基于卷积神经网络的滚动轴承故障诊断算法

文章编号：1009－2552（2019）04－0068－05DOI ：10.13274/j.cnki.hdzj.2019.04.015

基于卷积神经网络的滚动轴承故障诊断算法

高

峰，曲建岭，余

路，王伟栋

（海军航空大学青岛校区，山东青岛266041）

摘

要：现有的滚动轴承故障诊断算法依赖于人工特征提取，当负载发生变化或故障样本数较少时，诊断效果较差。针对该问题，文中建立了基于卷积神经网络的智能故障诊断算法。首先，将原始振动数据进行分段预处理；其次，建立基于卷积神经网络的故障诊断模型实现对故障特征的自适应提取；最后，利用Softmax 分类器实现对故障诊断结果的输出。将该算法应用于振动数据库实验，验证了该算法的有效性，当样本分布不平衡时，依然保持较高的识别率。关键词：卷积神经网络；振动信号；自适应特征提取；故障诊断中图分类号：TP18

文献标识码：A

Fault diagnosis algorithm based on convolutional neural network

GAO Feng ，QU Jian-ling ，YU Lu ，WANG Wei-dong

（Qingdao Branch of Naval Aviation University ，Qingdao 266041，Shandong Province ，China ）

Abstract ：The existing fault diagnosis algorithms for rolling bearing largely rely on artificial feature extraction．The diagnosis effect is poor when the load changes or the number of failure samples is small．In view of this problem ，an intelligent fault diagnosis algorithm based on convolutional neural network （CNN ）is established．Firstly ，the original vibration data is segmented for pre-processing．Secondly ，a fault diagnosis model based on CNN is established to realize the adaptive extraction of fault features．Finally ，the output of the fault diagnosis result is realized by Softmax classifier．The algorithm is applied to the experiment of vibration database to verify the effectiveness of the algorithm ，and the recognition rate is still high when the sample distribution is unbalanced．

Key words ：convolutional neural network ；vibration signal ；adaptive feature extraction ；fault diagnosis

收稿日期：2018－11－13作者简介：高峰（1967－），女，硕士，副教授，研究方向为仪器仪表、

数字信号处理、故障诊断等。

0引言

在空气压缩机、

燃气轮机等大型旋转机械设备中，滚动轴承长期处于恶劣、复杂的工作环境中。因

此，为保证设备运行的可靠性和安全性，对滚动轴承开展状态监测与故障诊断意义重大。滚动轴承发生故障时所产生的原始振动信号中除了含有丰富的故障信息外，还包含了大量的无用噪声。因此，在传统故障诊断算法中通常将故障的特征提取作为至关重要的一部分。这些特征提取方法包括傅里叶变换、

小波包分解、希尔伯特—黄变换（Hilbert-Huang transform ，HHT ）［1］等。近年来，深度学习逐渐取代传统智能算法成为主流，在人工翻译［2］

、语音识

别

［3］

和机械诊断

［4］

等领域已取得丰硕的成果。与

传统特征提取算法相比，深度学习通过训练学习到

的特征具有更强的区分性，从而提高分类预测的准确性

［5－7］

，但这些算法大多是将深度学习应用于故障分类或经过信号域变换后的数据，深度学习的自

适应特征提取能力没有充分利用，了深度学习

算法对原始信号的进一步挖掘。基于此，本文考虑利用深度学习中的卷积神经网络（Convolutional Neural Network ，CNN ）作为特征提取器，以原始振动数据为输入，充分发挥CNN 的特征提取能力，提高模型故障诊断能力。

—

86—

受生物学上人体大脑感受和处理外界信息刺激的启发，LeCun等人于1994年提出了一种带有卷积结构的深度神经网络模型［8－9］。该模型通常包含卷积层、池化层和全连接层。其中，卷积层通过将输入信号与卷积核进行卷积实现特征提取；池化层利用池化算子加强提取特征的鲁棒性，减少模型的可训练参数；全连接层把所有局部特征进行整合组成全局特征，用于后续分类。

CNN的突出优势在于可以挖掘同类数据内在关系，同时使不同类别数据之间的界限得以明确，这不仅克服了传统浅层故障诊断算法存在的梯度稀释、训练耗时过长以及易陷入局部最小值等缺点，还极大地提高了对无类标数据的利用率。因此，CNN 特别适用于处理海量数据，且具有很强的自适应性。

