基于卷積神經網絡的滾動軸承故障診斷研究綜述*

賴榮燊,閆高強

(廈門理工學院 機械與汽車工程學院,福建 廈門 361021)

0 引 言

智能制造背景下,機械設備正在沿著一體化、自動化、智能化趨勢不斷向前發展。在機械設備的發展過程中,旋轉部件的結構越來越精密。滾動軸承是旋轉部件中最常見的零件,它經常因為長時間高速旋轉而產生磨損,所以在生產活動中更容易發生故障。研究顯示,滾動軸承產生的故障是很多重大安全事故的導火索,一旦出現故障,輕則使生產機器受損,重則可能造成生產人員傷亡。因此,滾動軸承故障診斷研究具有重大意義。

經過國內外研究學者的努力,滾動軸承故障診斷技術發生了巨大變革,從傳統的人工提取數據并分析故障原因,到現在的依靠人工智能領域的深度學習進行自主診斷。40年來的研究探索從未間斷,為滾動軸承故障診斷貢獻了大量實用方法。

在多種故障診斷研究中[1-4],比較常見的一種方法是基于深度學習框架的滾動軸承故障診斷方法,它包括故障軸承數據采集、數據預處理、對故障數據特征提取和識別故障類型四部分。傳統故障診斷技術需要依賴技術人員的經驗和專業知識進行故障識別,這極大限制了滾動軸承故障診斷的發展。首先,特征提取必須依賴工程師的經驗和專業知識,微小的故障特征易被誤刪或被噪音掩蓋,存在較大的主觀性和盲目性;其次,提取到的特征主要用于解決特定的故障問題,方法通用性較差;另外,在實際工作環境下,軸承通常是變負載、變轉速的,如大貨車載重和速度變化、水利發電機組水流速度變化等。這導致系統采集到的軸承振動信號存在脈沖間隔變化、特征提取困難、信號噪聲污染等問題,僅靠人工進行故障診斷的傳統方法無法解決這些條件下的軸承故障診斷問題。

2006年,HINTON G E等人[5]提出了深度置信網絡的方法,采用無監督預訓練中間層的方法,使得深度學習(DL)不再受限于手動選擇的特征;但該方法的泛化性較差,無法應用于其他方面。DL利用深層神經網絡結構對輸入樣本數據進行逐層特征提取,擺脫了對專家經驗的依賴,實現了自主診斷和故障分類的目的。其中,卷積神經網絡(CNN)因其強大的數據挖掘能力及特征自適應學習能力在機械狀態監測領域受到研究人員的極大關注,將CNN應用到故障診斷領域的研究成果頗豐。

CNN作為一種深度學習網絡模型,可以自主學習不同故障信號的故障特征,實現高準確度滾動軸承的故障診斷目的。曲建嶺等人[6]較早提出了一維CNN滾動軸承故障診斷方法,此后將CNN用于軸承故障診斷的研究成果大量問世,促進了軸承故障診斷技術的發展;但該方法存在診斷精度不高的缺點。目前,在CNN應用于滾動軸承故障診斷方面,還存在數據不平衡、信號噪聲使模型性能減弱、模型特征提取能力不足以及泛化性不強等需要解決的問題。

筆者回顧近5年來CNN用于軸承故障診斷領域的研究進展,從深度特征提取、超參數調整、網絡結構優化等角度闡述CNN應用于軸承故障診斷的優化路徑,并對幾種經典CNN模型、特征提取優化方法和超參數優化算法進行比較,最后,指明后續研究工作應聚焦于多源數據融合、模型性能優化以及多方技術結合等方向。

1 卷積神經網絡

CNN結構簡單但具有強大的特征提取能力,通過構建多個卷積層和池化層可以將輸入數據的深層特征提取出來,有效減少模型訓練參數量,避免算法過擬合。此外,網絡層數越深,非線性擬合能力越強,則能夠處理更高維度的數據,因此,CNN在軸承故障診斷領域得到了廣泛應用。

1.1 網絡結構

CNN的網絡結構主要由卷積層、激活函數、池化層、全連接層和輸出層的SoftMax分類器五部分組成。通過組合交替和堆疊多個卷積層、激活函數和池化層就可以設計出更深層的CNN結構。

