深度學習在軸承故障診斷中應用
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了深度學習在軸承故障診斷中應用范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要:深度學習是機器學習的一個領域。目前，已成為一種有前途的智能軸承故障診斷工具。本研究對深度學習在軸承故障診斷方面的應用進行系統綜述。簡要介紹了三種流行的軸承故障診斷深度學習算法:自動編碼器、受限玻爾茲曼機和卷積神經網絡，并討論了該研究領域的進一步應用和挑戰。
關鍵詞:深度學習;軸承故障診斷;自動編碼器;受限玻爾茲曼機;卷積神經網絡
在機器健康監測領域，軸承故障診斷是非常重要的。因為滾動軸承是旋轉機械中不可或缺的元件，同時也是系統故障的主要原因。據統計，45%～55%的設備故障是由滾動軸承的損壞引起的［1］。軸承的任何意外故障都可能造成機器，甚至整個系統的突然故障，從而導致時間的浪費和巨大的經濟損失。因此，軸承故障診斷引起了研究人員的關注。傳統的機器學習方法盡管已經在軸承故障診斷方面應用了幾十年，但這種方法存在明顯的缺陷:(1)需要操作人員具有專業知識和信號處理技術;(2)特征提取對于每個任務都沒有一個通用的過程;(3)傳統機器學習算法的淺層結構在學習提取特征的非線性關系方面的能力非常有限。以上缺陷限制了傳統機器學習在故障診斷領域的進一步應用。近年來，流行起來的深度學習架構可以在沒有人工干預的情況下從輸入數據中自動提取多個復雜特征:通過通用學習過程從原始數據中提取特征層。有了這種能力，深度學習架構就有能力應對傳統機器學習的困難。深度學習模型已成功應用于醫學圖像分析、信號處理、語音識別和計算機視覺等眾多領域。目前，深度學習也被應用于健康監測領域，尤其是軸承故障診斷問題。本文旨在系統回顧基于深度學習的軸承故障診斷研究成果，并討論面臨的挑戰。
1深度學習模型概述
目前，深度學習已廣泛應用于各個領域。在這一節中，我們將簡要介紹深度學習中最流行和最基本的三種模型。
1．1自動編碼器
如圖1所示，自動編碼器是一種特殊的神經網絡，由三層組成:輸入層、隱藏層和輸出層。自動編碼器的結構可以被認為是與解碼器集成在一起的編碼器。編碼器包括輸入層和隱藏層，將輸入向量映射到隱藏層。解碼器采用隱藏層的輸出值來重新創建輸入值。考慮一個輸入向量x，自動編碼器的正向計算包括兩個步驟:編碼和解碼。編碼步驟將輸入向量映射到隱藏層:ai=fWexi+be()(1)解碼步驟嘗試從隱藏值重建輸入值:xi=fWdai+bd()(2)式中，We，be和Wd，bd分別是編碼器和解碼器的權重矩陣偏置向量。對于包含m個樣本的輸入集xi，i=1∶m，自動編碼器將產生m個輸出樣本xi，i=1∶m。損失函數由以下等式定義:JWe，Wd，be，bd()=12m∑mi=1xi－xi()2(3)在訓練過程中最小化損失函數，優化自動編碼器參數，重構輸出向量，使重構誤差盡可能小。經過訓練后，自動編碼器可以以任意精度用原始輸入數據重建輸出。由于輸出是從隱藏向量重建的，我們可以說隱藏向量是輸入數據的表示，即自動編碼器從原始輸入數據中學習了代表性特征并映射到隱藏向量。堆疊自動編碼網絡是自動編碼器的深度模型。如圖2所示，堆疊自動編碼器的構架是通過多個自動編碼網絡堆疊在一起形成的具有多層的深度模型。李春林等人［2］對該算法給出了詳細的解釋。
1．2受限波爾茲曼機
受限玻爾茲曼機的結構如圖3所示。在可見層，可見節點用vi表示。在隱藏層中，隱藏節點用hj表示。同一層的節點不連接在一起。連接節點vi和hj的權重用wij表示。每個節點都有自己的偏差值。可見節點vi有對應的偏置值bi;隱藏節點hj具有相應的偏置值cj。可見層和隱藏層的關系由下式給出的能量函數定義:E(v，h)=－∑ivibi－∑jhjcj－∑i，jvihjwij(4)受限玻爾茲曼機訓練的最終目標是優化參數集(wij，bi，cj)，使模型能量最小化并在有限狀態下平衡模型。1．3卷積神經網絡卷積神經網絡是一種前饋神經網絡，由三種類型的層構成:卷積層、池化層和全連接層。全連接層與傳統的前饋神經網絡具有相同的結構和操作方式。卷積神經網絡的優勢來自于卷積層和池化層在結構和操作上的差異。卷積層由多個可學習的內核組成。每個內核都有一個可訓練的權重和偏差。卷積層將輸入數據與該層中的內核進行卷積。然后將卷積運算的結果輸入激活函數中以產生該卷積層的最終輸出。第l層中的特定jth和輸入數據xl－1之間的數學運算可以用以下等式來描述:xlj=f∑i∈Mjxl－1i*klj+blj()(5)式中，(*)表示卷積運算。上述等式的解釋如下:假設輸入數據xl－1包括m個二維矩陣。每個輸入矩陣xl－1i都與核kj卷積。然后將所有卷積運算結果的總和與偏差相加。最后，結果將被送入激活函數f以產生內核j的最終輸出。在每個卷積層之后，都有一個池化層。池化層的目的是減少前一層產生的特征圖的空間大小。池化層的操作是下采樣操作，它利用最大采樣或平均采樣。