卷积层在CNN中又称为特征提取层，由多个卷积核构成，每个卷积核的参数均通过反向传播的参数优化训练得到。每个卷积核具有相同的结构，且与输入信号的局部区域进行卷积后，将结果输入激活函数进行非线性映射，得到输入信号特征。卷积层的计算如下所示：

X l

j =f（∑

i∈M j

X l－1

i

*K l

ij

+b l

j

）（1）

其中，X l j为第l层中第j个特征映射的激活值，f（·）为非线性激活函数，M j为经过选择后的输入特征，

X l－1

i

为第l层第j个局部感受域，“*”为卷积算子，

K l

ij

和b l j分别为权重矩阵和偏置。

卷积层具有局部感知和权值共享的特性，可以有效地减少所要训练的参数，减少计算复杂度。

CNN模型中通常加入非线性的激活函数用于实现对复杂特征的学习，进一步增强所提取特征的区分度。传统的卷积神经网络一般使用tanh和sig-moid作为激活函数，其公式化表述分别为：

tanh（x）=1－e－2x

1+e－2x

（2）

f（x）=

1

1+e－x

，0＜f（x）＜1（3）

但这两类函数在饱和状态时梯度值较小，无法更新权值，造成梯度弥散。当前，修正线性单元（Ｒectified Linear Unit，ＲeLU）凭借收敛快、不会产生梯度消失等特点，已逐渐取代tanh和sigmoid成为CNN中主流的激活函数。此外，ＲeLU会使得一部分神经元的输出值为0，这在一定程度上促使网络的稀疏性的产生，并有效减少了参数之间的相互依存关系，对过拟合问题有一定的改善作用。ＲeLU 激活函数如下式所示：

f（x）=max｛0，x｝（4）

可以看出，相较于tanh和sigmoid函数，ＲeLU 由于不存在除法运算，提高了运算速度。此外，当x＞0时，梯度恒为1，无梯度弥散问题，加快了收敛速度；当x＜0时，输出值为0，有助于增强网络的稀疏性与泛化性能，使提取出的特征更具代表性。

池化层又名为下采样层，与卷积层共同构成神经网络的特征提取层。池化层对输入数据进行降采样，减少特征的空间维度和网络参数，并使其具有“平移不变性”。当前，常用的池化方法有均值池化、最大值池化和随机池化，最大值池化特别适用于稀疏特征的分离，其分类性能相对较为优秀。

在卷积神经网络中，输入信号在经过多个卷积层和池化层的处理后，最终送入全连接层。全连接层中的每个神经元与前一层的所有神经元进行全连接，用来把提取到的特征进行整合，用于后续的分类处理。

在类似于本文所研究的分类任务中，输出层一般为分类器，输出值即为分类结果，采用softmax分类器进行分类。设N i是数组N的第i个元素，则softmax的公式化表述为：

S

i

=

e N i

∑

j

e N i

（5）2卷积神经网络的设计与实现

2．1卷积神经网络的设计

基于CNN的故障诊断算法与传统智能算法不同，将特征提取与分类两个步骤整合，实现自动提取特征和分类，摒弃了故障识别前人工特征提取的复杂过程。本文设计的卷积神经网络模型结构如图1所示，包括两个卷积层、两个池化层和两个全连接层。值得指出的是，第一个全连接层负责对前面所提取的特征进行整合；第二个全连接层作为分类层输出分类结果，每层的具体的节点个数由分类任务的不同而确定

。

图1卷积神经网络结构

2．2卷积神经网络的实现

根据图1的卷积神经网络结构，本文的卷积神经网络实现过程如图2所示。

—

96

—图2本文算法流程图

算法的实现分为训练阶段和测试阶段两部分，具体步骤如下：

Step1：将输入信号进行分段预处理，构建训练集和测试集。

Step2：训练阶段

①初始化卷积神经网络模型参数，设立训练终止条件；

②对训练集进行批训练，依次经过卷积层、池化层、全连接层处理，得到输出；

③计算实际输出与预测输出的误差值，若误差值符合训练终止条件，则停止训练，反之，进入步骤④；

④反向传播误差值，并依据误差值对网络的权值、偏置值等进行更新；

⑤重新回到步骤③，继续训练。

Step3：测试阶段

①从测试集中随机抽取测试样本，输入到模型中进行测试，得到输出；

②将输出结果与测试集真是类别进行比较，并以此对分类结果进行统计；

③返回步骤①，重新抽取测试样本进行测试，直到完成对所有样本的测试，结束。

3实验

3．1实验数据集介绍

本课题中采用凯斯西储大学轴承振动数据库中的部分数据作为实验数据集［10］，用于验证所设计的卷积神经网络的有效性。数据产生于滚动轴承故障试验台，该试验台由2马力的电动机、扭矩传感器/编码器、功率测试计及电子控制器构成。以深沟球轴承为实验对象。利用电火花加工技术使轴承产生单点损伤，损伤直径分为7inch、14inch、21inch和28inch四种；此外，根据损伤部位的不同，分为滚动体、内圈、外圈三点钟方向、外圈六点钟方向、外圈十二点钟方向共五类故障；轴承故障采样频率为12kHz。取0hp负载下的正常样本及其他故障类型样本组成实验集，共计有16类样本。