CNN模型的基本架構如圖1所示。

圖1 CNN模型的基本架構

卷積運算是CNN的核心部分,CNN應用矩形卷積核遍歷輸入數據的每一個特征數值,將計算后的數值作為下一層卷積層的輸入數據。激活函數引入非線性表達,增加了網絡的表達能力和學習復雜模式的能力。池化層的主要功能是降低特征圖的空間維度,提取主要特征并減少計算量。

全連接層是卷積網絡部分與輸出層(SoftMax分類器)的連接過渡結構,全連接層通過進行特征融合和分類,將卷積層輸出映射到最終的輸出類別。全連接網絡的層與層之間的所有神經元相互連接,負責將卷積輸出的特征圖轉化成一維向量,實現CNN端到端的學習過程。SoftMax分類器將網絡輸出轉化為概率分布,用于多分類任務的概率預測和決策。

1.2 經典CNN模型

CNN自被提出以來,經過不斷的發展演變,產生了多種經典的模型,如LeNet、AlexNet、GoogleNet、ResNet、Vgg以及DenseNet等。這些模型具備稀疏交互、參數共享等特點,可以有效簡化故障診斷流程,減少訓練參數數量,提高邊緣檢測效率,既可降低訓練難度,又可以提高識別準確率。由于這些出色的特性,CNN的信號處理能力優于其他網絡。

趙小強等人[7]采用改進LeNet-5模型提出了不依賴預處理復雜信號的方法,改進卷積后的LeNet-5可以直接從原始信號中端到端高效地提取到更完整、更精準的深層特征信息。徐衛鵬等人[8]采用經典AlexNet模型的方法,建立了一種由池化層和多級交替卷積層組成的一維CNN模型,采用滑窗法可完成對原始輸入信號特征的自適應提取。姚齊水等人[9]以GoogleNet經典模型為基礎,改進了Inception V2對輸入信號特征提取的過程,提出了一種改進Inception V2模塊和CBAM注意力機制的滾動軸承故障診斷方法。姚立等人[10]采用格拉姆角場編碼的方法,將一維軸承振動信號進行了整合,將處理后的信號輸入Vgg16模型,進行了充分的特征提取。姜家國等人[11]提出了將馬爾可夫轉移場與DenseNet模型結合的方法,保留了原始振動信號時序信息之間的時間相關性,使得DenseNet轉向更適合處理的圖像數據。高峰等人[12]提出了利用經典模型自身為特征提取器的方法,以原始振動數據為輸入,充分發揮CNN的特征提取能力。樊星男等人[13]認為Hankel矩陣可以和CNN模型互相取長補短,采用區間歸一化方法,既保持了特征信號之間的連續性,又可以充分發揮經典模型的特征提取能力。

總體而言,經典CNN模型在軸承故障診斷問題上具有較好的表現,能夠從原始數據中學習特征并進行故障分類。然而在實際應用中,需要根據具體的問題和數據集進行模型選擇、數據處理和模型調優等步驟,以獲得更準確和可靠的故障診斷結果。應用CNN處理滾動軸承故障診斷問題的過程如圖2所示。

圖2 應用CNN處理滾動軸承故障診斷問題的過程

2 深度特征提取

特征提取質量的關鍵在于輸入信息特征的優劣、信號處理方法的選擇和模型自身的特征提取能力。通過對采集到的振動信號進行一系列處理、轉換和分析,能夠將原始振動信號轉化為時域和頻域信息,從而更好地理解和利用信號的信息。

這種信號處理過程能夠深入挖掘振動信號中的特征和模式,為進一步的數據分析和應用提供了有力的基礎。

經典CNN模型比較如表1所示。

表1 經典CNN模型比較

2.1 信號處理方法

當前,大多數對于優化特征提取的研究思路是應用信號分析和數值計算等方法對采集到的原始數據進行處理,再將其作為CNN卷積操作的輸入數據,通過提高信號提取精度和減少模型計算量,進行滾動軸承故障的分類。特征提取中的時頻分析可以揭示非平穩振動信號的動態特性,時頻分析方法包括短時傅里葉變換(short-time Fourier transform, STFT)、經驗模態分解(empirical mode decomposition, EMD)、變分模態分解(variational mode decomposition, VMD)、小波變換(wavelet transform, WT)和小波包分解(wavelet packet decomposition, WPD)等。

