基于声学信号瓶颈特征的滚动轴承故障诊断

唐 刚，秦朝任

(北京化工大学 机电工程学院，北京 100029)

滚动轴承是旋转机械最常用也是最易发生故障的部件之一.通过对设备的大数据统计分析，可知轴承故障约占机械故障的30%，因此，滚动轴承故障诊断是1个热门且有价值的研究方向[1].滚动轴承振动和声学特性变化能有效地反应轴承的运行状态，可以通过安装传感器进行信号采集与监测，分析诊断轴承的运行状态，为轴承的智能运维提供重要技术支撑[2].

振动信号分析是目前轴承故障诊断最主要的方法之一[3].振动传感器以接触式为主，安装位置和数量经常受到限制，声学传感器则可以有效地解决此问题.但是，由于机械系统本身的复杂性，各个零部件之间互相冲击振动，加之声学传感器信号的信噪比通常低于振动传感器信号，导致采集的滚动轴承的声学信号中经常包含很多干扰信息，给相关研究带来了很大挑战.

声学信号特征提取是开展滚动轴承故障诊断的必要前提之一.使用单一特征通常难以全面准确地反映轴承的运行状态，同时具有很大的随机性与不确定性，因此需要从不同角度提取充分反映其运行状态的多种特征，提高故障诊断的准确性[4].但是过多的特征参数又会导致信息冗余，增加分析计算的代价和难度，甚至多个特征之间会产生交叉干扰，影响故障诊断精度.信息融合降维技术为解决该问题提供了思路[5-6].基于此技术，众多学者在不同领域开展了相关研究.例如，文献[7]基于多模型PCA开展了翻车机液压系统的故障诊断研究，文献[8-9]研究了基于主成分分析(Principal Components Analysis， PCA)和支持向量机(Support Vector Machine， SVM)的发动机故障诊断方法，通过PCA将多个特征融合降维，利用SVM进行故障诊断分类.然而，这些传统方法虽然能够对数据进行降维，但是由于滚动轴承声学信号的特征微弱，很多传统的线性变换降维算法难以有效地提取反映轴承状态的敏感特征[10].

自编码(AutoEncoder， AE)网络通过设置非线性激活函数，利用训练学习输入数据的内在特征，消除冗余特征信息，避免发生维数灾难，得到具有较强泛化能力的网络[11-13]，其隐含层具有较少的神经元.因此，使用滚动轴承声学信号的多种特征训练自编码网络，提取隐含层的输出作为瓶颈特征参数，有望解决以上传统方法存在的问题.

在提取有效的敏感特征后，还需要进行故障的分类与识别.SVM由Vapnik等[14-15]在统计学习理论基础上提出.该方法因其稳定、高效在故障诊断领域得到了广泛应用[16-18]，尤其适用于本文所面临的小样本集的数据处理问题.

本文基于非接触式声学传感器采集声学信号，开展滚动轴承故障诊断研究.使用自编码网络提取声学信号的瓶颈特征，并通过SVM训练学习实现滚动轴承故障诊断及分类.

1 理论介绍

自编码(AE)网络作为无监督类型网络，目的是使输入和输出的重构误差最小,主要包括编码和解码两部分.最基本的AE模型包含1个输入层，1个隐含层，以及1个输出层，典型的AE网络基本结构如图1所示.

AE网络的前向传播过程可简单解释为： 输入信号x由编码器编码后映射到1个新的维度空间，得到隐含层h，解码器将隐含层解码输出，公式如下：

h=f1(xW1+b1)，

(1)

(2)

式中：f1，f2是隐含层和输出层的激活函数，本文选用Sigmoid函数作AE网络的激活函数；W1，W2是权重参数；b1，b2是阈值.

AE网络的反向传播过程是通过预置的损失函数，反向传播输出与输入的误差，迭代更新权重参数，使输出不断逼近输入，公式如下：

(3)

式中：W′，b′表示更新后的权重.

使用提取的特征对网络进行训练，完成后提取瓶颈层的输出作为瓶颈特征的参数集.基于采集到的声学信号特性，本文所用的AE网络的损失函数设置为均方误差(Mean Square Error， MSE),使用随机梯度下降(Stochastic Gradient Descent， SGD)训练网络.

2 滚动轴承故障诊断的方法

图2是本文方法的流程图，主要包括以下4步.

1) 数据采集： 采集滚动轴承故障声学数据并作归一化处理.

2) 特征提取： 分别提取绝对平均值、方差和峭度等多种特征指标，并作归一化处理.