3．2数据预处理

在实际应用过程中，所获取的数据可能包含有缺失值、噪音等不利因素，同时，大部分数据以零散的形式存在，不利于卷积神经网络的学习。因此，对输入信号进行有效的数据预处理必不可少。

传统的卷积神经网络主要应用于图像、语音识别等二维信号的处理，对于一维信号如振动数据等应用较少。本文尝试将一维的输入信号进行合理重叠分段后作为卷积神经网络的输入信号。详细的实验样本信息及其对应的类别标记如表1所示。

表1实验样本信息表

故障信息样本信息

故障类型故障程度样本长度样本数目

类别

标记正常无10242000

内圈故障

7inch10242001

14inch10242002

21inch10242003

28inch10242004

滚动体故障

7inch10242005

14inch10242006

21inch10242007

28inch10242008外圈六点钟

方向故障

7inch10242009

14inch102420010

21inch102420011外圈三点钟

方向故障

7inch102420012

21inch102420013外圈十二点

钟方向故障

7inch102420014

21inch102420015将上述每类状态样本随机选择50%作为训练集，其余作为测试集。卷积核大小对于卷积神经网络的特征自学习至关重要，卷积核过大会降低模型特征提取能力，卷积核较小则会增加模型训练时间。

—

07

—

本文中采取一种巧妙的折中思路，即将每段1024个数据分为32步来学习，每步学习32个数据，这样可

以保证CNN 高效训练效率的同时保持良好的特征

提取能力。3．3

实验结果

本文提出的卷积神经网络模型建立在基于py-

thon 的keras 深度学习库中［11］，电脑硬件配置信息为i7－6700HQ 处理器8GB 内存Windows 10系统。

实验结果如图3所示，在50次迭代后，准确率指标

accu 达到了97．06%，损失函数值指标loss 为0．16，与预测值近似，符合预期标准

。

图3CNN 训练结果

3．4泛化性实验在实际应用中，可用于卷积神经网络训练的数

据远少于需要进行测试判断的数据，因此，利用上述卷积神经网络模型开展不同比例分配方式实验。训

练集与测试集样本比例分别设定为5ʒ5、

4ʒ6、3ʒ7、2ʒ8、1ʒ9。同时，在此基础上，对不同分类数量进行实验，依次进行各比例条件下二分类、三分类、四分

类、

……、十六分类共计十五种类型的实验。在迭代次数均为50的情况下，实验结果如表2所示。

表2

泛化性能实验分类准确率汇总表

类别比例5ʒ54ʒ63ʒ72ʒ81ʒ9类别比例5ʒ54ʒ63ʒ72ʒ81ʒ92分类11110．563910分类0．9930．98670．930．85380．36053分类11110．36311分类0．97450．92730．82140．78860．43534分类10．99790．99820．99220．440312分类0．9850．96250．85240．76820．43475分类10．99830．99860．970．554413分类0．96310．92880．83850．76880．29836分类0．990．97920．940．850．501814分类0．98140．9440．86380．790．47827分类0．990．97980．95310．850．511115分类0．97670．96220．85480．79960．43928分类0．99250．98020．950．82420．452116分类

0．9706

0．9328

0．8433

0．7531

0．3476

9分类

0．9911

0．9806

0．9523

0．8688

0．43

由表2可知，

该模型在训练集与测试集比例为5ʒ5、4ʒ6、3ʒ7、2ʒ8这四种情况下，结果较为良好，但在比例为1ʒ9时分类准确率下降迅速。3．5模型的优化

通过对表2中数据的分析，发现1ʒ9样本比例时下降的原因可能是由于样本数不平衡导致的模型

训练过拟合，为进一步增强该模型的实用性，减少模

型的过拟合，本文采用ＲMSProp 优化器，并引入dropout 算法来防止深度学习中经常出现的过拟合

现象，进一步提高模型的泛化能力

［12］

。利用改进后的模型进行上述实验，实验结果如表3所示。

表3

优化模型实验分类结果汇总表

类别比例5ʒ54ʒ6

3ʒ7

2ʒ8

1ʒ9

accu loss accu loss accu loss accu loss accu loss 2分类11．19E －0711．99E －0716．25E －0617．86E －0610．00043分类11．20E －0714．02E －0618．74E －0610．00040．99630．02684分类