STFT是一種線性的時頻分析方法。朱沁玥等人[14]在研究中采用STFT的方法來變換和估算旋轉設備的轉速信息。由于STFT的窗口大小固定,無法針對不同信號頻率進行自適應,因此STFT無法從非平穩的信號中精確提取到瞬時信號特征,致使STFT的精確性相對較低。EMD無需借助小波基函數,只針對信號本身進行分解,避免了WT的局限性。

此外,為解決小波基函數造成的信號降噪效果降低和信號有效成分丟失的問題,田少寧等人[15]提出了CNN與VMD結合的方法,采用可變尺度的非遞歸信號處理方法提取了非平穩信號的特征信息,其具有較小的端點效應、較高的運算效率和良好的噪聲魯棒性。WT的本質是采用小波基函數對信號進行各種加權和濾波操作,因此包含各種尺度下的信號特征信息,故能處理突變和非穩定信號。WPD作為一種多時間分辨率的時頻分析算法,通過對信號進行小波包變換,將其轉化為低頻帶的近似系數和高頻帶的細節系數。

2.2 特征提取優化

信號的輸入特征直接影響CNN的故障診斷和預測結果。信號特征提取的方法不同,獲取的信息不同,同一信號提取到的特征參數不同,故障診斷的結果也會有所差異。

WANG H等人[16]針對信號特征精度提取困難的問題,提出了一種STFT與多同步壓縮變換相結合的信號特征提取方法,建立了局部特征空間與故障空間之間的映射。BAI R等人[17]采用多尺度剪切融合數據增強的方法對故障信號進行了增強,通過STFT轉化后利用多通道CNN進行了數據融合和故障分類。YAO P等人[18]采用梅爾頻率倒譜技術的方法提取振動信號不同頻段的特征,通過倒拍光譜舉升技術的特征增強過程,提高了信號提取精度和方法的適應性。丁春嶸等人[19]和陳曉雷等人[20]提出了應用長短時記憶網絡模型,考慮了CNN對于提取序列數據和信息數據的順序性并在此基礎上進行了優化,提高了信息的提取精度。董紹江等人[21]和DING C等人[22]為避免丟失微弱信號的故障細節特征,采用將帶噪聲信號經奇異值分解的方法,消除了噪聲模態混疊后再將其用于分解原始振動信號,保證了CNN特征提取的適應性、全面性和多樣性。李魁等人[23]提出了一種融合VMD和CNN的滾動軸承故障診斷方法,該方法不僅去除了信號中的噪聲成分,還將相關系數作為參考指標以優化模態分量選取個數。陳仁祥等人[24]和王妮妮等人[25]采用WT獲取振動信號時頻圖的方法,將時頻圖像作為CNN的輸入,充分提取了軸承振動信號的關鍵故障特征。LI J等人[26]認為故障信號中信息最豐富的部分只占時頻域信號的小部分,提出了基于反向傳播神經網絡(back propagation, BP)的多尺度局部特征學習法。SONG X等人[27]提出了BP神經網絡與粒子群算法結合的方法,先對振動信號進行了EMD分解,再利用算法優化的BP神經網絡對滾動軸承故障進行了分類。

WPD技術不僅可以根據需要調整時間分辨率的大小來提取不同頻率的信號,還能夠同時獲取低頻和高頻信號,從而更全面地分析振動信號的特征。

樓劍陽等人[28]采用WPD對振動信號進行了預處理,獲得了表征信號相似的小波系數的方法,再將其輸入CNN進行特征提取,實現了軸承故障分類目的。楊蕊等人[29]采用計算原始時域信號頻譜在不同偏移點數下的相關峭度值,將其作為新的樣本數據方法,使得數據之間的差異更加顯著。牛銳祥等人[30]構建了多尺度卷積層,充分捕捉了信號特征的過程,增強了特征的復用性。雷春麗等人[31]則利用馬爾可夫轉移場編碼方法,使振動信號的時間相關性特征得以保留。張珂等人[32]提出的多模態注意力技術和丁雪等人[33]提出的多尺度注意力方法,都使得CNN可以更加充分地完成故障信號的特征提取。劉偉等人[34]提出了由兩個通道組成的并行一維CNN模型,該模型可以用于分別獲取軸承振動信號的時域信息和頻域信息。趙小強等人[35]采用帶跳躍連接線的卷積模塊融合CNN的方法,防止提取到的豐富信號特征在卷積層向前傳遞時丟失。古天龍等人[36]利用深層多尺度卷積操作過程,提高了CNN對故障信號挖掘的深度和精度。蒙志強等人[37]在CNN中采用多尺度卷積核并聯的方法對軸承振動信號進行了更充分的故障信息提取。金江濤等人[38]對信號處理方法進行了創新,提出了基于混沌理論的相空間重構法,進一步推動了軸承故障診斷研究。