2深度學習在軸承故障診斷中的應用
2．1自動編碼器
自動編碼器是通過自動學習高級表示中的特征來克服特征提取困難的有發展可推廣的方法。此外，其結構非常簡單，易于實現，是應用在軸承健康監測中最流行的深度學習算法。在加載或環境經常變化的工業生產中，機器和軸承必須在各種狀態或多模式下工作。對于多模式下的故障診斷，每種模式下的數據特征是不同的。ZhouF等［3］的研究表明，在軸承故障分類中，將多模視為單模會導致精度低，因為特征提取不準確［3］。因此，ZhouF等［3］引入了深度自動編碼器模型來解決多模軸承故障分類中的上述問題。首先，訓練一個堆疊自動編碼器模型來進行模式劃分。然后，再構建一個堆疊自動編碼器模型用于觀察每種模式下的數據，該組的目標是確定給定數據的對應模式。最后，根據確定的模式，構建另一個堆疊自動編碼器來對軸承故障類型進行分類。
2．2受限波爾茲曼機
熊景鳴等［4］使用粒子群算法優化深度置信網絡以進行軸承故障診斷。深度置信網絡是一個由多個受限波爾茲曼機疊加而成的深度模型。在他們的研究中，深度置信網絡首先通過貪婪的逐層訓練進行預訓練和微調，并在時域中提取低級特征。然后利用粒子群優化算法選擇超參數，包括隱藏層的大小、學習率和動量系數。李益兵等［5］提出了一個自適應深度置信網絡。首先，通過雙樹復小波變換將原始振動信號分解為8個不同頻段的分量。然后從每個組件中提取九個統計特征。這些低級特征將被自適應深度置信網絡用于學習高級特征。在他們模型的訓練過程中，學習規則和動量系數可以在每個訓練循環中改變。從一個小的學習率值開始，如果下一個訓練循環的重構誤差增加，那么學習率就會降低，反之亦然。TaoJ等［6］考慮了多信號融合的故障診斷系統。與單個傳感器系統相比，多信號融合技術可以提供更準確和高靈敏度的故障特征。處理來自所有傳感器的原始振動信號以提取時域中的統計特征。學習高級特征是通過深度置信網絡模型進行的。實驗結果證實，與傳統機器學習算法相比，深度置信網絡能夠以更高的精度處理多信號融合。
2．3卷積神經網絡
卷積神經網絡可以直接從高維數據中提取敏感特征，例如圖像和視頻。時域中的振動信號(一維數據)可以以二維格式呈現，例如矩陣形式或頻譜圖像。因此，一些研究人員試圖將振動信號轉換為二維形式，以利用卷積神經網絡的能力。GuoX等人［7］提出了具有自適應學習率的分層卷積神經網絡來對軸承故障進行分類并進一步確定其嚴重程度。他們的分層模型包括兩層。第一層是卷積神經網絡，這一層的任務是識別軸承故障的類型。第二層由三個卷積神經網絡組成，確定軸承中發生的故障的大小。通常，學習率在訓練過程中不會改變。但是，過小的學習率會減慢訓練過程，過大的學習率可能會增加損失誤差并使學習過程不收斂。為了解決這個問題，提出了自適應學習率。直接使用時域中的原始振動信號，但每個樣本都以方陣形式重新排列。實驗結果驗證了他們的分層深度模型優于典型的卷積神經網絡模型。結語本文系統概述了使用深度學習算法進行軸承故障診斷，包括自動編碼器、受限波爾茲曼機和卷積神經網絡。長期以來，傳統的機器學習在軸承故障診斷中得到了廣泛的應用。然而，這種方法高度依賴手工特征提取和專家經驗。這使得創建自動故障診斷模型的任務變得不可能。具有自動學習多層次特征和數據抽象能力的深度學習被認為具有解決傳統機器學習缺點的潛力。到目前為止，自動編碼器是用于軸承故障診斷的最流行的深度學習算法。原因是自動編碼器具有作為典型神經網絡的簡單結構。此外，即使是堆疊自動編碼器等自動編碼器的深度模型也可以通過貪婪的逐層訓練方法簡單地構建和訓練。受限波爾茲曼機也是深度學習家族中與自動編碼器類似的無監督學習算法。自從對比散度算法發明以來，受限波爾茲曼機就變得流行起來。基于受限波爾茲曼機的深度模型也可以通過貪婪的逐層訓練來訓練。卷積神經網絡，一種監督學習算法，是第三個廣泛應用于軸承故障診斷的深度學習架構。使用卷積神經網絡模型，除了直接使用一維信號的方法之外，還有一種以二維形式呈現軸承振動信號的新方法。卷積神經網絡模型在其結構中集成了特征提取器和特征分類器。其訓練過程是監督學習，需要標記數據。遞歸神經網絡也是深度學習家族中重要的深層結構。遞歸神經網絡有記憶，可以處理任意輸入模式序列，從某種意義上說，遞歸神經網絡是最深度的模型。遞歸神經網絡模型已應用于許多領域。然而，目前為止，關于軸承故障診斷的遞歸神經網絡文獻并不多。這就是我們在之前的綜述部分沒有提到遞歸神經網絡的原因。來自軸承的信號本質上是時間序列數據，因此遞歸神經網絡也是一種很有前途的軸承故障診斷工具。與傳統的機器學習架構相比，深度學習模型可以更容易地從數據中學習顯著特征，但為任何特定的診斷任務設計合適的深度模型并不容易。由于每個超參數對模型性能都有合理的影響。目前，超參數幾乎是通過試錯法選擇的。這是一項耗時的工作，需要經驗的積累。當沒有選擇合適的參數的標準方法時，設計深度模型仍然是深度學習研究中的一個挑戰。
作者:劉冬冬 單位:安徽恒源煤電股份有限公司機械總廠