小波包對采集的數(shù)據(jù)進(jìn)行分解和重構(gòu)，以達(dá)到濾除環(huán)境噪聲的目的。因礦井通風(fēng)機軸承故障樣本有限，采用時間重疊式數(shù)據(jù)擴容技術(shù)，增加樣本數(shù)量，使得礦井通風(fēng)機軸承每種狀態(tài)下各有100組樣本，共400個。

圖4 礦井通風(fēng)機現(xiàn)場實驗

3.2 遷移診斷結(jié)果分析

模型訓(xùn)練時迭代次數(shù)設(shè)置為120次，選擇Adam作為優(yōu)化器，學(xué)習(xí)率設(shè)置為0.01，批次為16，Dropout設(shè)置為0.5。目標(biāo)域數(shù)據(jù)集D按照8∶2劃分訓(xùn)練集與測試集，對CNN-BiGRU-RF模型進(jìn)行訓(xùn)練和測試，診斷準(zhǔn)確率如圖5所示。可以看出：模型在測試集上的平均識別率僅65.03%，存在識別率低且不穩(wěn)定的情況，說明在目標(biāo)域負(fù)樣本稀少情況下，重新訓(xùn)練深度學(xué)習(xí)模型，難以實現(xiàn)高精度的故障診斷。

圖5 目標(biāo)域數(shù)據(jù)集直接訓(xùn)練模型的診斷準(zhǔn)確率

以源域數(shù)據(jù)集A遷移至目標(biāo)域數(shù)據(jù)集D(A→D)為例，先利用源域數(shù)據(jù)集A預(yù)訓(xùn)練CNN-BiGRU-RF模型，再使用預(yù)訓(xùn)練模型分別對目標(biāo)域數(shù)據(jù)集D進(jìn)行不遷移故障診斷實驗和遷移故障診斷實驗。以目標(biāo)域數(shù)據(jù)集D各狀態(tài)下20%的樣本微調(diào)模型，剩余樣本用來測試模型的診斷準(zhǔn)確率，診斷結(jié)果如圖6所示?？梢钥闯觯何匆脒w移學(xué)習(xí)的模型在測試集上的準(zhǔn)確率僅78.82%，而引入遷移學(xué)習(xí)的模型的準(zhǔn)確率為94.41%，診斷準(zhǔn)確率提高了15%左右。說明當(dāng)源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)之間存在分布差異時，將源域數(shù)據(jù)預(yù)訓(xùn)練的模型直接運用到目標(biāo)域進(jìn)行故障診斷，分類效果會受到很大影響，導(dǎo)致診斷準(zhǔn)確率低于引入遷移學(xué)習(xí)模型的診斷準(zhǔn)確率。

圖6 遷移與未遷移方法在目標(biāo)域測試集上準(zhǔn)確率

混淆矩陣能更加直觀表現(xiàn)不同故障被錯分的數(shù)量和類型。在目標(biāo)域測試集上引入遷移學(xué)習(xí)模型，診斷結(jié)果的混淆矩陣如圖7所示。可以看出：對正常狀態(tài)的識別精度可以達(dá)到100%，對外圈故障的識別率也可以達(dá)到98.75%，僅內(nèi)圈故障識別率最低，其中有10個樣本被錯誤識別。說明遷移診斷模型總體分類效果良好，診斷識別率較高。

因此，上述診斷結(jié)果說明引入遷移學(xué)習(xí)的診斷方法能有效解決深度學(xué)習(xí)模型因缺乏大量訓(xùn)練樣本導(dǎo)致故障診斷準(zhǔn)確率低的限制，使用少量目標(biāo)域有標(biāo)簽數(shù)據(jù)微調(diào)的模型也具有較高的診斷準(zhǔn)確率。

3.3 遷移診斷模型對比分析

為了測試遷移診斷模型對于礦井通風(fēng)機軸承故障識別精度與穩(wěn)定性，將它與TL+CNN模型、TL+CNN-BiGRU模型進(jìn)行對比分析。同樣以A→D為例，先以源域數(shù)據(jù)集A訓(xùn)練模型，然后以目標(biāo)域數(shù)據(jù)集D中20%樣本微調(diào)模型，剩余樣本用來測試模型的診斷準(zhǔn)確率，各模型在目標(biāo)域測試集上的準(zhǔn)確率如圖8所示。

圖8 各模型在目標(biāo)域測試集上的準(zhǔn)確率

由圖8對比分析可知：隨著迭代次數(shù)的增加，3種模型的診斷準(zhǔn)確率均趨于平穩(wěn)，但文中所提模型相較于TL+CNN模型和TL+CNN-BiGRU模型準(zhǔn)確率更高且上升速度更快，20個迭代次數(shù)后，目標(biāo)域測試集上的準(zhǔn)確率就達(dá)到了94.89%，并在之后的訓(xùn)練中趨于平穩(wěn)且無明顯波動。

為了驗證文中遷移診斷模型的泛化能力，分別使用源域不同工況數(shù)據(jù)集遷移到目標(biāo)域進(jìn)行診斷，為了避免偶然性，每種方法均進(jìn)行10次隨機實驗，3種模型的診斷準(zhǔn)確率如表2所示。

表2 不同診斷模型準(zhǔn)確率對比

由表2可以看出：TL+CNN模型、TL+CNN-BiGRU模型在源域不同工況數(shù)據(jù)集遷移到目標(biāo)域時診斷準(zhǔn)確率并不穩(wěn)定，而TL+CNN-BiGRU-RF模型的平均診斷準(zhǔn)確率均保持在94%以上，優(yōu)于其他2種模型，尤其在B→D的遷移診斷中，識別準(zhǔn)確率達(dá)到了95.27%，證明文中所提模型能夠運用于礦井通風(fēng)機軸承的故障診斷中，與其他模型相比具有更好的泛化能力和更高的診斷精度。

4 結(jié)論

(1)結(jié)合CNN網(wǎng)絡(luò)、BiGRU網(wǎng)絡(luò)和RF分類器各自優(yōu)勢設(shè)計了CNN-BiGRU-RF模型，提取了礦井通風(fēng)機軸承更深層次、更全面的故障特征。

(2)基于CNN-BiGRU-RF模型引入遷移學(xué)習(xí)，利用軸承數(shù)據(jù)之間的相似性在目標(biāo)域訓(xùn)練模型共享參數(shù)，再使用少量目標(biāo)域數(shù)據(jù)微調(diào)模型參數(shù)，使模型參數(shù)滿足目標(biāo)域數(shù)據(jù)分類需求，完成了礦井通風(fēng)機軸承負(fù)樣本稀少條件下的高精度故障診斷。

(3)通過實驗對比驗證，在礦井通風(fēng)機軸承故障診斷中，基于CNN-BiGRU-RF的遷移診斷模型相較于其他診斷模型具備更高的診斷精度與穩(wěn)定性。