基于DCNN-SVM的滚动轴承故障诊断方法研究*

时间：2024-07-28

张立智，徐卫晓，井陆阳，谭继文

(青岛理工大学机械与汽车工程学院，山东青岛 266520)

0 引言

滚动轴承在旋转机械中应用广泛，是保证设备正常运转的关键部位之一[1]。由于大多机械设备在高速重载的情况下运转，使得滚动轴承容易出现各种故障。因此，检测滚动轴承的状态信息并进行故障诊断，对大幅度减少维修成本和确保设备正常运行具有重要意义。

近几年，国内外诸多学者利用深度学习模型对滚动轴承进行故障诊断。Guo等[2]使用深度自编码模型对轴承故障进行诊断，提取振动信号的时域特征与频域特征，再输入到深度自编码模型中进行故障识别；Lu等[3]基于深度降噪编码器模型对轴承进行故障监测，测试了模型在不同信噪比条件下对故障轴承的诊断精度，并讨论了深度降噪编码器的参数选择问题；Janssens等[4]对轴承进行故障监测，先使用FFT对信号进行预处理，再使用深度卷积模型提取振动信号特征并得出诊断结果；Zhang等[5]采用深度卷积模型对故障轴承进行诊断，直接处理振动信号并结合区域适应性方法，提高模型诊断效果。上述故障诊断研究中，大多需要对振动信号进行复杂的信号处理，处理方法存在固有缺陷。其次，深度学习在特征提取和表达方面表现出优越的性能，但是难以达到很好的分类准确度[6]，网络泛化能力较差。为解决上述问题，本文直接对滚动轴承原始信号进行训练，降低了信号处理上的难度，并利用分类效果显著的支持向量机进行分类，相比经典深度卷积模型和BP神经网络等方法提高了诊断准确率。

1 深度卷积模型

深度卷积模型(Deep convolutional neural network，DCNN)是深度学习中的主要模型之一，在图像处理、语音识别等领域取得了巨大突破[7]。DCNN具有较强的数据信息挖掘能力与信息融合能力[8]，在旋转机械故障信号的“特征提取”与“多信息融合”两个方面具有较大应用潜力与研究前景。

深度卷积模型主要包含三类结构层，分别是卷积层、池化层及全连接层[9]。如图1所示，经典深度卷积模型主要由二维卷积层与池化层组合成的小单元堆叠而成，在模型的最后再加上全连接层组成完整的一套信息提取及模式识别模型。

图1 经典深度卷积模型结构图

卷积层是深度卷积网络中最为核心的部分，它通常是由多组二维滤波器组成。当数据进入卷积层后，与二维滤波器的权值进行卷积运算，卷积后的结果就是卷积层的输出。假设输入卷积层是X，属于RA×B，A和B是输入数据的维度。然后卷积层的输出可以如下计算：

(1)

池化层又叫降采样层，一般接在卷积层之后，与卷积层成对出现。输出可以描述如下：

(2)

其中,Pcn是池化层第cn个输出，输出数是CN；S是池化层尺寸。

全连接层为深度卷积网络的最后一层，由于采用传统网络的“全连接”模式而得名。假设任务是一个K-label问题，softmax回归的输出可以计算如下：

(3)

其中,θ(1),θ(2),…θ(k)是模型的参数，Oj是DCNN的最终结果。

2 DCNN-SVM模型

本文利用深度卷积模型对滚动轴承信号进行自适应特征提取，之后输入到SVM分类器中进行分类，方法流程如图2所示。利用DCNN对10类滚动轴承信号进行特征提取，自适应提取10种特征，并对特征进行主成分分析，根据PCA结果对DCNN网络结构进行调整，直到满足要求为止。接着将提取的特征输入到SVM分类器中，进行故障识别。

图2 DCNN-SVM模型流程图

为了验证DCNN-SVM模型的有效性，使用BP神经网络和支持向量机这两种故障诊断中最为常见的模型进行对比实验，对比实验流程图如图3所示。对照实验1中经典深度卷积模型参数与DCNN-SVM模型中DCNN参数相同；对照实验2中直接将原始信号输入到BP神经网络中；对照实验3与4，先人工提取15种特征，并分别输入到BP神经网络与支持向量机中进行故障识别，其中支持向量机参数与DCNN-SVM模型中SVM参数相同；对照实验2与3的BP神经网络参数相同。

图3 对比实验流程图

3 实验验证

3.1 实验系统建立

为了验证DCNN-SVM模型在特征提取与故障识别中的效果，利用凯斯西储大学的滚动轴承故障诊断公开实验数据进行验证。选取滚动轴承10种状态：正常、内圈点蚀直径0.007英寸、内圈点蚀直径0.014英寸、内圈点蚀直径0.021英寸、滚珠点蚀直径0.007英寸、滚珠点蚀直径0.014英寸、滚珠点蚀直径0.021英寸、外圈点蚀直径0.007英寸、外圈点蚀直径0.014英寸、外圈点蚀直径0.021英寸。

每种状态下电机转速分别为1797rpm、1772rpm、1750rpm、1730rpm。采样频率为12kHz，每种电机转速下采样长度为12kHz个数据点，每种状态得到4×12k个数据点。本实验选取1000个数据点作为一组数据样本，每类故障得到480组数据，共得到4800组数据。选取其中83%为训练样本，17%为测试样本。为提高结果统计性，每类模型的训练与测试将进行10次，10次测试样本的平均诊断正确率作为最终结果。

经过调试后选择的DCNN-SVM模型参数如表1所示。

表1 DCNN-SVM模型参数选择

3.2 实验结果分析

在对比实验设计中，人工特征的选择为均值、均方根值、方根幅值、绝对平均值、歪度、峭度、方差、最大值、最小值、峰值这10个有量纲指标，波形指标、峰值指标、脉冲指标、裕度指标、峭度指标这5个无量纲指标，共15个人工特征类型[10]。接着输入到BP神经网络和支持向量机中进行分类。DCNN-SVM模型诊断结果与对比实验结果如表2所示。

表2 DCNN-SVM模型及其对照方法的平均测试诊断正确率

DCNN-SVM模型与经典深度卷积模型10次实验诊断结果如图4所示。

分析上述实验结果，不难看出本文提出的DCNN-SVM模型能够有效地提取故障特征并进行故障状态的识别。本文提出的方法具有最高的平均诊断精度 99.25%，比人工特征提取及其他各类常用模型均有更好的故障诊断效果。

图4 诊断精度最高的两种方法的10次实验结果

为进一步验证DCNN-SVM模型自适应提取特征的能力，本实验采用主成分分析PCA对自适应提取的特征、人工提取特征以及原始输入数据进行分析[11]，分析结果如图5所示。

(a) 原始输入数据

(b) 本文提出方法自适应提取的特征

由PCA结果可以看出DCNN-SVM模型的自适应提取的特征要优于人工提取的特征。PCA结果从提取特征分类能力的角度也证明了DCNN-SVM模型能够有效地自适应提取特征，进而基于提取的有效特征对设备进行准确的故障诊断。