基于神经网络的轴承故障诊断 文献综述
摘要
综述了基于神经网络对于轴承故障诊断的现状，介绍了国内外对于这方面的应用实例。同时总结了堆叠自编码、深度自编码、稀疏自编码和卷积神经网络的方法。
关键词：深度神经网络；滚动轴承；故障诊断；特征提取；自编码。
1.研究背景、目的、意义
滚动轴承在机械设备中应用广泛，也是极易出现损伤的部件之一，滚动轴承运行状况会影响整个机器的运行性能。本课题的任务是，利用振动信号分析、处理手段，设计并实现基于人工神经网络的轴承故障识别方法，能同时有效利用大量无故障标签样本和少量带故障标签的样本，实现故障识别的智能化，并利用国际公共数据集对采用方法的性能进行验证。对轴承进行状态监测和故障诊断具有重要的现实意义[1]。目前，滚动轴承的故障诊断主要是通过局部特征尺度分解[2]、经验模态分解[3]、局部均值分解[4]等信号处理方法采集轴承的振动信号提取特征或将提取的特征作为样本训练反向神经网络(Back propagation neural network，BPNN)等神经网络[5-6]、支持向量机(Support vector machine，SVM)[7-8]等分类器完成轴承故障诊断。轴承是当代机械设备中一种重要零部件，它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度。轴承具有不易磨损、噪声小、传动效率高、精度高、低摩擦等优良性能，已广泛应用于数控机床、航天航空、重型设备制造业、汽车工业、核工业、精密仪器等领域。国内外在基于神经网络上对轴承故障诊断的方法上倾注了许多心血。
2.应用实例
1）基于人工神经网络的方法[9]金燕、刘少军提出一种人工智能方法进行航空轴承疲劳可靠性分析。通过二次多项式近似拟合温度场效应,建立热弹流润滑效应下航空轴承接触应力分析模型,同时考虑热弹流润滑效应、材料属性以及疲劳强度修正系数的随机性，结合应力强度干涉理论，运用人工神经网络法完成疲劳可靠性分析，基于改进的一次二阶矩法完成可靠性灵敏度分析. 数值算例表明,建立的可靠性分析模型能正确反映热弹流润滑效应对航空轴承接触疲劳的影响. 与传统蒙特卡罗方法相比,提出的智能方法具有良好的全局搜索能力和高效的计算性能,并通过无交互方差分析滚动轴承疲劳试验对可靠性灵敏度分析结果进行了验证。2）基于深度自编码网络的方法在故障诊断领域，通常采用信号处理技术提取特征，然后将特征输入到故障分类器中进行故障识别。对于提取特征部分，采用信号处理技术可以使故障诊断取得较好的效果，但是仍然存在不足之处：一是人为提取的特征很大程度上依靠专业的诊断知识；二是绝大多数方法都需要使用标签数据来进行故障特征分类，其中标签数据必须通过大量的实验才可以得到。袁文军等人提出一种基于深度编码网络的轴承故障新型智能诊断方法[10]，可以克服上述故障诊断中存在的缺陷。为了验证该方法的有效性，利用具有不同健康状况的大量滚动轴承测量振动信号数据进行测试，实验结果表明效果良好。3）此外，汤芳，刘义伦，龙慧等人针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状，提出了一种基于稀疏自编码的深度神经网络，实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断[11]。首先，将轴承故障振动信号的频谱训练稀疏自编码获得参数；然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络，并结合反向传播算法对深度神经网络进行整体微调提高分类准确度；最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明：相比反向传播神经网络，提出的深度神经网络更能准确的识别滚动轴承故障类型。4）针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题 ，陈仁祥等人提出了一种基于卷积神经网络（Convolution Neural Network,CNN）和离散小波变换（Discrete Wavelet Transform ,DWT）的滚动轴承故障诊断方法[12].首先应用离散小波变换将信号时频特征充分展现 ，构造出时频矩阵 ；然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达 ，将时频矩阵低层信号特征逐层变换形成抽象的深层特征 ，以获取原信号时频信息的分布式特征表达 。 最后在特征输出层后端添加 softmax 多分类器 ，利用反向传播（Backpropagation ，BP）逐层微调结构参数，建立特征空间到故障空间的映射以生成合适的分类器 ，从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验，结果证明了所提方法的可行性与有效性，并具有较好的泛化能力和稳健性。
3.主要面临的困难和应对方法
1）目前的大部分诊断方法需要依靠信号处理与诊断经验提取浅层故障特征，再利用模式识别的方法进行诊断。其中，故障特征提取是关键，而滚动轴承往往工作在工况交替的条件下 ，所测试得到的故障信号特征微弱且易被调制呈现出典型的非线性与非平稳性，难以通过浅层特征对其二维时频信息进行全面准确刻画。同时，这些方法所提取的特征与所应用的模式识别算法间匹配程度难以评价，两者不是有机融合的整体，影响诊断结果的可靠性 。深度学习因其具有自动学习数据内部特征的优势在故障诊断领域得到了成功应用。大部分应用都为故障特征的自动学习提供了有益借鉴，但它们都是从单一的时域或频域中学习故障特征 ，其所学习到的特征还不能刻画滚动轴承故障信号的二维时频信息 。卷积神经网络（Convolution Neural Network ，CNN）利用非监督方式通过多层特征提取层能自适应的将二维信息逐层变换形成抽象的分布式特征表达，提取的特征具有更强的泛化能力和判别能力，且具有对移动、缩放、扭曲不变性的特点[13]。欲利用 CNN 对轴承信号分布式时频特征进行充分学习提取，必须将信号的二维时频信息充分展现。目前，信号时频特征的方法中，短时傅里叶变换难以兼顾时域和频域分辨率,S变换[14]对高频带分辨率模糊，而离散小波变换（Discrete Wavelet Transform ，DWT）具有无冗余分解和准确重构的特点，能将故障信号的频带严格区分开以对故障时频特征充分展现。因此 ，首先利用DWT将信号中的时频特征充分展现，将所构造出时频矩阵输入CNN中进行二维时频特征的分层自动提取，以实现滚动轴承故障诊断，最终形成了基于 CNN 和 DWT 的滚动轴承故障诊断方法。 通过对不同故障类型、不同故障程度以及不同工况下的滚动轴承进行故障诊断实验，证明了所提方法的可行性与有效性。
