加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别

陈仁祥　黄鑫　杨黎霞　汤宝平　陈思杨　杨星

摘要：针对滚动轴承寿命特征提取与寿命阶段智能识别问题，提出加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别方法。稀疏自编码具有非监督自动学习数据内部结构特征的能力，但属浅层网络，特征提取能力有限且不具备分类能力。因此，将多个稀疏自编码堆栈并添加分类层构建出集寿命特征自动提取与识别功能于一体的深度稀疏自编码神经网络，通过无监督逐层自学习与有监督微调，完成寿命特征的自动提取与表达，并实现寿命阶段智能识别。同时，为解决寿命样本量不足导致的网络过拟合，对原训练样本进行加噪擴展来训练网络，以抑制网络过拟合并提高网络的鲁棒性。通过工程应用，证明了所提方法的可行性和有效性。

关键词：故障诊断；滚动轴承；寿命阶段；稀疏自编码；神经网络

引言

滚动轴承的运行精度与状态直接影响空间飞行器、精密数控机床等重大、精密装备的运行精度与运行可靠性。国内外已多次出现因轴承失效导致重大装备失效的案例。如能监测滚动轴承的性能衰退过程并对其寿命阶段进行准确评估，则可预先制定维护策略，提高装备运行可靠性，避免因轴承出现严重故障导致装备停机、损坏。因此，对滚动轴承寿命进行评估显得尤为重要，国内外已开展了相关研究。

轴承的寿命是指在额定载荷下正常运行的转数或小时数，因受到工作环境（温度、湿度等）的影响，其寿命远达不到额定寿命，也难以统计其运行总圈数。工程实践中往往通过振动信号来反映其寿命衰退过程，从而进行寿命阶段识别和评估，其中，寿命特征提取与识别是关键问题。目前，在进行寿命阶段识别时，往往借鉴故障诊断方法，利用信号分析技术提取特征，再利用模式识别算法完成识别。这种方法虽取得了较好结果，但其过程均需要人工提取寿命特征，再输入相应的分类器实现分类识别。寿命特征提取多依靠人为经验，相关特征量往往为故障诊断技术中使用的特征量，而当轴承仅处于不同寿命阶段，只是运行精度下降而未出现典型故障（如点蚀）时，使用故障特征量代替寿命特征量进行寿命状态表征是替代方法，缺少针对性。同时，轴承处于不同寿命阶段的振动信号间差异远小于处于不同故障形式的振动信号间的差异，寿命阶段相差越小，相应振动信号间的差异越小，故障特征量对寿命阶段的表征能力更有限。需要探寻更有效的寿命特征提取方法。

为了从数据本身中自动学习数据内在结构特征，国内外学者相继提出了特征自学习方法。Liu、苗中华和朱会杰等采用稀疏编码进行故障特征的自学习与故障诊断，解决了特征自学习问题，但稀疏编码在特征位置变化和样本不充足时学习困难，同时还需要设计合适的分类器才能实现智能诊断。孙文珺等采用稀疏自编码提取感应电动机故障特征。雷亚国等利用深度神经网络来进行机械装备健康监测。为轴承寿命特征的自动学习提供了有益借鉴。