1

5．20E －06

1

5．66E －05

1

0．0001

1

0．0008

0．97

0．02

—

17—

类别比例

5ʒ54ʒ63ʒ72ʒ81ʒ9

accu loss accu loss accu loss accu loss accu loss

5分类13．22E－0618．28E－0615．78E－0510．00210．98220．0584 6分类10．000210．000310．001410．0070．8880．2982 7分类10．000810．000710．001110．00380．9460．1437 8分类0．99750．00650．9990．00510．0060．980．03840．91740．2554 9分类10．003510．00260．9960．02050．970．070．84690．4584 10分类10．00120．98670．03460．99430．01840．99560．02770．85110．4506 11分类0．99360．04450．98410．15760．94420．23430．93010．2750．82170．5308 12分类0．98750．13880．9840．17860．97440．19020．90990．34750．80050．5942 13分类0．99150．07880．9840．16590．95440．18030．91010．3260．7350．8245 14分类0．930．08390．930．11020．97750．13560．96250．16690．81820．5406 15分类0．9940．03110．99060．11280．9610．16670．93420．20220．79780．5928 16分类0．99620．01580．98750．08040．95620．13920．92930．20910．75520．8630

4结束语

本文建立了基于卷积神经网络的滚动轴承智能故障诊断算法模型，将卷积神经网络的应用领域拓展至一维振动信号分析与处理，并对该算法的有效性进行了验证。本文所设计的卷积神经网络模型具有以下优点：

①将特征提取与智能分类结合在一起，从而能够自动提取特征并将其用于分类，免去了识别前人工特征提取的复杂过程；

②进行算法优化后的模型有了较好的泛化能力，对于不同的训练、测试集比例条件下的多分类问题，能够较好地完成特征提取及智能故障诊断，实用性强。

但本文设计的卷积神经网络层数浅，只有两层卷积层和两层池化层，自动提取特征的可靠性有待提高；另外，卷积神经网络中各参数的设置未进行最优化。这将是今后研究的重点和方向。

参考文献：

［1］Huang N E，Shen Z，Long SＲ，et al．The empirical mode decom-position and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］．Proceedings Mathematical Physical and En-gineering Sciences，1998，454（1971）：903－995．

［2］Costajussa MＲ，Allauzen A，Barrault L，et al．Introduction to the

special issue on deep learning approaches for machine translation ［J］．Computer Speech＆Language，2017，46：367－373．

［3］Abdelhamid O，Mohamed A，Jiang H，et al．Convolutional neural networks for speech recognition［J］．IEEE Transactions on Audio，Speech，and Language Processing，2014，22（10）：1533－1545．［4］郭亮，高宏力，张一文，等．基于深度学习理论的轴承状态识别研究［J］．振动与冲击，2016，35（12）：166－170．

［5］任浩，屈剑锋，柴毅，等．深度学习在故障诊断领域中的研究现状与挑战［J］．控制与决策，2017，32（8）：1345－1358．

［6］谢川．基于深度学习的发电机故障挖掘方法研究［J］．电网与清洁能源，2016，32（2）：8－13．

［7］庞荣，余志斌，熊维毅，等．基于深度学习的高速列车转向架故障识别［J］．铁道科学与工程学报，2015，12（6）：1283－1288．［8］Le C Y，Bengio Y．Word-level training of a handwritten word recog-nizer based on convolutional neural networks［C］．International Conference on PatternＲecognition，1994：88－92．

［9］Lawrence S，Giles C L，Tsoi A C，et al．Face recognition：A conv-olutional neural-network approach［J］．IEEE Transactions on Neural Networks，1997，8（1）：98－113．

［10］http：∥csegroups．case．edu/bearingdatacenter/home［DB/OL］．［11］Chollet F．Keras［EB/OL］．（2015）https：/github．com/fchollet/ keras．

［12］Srivastava N，Hinton G E，Krizhevsky A，et al．Dropout：a simple way to prevent neural networks from overfitting［J］．Journal of Ma-

chine LearningＲesearch，2014，15（1）：1929－1958．

责任编辑：丁玥

—

27

—