特征提取的重要性是將滾動軸承的故障診斷問題聚焦為軸承故障特征信息的提取問題,采用各種信號處理方法可以減少噪聲和干擾,CNN可以提取有區分性的特征,并使模型能夠更好地學習和識別軸承故障模式,解決了軸承故障診斷中信號包含噪聲、數據難以采樣和數據分布差異較大的問題。

然而,當軸承工況差異較大且信號含有高噪聲時,特征提取性能會顯著下降。

信號分析方法比較如表2所示。

表2 信號分析方法比較

3 超參數調整

CNN的模型包含的參數通?？梢苑譃橐话銋蹬c超參數。其中一般參數是模型經過不斷地訓練自動調整的,不需要人工進行設置。而對于超參數,模型無法通過訓練來調整,一般是在模型訓練前就設定好,如設置學習率0.1、0.001和訓練批量大小64、128。

超參數的設定值通常依賴過去的經驗,但是依靠經驗來設定數值的方法在用于解決具體問題時通常效果不佳,因此,對于超參數的優化調整是基于CNN的滾動軸承故障診斷研究的重要組成部分。

3.1 調整方法

近幾年來,國內外研究學者開始以調整CNN中的最優超參數來進行CNN故障診斷的創新,隨后各類算法的創新應用大量涌現。其中包含貝葉斯優化算法、差分進化算法、布谷鳥搜索算法、最大相關峭度反卷積算法以及稀疏搜索算法等,這些調整方法都為CNN用于滾動軸承故障診斷提供大量研究支持。

貝葉斯優化算法(Bayesian optimization, BO)是利用高斯回歸過程搜尋目標函數最優值的算法。BO不是使用窮舉搜索算法,而是針對成本函數f(x)值密度較高的區域進行搜索,這大大減少了計算工作量。采集函數和概率代理模型是貝葉斯優化的關鍵組成部分。采集函數由目標函數的后驗概率組成,用于選擇評估點以最小化總損失。

差分進化算法(differential evolution algorithm, DE)是一種基于種群的優化算法,相比其他優化算法,DE具有較高的可操控性。它僅有三個控制參數需要調節,具有簡單結構和易于實現的優勢,同時具備良好的全局搜索能力。

布谷鳥搜索算法(cuckoo search algorithm, CSA)是一種模擬布谷鳥寄生孵化行為的優化算法,它被廣泛應用于解決各種優化問題。CSA具有強大的全局搜索能力,可以發現最佳的超參數設定值,從而提升CNN的性能和效果。

參數優化的最大相關峭度反卷積算法(maximum correlated kurtosis deconvolution, MCKD)是通過迭代選擇一個有限脈沖響應濾波器,濾波器利用故障的周期性,突出被強噪聲覆蓋的信號中的連續脈沖。MCKD具有多個輸入參數,并對它們有嚴格的要求。除原始信號和原始采樣率外,濾波器長度、故障周期、最大迭代次數以及位移順序等都對MCKD濾波器的函數有很大的影響。這些參數的選擇必須合適和精確,以突出MCKD算法的優越性。

除此之外,還有稀疏搜索算法(sparse search algorithm, SSA),SSA模仿麻雀覓食的過程對CNN的最優參數組合進行搜索,通過快速搜索和收斂的過程確定適合的參數,然后建立一個CNN故障診斷模型。

