基于一维残差网络的轴承故障诊断

郭保苏,章 钦, 吴凤和

(1.燕山大学机械工程学院，河北 秦皇岛 066004)(2.河北省重型智能制造装备技术创新中心，河北 秦皇岛 066004)

随着科学技术的不断进步，制造业正朝着高速化、精密化、自动化的方向不断发展。为了保障设备的正常运行，对其中关键零部件的健康状况进行实时监控是必不可少的[1]。在航天等领域，因设备故障导致的停机，轻则导致经济损失，重则威胁生命安全[2]。轴承是旋转机械中最关键的零件之一，一般由4部分组成，包括内圈、外圈、滚动体和保持架[3]。在机械设备运转时，轴承可以将轴和座之间的滑动摩擦转换为滚动摩擦，从而减少机械设备的摩擦损耗，其运行状态的变化对机械设备能否正常运作有着重要意义。数据统计表明，旋转机械发生故障时，约30%是轴承故障[4]。

目前，轴承故障诊断技术伴随着传感器以及人工智能等技术的应用，已形成了完整的研究体系，主要环节可以概括为信号采集及预处理、特征提取和故障识别。研究人员通过提取时域、频域特征试图采用机器学习的方式建立传感器信号与轴承故障之间的联系。常见的特征提取方法有小波变换、经验模态分解等[5],常见的机器学习分类算法有支持向量机[6]、随机森林等。

计算机技术的发展使得由数据驱动的深度学习得以广泛运用，深度学习也被证明优于机器学习方法[7]。郭亮等[8]通过提取振动信号的时域、频域和时频域特征构成特征向量，并将其输入到堆叠自编码器中进行故障特征学习。Chen等[9]通过提取齿轮箱故障状态信号的时、频域特征作为输入，构建二维卷积神经网络(convolutional neural network, CNN)。袁建虎等[10]在同样的网络结构下提取滚动轴承振动信号的时频特征作为二维卷积神经网络的输入。Kong等[11]通过卷积神经网络对滚动轴承的能量进行监控，以此来实现电机故障的分类。

上述深度学习算法虽然采用CNN，但是其模型输入依然还是人为提取特征，没有充分利用CNN的自动提取特征能力，限制了故障分类的准确率，为此本文提出一种基于一维残差网络的轴承故障诊断方法。通过对采集到的振动信号进行小波降噪预处理以消除噪声的干扰，将降噪后的信号直接输入到一维残差网络中，实现轴承故障分类。

1 数据预处理

实际加工中由于自身加工环境、机床的振动等影响使得采集的传感器信号中混杂有噪声干扰。如果直接使用带有噪声的原始信号作为模型的输入进行特征提取，将难以提取更多的有效信息，严重影响之后模型的识别与预测精度，因此需要对原始信号数据进行降噪处理。

1.1 数据集介绍

本文实验所采用的数据来自DataCastle竞赛数据集。该数据集中轴承有3种故障——外圈故障、内圈故障、滚珠故障，结合轴承的3种直径，即9种故障类别，外加正常的工作状态，其工作状态有10类，见表1。

表1 轴承的工作状态类别

1.2 信号降噪

本文采用的降噪方法是由Donoho等[12]提出的小波阈值降噪，其主要思想是信号通过小波变换后产生的小波系数含有信号的重要信息，经过小波分解后信号的小波系数较大，而噪声的小波系数较小，通过选择一个合适的阈值，大于阈值的小波系数被认为是信号产生的，给予保留；小于阈值的小波系数则认为是噪声产生的，将其重置为零。其原理如图1所示。尽管小波降噪在很大程度上可以看成是一种低通滤波，但是由于在降噪的同时还能保留信号特征，因此又要优于传统的降噪方法。

图1 小波降噪原理

小波阈值降噪过程如图2所示，其重点在于选择合适的小波基、阈值以及阈值函数。

图2 小波阈值降噪过程

1)小波基采用“sym8”，分解层数为5。

2)阈值T的选择采用如下公式：

(1)

式中：cD1为第一层分解的细节系数；N为数据长度；median表示计算中位数。

3)阈值函数采用软硬阈值折中的方法，可以表示为：

(2)

式中：x为信号数据值。

以数据集中id为100的信号数据样本为例，如图3(a)、(b)所示，采用傅里叶变换对该样本的原始波形进行频谱分析，可以发现频谱图上峰值主要集中在0～2 000 Hz的低频和4 000～6 000 Hz的高频上，高频上的成分也就是噪声干扰，因此需要对振动信号进行小波阈值降噪处理，降噪后的信号如图3(c)所示。经过降噪处理后的信号可以直接用作后续模型的输入。

图3 小波阈值降噪处理

2 基于一维残差网络的分类模型

基于一维残差网络的轴承故障分类模型如图4所示，将之前经过预处理的振动信号作为模型的输入，该模型包括一个后激活(Post-activation)残差块和多个预激活(Pre-activation)残差块。后激活残差块的结构是由一个卷积层(Conv)开始，经过一个批标准化层(BN)以加速模型的计算，激活函数采用Relu函数，再经过一个Dropout层减少训练参数以防止过拟合，与此同时，为了消除冗余特征并减少计算，用一个最大池化层(MaxPool)作为短连接，最后经过一个卷积层(Conv)结束。其中卷积层和池化层的参数采用传统设置，卷积核大小为3，步长为2，两个卷积层的卷积核数分别为64和128。与之不同的是，预激活残差块的结构是由批标准化层(BN)开始，起到了正则化的作用，然后依次经过Relu激活函数、Dropout层、卷积层(Conv)，并且循环重复一次。为了增加网络的深度，预激活残差块使用了多个，用k表示其个数，选取k=15。最后经过一个全连接层采用Softmax分类器输出10种故障的概率。

图4 基于一维残差网络的轴承故障分类模型

3 实验与结果分析

对于训练集数据，每行数据编号1～6 000为按时间序列连续采样的振动信号数值。第一列id字段为样本编号，最后一列label字段为标签数据，即轴承的工作状态，用数字0～9表示。每行数据是一个样本，共792条数据，按照0.2的比例将其分为训练集和验证集。测试集共有528条数据，每行数据除去id和label后是轴承某段时间内的振动信号数据，这些振动信号可以用来判定轴承的工作状态以实现轴承故障分类。所有算法均通过Tensorflow的keras框架实现。计算机GPU使用的是Nvidia GTX1080Ti。将数据集在已建立好的模型上进行实验，并且同传统CNN进行对比，实验结果如图5,6所示，两种模型的分类效果分析见表2。

图5 残差网络在训练集与验证集上的结果

图6 CNN在训练集与验证集上的结果

表2 两种模型的分类效果分析

实验结果表明，本文提出的一维残差网络可以有效提高轴承故障分类准确率，优于传统CNN。

4 结束语

本文针对旋转机械中轴承的故障诊断问题，提出一种基于一维残差网络的故障分类算法，将原始信号经过预处理降噪后，经过一维残差网络自适应提取故障特征，实验结果表明：

1)将采集到的振动信号经过小波阈值降噪处理可以有效消除噪声干扰，让模型更好地学到重要信息，从而提高模型的分类准确率。

2)一维残差网络可以自适应提取有效特征，相比于传统方法的人为手动提取特征，更加合理。残差结构可以防止特征信息的丢失，而且通过增加残差网络的深度，提高了模型的分类准确率，明显优于传统卷积神经网络。