3) 瓶颈特征提取： 训练自编码网络，提取瓶颈特征.

4) 故障诊断分类： 基于瓶颈特征，使用SVM进行滚动轴承故障诊断的分类.

图1 自编码网络的基本结构Fig.1 The basic structure of AE network

图2 本文方法的流程图Fig.2 Flow chart of the proposed method

3 滚动轴承故障诊断试验

3.1 试验

在内圈、外圈和滚动体预设故障，故障为宽0.1mm、深0.05mm的贯穿槽.采用如图3所示的滚动轴承试验台开展试验，故障轴承安装在距离电动机最远处的轴承座内，以尽量减小电动机带来的干扰.声学传感器位置如图3所示，采样频率为20kHz，分别开展了滚动体、内圈和外圈单一故障3种试验，滚动轴承故障的特征频率的计算公式如表1所示，试验的实际转速和对应的故障特征频率如表2所示.

图3 滚动轴承故障试验台Fig.3 Test rig of rolling bearing fault

表1 滚动轴承故障的特征频率的计算方法Tab.1 Calculation method of characteristic frequency of rolling bearing fault

注：fB,fI,fO分别表示滚动体、内圈和外圈故障的特征频率；r为转速；n为滚珠个数；d为滚动体直径；D为轴承节径；α为接触角.

表2 滚动轴承故障的类型、转频及其对应故障特征频率Tab.2 Type, frequency conversion and corresponding fault frequency of rolling bearing fault

3组实验的采样时间均为3s，60000个采样点.图4为原始数据的波形图和包络谱图.从图4中可以看出： 原始信号的幅值较低，冲击不明显，包含大量干扰噪声，通过包络分析也只能够得到故障特征频率的1倍频.相对于内圈故障，滚动体和外圈故障干扰更加严重，这和实际情况相吻合.同时验证了声学信号信噪比低于振动加速度信号的问题，极大增加了诊断的难度.

图4 原始数据的波形图和包络谱图Fig.4 Waveform and envelope spectrum of original data

3.2 本文提出的方法

将以上3组数据分别归一化后提取各个样本的绝对平均值、方差和峭度等多个特征指标，并输入到自编码网络中提取瓶颈特征.将每组数据样本分为训练集和测试集，输入到SVM中进行故障诊断及分类，结果如图5所示.

图5中类别1，2，3分别代表滚动体故障，内圈故障和外圈故障，由测试集的结果可以看到： 本文提出的方法对滚动轴承声学故障诊断及分类具有较好的效果，整体正确率达到96.7%，其中对内圈和外圈故障的诊断正确率达到100%，对滚动体故障的诊断正确率为90%.滚动体故障相对微弱，是造成其正确率相对较低的主要原因.

图5 本文方法的故障分类的结果Fig.5 The results of fault classification of the proposed method

3.3 与传统方法对比

为了比较各方法的优越性，采用同样的数据处理方法提取出同样的多个特征指标.将特征归一化后输入主成分分析降维，按照能量占比超过95%取降维后的维数，3组数据对应的能量占比如图6所示，图中柱状图代表的是各个特征的能量占比，蓝线代表能量占比的加和.

图6 PCA降维后特征的能量占比Fig.6 Energy proportion of features after PCA dimension reduction

PCA降维后前4个特征能量占比已经超过95%，所以选取前4个特征，输入到SVM中进行训练诊断，得到的结果如图7所示.

图7 传统方法的故障的分类结果Fig.7 Fault classification results of the traditional method

PCA和SVM在滚动轴承加速度信号处理等领域广泛应用，因此选其作为对比方法，验证本文方法的优越性.从图7中可以看出，训练集正确率较好，测试集整体准确率却较低，只有70%.出现该问题的原因有很多，比如过拟合、样本数据差等原因.试验结果中内圈故障的识别率较高，滚动体和外圈故障的识别率较差，只有50%和70%.对于相对微弱的滚动体和外圈故障，该方法不能有效地提取出敏感特征信息，进而不能够有效地诊断出滚动轴承故障类型.

通过比较，传统的方法对低信噪比下声学信号的微弱特征识别存在很多不足，本文提出的方法能够在一定程度上克服其存在的问题，准确识别滚动轴承故障的类型.

4 结 语

本文提出的方法具有声学信号测量的非接触性优势，且对低信噪比的轴承声学信号表现出了良好的故障诊断分类的能力，取得了较高的分类正确率.相比传统的方法，该方法能够有效地识别受噪声干扰的微弱故障，表现出较好的优越性，提高了基于声学信号的滚动轴承故障的诊断能力.