3.2 調整超參數

針對調整超參數的優化方法,LU Y等人[39]和湯亮等人[40]提出了BO與CNN進行結合的診斷方法。該方法通過對CNN的學習率等超參數進行調整,提高了CNN對于故障類型的分類能力。孫祺淳等人[41]采用DE算法的優勢來調節CNN中的學習率、卷積核大小和數量等6個超參數,降低了網絡波動,將模型的診斷精度和穩定性一并作為算法優化的目標。XIAO M等人[42]利用CSA的全局搜索能力,不斷搜索CNN的輸入層、隱層和輸出節點數目的最優組合。GAO S等人[43]提出了MCKD和CNN的滾動軸承復合故障診斷方法,利用該算法對CNN的卷積核大小和迭代次數進行優化,最后,將處理后的信號輸入CNN模型中進行訓練和測試。DONG S等人[44]提出了與稀疏搜索算法相結合的新方法,利用SSA搜索出CNN的學習率等最優超參數集合,再利用預處理后的數據集作為CNN的訓練和測試樣本。ZHUO P C等人[45]提出了Elman神經網絡模型,結合遺傳算法的全局尋優與Elman神經網絡的局部尋優能力,構建出了新超參數集合的Elman神經網絡模型,提高了軸承故障診斷的精度。XU Q等人[46]通過預訓練Off-CNN的過程得到了全連接層的源域特征和參數集合,再初始化On-CNN的批處理大小和學習率等超參數,提高了故障診斷的準確率。AN F等人[47]提出了重疊群稀疏模型,通過分析信號突出特征來設置CNN的卷積核數目等超系數,可以更快地判斷出軸承的故障類型。王亞輝等人[48]采用粒子群算法的方法搜索出CNN的層數、CNN層的類別、池化層的類型、卷積核的尺寸、卷積核的個數、全連接層神經元的個數等最優參數集合,提高了基于CNN進行軸承故障診斷的準確率。

利用調整CNN超參數的方法包括調整網絡結構、學習率、批量大小、正則化方法、優化器選擇、數據增強策略和交叉驗證等,增強了網絡模型特征提取精確度和抗干擾能力,為研究復雜工況下滾動軸承故障診斷增加了理論支持,進一步提高了滾動軸承故障診斷和CNN的研究精度與深度。

超參數優化算法比較如表3所示。

表3 超參數優化算法比較

4 網絡結構優化

在故障診斷應用中,為了解決LeNet、AlexNet、GoogleNet等經典網絡模型在變工況復雜條件下診斷精度不高、泛化性差的問題,諸多學者從CNN模型結構出發,結合實際數據和訓練效果,對經典網絡模型進行了優化和創新,結合多種方法進行了滾動軸承故障診斷,挖掘軸承振動信號數據下隱含的故障特征,有效檢測了軸承工作狀態,使模型訓練速度更快、診斷結果更可靠。

目前,優化網絡結構的研究取得了許多突破性進展,HE D等人[49]提出了一種新型輕量級CNN模型,模型主體以倒殘差塊構建,通過嵌入擠壓激勵塊和引入輕量化概念,大幅減少了模型計算量,減少了降維過程中的特征損失。LIU X等人[50]提出了結合1D-CNN和2D-CNN構建故障診斷模型,在其雙域特征信息中提取了故障特征。XUE F等人[51]采用CNN模型對故障信號特征提取的過程,將特征融合策略進行連接,使模型整體特征提取效率大大提高。XU Y等人[52]提出了一種輕量級梯度提升機制(light gradient boosting machine, LGBM),關鍵是結合基于梯度的單側采樣和排他性特征綁定兩種新方法,利用LGBM代替SoftMax分類器,提高了模型診斷的穩定性。ZHAO X等人[53]采用基于多尺度學習的多尺度殘余收縮層和殘余收縮塊的方法,疊加了多個多尺度殘余收縮層,從輸入數據中自主學習振動信號的特征。劉洋等人[54]提出了雙池化層取代傳統CNN中的全連接層的方法,進行了故障信息整合和數據特征再提取,最后經過SoftMax層完成了軸承故障狀態分類。朱奇先等人[55]采用三個連續的卷積層代替殘差神經網絡的數據池化層的方法,不僅增強了特征信息在密集塊中的流動,還增強了特征信息的重復利用。王琦等人[56]采用1×1的卷積核的方法,在提高一維CNN非線性表達能力的同時,將傳統CNN中的全連接層替換為全局平局池化層,大大降低了模型計算量,不僅防止了模型過擬合,還提高了故障診斷效率。LIU Y等人[57]采用優化網絡結構的方法,用膠囊網絡取代CNN中的部分功能層,保持模型訓練過程的平穩性。金江濤等人[58]提出了一種混沌特征融合方法,將支持向量機作為分類器代替全連接層。昝濤等人[59]提出了基于多輸入層CNN的滾動軸承故障診斷模型,相比傳統CNN診斷模型具有多個輸入層,使得該模型可以更充分地提取原始信號的特征信息。XING Z等人[60]提出了一個多通道并行CNN模型,將在各并行信道中引入注意機制,提取具有較強沖擊特性的故障特征。宮文峰等人[61]針對傳統CNN模型全連接層存在訓練參數量過多導致模型訓練時間較長的缺點,提出了將傳統CNN的全連接層部分引入全局平均池化的方法。CHAO Z等人[62]提出了多尺度級聯中點殘差CNN的方法,將網絡的學習目標更改為使用中點剩余塊中的快捷連接,解決了梯度消失和梯度爆炸問題。WU Z等人[63]提出了深度強化傳遞神經網絡模型,利用深度Q網絡的自學習能力來訓練一個對軸承故障分類的智能診斷代理。金江濤等人[64]采用引入支持向量機的方法,考慮到故障信號的時間和空間尺度,將故障信號的時間序列作為輸入源,以挖掘振動信號中隱藏的非線性信息。

為解決基于卷積神經的滾動軸承故障診斷與分類問題,一些研究學者在原有CNN結構上進行大膽改進和創新,構建新的深層次網絡結構,使故障診斷有更高的效率和精確度[65]。

在軸承故障診斷中,調整CNN結構是一種常見的方法。以下是對軸承故障診斷中調整CNN結構常用方法的總結:

1)多尺度卷積層。引入多尺度卷積層可以同時提取不同尺度的特征,從而更全面地描述軸承信號。這種方法能夠增強模型對不同頻率故障的識別能力,提高診斷的準確性;

2)注意力機制。通過引入注意力機制,可以自動學習和選擇重要的特征,提高模型對故障信號中關鍵部分的關注度;

3)全局平均池化層。使用全局平均池化層可以將特征圖的空間維度壓縮為一個單一的數值,減少模型的參數量和計算復雜度。這種方法可以防止過擬合,并提高模型的泛化能力;

4)殘差連接。采用引入殘差連接的方法可以直接將輸入信號與輸出信號相加,從而保留原始信號的信息,避免信息損失和梯度消失問題,有助于提高模型對軸承故障的捕捉能力和表示能力。

5 結束語

為高效準確地完成滾動軸承故障診斷工作,筆者首先對CNN的結構進行了簡單介紹,并研究了近年來經典CNN模型用于滾動軸承故障診斷的重要進展;然后,從深度特征提取、超參數調整和網絡結構優化等角度,對各種優化CNN的方法原理進行了簡單介紹,詳細探討了將CNN應用于滾動軸承故障診斷的優化途徑;最后對幾種典型優化方法的優勢與不足進行了比較。

通過筆者分析論述,得到的結論如下:

1)早期經典模型存在一些局限性,如特征提取精度和效率較低、模型泛化性能較差以及學習率不高等問題[66];

2)采用基于深度特征提取的各種信號處理方法可以減少噪聲的干擾和影響,更利于CNN提取差異性的特征;

3)采用調整超參數提高模型學習率的方法可以將研究重點轉移至模型自身的提取精度,通過調整超參數來提高模型的診斷準確率;

4)采用優化模型結構的方法可以使模型的提取精度和泛化性能得到增強,提高了軸承故障診斷分類的準確率,但需要在數據量較大的情況下,模型的分類性能才能更佳。

盡管基于CNN的滾動軸承故障診斷研究取得了十分顯著的進展,但仍有需要改進和發展的空間。例如,需要解決數據不平衡、模型特征提取能力不足和泛化性不強的問題。因此,后續的相關研究工作應聚焦于多源數據融合、模型性能優化以及多方技術結合等方向。